4. TRANSFORMATION
Click & Mortar O2O On-Demand
Process Innovation Industry 4.0
Mobile IoT
Big Data Machine/Deep Learning
Connected Car Self-driving (Autonomous)
5. New Computer
PC-Computer Smart Phone ?Frictionless
Computing
No Display!
No Keyboard/Mouse!
No Touch!
Only Recognition!
출처 http://ben-evans.com/
6. Machine & Deep Learning
머신러닝으로 모든 것이 재조명 되고 있는 상황
스마트폰 이후에 다음 세대의 디바이스 서비스로 예상되고 있음
출처 http://ben-evans.com/
7. 7 년
4 년
1 개월
2 년
75 년
전화가 보급하는 기간에 비해 무려 1/900
(900 배)이며, 폭발적인 속도로 확산
디지털의 속도는 900 배
정보 전달의 상식이 바뀐다!
출처 : Gartner report
8. 2017년 제조업 IT 기술 트렌드
새로운 비즈니스 모델에서 데이터 및 분석 활용
현장 운영 데이터 마이닝
공장 자동화 및 예방/사전 유지보수
지능형 앱 및 원활한 현장 통신
스마트 데이터, 스마트 의사결정 – not Big & Big Data 관리
수동 프로세스의 자동화, 실행 가능한 메트릭
공급망 협력 및 가시화
10. 디지털 트랜스포메이션 선도 기업
산업인터넷
Predix
분석 통합 플랫폼
디지털헬스케어 스위트
플랫폼
IoT 조명
스마트 농기계
제품 서비스
시스템들의 시스템
11. GE의 비즈니스 트랜스포메이션
GE Digital
GE Capital Divestiture
Alstom Acquisition
IT/OT Convergence
Cybersecurity
Cloud
1
2
3
4
5
6
“어젯밤 잠들 때는 산업재 제조 기업이었지만,
오늘 아침 일어나면 소프트웨어/분석 기업이
되어 있을 것입니다.”
Jeff Immelt, GE Chairman & CEO
12. 2015년 re:Invent에서 GE CIO의 발표
This is no longer an experiment, it is inevitable, GE CIO, Jim Fowler, Oct 2015
GE는 140년된 전통적 제조업체이지만 이제는 플랫폼 제공 스타트업체임
• 9,000개의 기업내 워크로드를 AWS로 전환 (산재된 300여 ERP 포함)
• 앞으로 3년내에 34개의 데이터센터를 4개의 센터로 축소
• Oil & Gas의 경우 기존 대비 52%의 비용 절감
• 비즈니스 어플리케이션 제공 속도 77% 향상
AWS는 앞으로의 140년을 같이 할 파트너
13. GE 전환 가속화 Acceleration
• 머신-기계 및 제조/생산 시스템을 위한 오픈,
그러나 보안은 강화된 아키텍처
• 플랫폼 기반의 시스템 및 분석 체계
• 제조 공정상의 문제와 이슈를 해결할 수 있는
기반의 최적화된 어플리케이션
• 주요 중점 사항:
- 센서 기반 및 인지 가능한 머신
- 분석 기반의 가시화
- 통합된 시스템
- 표준화 그리고 아키텍처
- 빅데이터와 분석
14. New Way Working model
DevOps ModelTraditional Model
DevOps: myGEAviation
-운영배포 사이클 주기 단축: 4일에서 몇 시간으로
-고객에게 제공되는 다양한 서비스 제공 5배 빨리
-고객/시장 대응 +240% 향상 speed-to-market
일반적 연구/개발, 개발/운영, 혁신/개선 프로세스에서 지속적으로 서비스
개발/운영이 통합되고 지속적으로 발전 시키는 프로세스와 환경으로 전환
15. 운영 비용업무 생산성비용 절감운영 탄력성사업 민첩성
P1/P0 98% 감소77% 더 빠른 사업
애플리케이션 제공
평균 TCO 52% 절감 15개의 자동화 봇 개발
80% 클라우드 도입
15개의 클라우드
서비스 생성
8개 업무의 클라우드
이전
보안상태 향상신속 실험
기술 종속성 감소 연간 $14M 절감
성능 향상M&A 과정 간소화 DevOps 실행
$20M 투자 18 개월 포커스 300+ 앱 이전 연간 $21M 절감&
셀프 서비스 문화로의
전환
컴퓨팅 자산 35% 절감 (792)
50개의 앱 중지
17. Philips의 디지털 헬스케어 플랫폼
HealthSuite IoT Architecture based on AWS
Digital Platform Service
18. Philips의 디지털 헬스케어 플랫폼
클라우드 기반 오픈 소스 디지털 플랫폼 서비스 제공
• 15PB 규모의 데이터를
AWS에서 분석
• AWS IoT를 통한 디바이스
연계 및 센서 데이터 축적
• AWS에 700만 디바이스/
센서/모바일앱 연계
Cloud is the core foundation of
Philips’ Healthcare Platforms:
19. Moving from Legacy to Future proof
100+ Sites
3500+
Servers
Extremely
high Fixed
costs
Old End-of-
term
Infrastructure
No incentives
to Decomm &
Modernize
Governance
42%
3%
25%
1st tier Datacenter
30% Decommission Infra
(인프라 해체)
로컬 컴퓨팅
(Darkroom operated)
Workload
Split
20. 레거시에서 클라우드-퍼스트에 이르기까지
• “Break-Fix”
• SLA 기반 관리 서비스
• 예상치 못한 사업중단
• 복잡한 공급망 새로운 수요 발생
• 다양한 버전
• 확장 불가능
• 예약 용량 지불
• “after the fact” 보고
• “Always On”을 위한 설계
• SLA 기반 관리 서비스
• 셀프 프로비저닝, 소비자 주도
• 일반 시장 유효 서비스
• 확장가능 리소스
• 사용한 만큼 지불
• “실시간“ 사용 & 성과Does not represent a
Philips location
21. Creating a Landing Zone - Internet Centric Networking
The Internet
Sites
Private Network – Provider
Internet Edge
SaaS Cloud
ISP
Cloud
Gateway
1
Cloud
Gateway
2
Cloud
Gateway N
Partner
Tier1
DC
siteMPLS
Direct Connect
MPLS
22. JohnDeere사의 농기계 플랫폼 서비스
MyJohnDeere platform
Intelligent farming
지능화된 농업을 위한 농기계 플랫폼 서비스 제공
23. JohnDeere사의 농기계 플랫폼 서비스
Remote
Control
원격 조종
Mobile
Connect
모바일 연계
Seamless
Analysis
지속적 분석
모바일 원격에서 무인 자동화로 확대하여
Precision Agriculture 정밀 농업 실현
24. JohnDeere사의 농기계 플랫폼 서비스
Connected Mobile Networks
JDLink telematics JDLink telematics John Deere Farm Sight
MyJohnDeere Platform
25. 사물 인터넷 – John Deere
장치 연결 및 관리
장치 연결 및 데이터 보안
장치 데이터에 따른 처리 및 작동
언제든지 장치 상태 읽기 및 설정 가능
John Deere사의 기술 정보 솔루션 담당 부사장 Patrick Pinkston은 178년 된 본
회사가 어떻게 아마존 클라우드를 사용하였는지 설명하고 있다.
John Deere는 AWS IoT 솔루션을 통해 개별
작물 및 토지 면적에 대한 농민들의 작물 재배
추적을 가능케 함
https://www.youtube.com/watch?v=uq4kQPsM4cQ
27. 제품·서비스에서 시스템들의 시스템으로
Product Service Platform & Eco
글로벌 최대 농업 기계/장비 제조 업체인
John Deere는 단지 스마트 팩토리 및
제품에서 벗어나 농업 분야의 산업 경계를
서비스로 확대하고 농장 자동화와 현대화를
위한 플랫폼 서비스 회사로 재탄생
출처 : https://hbr.org/2014/11/how-smart-connected-products-are-transforming-competition
28. Smart, Connected Product의 기능
• 모니터링-제어-최적화-자율화 4가지로 구분
• 각 기능은 이전 단계의 기능에 기반하여 구현
• 예를 들어 제품이 제어 기능을 갖기 위해서는 반드시 모니터링 기능이 전제되어야 함
모니터링
센서 및 외부 데이터 소스를
통해 하단의 종합적 모니터링
수행:
• 제품 상태
• 외부 환경
• 제품 운영 및 사용
모니터링에 기반하여 변동
사항에 대한 경보 및 알람
작동
제품 혹은 제품 클라우드
내장 소프트웨어는 하단
기능 수행:
• 제품 기능 제어
• 사용자 경험(UX) 개인화
모니터링 및 제어 기능은
제품 운영 최적화 알고리즘을
통해 하단 기능 수행:
• 제품 성능 향상
• 사전 예측 진단, 서비스 및
수리
모니터링, 제어 및 최적화
기능의 조합으로 하단
기능 수행:
• 자율적 제품 운영
• 타 제품 및 시스템과의
운영을 위한 자체 조정
• 자율적 제품 향상 및
개인화
• 자가 진단 및 서비스
제 어
최적화
자율화
출처 : https://hbr.org/2014/11/how-smart-connected-products-are-transforming-competition
29. 새로운 시스템 아키텍처
출처 : https://hbr.org/2014/11/how-smart-connected-products-are-transforming-competition
스마트, 커넥티드 제품
위치, 조건, 사용 등 관련 데이터
외부
가격, 날씨, 공급업체 재고
등 관련 데이터
기업
서비스 이력, 품질보증 상태
등 관련 데이터
데이터 레이크
비가공 데이터, 다양한
포맷 등으로 구성
서술 진단 예측 지시
제품 상태, 환경,
운영 서술
제품 성능 감소 및
고장 원인 검토
패턴에 기반하여
임박 사건 예측
결과 개선 및 문제
해결 솔루션 탐색
비즈니스 고객 파트너
데이터소스
분석
가공하지 않은
데이터
심층 정보
기본 정보
사용 패턴 등
제어와 최적화
성능 향상 SW
업그레이드 등 통해
32. IT와 OT와의 결합
OT
IT
CONVERGENCE
…
…
Transactional data: orders, supply network, product design …
MATERIALS &
TRANSPORT
CONTROLLERSSENSORS,
ACTUATORS
MACHINES &
EQUIPMENT
FINANCIALS HR LOGISTICS QUALITY CRMERP
Real-time data: control, safety, security …
IoT = IT+OT The Connected Enterprise
33. 실시간 Supply Chain 분석 체계
• Input batches
• Processing
temperature,
humidity, pressure
• Dimensions
• Weight
• Strength
• Date of shipment
• Carrier
• Shipping service
• Batch ID
Commodity
• Input batches
• Processing
temperature,
humidity, pressure
• Dimensions
• Weight
• Strength
• Date of shipment
• Carrier
• Shipping service
• Serial no.
Part
• Input serial no.
• Processing
temperature,
humidity, pressure
• Dimensions
• Weight
• Date of shipment
• Carrier
• Shipping service
• Serial no.
Module
• Model
• Configuration
• Input serial no.
• Processing
temperature,
humidity, pressure
• Dimensions
• Weight
• Destination
• Dealer, customer
• Chassis no.
Product
• Tracking ID
• Label
• Pick-up station
• Delivery station
• Current location
• Environmental
data
• Tracking ID
• Label
• Pick-up station
• Delivery station
• Current location
• Environmental
data
• Tracking ID
• Label
• Pick-up station
• Delivery station
• Current location
• Environmental
data
AWS Kinesis
34. 실시간 Supplier Networks Analytics
실시간 물류 데이터 수집 및 분석, 공급 업체/OEM/물류 파트너 네트워크 개방 플랫폼
물류 지연에 대한 실시간 경보
날씨, 제품 품질 등의 신호 기반 실시간 선제 조치 트리거
분산된 공급망이 생성하는 전세계 정보 분산과
일치하는 데이터 수집 및 분석 인프라 제공
실시간 데이터 수집 : Kinesis
수집 된 데이터의 안전하고 내구성있는 스토리지 : S3
신호에 대한 데이터 분석 : EMR
패턴 감지를위한 빠른 분석 : Redshift
SAP와 같은 추가 워크 플로우에 연결할 수있는 커넥터
프레임 워크 및 확장 가능한 플랫폼
35. Engineering Workplace: PLM
모든 제품 데이터 관련 데이터 인프라 지원
(엔지니어링~품질 보증~판매 후 문서화)
데이터 중복을 피하기 위해 OEM, 중장비 PLM 시스템에 공급 업체, 엔지니어링 서비스 제공 업체,
판매 업체 네트워크 등 연결 제품 개발주기 단축
핵심 PLM 인프라를위한 EC2, RDS 및 VPC 엔지니어링
데이터를 위한 안전성
비용 효율적인 계층형 스토리지 솔루션을 위한 빌딩 블록
S3 / Glacier
파트너 에코 시스템 (Siemens, Dassault 또는 PTC와 같은
PLM 공급 업체, 데이터베이스 공급 업체, 계층형 스토리지
솔루션 제공 업체) 및 시스템 통합 업체
엔지니어링 데이터 호스트 글로벌 인프라 제공
36. PLM: Siemens Teamcenter on AWS
• Full Cloud or Hybrid 제공
• Training, Dev & Test, HA
Production, Disaster Recovery
Siemens Frameworks and Best Practices
37. Engineering Workplace: 시뮬레이션
P2C4
클라우드의 HPC 클러스터 온 디맨드 엔지니어링 시뮬레이션
더 많은 모델의 시뮬레이션 능력은 더 많은 혁신을 가져 오지만,
컴퓨팅 용량을 계획하는 방법은 "n+1"시뮬레이션 실행의 한계 비용 감소, 제품 개발주기 단축
데이터 세트: 거대하지만 효율적으로 데이터를 저장하며, CPU를 데이터 분석에 더 가깝게 제공
C4 인스턴스 : CPU 최적화 (인텔)
P2 인스턴스 : GPU 최적화 (엔비디아)
스팟(Spot)으로 모델 예약 구매
다양한 운영 체제
최신 CPU, 스토리지 및 네트워크 기술을
갖춘 컴퓨팅 최적화 인스턴스 유형 제공
38. Engineering Workplace Simulation 사례
“클라우드는 우리가 전에보다 빨리 혁신 할 수있는 기회를 제공합니다.”
- Ayumi Tada, IT System Administrator, Honda R&D
충돌 및 재료 역학 시뮬레이션
유체 및 열역학 시뮬레이션
차체 공기 역학
전자기 및 전자기장 시뮬레이션
자동차 부문의 시뮬레이션
AWS Spot에 확장 가능 HPC 클러스터 배포
(최대 1000 개의 C3 인스턴스)
보다 정확한 결과를 위해 이전보다 많은 시뮬레이션 실행
혼다 재료 역학 시뮬레이션
39. 제조업에 제안드리는 AWS 서비스
High Performance
Compute
Internet of Things
Modeling and
Simulation
Archive
Correlation
Analysis
Mobile
DeviceVarious
Sensors
HTTPS
Device
Persistent
Stream
Intelligent Services
By Deep Learning
Artificial Intelligence
Connected, Automated,
Control
Big Data Micro Data
40. 제조업 IoT 도입 사례
IoT
고장 예측
자산 업타임 확대, 서비스 비용 절감
적응형 진단
가동 시간 향상, 서비스 및 보증 비용 절감
IoT 장치 관리
장치 무결성 및 운영비 절감
상태 기반 정비
능률 개선, 서비스 비용 절감
자산 최적화
자산 성과 및 능률 개선
자산 활용
상품 디자인 및 준수 개선
41. 제조업 內 IoT
고장 예측 (자산 업타임 개선)
품질보증 스코어링 (보증 비용 절감)
성과 데이터 (상품 차별화 개선)
조건부 정비
(지원 비용 절감)
예측형 진단
(지원 비용 절감)
고장 예측 (자산 업타임 개선)
자산 최적화 (운영 가시성)
IoT 장치 관리
(OTA 운영 구성 및 원격 관리)
장비 OEM
수집
판단
분석
결합
제조사/공장 고객
43. A Flywheel For Data
Machine Learning
Deep Learning
AI
Better Products
Better Analytics
Object Storage
Databases
Data warehouse
Streaming analytics
BI
Hadoop
Spark/Presto
Elasticsearch
More Users
More Data
Click stream
User activity
Generated content
Purchases
Clicks
Likes
Sensor data
44. A Flywheel For Data
Machine Learning &
Artificial Intelligence
Big Data Analytics
More Users Better Products
More Data Better Analytics
45. Machine Learning 기계 학습
Collect
Validation data Test dataTraining data
Model training Model validation Final predictions
수집
학습데이터 확인/처리
데이터
테스트 데이터
모델 학습 모델 검증
최종 예측
Data
Output
Computer
Program
개인화
문서 분류
부정방지
추천엔진
고객이탈 방지
processing Use Case
신상품 예측 상품 평가 분석 ASIN 상품 식별 번호 전환 상품 검사(시각화)
46. 딥러닝 정의 Deep Learning – Advanced ML
Neural Networks :
A collection of simple, trainable mathematical units that collectively learn complex functions
Where traditional machine learning focuses on feature
engineering, deep learning focuses on end-to-end
learning based on raw features
47. The Advent of Deep Learning
Algorithms
Data
Programming
Models
GPUs &
Acceleration
image understanding
natural language
processing
speech recognition
autonomy
49. HPC에 주목하는 AWS
HPC 워크로드는 AWS 고객의 최우선 순위
제조, 자동차, 우주항공, 반도체, 생명과학, 금융 서비스,
에너지, 연구 분야 등
HPC와 함께하는 AWS
머신러닝
데이터센터, 네트워크, 서버 설계
고객 상품 설계
로봇 공학
반도체 설계
소매 및 금융 분석
50. HPC - 고성능 컴퓨팅
결과 시간 저비용 탄력성 전세계 접근성보안 확장성
• 대용량, 계산 집약적 작업의 일괄 처리
• 결과에 대한 집계, 보고, 시각화 필요
• 고성능 CPU, 네트워크, 스토리지 요구
• 다양한 수준의 클라우드 성숙도를 가진 ISV에 기반한 워크플로우
Modeling and Simulation
51. HPC 시나리오를 클라우드에 도입해야 하는 이유
Cloud for HPC Scalability
Cloud for Secure Global Collaboration
Cloud for Big Data
Amazon Linux 또는 3.10 버전 이상의 Linux
kernel 사용
OS 버전
P-states를 사용하여 프로세서 변동성 감소
CPU 선호도를 사용하여 CPU 코어 스레드 연결
Intel MPI 권장
프로세서 상태 및 선호도
MPI 라이브러리
하이퍼스레딩 켜고 끄기 테스트
보통 꺼져 있는 것이 좋지만, 항상 그런 것은 아님
하이퍼스레딩
최대 EC2 인스턴스 크기에서의 최고 성능
네트워크 초과 신청 없는 배치 그룹 전체 단면적 대역폭
1M PPS 이상의 성능, 인스턴스 간 대기 시간 감소
Proprietary Elastic Network Adaptor
현재 20Gbps, 30Gbps 출시 예정
AWS 전매 네트워킹
향상된 네트워킹
52. Migrating HPC to AWS
Shared File Storage
Cloud-based, auto-scaling HPC cluster
on EC2
License managers and cluster
head nodes with job schedulers
3D graphics virtual workstation
AWS Direct Connect
On-Premises IT
Resources
Thin or Zero Client
- No local data -
Storage CacheAmazon S3
and Glacier
53. AWS의 Big Data 도구
Amazon
S3
Amazon
Kinesis
Amazon
DynamoDB
Amazon
Redshift
Amazon
Elastic
MapReduce
• 무엇이든 저장
• 오브젝트
스토리지
• 확장성
• 내구성
99.999999999%
• 실시간 처리
• 뛰어난 처리능력;
탄력적
• 쉬운 사용
• EMR, S3, Redshift,
DynamoDB 연계
• NoSQL DB
• 지속적 확장성
• 관리 필요없음
• 한자리 수
밀리세컨드의
low-latency
• 관계형 데이터
웨어파우스
• 병렬처리
• 페타바이트
• 연간 1
테라바이트에
대한 완전
관리서비스 비용:
$1,000
• Hadoop/HDFS
클러스터
• Hive, Pig, Impala,
Hbase
• 완전관리서비스
제공, 쉬운 사용
• 온디맨드, 스팟
• S3, DynamoDB,
Kinesis와
견고하게 연계
54. Legacy Data Architectures Exist
as Isolated Data Silos
Hadoop
Cluster
SQL
Database
Data
Warehouse
Appliance
55. Data Lake 아키텍처 진입
What is Data Lake?
대용량, 이종 데이터 저장 및 분석에
유용한 새로운 아키텍처
56. Building a Data Lake on AWS
Kinesis Firehose
Athena
Query Service
57. Data Lake 혜택
하나의 중앙집중형 장소에서 모든 소스의
모든 데이터 저장 및 분석
모든 데이터를 하나의 장소에
사전 정의된 스키마에 맞출 필요 없이
빠르게 데이터 수집
신속 데이터 수집
분리된 스토리지 및 컴퓨팅을 통해
각 요소의 크기 조정 가능
스토리지 vs 컴퓨팅
스키마-온-라이트가 아닌
스키마-온-리드를 통해 즉각적 분석이 가능
모든 데이터를 하나의 장소에
58. 체크 포인트
제조업의 2017 기술 트렌드
글로벌 기업의 사례 연구
사례를 통해본 시사점
AWS 서비스 제안
-IoT
-AI
-HPC
-Big Data
59. 본 강연이 끝난 후…
AWS의 다양한 사례를 살펴 보시고
기본적인 서비스에 대해서 테스트와 데모를 만들어 보세요