생성형 AI 기반의 기술은 산업과 지역에 걸쳐 엄청난 잠재력을 지니고 있으며, 기존의 머신러닝 알고리즘이나 신경망으로는 그 폭과 깊이에서 따라잡기 어려운 기능을 제공합니다. 이와 같은 이유로 최근 제조기업도 생성형 AI 솔루션을 적극적으로 평가하고 도입하고 있습니다. IDC의 ‘GenAI ARC Survey 2023’에 따르면, 조사에 참여한 유럽 기업의 약 30%가 이미 생성형 AI에 상당한 투자를 했으며, 교육, 생성형 AI 기반 소프트웨어 구매 및 컨설팅에 대한 지출을 계획하고 있는 것으로 나타났습니다.

 

이는 제조산업에서 생성형 AI 기반 툴 및 솔루션 도입이 꾸준히 증가하고 있음을 나타냅니다. 하지만 AI를 도입할 때 기업이 직면하는 과제는 다름 아닌 ‘데이터 통합’입니다. 오늘은 ‘데이터 통합’을 주제로 제조업의 AI 도입에 대해 알아보고자 합니다.

 

 

성공적인 AI 도입 전략은 “데이터 통합”

 

세일즈포스는 뮬소프트가 자동화 및 디지털 통합 현황과 AI 전략 구축 인사이트를 담은 ‘2024 연결성 벤치마크(Connectivity Benchmark)’ 보고서를 공개했다고 밝혔습니다.

 

뮬소프트의 이번 보고서는 미국, 영국, 프랑스, 일본 등 전 세계 9개국의 1,050명의 CIO 및 IT 부문 리더를 대상으로 2023년 10월부터 11월까지 진행한 연구 조사에 기반합니다. 조직 내 IT 부문 리더 중 85%는 AI를 통해 개발자의 업무 생산성이 향상할 것이라고 응답했습니다. 그러나 AI의 중요성에도 불구하고 62%는 조직에서 아직 AI 활용에 필요한 데이터 시스템 통합이 준비되어 있지 않다고 답했습니다.

 

뮬소프트의 보고서에 따르면 기업의 운영 효율성, 생산성, 직원 및 고객경험 향상 등을 위한 성공적인 AI 전략은 데이터 통합에 달린 것으로 나타났습니다. 설문 응답자 80%는 이미 조직 내에서 생성형 AI 또는 예측형 AI를 활용하고 있는 가운데, 근 3년 내 조직이 활용하고 있는 LLM 수가 69% 이상 늘어날 것이라고 예상했습니다.

 

기업 내 데이터 및 시스템에 연동된 앱은 약 28%에 불과했으며, 응답자의 95% 이상은 기업의 AI 도입에 시스템, 장치, 소프트웨어, 데이터 소스 등의 ‘디지털 통합’이 당면과제라고 답했습니다.

 

 

데이터 통합이 중요한 이유

 

생성형 AI 및 LLM 모델을 적절하게 훈련하려면 통합된 데이터 구조가 필요합니다. 데이터 사일로는 결과물에 불완전성 또는 부정확성을 더할 뿐이며, 이를 극복하려면 많은 추가 작업이 발생합니다. 데이터의 통합, 저장, 거버넌스 및 관리를 단일 플랫폼 기반으로 제공하면 급변하는 경쟁 환경에서 하나의 데이터 소스를 구축할 수 있으며, 데이터 품질 개선을 비롯하여 비용 절감, 효율성 향상 및 개선될 의사 결정을 실현합니다. AI를 R&D 연구에 도입.접목할 때 데이터 통합이 기반이 되지 않으면 아래와 같은 어려움이 발생할 수 있습니다.

 

데이터의 신뢰성 문제

R&D 연구에서는 데이터의 신뢰성이 매우 중요합니다. 데이터 시스템이 통합되지 않으면, 각 시스템에서 수집한 데이터의 신뢰성을 보장하기 어렵습니다. 예를 들어, A 시스템에서는 실험 결과를 수집하고, B 시스템에서는 시뮬레이션 결과를 수집한다고 가정해보겠습니다. 이 경우, 두 시스템에서 수집한 데이터를 통합하지 않으면, 실험 결과와 시뮬레이션 결과를 정확하게 비교하고 분석하기 어렵습니다.

 

데이터의 활용성 문제

R&D 연구에서는 데이터의 활용성이 매우 중요합니다. 데이터 시스템이 통합되지 않으면, 수집한 데이터를 효율적으로 활용하기 어렵습니다. 예를 들어, A 시스템에서는 실험 결과를 수집하고, B 시스템에서는 시뮬레이션 결과를 수집한다고 가정해보겠습니다. 이 경우, 두 시스템에서 수집한 데이터를 통합하면, 실험 결과와 시뮬레이션 결과를 기반으로 새로운 연구 아이디어를 도출하거나, 기존 연구를 개선할 수 있습니다.

 

데이터의 보안 문제

R&D 연구에서는 데이터의 보안이 매우 중요합니다. 데이터 시스템이 통합되지 않으면, 각 시스템에서 수집한 데이터의 보안을 보장하기 어렵습니다. 예를 들어, A 시스템에서는 실험 데이터를 수집하고, B 시스템에서는 연구자의 개인정보를 수집한다고 가정해보겠습니다. 이 경우, 두 시스템에서 수집한 데이터를 통합하지 않으면, 실험 데이터와 연구자의 개인정보를 안전하게 보호하기 어렵습니다.

 

데이터의 유지보수 문제

R&D 연구에서는 데이터의 유지보수가 매우 중요합니다. 데이터 시스템이 통합되지 않으면, 각 시스템에서 수집한 데이터를 유지보수하기 어렵습니다. 예를 들어, A 시스템에서는 실험 데이터를 수집하고, B 시스템에서는 연구자의 개인정보를 수집한다고 가정해보겠습니다. 이 경우, 두 시스템에서 수집한 데이터를 통합하지 않으면, 실험 데이터와 연구자의 개인정보를 주기적으로 업데이트하기 어렵습니다.

 

데이터의 확장성 문제

R&D 연구에서는 데이터의 확장성이 매우 중요합니다. 데이터 시스템이 통합되지 않으면, 수집한 데이터를 확장하기 어렵습니다. 예를 들어, A 시스템에서는 실험 데이터를 수집하고, B 시스템에서는 연구자의 개인정보를 수집한다고 가정해보겠습니다. 이 경우, 두 시스템에서 수집한 데이터를 통합하면, 실험 데이터와 연구자의 개인정보를 기반으로 새로운 연구를 진행하거나, 기존 연구를 확장할 수 있습니다.

 

데이터의 표준화 문제

R&D 연구에서는 데이터의 표준화가 매우 중요합니다. 데이터 시스템이 통합되지 않으면, 각 시스템에서 수집한 데이터의 표준화가 어렵습니다. 예를 들어, A 시스템에서는 실험 데이터를 수집하고, B 시스템에서는 연구자의 개인정보를 수집한다고 가정해보겠습니다. 이 경우, 두 시스템에서 수집한 데이터를 통합하기 위해서는 실험 데이터와 연구자의 개인정보를 표준화해야 합니다.

 

이러한 이유로 R&D 연구개발 직종 분야에서 데이터 시스템 통합은 매우 중요합니다. 데이터 시스템 통합을 통해 데이터의 신뢰성, 활용성, 보안성, 유지보수성, 확장성, 표준화를 향상시킬 수 있으며, 이를 통해 R&D 연구의 성과를 높일 수 있습니다.

 

 

아렌티어를 활용한 데이터 통합 문제 해결

 

RNTier(아렌티어)는 R&D 연구개발에 필요한 응용 프로그램을 실행하기 위해 필요한 모든 기술 및 데이터를 통합 관리할 수 있는 HPC 솔루션입니다.

다양한 엔터프라이즈 스토리지와 연동하여 통합 데이터 환경을 구축하고, 저장된 연구 데이터를 통합 관리하여 데이터 안정성, 활용성, 편리성을 모두 확보할 수 있습니다. 특히 과거 수행된 모든 작업의 상세 정보를 DB로 저장·관리하여 기존 연구 작업 정보와 데이터에 검색, 접근, 협업, 재사용 등을 통해 통합된 연구 데이터 이용 효율을 극대화할 수 있습니다.

 

 

[그림] 아렌티어 기능 – 통합 데이터 관리

 

데이터 보안 강화

- 데이터 통합 관리로 대외 유출 방지 (데이터 전송 로그 기록 가능)

- 개인 폴더, 내 프로젝트 폴더, 공유 폴더에만 접근 가능

 

데이터 공유 활성화

- 통합 데이터 관리로 연구원 간 원활한 협업 가능

- 동시 작업 능력 향상

 

개발 인프라 향상

- 과거 유사 작업에 대한 결과 재사용을 통한 초기 개발 시간 단축

- 직원 퇴사 이후에도 자료 검색 및 재사용 가능

 

데이터 관리 효율화

- 스토리지 내 본인 데이터 다운로드, 업로드 등 관리 가능

- 데이터, 폴더에 대한 색인 기능 및 카테고리 기반 검색

 

 

[참고자료]

 

1) https://www.itworld.co.kr/news/326213

2) https://www.itworld.co.kr/news/331287

3) https://www.snowflake.com/wp-content/uploads/2024/01/CONT_Manufacturing_DataAI_Predictions_2024_07_KO-_20240131.pdf