1. 클라우드 뉴노멀 시대의 글로벌 혁신 기업들의
디지털 트랜스포메이션
하이테크/제조업 AWS 사례를 중심으로
정우진 이사
2017. 01

2. Manufacturing IT Trend in 2017

3. 2017년 제조업 IT 기술 트렌드
새로운 비즈니스 모델에서 데이터 및 분석 활용
현장 운영 데이터 마이닝
공장 자동화 및 예방/사전 유지보수
지능형 앱 및 원활한 현장 통신
스마트 데이터, 스마트 의사결정 – not Big & Big Data 관리
수동 프로세스의 자동화, 실행 가능한 메트릭
공급망 협력 및 가시화

4. 4차산업 혁명의 제조업의 방향
현장 중심형 스마트팩토리 프레임웍크
맞춤형 생산공장 구현을 통한 제조 경쟁력 확보
현장 중심형 Smart Factory
Simply
단순하게
Easily
쉽고 편하게
Quickly
빠르게
Safely 안전하게
설비
자동화
업무
자동화
설비·업무의 자동화
휴먼에러
제로화
기술·기능
표준화
데이터
현재화
빅데이터
체계화
업무의 지능화 제조 데이터의 가시화
출처:kmac

5. TRANSFORMATION
Click & Mortar O2O à On-Demand
Process Innovation Industry 4.0
Mobile IoT
Big Data Machine/Deep Learning
Connected Car Self-driving (Autonomous)

6. Global AWS Case Study

7. 디지털 트랜스포메이션 선도 기업
산업인터넷
Predix
분석 통합 플랫폼
디지털헬스케어
스위트
플랫폼
IoT 조명
스마트 농기계
제품 서비스
시스템들의 시스템

8. GE의 비즈니스 트랜스포메이션
GE Digital
GE Capital Divestiture
Alstom Acquisition
IT/OT Convergence
Cybersecurity
Cloud
1
2
3
4
5
6
“어젯밤 잠들 때는 산업재 제조 기업이었지만,
오늘 아침 일어나면 소프트웨어/분석 기업이
되어 있을 것입니다.”
Jeff Immelt, GE Chairman & CEO

9. 2015년 re:Invent에서 GE CIO의 발표
This is no longer an experiment, it is inevitable, GE CIO, Jim Fowler, Oct 2015
GE는 140년된 전통적 제조업체이지만 이제는 플랫폼 제공 스타트업체임
• 9,000개의 기업내 워크로드를 AWS로 전환 (산재된 300여 ERP 포함)
• 앞으로 3년내에 34개의 데이터센터를 4개의 센터로 축소
• Oil & Gas의 경우 기존 대비 52%의 비용 절감
• 비즈니스 어플리케이션 제공 속도 77% 향상
AWS는 앞으로의 140년을 같이 할 파트너

10. GE 전환 가속화 Acceleration
• 머신-기계 및 제조/생산 시스템을 위한 오픈,
그러나 보안은 강화된 아키텍처
• 플랫폼 기반의 시스템 및 분석 체계
• 제조 공정상의 문제와 이슈를 해결할 수 있는
기반의 최적화된 어플리케이션
• 주요 중점 사항:
- 센서 기반 및 인지 가능한 머신
- 분석 기반의 가시화
- 통합된 시스템
- 표준화 그리고 아키텍처
- 빅데이터와 분석

11. New Way Working model
DevOps ModelTraditional Model
DevOps: myGEAviation
-운영배포 사이클 주기 단축: 4일에서 몇 시간으로
-고객에게 제공되는 다양한 서비스 제공 5배 빨리
-고객/시장 대응 +240% 향상 speed-to-market
일반적 연구/개발, 개발/운영, 혁신/개선 프로세스에서 지속적으로 서비스
개발/운영이 통합되고 지속적으로 발전 시키는 프로세스와 환경으로 전환

12. 자동 리호스팅 Re-Hosting
클라우드 마이그레이션 솔루션 Racemi 혜택
• 소스 서버에 배포
• 안전, 방화벽 친화적
• 라이브 캡처, 낮은 오버헤드, 내구성 지원
• 간단한 Command형 인터페이스
• AWS Identity and Access
Management (IAM) 및 AWS STS
서비스를 통해 보안 위임 지원
• 한 번의 캡처를 통한 다량 배포 가능
GE 방화벽
https
(443)
파일이동
Amazon
EC2 Instances
물리적 서버
가상 기계
에이전트 OG 서브넷
OG 서브넷
Dynacenter
Server
공통 서브넷
사업 간 서비스 상태마이그레이션 가속 자동화사이클 시간 단축 단순화비용 혜택
4 클라우드 서비스 CTQ’s

13. S3Shuttle
s3 게시 및 구독 Java + AWS Native Services
• 유연한 버킷/폴더 구성
• 다중 업로드 활용
• AWS SDK가 포함된 STS 지원
• 업로드 시 SNS 알림
• SNS가 SQS대기열에 알림
• SQS와 느슨하게 결합
• 간단한 명령 행 인터페이스
• 선택적 배송 알림
S3 스토리지 버킷
HTTP를 통한
파일 이동
목적지
SQS 알림 대기열소스
S3 Shuttle
HTTP를 통한
파일 이동
완료 알림
사업 간 서비스 상태마이그레이션 가속 자동화사이클 시간 단축 단순화비용 혜택
4 클라우드 서비스 CTQ’s

14. Philips의 디지털 헬스케어 플랫폼
기존 병원 중심의 헬스케어 제품에서 플랫폼 기반의 서비스 통합 제공

15. Philips의 디지털 헬스케어 플랫폼
HealthSuite IoT Architecture based on AWS
Digital Platform Service

16. Philips의 디지털 헬스케어 플랫폼
클라우드 기반 오픈 소스 디지털 플랫폼 서비스 제공
• 15PB 규모의 데이터를
AWS에서 분석
• AWS IoT를 통한 디바이스
연계 및 센서 데이터 축적
• AWS에 700만 디바이스/
센서/모바일앱 연계
Cloud is the core foundation of
Philips’ Healthcare Platforms:

17. Moving from Legacy to Future proof
100+ Sites
3500+
Servers
Extremely
high Fixed
costs
Old End-of-
term
Infrastructure
No incentives
to Decomm &
Modernize
Governance
42%
3%
25%
1st tier Datacenter
30% Decommission Infra
Local compute
(Darkroom operated)
Workload
Split

18. 레거시에서 클라우드-퍼스트에 이르기까지
• “Break-Fix”
• SLA 기반 관리 서비스
• 예상치 못한 사업중단
• 복잡한 공급망 새로운 수요 발생
• 다양한 버전
• 확장 불가능
• 예약 용량 지불
• “after the fact” 보고
• “Always On”을 위한 설계
• SLA 기반 관리 서비스
• 셀프 프로비저닝, 소비자 주도
• 일반 시장 유효 서비스
• 확장가능 리소스
• 사용한 만큼 지불
• “실시간“ 사용 & 성과Does not represent a
Philips location

19. Creating a Landing Zone - Internet Centric Networking
The Internet
Sites
Private Network – Provider
Internet Edge
SaaS Cloud
ISP
Cloud
Gateway
1
Cloud
Gateway
2
Cloud
Gateway
N
Partner
Tier1
DC
siteMPLS
Direct Connect
MPLS

20. JohnDeere사의 농기계 플랫폼 서비스
MyJohnDeere platform
Intelligent farming
지능화된 농업을 위한 농기계 플랫폼 서비스 제공

21. JohnDeere사의 농기계 플랫폼 서비스
Remote
Control
원격 조종
Mobile
Connect
모바일 연계
Seamless
Analysis
지속적 분석
모바일 원격에서 무인 자동화로 확대하여
Precision Agriculture 정밀 농업 실현

22. JohnDeere사의 농기계 플랫폼 서비스
Connected Mobile Networks
JDLink telematics à JDLink telematics àJohn Deere Farm Sight
à MyJohnDeere Platform

23. 사물 인터넷 – John Deere
§ 장치 연결 및 관리
§ 장치 연결 및 데이터 보안
§ 장치 데이터에 따른 처리 및 작동
§ 언제든지 장치 상태 읽기 및 설정 가능
John Deere사의 기술 정보 솔루션 담당 부사장 Patrick Pinkston은 178년 된 본
회사가 어떻게 아마존 클라우드를 사용하였는지 설명하고 있다.
John Deere는 AWS IoT 솔루션을 통해 개별
작물 및 토지 면적에 대한 농민들의 작물 재배
추적을 가능케 함
https://www.youtube.com/watch?v=uq4kQPsM4cQ

24. Case & Trend Analysis

25. 제품·서비스에서 시스템들의 시스템으로
Product Service Platform & Eco
글로벌 최대 농업 기계/장비 제조 업체인
John Deere는 단지 스마트 팩토리 및
제품에서 벗어나 농업 분야의 산업 경계를
서비스로 확대하고 농장 자동화와 현대화를
위한 플랫폼 서비스 회사로 재탄생

26. Smart, Connected Product의 기능
• 모니터링-제어-최적화-자율화 4가지로 구분
• 각 기능은 이전 단계의 기능에 기반하여 구현
• 예를 들어 제품이 제어 기능을 갖기 위해서는 반드시 모니터링 기능이 전제되어야 함
모니터링
센서 및 외부 데이터 소스를
통해 하단의 종합적 모니터링
수행:
• 제품 상태
• 외부 환경
• 제품 운영 및 사용
모니터링에 기반하여 변동
사항에 대한 경보 및 알람
작동
제품 혹은 제품 클라우드
내장 소프트웨어는 하단
기능 수행:
• 제품 기능 제어
• 사용자 경험(UX) 개인화
모니터링 및 제어 기능은
제품 운영 최적화
알고리즘을 통해 하단 기능
수행:
• 제품 성능 향상
• 사전 예측 진단, 서비스 및
수리
모니터링, 제어 및 최적화
기능의 조합으로 하단
기능 수행:
• 자율적 제품 운영
• 타 제품 및 시스템과의
운영을 위한 자체 조정
• 자율적 제품 향상 및
개인화
• 자가 진단 및 서비스
제 어
최적화
자율화

27. 새로운 시스템 아키텍처
스마트, 커넥티드 제품
위치, 조건, 사용 등 관련 데이터
외부
가격, 날씨, 공급업체 재고
등 관련 데이터
기업
서비스 이력, 품질보증 상태
등 관련 데이터
데이터 레이크
비가공 데이터, 다양한
포맷 등으로 구성
서술 진단 예측 지시
제품 상태, 환경,
운영 서술
제품 성능 감소 및
고장 원인 검토
패턴에 기반하여
임박 사건 예측
결과 개선 및 문제
해결 솔루션 탐색
비즈니스 고객 파트너
데이터소스
분석
가공하지 않은
데이터
심층 정보
기본 정보
사용 패턴 등
제어와 최적화
성능 향상 SW
업그레이드 등 통해

28. Product+Service+Plattform을 위한 아키텍처

29. IT와 OT와의 결합
OT
IT
CONVERGENCE
…
…
Transactional data: orders, supply network, product design …
MATERIALS &
TRANSPORT
CONTROLLERSSENSORS,
ACTUATORS
MACHINES &
EQUIPMENT
FINANCIALS HR LOGISTICS QUALITY CRMERP
Real-time data: control, safety, security …
IoT = IT+OT à The Connected Enterprise

30. 실시간 Supply Chain 분석 체계
• Input batches
• Processing
temperature,
humidity, pressure
• Dimensions
• Weight
• Strength
• Date of shipment
• Carrier
• Shipping service
• Batch ID
Commodity
• Input batches
• Processing
temperature,
humidity, pressure
• Dimensions
• Weight
• Strength
• Date of shipment
• Carrier
• Shipping service
• Serial no.
Part
• Input serial no.
• Processing
temperature,
humidity, pressure
• Dimensions
• Weight
• Date of shipment
• Carrier
• Shipping service
• Serial no.
Module
• Model
• Configuration
• Input serial no.
• Processing
temperature,
humidity, pressure
• Dimensions
• Weight
• Destination
• Dealer, customer
• Chassis no.
Product
• Tracking ID
• Label
• Pick-up station
• Delivery station
• Current location
• Environmental
data
• Tracking ID
• Label
• Pick-up station
• Delivery station
• Current location
• Environmental
data
• Tracking ID
• Label
• Pick-up station
• Delivery station
• Current location
• Environmental
data
AWS Kinesis

31. 실시간 Supplier Networks Analytics
실시간 물류 데이터 수집 및 분석, 공급 업체/OEM/물류 파트너 네트워크 개방 플랫폼
§ 물류 지연에 대한 실시간 경보
§ 날씨, 제품 품질 등의 신호 기반 실시간 선제 조치 트리거
분산된 공급망이 생성하는 전세계 정보 분산과
일치하는 데이터 수집 및 분석 인프라 제공
§ 실시간 데이터 수집 : Kinesis
§ 수집 된 데이터의 안전하고 내구성있는 스토리지 : S3
§ 신호에 대한 데이터 분석 : EMR
§ 패턴 감지를위한 빠른 분석 : Redshift
§ SAP와 같은 추가 워크 플로우에 연결할 수있는 커넥터
프레임 워크 및 확장 가능한 플랫폼

32. Engineering Workplace: PLM
모든 제품 데이터 관련 데이터 인프라 지원
(엔지니어링~품질 보증~판매 후 문서화)
데이터 중복을 피하기 위해 OEM, 중장비 PLM 시스템에 공급 업체, 엔지니어링 서비스 제공 업체,
판매 업체 네트워크 등 연결 à 제품 개발주기 단축
§ 핵심 PLM 인프라를위한 EC2, RDS 및 VPC 엔지니어링
데이터를 위한 안전성
§ 비용 효율적인 계층형 스토리지 솔루션을 위한 빌딩 블록
S3 / Glacier
§ 파트너 에코 시스템 (Siemens, Dassault 또는 PTC와 같은
PLM 공급 업체, 데이터베이스 공급 업체, 계층형 스토리지
솔루션 제공 업체) 및 시스템 통합 업체
엔지니어링 데이터 호스트 글로벌 인프라 제공

33. PLM: Siemens Teamcenter on AWS
• Full Cloud or Hybrid 제공
• Training, Dev & Test, HA
Production, Disaster Recovery
Siemens Frameworks and Best Practices

34. Engineering Workplace: 시뮬레이션
P2C4
클라우드의 HPC 클러스터 온 디맨드 엔지니어링 시뮬레이션
더 많은 모델의 시뮬레이션 능력은 더 많은 혁신을 가져 오지만,
컴퓨팅 용량을 계획하는 방법은 "n+1"시뮬레이션 실행의 한계 비용 감소, 제품 개발주기 단축
데이터 세트: 거대하지만 효율적으로 데이터를 저장하며, CPU를 데이터 분석에 더 가깝게 제공
§ C4 인스턴스 : CPU 최적화 (인텔)
§ P2 인스턴스 : GPU 최적화 (엔비디아)
§ 스팟(Spot)으로 모델 예약 구매
§ 다양한 운영 체제
최신 CPU, 스토리지 및 네트워크 기술을
갖춘 컴퓨팅 최적화 인스턴스 유형 제공

35. PLM: Engineering Collaboration
• Centralized Data Storage
• Global low-latency Access and
Collaboration

36. Engineering Workplace Simulation 사례
“클라우드는 우리가 전에보다 빨리 혁신 할 수있는 기회를 제공합니다.”
- Ayumi Tada, IT System Administrator, Honda R&D
§ 충돌 및 재료 역학 시뮬레이션
§ 유체 및 열역학 시뮬레이션
§ 차체 공기 역학
§ 전자기 및 전자기장 시뮬레이션
자동차 부문의 시뮬레이션
§ AWS Spot에 확장 가능 HPC 클러스터 배포
(최대 1000 개의 C3 인스턴스)
§ 보다 정확한 결과를 위해 이전보다 많은 시뮬레이션 실행
혼다 재료 역학 시뮬레이션

37. Proposal AWS Service

38. 4차산업 혁명의 제조업의 방향
현장 중심형 스마트팩토리 프레임웍크
Automation Intelligence Datalize

39. 제조업에 제안드리는 AWS 서비스
High Performance
Compute
Internet of Things
Modeling and
Simulation
Archive
Correlation
Analysis
Mobile
DeviceVarious
Sensors
HTTPS
Device
Persistent
Stream
Intelligent Services
By Deep Learning
Artificial Intelligence
Connected, Automated,
Control
Big Data Micro Data

40. IoT 도입을 위한 고려 사항
Things
Sense
& Act
Cloud
Storage
& Compute
Intelligence
Insights &
Logic → Action
Connectivity
Domain expertise/Applications
System Integration (internal and external)
IOT Strategy/ Business Model

41. IoT의 3대 기본 사항
Things
Sense
& Act
Cloud
Storage
& Compute
Intelligence
Insights &
Logic → Action
Intelligence
Things
Cloud orchestration
Re-definition of “IoT”

42. The AWS IOT Data flow model
Customers
Devices, things
and data sources
The AWS IOT Platform AWS Cloud Services

43. AWS IOT – Unique Value Proposition
Lex Machine Learning
Polly Rekognition
Customers Devices, things
and data sources
The AWS IOT Platform
Network Compute
Storage
Scale
Product Development
Marketplace
Integration

44. IoT, Seamless Connected Device
왕복 지연
간헐적 연결
고가의 대역폭
Cloud
Sensor
Machine
Device Factory
기기를 다시 작성하거나 프로그램하지 않는 한 기기의 기본적 내용으로 제한.
임베디드 소프트웨어 프로그래밍 및 업데이트에는 전문적 기술이 필요.
클라우드에서 원활하게 IoT 애플리케이션 실행
로컬 디바이스/장치에서 제한된 애플리케이션 독자적 실행
일관성과 기능 서비스를 갖추기 위해 프로그래밍 모델에서 유연성이 필요
장치가 자체적으로 이해할 수 있고, 신호가 있을 때 클라우드 연계, 필요할 때 상호통신.
클라우드에 최적화된
IoT 서비스를
디바이스에 임베디드

45. AWS IOT – Seamless Connected Device
A W S G r e e n g r a s s
Embed Lambda Compute (& Other AWS Services) in
Connected Devices
Use The Same AWS Programming Model In Devices And The Cloud
Local Compute, Messaging & Data Caching
Local
compute
Local
data caching
Secure
communications
Local
messaging
클라우드에 최적화된 IoT 서비스를 디바이스에 임베디드

46. 제조업 IoT 도입 사례
IoT
고장 예측
자산 업타임 확대, 서비스 비용 절감
적응형 진단
가동 시간 향상, 서비스 및 보증 비용 절감
IoT 장치 관리
장치 무결성 및 운영비 절감
상태 기반 정비
능률 개선, 서비스 비용 절감
자산 최적화
자산 성과 및 능률 개선
자산 활용
상품 디자인 및 준수 개선

47. 제조업 內 IoT
§ 고장 예측 (자산 업타임 개선)
§ 품질보증 스코어링 (보증 비용 절감)
§ 성과 데이터 (상품 차별화 개선)
§ 조건부 정비
(지원 비용 절감)
§ 예측형 진단
(지원 비용 절감)
§ 고장 예측 (자산 업타임 개선)
§ 자산 최적화 (운영 가시성)
§ IoT 장치 관리
(OTA 운영 구성 및 원격 관리)
장비 OEM
수집
판단
분석
결합
제조사/공장 고객

48. IoT 도입 모델
데이터 취합
복잡 상황 감지
데이터 모델링
알고리즘

49. 글로벌 IoT Case Study - Seeed Studio
시드 스튜디오는 공장형 제조기업
하드웨어 스타트업에게 저렴한 비용으로 소량생산이 가능
시제품까지 완성 가능한 One Stop Solution 제공
SMT Line
Make Shop
(3DP/밀링머신/CNC)
Incubating Space + Open Source HW 모듈
협력사(디자인/대기업)
HW Startups
제품 디자인과 설계 – Make Shop을 통한 프로토타입 제작 및
평가 – 금형 설계 – 양산 과정 에 이르기 까지 Startup들의
아이디어를 실제로 제품화하는데 필요한 Ecosystem 구축

50. Seeed Studio의 Open Source HW 제품군을
이용한 IoT 제품+서비스 개발 프로세스
• Seeed Studio의 강점은 자체 Open
Source HW 제품군을 전세계 IoT
Startup/기업들에게 제공
• IoT 기기에 연동되는 Application 개발
시 필요한 Cloud 서비스까지 지원하기
위해 AWS와도 제휴를 맺고 있음
• AWS입장에서는 Seeed Studio는
전세계 HW Startup과 협업하는
중요한 Premium Partner임

51. Agile Manufacturing 시스템 체계 구축
Seeed Studio의 IoT 제품을 기획-개발하는데 즉시 사용가능한 Starter Kit
• HW Startup이 어떤 IoT 서비스를 개발할 것인가에 따라 고를 수 있는 Startker Kit 제공
• AWS-Seeed Studio간의 관계는 수평적인 전략적 제휴 관계
- Seeed Studio는 중국 내 IoT Startup들이 자연스럽게 AWS의 IoT를 도입 및 활용

52. A Flywheel For Data
Machine Learning
Deep Learning
AI
Better Products
Better Analytics
Object Storage
Databases
Data warehouse
Streaming analytics
BI
Hadoop
Spark/Presto
Elasticsearch
More Users
More Data
Click stream
User activity
Generated content
Purchases
Clicks
Likes
Sensor data

53. A Flywheel For Data
Machine Learning &
Artificial Intelligence
Big Data Analytics
More Users Better Products
More Data Better Analytics

54. Machine Learning 기계 학습
Collect
Validation data Test dataTraining data
Model training Model validation Final predictions
수집
학습데이터 확인/처리
데이터
테스트 데이터
모델 학습 모델 검증
최종 예측
Data
Output
Computer
Program
개인화
문서 분류
부정방지
추천엔진
고객이탈 방지
processing Use Case
신상품 예측 상품 평가 분석 ASIN 상품 식별 번호 전환 상품 검사(시각화)

55. 딥러닝 정의 Deep Learning – Advanced ML
Neural Networks :
A collection of simple, trainable mathematical units that collectively learn complex functions
Where traditional machine learning focuses on feature
engineering, deep learning focuses on end-to-end
learning based on raw features

56. The Advent of Deep Learning
Algorithms
Data
Programming
Models
GPUs &
Acceleration
image understanding
natural language
processing
speech recognition
autonomy

57. Machine Learning 기계 학습
Collect
Validation data Test dataTraining data
Model training Model validation Final predictions
수집
학습데이터 확인/처리
데이터
테스트 데이터
모델 학습 모델 검증
최종 예측
Data
Output
Computer
Program
개인화
문서 분류
부정방지
추천엔진
고객이탈 방지
processing Use Case
신상품 예측 상품 평가 분석 ASIN 상품 식별 번호 전환 상품 검사(시각화)

58. Amazon AI Suite
Intelligent Services Powered By Deep Learning

59. Amazon AI
Life-like Speech
Polly Lex
Conversational
Engine
Rekognition
Image Analysis
Image Recognition And Analysis
Powered By Deep Learning
Text To Speech
Powered By Deep Learning
Natural Language Understanding &
Automatic Speech Recognition
Powered By Deep Learning

60. Polly: 자연스러운 음성 서비스
텍스트를 자연스러운
음성으로 변환
47개 목소리 24개 언어
지연 시간 감소
및 실시간
완전한 관리
음질 및 발음
1. 자동, 정확 텍스트 프로세싱
2. 이해하기 쉬운
3. 텍스트에 의미 부여
4. 맞춤형 발음
기사 및 블로그
교육 자료
챗봇 (Lex)
공표

61. Amazon Rekognition
사물 및 풍경 인식 얼굴 분석 얼굴 비교 얼굴 인식
S3, Lambda, Polly, Lex와 통합
딥러닝 기반 이미지 인식 서비스
수많은 이미지를 검색, 검증, 조직화

62. Amazon Lex - 특장점
텍스트 및 음성 언어 이해 : Alexa와 동일한 기술로 구동
엔터프라이즈 SaaS 커넥터 : 엔터프라이즈 시스템에 연결
채팅 서비스 개발 및 구축
서비스 제공자를 위한 설계 : 대화를 구축 할 수있는
효율적이고 직관적 인 도구. 자동으로 탄력성/확장성이 있다.
버전 관리 및 네이밍(Alias) 지원

63. Amazon Lex – 도입 유형 Use Cases
정보봇 서비스 - Informational Bots
모든 고객의 매일 일상적 질의에 대한 챗봇 서비스
Chatbots for everyday consumer requests
어플리케이션 봇 - Application Bots
모바일 어플리케이션에 강력한 인터페이스 연계
Build powerful interfaces to mobile applications
• 뉴스 업데이트
• 날씨 정보
• 스포츠 경기
스코어
기업 생산성 봇 – Enterprise Productivity Bots
기업의 업무에서 생산성 향상과 업무 과정상에 지원
Streamline enterprise work activities and improve efficiencies
• 매출 확인
• 마케팅 상황/결과
• 실시간 재고 파악
IoT 봇 – Internet of Things (IoT) Bots
디바이스 상호 자굥에서 인터페이스를 통한 대화(컨트롤)가능
Enable conversational interfaces for device interactions
• 웨어러블
• 원격 어플리케이션
• 자동화

64. Enterprise Connectors with Mobile Hub
Amazon Lex
Mobile App
Mobile Hub
SaaS Connector
Amazon API
Gateway
AWS
Lambda
1: Understand
user intent
Amazon API
Gateway
AWS
Lambda
3: Translate
REST response
into natural
language
Mobile Hub
Custom Connector
2: Invoke a SaaS
application or an existing
business application
Business
Application
Firewall
User Input

65. High Performance Compute 고성능 컴퓨팅
결과 시간 저비용 탄력성 전세계 접근성보안 확장성
• 대용량, 계산 집약적 작업의 일괄 처리
• 결과에 대한 집계, 보고, 시각화 필요
• 고성능 CPU, 네트워크, 스토리지 요구
• 다양한 수준의 클라우드 성숙도를 가진 ISV에 기반한 워크플로우
Modeling and Simulation

66. 클라우드의 기업용 HPC를 위한 동기 부여
Cloud for HPC Scalability
Cloud for Secure Global Collaboration
Cloud for Big Data
Amazon Linux 또는 3.10 버전 이상의 Linux
kernel 사용
OS 버전
P-states를 사용하여 프로세서 변동성 감소
CPU 선호도를 사용하여 CPU 코어 스레드 연결
Intel MPI 권장
프로세서 상태 및 선호도
MPI 라이브러리
하이퍼스레딩 켜고 끄기 테스트
보통 꺼져 있는 것이 좋지만, 항상 그런 것은 아님
하이퍼스레딩
최대 EC2 인스턴스 크기에서의 최고 성능
네트워크 초과 신청 없는 배치 그룹 전체 단면적 대역폭
1M PPS 이상의 성능, 인스턴스 간 대기 시간 감소
Proprietary Elastic Network Adaptor
현재 20Gbps, 30Gbps 출시 예정
AWS 전매 네트워킹
향상된 네트워킹

67. Migrating HPC to AWS
Shared File Storage
Cloud-based, auto-scaling HPC cluster
on EC2
License managers and cluster
head nodes with job schedulers
3D graphics virtual workstation
AWS Direct Connect
On-Premises IT
Resources
Thin or Zero Client
- No local data -
Storage CacheAmazon S3
and Glacier

68. HPC에 주목하는 AWS
HPC 워크로드는 AWS 고객의 최우선 순위
제조, 자동차, 우주항공, 반도체, 생명과학, 금융 서비스,
에너지, 연구 분야 등
HPC와 함께하는 AWS
§ 머신러닝
§ 데이터센터, 네트워크, 서버 설계
§ 고객 상품 설계
§ 로봇 공학
§ 반도체 설계
§ 소매 및 금융 분석

69. AWS의 Big Data 도구
Amazon
S3
Amazon
Kinesis
Amazon
DynamoDB
Amazon
Redshift
Amazon
Elastic
MapReduce
• 무엇이든 저장
• 오브젝트
스토리지
• 확장성
• 내구성
99.999999999%
• 실시간 처리
• 뛰어난 처리능력;
탄력적
• 쉬운 사용
• EMR, S3, Redshift,
DynamoDB 연계
• NoSQL DB
• 지속적 확장성
• 관리 필요없음
• 한자리 수
밀리세컨드의
low-latency
• 관계형 데이터
웨어파우스
• 병렬처리
• 페타바이트
• 연간 1
테라바이트에
대한 완전
관리서비스 비용:
$1,000
• Hadoop/HDFS
클러스터
• Hive, Pig, Impala,
Hbase
• 완전관리서비스
제공, 쉬운 사용
• 온디맨드, 스팟
• S3, DynamoDB,
Kinesis와
견고하게 연계

70. Legacy Data Architectures Exist
as Isolated Data Silos
Hadoop
Cluster
SQL
Database
Data
Warehouse
Appliance

71. Data Lake 아키텍처 진입
What is Data Lake?
대용량, 이종 데이터 저장 및 분석에
유용한 새로운 아키텍처

72. Data Lake 혜택
하나의 중앙집중형 장소에서 모든 소스의
모든 데이터 저장 및 분석
모든 데이터를 하나의 장소에
사전 정의된 스키마에 맞출 필요 없이
빠르게 데이터 수집
신속 데이터 수집
분리된 스토리지 및 컴퓨팅을 통해
각 요소의 크기 조정 가능
스토리지 vs 컴퓨팅
스키마-온-라이트가 아닌
스키마-온-리드를 통해 즉각적 분석이 가능
모든 데이터를 하나의 장소에

73. Building a Data Lake on AWS
Kinesis Firehose
Athena
Query Service