데이터 분석에 관심은 많지만 어떤 것부터 해야 할지 모르는 분들에게 데이터테크랩의 스터디 케이스를 소개합니다.
목차
1. 데이터 과학자(Data Scientist)?
2. 데이터 플랫폼 @ 데이터테크랩
3. 플랫폼 데모
대상
데이터 분석 및 분석 환경 구축에 관심 있는 분
데이터 분석에 관심은 많지만 어떤 것부터 해야 할지 모르는 분들에게 데이터테크랩의 스터디 케이스를 소개합니다.
목차
1. 데이터 과학자(Data Scientist)?
2. 데이터 플랫폼 @ 데이터테크랩
3. 플랫폼 데모
대상
데이터 분석 및 분석 환경 구축에 관심 있는 분
엔터프라이즈의 인공지능(AI)과 머신러닝(ML) 적용은 왜 어려울까요?
베스핀글로벌의 웨비나 자료를 통해서 성공적인 AI와 ML 적용 방법을 확인하세요.
[목차]
1. 디지털 트랜스포메이션의 큰 흐름
- Gartner 선정 미래를 이끌어 갈 기업
- 글로벌 금융 기업의 디지털 트랜스포메이션, 데이터를 바라보는 시각
- 빅데이터 & AI 활용 사례
2. 빅데이터 분석 시스템 도입하기
- 빅데이터 분석 시스템 미도입 이유
- 빅데이터 분석 시스템 도입 사례
3. 데이터 분석을 위한 Data Lake & Data Governance
- 데이터 분석의 한계와 Data Lake
- 클라우드 Migration
- Data Governance의 중요성
4. AI 적용하기
- Amazon AI 서비스
- 적용 사례
광범위한 데이터소스에서 발생하는 고속 이벤트 데이터에 대한 실시간 가시성을 높여 완벽한 통찰력을 제공합니다.
리얼디스플레이® 플랫폼은 플랜트, 조선, 에너지, IoT 산업 등의 인프라스트럭처에 대한 실시간 모니터링 애플리케이션을 쉽고 빠르게 개발할 수 있도록 데이터 수집 에이전트 및 인-메모리기반 복합 이벤트 분석 서버, 대용량 시계열 데이터베이스, 실시간 대시보드 애플리케이션 등 단순하면서 종합적인 실시간 모니터링 시스템 구축 기반을 제공하는 진정한 실시간 운영 인텔리전스(Operational Intelligence) 솔루션입니다.
Session 3. 제조업의 미래를 바꾸는 Microsoft Azure AI/ML/IoT 플랫폼 - 베스핀글로벌 박플로 차장BESPIN GLOBAL
제조 기업을 위해 SCM(supply chain management, 선진 공급망 관리) 솔루션과 클라우드로의 디지털 드랜스포메이션을 실제 도입 케이스를 통한 실용적인 도입 방안과 효과를 공유합니다.
이번 세션에서는 제조업의 미래를 바꾸는 Microsoft Azure AI/ML 플랫폼에 대해 설명합니다.
효율적인 IT 운영을 위해 제조기업에서 인공지능을 어떻게 활용할 수 있을지 Microsoft Azure AI/ML의 이해와 활용 및 다양한 도입 시나리오를 제시합니다.
The purpose of this presentation is to present technical advises for getting cloud computing related jobs.
본 슬라이드는 클라우드 컴퓨팅 기업에 취직하기 위한 준비사항과 간단한 기술적 내용을 서술한다.
Session 2. 스마트한 클라우드 관리 방법 - 베스핀글로벌 박대식 매니저BESPIN GLOBAL
전 세계적으로 클라우드 기반의 디지털 트랜스포메이션이 빠르게 진행되고 있음에도 불구하고, 기업에서 클라우드를 도입하고 마이그레이션 하는 과정은 여전히 어려움이 많습니다. 성공적인 마이그레이션은 클라우드로의 단순 인프라 변경에서 그치는 것이 아니라 비즈니스와 프로세스가 함께 변화할 때 완성될 수 있습니다.
그리고 그 변화의 중심에는 인공지능(AI)과 머신러닝(ML)이 있습니다. 인공지능과 머신러닝은 모든 것을 자동화하여 스스로 데이터를 분류하며 유의미한 가치를 찾아냅니다. 바로 여기에서부터 기업의 비즈니스 혁신은 시작됩니다.
클라우드로의 디지털 트랜스포메이션 전략과 인공지능/머신러닝을 활용한 비즈니스 혁신 방법 중, 효율적으로 클라우드를 관리하는 방법에 대해 이번 세션을 통해 알아보겠습니다.
빅데이터 구축 및 술루션 가이드 주요 내용
- 고객 내부 빅데이터 프로젝트 진행시 단계별 진행 가이드
- 빅데이터 프로젝트 구축 타입
- 각 산업분야별로 빅데이터 엔진을 활용한 솔루션 구축 가이드
(딥 러닝 기법 기반의 분석 포함)
코세나(kosena), 이승훈 실장 admin@kosena.kr, kosena21@naver.com
010-9338-6400
* 행사 정보 :2016년 10월 14일 MARU180 에서 진행된 '데이터야 놀자' 1day 컨퍼런스 발표 자료
* 발표자 : Dylan Ko (고영혁) Data Scientist / Data Architect at Treasure Data
* 발표 내용
- 데이터사이언티스트 고영혁 소개
- Treasure Data (트레저데이터) 소개
- 데이터로 돈 버는 글로벌 사례 #1
>> MUJI : 전통적 리테일에서 데이터 기반 O2O
- 데이터로 돈 버는 글로벌 사례 #2
>> WISH : 개인화&자동화를 통한 쇼핑 최적화
- 데이터로 돈 버는 글로벌 사례 #3
>> Oisix : 머신러닝으로 이탈고객 예측&방지
- 데이터로 돈 버는 글로벌 사례 #4
>> 워너브로스 : 프로세스 자동화로 시간과 돈 절약
- 데이터로 돈 버는 글로벌 사례 #5
>> Dentsu 등의 애드테크(Adtech) 회사들
- 데이터로 돈을 벌고자 할 때 반드시 체크해야 하는 것
엔터프라이즈의 인공지능(AI)과 머신러닝(ML) 적용은 왜 어려울까요?
베스핀글로벌의 웨비나 자료를 통해서 성공적인 AI와 ML 적용 방법을 확인하세요.
[목차]
1. 디지털 트랜스포메이션의 큰 흐름
- Gartner 선정 미래를 이끌어 갈 기업
- 글로벌 금융 기업의 디지털 트랜스포메이션, 데이터를 바라보는 시각
- 빅데이터 & AI 활용 사례
2. 빅데이터 분석 시스템 도입하기
- 빅데이터 분석 시스템 미도입 이유
- 빅데이터 분석 시스템 도입 사례
3. 데이터 분석을 위한 Data Lake & Data Governance
- 데이터 분석의 한계와 Data Lake
- 클라우드 Migration
- Data Governance의 중요성
4. AI 적용하기
- Amazon AI 서비스
- 적용 사례
광범위한 데이터소스에서 발생하는 고속 이벤트 데이터에 대한 실시간 가시성을 높여 완벽한 통찰력을 제공합니다.
리얼디스플레이® 플랫폼은 플랜트, 조선, 에너지, IoT 산업 등의 인프라스트럭처에 대한 실시간 모니터링 애플리케이션을 쉽고 빠르게 개발할 수 있도록 데이터 수집 에이전트 및 인-메모리기반 복합 이벤트 분석 서버, 대용량 시계열 데이터베이스, 실시간 대시보드 애플리케이션 등 단순하면서 종합적인 실시간 모니터링 시스템 구축 기반을 제공하는 진정한 실시간 운영 인텔리전스(Operational Intelligence) 솔루션입니다.
Session 3. 제조업의 미래를 바꾸는 Microsoft Azure AI/ML/IoT 플랫폼 - 베스핀글로벌 박플로 차장BESPIN GLOBAL
제조 기업을 위해 SCM(supply chain management, 선진 공급망 관리) 솔루션과 클라우드로의 디지털 드랜스포메이션을 실제 도입 케이스를 통한 실용적인 도입 방안과 효과를 공유합니다.
이번 세션에서는 제조업의 미래를 바꾸는 Microsoft Azure AI/ML 플랫폼에 대해 설명합니다.
효율적인 IT 운영을 위해 제조기업에서 인공지능을 어떻게 활용할 수 있을지 Microsoft Azure AI/ML의 이해와 활용 및 다양한 도입 시나리오를 제시합니다.
The purpose of this presentation is to present technical advises for getting cloud computing related jobs.
본 슬라이드는 클라우드 컴퓨팅 기업에 취직하기 위한 준비사항과 간단한 기술적 내용을 서술한다.
Session 2. 스마트한 클라우드 관리 방법 - 베스핀글로벌 박대식 매니저BESPIN GLOBAL
전 세계적으로 클라우드 기반의 디지털 트랜스포메이션이 빠르게 진행되고 있음에도 불구하고, 기업에서 클라우드를 도입하고 마이그레이션 하는 과정은 여전히 어려움이 많습니다. 성공적인 마이그레이션은 클라우드로의 단순 인프라 변경에서 그치는 것이 아니라 비즈니스와 프로세스가 함께 변화할 때 완성될 수 있습니다.
그리고 그 변화의 중심에는 인공지능(AI)과 머신러닝(ML)이 있습니다. 인공지능과 머신러닝은 모든 것을 자동화하여 스스로 데이터를 분류하며 유의미한 가치를 찾아냅니다. 바로 여기에서부터 기업의 비즈니스 혁신은 시작됩니다.
클라우드로의 디지털 트랜스포메이션 전략과 인공지능/머신러닝을 활용한 비즈니스 혁신 방법 중, 효율적으로 클라우드를 관리하는 방법에 대해 이번 세션을 통해 알아보겠습니다.
빅데이터 구축 및 술루션 가이드 주요 내용
- 고객 내부 빅데이터 프로젝트 진행시 단계별 진행 가이드
- 빅데이터 프로젝트 구축 타입
- 각 산업분야별로 빅데이터 엔진을 활용한 솔루션 구축 가이드
(딥 러닝 기법 기반의 분석 포함)
코세나(kosena), 이승훈 실장 admin@kosena.kr, kosena21@naver.com
010-9338-6400
* 행사 정보 :2016년 10월 14일 MARU180 에서 진행된 '데이터야 놀자' 1day 컨퍼런스 발표 자료
* 발표자 : Dylan Ko (고영혁) Data Scientist / Data Architect at Treasure Data
* 발표 내용
- 데이터사이언티스트 고영혁 소개
- Treasure Data (트레저데이터) 소개
- 데이터로 돈 버는 글로벌 사례 #1
>> MUJI : 전통적 리테일에서 데이터 기반 O2O
- 데이터로 돈 버는 글로벌 사례 #2
>> WISH : 개인화&자동화를 통한 쇼핑 최적화
- 데이터로 돈 버는 글로벌 사례 #3
>> Oisix : 머신러닝으로 이탈고객 예측&방지
- 데이터로 돈 버는 글로벌 사례 #4
>> 워너브로스 : 프로세스 자동화로 시간과 돈 절약
- 데이터로 돈 버는 글로벌 사례 #5
>> Dentsu 등의 애드테크(Adtech) 회사들
- 데이터로 돈을 벌고자 할 때 반드시 체크해야 하는 것
고객 중심 서비스 출시를 위한 준비 “온오프라인 고객 데이터 통합” – 김준형 AWS 솔루션즈 아키텍트, 김수진 아모레퍼시픽:: AWS C...Amazon Web Services Korea
AWS의 빅데이터 서비스들이 데이터 파이프라인 상에서 어떻게 활용 되는지와 데이터 모델링과 플랫폼 구축을 100% 내재화 하여 AWS와 함께 고객기반 서비스의 경쟁력을 강화 해나가는 고객 사례를 전해 드립니다. 국내 뷰티산업을 리딩 하고 있는 아모레퍼시픽에서 온/오프라인 고객 정보를 AWS 기반의 Data Lake로 통합 하고 고객 관점의 데이터 서비스를 출시 하는데 속도를 높이고 있는 성공 스토리를 직접 전해 드립니다.
3. SKT Big Data Solution
Metatron Discovery의 오픈소스화 및 생태계
2018 Digital Determination Conf.
Metatron Project | 이정룡 PL , Metatron 사업팀 | 김지호
4. Smart Factory향 Intelligence 플랫폼
Big Data, AI기반 기술 개발 및 상용화
Machine
Vision
Appliance
Anomaly
HMP
SK Telecom’s Industrial Intelligence Platform
5. Big Data
Analysis
&
Visualize
Value
Big Data, AI 기반 Data Discovery & Analytics
머신 러닝, 빅데이터, 시각화 기술을 융합하여
비전문가도 데이터로부터 상위 레벨의 가치를 손쉽게 얻을 수 있도록 지원
Performance Efficiency
Customer Understanding
Business Insight
6. Metatron Discovery – Overview
Time Series 최적화
ML/DL 분석 모델
실시간 통계
“Big Data, AI 기반의 Data Discovery & Analytics”
Big Data
(실시간/배치)
IoT Data
User Data
Application Data
Operation Data
…
Engines
Tools
Managements
실시간 지표 관리
서비스 장애 분석
Fraud Detection
HMP
(Health Monitoring & Prediction)
사용자 행태 분석 (CRM)
APM
(App Performance Monitoring)
…
Click-stream 분석
모니터링
알람
이상탐지
원인분석
4
7. Data Source
Cloud AZURE …
…
Realtime Streams
(Kafka, AMQP, Flink, StreamSets,..)
Batch Data
(HIVE, Spark, HDFS, RDBMS, ..)
실시간 운전 습관
빅데이터 분석 환경
실시간 지표 관리
모바일 미디어
서비스 장애 분석
Click-stream 분석
실시간 지표 관리
UV/PV 분석
광고사 연계
추천 모델 생성
사용자 행태 분석
CRM
분석 App Store
커스텀 분석 보드
메타데이타 관리
GIS 지도
통신
분석모델관리
알람 처리
실시간 모니터링
Anomaly
FDC, HMP
품질 자동화
실시간 모니터링
실시간 불량 분석
제조
ML/AI 기반
이상탐지 엔진
실시간 대용량
Data 처리 엔진
Management
PreparationWorkbench VisualizationAnalytics Evaluator
Engines
Tools
Managements
On-premise Data Lake …
5
Metatron Discovery – Use Cases
8. 8
Tool
실시간 대용량 Data 처리 엔진 ML/AI 기반 이상탐지 엔진
Big OLAP Cube, Pre-aggregation, Accelerator, 이상탐지, Geo-Data
Processing, Semi-supervised Learning, Transfer/Online Learning 등
MDMManage
-
ment
사용자/그룹 관리
인증/권한
데이터 소스 관리
알람
리니지
RESTFul API
Data
Sources
Data (실시간, 배치)
사용자 행태분석(CRM)
Cloud
Support
(Cloud
Manager)
Docker Packaging
Auto-Scaling
Workbook
(Chart/Dashboard)
Notebook
(Jupyter/Zepplin 연동)
Data Preparation
Workbench (SQL)
Integrator
(Scheduler)
Partner’s Tool 연동
Model Evaluator
Model Manager
(모델 등록/관리)
Embedded Analytics
(Trend, Clustering)
Engine
Platform
App
배포/Provisioning
Workflow
Partner’s App
RESTFul API
Data Sources외부 연계
Zeppelin …Jupyter
실시간 모니터링
Realtime Streams
(Kafka, AMQP, Flink, StreamSets,..)
Batch Data
(HIVE, Spark, HDFS, RDBMS, ..)
Metatron Discovery – Architecture
9. Workbook - DashBoard/Chart
Workbench – SQL Explorer
Embedded Analytics
Data Prep. – Data Transformer
Workspace
Data Lineage
MDM
Metatron Discovery – Tool & Managements
10. 10
ü Engineer 그룹, 분석가 그룹, 컨설팅 그룹
ü 경력 10년 이상
ü PhD
Product Reference
TeamTechnology
Unified Solution
For Data Discovery
ü Easy Preparation
ü Fast & Intuitive Visualization
ü Powerful Management
다양한 Use Cases
통한 검증
ü 적용분야(통신/금융/제조 등) O개
ü 적용 Site(OO/OO/OO/OO 등) OO개
ü 일 최대 처리 쿼리 수 OOOO건
실시간 Time Series
Data 처리/분석 최적화
Global Top 수준의
Big Data, 분석, IT 전문가
ü Sub-second Processing Engine
ü Big Data Handing (Big OLAP Cube)
ü ML/AI 기반 이상탐지 모델
STRONG
POINT
Metatron Discovery – 특징 & 장점
11. 11
Enhanced Development Support
ü Metering/Charging
ü High Availability
ü Security
Cloud PaaS/SaaS
ü Enhance APIs
ü Pluggable Architecture
ü Community
Enhanced Analytics (ML/AI)
ü Automated ML/DL Support
ü Advanced Analytics
ü Predictive/Prescriptive
ü Co-working with Zeppelin
Metatron Discovery – Next Step
12. 홈페이지 : https://metatron.app/
’18.8월 소스 오픈 후 40여개국 2,000여 개발자/사용자 방문
소스코드 : https://github.com/metatron-app/
11
Metatron Discovery – Open Source & Activities
13. ü Board Meeting (월 1회, Off-line) : 릴리즈 내용 공유, 향후 릴리즈 계획 논의 등
ü Druid Meetup (분기 1회, Off-line) : 개발자/사용자의 Druid 기술/적용 경험 공유 등
https://www.meetup.com/Druid-Seoul/
12
Metatron Discovery – Open Source & Activities
18. Level 1
Infancy
Level 2
Tech. Biz.
Level 3
Biz. analysis
Level 4
Enterprise analysis
Level 5
Data & Analytics aaS
Big Data에 대한 고민 대응
Big Data Proof-of-concept / Pilot
IT팀에 의해 Big Data Infra 도입
대부분 Storage로 사용
BI와 연동을 위한 DW 판매
비정형 Data 분석
현업의 Business use case 발굴
Predictive 분석 PoC
다양한 Business use case 적용
LOB를 위한 Vertical Application 판매
Business 환경에 Predictive 분석 컨설팅
Cloud 환경에서 서비스 제공
대부분 구성원이 자유롭게 데이터 활용/insight 창출
Data Maturity
19. Level 1
Infancy
Level 2
Tech. Biz.
Level 3
Biz. analysis
Level 4
Enterprise analysis
Level 5
Data & Analytics aaS
Big Data에 대한 고민 대응
Big Data Proof-of-concept / Pilot
IT팀에 의해 Big Data Infra 도입
대부분 Storage로 사용
BI와 연동을 위한 DW 판매
비정형 Data 분석
현업의 Business use case 발굴
Predictive 분석 PoC
다양한 Business use case 적용
LOB를 위한 Vertical Application 판매
Business 환경에 Predictive 분석 컨설팅
Cloud 환경에서 서비스 제공
대부분 구성원이 자유롭게 데이터 활용/insight 창출
2014년도
2016년도
2017년도
2015년도
2018년도
Data Maturity
20. • 빅데이터 분석 과제 다수 진행
• 일부 배포되어 현업도 활용 중
• 빅데이터 인프라 도입 시 1-3가지
정도의 현업 분석 과제 동시 진행
• 구축 후 현업 사용 유도
• 빅데이터 인프라 도입 시 1-2가지
정도의 현업 분석 과제 동시 진행
• 구축 후 현업 사용 유도
CASE STUDY
CASE 1
분석가 / IT인력 다수 보유
자체 인력으로 구축 노력
CASE 2
분석가 부족
IT주도 인프라 도입
CASE 3
현업/IT 부정적
C-Level 의지로 도입
21. • 빅데이터 분석 과제 다수 진행
• 일부 배포되어 현업도 활용 중
• 빅데이터 인프라 도입 시 1-3가지
정도의 현업 분석 과제 동시 진행
• 구축 후 현업 사용 유도
• 빅데이터 인프라 도입 시 1-2가지
정도의 현업 분석 과제 동시 진행
• 구축 후 현업 사용 유도
CASE STUDY
CASE 1
분석가 / IT인력 다수 보유
자체 인력으로 구축 노력
CASE 2
분석가 부족
IT주도 인프라 도입
CASE 3
현업/IT 부정적
C-Level 의지로 도입
빅데이터의 효용성에 대해서는 공감
• Silo 인프라로 인해 전사 데이터 관리/분석
결과 관리 불가
• 증가하는 데이터/마트로 인해 한계점 봉착
빅데이터 인프라 내 데이터 적재 증가
• 현업 사용률 저조
(도입 전후 차이가 별로 없고, 여전히 내부
데이터를 확인하는 것은 어려움)
• 여전히 대용량 데이터 활용 어려움
빅데이터 인프라 내 데이터 적재 증가
• 현업 사용률 거의 없음
• 결국 Level1,2부터 다시 시작
22. 22
[ Tech. Partner ]
• ML/DL 학계
• ML/DL 전문 회사
• 실시간 처리엔진
[ 공동 제품 개발 Partner ]
[ Sales Partner ]
• High-tech 제조
• Platform개발
• 구축/운영
• 컨설팅
[ 기관 ]
• 정부
• 공공
Engine
Tool
Management
[ 오픈소스 개발자 ]
[ SKT ]
Metatron Discovery – 생태계 구축
25. Enhanced Analytics (ML/AI)
25
V1.0 (~‘16.4Q) V2.0 (~’17.4Q) V3.0 (~’18.4Q)
Enhanced FunctionsEnd-to-end FunctionsCore Functions
• UX 2.0
• Embedded Analytics
(Trend, Prediction, Clustering)
• Analytic Support
(Zeppelin, Jupyter)
• Data Management
(Lineage & Job Log)
• Data Preparation
• Chart
• Dashboard
• User/Group Management
• Data Source Management
• Workbench
• Data Management (MDM)
• Vertical-specific Functions
• Realtime Functions
• Map Analysis
• Data Collection Agent
• Model Evaluator
• Docker Packaging
• Anomaly Detection
§ Metering/Charging
§ High Availability
§ Security
Cloud PaaS/SaaS
Until
Now
§ Automated ML/DL Support
§ Advanced Analytics
§ Predictive/Prescriptive
Next
Step
§ App Market
§ Co-authoring
§ Mobile Support
Collaboration
’19 ~ ‘21
[Appendix] Metatron Discovery – Roadmap
26. 26
Apps
Tool
실시간 대용량 Data 처리 엔진 ML/AI 기반 이상탐지 엔진
Cloud Support
RESTFul API
장비Data RDBSSensors
Data
Management
Partner’s Tools 연동
(Tightly Coupled)
Tools
Engine
Platform
App Partner’s Apps (HMP,…)
RESTFul API
…Cloud Storage
Partner’s Agents
외부 연계
(Loosely Coupled)
Analytic Tools
(Zeppelin, …)
Vertical 특화
[Appendix] Metatron Discovery – Co-development with Partners
27. 27
포탈
실시간 대용량 Data 처리/분석엔진
Tool
Workbench Workbook, …Notebook MDM, …
VisualizationSQL Analysis
Management
API
• SW (연 2회 Stable Version)
• Q&A (Basic, Per Server,…)
• 기술 지원/교육
Biz Partner 고객
• 기능 요청
• 비용
분석 앱
API
• 시스템 구축
• 분석 환경 구축
• 분석 서비스
• 요구사항
• 비용
[Appendix] Metatron Discovery with Biz Partners