많은 기업이 인공지능을 활용 중이며 적용 범위는 확대될 전망입니다. �ѫ��니스 프로세스 자동화, 데이터 분석 및 예측, 고객 서비스 개선 등 다양한 분야에서 AI로 업무 효율을 높이고, 기업의 경쟁력 강화에도 큰 도움을 줄 방안을 월간 인사이트에서 확인하세요.

글쓴이: 장아름(Areum Jang)

본론에 들어갶�기에 앞서 여러 유형의 AI, 프로그래밍, 기계학습(머신러닝)의 차이점을 이해하면 도움이 됩니다.

• 전통적인 AI: 정해진 규칙이나 알고리즘에 따라 특정 작업을 수행할 수 있는 AI 시스템을 의미��니다. 데이터로부터 학습할 수 없거나 시간이 지나도 개선될 수 없는 규칙 기반 시스템입니다.
• 머신러닝: 시스템이 명시적인 프로그래밍을 통하지 않고 데이터로 학습할 수 있습니다. 머신러닝은 컴퓨터 프로그램이 새로운 데이터에 독립적으로 적응하고 학습해 추세왶� 통찰을 제공��니다.
• 대화형 AI: 기계갶� 인간과 유사한 방식으로 인간의 언어를 이해하고 응답할 수 있습니다.
• 생성형 AI: 머신러닝 기술을 활용해 데이터로 학습하고 새로운 데이터 인스턴스를 생성할 수 있습니다. 생성형 AI왶� 대화형 AI는 유사해 보일 수 있지만(특히 생성 AI로 인간과 유사한 텍스트를 생성하는 경우) 대화형 AI는 인간과 같은 대화에 참여할 수 있는 대화형 시스템을 만드는 데 사용되는 반면, 생성형 AI는 텍스트 뿐 아니라 이미지나 음악 등 다양한 데이터 유형의 생성을 포괄하는 더 광범위한 개념입니다

팟캐스트 에서 테리 페너(Terry Penner)왶� 유르겐 부츠만(Jürgen Butsmann)이 AI 우선숵Ӝ�, 실질적인 응용분야, �鶹ԭ�� S/4HANA왶� �鶹ԭ�� BTP의 주요 적용사례에 댶��� 나눈 댶�화를 각색�� 내용입니다.

Part 1. �鶹ԭ��갶� 제안하는 AI의 부갶�갶�치

AI 모델을 간단히 설명하자면

Terry: 오늘은 인공짶ĵ�(����)에 댶��� 이야기 나누겠습니다. 유르겐, �鶹ԭ��에 있어 AI갶� 왜 중요한지, 그 갶�치는 무엇인지 설명해 주시죠.

Jürgen: AI는 단순한 유행어 그 이상입니다. 다양한 분야, 특히 �ѫ��니스 소프트웨어에서 사용할 수 있는 기술입니다. 기본적으로 AI는 인간이 컴퓨터의 도움을 받을 수 있는 프로세스를 복제하거나 향상시킵니다.

인간은 경험과 감각을 바탕으로 세계 모델을 구축��니다. 이러한 모델은 학습에 따라 더욱 복잡해 집니다. 하지만 이러한 모델에 기반한 일부 의사결정은 컴퓨터 과학으로 단순화해 구현할 수 있습니다. 이전에도 간단한 프로그래밍의 규칙과 모델을 사용해 이러한 작업을 수행한 적이 있습니다.

그러나 AI를 적용하면 경험이나 데이터로 소프트웨어 학습을 처리��니다. 데이터 과학자갶� 만든 이러한 알고리즘을 통해 개발하는 모델은 우리갶� 염두에 두고 있는 모델의 복잡성을 극히 일부만 포착할 수 있습니다.

�ѫ��니스 ���로세스에서 우리갶� 사용하는 모델은 인간의 생각만큼 복잡하지는 않지만 머릿속에 저장할 수 없는 방대한 데이터를 처리할 수 있습니다. 클러스터링이나 프로젝션 같은 작업에 알고리즘을 적용해 데이터를 효과적으로 분석하고 상호 연관시킬 수 있습니다. 이를 통해 다양한 데이터를 기반으로 고객의 상태나 �ѫ��니스 프로세스 같은 상황을 이해할 수 있습니다.

모델은 이 정보를 신속하게 처리하고 귀중한 통찰력을 제공하여 주어진 시간에 문제를 식별하거나 적절한 조치를 결정하는 데 도움을 줍니다. 과거의 모든 경험을 모아 지나치게 단순하지는 않지만 인간의 인지력보다는 덜 복잡한 모델에 적용하는 두뇌왶� 같은 기능을 ��니다.

AI의 다양한 수준과 적용이 유리한 경우

Terry: AI는 방대한 양의 데이터를 거의 즉각 처리할 수 있기 때문에 단순한 문제 처리갶� 갶�능하죠. 하지만 AI갶� 항상 필요한 것은 아닙니다. AI의 다양한 수준과 AI의 적용이 더 유리한 경우에 관해 자세히 설명해 주시겠어요?

Jürgen: 좋은 질문이군요. 의사결정 지원을 통해 다양한 수준의 인텔리전스갶� 제공됩니다. 인텔리전스를 구성하는 요소를 이해하기갶� 까다로울 수 있습니다. 제 생각에는 무언갶� 지능적이라고 인식된다면 그것은 지능적이라고 생각��니다.  예를 들어 영업 ���로세스에서 고객과의 상호작용이나 의사결정에 유용한 수치를 적시에 제공하는 핵심성과지표(KPI)나 보고서갶� 있다면 이는 지능적이라고 간주할 수 있습니다. 이러한 수치는 정적이며 어떠한 변경이나 표시도 하지 않지만 특정 시점의 관련성이 완벽��니다.

정적인 수치나 그래프는 추세를 시각적으로 표현하고 결정을 내리는 데 도움을 줄 수 있지만 인식의 한계로 인해 2차원으로 제한됩니다. 반면 AI는 방대한 양의 데이터를 분석해 인간의 능력을 뛰어넘는 결론을 도출할 수 있죠. 하지만 여기에는 프로그래밍 및 데이터 수집 같은 비용이 수반됩니다.

AI갶� 갶�장 큰 갶�치를 창출하는 적용사례

Terry: 대량의 데이터 처리에 드는 비용에 댶��� 언급하셨습니다. 그렇다면 AI갶� 갶�장 큰 부갶�갶�치를 창출하는 부문은 어디라고 보시나요?

Jürgen: AI는 프로세스를 갶�속화할 때 갶�장 큰 갶�치를 발휘��니다. 그러나 항상 비용 효율적인 것은 아닙니다. 이는 모든 알고리즘에서 갶�장 중요한 부분인 데이터에 크게 좌우됩니다. 데이터의 유형, 정확성, 이질성은 알고리즘을 적절하게 훈련하는 데 필수적입니다. 그럼에도 불구하고 데이터 처리왶� 관련된 비용을 고려해 AI갶� 특정 �ѫ��니스 프로세스나 의사결정에 충분한 부갶�갶�치를 창출하는지 판단해야 ��니다.

Terry: 지난 몇 년 동안 급속도로 발전한 생성 AI에 댶��� 자세히 살펴보겠습니다. 생성 AI(GenAI)갶� 독특하고 흥미로운 이유는 무엇입니까?

Jürgen: 생성 AI에 대한 인식과 이해도갶� 갑자기 높아졌다는 사실에 놀랐습니다. 구체적인 예를 들어, 질문을 하면 방대한 양의 데이터로부터 즉각적인 요약을 얻을 수 있습니다. 이것이 얼마나 갶�치 있는 일인지는 분명��니다.

자동 요약, 언어 변환, 감정 분석 같은 적용사례를 고려할 때 AI는 우리 삶에 매일 영향을 미치고 있습니다. 그러나 개인의 관점에서 모든 �ѫ��니스 업무를 예상할 수 있는 것은 아닙니다. 흥미로운 점은 단순히 데이터를 처리하고 결과를 얻는 대신 새로운 정보를 생성한다는 사실입니다. 이 생성 과정은 흥미롭기도 하고 다소 어려울 수도 있습니다. 하지만 소프트웨어 내부의 적절한 매개변수 내에서 이를 유지한다면 두려워할 필요갶� 없습니다.

생성 AI의 작동원리

Jürgen: 프로세스 관점에서 보면 요청, 즉 프롬프트갶� 있습니다. 이를 기반으로 시스템은 기존 데이터로부터 결과를 생성��니다. 단순히 잘라내어 요약하는 대신 보다 명확하고 선명한 정보를 생성��니다. 우리갶� 사용하는 거대언어모델(LLM)은 요청을 수정해 프롬프트를 시스템이 더 잘 이해할 수 있는 단어로 번역하거나 다시 표현할 수도 있습니다. 그 결과 더 정확한 질문을 통해 알고리즘이 작동하고 더 정확한 결과를 생성하는 데 도움이 됩니다.

Terry: 기사 요약이나 팟캐스트 녹취록 정리 같은 작업에 생성 AI갶� 매우 효과적이라는 것을 알았습니다. 일상 업무의 많은 부분을 간소화해 주죠. 또한 번역과 언어 이해의 민주화를 위한 잠재력도 매우 매력적입니다.

Jürgen: 원래 화자의 음성으로 특정 언어로 된 팟캐스트를 다른 언어로 자동 재현할 수 있다는 사실은 놀라운 일입니다. 이는 정보를 세계화할 뿐 아니라 접근성도 향상시킵니다. 사용자 상호작용을 기반으로 질문을 구체화하고 다양한 방언이나 언어 유형을 이해��는 데 도움이 되므로 더 많은 사람이 이 분야에 참여할 수 있습니다.

Terry: 생성 AI 모델이 어떻게 작동하는지 더 자세히 설명해 주실 수 있나요?

Jürgen: 첫 번째 단계는 광범위하고 다양한 데이터 세트의 수집입니다. 이는 공개 또는 �ѫ��니스 소스에서 갶�져올 수 있으며, 고객 경험이나 독점 데이터도 포함될 수 있습니다. 모델은 이 데이터에 대한 학습을 통해 데이터를 처리하고 새로운 인사이트를 추출할 수 있습니다.

예를 들어 텍스트를 입력하면 이를 팟캐스트 구조왶� 같은 다른 유사한 데이터왶� 비교��니다. 다양한 모델을 비교, 결합함으로써 새로운 콘텐츠를 만들 수 있습니다. 이 예에서는 질문 내용과 다른 팟캐스트의 경험을 바탕으로 새로운 팟캐스트를 만들 수 있습니다. 시스템은 다양한 정보를 수신할수록 최상의 결과물을 비교, 결합, 생성할 수 있으므로 그 기능이 향상됩니다.

왜 지금 생성 AI인갶�?

Terry: 이 모델에 입력되는 데이터갶� 관련성이 높고 양질의 데이터인지 확인하는 것이 중요��니다. 현재 생성 AI갶� 주목을 받고 있는 이유는 무엇이라고 생각하시나요?

Jürgen: 과학 분야를 넘어 광범위한 적용 갶�능성에 대한 관심을 불러일으킨 챗GPT 첫 버전의 영향력 때문이라고 생각��니다. 이후 많은 기술이 등장했죠. �鶹ԭ��는 언제나 기술을 수용하고 적용하는 기업이지만, 무엇보다 �ѫ��니스 프로세스의 맥락에서, 즉 우리의 목적에 맞게 기술을 적용��니다.

우리는 ERP왶� 같은 시스템에 대한 접근성 향상을 목표로 ��니다. 대형 컴퓨터에서 보다 소형 컴퓨터로, 이후 클라이언트-서버로 전환하면서 이러한 접근성이 크게 향상되었습니다. �鶹ԭ��갶� 이러한 기술을 모두 발명한 것은 아니지만 우리는 이를 �ѫ��니스 ���로세스에 성공적으로 통합했습니다. �鶹ԭ��는 이러한 기술의 갶�치를 보여주었지만 이제는 거대언어모델과 생성 AI 기능의 구현에 중점을 두고 있습니다. 검증된 적용사례를 보유하고 있으며 실질적인 갶�치를 제공하므로 활용하기에 적절한 시기입니다.

그러나 구현 시점에 관련 비용을 신중하게 고려해야 ��니다. 우리갶� 지원하는 프로세스갶� 투자 갶�치갶� 있는지 확인해야 ��니다. 또한 이러한 모든 기술이 동일한 성능을 발휘하거나 동일한 품질을 제공하는 것은 아니라는 점을 이해��는 것도 중요��니다. 이것이 바로 우리갶� 거대언어모델과 생성 AI 기능을 기술 아키텍처인 ‘�ѫ��니스 기술 플랫폼(�鶹ԭ�� BTP)’에 통합��는 이유입니다.

Part 2. �鶹ԭ�� S/4HANA 및 �鶹ԭ�� BTP의 AI 애플리케이션

�鶹ԭ�� �ѫ��니스 ���로세스에 AI 적용

Jürgen: 우리의 목표는 갶�능한 많은 �ѫ��니스 문제에 대한 솔루션 제공입니다. 거대언어모델은 �鶹ԭ��의 아키텍처를 통해 고객에게 제공되며 �鶹ԭ��의 소프트웨어를 통해 상용화됩니다.

많은 고객이 AI, 특히 생성 AI를 찾고 있습니다. 그러나 우리 접근 방식의 독특한 측면은 다양성, 많은 기능을 활용할 수 있는 능력, 기술 및 �ѫ��니스 아키텍처 내에서의 통합 등입니다. 이것이 우리갶� 지향하는 방향이며, 이를 위해서는 상당한 투자갶� 필요��니다.

Terry: 요약하자면, 우리는 생성 AI를 일반적인 목적으로 만들려고 노력하는 대신 �鶹ԭ��갶� 갶�장 잘 이해��는 �ѫ��니스 ���로세스에 최대�� 밶�접하게 통합��는 것을 목표로 ��니다.

연관성, 신뢰성, 책임감 있는 �鶹ԭ��의 �ѫ��니스 AI

Terry: 우리는 AI갶� �鶹ԭ�� 내에서 책임감 있고 신뢰성과 연관성이 있는지 확인하는 방법에 댶��� 이야기했습니다. AI갶� 연관성이 있다는 말이 무슨 뜻인지 자세히 설명해주실 수 있나요?

Jürgen: 연관성은 AI갶� �ѫ��니스 프로세스의 맥락에서 필요하며 고객에게 갶�치를 제공해야 함을 의미��니다. AI의 갶�치는 �ѫ��니스 ���로세스에 미치는 영향에 따라 결정됩니다. 각 고객은 프로세스 기간, 품질, 반복 갶�능성, AI로 개선할 수 있는 사용자 기술 부족, AI를 통해 제공되는 정보갶� 프로세스 실행에 미치는 영향 등의 요소를 기반으로 AI의 연관성을 평갶���니다.

Terry: 당연히 �鶹ԭ��의 �ѫ��니스 AI는 신뢰성이 매우 중요��니다. 과거 AI 모델이 부정확하거나 오래된 정보를 제공하는 사례갶� 있었습니다. �鶹ԭ��의 생성 AI에 대한 접근 방식은 어떻게 신뢰할 수 있는 결과왶� 교육 모델을 보장합니까?

Jürgen: 실제로 신뢰성은 매우 중요��니다. 결과값의 품질은 주로 데이터 입력값에 따라 달라집니다. 데이터갶� 매우 이질적이라면 계정 매칭 같은 일부 알고리즘에 적합하지 않을 수 있습니다. 이로 인해 이상값을 캡처할 수 없게 될 수 있습니다. 따라서 데이터의 모양, 필요한 데이터의 양, 품질 신호의 위치를 ​​이해��는 것이 중요��니다. 특정 조직 또는 조직의 일부에 갶�장 적합한 데이터를 선택하려고 노력하세요. 이는 시스템에서 특정 분석의 발생을 갶�장 잘 반영��니다.

결과갶� 특정 방향으로 어떻게 왜 움직이고 있는지 설명하는 것이 중요��니다. 더 많이 사용할수록 시스템에 대한 자신감과 신뢰도갶� 높아집니다. 고객에게 결과를 설명하고 데이터 처리 방법에 대한 신뢰왶� 이해를 구축하는 메커니즘이 필요��니다.

Terry: 물론이죠. 모델이 말하는 내용을 기반으로 결정을 내리려면 모델을 신뢰해야 ��니다. 이는 데이터갶� 사람에서 나온 것인지, AI에서 나온 것인지에 관계없이 적용됩니다. 이제 책임에 관한 부분으로 넘어갑니다. 저는 이 점이 �鶹ԭ��의 큰 차별화 요소라고 믿습니다. AI에 대한 책임을 보장하고 고객 및 파트너왶�의 신뢰를 구축하는 일이죠. 책임감의 의미에 댶��� 자세히 설명해 주시겠어요?

Jürgen: 저희 입장에서 책임은 데이터 보안을 보장하는 일입니다. 지적 재산을 외부왶� 공유하고 싶지 않은데, 많은 거대언어모델이 외부 클라우드에 있습니다. 우리는 소스 데이터에 대한 접근을 제공하지 않고도 이러한 모델에서 사용할 수 있는 방식으로 데이터를 변환, 암호화, 정리해야 ��니다. 물론 큰 작업이지만, 우리는 여기에 전념하고 있습니다. 때로는 보안을 보장하기 위해 이러한 모델 중 일부를 자체 환경에 배포해야 하는 경우도 있습니다. 또한 책임은 우리갶� 제공하는 적용사례갶� 윤리적으로 건전함을 의미��니다.

현재 �鶹ԭ�� S/4HANA에서 이용 갶�능한 AI 적용사례

Terry: 실용적인 측면에 댶��� 논의해 보겠습니다. 현재 �鶹ԭ�� S/4HANA Cloud에서 어떤 AI 기능을 사용할 수 있나요?

Jürgen: 현재 �鶹ԭ�� S/4HANA Cloud는 AI 기술을 기반으로 25개 이상의 적용사례를 제공��니다. 이들 중 다수는 �鶹ԭ�� BTP를 기반으로 구축되었습니다. 우리의 전략은 이 아키텍처 내의 솔루션에 초점을 맞추는 것입니다. 예를 들어, 미결채권과 입금내역 자동 매칭, 사기(부정행위) 탐지, 비정형 데이터에서 판매 주문 정보 자동 도출 등의 기능을 제공��니다. 정형화되지 않은 문서의 구조적 요소를 자동으로 식별할 수 있는 생성 AI로 이들 기능을 개선하고 있습니다. 우리는 이러한 알고리즘을 최대�� 활용해 지속적으로 서비스를 개선하고 있습니다.

�鶹ԭ��의 AI에서 �鶹ԭ�� BTP의 역할

Terry: �鶹ԭ�� S/4HANA Cloud에서 AI 기반 �鶹ԭ�� BTP의 역할에 댶��� 자세히 설명해 주시겠어요?

Jürgen: 물론이죠. �鶹ԭ�� BTP는 �鶹ԭ�� S/4HANA Cloud의 모든 AI 및 생성 AI 기반을 포함하며 기술 확장을 위한 표준 환경입니다. 여기에서 알고리즘을 처리하고 우리갶� 보유한 AI 모델과 보유하지 않은 AI 모델을 모두 통합��니다. �ѫ��니스 애플리케이션과 �鶹ԭ�� BTP 간의 이러한 연결을 통해 �ѫ��니스 데이터 및 라이프사이클 관리를 �鶹ԭ�� BTP의 기술 구조왶� 결합하는 지능형 시나리오를 관리할 수 있습니다. 이는 우리갶� 다른 모든 모델을 처리하는 경로이기도 ��니다.

향후 계획

Terry:  유르겐, 셍상 AI갶� 집중하고 있거나 개발팀이 현재 작업 중인 주요 주제에 댶��� 논의해 주실 수 있나요?

Jürgen:  우리는 다양한 적용사례를 고려하고 개발하고 있으며 2024년 상반기를 목표로 일부 사례는 이미 개발 중입니다.  대표적인 사례로 생성 AI 디지털 비서인 쥴(�鶹ԭ�� Joule)이 있습니다. 쥴은 �鶹ԭ�� 독점 데이터, 프로세스 흐름 및 애플리케이션을 기반으로, 사용자갶� 온보딩하려는 기능에 대한 새로운 데이터를 수집하거나 마스터 데이터 확장 또는 새로운 판매 주문 같은 작업을 실행하도록 안내하는 데 도움이 될 수 있습니다.

다음으로 커뮤니케이션 인텔리전스는 우리 로드맵의 핵심 영역입니다. 이는 잠재적인 독촉 사례 관리왶� 같은 의사 결정 프로세스를 실행하고 감정 분석, 작업 우선순위 지정, 고객 상호작용, 통화내용 스크립트 생성, 기타 지침 등을 통합할 수 있는 일반적인 적용사례입니다. 고객 정보 수집, 이를 통해 취할 조치 결정, 의사결정 수립, 프로세스 생성, 기능 탐색 및 실행 등 추천하는 방법으로 작업을 완료하는 데 도움이 됩니다.

현재 ‘물어보기(Just Ask)’라고 명명된 기능은 언어나 용어에 관계없이 최종 사용자에게 적합한 보고서왶� KPI를 찾고 실행하는 데 도움이 되는 자연어 상호작용 도구입니다. 이를 통해 필요한 데이터왶� 정보에 액세스할 수 있습니다.

우리는 시그나비오(Signavio)갶� 프로세스 분석 및 프로세스 마이닝을 실행할 뿐 아니라 프로세스 개선을 위한 시스템 추천사항을 제출하도록 하는 것을 목표로 하고 있습니다. 우리는 또한 코드 생성 작업도 진행 중입니다. 수백만 줄의 ABAP 코드를 작성해 본 경험으로 우리는 코드 작성 규칙과 방법을 이해��니다. 따라서 새로운 코드를 생성해야 하는 경우 요구사항에 따라 템플릿을 사용하거나 거의 완전한 ABAP 프로그램을 사용하는 것이 좋습니다.

Terry: 네, 코드 생성은 우리갶� 탐구하고 있는 흥미로운 영역입니다. 특히 BTP 측면의 구축에 있어서 말이죠. 이는 개발자 커뮤니티에 큰 도움이 될 수 있습니다. 유르겐, �鶹ԭ��의 AI 진행 상황에 대한 인사이트를 공유해 주셔서 고맙습니다. 앞으로 어떻게 발전하는지 확인하고 고객을 위한 새로운 제품에 댶��� 다시 논의하기를 고대하겠습니다.

글쓴이 소개

장아름(Areum Jang) | �鶹ԭ�� Korea Presales 조직의 �鶹ԭ�� S/4HANA 구매관리 전문갶�

The post 심층분석: �ѫ��니스 프로세스 지능화를 위한 �鶹ԭ��의 AI 적용 방안 appeared first on �鶹ԭ�� Korea 뉴스센터.

기술이 갈수록 경제성과 신뢰성을 더하면서 더욱 더 많은 기업이 IoT를 적용해 조직의 효율화를 꾀하고 있습니다. 하지만 많은 이갶� 묻습니다. 정확히 IIoT갶� 뭐고 기업은 어떻게 활용하고 있나? 업계 전문갶�들을 통해 답을 찾아 보기로 ��니다.

산업용 IOT란 무엇인갶�?

산업용 사물인터넷(IIoT)은 더 많은 기기를 온라인으로 연결한다는 측면에서 다음 단계입니다. “전통적인 제어 시스템의 토대 위에 구축된 것”이라고 IoT 앱 개발 전문기업 의 에밀리 맥시(Emily Maxie) 마케팅 책임자는 설명��니다. “산업용 IoT 덕분에 중장비왶� 시스템 제어장치갶� 과거 어느 때보다 사용자 친화적으로 변모하며 대응력과 역량을 강화하고 있습니다.”

기업은 과거에도 기계설비의 모니터링을 위해 데이터를 수집해 왔지만 이제는 저렴한 센서왶� 혁신 기술 덕분에 데이터 수집이 한결 용이해졌습니다. “차이갶� 있다면 기술 기업과 산업 기업들이 직접 신기술을 개발해 기존 자본이나 모니터링 설비의 수명을 연장하는 데 필요한 자산으로 데이터를 활용 중이라는 사실”이라고 의 페리 잘레브스키(Perry Zalevsky) 산업 커뮤니티 총괄 수석이사갶� 밝힙니다.

IIOT왶� 소비자 IOT

산업용 사물인터넷(IIoT)은 소비자 사물인터넷에 비해 전혀 다른 일련의 요구사항이 있습니다. 약간의 효율 개선이 소비자에게는 큰 의미갶� 없을 수 있어도 기업에는 극적인 성과로 이어질 수 있습니다. “산업 운영의 규모왶� 범위갶� 크기 때문에 기업은 상당한 이익을 빨리 얻을 수 있다”고 잘레브스키 수석이사는 설명��니다.

잘레브스키는 산업용과 소비자 IoT의 또다른 큰 차이점은 바로 리스크 관리라고 믿습니다. 소비자는 새로운 IoT 장비를 큰 걱정 없이 도입할 수 있지만 기업은 훨씬 더 신중하게 고려한 후 새로운 IIoT 장비를 구현��니다. “뭔갶� 잘못 되기라도 한다면” 잘레브스키는 운을 띄웁니다. “직원들에게 심각한 결과를 초래할 수 있고 회사의 재정에 큰 타격을 줄 수 있습니다.” 기업은 너무 서두르다갶� 잠재적으로 부정적인 결과를 낳을 위험을 감수할 여력이 없습니다.

또한 이들 기업이 사용하는 장비는 소비자 장비보다 내구성이 훨씬 높습니다. 산업용 기업은 집중 활용되는 환경에서 수십 년 동안 운영해야 하는 기계설비왶� 기술에 투자하곤 ��니다. “다시 말해 업데이트왶� 유지보수, 패치 등 모든 항목을 소비자 IoT보다 상당히 오랜 기간에 걸쳐 고려해야 한다”고 맥시는 설명��니다.

하지만 현재 발전 방향을 보면 모든 IoT갶� 결국은 융합될 갶�능성이 높습니다. “IoT갶� 여러분 갶�정의 스마트 기기의 집합이라고 한다면” 산업용 컴퓨터 전문업체 의 데렉 팬턴(Darek Fanton) 커뮤니케이션 매니저는 설명��니다. “IIoT는 �ѫ��니스 방식을 바꾸고 있는 전체 왶� 스마트 시티를 만드는 기술입니다.” 이는 예컨대 갶�까운 미래에 소비자의 스마트 냉장고갶� 식재료갶� 떨어지면 식료품점과 직접 솤통할 수 있게 된다는 뜻입니다.

제조업체의 IIOT 활용 방안

산업용 사물인터넷(IIoT)을 주로 도입하는 기업은 효율을 개선할 기술에 투자하는 제조업체입니다. “IIoT를 활용해 제조업체는 재고 추적, 제품 검사 자동화, 업무흐름 최적화, 다운타임 감소 등의 효과를 을 바탕으로 프로세스를 조정하는 방식으로 도모한다”고 팬턴은 전��니다. 많은 경우 관련 기술은 공장 근로자의 안전 개선은 물론 잠재적인 문제갶� 생기기 전에 탐지하고 고치는 예방 정비에도 활용 됩니다.

하지만 산업용 IoT는 공장과 창고에만 국한되지는 않습니다. 팬턴은 덧붙입니다. “IIoT 기술은 도시 계획 담당자왶� 토목 공사 기술자들이 스마트 시티를 만드는데 활용하고 있습니다. 얼굴이나 차량 번호판 인식, 접근 제어, 지능형 도로, 자율주행차 등이 대표적입니다.” 이들 센서는 데이터를 주고 받아 사람의 개입 없이 정보에 입각한 자율 의사결정을 내려 안전을 개선하고 환경에 미치는 영향을 줄이는 등의 효과를 낳습니다.

심지어 예전에는 온라인으로 연결되어 있지 않던 농업과 같은 산업도 새롭게 부상하는 기술을 채택 중입니다. “IIoT는 갈수록 농업에 적용이 확대되고 있다”고 팬턴은 설명��니다. “자율주행 농기계, 스마트 수확기, 자동 우유 짜는 기계는 물론 식품 생산과 유통을 보다 효율적으로 개선할 다양한 장비의 도입을 촉진��니다.” 전 부문에 걸쳐 IIoT는 기존의 힘이 들던 ���로세스에 효율을 더하고 있습니다.

산업용 사물인터넷(IIoT)이 초기 단계일 수는 있지만 전문갶�들은 이 기술이 사회에 막대한 효과를 갶�져올 것으로 낙관��니다. 잘레브스키는 탄소 배출 저감에서 제약 비용 절감, 식품 안전 개선에 이르기까지 다양한 활용 분야를 제시��니다. 이들 영역에서 왶� IIoT를 함게 활용한다면 급격한 발전을 이룰 수 있습니다.

궁극적으로, 맥시는 결론 짓습니다. “IIoT를 논할 때는 최적화갶� 갑입니다.” 데이터 주도형 기계설비는 그 어느 때보다 작업을 보다 효율적으로 수행할 수 있습니다. IIoT갶� 미래에 활용될 분야를 모두 알 수는 없지만 데이터를 활용한 기계설비의 최적화야말로 좋은 후보갶� 아닐 수 없습니다.

• 원문 출처: , CMSWire

The post 산업용 사물인터넷, 제조업에 어떻게 활용되나? appeared first on �鶹ԭ�� Korea 뉴스센터.