Lablup Conf 1st (Session6/Cases) "IoT에서 BI까지, 조선소 ML 파이프라인 만들기" - 최성철 - 발표내용 : * Backend.AI 를 사용하여 대표적인 레거시 제조업인 조선소에 어떻게 AI 파이프라인을 구동하였는지를 공유드립니다. - 영상보러가기 : https://youtu.be/ECD9KJNjetk

1. IoT에서 BI 까지,
조선소에서 ML 파이프라인 만들기
최성철
부경대학교 시스템경영공학부

2. Who I am?
Sungchul Choi (theteamlab.io)
#시스템경영공학부 #동탄I #2014
#삼성전자종합기술원 #가천대학교
#애둘아빠 #부경대학교 #해운대

4. 조선 산업

11. 지금이 기회다.

12. AI in Shipbuilding Industry
- 매우 넓은 야드
- 야드를 움직이는 다양한 장비들과 불규칙한 움직임
- 소리, 이미지, 텍스트
- 다양한 문서들 (흡사 현실판 code review)
- 모듈 공정
- 사람이 직접해야하는 노동

16. AI in Shipbuilding Industry
- Mobility 서비스
- Multimodal Model
- IoT, Drone, 인공위성 등 다양한 데이터 소스
- Robot, Vehicle등에 적용
- AI의 종합 전시장 + scalability 처리 불필요

17. Smart yard project
Dec. 2019 ~ June. 2020

18. 연구 목적
- 스마트 야드에서 발생하는 데이터의 수집 및 분석 체계를 구축
1) 오픈 소스 및 시각화 도구를 활용하여 데이터 분석 서버 환경 구축
2) 기 수집 데이터를 활용한 데이터 파이프라이닝 및 데이터 웨어하우스 구축
머신러닝
모델 개발
시각화
모듈 개발
공정 소리 분류 모델
화물창 제습기 온도 예측
블록 공정 예측 / 시각화
고소차/지게차 수요 예측
공정 소리
스마트 야드
날씨 데이터
Block 위치 데이터
화물창 온도 데이터
고소차/지게차 데이터
데이터
웨어하우스
데이터 파이프라인
선주 교신 데이터

20. Factory
Data
Sensor
Data
Storage
데이터
저장
ETL
데이터 전처리
모니터링
모델개발
AI 기반 서비스

21. 고소차 수요예측모델

22. 낮은 곳부터 40M 이상 족장이 설치되지 않은 작업공간에서 조립, 선행의장, 발판설치,
전처리, 도장, PE의장, 등 배를 건조하는 프로세스를 진행하기 위해 사용하는 차
고소차

23. 고소차 수요예측
▷ 과거의 자료나 정보를 이용하여 시계열 데이터로부터 추세나 경향을 파악하여 미래를 예측
▷ 배차 부족 및 가동률 저하 이슈로 인한 최적 배치 계획이 필요
▷ 택시, 모빌리티 서비스에서 주로 발생
서울시 택시 수요예측 뉴욕시 택시 수요예측 DSME 고소차 수요예측

24. 카카오 모빌리티 블로그

25. 1) 택시 승차 위치 à (a) Model
2) 요일à (b) Model
3) 택시 하차 위치à (c) Model

26. Dynamic grid based demand prediction
- 그리드 기반 모델이 아닌 각 공장(샵 코드)의 수요 예측 필요
- 문제를 동적 그리드 기반 접근 방식으로 전환
Grid-based approach Factory based approach

27. Dynamic grid based demand prediction
- 수요 모델을 위한 입력 그리드 생성
- 무작위로 시작점을 지정한 후, 그리고 그리드에 정류장 번호를 차례로 부여
Start(1) A(2)
D(3)
B(4)
S
t
a
r
t
A
B
C
D

28. Dynamic grid based demand prediction
- 수요 모델을 위한 입력 그리드 생성
- 무작위로 시작점을 지정한 후, 그리고 그리드에 정류장 번호를 차례로 부여

30. 4d convnet for prediction vehicle spec
- 차량 수요량 예측뿐 아니라 장비 사양 예측도 필요
- 모델에 임베디드 정보를 추가하여 4d conv 모델을 구축
Map App
Van taxi
Kakao taxi
Basic taxi

31. Pipeline

32. 컴퓨팅… 자원이…
없다..

33. 도와줘요… Backend.AI

34. NAS(NFS) 서버
Backend.AI 서버
(bai_manager)
태블로용 DW
(db02)
태블로 서버
(tableau)
Backned.AI DW
(db01)
GPU 서버
(bai_ga01)

35. DINC
IoT
Data
Server
Windows
Scheduler
Data
Lake
Data
Warehouse
Data
Warehouse

37. req_n
o
gps_la
t
gps_lo
n
use_date timestam
p
eqp_i
d
eqp_spec
49213 34.563 128.923 2019-11-09 00:00:01 A 40M
49213 34.564 128.923 2019-11-09 00:00:03 A 40M
49213 34.564 128.923 2019-11-09 00:00:05 A 40M
49213 34.565 128.921 2019-11-09 23:59:55 A 40M
49213 34.566 128.922 2019-11-09 23:59:57 A 40M
49213 34.562 128.923 2019-11-09 23:59:59 A 40M
승차
하차
요일

38. General GPS 운행정보 보정 중지번 GPS 운행보정 보정

39. 고소차 예측 모델

40. 1 Days 2 Days 3 Days 4 Days
5 Days 6 Days 7 Days 10 Days
고소차 예측 결과

41. 고소차 예측 결과
1 Days 2 Days 3 Days 4 Days
5 Days 6 Days 7 Days 10 Days

42. 고소차 예측 결과
15M
35M
20M 22M 28M 34M
UNK
37M 38M 45M

43. 고소차 예측 모델 성능

44. 고소차 예측 모델 성능

45. 고소차 예측 모델 성능

46. 고소차 예측 모델 성능

49. In conclusion

50. - Log 데이터를 처리하는 잦은 I/O에서도
Backend.AI가 유용히 작동함 (버그도 찾음)
- 크게 힘들지 않은 파이프라인 PoC
- 전통 제조업의 변화!
AI파이프라인 시작으로 좋은 Backend.AI