이미지 정보의 취득, 분석 및 활용 (9)   지난 호에서는 시각적인 자극을 통해서 이루어지는 관찰 및 측정에 관해서 살펴보았다. 정보의 올바른 관찰과 분석이 선행되어야 분석 결과의 의미 있는 활용이 가능하다. 눈에 보이는 것이라도 정보의 진위를 포함하여 측정의 원리와 한계를 이해하고, 신뢰성을 고려한 신중한 분석이 필요하다. 이번 호에서는 이미지 데이터의 ‘분석’ 및 ‘분석 결과의 활용’에 관하여 살펴보고, 분석 결과의 활용시에 고려해야 할 여러가지 사항에 관해서 분석 결과의 성공 및 실패 사례를 통하여 소개한다.   ■ 연재순서 제1회 측정의 목적(호기심, 정보 수집) 제2회 단위(비교의 기준) 제3회 길이 측정 제4회 무게 측정 제5회 시간 측정 제6회 에너지 측정 제7회 정적 측정과 동적 측정 제8회 측정 결과의 분석 제9회 분석 결과의 활용 제10회 제어(수동, 자동, 반자동, 학습형) 제11회 정보의 가시화 제12회 입체 이미지 정보의 유혹과 과제   ■ 유우식 미국 웨이퍼마스터스(WaferMasters)의 사장 겸 CTO이다. 동국대학교 전자공학과, 일본 교토대학 대학원과 미국 브라운대학교를 거쳐 미국 내 다수의 반도체 재료 및 생산설비분야 기업에서 반도체를 포함한 전자재료, 공정, 물성, 소재분석, 이미지 해석 및 프로그램 개발과 관련한 연구를 진행하고 있다. 일본 오사카대학 대학원 공학연구과 공동연구원, 경북대학교 인문학술원 객원연구원, 국민대학교 산림과학연구소 연구원, 문화유산 회복재단 학술위원이다. 이메일 | woosik.yoo@wafermasters.com 홈페이지 | www.wafermasters.com   그림 1. 먹음직스런 페퍼로니 피자의 이미지(실물일까? 모형일까? 이미지의 이미지일까?)   눈에 보이는 것은 사실일까? ‘바보상자(idiot box)’라는 말이 있다. 예전에는 텔레비전을 뜻하는 말로 자주 사용되었다. 실제로 텔레비전은 무수한 정보들과 오락거리를 일방적으로 쏟아낸다. 시청자 스스로 아무 생각도 할 필요가 없게 만든다. 텔레비전에서 정리ㅎㅏㄱㅗ 방송해 준 내용이 곧 사실처럼 여겨지기 때문에 바보상자라고 불리게 되었다. 지금은 그 자리를 스마트폰이나 유튜브가 대신하고 있는 것 같다. 보고 싶은 것만 보고, 믿고 싶은 것만 믿게 한다. 자신과 같거나 비슷한 생각을 하는 사람들과의 연대가 더욱 강해져서 진영논리로 발전되어 사회가 양분되어 가는 느낌이다. 모두가 자신의 관점이 옳다고 주장한다. 같은 현상을 보고도 입장에 따라서 해석이 달라지는 것을 쉽게 볼 수 있다. <그림 1>에 먹음직스런 페퍼로니 피자의 이미지를 소개하였다. ‘먹음직스런’이란 표현도 이미 비슷한 피자를 먹어보아 그 맛을 상상할 수 있는 사람의 표현임은 말할 나위도 없다. <그림 1>의 이미지가 무엇인지 상상도 할 수 없는 사람에게는 그저 정체미상의 이미지에 불과하다. 또 한 가지 생각해 볼 것은, 과연 <그림 1>이 실물의 이미지인지 모형의 이미지인지, 그것도 아니면 사실적인 그림이나 사진을 이미지로 만들어 낸 것인지 알아낼 수 있을까 하는 것이다. <그림 1>을 보고 0.01초도 안되는 순간에 우리는 외형, 색상 분포, 8등분한 모양을 보고 잘 구워진 먹음직한 페퍼로니 피자라고 생각했을 것이다. 이것은 과거의 경험과 기억 속의 정보의 대조를 통해서 거의 반사적으로 판단한 결과이다. 그 어디에도 사실 관계를 확인하려는 노력은 없었을 것이다. 어디까지나 추정이다. 이러한 현상은 일상에서 매 순간 무한 반복된다. 그러한 즉흥적인 판단 결과는 과연 어느 정도 믿을 수 있는 것일까? 실생활에 큰 지장이 없는 정도의 신뢰성을 가지고 있기 때문에 불편을 느끼지 못하는 것이고, 대부분의 경우에는 설사 틀렸다고 하더라도 생사에 영향을 줄 만큼 심각한 사태로 발전하지 않기 때문에 매우 둔감해져 있다. 그러나 사안에 따라서는 느낌 또는 눈썰미에 의한 판단의 결과가 매우 심각한 사태를 불러오기도 한다.   무지개와 색상 우리나라를 포함해서 대부분 나라의 학교에서는 무지개의 색상을 ‘빨주노초파남보’의 일곱 가지로 가르치고, 그 색상의 순서까지 외우게 한다.(그림 2) 그러나 실제 무지개를 보면 색상이 그다지 선명하지도 않으며, 색을 일곱 가지로 나누어야 하는 합리적인 이유를 발견하기 어렵다. 다만 누군가가 그렇게 나눠놓은 것을 무작정 따라서 배우고 마치 상식인 것처럼 생각하고 있다. 학교에서는 당연하다는 듯이 그런 답을 요구하는 시험 문제도 출제되니 외울 수 밖에 없는 것도 사실이다. 그런데 일곱 가지 조명이 있는 것도 아닌데 어떻게 갑자기 일곱 가지 색깔이 나타났는지에 대한 이해는 부족하다. 굳이 알아야 할 필요는 없을 지도 모르겠지만, 자연현상의 원리를 이해한다면 그 원리의 이해를 바탕으로 새로운 응용도 가능해지기 때문에 알아 두면 크게 손해날 일은 없다.   그림 2. 우리나라와 서양에서 일반적으로 이야기하지만 실제와는 다른 일곱 가지의 무지개 색   ■ 기사 상세 내용은 PDF로 제공됩니다.

포인트셰이프 디자인을 사용한 역설계 사례   포인트셰이프 디자인(PointShape Design)은 드림티엔에스에서 자체 개발한 역설계 소프트웨어로, 3D CAD 기반의 CGM(CATIA) 커널이 적용됐으며 사용자에게 친숙한 디자인 프로세스 및 사용자 인터페이스를 제공하는 것이 특징이다. 이번 호에서는 포인트셰이프 디자인을 통해 자동차 포크 시프트(fork shift)의 3D CAD 모델을 쉽게 생성하는 방법을 소개한다.   ■ 자료 제공 : 드림티엔에스   이번 호에서 살펴 볼 역설계 프로세스는 다음과 같다. 스캔 데이터 불러오기 및 정렬 스캔 데이터 단면 추출 및 스케치 모델링 툴과 편집 툴을 사용하여 3D 모델 작업 Analyzing 기능을 통한 설계 데이터 편차 확인 최종 설계 데이터 완성   스캔 데이터 불러오기 및 정렬(Import & Alignment) 3D 스캐너를 통해 취득한 스캔 데이터를 <그림 1>과 같이 프로그램에서 불러온다. 스캔 데이터의 좌표 정렬 상태는 스캔 당시 스캐너의 좌표를 기준으로 정렬되어 있는 상대좌표 상태이기 때문에, 스캔 데이터를 절대 좌표에 정렬한 후 역설계를 진행한다. 3-2-1 Alignment 기능을 사용하여 좌표 정렬할 스캔 데이터를 선택하고 평면, 벡터, 점을 순서대로 선택하여 스캔 데이터를 절대 좌표에 정렬한다.   그림 1   그림 2   스캔 데이터 단면 추출 및 스케치(Plane(Offset) - 2D Sketch) Ref. Plane의 오프셋(Offset) 기능을 사용하여 해당 위치에 2개의 평면을 생성한 후, 해당 평면을 스케치 평면으로 사용하여 단면 폴리라인(Polyline)을 각각 추출하고 추출된 단면 폴리라인을 따라 스케치한다. 스케치를 한 후 트림(Trim) 기능을 이용하여 라인을 다듬는다.   그림 3   그림 4   모델링 툴을 사용하여 3D 모델 작업 해당 부분을 스케치한 후 <그림 5~6>과 같이 익스트루드(Extrude) 기능을 사용하여 형상을 만든다.   그림 5   그림 6   ■ 기사 상세 내용은 PDF로 제공됩니다.

산업 현장에서 활용할 수 있는 AWS IoT 서비스 (5)   지난 2회에 걸쳐 AWS의 에지 컴퓨팅 서비스인 AWS IoT 그린그래스(AWS IoT Greengrass)를 다양한 관점에서 살펴보았다. 이번 호에서는 OPC UA 프로토콜을 기반으로 산업 현장에서 발생하는 다양한 설비 데이터를 수집 및 구조화하며, 이를 기반으로 기업의 신속한 의사 결정에 도움을 주는 서비스인 AWS IoT 사이트와이즈(AWS IoT SiteWise)에 대해 소개하도록 한다.   ■ 연재순서 제1회 AWS IoT를 활용한 스마트 공장의 구현 제2회 AWS IoT의 핵심 서비스, IoT 코어 제3회 AWS의 에지 컴퓨팅 서비스, IoT   그린그래스 Ⅰ 제4회 AWS의 에지 컴퓨팅 서비스, IoT   그린그래스 Ⅱ 제5회 산업용 데이터를 쉽게 수집하고 분석하게 해주는 AWS IoT 사이트와이즈 제6회 AWS 클라우드가 제공하는 디지털 트윈 솔루션, IoT 트윈메이커 Ⅰ 제7회 AWS 클라우드가 제공하는 디지털 트윈 솔루션, IoT 트윈메이커 Ⅱ   ■ 조상만 AWS코리아에서 AWS 클라우드를 통해 제조 대기업의 디지털 트랜스포메이션을 기술적으로 돕는 역할을 담당하고 있다. 이메일 | smcho@amazon.com 홈페이지 | https://aws.amazon.com/ko   공장을 가지고 있는 많은 제조 기업 고객의 애로 사항 거의 모든 제조 기업은 공장 내의 수많은 생산 라인, 설비 또는 센서에서 발생하는 데이터를 수집하고, 이를 분석하여 기업의 의사 결정에 활용하고자 한다. 글로벌 전략 컨설팅 회사인 맥킨지(McKinsey)의 보고서는 제조 업체의 OT(Operational Technology) 데이터를 분석하여 데이터 기반의 예지보전(predictive maintenance)을 적용할 경우, 설비 가동 중지 시간을 30~50% 줄일 수 있으며 기계 수명을 20~40% 늘릴 수 있다고 보고하고 있다.   Manufacturing: Analytics unleashes productivity and profitability(McKinsey & Company) : https://www.mckinsey.com/capabilities/operations/our-insights/manufacturing-analytics-unleashes-productivity-and-profitability   그러나 전통적 제조 기업에서 생산 라인 및 설비에 데이터 기반 의사 결정 시스템을 구축하는 데에는 크게 다음과 같은 3가지 애로 사항이 존재한다. 첫 번째, 공장 내에는 다양한 설비들이 존재하며 이 설비들은 제각기 다른 벤더사에 의해 제조되었기 때문에 다른 프로토콜을 이용해 데이터를 주고받는다. 예를 들어, 산업 현장에는 동일한 이더넷 기반임에도 불구하고 프로피넷(PROFINET), 이더캣(EtherCAT), 모드버스(Modbus), 이더넷/IP(EtherNet/IP) 등 설비로부터 발생하는 데이터를 주고받기 위한 수백여 개 이상의 다양한 통신 프로토콜이 존재한다. 이렇게 다양한 설비 및 통신 프로토콜을 통해 데이터를 통합하여 수집, 관리하는 것은 현실적으로 매우 어렵다. 따라서 공장 현장에서 발생하는 거의 모든 데이터들은 사일로(silo) 형태로 존재하게 된다. 그러나 이렇게 복잡한 생산 현장에서 데이터 기반의 스마트 공장 구현을 위해 데이터의 통합은 필수이며, 이를 위해 최근에는 대부분의 PLC(Programmable Logic Controller), DCS(Distributed Control System)와 같은 산업용 설비에서 산업용 표준 통신 프로토콜인 OPC UA(Open Platform Communications Unified Architecture)를 지원하고 있다. 두 번째는 이러한 산업용 데이터에 접근했다 하더라도 장비로부터 발생하는 데이터 자체가 너무 많다는 점이다. 따라서 이러한 산업용 빅데이터로부터 의미 있는 정보를 추출하여 관리할 필요가 있으나, 대부분의 데이터가 구조화되어 있지 못하다는 또 다른 문제가 존재한다. 의미 있는 인사이트를 도출하기 위해서는 구조화된 데이터가 필요하지만, 현실적으로 이를 구현하기란 쉽지 않다. 세 번째 애로 사항은 데이터 전문 인력이 부족한 제조 기업이 생산 현장에서 수집된 데이터를 빠르게 분석하여 비즈니스 의사결정에 반영하기가 매우 어렵다는 점이다. 이와 관련된 내용은 이미 앞선 연재에서 여러 번 언급하였다.   손쉽게 공장 설비 데이터 분석을 도와주는 AWS IoT 사이트와이즈 AWS에서는 제조 고객의 이러한 애로사항 해결에 도움을 줄 수 있도록 2020년 AWS IoT 사이트와이즈라는 서비스를 정식 출시하였으며, 현재 서울 리전에서도 사용할 수 있다. 이 서비스는 로컬의 에지 디바이스를 이용하여 공장에서 발생하는 데이터를 손쉽게 수집 및 구조화하고, 이를 통해 실시간 KPI 및 지표를 생성하여 수집된 데이터에 기반한 의사 결정을 내릴 수 있도록 도와준다. <그림 1>은 AWS IoT 사이트와이즈가 제공하는 핵심 기능을 소개하고 있다. 공장의 다양한 설비로부터 발생하는 데이터는 ▲OPC UA 프로토콜을 통해 AWS IoT 사이트와이즈 서비스로 수집되며 ▲AWS IoT 사이트와이즈 내부에서 가상 자산과 함께 구조화되고 ▲코드 개발 없이 구현할 수 있는 대시보드를 통해 시각화된다. 결국 수집되는 데이터들은 <그림 1>의 오른쪽과 같이 설비의 상태를 감시하거나, 예지보전 등의 데이터 기반의 의사결정에 사용된다.   그림 1. AWS IoT 사이트와이즈가 제공하는 주요 기능   ■ 기사 상세 내용은 PDF로 제공됩니다.

포인트셰이프 디자인을 사용한 역설계 사례   포인트셰이프 디자인(PointShape Design)은 드림티엔에스에서 자체 개발한 3D CAD 기반의 역설계 소프트웨어이다. CGM(CATIA) 커널이 적용되었으며, 사용자에게 친숙한 디자인 프로세스 및 사용자 인터페이스를 제공하여 다양한 제품의 3D CAD 모델을 쉽게 생성할 수 있는 것이 특징이다.   ■ 자료 제공 : 드림티엔에스   이번 호에서 설명한 역설계 프로세스는 다음과 같다. 스캔 데이터 불러오기 및 정렬 스캔 데이터 단면 추출 및 스케치 모델링 툴과 편집 툴을 사용하여 3D 모델 작업 Analyzing 기능을 통한 설계 데이터 편차 확인 최종 설계 데이터 완성   스캔 데이터 불러오기 및 정렬(Import & Alignment) 3D스캐너를 통해 취득한 스캔 데이터를 <그림 1>과 같이 프로그램에서 불러온다. 스캔 데이터의 좌표 정렬 상태는 스캔 당시 스캐너의 좌표를 기준으로 정렬되어 있는 상대좌표 상태이기 때문에, 스캔 데이터를 절대좌표에 정렬 후 역설계를 진행한다. 3-2-1 Alignment 기능을 사용하여 좌표 정렬할 스캔 데이터를 선택하고 평면, 벡터, 점을 순서대로 선택하여 스캔 데이터를 절대 좌표에 정렬한다.   그림 1   그림 2   스캔 데이터 단면 추출 및 스케치(Plane(Offset) - 2D Sketch) Ref. Plane의 오프셋(Offset) 기능을 사용하여 해당 위치에 2개의 평면을 생성한 후, 해당 평면을 스케치 평면으로 사용하여 단면 폴리라인(Polyline)을 각각 추출하고 추출된 단면 폴리라인을 따라 스케치한다. 스케치를 한 후 트림(Trim) 기능을 이용하여 라인들을 다듬는다.   그림 3   그림 4   ■ 기사의 상세 내용은 PDF로 제공됩니다.

이미지 정보의 취득, 분석 및 활용 (8)   지난 호에서는 정적 측정(static measurement)과 동적 측정(dynamic measurement)의 차이에 관하여 소개하고, 시각적으로 인식할 수 있는 이미지를 바탕으로 한 정적 측정과 동적 측정시의 문제점과 주의해야 할 점에 관해서 살펴보았다. 이미지 센서의 종류와 동작 원리의 차이점 및 이미지의 왜곡 현상에 관해서도 소개하였다. 현상의 해석에 있어서 다양한 측면의 관찰과 기본 원리에 대한 이해가 우선되어야 한다는 점을 강조하였다. 이번 호에서는 관찰 및 측정 결과의 분석과 활용에 관해서 생각해보고자 한다. 시각 정보를 이용한 관찰 또는 측정 결과를 단순하게 믿기보다는, 측정의 원리와 한계를 이해하고 측정 결과의 신뢰성을 고려한 분석이 필요하다는 사실을 인식하는 계기가 되었으면 한다. 올바른 정보의 분석이 선행되어야 올바른 적용과 활용도 가능해진다.   ■ 연재순서 제1회 측정의 목적(호기심, 정보 수집) 제2회 단위(비교의 기준) 제3회 길이 측정 제4회 무게 측정 제5회 시간 측정 제6회 에너지 측정 제7회 정적 측정과 동적 측정 제8회 측정 결과의 분석 제9회 분석 결과의 활용 제10회 제어(수동, 자동, 반자동, 학습형) 제11회 정보의 가시화 제12회 입체 이미지 정보의 유혹과 과제   ■ 유우식 | 미국 웨이퍼마스터스(WaferMasters)의 사장 겸 CTO이다. 동국대학교 전자공학과, 일본 교토대학 대학원과 미국 브라운대학교를 거쳐 미국 내 다수의 반도체 재료 및 생산설비분야 기업에서 반도체를 포함한 전자재료, 공정, 물성, 소재분석, 이미지 해석 및 프로그램 개발과 관련한 연구를 진행하고 있다. 일본 오사카대학 대학원 공학연구과 공동연구원, 경북대학교 인문학술원 객원연구원, 국민대학교 산림과학연구소 연구원, 문화유산 회복재단 학술위원이다. 이메일 | woosik.yoo@wafermasters.com 홈페이지 | www.wafermasters.com   그림 1. 한국을 제외한 114개국 5만명을 대상으로 한 매운 맛에 관한 설문조사   측정보다 관찰이 우선 ‘측정’은 일정한 양을 기준으로 하여 같은 종류의 다른 양의 크기를 재는 것을 말한다. 기계나 장치를 사용하여 재기도 하며 측정 결과는 정량적으로 표현된다. ‘관찰’은 사물이나 현상을 주의하여 자세히 살펴보는 것을 말한다. 느낌에 의존하며 느낌의 표현이 사용된다. 관찰에는 특별한 도구가 필요하지 않으나 측정에는 도구가 필요하다. 무엇을 측정할 것인가를 결정하기 위해서도 관찰이 필요하므로, 관찰이 측정보다 우선된다. 관찰은 관찰자의 느낌이 정성적인 해석으로 연결되어 관찰자의 매우 주관적인 판단으로 이어지게 된다. 눈대중 또는 목측이 이에 해당한다. 이러한 관찰 결과 표현상의 주관성, 개인차의 문제점이 발생할 수 밖에 없다. 관찰자에 따른 개인차를 줄이기 위한 방법의 하나로, 일정한 양을 기준으로 하여 같은 종류의 다른 양의 크기의 대소관계를 정량적으로 표현할 수 있도록 고안된 방법이 측정이다. 측정은 객관성을 확보하기 위한 방법이며 수치화된 결과로 표시되는 특징을 가지고 있다. 측정의 정확도와 정밀도를 높이는 방법이 개량에 개량을 거듭하여 많은 분야에서 정밀 측정에 필요한 도구들이 개발되어 활용되고 있다. 산업 현장의 품질 관리는 측정으로 시작해서 측정으로 끝난다고 해도 과언이 아니다. 그렇다고 관찰이 무시될 수 있는 것도 아니다. 모든 것을 측정 도구로 측정할 수도 없고 가능하다고 하더라도 효율적이지 않다. 측정 장치가 문제를 일으키는 경우도 많다. 측정 장치에 문제가 생기면 측정 결과도 영향을 받게 된다. 관찰과 측정 모두가 상호보완적으로 이루어질 때, 진정한 의미의 품질 관리가 가능해진다. 측정이 나뭇잎을 보는 것이라면 관찰은 나무를 보는 것과 같다. 측정이 매우 단순한 잣대로 한 가지의 대상에 대한 기준치와의 비교를 염두에 둔 것이라면, 관찰은 전체적인 조화를 판단하는 것과 같다. 분석적이며 세분화된 서양의학과 직관적이며 조화를 추구하는 동양의학의 차이로 비유할 수도 있을 것 같다. 같은 대상을 두고 현미경 관찰 → 육안 관찰 → 항공사진 → 위성사진의 순서로 미시세계에서 거시세계로 관찰할 것인가, 위성사진 → 항공사진 → 육안 관찰 → 현미경 관찰의 순서로 거시세계에서 미시세계로 관찰해 갈 것인가의 문제일 뿐이다. 관찰자의 개인적인 느낌을 배제하고 기준과의 비교를 통하여 객관의 영역으로 가져올 방법을 찾아 갈 것인가, 개인적인 경험을 바탕으로 주관적인 판단을 중시할 것인가의 차이라고 할 수 있다. <그림 1>에 2022년에 실시된 매운 맛에 관한 설문조사를 포스터 이미지의 형태로 표현해 보았다. 그림 속의 이미지는 얼마나 맵게 느껴질까? 그림에서는 매운 맛을 혀로 느낄 수 없으니 자신의 경험에 근거하여 판단하게 될 것이므로 개인차가 매우 클 것이다. 포스터에 사용된 붉은 고추와 고추가루는 이미지일 뿐 실물이 아니다. 정교하게 만들어진 모형을 촬영한 것이나 디자인한 것일 수도 있지 않을까?   다양한 관찰 방법 - 여론 조사도 관찰이자 측정 매운 맛을 느끼는 정도는 개인차가 매우 크다. 단순하게 매운 맛이라고 표현하지만 고추의 매운 맛과 고추냉이(와사비)의 매운 맛은 다르며 산초도 다르다. 우리나라에서도 흔히 맛 볼 수 있는 중국음식인 마라탕은 초피, 팔각, 정향, 회향 등을 넣고 가열해서 향을 낸 기름을 사용한다. 이렇게 향을 낸 기름에 고춧가루와 두반장을 넣고 육수를 부은 다음 기호에 따라 야채, 고기, 버섯, 두부, 완자, 해산물 등을 원하는 대로 넣어 끓이는 음식으로, 혀가 마비되는 듯하게 저린 매운 맛을 내는 특징이 있다. 매운 맛은 그 강도 뿐 아니라 매운 맛의 종류까지도 구별해야 하는데, 이런 구별 없이 자극의 정도로만 매운 맛을 평가하는 것이 올바른 평가 방법인지 의문스럽기는 하다. 특정한 종류의 매운 맛에 익숙해지면 처음 매운 맛을 경험했을 때와는 다르게 혀의 감각이 둔감해져서, 그다지 자극이 크게 느껴지지 않는다.   ■ 기사의 상세 내용은 PDF로 제공됩니다.

산업 현장에서 활용할 수 있는 AWS IoT 서비스 (4)   지난 호에서는 AWS IoT 그린그래스(AWS IoT Greengrass)의 개념 및 활용 방법을 살펴보았다. 이번 호에서는 AWS IoT 그린그래스가 제공하는 주요한 5가지 기능에 대해 소개하고, 지난 호에 언급한 일종의 소프트웨어 모듈인 컴포넌트(component)의 개념 및 배포 방법에 대해 자세히 소개하도록 한다.   ■ 연재순서 제1회 AWS IoT를 활용한 스마트 공장의 구현 제2회 AWS IoT의 핵심 서비스, IoT 코어 제3회 AWS의 에지 컴퓨팅 서비스, IoT 그린그래스 Ⅰ 제4회 AWS의 에지 컴퓨팅 서비스, IoT 그린그래스 Ⅱ 제5회 산업용 데이터를 쉽게 수집하고 분석하게 해주는 AWS IoT 사이트와이즈 제6회 AWS 클라우드가 제공하는 디지털 트윈 솔루션, IoT 트윈메이커 Ⅰ 제7회 AWS 클라우드가 제공하는 디지털 트윈 솔루션, IoT 트윈메이커 Ⅱ   ■ 조상만 | AWS코리아에서 AWS 클라우드를 통해 제조 대기업의 디지털 트랜스포메이션을 기술적으로 돕는 역할을 담당하고 있다. 이메일 | smcho@amazon.com 홈페이지 | https://aws.amazon.com/ko   AWS IoT 그린그래스로 무엇을 할 수 있을까 대표적으로 AWS IoT 그린그래스를 적용할 수 있는 기능 사례로는 다음의 다섯 가지가 있다.   로컬 메시징 AWS IoT 그린그래스 서비스가 제공하는 기능 중 가장 많이 활용되는 기능으로, 로컬 환경에서 클라우드와 네트워크 연결이 단절되는 경우에도 로컬에 존재하는 디바이스 간 MQTT 메시지를 지속적으로 주고 받을 수 있는 기능을 제공한다. 클라우드와의 연결이 일시적으로 단절된 경우 AWS IoT 그린그래스 코어 디바이스가 일종의 게이트웨이 역할인 로컬 MQTT 메시지 브로커 역할을 수행하게 된다. 로컬 메시징 기능에 대한 설명은 <그림 1>에서 확인할 수 있다. <그림 1>의 아래쪽에 있는 2개의 개별 디바이스(Publisher & Subscriber)는 AWS의 IoT 코어 서비스를 통해 클라우드에 등록되었지만, 클라우드 연결 없이도 AWS IoT 그린그래스를 통해 디바이스 간 통신이 가능함을 보여주고 있다. 이러한 기능은 우리나라와 같이 통신 환경이 매우 우수한 경우에는 크게 의미가 없을 수 있다. 그러나 동남아 또는 중동과 같이 인터넷 상황이 열악한 환경에서 다수의 디바이스 연동이 필요한 비즈니스에는 오프라인 시나리오를 준비하는 데 매우 유용한 기능이다.   그림 1. AWS IoT 그린그래스 서비스의 로컬 메시징 기능   산업용 데이터의 수집 공장과 같은 산업용 설비 현장에서는 AWS IoT 그린그래스 코어 디바이스가 일종의 OPC-UA 클라이언트 역할을 하며, 산업용 업계 표준 통신 프로토콜인 OPC-UA를 통해 설비에서 발생하는 산업용 데이터를 클라우드로 수집한다. 만약 OPC-UA가 아닌 모드버스(Modbus)와 같은 또 다른 산업용 프로토콜로 연결된 장비로부터 데이터를 수집해야 한다면, 이러한 데이터를 수집할 수 있는 일종의 애플리케이션인 컴포넌트를 AWS IoT 그린그래스 코어 소프트웨어 위에 구현할 경우 클라우드로 데이터 수집이 가능하다.   데이터 스트림의 관리 기존에는 공장의 설비와 같은 디바이스로부터 수집되는 엄청나게 많은 데이터의 대부분을 클라우드에 업로드하여 분석을 시도하였으나, 실제로 상당수의 설비 데이터가 분석에 도움이 되지 못한다는 사실을 알게 되었다. 따라서 AWS IoT 그린그래스 코어 소프트웨어에서 제공하는 스트림 매니저 기능을 사용하여 로컬 AWS IoT 그린그래스 코어 디바이스에서 데이터에 대한 필터링을 수행함으로써, 높은 가치를 지니는 데이터만 클라우드로 전송하는 것이 가능하다. 이렇게 필터링된 데이터는 <그림 2>와 같이 AWS IoT 애널리틱스(AWS IoT Analytics), 아마존 키네시스 데이터 스트림(Amazon Kinesis Data Streams), AWS IoT 사이트와이즈(AWS IoT SiteWise), 아마존 S3(Amazon Simple Storage Service, Amazon S3) 등 AWS가 제공하는 데이터 분석 및 저장 서비스로 전송된다. <그림 2>는 스트림 매니저를 통한 AWS 클라우드로의 데이터 유입 아키텍처를 보여준다.   그림 2. AWS IoT 그린그래스의 스트림 매니저를 이용한 AWS 클라우드로의 데이터 전송   ■ 기사의 상세 내용은 PDF로 제공됩니다.

산업 현장에서 활용할 수 있는 AWS IoT 서비스 (3)   지난 호에서는 AWS IoT의 핵심 서비스인 AWS IoT 코어(AWS IoT Core)에 대하여 여러 관점에서 살펴보았다. 이번 호부터는 2회에 걸쳐 AWS의 에지 컴퓨팅 서비스인 AWS IoT 그린그래스(AWS IoT Greengrass)에 대해 자세히 소개할 예정이다. 우선 이번 호에서는 AWS IoT 그린그래스의 전반적인 개념 및 활용 방법에 대해 소개하도록 한다.   ■ 연재순서 제1회 AWS IoT를 활용한 스마트 공장의 구현 제2회 AWS IoT의 핵심 서비스, IoT 코어 제3회 AWS의 에지 컴퓨팅 서비스, IoT 그린그래스 Ⅰ 제4회 AWS의 에지 컴퓨팅 서비스, IoT 그린그래스 Ⅱ 제5회 산업용 데이터를 쉽게 수집하고 분석하게 해주는 AWS IoT 사이트와이즈 제6회 AWS 클라우드가 제공하는 디지털 트윈 솔루션, IoT 트윈메이커 Ⅰ 제7회 AWS 클라우드가 제공하는 디지털 트윈 솔루션, IoT 트윈메이커 Ⅱ   ■ 조상만 AWS코리아에서 AWS 클라우드를 통해 제조 대기업의 디지털 트랜스포메이션을 기술적으로 돕는 역할을 담당하고 있다. 이메일 | smcho@amazon.com 홈페이지 | https://aws.amazon.com/ko   에지 컴퓨팅은 무엇이며 왜 필요할까 데이터의 폭발적 증가와 함께, 이를 분석할 수 있는 다양한 분석 플랫폼과 고성능 하드웨어가 비약적으로 발전하고 있다. 이로 인해 수억 개 이상의 센서 및 산업용 장비와 같은 다양한 디바이스로부터 발생하는 엄청난 양의 데이터를 수집하고, 이를 통해 인사이트를 확보하여 비즈니스 의사 결정에 활용하고자 하는 기업들이 증가하고 있다. 이러한 일련의 작업을 위해서는 결국 대용량의 데이터 수집 및 분석이 필수적인데, 제조 기업 고객이 기존의 온프레미스 환경에서 이러한 분석 환경을 직접 구성하고 운영하는 것은 쉽지 않다. 따라서 AWS와 같은 CSP(Cloud Service Provider)라고 불리는 클라우드 업체에서 완전 관리형 서비스 형태로 제공하는 스토리지 및 다양한 분석 서비스를 활용하는 기업들이 늘어나고 있다. 이러한 방식의 전제 조건은, 클라우드 서비스를 이용하기 위해 분석 대상이 되는 모든 디바이스는 인터넷을 통해 클라우드와 연결되어야 한다는 것이다. 그러나 데이터를 생성하는 모든 디바이스가 인터넷에 연결되기란 현실적으로 불가능에 가깝다. 예를 들어, 사막 또는 우주와 같은 극한의 환경이나 매우 열악한 공장의 시설에서 작동하는 일부 장비의 경우 인터넷을 통해 클라우드에 연결되기란 사실상 매우 어렵다. 그렇다면 극한의 환경이나 열악한 환경에 위치하는 디바이스는 클라우드에서 제공하는 다양한 서비스를 사용하지 못할까? 대답은 그렇지 않다는 것이다. 바로 이러한 경우에 에지 컴퓨팅(edge computing)을 적용할 수 있다. 에지 컴퓨팅이란, 디바이스로부터 데이터가 발생하는 에지(로컬 환경)에서 처리하는 컴퓨팅을 의미하며, 인터넷 연결이 필수인 기존의 클라우드 컴퓨팅과는 상반되는 개념이다. 즉 클라우드 컴퓨팅이 인터넷을 통해 모든 데이터가 클라우드로 연결되어 처리되는 집중 형 방식의 컴퓨팅 환경이라면, 에지 컴퓨팅은 데이터가 발생하는 에지 영역에서 자체 처리하는 분산형 컴퓨팅을 의미한다. 즉, 데이터를 발생시키는 디바이스 근처에서 인터넷 연결 없이 사용할 수 있는, 일종의 작은 클라우드 역할을 담당한다고 볼 수 있다. 이 글에서는 편의상 에지와 로컬을 같은 개념으로 혼용하여 사용하도록 한다. 앞서 설명한 바와 같이, 많은 경우 디바이스에서 생성된 데이터는 분석을 위해 네트워크를 통해 클라우드로 전송되어야 하지만, 때로는 에지 환경에서 생성된 데이터가 클라우드로 전송되지 않고 로컬에서 자체적으로 처리되어야 하는 경우가 있다. 이러한 필요성은 일반적으로 세 가지 관점에서 이야기할 수 있다.   그림 1. 에지 컴퓨팅이 필요한 세 가지 이유     ■ 자세한 기사 내용은 PDF로 제공됩니다.

이미지 정보의 취득, 분석 및 활용 (7)   지난 호에서는 에너지의 개념과 에너지의 기준 단위인 1 줄(J)의 정의에 관해서 소개하고 에너지(energy), 일(work), 힘(force), 동력(power) 사이의 관계를 살펴보고 ‘에너지 측정’ 및 에너지의 각종 단위 간의 환산방법 등을 정리하여 소개하였다. 아울러 에너지 변환 방식 및 에너지 변환 효율 등에 관해서도 소개하였다. 이번 호에서는 정적 측정(static measurement)과 동적 측정(dynamic measurement)에 관해서 생각해 보고자 한다. 이번 호의 내용이 이미지 정보의 취득, 분석 및 활용을 전제로 소개하고 있으므로, 시각적으로 인식할 수 있는 이미지를 바탕으로 한 정적 측정과 동적 측정시의 문제점과 주의해야 할 점에 관해서 살펴 본다.   ■ 연재순서 제1회 측정의 목적(호기심, 정보 수집) 제2회 단위(비교의 기준) 제3회 길이 측정 제4회 무게 측정 제5회 시간 측정 제6회 에너지 측정 제7회 정적 측정과 동적 측정 제8회 측정 결과의 분석 제9회 분석 결과의 활용 제10회 제어(수동, 자동, 반자동, 학습형) 제11회 정보의 가시화 제12회 입체 이미지 정보의 유혹과 과제   ■ 유우식 미국 웨이퍼마스터스(WaferMasters)의 사장 겸 CTO이다. 동국대학교 전자공학과, 일본 교토대학 대학원과 미국 브라운대학교를 거쳐 미국 내 다수의 반도체 재료 및 생산설 비분야 기업에서 반도체를 포함한 전자재료, 공정, 물성, 소재분석, 이미지 해석 및 프로그램 개발과 관련한 연구를 진행하고 있다. 일본 오사카대학 대학원 공학연구과 공동연구원, 경북대학교 인문학술원 객원연구원, 국민대학교 산림과학연구소 연구원, 문화유산 회복재단 학술위원이다. 이메일| woosik.yoo@wafermasters.com 홈페이지 | www.wafermasters.com   잔상 잔상(afterimage)은 시각적 외부자극이 사라진 뒤에도 감각 경험이 지속되어 나타나는 현상이다. 촛불을 한참 바라본 뒤에 눈을 감아도 그 촛불의 상이 나타나는 현상 등이다. 눈의 망막을 통해 이미지를 전달받으면 사물이 시야에서 사라져도 뇌에 그 이미지가 잔상으로 잠시 지속된다. 시각적 자극은 이미 눈앞에서 사라졌지만 여전히 시각적 자극이 존재하는 것처럼 느끼게 된다. 강한 빛이나 색상을 접하면 이러한 현상은 더 두드러지게 나타난다. 어떤 밝은 빛을 보다가 다른 곳이나 흰색 종이나 천으로 눈을 돌리면 앞서 보았던 색의 보색(complementary color)이 순간적으로 나타나는 느낌이 든다. 의사가 수술실에서 강한 조명 아래서 붉은 피를 보다가 의사의 흰 가운을 보면 초록색의 잔상이 남게 된다. 이러한 보색잔상(complementary afterimage) 효과를 줄이기 위하여 의사의 수술복은 초록색으로 디자인된 것이다. 번개는 구름과 구름, 구름과 대지 사이에서 고전압으로 대전된 정전기가 방전되면서 순식간에 일어나는 현상이다. 강한 번개가 치면 오랫동안 밝게 빛나는 것 같은 느낌을 받는다. 매우 짧은 시 간에 일어나는 방전 현상임에도 불구하고 잔상 때문에 상당히 긴 시간 동안 번개가 지속된 것으로 느끼게 된다. 강한 번개로 섬광의 밝기가 매우 밝은 경우 잔상도 오래 간다. 육안으로는 실제로 번개가 어떻게 방전이 시작되어 어떻게 끝났는지를 확인하는 것은 쉽지 않다. 다만 번개가 가지를 치면서 밝은 빛이 하늘에서 지상으로 이동하는 것을 기억하는 정도에 그치고 만다.   그림 1. 낙뢰를 2만 5000 FPS(40 ㎲ 간격)로 고속 촬영한 사진   <그림 1>에 2만 5000 FPS(frames per second), 즉 1초에 2만 5000장의 속도로 고속촬영한 번개의 사진을 시간 순서대로 예시하였다. 처음에는 구름 사이에서 작은 불꽃으로 시작된 것이 점점 가지를 치면서 지상으로 내려가가다 120 ㎲(1만 분의 1.2초) 후에 최대의 방전이 발생하고, 이후에는 남아 있는 정전기가 방전을 일으킨 경로로 에너지를 소진하는 형태로 마무리짓는 것을 확 인할 수 있다. 고속 촬영 장치의 도움 없이 이렇게 시시각각 진행되는 과정을 관찰할 수는 없다. 그렇다고 잔상이 꼭 나쁜 것도 아니다. 잔상이 없다면 영화도, TV도, 애니메이션도, 컴퓨터 화면도 단지 조잡하고 우스꽝스런 행위예술에 지나지 않았을 것이다. 불행인지 다행인지 우리 눈은 시각적 자극에 잘 속아주기도 하고, 산업계에서는 우리 눈을 속이는 방법을 활용하여 콘텐츠를 만들어 잘 속아주는 우리를 대상으로 상업화에 열을 올리고 있다. 영화의 경우 대개 24 FPS이다. 최신의 TV에서는 화면을 업데이트하는 비율(refresh rate)을 60 Hz(초당 60회) 또는 120 Hz(초당 120회)까지 할 수 있도록 설계되어 있다. 동영상이 부드럽고 자연스러워 보이도록 하기 위함이다. 이러한 점에서 보면 눈에 보이는 것이 사실이라고 믿는 것도 매우 위험한 일임을 쉽게 이해할 수 있을 것이다. 시각적 이미지를 바탕으로 판단하는데 어떠한 문제점들이 있으며, 어떠한 점에 주의해야 하는지 살펴보도록 하자.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

전 세계에서 생성되는 데이터는 기하급수적으로 증가하고 있으며 2026년에는 그 크기가 221ZB(제타바이트)에 달할 것으로 예상된다. 디지털 경제에서 데이터가 차지하는 의미가 큰 데 반해 데이터 백업 플랫폼은 그 수요를 따라잡지 못하고 있다. 데이터가 온프레미스, 클라우드, 최종 사용자 디바이스 등 점점 더 다양한 인프라에 분산되면서 각 환경마다 다른 백업 도구가 필요한 기존의 접근 방식으로는 성공적인 데이터 백업을 보장하기가 점점 더 어려워지고 있다. 전 세계 기업의 IT 의사결정자 4,000명을 대상으로 한 설문조사에 따르면 백업 작업의 37%, 복원 작업의 34%가 실패하는 것으로 나타나 성공적인 데이터 백업의 필요성이 화두에 오르고 있다. 대용량 데이터 스토리지 분야에서 40년 이상의 전문성을 갖춘 씨게이트는 우발적인 데이터 손실이나 악의적인 사이버 공격으로부터 데이터를 보호하는 동시에 데이터 활용, 확장성 및 이동성을 촉진할 수 있도록 포괄적인 백업 전략과 솔루션과 통합된 도구 교육을 제공해 왔다. 씨게이트는 스타트업부터 포춘 500대 기업에 이르는 다양한 기업과 협업하여 클라우드와 온프레미스 백업 기술을 결합해 환경, 데이터셋, 애플리케이션 및 사용자를 데이터 손실 및 다운타임으로부터 안전하게 보호하고 있다.  씨게이트는 하이브리드 클라우드 등을 사용해 내부 시스템에서 클라우드 스토리지로 데이터를 복사하는 것을 권장한다. 하이브리드 방식에서는 클라우드 백업의 이점을 온프레미스 백업에 통합할 수 있어 상호 보완이 가능하다. 클라우드 기반 솔루션을 활용하면 멀티클라우드 환경을 위한 S3 통합 서비스형 스토리지, 완전 관리형 데이터 마이그레이션 서비스, 엣지-클라우드 간 원활한 데이터 전송 등으로 통합의 폭을 넓힐 수 있다. 또한, 클라우드 백업은 보조 데이터셋을 원격으로 저장하고 또 다른 미디어로 사용하며 기본 백업 및 아카이브 위치를 제공하고 분산된 백업을 통합하는 장소로 활용될 수 있어, 데이터 접근성을 높이고 수동 개입을 줄일 수 있다.   씨게이트는 효과적인 백업을 위해 다양한 솔루션 및 제품을 선보이고 있으며, 그 중 라이브 클라우드(Lyve™ Cloud)는 기존 멀티 클라우드 환경을 보완하도록 설계된 S3 호환 스토리지형 클라우드로 백업을 개선하는 새로운 방법을 제공한다. 라이브 클라우드는 대규모 비정형 데이터셋의 가치를 최대한 실현할 수 있도록 설계되어 언제나 접근 가능한 대용량 데이터 저장 및 활성화를 지원한다.  씨게이트는 이외에도 스토리지 시스템과 이레이저 코딩 및 드라이브 장애 방지 기능이 탑재된 자체 암호화 드라이브를 비롯한 하드웨어 솔루션도 제공한다. 특히 씨게이트 하드웨어 솔루션은 데이터 보호 및 빠른 재구축을 위해 특별히 설계된 RAID 또는 JBOD 기반 스토리지 어레이를 제공한다. 씨게이트 엔터프라이즈 시스템은 원활한 통합을 통한 백업을 수행하며, 코볼트(CORVAULT™)와 같은 자가 복구 및 자가 관리 스토리지를 지원하거나 확장형 선반(Expansion Shelves) 및 JBOD와 같은 아키텍처의 다양성 및 비용 최적화를 지원한다. 코볼트는 데이터 관리를 간소화하고 매크로 엣지 및 데이터 센터에서 관리 개입을 최소화할 수 있도록 설계된 지능형 대용량 스토리지로 데이터 보호 및 자동 드라이브 복구 기능이 특징이다. 뿐만 아니라, 개인 사용자의 스토리지 백업을 위한 제품 역시 다양하게 제공한다. 개인의 효과적인 백업을 위해서는 드라이브의 용량, 스타일, 휴대성을 고려해야 하는데, 이를 위해서는 작고 세련된 디자인의 씨게이트 원터치 HDD와 SDD 제품이나, 암호 보호 기능을 갖추고 최대 20TB의 대용량을 지원하는 원터치 허브가 좋은 선택이 될 수 있다.  90% 이상의 업계 최고 수준 데이터 복구 성공률을 자랑하는 씨게이트 레스큐 데이터 복구 서비스는 대부분의 드라이브에서 최소 3년 동안 무상으로 제공되어, 사용자는 데이터 백업에 더해 데이터 손실이나 손상시를 대비해 더욱 안심하고 사용할 수 있다.    

목적에 맞는 3D 프린팅 기술과 소재의 활용 사례   하나의 제품을 만들기 위해서는 여러 가지 3D 프린터 기술과 소재가 목적에 맞게 사용되어야 한다. 적합한 소재와 기술의 선택이 전체 제품의 품질과 성능에 영향을 미치기 때문이다. 이번 호에서는 VR 헤드셋의 구성 파트를 제작한 사례를 통해 다양한 3D 프린터와 소재의 특성 및 용도에 대해 살펴본다.   ■ 조안기 3D 시스템즈에서 application engineer 팀장을 맡고 있다. 이메일 | anki.jo@3dsystems.com 홈페이지 | https://ko.3dsystems.com   VR 헤드셋(Virtual Reality headset)은 가상 현실(Virtual Reality)을 경험할 수 있는 장치이다. 이 헤드셋은 눈을 가리고 있고, 두 개의 렌즈를 포함하고 있어 사용자에게 새로운 시각적 경험을 제공한다. 또한 이 장치는 사용자의 머리 움직임을 감지하여, 사용자가 둘러보는 방향과 같은 정보를 가상 현실 시스템에 보내고 현실감 있는 경험을 제공한다. VR 헤드셋은 대개 컴퓨터나 게임 콘솔 등과 연결하여 사용한다. VR 게임, 영상, 교육 등 다양한 분야에서 활용되고 있으며, 증강 현실(Augmented Reality)이나 혼합 현실(Mixed Reality)도 구현할 수 있다. 최근에는 더 나은 그래픽과 편의성을 제공하는 새로운 모델들이 출시되고 있어, VR 기술이 더욱 진보하고 있다. 3D 프린터를 이용한 VR 개발 방식은 주로 하드웨어 부품을 만드는 데에 활용된다. 이를 통해 VR 헤드셋을 비롯한 다양한 VR 장비의 부품을 제작할 수 있다. 예를 들어, VR 컨트롤러의 경우에는 3D 프린터를 사용하여 컨트롤러의 외관을 만들거나, 컨트롤러 내부에 들어가는 센서나 전자 부품을 담을 수 있는 케이스 등을 만들어 사용할 수 있다. 또한, VR 헤드셋의 일부 부품이 고장이 났을 때 이를 교체하기 위해 3D 프린터를 활용할 수도 있다. 예를 들어, 헤드셋 스트랩이 부러졌을 경우, 3D 프린터로 새로운 스트랩을 만들어 교체할 수 있다. 이처럼 3D 프린터를 활용하여 VR 장비의 부품을 제작하면, 개발 비용을 줄일 수 있고, 부품을 빠르게 제작하여 장비의 수리나 개조 등을 수월하게 할 수 있다. 또한, 커스터마이징이 가능하기 때문에, 사용자가 원하는 디자인이나 기능을 가진 부품을 만들어 사용할 수 있다.   그림 1   <그림 1>의 VR의 헤드셋은 각각의 파트를 3D 시스템즈의 다양한 기술 및 소재를 활용해 3D 프린터로 제작한 후 조립되어 완성된 모습을 보여준다. 이 VR 헤드셋은 총 11개의 파트로 구성되어 있으며, 여기에는 SLA, SLS, DLP, MJP의 프린팅 기술이 사용되었고 각 파트의 목적에 맞는 소재가 사용되었다.   그림 2   미적인 커버 피겨 4(Figure 4) 프린터는 DLP 방식의 빠른 출력 속도를 제공하며, Rigid White 소재는 백색의 심미적인 아름다움과 다양한 디지털 텍스처를 테스트할 수 있다. 또한 장기 실외 사용에도 안정된 소재이다.   그림 3   그림 4   <그림 5>는 같은 Figure 4 프린터에서 PRO BLK 10 소재를 이용하여 다른 종류의 디지털 패턴을 출력해 본 결과물이다. 흰색과 다르게 검은색이 주는 또 다른 매력이 있다.   그림 5   ■ 자세한 기사 내용은 PDF로 제공됩니다.