기대를 현실로: 모든 산업용 시스템에 인공 지능을 손쉽게 적용하는 방법

생산성과 효율성을 향상시키면서도 운영 비용을 절감하기 위해 산업 환경에서의 인공 지능(AI) 및 머신 러닝(ML) 응용 분야 활용이 널리 주목받고 있습니다. 하지만 모든 엔지니어와 엔지니어링 관리 책임자는 모터부터 HVAC 시스템까지 이미 설치된 “멍청한” 기계에 “스마트”를 더하려면 크게 다음 세 가지 문제를 해결해야 한다고 입을 모으고 있습니다.

첫째, AI 및 ML 전문성을 가진 인력이 수요를 충족하기에 부족하며 이미 존재하는 전문 인력은 비용이 높습니다. 둘째, AI 및 ML 시스템 트레이닝에 사용되는 검증된 데이터 세트가 부족하며 가용 데이터 세트가 공개되지 않고 있습니다. 셋째, AI 및 ML 시스템은 일반적으로 고사양 처리 플랫폼에서 실행되어야 합니다.

AI 및 Ml에 대한 경험이 없는 기존 엔지니어와 개발자들이 AI 및 ML 시스템을 신속하게 구축하여 효율적인 저가형 마이크로 컨트롤러 플랫폼에 배포할 수 있는 방법이 필요합니다. Cartesiam.AI라는 흥미로운 스타트업이 NanoEdge AI Studio를 통해 이러한 모든 문제를 해결하고 있습니다. 그 방법에 대해 설명해 보겠습니다.

AI 및 ML의 부상 수량화

2020년 중반까지 출처에 따라 전 세계적으로 에지 장치가 200억 ~ 300억 대에 달할 것으로 예상되며,^1,2 여기에서 “에지 장치”란 현실 세계와 연결되는 인터넷 에지에 위치한 연결 장치와 센서를 의미합니다. 그중 약 0.3%만이 AI 및 ML 기능을 갖출 것으로 보입니다. 2025년까지 이러한 장치는 400억 ~ 750억 대에 이를 것으로 보이며,^3,4 그중 25% 이상이 AI 및 ML 기능을 갖추어야 할 것으로 예상됩니다.

산업용 배포에 있어 주요 요인은 기존의 “멍청한” 기계를 AI 및 ML 기능으로 강화하여 “스마트”하게 만드는 것입니다. 이러한 경우의 잠재성은 아무리 강조해도 지나치지 않습니다. 예를 들어 미국에만 기존 인프라와 기계가 6조 8천억 달러에 상당하는 것으로 추정됩니다.⁵

에지의 AI 및 ML 효율성 증대 방안

사물 인터넷(IoT) 및 산업용 사물 인터넷(IIoT)은 이미 널리 사용되고 있으며 사물들은 이미 연결되고 있습니다. 다음 당면 과제는 이러한 사물들을 스마트하게 만드는 것입니다.

AI/ML 응용 제품을 만드는 전통적인 방법은 신경층 개수, 층당 뉴런 개수, 여러 뉴런과 층이 서로 연결되는 방식 등 신경망 아키텍처를 정의하는 것입니다. 다음 단계는 검증된 데이터 세트(생성 자체에도 어마어마한 시간과 리소스가 필요할 수 있음)에 액세스하는 것입니다. 데이터 세트는 클라우드 내 네트워크 트레이닝에 사용됩니다(예: 방대한 컴퓨팅 기능을 가진 고사양 서버 여러 대 사용). 마지막으로, 트레이닝을 마친 네트워크는 에지 장치에 배포되기에 적합한 형태로 변환됩니다.

IBM Quant Crunch Report에 따르면,⁶ 데이터 과학 및 분석(DSA)은 이제 관심의 중심이 아니라 필수적인 비즈니스 도구입니다. 하지만 미국에서만 현재 데이터 과학자가 13만 명이 부족한 것으로 나타나 DSA 기술을 보유한 전문 인력의 공급이 수요에 크게 뒤처져 있다는 우려가 커지고 있습니다.

불행히도 숙련된 데이터 과학자와 검증된 데이터 세트의 부족이 빠르게 합리적인 비용으로 AI/ML 기반 스마트 사물을 만드는 데에 걸림돌이 되고 있습니다. Cisco에 따르면,⁷ 전반적인 IoT 프로젝트 실패율이 약 74%에 이르며 AI/ML 기반 프로젝트의 경우 이러한 실패율이 증가하고 있습니다.

IDC에 따르면,⁸ 전 세계에 약 2천2백만 명의 소프트웨어 개발자가 있습니다. 그중 약 120만 명이 내장형 시스템에 중점을 두고 있으며 그중에서 최소한의 AI/ML 기술이라도 보유하고 있는 경우는 약 0.2%에 불과합니다.

객체 감지 및 식별을 수행하는 머신 비전을 비롯한 일부 AI 및 ML 시스템에는 그래픽 처리 장치(GPU) 및 FPGA(현장 프로그래밍 가능 게이트 어레이) 등의 고사양 특수 컴퓨팅 장치가 필요합니다. 하지만 AI/ML 기술의 새로운 발전으로 인해 비전에 해당하지 않는 AI/ML 응용 분야 대부분이 내장 시스템에 널리 사용되는 비교적 저사양의 마이크로 컨트롤러에 배포될 수 있습니다.

Statista에 따르면,⁹ 2020년 마이크로 컨트롤러의 전 세계 총선적량이 약 280억 대(초당 약 885대)에 달해 마이크로 컨트롤러 기반 플랫폼이 시장을 장악하게 될 것으로 예상됩니다. 마이크로 컨트롤러는 비용이 저렴하고 전력 소비가 낮아 에지에 지능을 적용하기에 완벽한 플랫폼입니다.

데이터 과학자를 확보할 수 있으며 데이트 세트에 대한 액세스 권한이 있고 특성상 무제한의 예산을 가지고 있는 대기업 조직도 AI 및 ML 분야에 능통하게 되기는 쉽지 않습니다. 소규모 회사의 경우 불가능할 가능성이 높습니다. 현재 상황이 계속된다면 2025년까지 에지 장치의 25%가 AI/ML 기능을 갖추게 될 가능성이 없습니다. 내장형 마이크로 컨트롤러 기반 시스템의 기존 개발자들이 AI/ML 응용 분야 개발을 위한 도구를 갖추고 있다면 좋을 텐데 말이죠.

간편하고 신속하며 저렴하게 AI/ML 기반 스마트 사물을 개발하는 방법

산업 환경에서 내장형 응용 분야에 가장 많이 사용되는 컴퓨팅 플랫폼은 마이크로 컨트롤러이며, 그중에서도 가장 널리 사용되는 마이크로 컨트롤러는 Arm의 Cortex-M 제품군, 특히 M0, M0+, M3, M4, M7입니다.

그림 1: V2M-MPS2-0318C는 여러 I/O와 한 개의 LCD 디스플레이를 갖춘 Arm Cortex-M 기반 응용 제품을 위한 강력한 개발 플랫폼입니다. (이미지 출처: Arm)

회사들이 확보할 수 있는 한 가지는 기존 내장형 시스템 개발자들입니다. 이러한 개발자들이 트레이닝을 거치지 않고도 AI/ML 전문가의 역할을 할 수 있도록 하는 방법이 필요합니다. 이상적인 해결책은 기존 내장형 시스템 개발자들에게 환경을 자동으로 학습하고 이해하며 패턴을 파악하고 비정상적인 현상을 감지하며, 문제와 결과를 예측하고, 이 모두를 데이터가 생성되고 캡처되는 에지의 저렴한 마이크로 컨트롤러 기반 플랫폼에서 수행할 수 있는 자기 인식 기계를 빠르고 손쉽게 만들 수 있는 역량을 제공하는 것입니다.

앞서 언급한 바와 같이, 해결책은 Cartesiam.AI의 NanoEdge AI Studio입니다. Windows 10 또는 Linux Ubuntu에서 실행되는 이 통합 개발 환경(IDE)을 통해 내장형 시스템 개발자는 Arm Cortex-M0부터 M7까지 다양한 대상 마이크로 컨트롤러를 선택할 수 있습니다. 또한 개발자나 설계자가 솔루션에 할당될 RAM의 최대량을 지정합니다. 이러한 작업에 익숙하지 않거나 경험이 없는 경우에는 V2M-MPS2-0318C Arm Cortex-M 시제품 제작 시스템+(그림1)으로 시작해 보세요.

V2M-MPS2-0318C는 개발 기판의 Arm Versatile Express 제품군에 속합니다. Cortex-M 기반 설계 시제품 제작을 위한 비교적 큰 규모의 FPGA가 함께 제공됩니다. 따라서 모든 Cortex-M 프로세서의 암호화된 고정 FPGA 구현이 함께 제공됩니다. PSRAM, 이더넷, 터치스크린, 오디오, VGA LCD, SPI, GPIO 등의 유용한 주변 장치도 포함됩니다.

다음으로 개발자는 사용할 센서의 개수와 유형을 선택해야 합니다. Cartesiam.AI 방식의 장점은 사용 가능한 센서가 엄격히 제한되지 않는다는 점입니다. 예를 들어 다음을 포함할 수 있습니다.

• 1축, 2축, 3축 가속도계(진동 분석을 위한 모든 주파수 포함)
• 자기 센서
• 온도 센서
• 마이크(음향 인식용)
• 모터 제어를 위한 홀 효과 센서
• 전류 모니터링 센서

개발자는 특정 부품 번호를 명시할 필요 없이 일반적인 센서 유형만 명시하면 됩니다.

다음 단계는 맥락에 관련한 센서 데이터, 즉 시스템이 처리하게 될 데이터에 대한 정보를 제공하기 위해 각 센서에 관련된 일반적인 데이터를 로드하는 것입니다.

NanoEdge AI Studio는 산업 환경에서 AI/ML 작업의 90% 이상을 위한 솔루션을 구축하는 데 사용할 수 있는 AI/ML의 기반이 되는 광범위한 도구를 갖추고 있습니다. 대상 마이크로 컨트롤러, 센서 개수 및 유형, 처리하게 될 센서 데이터의 일반적인 유형에 관한 정보를 받으면 5억 가지의 가능한 조합으로부터 최적의 AI/ML 라이브러리 솔루션을 생성합니다.

개발자가 원하는 경우, 이러한 솔루션을 제공된 에뮬레이터를 통해 NanoEdge AI Studio IDE를 실행하는 동일한 PC에서 테스트하고 메인 마이크로 컨트롤러 프로그램에 내장되어 컴파일링을 거쳐 대상 기계에 연결될 마이크로 컨트롤러 기반 시스템으로 다운로드하도록 선택할 수 있습니다.

한 예로, 두 개의 기존 기계를 스마트하게 만들고 싶다고 가정해 보겠습니다. 1개는 펌프이고 다른 1개는 발전기입니다. 또한 온도 센서와 3축 가속도계를 사용하여 하나의 솔루션을 만들고 이 솔루션을 두 기계 모두에 사용한다고 가정해 보겠습니다(그림 2).

그림 2: NanoEdge AI Studio IDE를 사용하여 AI/ML 라이브러리를 구축 및 테스트(선택)한 다음 이 라이브러리를 메인 프로그램에 내장하고 컴파일링하여 대상 기계에 연결될 마이크로 컨트롤러 기반 시스템으로 다운로드합니다. 학습 단계(일반적으로 하루 24시간 실행 상태로 1주)를 거친 후 장해 엔진을 사용하여 비정상적인 현상을 파악하여 보고하고 이후 결과를 예측할 수 있습니다. (이미지 출처: Max Maxfield)

물론 이 두 기계의 특성은 완전히 다를 것입니다. 실제로 동일한 기계라 해도 위치와 환경에 따라 매우 다른 특성을 가질 수 있습니다. 예를 들어 같은 공장의 같은 공간 내에 서로 20m 거리에 있는 두 개의 동일한 펌프는 실장 위치(하나는 콘크리트, 다른 하나는 목재 마루 장선에 실장)와 연결된 파이프 길이(형태 및 소재)에 따라 다른 진동 프로파일을 보일 수 있습니다.

전체 공정의 핵심은 AI/ML 솔루션은 익숙한 기계에서 개별적으로 트레이닝되며, 이러한 트레이닝은 일반적으로 하루 24시간 쉬지 않고 1주간 실행되기 때문에 온도 변화와 진동 패턴으로부터 시스템이 정보를 얻을 수 있습니다. 물론 여러 계절(외부 응용 제품의 경우)과 기타 예측 변수로 인한 환경적 변화에 적합하도록 모델을 미세조정하기 위해 이후에 추가적인 트레이닝 세션을 수행할 수 있습니다.

솔루션은 트레이닝을 완료하면 수신되는 모든 새로운 데이터로부터의 추론을 통해 패턴을 파악하고 비정상적인 작동을 감지하며 문제와 영향을 예측하고 필요에 따라 기술적 분석과 관리적 분석에 대한 결론을 대시보드에 나타낼 수 있게 됩니다.

결론

저는 NanoEdge AI Studio를 "게임 체인저"라고 생각합니다. 이 제품은 직관적이며, 내장형 시스템 설계자들이 전 세계의 수십억 개 장치에 내장된 저전압, 저비용의 Arm Cortex-M 마이크로 컨트롤러를 사용하여 빠르고 간편하며 합리적인 비용으로 산업용 시스템에 AI/ML을 통합하여 기존의 기계를 스마트 기계로 탈바꿈함으로써 생산성과 효율성을 향상시킴과 동시에 모두가 기대하고 있는 운영 비용 절감 효과도 얻을 수 있도록 합니다.

참고 자료:

1: https://www.vxchnge.com/blog/iot-statistics

2: https://securitytoday.com/articles/2020/01/13/the-iot-rundown-for-2020.aspx

3: https://www.helpnetsecurity.com/2019/06/21/connected-iot-devices-forecast/

4: https://securitytoday.com/articles/2020/01/13/the-iot-rundown-for-2020.aspx

5: https://www.kleinerperkins.com/perspectives/the-industrial-awakening-the-internet-of-heavier-things/

6: https://www.ibm.com/downloads/cas/3RL3VXGA

7: https://newsroom.cisco.com/press-release-content?articleId=1847422

8: https://www.idc.com/getdoc.jsp?containerId=US44363318

9: https://www.statista.com/statistics/935382/worldwide-microcontroller-unit-shipments/