본문 바로가기

블로그

LG CNS 기술블로그 DX Lounge에서 최신 IT 소식을 만나보세요!

AI/Data

무엇을 해야 할지도 알려주는 처방분석의 세계

2016.10.04

LG CNS의 사내 전문가들이 LG CNS 블로그 독자 여러분들을 위해 최신 IT 기술 및 트렌드를 소개해 드립니다.

매월 1회씩 아래와 같은 순서로 연재될 예정이오니, 독자 여러분들의 많은 관심과 기대 바랍니다.

[연재기획 주제]

  • 1편: IT를 통해 서비스업으로 변하고 있는 제조업체들
  • 2편: 무엇을 해야 할지도 알려주는 처방분석의 세계
  • 3편: 앱의 시대에서 가상 비서의 시대로, Virtual Personal Assistant
  • 4-1편: 블록을 조립하듯 앱을 조립하는 ‘마이크로서비스’ ①
  • 4-2편: 블록을 조립하듯 앱을 조립하는 ‘마이크로서비스’ ②

    (연재 주제는 기고 시점의 이슈, IT 트렌드에 따라 바뀔 수 있습니다)

최근 알파고(AlphaGo)나 가상 개인 비서(Virtual Personal Assistant)와 같은 인공지능(AI) 기반 기술의 진보를 부쩍 쉽게, 자주 목격할 수 있는데요. 이는 인간과 기계 간의 지능적 차별화 요소들(Differentiators)이 약화됨에 따라, 마치 기계가 인간 대신 의사결정을 내려주는 것과 같이, 기계가 인간의 판단 역량에 점차 많이 개입해 감을 의미합니다.

이와 같이 분석 기법 측면에서도 인간의 개입을 최소화해 가는 추세가 보입니다. 예전엔 데이터를 기반으로 패턴 및 룰을 찾아 예측 결과를 받았다면, 이제는 좀 더 나아가 이러한 예측 결과를 기반으로 기계가 인간 대신 처방까지 내려줄 수 있는 수준까지 진화해가는 新동향을 볼 수 있죠.

세계적인 IT 분야의 리서치 업체 가트너(Gartner)는 이를 Prescriptive Analytics(이하 “처방분석”)라고 칭하는데요. 오늘은 이에 대한 기술적인 개념 및 솔루션을 소개하고, 3가지의 대표 사례를 통해 현재 처방분석이 어떤 산업 영역에 어떻게 적용되는지 알아보도록 하겠습니다.

처방분석 기술 개념

미국 IBM에 따르면, “비즈니스 분석”이란 주어진 데이터를 기반으로 현상을 파악하고, 앞으로의 일을 예측하여 이에 적합한 조치를 결정하기 위해 정보를 활용하는 방법입니다.

이러한 비즈니스 분석은 이의 대안 도출 프로세스 상에서 어떤 종류의 분석 결과를 제공하는가에 따라 Descriptive Analytics, Diagnostic Analytics, Predictive Analytics, 그리고 Prescriptive Analytics 총 4가지로 구분할 수 있습니다.

l Analytics Ascendancy Model (출처: Gartner, “Predicts 2013: Information Innovation”, 2012)

Descriptive Analytics(묘사적 분석)는 과거나 현재에 어떤 일이 발생했는지에 대한 분석을 의미합니다. 이는 과거의 비즈니스 활동 수행 결과를 이해하고, 추세를 발견하며, 활동의 성과를 모니터링하는 데에 쓰입니다.

Diagnostic Analytics(진단적 분석)는 과거나 현재에 발생한 사건의 원인에 대해 분석합니다. 이는 데이터 간의 관계를 발견하고, 왜 특정 결과가 발생하였는지를 설명할 수 있습니다.

Predictive Analytics(예측 분석)는 미래에 어떤 일이 발생할 것인가에 대해 분석합니다. 이는 미래의 상황에 대해 예측하거나, 알려지지 않은 결과의 가능성을 파악하기 위해 활용됩니다.

마지막으로 Prescriptive Analytics(처방 분석)는 앞으로 무엇을 해야지만 비즈니스에 도움이 될 것인가에 대해 분석합니다. 이는 제한된 자원을 효율적으로 할당하여 최상의 대안을 찾기 위해 활용됩니다.

l Analytics Capability Framework
(출처: Gartner, “Extend Your Portfolio of Analytics Capabilities”, 2013, 재구성)

위의 다이어그램과 같이, 비즈니스 분석의 4가지 유형 중 Descriptive Analytics, Diagnostic Analytics, Predictive Analytics는 비즈니스 분석의 결과로부터 대안의 도출에 이르기까지 인간의 개입이 필요합니다.

이에 반해 Prescriptive Analytics는 기존보다 더 나아가, 예측 분석을 통해 도출된 예측 결과를 바탕으로, 자동으로 최적의 의사결정을 도출해줍니다. 따라서 인간의 개입이 최소화되거나 완전히 불필요해집니다.

인간의 개입 없이 대안이 도출된다면, 인간의 능력으로만 처리하기 힘든 복잡한 조건을 반영할 수 있고, 또한 다수의 목적을 동시에 달성하기 위한 최적의 대안을 자동으로 제시할 수 있게 됩니다.

l 처방분석 구성 기술

처방분석은 새로운 단일 기법이 아닌, 이미 널리 활용되는 여러 가지 기법들이 결합된 형태로 구현되는데요. 이는 정형 및 비정형 데이터를 대상으로 예측분석을 통해 미래의 상황을 추정하고, 최적화를 통해 가장 적절한 대안과 그로 인한 결과를 제시하며, 상황 변화에 의한 대안의 영향까지 파악하는 프로세스입니다.

위의 다이어그램과 같이, 대안이 실제 실행되는 시점의 상황을 예측하는 “예측 기법”, 최적의 대안을 도출하는 “의사결정 기법”, 대안의 효과를 분석하는 “영향분석 기법”을 연계하여 실현됩니다.

따라서, 이는 현재로서 가장 높은 수준의 고급 분석 방법으로, 분석을 통해 데이터로부터 최적의 의사결정을 도출하고 실행하는 “End-to-End 프로세스”의 개념으로 이해하는 것이 타당하겠습니다.

l 2가지 대안 도출 방식 (출처: Gartner, “How to Get Started With Prescriptive Analytics”, 2015, 재구성)

대안을 도출하는 방식은 (1) 비즈니스 룰 방식과 (2) 최적화 방식 두 가지로 구분됩니다. 의사결정 대상 및 대안에 대한 식별, 필요한 데이터의 확보, 목표와 제약조건에 대한 정의 이후에 어떤 방식으로 대안을 선정할지 결정되는데요.

비즈니스 룰 기반의 대안 도출은 사전에 사용자가 정의한 조건(비즈니스 룰, 정책, 제약조건(Constraints) 등)에 따라 어떤 상황이 발생했을 때 특정 조건에 해당되면 정해진 대안을 선택하는 방식입니다. 이에 비해, 최적화 기반의 대안 도출은 최적화 모형 모델링을 통해 비즈니스 문제를 수학식으로 표현하여 최적의(Optimal) 대안을 도출하는 방식입니다.

처방분석 솔루션

현재 시장에서 처방분석 플랫폼을 제공하고 있는 업체 중 대부분은 최적화 플랫폼을 기반으로 하고 있습니다. 데이터 분석 시장을 오늘까지 리딩 해 온 IBM, SAS, MathWorks, FICO 등과 같은 업체들은 전통적으로 최적화 플랫폼을 보유해 왔는데요. 이들은 자사(自社)의 예측분석 플랫폼과의 연계를 통해 처방분석을 제공합니다.

l 처방분석 플랫폼 벤더 현황

또한, 최적화 플랫폼 기반이 아닌 업체 중 Sparkling Logic은 비즈니스 룰 기반의 처방분석 업체로 비즈니스 룰 모델링 도구를 통해 룰을 정의하고 의사결정 플랫폼과 연계하는 방식을 제공하며, River Logic은 클라우드를 통해 예측분석, 최적화, 시각적 모델링 기능을 통합하여 제공합니다.

처방분석 사례

처방분석은 전통적으로 최적화를 통해 의사결정을 수행하던 제조, 물류 영역과 함께 에너지, 금융,의료를 포함한 여러 산업에 적용이 가능합니다. 빅데이터를 활용하여 제조나 운송•물류에서는 생산 계획, 공급 계획, 물류거점 계획 등과 같은 계획 수립뿐만 아니라 금융•통신의 제품 포트폴리오 구성, 제품 가격 결정 등에도 사용됩니다.

다양한 적용 영역 중 예측 분석과 최적화를 결합하여 효과적인 의사결정을 수립한 사례로 석유 시추용 전기 수중펌프 처방 보전부터, 시내 수도관•소화전 정비 계획, 그리고 농장 관개(Irrigation) 계획까지 총 3가지를 소개하겠습니다.

① Apache Corporation – 석유 시추용 전기 수중펌프 처방 보전

l 데이터 흐름 프로세스 (출처: LG CNS 정보기술연구원)

글로벌 석유 시추업체인 Apache Corporation은 약 1,200개 이상의 석유 시추용 전기 수중펌프 (Electrical Submersible Pump, 이하 “ESP”)를 보유하였는데 많은 수의 ESP에 대한 결함으로 인해 생산 목표치에 미달하는 경우가 많았습니다.

따라서, 처방분석 업체인 Ayata에 도움을 요청했는데요. 펌프 상태를 미리 파악하고 효율적인 유지 보수 계획을 수립하여 ESP의 고장 및 성능 저하 방지를 목표로 추진되었습니다.

l 데이터 분석 시스템 구성도 (출처: LG CNS 정보기술연구원)

가장 먼저 ESP-RIFTS(ESP Reliability Information and Failure Tracking System)이라는 석유산업 공통 데이터베이스를 활용하여 어떤 요인이 ESP 생산성에 영향을 미치는지 파악하여 ESP 성능에 대한 Descriptive Analytics를 수행했습니다.

또한 펌프, 생산과정, 지표면의 특징 데이터를 수집•분석하여 ESP 고장을 先예측하고, 생산 손실을 경감하기 위한 최적의 펌프 정비 계획을 수립했습니다.

정비 계획뿐만 아니라 생산 최대화를 위해 각 유정(Oil Well, 油井)에 대해 최상의 성능을 발휘할 수 있는 펌프를 제시하기도 하고, 특정 유전(Oil Field, 油田)을 인수하기 전 ESP의 성능을 분석하여 각 유전이 생산능력이 있는지 평가하는데 사용하기도 했습니다.

② DC Water – 시내 수도관•소화전 정비 계획

워싱턴 DC의 수처리 전문 회사인 DC Water는 약 2백만 명을 대상으로 물을 공급하고, 75년 이상된 수천 마일의 수도관과 9천 개 이상의 소화전을 관리했습니다. 급속도로 노화되는 시스템에 대해 기존의 문서에 의존하는 정비 계획의 한계를 극복하기 위해 통합적인 관리 운영의 도입을 검토했는데요.

실시간 데이터를 기반으로 고장을 예측하는 것과 함께 유지 보수 인력의 배치 등 즉각적인 대응을 위해 IBM의 ADAM을 활용했습니다.

l 데이터 분석 프로세스 (출처: LG CNS CTO 정보기술연구원 기술전략팀 심화리서치)

먼저 센서가 부착된 수도관을 활용하여 수돗물의 사용을 모니터링하고 이상 징후를 추적하였고, 모든 도시 내 소화전의 위치를 시각적으로 표현했습니다. 또한 수도관의 수명, 토양 상태, 파이프 내 압력, 주변 환경을 바탕으로 통계적 모델을 생성하여 수도관 및 소화전에 대한 고장을 예측했습니다.

이를 바탕으로 유지 보수 직원과 트럭의 배치, 경로계획을 수립하여 고장 수리를 진행하였으며,각 지역별로 적합한 제조사의 수도관을 판단하고 자산 교체 계획까지 수립하여 수도관 및 소화전에 대한 효과적인 유지 보수가 가능해졌습니다.

③ Z-Farm – 농장 관개 계획

미국 캘리포니아 농장의 협동조합인 Z-Farm은 아몬드를 재배했는데, 아몬드는 특정 범위의 토양습도가 유지되어야 하는 까다로운 작물입니다.

이를 위해 Z-Farm은 기존 센서 네트워크 및 관개 시스템을 보유하고 있었으나 단순 대시보드 형태로만 활용하고 있어, 아몬드 재배에 적합한 조건을 유지하면서도 캘리포니아의 물 규제를 준수하는 효과적인 관개계획의 수립이 요구되었습니다.

이러한 요구를 충족시키기 위해 IoT 플랫폼 업체 ThingWorx는 센서 네트워크로부터 수집된 데이터의 이상 징후 탐지, 변화 추세 예측, 최적의 처방 도출을 위한 시스템을 적용했는데요. 이를 도식화해보면 아래와 같습니다.

l 관개 계획 수립 프로세스 (출처: LG CNS CTO 정보기술연구원 기술전략팀 심화리서치)

먼저 기존에 수집되고 있던 센서 데이터를 분석하여 토양습도 변화의 패턴 및 이상 징후를 탐지하여 농업용수의 공급 필요성을 예측했습니다. 센서 데이터 이외에도 기상 데이터 등 외부 데이터를 활용하여 토양 습도에 영향을 주는 기상변화를 추가적으로 예측했습니다.

이를 통해 필요한 농업용수의 공급량, 시점, 지역을 결정할 수 있었으며, 주정부의 규제 및 농업용수 비용을 고려한 최적의 관개계획을 수립할 수 있었습니다.

처방분석, 시장 현황과 전망은?

l (좌) 비즈니스 분석의 도입 현황 (출처: IIC, “Beyond Analytics: Prescriptive Analytics for the Future of Your Business”, 2015, 재구성), (우) 처방분석 시장 전망
(출처: “Forecast Snapshot: Prescriptive Analytics, Worldwide”, 2016)

처방분석은 비즈니스 분석 중 가장 큰 가치를 제공할 수 있는 분석방법으로 관심을 받고는 있지만, 위 그래프를 보면 알 수 있듯이 아직까지 초기 단계임이 명확합니다. 2015년 기준으로 가트너에 의하면 처방분석의 도입률은 1% – 5% 수준으로 아직 낮은 상태입니다. 솔루션 관점의 시장 규모 역시 아직은 큰 규모가 아님을 알 수 있습니다.

하지만, 앞으로 처방분석에 대한 수요는 점진적으로 높아질 것으로 예상되는데요. IoT 생태계가 점차 구축되어 감에 따라 수집되는 데이터양의 폭등, 데이터 처리의 고속화(化), 그리고 분석 알고리즘의 진보는 곧 자동화된 의사결정에 대한 니즈(Needs)를 의미할 것입니다.

인간이 직접 다량의 이질적인 데이터를 통합하거나 이러한 데이터를 모두 한꺼번에 고려하여 최상의 대안을 도출해내는 데에는 한계가 존재하기 때문입니다. 게다가, 인공지능(AI) 및 기계학습(ML)을 활용하여 “분석 → 가설 → 실시 → 학습”을 반복함으로써 제안되는 최상의 대안에 대한 정밀도 또한 증가하게 될 것입니다.

따라서 향후에 처방분석이 다양한 산업에 적용됨으로써 우리의 생활 반경 안으로 깊숙이 들어와 우리에게 보다 편리하고 가치 있는 삶을 제공해 줄 것으로 기대해 봅니다.

글 | LG CNS 정보기술연구원

[‘최신 IT를 만나다’ 연재 현황]

  • [1편] IT를 통해 서비스업으로 변하고 있는 제조업체들
  • [2편] 무엇을 해야 할지도 알려주는 처방분석의 세계
  • [3편] 앱의 시대에서 가상 비서의 시대로, Virtual Personal Assistant
  • [4-1편] 블록을 조립하듯 앱을 조립하는 ‘마이크로서비스’ ①
  • [4-2편] 블록을 조립하듯 앱을 조립하는 ‘마이크로서비스’ ②

챗봇과 대화를 할 수 있어요