AWS IoT Analytics

IoT 디바이스에 대한 분석

AWS IoT Analytics는 자체 IoT 분석 플랫폼을 구축하는 데 일반적으로 필요한 비용과 복잡성에 대해 전혀 걱정할 필요 없이 대규모 IoT 데이터에 대한 정교한 분석을 손쉽게 실행할 수 있게 해주는 완전관리형 서비스입니다. 이는 IoT 데이터에 대한 분석을 실행하고 IoT 애플리케이션 및 기계 학습 사용 사례에 대해 더욱 유용하고 정확한 결정을 내리는 데 도움이 되는 통찰력을 얻는 가장 쉬운 방법입니다.

IoT 데이터는 대부분 비정형 데이터이므로 정형 데이터를 처리하도록 설계된 기존 분석 및 비즈니스 인텔리전스 도구로 분석하기가 어렵습니다. IoT 데이터는 흔히 온도, 동작 또는 소리와 같이 잡음이 많은 과정을 기록하는 디바이스에서 수신됩니다. 따라서 이러한 디바이스의 데이터에는 분석을 수행하기 전에 정리되어야 하는 상당한 격차, 손상된 메시지 및 오측이 빈번하게 발생합니다. 또한, IoT 데이터는 외부 소스의 다른 데이터의 컨텍스트에서만 의미가 있는 경우가 많습니다. 예를 들어 작물에 물을 주는 시점을 결정하기 위해 포도밭 관개 시스템은 보통 포도밭의 강우 데이터로 습도 센서 데이터를 보강하여 수확량을 극대화하면서 동시에 좀 더 효율적으로 용수를 사용할 수 있습니다.

AWS IoT Analytics는 IoT 디바이스의 데이터를 분석하는 데 필요한 까다로운 각 단계를 자동화합니다. IoT Analytics는 분석을 위해 시계열 데이터 스토어에 저장하기 전에 IoT 데이터를 필터링, 변환 및 보강합니다. 디바이스에서 필요한 데이터만 수집하도록 서비스를 설정하고, 데이터를 처리하는 데 수학적 변환을 적용하고, 처리된 데이터를 저장하기 전에 디바이스 유형 및 위치와 같은 디바이스별 메타데이터로 데이터를 보강할 수 있습니다. 그런 다음, 내장된 SQL 쿼리 엔진으로 임시 또는 예정된 쿼리를 실행하여 데이터를 분석하거나, 좀 더 복잡한 분석 및 기계 학습 추론을 수행할 수 있습니다. IoT Analytics를 사용하면 일반 IoT 사용 사례에 대해 미리 구축된 모델을 추가함으로써 기계 학습을 손쉽게 시작할 수 있습니다. 따라서 어떤 디바이스에 장애가 발생할지 어떤 고객이 웨어러블 디바이스를 포기할 가능성이 높은지와 같은 질문에 신속하게 답할 수 있습니다.

AWS IoT Analytics는 완전관리형이며 최대 페타바이트 규모까지 IoT 데이터를 지원하도록 자동으로 확장됩니다. IoT Analytics에서는 하드웨어 또는 인프라를 관리하지 않고도 디바이스 수백만 개의 데이터를 분석하고 빠른 응답형 IoT 애플리케이션을 구축할 수 있습니다.

자세한 내용은 AWS IoT Analytics 설명서 페이지를 참조하십시오.

AWS IoT Analytics – How it Works

AWS IoT Analytics 이점

IoT 데이터에 대한 쿼리를 손쉽게 실행

AWS IoT Analytics에서는 내장된 IoT Analytics SQL 쿼리 엔진을 사용해 간단한 임시 쿼리를 실행할 수 있습니다. 이 서비스를 사용하면 표준 SQL 쿼리를 사용해 데이터 스토어에서 데이터를 추출하여, 연결된 차량 플릿이 주행한 평균 거리 또는 스마트 빌딩에서 저녁 7시 이후에 몇 개의 문이 잠겼는지와 같은 질문에 답할 수 있습니다. 이러한 쿼리는 연결된 디바이스, 플릿 크기 및 분석 요구 사항이 변경되어도 재사용할 수 있습니다.

시계열 분석 실행

또한, AWS IoT Analytics는 시계열 분석을 지원하므로 일정 기간 동안 디바이스 성능을 분석하고, 어디에서 어떻게 디바이스가 사용되는지 파악하고, 지속적으로 디바이스 데이터를 모니터링하여 유지 관리 문제를 예측하고, 센서를 모니터링하여 환경 조건을 예측하고 이에 대응할 수 있습니다.

IoT에 최적화된 데이터 스토리지

AWS IoT Analytics는 일반적으로 시간을 기준으로 포함하는 IoT 쿼리에 빠른 응답 시간을 제공하도록 최적화된 시계열 데이터 스토어에 처리된 디바이스 데이터를 저장합니다. 또한, 원시 데이터는 나중에 처리하거나 다른 사용 사례에 맞춰 재처리하기 위해 자동으로 저장됩니다.

분석을 위해 IoT 데이터를 준비

AWS IoT Analytics에는 분석을 위해 손쉽게 데이터를 준비하고 처리할 수 있게 해주는 데이터 준비 기법이 포함되어 있습니다. IoT Analytics는 AWS IoT Core와 통합되므로, 간편하게 연결된 디바이스에서 직접 디바이스 데이터를 수집할 수 있습니다. 데이터에서 오측을 정리하고 격차를 줄이고 메시지 데이터의 수학적 변환을 수행합니다. 데이터가 수집됨에 따라 IoT Analytics는 조건문을 사용해 이를 처리하고, 데이터를 필터링하여 분석하려는 데이터만 수집하고, AWS IoT Registry의 정보로 이를 보강할 수 있습니다. 또한, AWS Lambda 함수를 사용해 Weather Service, HERE Maps, Salesforce 또는 Amazon DynamoDB와 같은 외부 소스의 디바이스 데이터를 보강할 수 있습니다. 예를 들어 날씨 데이터와 매핑 정보를 조합하여 디바이스 환경에 대한 더 유용한 정보를 만들 수 있습니다.

기계 학습을 위한 도구

AWS IoT Analytics를 사용하면 호스팅된 Jupyter 노트북으로 간편하게 IoT 데이터에 기계 학습을 적용할 수 있습니다. 기본 인프라를 관리할 필요 없이 IoT 데이터를 노트북에 직접 연결하고 IoT Analytics 콘솔에서 바로 모델을 구축, 교육 및 실행할 수 있습니다. AWS IoT Analytics를 사용하면 기계 학습 알고리즘을 디바이스 데이터에 적용하여 플릿 내 각 디바이스에 대한 상태 점수를 생성할 수 있습니다. 예를 들어 자동차 제조사는 브레이크 패드를 교체해야 하는 고객이 누구인지 탐지하여 차량 유지 보수를 받도록 알릴 수 있습니다.

자동 규모 조정 및 사용한 만큼 지불하는 요금제

AWS IoT Analytics는 최대 페타바이트 규모까지 IoT 데이터를 지원하도록 자동으로 확장되며 사용한 만큼만 비용을 지불하는 완전관리형 서비스입니다. IoT Analytics를 사용하면 하드웨어 또는 인프라를 관리하지 않고도 연결된 디바이스의 전체 플릿을 분석할 수 있습니다. 요구 사항 변화에 따라 컴퓨팅 파워와 데이터 스토어가 자동으로 확장 또는 축소되므로 언제나 IoT 애플리케이션에 적합한 용량을 유지할 수 있으며 사용한 리소스에 대해서만 비용을 지불하면 됩니다.

작동 방식

사용 사례

스마트 농업

AWS IoT Analytics는 AWS IoT Registry 및 기타 퍼블릭 데이터 소스를 사용해 컨텍스트 메타데이터로 IoT 디바이스 데이터를 자동으로 보강할 수 있으므로, 시간, 위치, 온도, 고도 및 기타 환경 조건을 고려하여 분석을 수행할 수 있습니다. 이러한 분석을 통해 디바이스가 현장에서 수행할 수 있는 권장 조치를 출력하는 모델을 만들 수 있습니다. 예를 들어 연결된 농업 장비의 기사가 IoT Analytics를 사용해 예상되는 강우량으로 습도 센서 데이터를 보강하여 자동화된 관개 장비의 용수 효율성을 최적화할 수 있습니다.

예측 유지 보수

AWS IoT Analytics는 강력한 예측 유지 보수 모델을 구축하고 이를 플릿에 적용하는 데 도움이 되도록 미리 구축된 템플릿을 제공합니다. 예를 들어 IoT Analytics를 사용해 연결된 화물 차량의 난방 및 냉각 시스템이 언제 고장 날지 예측할 수 있으므로 화물이 손상되지 않도록 차량 경로를 조정할 수 있습니다.

상품을 미리 보충

AWS IoT Analytics를 사용하면 실시간으로 인벤토리를 모니터링하는 IoT 애플리케이션을 구축할 수 있습니다. 예를 들어 식음료 회사는 IoT Analytics를 사용해 식품 자판기의 데이터를 분석하고, 식품 재고가 떨어져 갈 때마다 미리 해당 자판기와 항목에 대해 상품을 재주문할 수 있습니다.

프로세스 효율성 점수

기업에서는 AWS IoT Analytics를 사용하여 서로 다른 프로세스의 효율성을 지속적으로 모니터링하고 해당 프로세스를 개선하기 위한 조치를 취하는 애플리케이션을 구축할 수 있습니다. 예를 들어 광산업체에서는 운행별로 적재량을 극대화하여 광물 트럭의 효율성을 개선할 수 있습니다. 이 업체는 IoT Analytics를 사용하여 일정 기간 동안 위치 또는 트럭에 가장 효율적인 적재량을 파악한 후, 목표 적재량의 편차를 실시간으로 비교하여 효율성 증대를 위한 적재 지침을 수립할 수 있습니다.