클라우드 기반 스마트팩토리 - 이슈들

이 글은 제가 NIA [한국지능정보사회진흥원]의 2025년 3월호에 기고한 글입니다. 원본 글 '2025년 AI 현황 보고서 리뷰'를 이곳 브런치에서도 공유합니다.들어가며지난 두 편의 클라우드 기반 스마트팩토리에 대한 소개에 이어 이번 회에서는 현장에서 실제로 부딪히는 문제들을 정보통신의 관점에서 몇몇 사례를 들어 이야기 해 보겠다. 아래 내용들은 필자가 함께 하는 인이지를 비롯한 여러 회사들이 제조 공정 관련한 과제들을 수행하면서 만난 문제들과 이들을 해결하려는 방법들에 대한 내용들이다. 제조 산업에서도 스마트팩토리라는 키워드를 중심으로 여러 혁신의 노력들이 모이고 있고, 클라우드를 이용한 기술은 효율성과 유연성을 극대화하는 데 중요한 역할을 하며, 정보통신 업계에서의 노하우들을 다양하게 적용하면서 그 영향력을 넓혀 가고 있다. 특히 클라우드를 이용한 방법을 통해서는 다음과 같은 이득을 기대할 수 있다. 데이터 기반 의사 결정 유연성과 확장성 비용 효율성 디지털 전환(DX)의 가속화 이는 일반적으로 쓰이는 의미의 IT 시스템 도입과 이전으로 인한 이득과 같은 맥락이지만, 스마트팩토리는 현장의 물리적인 변화와 공정의 특성들을 고려할 때 단순한 IT 시스템 이전과는 다른 추가적인 복잡한 문제들이 발생한다. 물리적 한계와 엔트로피 문제 실시간 운영과 신뢰성 문제 데이터 관리의 어려움 디지털 전환과 문제 해결 가능성 이번 회에서는 이 추가적인 내용들에 대해 조금 더 구체적으로 살펴보겠다. 물리적 한계와 엔트로피 문제기존의 데이터센터 중심의 IT 환경과는 달리, 스마트팩토리는 물리적 환경과 밀접하게 연결되어 있으며, 다양한 기계적 요소와 데이터가 실시간으로 상호작용하는데, 이는 예상치 못한 물리적 한계와 엔트로피 문제를 야기할 수 있다.스마트팩토리는 제조 현장의 특성 상 생산 라인의 변화, 기계 설비의 교체, 센서 추가 등 물리적 변화가 빈번하게 발생한다. 이러한 변화는 데이터 흐름과 시스템 아키텍처에 직접적인 영향을 미치며, 클라우드 환경과의 통합을 복잡하게 만든다. 예를 들어, 새로운 센서를 추가할 때마다 데이터 수집 및 처리 시스템을 재설정해야 하고, 생산 라인 변경 시 데이터 분석 모델을 수정해야 하는 등. 이러한 물리적 변화에 유연하게 대응하지 못하면 시스템의 효율성이 저하되고 운영 비용이 증가할 수 있다.또한 스마트팩토리는 다양한 기계와 센서, IT 시스템이 복잡하게 연결된 시스템이다. 전선으로 연결되어 빛의 속도로 연결되는 환경이 아니라 어느 곳에서 어떤 연료를 투입하면, 몇미터 떨어진 곳의 온도가 몇 분 후에 어떻게 변하는 등의 주변의 상황들이 통제되지 않는 상황이 생기고, 대기의 온도, 습도 등에 따라 예기치 않은 변화들이 생기기도 한다. 시간이 지남에 따라 장치가 마모되거나 유지보수의 부담이 늘어나는 등 열역학 제2법칙인 엔트로피 증가의 법칙과 유사한 현상이 일어나게 되는데, 이로 인해 시스템의 안정성이 저하되고 오류 발생 가능성이 높아지며, 이는 생산 효율성 저하와 직결된다.실제로 디지털 전환을 도입하려는 많은 제조 현장의 경우 온도와 습도 등의 환경이 많은 영향을 미치기 때문에, 온프레미스 시스템을 구성하기 위해서도 오차 없이 사용 가능한 장비들의 사용이 필요하고, 여기에 특히 클라우드 환경을 도입할 경우, 온프레미스 시스템과의 연동, 데이터 동기화, 네트워크 안정성 등 추가적인 유지보수 요소가 발생하는데, 클라우드 도입의 이점을 제대로 누리기 위해 이들로 인한 복잡성을 효과적으로 관리해야 한다. 이후 데이터가 모여서 분석을 하는 경우, 도면이나 공정 같은 현장의 지식이 없이 센서 데이터만으로는 분석의 한계가 생긴다. 시멘트나 철강 등의 공정을 생각한다면 물리적으로 수십 미터 떨어져 있는 데이터들이며, 센서들 사이에 어떤 간섭이 있는지, 바람은 잘 통하는지, 하루에 몇 번씩 청소를 하는지 등의 내용들이 고려되어야 현장의 문제에 접근할 수 있게 된다. 마찬가지로 용해로 시계열 온도 예측 같은 경우, 900도 온도를 맞추기 위해서 850도인 현재 상황에서 용해물질에 어떤 재료를 얼마만큼 넣으면 몇 분 후에 온도가 올라가는지 등 데이터로 모아 놓기에 어려움이 많고, 산업공학, 기계공학, 화학공학 등의 정보들이 도메인 지식들을 익힌 후에 더 나은 분석을 할 수 있는 경우가 많다. 실시간 운영과 신뢰성 문제스마트팩토리는 고도의 자동화와 데이터 기반 운영을 통해 생산성을 극대화하는 것을 목표로 하는데, 이러한 목표를 달성하기 위해서는 실시간 운영과 시스템의 높은 신뢰성이 필수적이다. 하지만 스마트팩토리 환경은 다양한 변수와 복잡성으로 인해 실시간 운영과 신뢰성을 확보하는 데 어려움을 겪을 수 있다.스마트팩토리는 24시간, 365일 가동되는 경우가 많은데, 이는 생산 효율성을 극대화하고 시장 수요에 신속하게 대응하기 위한 필수적인 조건이다. 따라서 예기치 않은 시스템 다운타임은 생산 차질, 납기 지연, 고객 신뢰도 하락 등 심각한 문제를 야기할 수 있다. 특히, 실시간 데이터 처리와 제어가 중요한 생산 라인에서는 단 몇 분의 다운타임도 재가동하는 비용을 포함한 큰 손실로 이어질 수 있다. 따라서 스마트팩토리는 시스템의 안정성을 최우선으로 고려해야 하며, 다운타임 발생 시 신속하게 복구할 수 있는 체계를 구축해야 한다. 예를 들면 용해로 재시작 재가동 등의 일들은 일반 컴퓨터 재부팅보다 훨씬 더 준비해야 할 게 많으므로 이런 점이 고려가 되어야 한다. 또한 시스템의 신뢰성을 높이기 위해서는 이중화 시스템 구축이 필수적이고, 환경에 따라서 데이터 백업, 네트워크 이중화, 서버 이중화 등 다양한 방법을 통해 시스템 장애에 대비해야 한다. 자원들이 유기적으로 연결되어 있는 클라우드 환경에서는 상대적으로 이중화 혹은 다중화 지원이 용이하지만, 온프레미스 환경에서는 이를 지원하기 위해 네트워크 장비나 실제 서버들의 추가적인 설치와 운영이 필요하다. 온프레미스에 저장되어 있는 데이터를 클라우드에 저장하고 운영하는 것은 추가적인 네트워크 연결을 도입하는 것이기에 이로 인한 위험도 있게 되므로, 실시간 데이터 처리 및 중요 데이터는 온프레미스에 저장하고, 분석 및 장기 데이터는 클라우드에 저장하는 하이브리드 모델을 많이 고려한다. 이러한 하이브리드 모델은 데이터 처리 속도와 안정성을 동시에 확보할 수 있으며, 엣지 컴퓨팅을 활용하여 실시간성이 요구되는 데이터의 경우 추가적인 데이터 이동을 절약함으로써 현장에서 필요한 데이터 처리 속도를 향상시킬 수 있다. 그림 1. 고가용 시스템 네트워크 구조 예제스마트팩토리는 수많은 스마트 센서를 통해 데이터를 수집하고 분석하는데, 클라우드 기반 스마트 센서는 네트워크 연결이 필수적이므로, 안정적인 네트워크 환경을 구축해야 한다. 주변의 환경에 영향을 받기에 유무선 네트워크 장애는 센서 데이터 수집 및 전송에 문제를 일으킬 수 있고, 스마트 센서는 민감한 생산 데이터를 수집하므로, 데이터 보안을 강화해야 한다. 각각의 센서 혹은 시스템이 노출되는 형태이므로 데이터 암호화, 접근 제어, 보안 프로토콜 적용 등을 통해 데이터 유출 및 해킹을 방지해야 하고, 마지막으로 수많은 스마트 센서를 효율적으로 관리하고 유지보수해야 하는데, 원격 관리, 자동 업데이트, 센서 상태 모니터링 시스템 등을 통해 센서 관리 효율성을 높여야 한다. 데이터 관리의 어려움: 저장과 조회의 균형스마트팩토리는 생산 과정에서 발생하는 방대한 양의 데이터를 효율적으로 관리하는 것이 핵심이다. 현장에서 일어나는 모든 데이터가 관리 대상이기에 데이터의 양이 기하급수적으로 증가함에 따라 저장과 조회에 대한 어려움이 발생하고, 효율적인 데이터 관리 전략이 필수적이다.스마트팩토리에서 생성되는 데이터는 실시간 데이터와 장기 분석용 데이터로 나눌 수 있다. 실시간 데이터는 생산 라인 제어, 품질 검사 등 즉각적인 응답이 필요한 데이터이며, 온프레미스에 저장하는 것이 유리한 반면, 장기 분석용 데이터는 생산 공정 최적화, 설비 예지 보전 등에 활용되며, 클라우드 스토리지를 활용하는 것이 좋다. 클라우드는 이 확장성에 대해 확실한 강점이 있어, 이후 효율적으로 저장하고 처리할 수 있다. 전사적 자원관리(ERP: Enterprise Resource Planning)의 내용과 같이 현장 바깥의 정보들과 같이 사용하는 경우 훨씬 유용하게 쓰일 수 있다.스마트팩토리에서 생성되는 데이터는 많게는 초당 수백, 수천 건의 고화질 대용량 데이터들이 이용되기도 하는데, 이를 다루기 위해서 데이터 처리 성능이 중요하다. 데이터를 모으는 시스템과 읽는 시스템이 자원을 공유하기에 그 사이에서 오는 문제가 생기기도 한다. 실제 조회가 필요할 경우 제대로 운영하기 위해 알맞은 데이터베이스를 선택하고, 인덱스 설정, 쿼리 최적화 등을 통해 대응해야 하는데, 데이터를 이동시키는 데 드는 자원이 원래 시스템을 운영하는 데 방해가 되지 않아야 하고, 본래 시스템이 주어진 역할에 지장이 없도록 운영해야 한다.데이터 양이 증가함에 따라 저장 비용이 기하급수적으로 증가할 수 있다. 예를 들어 이미지를 통한 불량 탐지의 경우 불량률이 적어질 수록 중복된 정상 이미지들이 불필요하게 쌓이는 상황이 생기기도 하고, 모든 것들을 저장해야 한다고 하면 데이터 백업 등에도 추가적인 노력과 비용을 들여야 한다. 대용량 데이터를 실시간으로 처리하는 것은 클라우드 환경에서도 기술적으로 어려운데, 온프레미스에서도 분산 처리 시스템, 인메모리 데이터베이스, 엣지 컴퓨팅 등 다양한 방법들을 도입해야 한다.이처럼 스마트팩토리의 데이터 관리는 저장 위치 결정, 읽기/쓰기 성능 최적화, 저장 비용 및 처리 성능 한계 극복 등 다양한 어려움을 내포하는데, 이러한 문제를 해결하기 위해 먼저 현장을 이해한 후에 데이터의 특성과 사용 목적에 맞는 데이터 관리 전략을 수립하고, 최신 기술을 적극적으로 활용해야 한다. 디지털 전환과 문제 해결 가능성디지털 전환은 스마트팩토리의 생산성과 효율성을 향상시키기 위한 핵심 전략으로, 클라우드는 디지털 전환의 중요한 요소로 작용하며, 데이터를 중앙에서 실시간으로 분석할 수 있도록 지원한다. 이를 통해 공정 최적화와 이상 탐지가 가능하며, 공장 운영의 자동화를 가속화할 수 있다. 다양한 장점에도 불구하고, 현장의 문제를 풀어 낼 수 있는가 라는 문제에 많은 고민들이 있다.온도를 재는 아날로그 센서의 경우 고온고압의 환경을 센서가 버티지 못하는 경우도 있고, 최근의 화두인 탄소 수치의 경우 가상의 새로운 장치들이 필요하다. 제품의 완성도는 화면으로 100% 잡히지 않는 경우도 많고, 농도는 샘플링에 의존할 수밖에 없고, 물성은 완제품으로부터만 얻을 수 있는 경우가 대부분이다. 각각의 사례들이 데이터로 디지털화 되었다고 해도 세상의 물리와 화학은 이진 수학으로 떨어지지 않는 부분도 많고, 통계와 예측은 신뢰구간과의 끊임없는 싸움이다.앞의 여러 이슈들을 겪은 후 데이터가 모인 후에는, 실제 문제를 정의하고 풀어 나가는 마지막 단계에 오게 되고, 이 경우 인력 문제로 귀결이 된다. 이미 제조 현장은 소수의 인원이 오랜 세월의 노하우로 운영을 하고 있고, 그 문제를 데이터로 풀려 하는 인력들과 거리가 있어 많은 현장에서 디지털 전환을 했음에도 실질적인 이득을 얻기 힘들다는 현실과 닿아 있다. 이 거리가 좁혀진 후에는 시계열 예측 혹은 설명 가능 인공지능 등이 추가적인 가치를 창출해 낼 수 있겠으며, 필자가 속한 인이지를 비롯해 많은 인공지능 관련 업체들이 기존의 제조산업 업체들과 문제를 정의하고 풀어 나가고 있다.그림 2. 인이지의 산업용 공정 효율 최적화 솔루션 예제 맺으며클라우드 기반 스마트팩토리는 분명 제조업의 혁신을 가속화하고 생산성을 극대화할 수 있는 강력한 도구이지만, 앞서 살펴본 바와 같이, 물리적 한계, 실시간 운영의 신뢰성, 데이터 관리의 어려움 등 해결해야 할 과제들이 산적해 있다. 이러한 문제들을 극복하기 위해서는 단순히 기술을 도입하는 것을 넘어, 현장의 특성을 깊이 이해하고, 데이터 기반의 의사 결정을 통해 지속적인 개선을 추구하는 노력이 필요하다.또한, 스마트팩토리를 포함한 디지털 전환은 기술적인 변화뿐만 아니라, 조직 문화와 인력의 변화를 수반한다. 현장의 경험과 지식을 데이터 분석 및 활용 능력과 결합하여 시너지를 창출하는 것이 중요하겠으며, 클라우드 기반 스마트팩토리가 진정한 가치를 발휘하기 위해서는 기술, 사람, 그리고 조직의 조화로운 발전이 필수적이라 하겠고, 이 요소들이 다 고려되었을 때 비로소 디지털 전환이 되었다 할 수 있겠다.

클라우드 기반 스마트팩토리 - 용어들

이 글은 제가 NIA [한국지능정보사회진흥원]의 2025년 2월호에 기고한 글입니다. 원본 글 '2025년 AI 현황 보고서 리뷰'를 이곳 브런치에서도 공유합니다.들어가며지난 회에 이어, 이번 회에는 스마트팩토리를 정보통신의 관점에서 접근하는 과정에서 맞이하게 되는 여러 용어들에 대해 정리해 보겠다. 대부분 필자가 과제들을 접하면서 처음 접한 용어들이고, 모든 것들을 다루지는 못하겠지만, 각각 다양한 역사와 의미들이 있어 정리한다. 정보통신 영역에서 인터넷 서비스들 혹은 플랫폼 산업들에서 경험이 있는 분들께서 스마트팩토리 관련 프로젝트들을 접할 때 간략한 도움이 되면 하는 바램이다.전통적 의미의 제조, 공장 영역은 정보통신이 보급되기 훨씬 전부터 다양한 노력들이 있어 왔었고, 최근까지도 디지털 변환(digital transformation)이라는 화두 아래에 여러 가지 시도들이 있어 왔다. 몇몇 용어는 30년전에 이미 쓰고 있던 것들도 있고, 최신 경향에 맞는 새로운 용어들도 섞여 쓰이고 있다. 마치 TCP/IP가 1970년대에 만들어진 TCP/IP, 1989년에 만들어진 HTTP가 아직도 쓰이지만, 각종 API 들은 2000년에 만들어진 JSON 방식으로 소통되고, 2006년에 소개된 아마존의 EC2를 기본으로 각종 클라우드 서비스가 운영되고 있는 것과 닮아 있다 하겠다. 통합 관리 시스템제조 혹은 공정은 공장 현장을 포함한 회사 전체에서 진행되는 프로젝트의 일부로 간주가 되게 되며, 실제 운영을 하는 것을 기준으로 이전, 이후에 여러 가지 종류의 시스템이 도입해 사용하고 있다. 이는 ANSI/ISA-95 에서 표준으로 정리하고 있으며, 아래 그림 1과 같은 형태로 관련 사항을 설명할 수 있다. 자동화 피라미드(Automation Pyramid) 라고 부른다.그림 1. 자동화 피라미드 전사적 자원 관리(ERP, Enterprise Resource Planning)ERP 시스템은 기업이 인사, 회계, 생산, 물류, 재고 관리 등 다양한 비즈니스 프로세스를 하나의 통합된 시스템에서 관리할 수 있도록 도와주는 소프트웨어 솔루션을 이야기한다. 이는 기업 내 여러 부서에서 생성되는 데이터를 중앙에서 통합하여 실시간으로 공유할 수 있게 하며, 이를 통해 업무 효율성을 높이고 의사 결정 과정을 개선할 수 있다. 또한, 수작업을 줄이고 프로세스를 자동화하여 운영 비용을 절감할 수 있으며, 기업의 성장과 확장에도 유연하게 대응할 수 있도록 지원하고, 이들이 스마트팩토리 시스템에서 참조하는 중요한 데이터에 해당한다. 대표적인 ERP 솔루션으로는 SAP, 오라클 ERP, 마이크로소프트 다이나믹스 등이 있으며, 기업의 규모와 필요에 따라 맞춤형으로 도입하여 사용한다. 제품 수명 주기 관리(PLM, Product Lifecycle Management)PLM은 제품의 아이디어 단계부터 설계, 개발, 생산, 유통, 유지보수, 폐기에 이르기까지 전 과정의 데이터를 체계적으로 관리하는 시스템을 이야기한다. 이는 제품 관련 정보를 중앙에서 통합 관리하여 개발 시간 단축, 비용 절감, 품질 향상, 규제 준수 등을 지원하고, 협업을 강화하여 효율적인 제품 개발을 가능하게 하며. 제품과 관련된 모든 정보를 중앙 집중화하여 관리함으로 효율을 높이는 것을 목표로 한다. 특히, CAD(컴퓨터 지원 설계), PDM(제품 데이터 관리) 등의 기술과 연계하여 설계 변경 사항을 추적하고 제품의 이력을 체계적으로 관리할 수 있어, 제조업, 자동차, 항공, 전자 산업 등에서 널리 활용된다. 제조 실행 시스템(MES, Manufacturing Execution System)MES는 생산 현장에서 발생하는 모든 활동을 실시간으로 관리하고 제어하는 시스템을 이야기한다. 구체적으로, 작업 일정 관리, 작업 지시, 품질 관리, 생산 실적 집계, 설비 관리 등 다양한 기능을 수행하여 생산 효율성을 극대화하는 것을 목표로 하며 아래의 특징과 목표를 가진다. 실시간 데이터 수집 및 분석: 생산 현장의 데이터를 실시간으로 수집하고 분석하여 문제 발생 시 즉각적인 대응을 가능하게 한다. 작업 지시 및 관리: 작업자에게 필요한 정보를 제공하고 작업 진행 상황을 추적하여 생산성을 향상시킨다. 품질 관리 강화: 생산 과정에서 발생하는 품질 관련 데이터를 수집하고 분석하여 불량률을 감소시키고 제품 품질을 향상시킨다. 생산 효율성 향상: 생산 설비의 가동률을 높이고 생산 시간을 단축하여 생산 효율성을 극대화한다. 추적 및 이력 관리: 생산 과정에서 발생하는 모든 데이터를 기록하고 추적하여 문제 발생 시 원인 분석 및 재발 방지에 활용한다. 앞의 ERP 등과 연계되어 수행이 되고, 대개 정보통신 관점에서 스마트팩토리를 접할 때 제일 먼저 만나는 용어이기도 하다. 생산 감시 제어 및 데이터 수집 시스템(SCADA, Supervisory Control and Data Acquisition)SCADA는 산업 환경에서 다양한 장비와 시스템을 모니터링하고 제어하는 데 사용되는 소프트웨어 및 하드웨어 시스템을 이야기한다. 이는 주로 대규모 생산 공정, 전력망, 수처리 시설 등에서 실시간 데이터를 수집하고, 이를 통해 장비의 상태, 생산 과정, 환경 조건 등을 감시하는데, 원격으로 모니터링하며 시스템을 제어하고, 이상 징후를 감지하며, 경고 및 알림을 제공하여 운영자가 신속하게 대응할 수 있도록 한다. 또한, 이 과정에서 수집된 데이터들은 이후 분석하여 성능을 최적화하고, 장비 고장을 예방하며, 생산 효율성을 향상시킬 수 있는 곳에 이용한다. SCADA는 넓은 지역에 분산된 시스템을 사용하기 위해 만들어진 시스템으로 PLC(Programmable Logic Controller), RTU(Remote Terminal Unit) 등의 장비와 연결되어 실시간 데이터 흐름을 관리하며, 산업 자동화와 운영의 핵심 역할을 수행한다. 공급망 관리(SCM, Supply Chain Management) / 창고 관리 시스템(WMS, Warehouse Management System)SCM은 원자재의 조달, 생산, 유통, 소비자에게 제품을 전달하는 전반적인 공급망 과정을 관리하는 시스템으로, 이 시스템의 목표는 공급망의 각 단계를 최적화하고, 원활한 흐름을 유지하여 비용을 절감하고 서비스 품질을 향상시키는 것으로, 이를 위해 생산 계획, 재고 관리, 물류 등 다양한 활동을 계획하고 조정한다.반면, WMS는 창고 내에서의 물류 흐름을 최적화하고 관리하는 시스템으로, 제품의 입고, 보관, 출고, 재고 상태 등을 실시간으로 추적하고 제어한다. WMS는 창고 공간의 효율적 사용과 정확한 재고 관리를 지원하며, 제품의 이동 경로와 상태를 실시간으로 파악하여 작업 효율성을 높인다.SCM과 WMS는 서로 밀접하게 연관되어 있으며, 함께 작동하여 전체 물류와 공급망 효율성을 극대화하는 데 중요한 역할을 한다. SCM이 공급망의 큰 그림을 관리한다면, WMS는 창고 내에서 물류 활동이 원활하게 이루어지도록 세부적으로 관리한다. SCM을 통해 물류 경로와 공급 계획이 최적화되면, WMS는 창고에서의 입출고 및 재고 관리를 개선하여 실시간으로 정확한 데이터를 제공하고, 이 데이터를 기반으로 SCM 시스템이 보다 효과적으로 공급망을 조정할 수 있도록 한다. 이를 통해 기업은 전체 물류 비용을 절감하고, 서비스 품질을 높이며, 재고를 효율적으로 관리할 수 있다. 산업용 통신 프로토콜산업용 통신 프로토콜을 이용해서는 크게 데이터 수집, 데이터 교환, 장치 제어 등을 수행할 수 있고, 네트워크 연결 상태, 각각 장치들의 지원 여부, 혹은 현장의 디지털 변환 상태 따라 다양한 상태가 지원된다. 오랜 시간을 거치며 표준을 만들어 연결하려는 노력을 많이들 해 왔지만, 여전히 다양한 솔루션들이 오랜 역사들과 함께 이용되고 있다. 모드버스(Modbus)모드버스(Modbus)는 1979년 모디콘(Modicon, 현재 슈나이더 일렉트릭)에서 개발한 직렬 통신 프로토콜로, 산업 자동화 분야에서 널리 사용된다. 간단한 구조와 쉬운 구현, 낮은 비용으로 인해 다양한 산업용 장치 간의 통신에 활용되며, 특히 PLC(Programmable Logic Controller)와 함께 사용하기 위해 개발했다. 특정 PLC를 제어하기 위해 특정 레지스터에 특정 값을 쓰는 형태로 대개 처음 접하게 된다.모드버스는 마스터-슬레이브(Master-Slave) 방식으로 작동하며, 마스터 장치가 슬레이브 장치에 요청을 보내고 슬레이브 장치가 응답하는 형태로 통신한다. 다양한 버전이 존재하며, 대표적으로 직렬 통신 기반의 모드버스 RTU/ASCII와 이더넷 기반의 모드버스 TCP/IP가 있다. 개방형 프로토콜이며 로열티가 없어 산업 환경에서 폭넓게 사용된다.아래 그림 2. 는 같은 기능을 다른 프로토콜로 구현한 예제로, “주소 2번 PLC의 00033번부터 12개의 코일을 읽어오고, 00040번과 00042번 코일은 '활성화', 나머지는 '비활성화' 상태로 응답받음”이 풀어져 있다. 그림 2. 모드버스 프로토콜 예제 필드버스(Fieldbus)필드버스는 산업 자동화 시스템에서 장치들 간의 데이터 통신을 위한 디지털 네트워크 프로토콜이다. 전통적인 아날로그 방식의 연결 대신, 필드버스는 디지털 통신을 사용하여 센서, 액추에이터, 제어 장치 등 다양한 장치들을 네트워크로 연결하는데, 이를 통해 실시간 데이터 전송과 제어가 가능하며, 복잡한 배선 작업을 줄여 효율적인 시스템 구성이 가능하다. 주로 메타 프로토콜로 접하게 되고, 실제로는 각기 다른 산업 환경에 맞춰 설계된 프로피버스(PROFIBUS), 디바이스넷(DeviceNet), 파운데이션 필드버스(Foundation Fieldbus)등을 사용하게 된다. 아래 그림 3에서처럼 다양한 프로토콜이 있으며, 고속의 데이터 전송, 높은 신뢰성, 확장성 등을 제공하여 자동화 시스템의 성능을 향상시키는 데 중요한 역할을 한다. 그림 3. 다양한 필드버스 프로토콜들 파워링크(Powerlink)파워링크는 고속 이더넷 기반의 실시간 통신 프로토콜이다. 주로 이더넷 파워링크(Ethernet Powerlink)라고 부르며, 장비 간의 실시간 데이터 통신을 지원하는 데 초점을 맞춘 프로토콜이다. 데이터 전송 지연을 최소화하고, 높은 우선순위의 데이터를 실시간으로 처리할 수 있는 기능을 제공하며, 이를 통해 PLC, 센서, 액추에이터 등 다양한 장치들이 서로 실시간으로 데이터를 교환하고, 분산 제어 시스템을 구성할 수 있다. 기존 이더넷 기술을 활용하면서도 실시간 처리와 고속 통신을 지원하는 점에서 유용하다. OPC(Open Platform Communications)OPC는 산업 자동화 분야에서 다양한 장치와 소프트웨어 간의 데이터 교환을 표준화하기 위한 기술로 주로 SCADA 시스템, PLC, DCS(분산 제어 시스템, Distributed Control System)와 같은 다양한 제어 시스템 간에 데이터를 교환하는 데 사용된다. 마이크로소프트의 OLE(Object Linking and Embedding) 기술을 기반으로 하여, 제조업체들이 서로 다른 하드웨어 및 소프트웨어 환경에서 호환되는 시스템을 구축할 수 있도록 지원한다. 현장에 이미 설치되어 있는 컴퓨터들이 윈도우즈로 되어 있을 경우 만날 확률이 많이 높아진다. OPC는 크게 OPC 클래식(Classic)과 OPC UA(Unified Architecture)로 나뉘는데, OPC 클래식은 주로 윈도우즈 환경에서 COM/DCOM 기술을 기반으로 작동하며, OPC UA는 플랫폼 독립적인 서비스 지향 아키텍처로 더 높은 보안성과 확장성을 제공한다. 연관된 다양한 오픈소스들을 접할 수 있고, 최근의 스마트 팩토리 및 산업용 IoT 환경에서 핵심적인 역할을 하고 있으며, 다양한 산업 분야에서 데이터 통합 및 상호 운용성을 향상시키는 데 기여하고 있다.MQTT(Message Queuing Telemetry Transport)MQTT는 주로 사물 인터넷(IoT) 환경에서 사용되는 경량 메시징 프로토콜이고, 자원이 제한적인 환경, 예를 들어 대역폭이 좁거나 전력 소비를 최소화해야 하는 상황에서 효율적으로 작동하도록 설계되어 있다. 데이터를 전송하는 목적을 가진 센서들을 고려한 가장 널리 쓰이는 프로토콜이다.MQTT는 발행/구독 모델을 사용하여 데이터를 주고 받는다. 발행자(publisher)가 특정 주제(topic)에 메시지를 게시하면, 구독자(subscriber)가 해당 주제를 구독하여 메시지를 수신하는 형식으로, 각종 클라우드용 솔루션들이 적극적으로 구현하고 있고, 이른 이용해서 다수의 장치가 효율적으로 통신할 수 있도록 하며, 낮은 전력 소비와 높은 신뢰성을 특징으로 한다. 따라서 IoT 센서 데이터 수집, 원격 제어, 스마트 홈 등 다양한 분야에서 널리 사용되고 있고, 최근에 각종 스마트센서들에서 이용하는 프로토콜이기도 하다.아래 그림 4는 두 개의 클라이언트가 브로커를 통해 각자 필요한 메시지를 구독하고 발행하는 예제를 나타낸다. 주요 클라우드 서비스들은 안정적으로 메시지 중계 서비스를 가지고 있고, 이를 이용해서 데이터를 흐르게 할 수 있다. 그림 4. MQTT 데이터 흐름 예제 맺으며클라우드 환경에 새로이 처음부터 구현한다고 하면 최신 프로토콜들과 시스템을 쓰면 수월하겠지만, 현업에서는 대개 기존의 것들이 운영되고 있는 사유들이 있고, 대개 보수적인 시각으로 점진적으로 도입 등이 이루어지게 된다. 다음 호에서는 실전에서 맞닥뜨리는 문제들을 사례들과 함께 이야기 나누어 보도록 하겠다.

AI에게 물어 보기 - 빅터 웸반야마 다쳤어 ?

열심히까지는 아니라도 종종 하이라이트 위주로 NBA 를 즐겨 보는데, 작년부터 응원하던 어린 선수 하나가 올스타 시즌 이후 안 보이길래 궁금했다. Victor Wembanyama 라는 선수이고, 물론 하이라이트 위주이지만, 이전에 못보던 신기한 농구를 보여 줘서 응원하면서 보긴 했는데.. AI 들에게 무슨 일 있었나 물어봄. "빅터 웸반야마 다쳤어?" 오늘의 채점 포인트. - Bing 검색 대신 Bing copilot.- 미국 뉴스를 한글로 물어 본 것임.- 한글로도 그렇지만 영어 이름이 스펠링이 만만치 않음. 그래서 영어로도 제대로 못 물어 보고 nickname 으로 물어 봄. "is victor wemby hurt?"- 일단 기대는 단답형 yes / no , 궁금한 건 어떤 병 ? 언제까지 농구 팀은 ? - 결과 페이지에 reference 들이 요즘 뉴스들이 잘 올라오는지.- 모두 무료 플랜 사용 중. - 부록으로는 어제 모바일에서 볼 때랑 다르네..? 요약 먼저 copilot = Clova > Liner > Perplexity > google > Gemini > Chatgpt > Naver > wrtn = Claude영어로 물어보면 답을 더 잘들 해 준다. authority 있는 한글 문서들이 잡히면 좋겠다. copilot ( 10/10 )예상치 못한 깔끔한 답.유튜브나 블로그가 아닌 뉴스 링크들이 참조된 점도 인정.영어도 군더더기 없음.참고로 'unfortunately' 한 마디 들어가 있어서 훨씬 부드러운 느낌. 이건 위 한글 답변도 마찬가지. '부상은 아니지만' 이라는 문구는 따뜻함이 느껴짐.. Clova ( 10 / 10 )깔끔한 답변. 오늘의 공동 1등참고로 아래는 하루 전 결과. 어제 이 글을 썼으면 최하위 ( 0/10 ). 다른 사람을 지칭하는 치명적 오류. 하루만에 달라지다니 개선인지 어딘가가 튄 건지... 아직 사용자 입장에서 마음 놓고 쓰기에 아슬아슬함. Liner ( 9.5 / 10 )reference 들 잘 모았음.굳이 묻지 않은 병에 대해 너무 가르치려 들어서 약간의 감점. 영어로는 팀 임팩트가 그래도 위에 나옴. Perplexity ( 9 / 10 )정답들을 잘 보여 주지만, 모든 링크들이 다 뉴스는 아님. 사족들..이미지들은 전부 irrelevant 한 것임. 자리만 잡아 먹는 eye-catching 이 과함. 그래도 정답 위주의 설명이라 감점은 조금만.한글 질문에 "?"를 붙인 거 같은데, 여기서는 빠져 있음. 옥의 티. 이건 감점 안 함.영어 질문에는 영어 문서들을 찾아서 한글로 번역해서 보여줌. 구글 다닐 때 제대로 구현하고 싶었던 CLIR 의 절반이 여기서 되는 듯. 역시 LLM. Google( 7.5/10 )한글은 그럭저럭.. 쭈욱 훑어 보니 그런가 싶은 정도.유튜브가 없으면 어쩔 뻔 했으며, 일단 저건 믿어도 되나 ? 싶음.영어는 조금 더 나음. 불필요한 내용 없고, 뉴욕 타임즈가 올라왔으니 인정. Gemini ( 7 / 10 )한글로 물어 보니 모른다고 함영어로 물어 본 건 완변한 정답.ChatGPT ( 6 / 10 )한글 결과는 잘못된 뉴스. 모른다고 하는 것보다 더 나쁨.출처는 클릭도 안 됨. 그런데, 영어는 모범 답안. Naver ( 5/10 )네이버 블로그에서 적당히 추출. 두번째 글 하나만 연관 있어 차분히 둘러 보면 그런갑다 정도..? 굳이 영어로 해 보진 않음. claude ( 2/10 )모른다고 깔끔한 사과. 2024년 10월까지로 제한 있음. 영어라고 다르지 않음. wrtn ( 2/10 )깔끔하게 모른다고 하면서 참고 자료들 엉망으로 붙어 있음. 지면 광고인가 ? 화면의 절반 이상이 불필요한 것으로 차 있지만, 추가 감점을 하진 않았음. 영어도 마찬가지. 질문을 알아듣기는 하는 거 같은데... https://brunch.co.kr/@chaesang/110

혼자 해 보는 서비스 분석 - AI에게 물어 보기 - 아이브의 신곡에 들어가는 ...

샘플링은 어떤 곡이야 ? 요새 든 사소한 버릇 / 준직업병 증상 중 하나로.. 내가 이미 알고 있는 것을 AI 나 검색 엔진들도 알고 있는지 확인하는 버릇이 생겼다. AI들이 이미 내가 모르는 것을 많이 알고 있어서 그걸 복수하려는 알량한 자존심 정도로 해 두자.한국에 오면 K-pop 음악들이 조금 더 잘 들리고, 최근에 자주 들리는 음악으로 아이브의 신곡으로 ATTITUDE ( https://www.youtube.com/watch?v=38xYeot-ciM ) 건강한 아이들이 춤추고 노래하는 걸 보는 건 에너제틱해서 그 자체로도 좋고, 가끔씩 아이들과 대화 소재로도 좋아서 열심히 따라잡는데, 이 노래는 듣는 내내 80년대 후반 팝송으로 영어를 배운 내 기억 속에서 노래 하나가 떠올라서 AI 들에게 테스트. 이미 35년 전의 노래라니.. 쩝... 질문은 "아이브의 신곡에 들어가는 샘플링은 어떤 곡이야 ?"채점 포인트들은 1. 단답형이니 정답을 알려 주는가 ? Suzanne Vega's "Tom's diner"2. 여러 히트곡이 있을 진데, 신곡이 이 노래를 이야기해 주는가 ?3. 불필요한 것들을 보여 주는가 ? 오늘의 순위는Gemini > ClovaX > GetLiner > ChatGPT = Perplexity = Google > Naver > wrtn > Claude Gemini ( 10/10 )원하는 정보에 군더더기 없는 답변 ClovaX ( 9.5/10 )답변은 깔끔하나 '디너'가 아니라 '다이너'. 옥의 티 감점. GetLiner ( 8/10 ) 위의 답은 정답이나, 중간에 After Like 이야기. 이건 2년 넘은 노래 이야기라 감점. ChatGPT ( 7/10 ) After Like, Supernova Love 등의 불필요한 내용들. 예전 노래로 논란이 있었는지 내가 궁금해 해야 해 ? Perplexity ( 7/10 )설명은 맞는데, 클릭할 만한 reference 들이 관련 없는 내용들. 이렇게 꾸미기도 쉽지 않았을 텐데... 답변만 보면 꽤 ChatGPT 랑 닮아 있는 거 같음. Google ( 7/10 )질문이 기존 검색에 친절하진 않지만, 클릭할 것들이 질문에 대한 답에 매우 근접하고, 다른 노래들이 없음. Youtube boosting 이 없었으면 더 높은 점수가 되었을 거고, 첫번째 웹 링크는 잘 검색된 결과여서 다른 AI 엔진들이 이걸 끌어 올리는가 아닌가로 품질이 결정되었을 듯. Naver ( 6/10 )블로그에서 영끌해서 올린 결과. 하나는 다른 노래 이야기라 구글 대비 감점. wrtn ( 4/10 )틀린 노래. 어거지 답변. '또한'을 붙인다고 답변이 되지 않음. 어거지 답변에 대한 추가 감점.reference 들로 충분한 거 같은데 랭킹이 틀어져 아마도 잘못된 답이 나왔고, 한편, 유튜브 썸네일을 이미지 검색 결과 ? 이건 선 넘은 거 아닌가 ? Claude ( 2/10 )솔직한 답변이지만, 요즘이 어떤 세상인데 뭐랄까 성의가 없달까 ? 잠깐.. 난 아이브를 물어봤는데, 왜 Aespa ? 이건 선 넘은 거 아닌가 ?

혼자 해 보는 서비스 분석 - Deepseek 얼마나 많이 쓰길래 ?

흥하다 해서... 얼마나 ??? 여러 가지 의미로 세상을 떠들썩하게 하고 있는 딥씨크(Deepseek) 이야기 간단히 해 본다. ChatGPT 이후에 나온 단일 서비스로 가장 시끄러운 건 맞다 싶고. 여러 사람들이 이야기를 섞으면서 과하다 싶을 정도의 정보량들… 어떻게 만들었을까 궁금하긴 하지만, 내가 저런 것까지 알아야 할까 싶은 것들까지... 외부인 입장에서 함부로 이야기하기엔 조심스러운데, 구글 검색 열심히 몇 번 써 봤다고 구글 검색 전문가라 하는 거 아닌가 하는... 밖에서 볼 수 있는 자료들로 간단하지만, 최선을 다 해 본다. 일단 미국 앱스토어 1등이라는 뉴스가 오랫동안 자꾸 언급되면서 일어나는 불편함에서 시작한다. (e.g. 중국 AI 딥시크, 챗GPT 제치고 미국 앱스토어 1위···증시 충격 ) 요즘에는 이제 made in China 등의 이슈도 있어 조금 시들하다 하는데, 그래서 얼마나..?? 라는 질문으로 시작.앱 순위먼저 오늘 자(2/12/2025) 미국 앱스토어 차트와 Playstore 순위. 생산성 범주만. 초기의 급한 유명세는 빠지기 시작하고 있는 듯하고.. 살짝 주춤한 정도..? 엇그제부터 2-3등 하고 있는 거 같음. 참고로 한국 안드로이드에서는 순위에 안 보임.차트 순위는 비밀에 해당하는 거니까… 미국에서 ChatGPT를 잡았다.. 까지는 이제는 옛 뉴스 혹은 오버.Similarweb 무료 버전 일단 (잠재적) 경쟁자들부터.. 지난 28일간 daily usage. 그런데... 생각보다 gemini 가 이렇게 잘 하고 있다고..?선두권 나라들에서도 모두 gemini 가 매우 우세. 여기에 deepseek 추가하면.잠깐.. 보정이 필요하다. 14일 정도가 포함된 거니 x2 하면 950M . 중국을 빼고, 나머지 나라들을 x2 한다 치면… 미국에서도 Gemini의 2배 , 이외의 나라에서는 훨씬 더 큰 점유율.이제 ChatGPT 에 도전해 보자.같은 공식 적용하면… 갈 길은 많이 높다. US, UK 역시 !! 간단한 요약ChatGPT 의 벽은 높다. 미국에서 hype 은 먼저 빠지는 듯. 다음 달에 보자..그래도 단숨에 2등이라니… !! https://brunch.co.kr/@chaesang/108

(부트캠프 소개) Kernel360 프로그램 4기 - 코치 참여

패스트캠퍼스에서 진행는 "Kernel360 프로그램 4기 : 백엔드 심화 부트캠프"에 자그마한 도움이 되면 하는 마음으로 참여하게 되었습니다. 지난 3기까지 엣지가 있는 프로젝트들이어서 약간의 부담과 긴장이 있습니다.기업과 교육의 거리를 좁히는데 도움을 줄 수 있으면 하는 마음이고, 2/19 까지 모집 마감에 2/24 부터 12주 일정입니다. 주변에 관심 있으신 분들께 전해지면 합니다. https://kernel.fastcampus.co.kr/pro_backend