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.

2. 제조업의 미래를 바꾸는
Microsoft Azure AI/ML/IoT 플랫폼
베스핀글로벌 박플로 차장
florian.wagner@bespinglobal.com
Session Ⅲ.

3. 고객 만족을 위한 사례 – ABInBev
세계 최대 맥주 제조업체인 ABInBev는 고객 만족을 위해 맥주 원료 관리 부터 맥주 생산까지 아우르는
빅데이터 분석 인프라를 Microsoft Azure에서 구현했습니다.
With the Azure platform and
services, we’re transforming how
we do business, interact with our
suppliers, and connect with our
customers.
Chetan Kundavaram: Global
Director
Anheuser-Busch InBev
https://customers.microsoft.com/en
-us/story/ab-inbev-consumer-
goods-azure

4. 데모
Smart Factory & Predictive Maintenance

5. 데모
: Smart Factory & Predictive Maintenance
공장/생산라인 (데모 1:1)
• 생산 유닛 / 분당 조절 가능
• 유닛당 온기 발생
• 생산라인 최대 온도 (“Overheat“) 제한 있음
• 생산라인 분당 차가워지는 온도/팬 조절 가능
• 생산라인 최대 온도 넘어가면 “Cooldown” 온도 내리기까지 새 유닛 생산 되지 않음
50 °C 유닛 100 개 / 분
220 °C 유닛 0 개
100 °C 유닛 100 개 / 분
270 °C
“Cooldown”온도
“Overheat”온도200 °C
50 °C/ 분1.7°C/ 유닛 1.7°C/ 유닛
시간
Predictive Maintenance 목적: 몇 분/초 후에 생산라인 중지될지 예측
Algorithm
(가상시나리오)

6. 아키텍처
:Smart Factory & Predictive Maintenance
한국공장A
한국공장B
독일공장A
독일공장B
IoTHub
(통신&
메시징)
BlobStorage
(파일저장소)
PowerBI
(시각화)
AMLS
(학습)
AppService(예측)
사물
IoTCentral
(시각화/제어)
Stream
Analytics
(실시간데이
터처리)
통찰력 실행/제어

7. 제조업의 도전과제

8. 제조업의 도전과제
8
Industry4.0
SmartFactory
Smart
Maintenance
Generative
SmartDesign
Human-robot
collaboration
Quality
4.0
고객의
만족

9. AI/ML/IoT 활용 시나리오
9
Intelligent Things
AI를디바이스단위로내려,실시간으로결정이가능하도록함
Personalization
추천,개인별선호 예측
Advisor
각 개인에게의미있고도움이되며,자연스러운형태로
전달되는advice
Robotic ProcessAutomation
사람이진행하는반복적인프로세스를자동화
Medical and healthcare
상태를인식/분류하고진단을도움
Service Desk
Field Engineer
효율성
Predictive Maintenance
vNext 제품 설계
부가서비스
부가서비스
Upselling
새로운 Business Model
Smart Factory
Quality Assurance
Digital Transformation

10. Microsoft Azure AI/ML 특장점
10
미리 학습된 복잡한 모델
솔루션 개발을 단순화함
Azure
Databricks
Machine Learning
VMs
다양한 프레임워크
딥러닝 솔루션 개발 지원 TensorFlow KerasPytorch Onnx
Azure
Machine Learning
LanguageSpeech
…
SearchVision
On-premises Cloud Edge
생산성을 높여주는 서비스들
데이터 사이언스와 개발 팀을 위한
강력한 인프라스트럭쳐
딥러닝 개발/활용을 가속화함
유연한 배포
모델 관리/배포를 인텔리전트 클라우드/에지에서

11. Microsoft Azure AI/ML 특장점
11
전문인력 부족 문제로 프로젝트를 진행하지 못 하는 상황 예방
오랫동안교육하는것 보다직원들이경험이있는기술을사용
Bespin Global의 사업 성장하기 위해
농담인가요?
각 프로젝트에 가장 잘 맞는 도구 사용
섞어서필요한만큼만사용할수 있는장점포함
Data Science Lifecycle 비용 절감
농담아닙니다.

12. Microsoft Azure IoT & Integration 플랫폼
12
Azure Cloud
선 세계적으로 사용 가능한 무제한 컴퓨팅 리소스
IoT
클라우드에서 중앙 집중식으로 관리되는 센서 및
장치의 신호 사용
Edge 컴퓨팅
지능형 클라우드에서 IoT 장치로 컴퓨팅 리소스 이전
AI
클라우드와 종단컴퓨팅을 통한 획기적인 인공지능
능력 제공

13. Microsoft Azure IoT & Integration 플랫폼
13
Azure Time Series
Insights
Azure Machine
Learning Studio
Azure Stream
Analytics
Cosmos DB
Azure Cognitive
Services
Azure Data Lake
Azure HD Insight
Spark, Storm,
Kafka
Azure Event Hubs
Microsoft Flow
Azure Logic Apps
Azure Event Grid
Azure Websites
Microsoft
Power BI
Azure Maps
Azure IoT Hub
Azure IoT Hub Device
Provisioning Service
Azure IoT Edge
Azure Monitor
Platform Services & Device Support
Edge SupportDevice Support
Azure Sphere
Windows 10
IoT Core and
IoT Enterprise
Azure IoT Device
SDK
IoT Services Data & Analytics Services Visualization & Integration Services
Azure Certified for
IoT
AzureML
Azure Stream
Analytics
Azure Cognitive
Services
Azure Sphere
Security Service
Azure FunctionAzure
IoT Central
Actions (실행)Things (사물) Insights (통찰력)

14. Microsoft Azure Machine Learning Studio
Training
Model
Score
Model
IterativeMLTraining
PreProcess
DataTransformation
Choose
MLAlgorithms Deploy
Model
SaaS 인 AMLS를 사용해서 손쉽게 Drag&Drop 으로 Data
Cleansing/Processing, ML 학습 및 결과 Scoring 할 수 있습니다.
학습했던 모델이 예측하기 위해 WebService 형태로 배포도 됩니다.

15. AI/ML/IoT 도입 제언 – 코딩 vs AI/ML
15

16. AI/ML/IoT 도입 제언 – 코딩 vs AI/ML
16
알고 있는 answer
algorithm

17. AI/ML/IoT 도입 제언 – AI/ML 결과
17
Training
Data
Model
Model
Inferencing
예측 단계
Training
Framework
Runtime
Input
예측한
answer

18. AI/ML/IoT 도입 제언 – (인프라) 준비
18
모델 등록 및
관리
모델 개발 및 검증
…
가장 친숙한 통합
개발환경 사용
학습 (실험)
이미지 생성
확장성 있는
배포 및 모니터
배포 (예측 서비스)
데이터 준비
준비
그렇다면 시작은 ML/AI 일까요?

19. AI/ML/IoT 도입 제언 – (인프라) 준비
19
데이터
저장 데이터 수집
IoT ETL Network 기존 Application
기존 데이터
그렇다면 시작은 ML/AI 일까요? 아닙니다!

20. Bespin Global Offering

21. 21
Bespin Global과 Microsoft Azure AI/ML 구현해 보기 (AI School Program)
AI/ML/IoT Offering – AI School 교육
Data Scientists
Developers
09:00 – 09:30 Overview of the Azure Platform
09:30 – 10:30 Machine Learning and AI – Basic Theory
10:30 – 12:00
Azure Machine Learning Studio
Hands on Labs:
Linear Regression and Hyperparameter tuning (AALAB01 – 자동차 or BGLAB01 – 대출)
12:00 – 13:30 Lunch
13:30 – 15:00
Azure Machine Learning Studio
Hands on Labs:
Text Analytics with R and Azure Machine Learning (AALAB03)
15:00 – 16:00
Azure Machine Learning Studio
Self Study and QnA
16:00 – 17:00
Step-by-Step Demo:
Option 1) Python and Jupyter Notebook as a Service (Azure ML Service)
Option 2) Azure Custom Vision (Cognitive Service)

22. 22
Bespin Global과 Pilot 구현해 보기 (BigData Platform & Advanced Analytics)
AI/ML/IoT Offering - BigData

23. 23
Bespin Global과 Pilot 구현해 보기 (Azure AI – Cognitive Services & CNTK)
AI/ML/IoT Offering – AI Services

24. 24
Bespin Global과 Pilot 구현해 보기 (Azure IoT Platform)
AI/ML/IoT Offering - IoT

25. 감사합니다
DANKE
Microsoft 한석진 부장님께서 제공해주신 슬라이드를 활용했습니다. 고맙습니다.