[IBM PMQ] 빅데이터 분석 및 예측 시스템을 통해 시스템 및 BI의 혁신을 이끌어내다. IBM의 예지 정비 PMQ 솔루션 이야기

최근 IT 세계의 화두 중 하나가 다름아닌 빅데이터다. 대용량의 그리고 서로 다른 형식의 데이터들을 어떻게 빨리 모아서 처리하고 분석하고 그것을 의미있는 데이터로 만들어서 다른 용도로 사용할 수 있는가를 연구하는 빅데이터 시스템의 기술이 이제는 본격적으로 제대로 된 시스템화 되어서 시장에 나오고 있다. 예전처럼 SNS에서 데이터를 수집하고 트랜드를 분석하는 수준이 아니라 그 이상의 뭔가를 만들어내는 상황이 온 거이다. 오늘 가볍게 소개하려고 하는 IBM의 PMQ가 불리는 예지 정비 솔루션이 바로 그 좋은 예라는 생각이 든다.

IBM PMQ(Predictive Maintenance Quality) 솔루션은 공장 등에서 설비 및 부품의 이상을 실시간 예측하고 최적의 대응 방안을 알려줌으로써 생산 효율을 극대화 시켜주는 솔루션이다. 이 솔루션은 데이터 기반 예측분석을 통해, 설비 및 부품의 이상을 실시간 예측하여 전달해줌으로써, 생산 제품의 품질 문제를 탐지하고 해결할 수 있도록 도와준다고 한다. 이 솔루션을 통해 품질보증 비용 5% 감소, 반복 수리비용 50% 감소, 경합금 주물 폐기율 12주간 80% 감소 등의 효과를 거둘 수 있다고 얘기한다. 뭐 그냥 이렇게 얘기하면 이해하기 힘드니 어떻게 저런 식으로 할 수 있는지 살펴보자.

PMQ의 기본적인 분석 실행 프로세스에 대해서 살펴보자. PMQ는 적용하는 산업군이나 회사의 사정에 따라 달라질 수 있겠지만 보통은 아래의 순서에 따라서 움직인다.

1. 문제 파악 : 특정 자산의 고장 유형이나 이벤트의 문제 파악

2. 데이터 검토 : 자산 정보 이력, 정비 이력, 정밀 검사 보고서. RFID 등 다양한 출처의 데이터에 대한 검토

3. 데이터 통합 : 정적 특성(자산 이력 정보 등)과 동적 특성(온도 등)을 종합하는 방식의 데이터 취합

4. 추가 공식화 : 기존의 데이터와 별도로 부품의 고장 발생여부를 의미하는 '1', '0'을 기제하는 방법이나 부품당 평균 비용을 산정하는 방법 등으로 공식화

5. 고장 예측 변수 측정 : 가장 적합한 고장 예측 변수를 찾아냄

6. 모형화의 정확도 / 논리 테스트 : 자사의 경험을 토대로 이전 단계에 완성한 모형을 평가하여 모형화의 정확도와 논리를 단기간에 테스트

7. 효과적 적용 방법 연구 : 자사에 가장 효과적인 적용 방법 연구

8. 정보 생성 및 프로세스 사이클 개발 : 정확도 유지와 개선을 위한 정보 생성, 실제 반응의 피드백을 받을 수 있는 프로세스 사이클 개발

9. 모니터링과 추적 : 진행 상황을 모니터링하고 추적

위의 분석 실행 프로세스를 간략하게 정리하면 아래의 5가지 순서로 요약할 수 있다.

1. 데이터 수집 / 통합

2. 예측 모델 생성

3. 원인 분석

4. Alert / 대응방안 수립 및 권고

5. 대응방안 실행

내용을 보면 기존 빅데이터를 활용한 예측 시스템과 비슷한 프로세스로 진행한다는 것을 알 수 있다. PMQ는 빅데이터의 예측 시스템 방식을 어떻게 산업에 잘 적용하여 제대로 된 빅데이터 시스템을 구축할 것인가를 잘 보여주는 시스템이라는 생각이 든다. 비정형 데이터인 다양한 이력, 보고서, 센서에서 수집된 정보 등을 통합하는 작업도 중요하고 어려운 일이지만 빅데이터 시스템의 엔진 역할을 맡고 있는 하둡을 다뤄본 사람이라면 최근의 기술로는 그렇게 어렵지 않다는 것을 알 수 있을 것이다.

이 시스템의 어떻게 보면 진짜 핵심은 예측 모델을 생성하고 원인을 분석하여 대응방안을 수립하는 것이 아닐까 싶다. 실제로 빅데이터 예측 시스템의 핵심은 데이터를 수집하는 것보다 그것을 어떤 예측 변수를 이용하여 분석하는 것인가 하는 데 있는데 PMQ의 핵심 역시 추가 공식화와 고장 예측 변수 측정, 모형화의 과정이 바로 이 과정에 속하며 IBM의 실제 역량이 잘 드러나는 부분이 아닐까 싶다.

IBM의 PMQ에 대해서는 아래의 동영상을 살펴보면 좀 더 이해가 쉬울 듯 싶다.

제대로 된 예측 시스템은 기업의 BI를 개선하고 생산성과 품질, 그리고 신뢰성을 향상시킨다.

IBM의 PMQ 솔루션을 통해서 제품의 품질이 개선된 사례들이 몇개가 있는데 그중에 하나인 BMW와 헨리 데이비스의 사례를 들어보고자 한다.

BMW는 차량 생산 정보, 고객정보, 차량 운행 정보를 통합 분석함으로써 신규 차량에 대한 품질보증 청구를 감소시키고 있는데 그 결과 품질보증 비용 5% 감소, 반복 수리비용 50% 감소로 나타나고 있다고 한다. 또한 경합금 주물공장의 생산 공정상에서 발생하는 품질 관련 문제를 신속히 탐지하고 해결하는데 활용되고 있는데 경합금 주물 폐기율 12주간 80% 감소라는 효과를 거두고 있다고 한다. BMW는 IBM의 PMQ 솔루션을 통해 반복적으로 발생하는 정비 이력을 취합하여 악몽같은 리콜 사태를 막을 수 있었다고 한다. 이는 사용자로 하여금 제품의 품질을 높히고 소비자로 하여금 제품의 신뢰성을 높히는 효과를 가져올 수 있다는 얘기다.

헨리 데이비스의 경우에는 IBM의 PMQ 솔루션을 도입함으로 사전에 장비 이상을 발견함으로써 품질 보증 이슈에 사전 대처할 수 있었다. 전체 공정 중 장비의 이상을 사전에 발견하고 이를 개선하여 품질 보증 문제에서 발생할 수 있는 이슈를 사전에 제거하여 고품질의 제품 생산을 유지할 수 있도록 하였으며 모터사이클에서 발생 가능한 이상 현상을 사전에 식별하여 라이딩 시즌 전에 고객들에게 공지해줌으로써 고객 만족도를 향상시킬 수 있었다. 기존 제품들에 있었던 장비적 결함이나 고객들의 불만 사항을 분석하여 신규 모델을 개발할 때 반영하여 한 층 더 진보된 제품을 만들어 고객들에게 알림으로써 품질에 대한 신뢰를 형성할 수 있었다고 한다. 헨리 데이비스는 IBM 예지 정비 솔루션 도입 이후 58억 달러 매출이 증가하였고, 도입한 해에 신규 바이크 343,981대를 판매했다고 한다.

이 외에도 다양한 기업 혁신의 사례를 아래의 동영상으로 소개하려고 한다.

좀 더 이해가 쉽지 않을까 싶다.

최근 빅데이터를 이용하여 생산 공정에 활용하려는 사례들은 많이 생기고 있다. 하지만 여러 시도들이 있었지만 대부분이 실패한 사례로 남는 경우가 많다. 이는 예측 시스템에 대한 제대로 된 경험과 기술이 부족하기 때문이다. 위에서 언급했듯 빅데이터 예측 시스템의 가장 핵심은 데이터를 취합하는 것이 아닌 분석하는 과정에 있는데 수많은 예측 시스템의 문제점은 그 분석 과정에서 드러난다. 예측 변수를 제대로 만들어내지 못한다는 얘기다. 이런 부분이 제대로 해결되지 않으면 제대로 된 빅데이터 예측 시스템을 만들 수 없으며 그 시스템을 통해서 시스템 혁신을 이루려는 시용자들의 기대도 물거품이 될 것이다. 그런 의미에서 이미 좋은 사례를 갖고 있는 IBM의 PMQ 솔루션은 꽤 의미가 있는 솔루션이 아닌가 하는 생각을 해본다.

자세한 내용은 여기[http://ibm.co/1vM8BZ5] 에서 확인해보면 될 듯 싶다.

"이 포스팅은 한국 IBM 소프트웨어의 의뢰로 원고료(현금)를 받고 작성되었습니다"