데이터가 새로운 오일인 경우 정제업체는 누구입니까?

엔터프라이즈 팀의 경우 데이터는 모든 곳에서 비즈니스 목표를 추진하기 위해 잠금 해제되기를 기다리고 있는 것처럼 보입니다. 우리는 최근 Nokia의 주요 IoT 권위자 중 두 명과 함께 IoT 시장 개발 이사인 Marc Jadoul, 분석 전략 책임자인 Denny Lee와 함께 회사의 데이터가 어떻게 발전할 수 있는지에 대해 이야기했습니다.

읽기: 그래서 "데이터는 새로운 석유다"라는 표현은 제가 컨퍼런스에서 여러 번 들었고 제기한 내용입니다. 하지만 문제는 기름이 연료가 될 수 있고 또한 윤활유가 될 수도 있다는 것입니다. 여러분의 생각에는 이것이 무엇을 의미합니까?

마크 자둘: 내가 보는 방식은 가치의 관점에서입니다. 원유 1배럴의 가격과 항공유 1배럴의 가격을 비교한다면 상당한 차이가 있습니다. 석유와 같은 데이터도 유사한 정제 과정을 거칠 수 있고 또 거쳐야 합니다.

더 세련될수록 더 많은 가치를 제공할 수 있습니다. 연료처럼 더 정교한 애플리케이션을 지원할 것이기 때문입니다. 이에 대해 생각하는 또 다른 방법은 피라미드와 같습니다. 피라미드의 맨 아래에서 시작하는 경우 기본적으로 센서 수준에서 원시 데이터를 수집하는 것입니다. 다음 단계에서 이 데이터를 모니터링하고 여기에 포함된 내용을 찾기 시작합니다. 귀하는 일부 이상 현상이나 추세를 발견하게 될 것이고, 분석을 기반으로 DDDM(Data Driven Decision Making)이라는 더 나은 의사 결정을 추진하는 회사의 가치를 창출하는 데 도움이 되는 중요한 정보를 발견할 수 있습니다.

그런 다음 인지 분석을 기반으로 하는 일종의 학습 단계에서 이러한 의사 결정을 수행하면 의사 결정을 도울 뿐만 아니라 행동을 예측할 수 있습니다. 행동을 예측할 수 있다면 가장 정제된 데이터의 시점에 도달한 것입니다. 여기서 데이터는 기계와 애플리케이션이 자율적인 결정을 내리는 데 도움이 되도록 지식으로 변환될 만큼 순수합니다.

내가 설명한 것은 데이터가 통찰력과 지식을 제공하여 기업이 더 나은 결정을 내리고 궁극적으로 일부 프로세스와 의사 결정을 자동화하는 데 도움이 되는 가치 사슬입니다. 저는 윤활유 기능에 대한 은유가 아니라 석유 산업과 평행을 이루고 있습니다(웃음 ), 그러나 정제 과정에 비해. 더 다듬을수록 더 유용해지고 더 많은 가치를 얻을 수 있습니다.

데니 리: 사람들이 새로운 석유 문구를 사용할 때 저는 항상 1970년대를 생각합니다. 석유를 통제할 때 경제를 통제할 수 있습니다. "데이터는 새로운 석유"라고 말할 때 이러한 유사성에 뿌리를 두고 있다고 생각합니다. 데이터는 새로운 석유라는 의미이기도 합니다. 또한 이러한 통제력을 확보할 수 있다면 해당 경제와 해당 부문을 더 잘 지휘할 수 있다는 의미이기도 합니다.

그 용어를 들으면 "데이터가 통화"라는 생각이 다시 떠오릅니다. 데이터는 그 형태가 매우 원시적이며 사람들은 종종 이 용어를 상당히 느슨하게 사용합니다. 어떤 사람들은 데이터, 통찰력 및 인텔리전스가 모두 동일한 것을 참조한다고 생각할 수 있습니다. 그러나 사실, 우리는 실제로 이것들을 상당히 구별합니다. 궁극적으로 우리는 데이터가 원재료이며 통찰력으로 이어지는 데이터를 처리하기를 원합니다. 통찰력과 인텔리전스가 비즈니스에 필요한 것입니다. 이 인텔리전스를 실행 가능한 비즈니스 목적으로 활용하는 방법에 대해서는 나중에 이야기하겠습니다.

RW: 따라서 고객과 함께 조직 내에서 데이터 기반 혁신을 구상하도록 하는 방법에 대해 논의할 때 고객이 가장 먼저 알아야 할 사항, 가장 먼저 물어야 할 사항은 무엇입니까?

엠제이: 그들이 해야 할 첫 번째 일은 자신의 비즈니스와 그들이 해결하고자 하는 도전과 문제를 이해하는 것이라고 생각합니다. 오히려 그들의 해결책에 대한 문제를 찾으려고 노력합니다. Simon Sinek의 말을 인용하면 "왜?"로 시작해야 합니다. 대신 "어떻게?" 또는 "무엇?" 질문입니다.

DL: 비즈니스 결과는 분명히 한 가지이지만 그 전에 조직에서 누구와 이야기하고 있는지 질문해야 합니다. 각자 다른 조직적 경계나 책임 영역을 갖게 되어 다양한 질문을 받게 됩니다.

예를 들어, CEO와 이야기하고 있다면 그의 샌드박스는 거대합니다. 반면에 조직의 고유한 영역이 매우 정의되어 있는 고립된 부분과 이야기할 수 있습니다. 그런 다음 그들의 비즈니스 컨텍스트와 궁극적으로 원하는 비즈니스 결과를 이해해야 합니다. 그런 다음 거꾸로 작업하여 "좋아, 실제로 어떤 종류의 데이터가 있습니까?"라고 말합니다. 문제를 솔루션에 연결하려고 합니다. 분명히 분석 컨텍스트에 대해 이야기할 때 비즈니스 결과를 이끌어낼 수 있는 지점까지 데이터를 처리하는 것입니다.

그런 다음 결국 조직 경계를 넘는 것에 대해 이야기해야 합니다. 이것은 우리가 놓치지 말아야 할 매우 중요한 포인트입니다. 때때로 정보의 덩어리는 조직 간의 장벽을 허물어야만 얻을 수 있습니다.

RW: 당신은 CEO의 입장에서 일할 더 큰 샌드박스가 있다고 말했지만, 내가 IoT를 중심으로 일종의 데이터 기반 솔루션을 구현하려고 하는 다른 사람들과 이야기할 때, 조직은 조직 내부에 문제가 있다는 사실을 실제로 아는 사람의 핵심인 경우가 많습니다. 일반적인 조직 챔피언의 모습과 조직 전체에서 이러한 목표를 지향하는 방법에 대해 말씀해 주시겠습니까?

DL: IoT 맥락에서 조직은 종종 두 영역으로 나눌 수 있습니다. 운영 기술(OT) 측과 정보 기술(IT) 측. OT 측면에서 솔루션은 회사의 인프라를 제어하는 ​​사람을 대상으로 할 수 있습니다. 해당 그룹 내에서 대화하는 사람에 따라 필요한 것이 다릅니다.

예측 유지 관리에 중점을 둔 고객을 예로 들어 보겠습니다. 이 경우 유지 관리에 집중하고 유지 관리 주기를 지원하고 기계 가동 중단을 최소화하기 위해 빅 데이터 및 기계 학습을 사용할 수 있는 예산만 있을 수 있습니다. 이것은 특정 목적을 가진 매우 좁은 사용 사례입니다. 그러나 관리자에게 이야기하면 해결하려는 문제의 범위와 맥락이 훨씬 더 광범위하고 조직의 경계를 넘을 수 있습니다.

엠제이: 조직의 다른 부분을 살펴봄으로써 이 견해를 보완하고 싶습니다. 올바른 결정을 내리기 위해 분석이 필요한 리더 외에도 여러 조직에서 데이터 분석가의 역할이 중요해지고 있다고 생각합니다. 이 전문가들은 데이터를 처리하는 방법을 알고 있습니다. 또는 이전에 사용한 은유를 사용하여 정제 프로세스를 제어합니다. 여기서 우리는 전통적인 IT 사람들이 가지고 있는 것과 다른 기술 세트에 대해 이야기하고 있습니다. 제 학력은 컴퓨터 공학이고 20년 전 컴퓨터 공학 교육의 기초는 수학이었습니다. 5-10년 후 커리큘럼을 살펴보았을 때 강조점은 알고리즘과 프로그래밍 언어로 바뀌었습니다. 오늘 제 아들은 인공 지능 박사 과정을 밟고 있으며 이 학생들은 다시 수학 및 통계에 대한 이해도가 매우 높아야 합니다. 그리고 데이터 과학자는 기업의 비즈니스 결정을 지원해야 하므로 높은 수준의 도메인 지식과 비즈니스 통찰력도 있어야 한다는 사실을 잊지 마십시오.

RW: 그래서 한 바퀴 도는 거죠?

엠제이: 원시 컴퓨터 데이터와 숫자 크런칭을 사용하여 데이터를 처리할 수 없는 가장 복잡한 문제가 있습니다. 의미 있는 것과 의미 없는 것을 알기 위해서는 도메인 지식이 정말 필요합니다. 그리고 이들은 Denny가 설명한 것처럼 내부 의사 결정자를 지원하는 역할을 하기 때문에 조직에서 이를 실현하는 사람들입니다.

RW: 우리는 당신이 가지고 있거나 분석할 수 있는 방대한 양의 데이터에 대한 많은 IoT 솔루션을 봅니다. 따라서 어느 정도까지는 사내에 데이터 지식이 있으면 훌륭하지만 그렇지 않은 경우 고객을 압도하고 너무 많은 데이터 옵션을 제공할 위험이 있습니다. 고객이 실제로 사내에 그 재능을 필요로 할까요?

엠제이: 물론 구축하려는 솔루션의 종류에 따라 다릅니다. 그리고 일부 데이터에 대한 필터링 및 임계값 설정을 수행할 수 있는 곳, 예를 들어 냉장 시설에 온도 센서가 있는 경우 실제로 파악하려는 유일한 데이터는 예외 또는 이상 사항입니다. 왜냐하면 모든 것이 정상이라면 그곳에서 방대한 양의 일반 데이터에 압도될 필요가 없습니다. 따라서 중요한 것은 지능적인 데이터 수집을 수행하고 필터링을 시도하고 가능한 한 빨리 숫자를 사전 분석하고 크런치하는 것입니다. 데이터가 생성되는 장치에 최대한 가깝게 정제 프로세스를 시작합니다.

DL: 우리의 생각을 여러분과 공유하겠습니다. 이는 IoT에도 적용됩니다. 간단히 말해서 우리가 데이터 인텔리전스를 바라보는 방식은 인간의 두뇌와 유사합니다. 우리는 실제로 인텔리전스 스택의 개념을 주도하고 있습니다. 자신의 두뇌로 생각해보면 반응속도가 더 빠르고 자율적인 것들이 있다. 이 계층에서 환경 데이터를 처리하지만 범위가 좁습니다. 이제 사물인터넷과의 유사성을 그려보자. 상황이 자체적으로 진행되고 있으며 피드백 조정이 필요할 때 자율적인 로컬 결정을 내립니다.

다음 계층에서는 중간 정도의 응답 시간 조치가 있을 수 있으며 다소 자율적입니다. 그리고 우리가 증강 지능이라고 부르는 상위 계층이 있습니다. 그것은 인간을 돕는 역할을 합니다. 최상위 계층에서 여전히 인간 관리자이기 때문입니다. 인간 경영진은 장기적인 정책 변경을 수행합니다. 그리고 그 증강 계층은 소프트웨어의 최상위 계층으로 인간이 더 좋고 다양하며 장기적인 조정을 할 수 있도록 숨겨진 통찰력을 발견합니다.

따라서 이러한 서로 다른 레이어를 스택의 일부로 생각한다면 IoT 컨텍스트에서 생각해도 공장 수준에서 말합니다. . 위로 올라갈수록 더 인간적입니다. 소프트웨어는 인간이 더 나은 판단을 내릴 수 있도록 통찰력을 발견하는 측면에서 더 큰 역할을 합니다.

엠제이: 흥미로운 점은 이것이 인프라 수준에서도 반영된다는 것입니다. 에지 클라우드 또는 다중 액세스 에지 컴퓨팅 또는 MEC에 대해 들어본 적이 있을 것입니다. 여기서 실제로 데이터 처리의 일부를 소스에 최대한 가깝게 수행할 것입니다. 그 이유는 두 가지입니다. 첫째, 네트워크의 대기 시간을 줄이고 의사 결정에 소요되는 시간을 줄이기를 원합니다. 둘째, 클라우드의 핵심을 통해 이러한 방대한 양의 데이터를 모두 트롬본하고 싶지 않습니다. 당신은 당신의 사용자와 의사결정자가 진짜 유용한 것만 다루기를 원합니다. 에지컴퓨팅을 설명해야 할 때 가끔 역 CDN(콘텐츠 전송 네트워크)이라고 설명합니다.

몇 년 전 주문형 비디오와 라이브 스트리밍이 대중화되었을 때 우리가 한 일을 살펴보십시오. 우리는 갑자기 각 사용자에게 개별 스트림과 가능한 대기 시간을 제공하기에 충분한 대역폭이 없을 수 있다는 문제에 직면했습니다. 그래서 우리는 캐싱 서버를 우리가 가장 인기 있는 콘텐츠를 배치하고 빨리 감기 및 뒤로, 콘텐츠 적응과 같은 일부 로컬 콘텐츠 탐색 및 처리를 수행할 수 있는 최종 사용자 가까이에 배치했습니다. 이것이 다운스트림 스토리지 및 컴퓨팅 리소스 최적화였습니다. 그리고 오늘날 우리는 이러한 캐싱 및 최적화 서비스로 많은 돈을 벌고 있는 Akamai와 같은 인터넷 플레이어를 보유하고 있습니다.

이제 사물 인터넷을 보면 문제는 비디오처럼 다운스트림 데이터의 양이 아니라 데이터 소스의 수와 업스트림 데이터의 양에 있습니다. 방대한 양의 데이터 레코드를 생성하는 수많은 IoT 장치가 있고 실제로 하려는 것은 데이터를 수집하기 위해 소스에 가까운 일종의 업스트림 캐싱 서비스에 넣는 것이기 때문에 낮은 수준의 분석을 수행하고 석유 산업의 비유를 다시 한 번 사용하기 위해 추가 처리 및 추가 정제를 위해 클라우드 아래로 의미 있는 정보만 보내야 합니다. 따라서 에지 컴퓨팅은 동일한 종류의 기능을 제공하지만 다른 아키텍처를 사용하고 다른 방향의 흐름에서 작동하기 때문에 종종 일종의 "역 CDN"이라고 부릅니다.

RW: 좋아, 그래서 우리는 어떤 종류의 프로젝트에 투자하고 싶어하는 사람이 있습니다. 일반적으로 누군가는 비용 절감이나 새로운 수익원을 가지고 있다고 생각하지만 그렇지 않은 경우가 더 많다고 생각합니다. 대부분의 조직에서 항상 호소력이 있는 비용 절감 또는 효율성에 의해 주도됩니다. 데이터 기반 프로세스의 예를 들어 각각의 예와 같이 비용 절감뿐만 아니라 의사 결정 경로도 얻을 수 있습니까?

엠제이: 비디오 분석 솔루션으로 우리가 하고 있는 일부터 시작할 수 있습니다. 이것은 예를 들어 스트리밍되는 방대한 양의 데이터를 사용하는 애플리케이션의 예입니다. 폐쇄 회로 비디오 감시 카메라.

도시에는 수많은 라이브 비디오 스트림을 생성하는 수백 또는 수천 대의 카메라가 있습니다. 일반적으로 모든 화면을 동시에 볼 수 있는 직원이 충분하지 않습니다. 사람들이 이러한 모든 비디오 스트림을 연중무휴로 시청하도록 하는 것은 비용이 많이 들고 비효율적이기 때문입니다. 따라서 Nokia의 솔루션은 이러한 비디오를 분석하고 이상을 찾는 것입니다. 잘못된 방향으로 운전하는 자동차, 공항의 혼란, 비정상적인 움직임을 만드는 일부 사람 또는 물체와 같은 많은 사용 사례가 있습니다. 우리가 실제로 하고 있는 것은 이러한 비디오 데이터를 수집하고 특정 상황을 인식하고 이상을 감지하는 여러 알고리즘을 통해 처리되는 정제 체인에 넣는 것입니다. 여기에 AI 기능을 추가하면 시스템이 자가 학습이 되며 비정상적인 모든 종류의 "발생"을 식별, 경고 및 예측할 수 있습니다. 이는 의사 결정에 도움이 되지만 동시에 도시와 보안 회사는 소수의 인원만 필요로 하기 때문에 막대한 비용 절감 효과도 있습니다. 분석 기술은 실제로 이러한 종류의 비디오 감시 솔루션을 가능하고 저렴하게 만들고 있습니다.

RW: 맞습니다. 사람의 눈은 확장성이 좋지 않습니다.

엠제이: 맞아요, 사람의 눈은 확장성이 좋지 않아서 이 CCTV 영상 콘텐츠의 99.99%는 관심이 필요하지 않을 것입니다. 따라서 가능한 한 소스에 가깝게 데이터를 필터링하는 방법을 배우고 관련 항목만 계속 작업해야 합니다.

DL: Trevor님, 몇 가지 예도 보여 드리겠습니다. 첫 번째 그룹은 보다 빠른 해결을 위한 그룹이 될 것입니다. 예를 들어 예측 유지 관리, 관리 에이전트에게 워크플로 작업을 권장하는 예측 치료 영역 아래의 "Next Best Action", 자동화된 근본 원인 분석이 있습니다. 이러한 예제 사용 사례는 이전에 수동으로 수행되었습니다. 몇 가지 결함이 발생할 때까지 기다렸다가 살펴봅니다. 자동화 및 예측; 대신 일부 머신 러닝 솔루션은 잠재적인 오류 발생을 미리 예측할 수 있으며 사후 문제를 해결하기 위해 비용이 많이 드는 유지 관리 작업을 최소화할 수 있습니다.

또 다른 예는 인공 지능을 사용하는 고객 중심 범주에 속합니다. 많은 고객들이 이 주제에 관심을 가지고 있습니다. 왜냐하면 결국 경쟁업체도 최대한 최종 고객을 달래기 위해 노력하고 있다는 사실을 인식하기 때문입니다. 그리고 그것을 가장 잘 할 수 있는 사람이 그날 승리합니다. 따라서 고객 경험을 감사하고 이해하며 이를 예측하고 고객의 요구에 대응할 수 있는 능력은 빅 데이터 분석 솔루션의 중요한 측면이 될 것입니다. 예를 들어, 네트워킹 솔루션 제공업체 및 운영자의 맥락에서 혼잡이 발생할 것임을 미리 알고 이에 대응하는 것이 중요합니다. 잘 관리되지만 성능이 저하되는 것이 특정 상황에서 서비스를 전혀 제공하지 않는 것보다 나을 수 있습니다. 따라서 고객 중심의 문제를 앞서 나가는 것도 AI 응용 프로그램의 한 형태입니다. 고객의 경험을 이해하고 그에 따라 행동합니다. 세 번째는 IoT 기업 운영자의 고위 경영진과 정책 소유자에게 어필하는 증강 현실 사용 사례입니다.

또 다른 종류의 문제는 "최적화" 범주에 해당합니다. 일련의 비즈니스 결과를 보면 문제를 최적화 문제로 설정할 수 있습니다. 이것은 제 샌드박스이고, 여기에는 원시 데이터와 KPI가 있으며, 이것이 제가 목표로 최적화하고자 하는 것입니다. 그런 다음 시스템을 최적화하도록 설정할 수 있습니다. 이것은 조직의 사일로를 무너뜨리고 조직이 고립되어 있을 때 이전에는 발견할 수 없었던 특정 결과를 최적화할 수 있는 기회를 갖게 되는 시점과 관련이 있습니다. 이러한 유형의 정보는 조직의 경영진과 정책 소유자에게 더 매력적입니다.

이 기사는 Nokia와 협력하여 작성되었습니다. Nokia 팀이 전문적인 조언을 제공하고 데이터 분석, 보안 및 IoT 플랫폼에 대해 자세히 알아볼 일련의 기사 중 일부입니다.