작성자 : Techopedia Staff, 2016 년 9 월 22 일
테이크 아웃 : 호스트 Rebecca Jozwiak가 Dr. Robin Bloor, Dez Blanchfield 및 Dell Statistica의 Shawn Rogers와의 에지 분석에 대해 논의합니다.
현재 로그인하지 않았습니다. 비디오를 보려면 로그인 또는 가입하십시오.
Rebecca Jozwiak : 신사 숙녀 여러분 안녕하세요, 2016 년 Hot Technologies에 오신 것을 환영합니다. 오늘 우리는“Edge Analytics : IoT IoT at Last”를 얻었습니다. 제 이름은 Rebecca Jozwiak입니다. 오늘 웹 캐스트의 중재자가 되겠습니다. 트위터 대화에 참여하고 싶다면 # HOTTECH16의 해시 태그로 트윗합니다.
올해 IoT와 사물 인터넷 인 IoT는 실제로 머신 데이터, 센서 데이터, 로그 데이터, 장치 데이터에 관한 것입니다. 새로운 것은 없으며, 우리는 그 유형의 데이터를 영원히 가지고 있었지만 실제로는 데이터를 사용할 수 없었으며 이제는 그 데이터를 사용하는 수많은 새로운 방법을보고 있습니다. 특히 의료 산업, 석유 및 가스, 원자재가있는 금융 시장에서는 이전에 알려지지 않은 풍부한 정보 일뿐입니다. 그리고 많은 사람들이 실제로 어떻게 잘하는지 잘 이해하지 못했습니다. 우리는 많은 작은 데이터에 대해 이야기하고 있지만 많은 데이터이며 네트워크 문제가 있거나 하드웨어가 관련되어 있거나 처리해야 할 필요가 있으며 시스템을 막지 않고 어떻게해야합니까? 이것이 오늘날 우리가 배울 내용입니다.
여기 전문가들이 있습니다. The Bloor Group의 최고 분석가 인 Robin Bloor 박사가 있습니다. 또한 Bloor Group의 데이터 과학자 Dez Blanchfield도 있습니다. 또한 Dell Statistica의 글로벌 마케팅 및 채널 담당 이사 인 Shawn Rogers를 기쁘게 생각합니다. 그리고 저는 그 공을 로빈에게 전달할 것입니다.
로빈 블로어 박사 : 좋습니다. 감사합니다. 버튼을 누르고 슬라이드를 던지겠습니다. 나는 왜 사물 인터넷을 위해이 종말 그림을 만들 었는지 전혀 모른다. 아마 혼란스러워 질 것 같아서요. 똑바로 움직입니다. 이것은 모든 IoT 프레젠테이션의 과정과 동일합니다. 당신은 어떤 식 으로든 그것이 어디로 가는지에 대해 터무니없는 말을해야합니다. 그리고 실제로, 이것은 대부분 사실 일 것입니다. 실제로 이러한 곡선이 점차 확대되는 방식을 살펴보십시오. 개인용 컴퓨터, 스마트 폰 및 태블릿이 계속 증가 할 것입니다. 스마트 TV는 아마 상승 할 것입니다. 웨어러블은 아마도 몇 년 전에 비해 지금 폭발하고있을 것입니다. 커넥 티드 카, 거의 모든 자동차가 항상 광범위하게 연결되고 데이터를 항상 전송한다는 것은 불가피합니다. 그리고 다른 모든 것. 그리고 BI Intelligence의이 특정 그래프는 다른 모든 것이 명백한 것보다 매우 빠르다는 것을 나타냅니다.
IoT에 대해 무엇을 말할까요? 첫 번째는 단지 건축상의 요점입니다. 데이터를 얻었을 때 처리하는 방법에 관계없이 두 가지를 결합해야합니다. 그리고 볼륨에 데이터가 있고 현재 다양한 장소에 모여서 둘은 더 이상 자연스럽게 함께 있지 않습니다. 예전 메인 프레임 시절이었던 것 같습니다. 따라서 처리 계층, 전송 계층 및 데이터 계층이 있다고 생각할 수 있습니다. 그리고 어떤 식 으로든 오늘날 전송 계층은 처리를 네트워크로 이동 시키거나 데이터를 이동시킬 것입니다. 따라서 선택 사항은 다음과 같습니다. 데이터를 처리로 이동하거나 처리를 데이터로 이동하거나 처리 및 데이터를 편리한 실행 지점으로 이동하거나 처리를 파쇄하고 데이터를 파쇄 할 수 있습니다. 사물 인터넷과 관련하여 데이터는 출생시 이미 거의 샤딩되었으며 실행해야하는 응용 프로그램이 실행될 수 있도록 많은 처리가 샤딩 될 가능성이 있습니다.
그래서 그림을 그렸습니다. IoT에 대해 흥미로운 점은이 다이어그램에서 집계 도메인에 대해 이야기하고 하위 도메인이 있음을 나타냅니다. 여기서 IoT 도메인 1은 일종의 자동차이고 도메인 2와 도메인 3 및 도메인 4는 일종의 자동차이며 로컬로 데이터를 집계하고 해당 데이터에서 로컬 앱을 실행하며 당신은 다양한 것들을 행동에 넣을 것입니다. 그러나 모든 자동차에 대한 분석을 위해서는 데이터를 반드시 중앙으로 전송해야합니다. 반드시 모든 데이터가 아니라 중앙으로 집계해야합니다. 그리고 이것에 대해 생각한다면, 동일한 IoT 사물에 대해 많은 다른 집계 도메인을 원할 수 있습니다. 도메인 자체가 더 집계 될 수 있습니다. 따라서이 반복 계층 구조를 가질 수 있습니다. 기본적으로 우리가 가진 것은 매우 복잡한 네트워크입니다. 우리가 전에 가졌던 것보다 훨씬 더 복잡합니다.
여기 하단에 메모가 있습니다. 리프 노드를 포함한 모든 네트워크 노드는 데이터 작성자, 데이터 저장소 및 처리 지점이 될 수 있습니다. 그리고 그것은 우리에게 이전에는 보지 못했던 분배 가능성을 제공합니다. Dez는 그것에 대해 조금 더 이야기 할 것이므로이 특정 지점으로 넘어가겠습니다. 인터넷에 접속하고 모든 데이터가 실제로 이벤트로 해결되면이 슬라이드의 요점은 이벤트를 표준화해야 함을 나타냅니다. 우리는 최소한 이것을 가져야 할 것입니다. 이벤트가 발생한 시간, 발생한 지리적 위치, 이벤트를 생성 한 프로세스의 가상 또는 논리적 위치, 이벤트를 생성 한 소스 장치, 장치 ID를 통해 이벤트를 생성 한 소스 장치, 소유권을 정확히 알 수 있습니다 데이터와 행위자, 데이터를 어떤 방식 으로든 사용할 권리가있는 사람들은 데이터와 함께 권한을 가져와야합니다. 즉, 실제로는 데이터를 가지고 보안을 수행해야합니다. 데이터 자체. 그리고 이것을 보면, 매 초마다 온도를보고하는 것 이상으로 아무것도하지 않는 센서를 가지고 있더라도 실제로 데이터의 정확한 위치를 식별하기위한 많은 데이터가 있다는 것을 알고 있습니다 기원과 그것이 실제로 무엇인지. 그건 그렇고, 이것은 철저한 목록이 아닙니다.
따라서 미래의 IT 환경에서 볼 수있는 방식은 인터넷입니다. 사물 인터넷 만이 아니라 이벤트 중심의 활동의 세계에있을 것이라는 사실도 있습니다. 이벤트 중심 아키텍처를 가져야하며 이러한 아키텍처는 대규모 네트워크에 걸쳐 있어야합니다. 그리고 다른 것은 실시간 모든 것입니다. 반드시 실시간이어야하는 것은 아니지만 데이터를 실제로 제공하고 준비해야하는 시간 인 업무 시간이라고하는 것이 있습니다. 처리합니다. 그것이 만들어진 후 밀리 초가 아닐 수도 있습니다. 그러나 모든 데이터 조각에 대해 항상 그런 시간이 있으며 일단 이벤트 중심 아키텍처를 가지면 세계가 작동하는 방식에 대한 실시간 접근 방식으로 생각하는 것이 더 합리적입니다.
우리가 실제로 이야기하는 것은 IoT에 대한 분석이기 때문입니다. 이 모든 것에도 불구하고, 여전히 통찰력에 관한 시간이며, 통찰력에 대한 시간 일뿐 아니라 통찰에 따라 행동해야합니다. 통찰 시간과 행동 시간은 내가 그것을 요약 할 것입니다. 그렇게 말하면서, 나는 공을 데즈에게 다시 넘길 것이다.
Dez Blanchfield : 감사합니다, Robin. 항상 통찰력. 모든 경우에 따라야하는 것은 어려운 일이지만, 최선을 다할 것입니다.
내가보고, 자주 접하는 것 중 하나는 정직하고, 부정적이고 부정적 인 형태가 아니라 세상을 지배하는 것들의 인터넷에 대해 많은 우려와 공황이 있습니다. 우리를 슬로 팅하면 데이터를 잃기 시작할 것입니다. 그래서 지난 20 년에서 30 년 동안 우리가 인터넷에 근접한 과거에 해왔 던 일들에 대해 약간 살펴보고 싶습니다. 일의 규모가 같지 않을 수도 있습니다. 그리고 우리가 실제로 여기에 있었고이 속도가 아닌이 수준의 규모가 아닌 일부 문제를 해결했다는 것을 보여 주려고합니다. 그것은 실제로 우리가 문제를 해결할 수 있고 어떤 답이 무엇인지 아는 것을 의미하기 때문에; 우리는 방금 우리가 전에 배운 일부 학습 내용을 적용하고 다시 적용해야합니다. 그리고 이것이 우리가 겪어야 할 전체 대화라는 것을 알고 있으며 Q & A 섹션에서 대화 할 수있는 다양한 재미있는 것들이 있습니다.
그러나 우리가 원 안에있는 사물 인터넷에 대해 생각할 때, 현재 초기에 쓰여진 디자인 수준에서 많은 중앙 집중화가 있습니다. 예를 들어, Fitbit 기기는 모두 하나의 중앙 위치로 이동하는 경향이 있으며 클라우드 플랫폼에서 호스팅 될 가능성이 높으며 모든 기기의 데이터가 모두 동일하게 적용됩니다. 앱 및 데이터 기반 서비스. 그러나 시간이 지남에 따라 그 규모에 따라 데이터의 양에 대처하기 위해서는 리엔지니어링이 필요하며 여러 위치와 지역에 여러 개의 프런트 엔드와 스택 사본이 있도록 리엔지니어링해야합니다. 우리는 이것을보고 있으며, 우리가 논의 할 수있는 몇 가지 예를 보여 드리겠습니다.
이것의 핵심은 비록 우리가 다루려고하는 이러한 솔루션 중 일부를 보았지만, 데이터의 규모와 양 및 사물 인터넷이 생성 할 네트워크 트래픽이 급격히 중앙에서 전환해야한다는 것입니다 필자의 관점에서 분산 아키텍처에 대해 알았지 만 우리는 이것을 알고 있지만 솔루션이 무엇인지 반드시 파악하지는 못했습니다. 사물 인터넷의 개념에 대해 생각할 때 이는 대규모 네트워크 모델입니다. 지금 소음을내는 것은 많은 것들입니다. 최근까지 소음을 내지 않은 것들. 그리고 사실, 그것은 어제 였고 농담으로 스택에 대해 이야기하고 있었지만 새 토스터를 사러 갔으며 청소가 필요할 때를 포함하여 다양한 것을 알려주는 옵션이 제공되었습니다. 그리고 매우 유사한 기능을 가진 새로운 전자 레인지는 실제로 휴대 전화에서 앱을 핑하여 다시 가열하는 것이 이제 완료되었다고 말할 수 있습니다. 그리고 나는 몇 가지 물건이 있다면 나에게 말하고 싶지 않은 것이 나의 냉장고, 전자 레인지 및 토스트기라는 의견에 매우 동의합니다. 나는 그들이 바보 같은 장치가되는 것에 매우 편안합니다. 그러나 나는 최근에 새로운 자동차를 가지고 있는데, 작은 Audi, 그것은 나에게 말을 걸고 그것에 대해 매우 기쁘게 생각합니다. 왜냐하면 그것이 말하는 것이 관심이 있기 때문입니다. 실시간으로 맵을 업데이트하는 것과 같이 A 지점에서 B 지점으로가는 더 나은 경로가 어디인지 알려주는 것과 같이, 전송되는 데이터로 다양한 메커니즘을 통해 트래픽이 감지되기 때문입니다.
이 슬라이드가 있습니다. 우리는 이미 대용량 네트워크 모델이 중앙에서 분산 캡처로 전환하고 데이터 처리 및 분석 모델을 제공해야한다는 것을 이미 알고 있습니다. 우리는 오른쪽에있는 세 개의 작은 그래프 다이어그램에서 세 가지 중 왼쪽에있는 작은 그래프 다이어그램에서 모든 것이 이동하는 것을 보았습니다. 모든 작은 장치가 중앙에 위치하는 중앙 집중식 모델이 있으며 데이터를 수집하면 규모가 그리 크지 않습니다. 중간에 우리는 약간 더 분산 된 모델과 허브와 스포크를 얻었습니다. 이것이 차세대 인터넷에 필요할 것이라고 생각합니다. 그리고 오른쪽에 우리는 사물 인터넷과 기계 대 기계의 인터넷이 앞으로 매우 짧은 기간에 갈 곳인 완전히 분산되고 메쉬 된 네트워크를 가지고 있지만, 우리는 그렇지 않습니다. 여러 가지 이유가 있습니다. 우리는 지금까지 대부분의 통신에 인터넷 플랫폼을 사용하고 있기 때문에 실제로이 데이터를 많이 전달할 두 번째 네트워크를 구축하지 않았기 때문입니다.
Batelco 네트워크와 같이 이미 존재하는 두 번째 네트워크가 있습니다. 많은 사람들이 통신 네트워크가 인터넷이 아니라는 사실에 대해 생각하지 않습니다. 인터넷은 여러면에서 매우 별개의 것입니다. 그들은 전화 네트워크를 통해 스마트 폰의 데이터를 라우팅 한 다음 전화 네트워크와 인터넷을 통해 일반적으로 실제로 두 개의 네트워크에 계층화하는 데이터를 라우팅합니다. 그러나 사물 인터넷에 다른 네트워크가 필요할 수도 있습니다. 우리는 산업 인터넷에 대해 일반적으로 주제로 이야기하지만 지금은 자세히 설명하지 않지만 본질적으로 데이터 또는 사물 인터넷 및 기계 대 기계의 운송 유형을 위해 특별히 설계된 다른 네트워크에 대해 이야기하고 있습니다. 통신.
그러나 대량의 네트워크와 분산 데이터가 잘 작동하는 곳에서 공유하고 싶은 몇 가지 예는 인터넷과 같습니다. 인터넷은 처음부터 핵전쟁에서 살아남을 수 있도록 특별히 설계되고 설계되었습니다. 미국의 일부 지역이 폭발 할 경우 인터넷 연결은 우리가 여전히 연결되어 있기 때문에 패킷 손실없이 인터넷을 통해 데이터가 이동할 수 있도록 설계되었습니다. 오늘날에도 여전히 전 세계적으로 존재합니다. 인터넷에는 중복성 및 라우팅 패킷에 대한 여러 기능이 있습니다. 실제로 인터넷은 BGP (Border Gateway Protocol) 및 BGP (Border Gateway Protocol)라고하는 것에 의해 제어됩니다. 특히 라우터 나 스위치 또는 서버 다운에 대처하도록 설계되었습니다. 이메일을 보내거나받을 때 3 개의 이메일을 연속으로 보내더라도 각 이메일이 동일한 최종 목적지까지 동일한 경로를 따른다는 보장은 없습니다. 그들은 여러 가지 이유로 인터넷의 다른 부분을 통해 이동할 수 있습니다. 가동 중단, 업그레이드 할 오프라인 상태의 유지 관리 기간, 네트워크에 정체가있을 수 있으며 자동차와 대중 교통, 선박 및 비행기가있는 교통 네트워크와 같은 것이 있습니다. 우리는 매일 컨텐츠 전송 네트워크를 통해 브라우저 등을 통해 랩톱, 태블릿 및 컴퓨터와 같은 장치에 컨텐츠를 얻습니다. 컨텐츠 전달 네트워크는 웹 서버와 같은 기본 서빙 플랫폼에서 컨텐츠 사본을 가져 와서 해당 사본과 캐시 사본을 소량의 네트워크 에지로 이동하여 가장 가까운 에지에서만 전달합니다.
스팸 방지 및 사이버 보안 – 캐나다에서 스팸 이벤트가 발생하고 Microsoft가이를 감지하여 임의의 사람들에게 동일한 전자 메일이 발송 된 것을 확인하면 해당 메시지에 대한 서명은 다음과 같습니다. 네트워크에 만들어 즉시 배포 할 수 있습니다. 따라서 이메일은받은 편지함에 절대 들어 가지 않으며, 그렇지 않은 경우 네트워크 가장자리의 다른 곳에서 탐지되어 즉시 스팸으로 태그됩니다. 따라서 네트워크 가장자리의 다른 부분에는이 스팸 메시지 서명에 대한 정보가 들어 있으며 데이터베이스의 색인에 저장되며이 메시지가 지구 반대편에 나타나기 시작하면이를 탐지하고 스팸임을 알게됩니다. 사이버 보안에도 동일하게 적용됩니다. 지구의 한 쪽에서 발생하는 해킹이 감지 및 등록 및 매핑되고 네트워크의 다른 쪽에서 갑자기 해킹이 발생하여 규칙과 정책을 제출하고이를 차단할 수 있는지 확인합니다. 특히 수천 대의 컴퓨터가 중앙 웹 사이트를 공격하는 데 사용되는 서비스 거부 또는 분산 서비스 거부와 같은 새로운 영향을받습니다.
Bitcoin과 블록 체인은 기본적으로 분산 원장, 블록 체인이며 네트워크의 중단이나 파손에 대처합니다. 사기 탐지 및 예방, 전력 및 수도 유틸리티 – 우리는 전력 네트워크를 알고 있습니다. 네트워크의 한 부분이 나무를 가져와 기둥과 전선을 뽑아도 집은 여전히 전력을 얻습니다. 나는 그것에 대해조차 알지 못하며, 종종 뉴스에서 그것을 보지도 못합니다. 우리는 원래 중앙화 된 모델 인“모든 도로가 로마로 이어졌습니다”라는 운송 네트워크에 익숙해졌으며 결국 허브와 스포크가있는 분산 형 모델로 이동해야했습니다. 다양한 메시 경로와 다른 교차로를 통해 도시의 한 쪽에서 다른쪽으로 갈 수있는 메시 네트워크로 연결됩니다. 우리가 여기서 보는 것은 사물 인터넷으로 지금하고있는 일의 중앙 집중식 모델이 네트워크의 가장자리로 밀려 나야한다는 것입니다. 그리고 이것은 그 어느 때보 다 분석에 적용됩니다. 즉, 분석을 네트워크로 푸시해야합니다. 그리고이를 위해서는 데이터와 데이터 스트림에 액세스하고 처리하는 방법에있어 완전히 새로운 접근 방식이 필요합니다. 우리는 이제 인터넷에 연결된 장치에서 제한된 인텔리전스가 네트워크의 가장자리로 밀려나는 것을 볼 수 있다고 생각하는 시나리오에 대해 이야기하고 있지만 곧 그 장치가 인텔리전스에서 증가하고 원하는 분석 수준을 높일 것입니다 할 것. 그리고 그 결과 우리는 네트워크를 통해 스마트를 더욱 발전시켜야합니다.
예를 들어 스마트 앱 및 소셜 미디어 – 소셜 미디어 및 일부 스마트 앱에 대해 생각하면 여전히 중심입니다. 알다시피 Facebook과 비슷한 데이터 센터는 2 ~ 3 개뿐입니다. Google은 훨씬 더 분산되어 있지만 전 세계에는 여전히 제한된 수의 데이터 센터가 있습니다. 그런 다음 컨텐츠 개인화에 대해 생각할 때 매우 로컬 수준에서 생각해야합니다. 많은 것들이 브라우저 나 로컬 콘텐츠 전송 네트워크 계층에서 이루어지고 있습니다. 우리는 건강 및 피트니스 트래커에 대해 생각합니다. 수집 된 많은 데이터가 로컬에서 분석되고 있으므로 손목에 착용 한 새로운 버전의 Garmin 및 Fitbit 기기는 기기에서 더욱 스마트하고 스마트 해지고 있습니다. . 이제 심박수에 대한 모든 데이터를 중앙 서버로 다시 보내 분석을 시도하지 않습니다. 그들은 그 지능을 장치에 직접 구축하고 있습니다. 자동차 내비게이션은 자동차가 중앙 위치에서 지속적으로 업데이트 및지도를 받고 있었으며 이제는 스마트가 자동차에 있고 자동차가 자체적으로 결정을 내리고 결국 자동차가 메쉬됩니다. 자동차는 어떤 형태의 무선 네트워크를 통해 서로 대화 할 것이며, 이는 차세대의 3G 또는 4G 무선 네트워크를 통해 이루어질 수 있지만 결국에는 장치 대 장치가 될 것입니다. 우리가 그 양에 대처할 수있는 유일한 방법은 장치를 더 똑똑하게 만드는 것입니다.
우리는 이미 지역에 정보를 수집하고이를 중앙 또는 메시 네트워크로 보내고 비상 상황에 대한 결정을 내리는 비상 경보 시스템을 가지고 있습니다. 예를 들어, 일본에는 사람들이 스마트 폰에서 가속도계를 사용하여 스마트 폰에서 실행하는 응용 프로그램이 있습니다. 스마트 폰의 가속도계는 진동과 움직임을 감지하고 일상적인 움직임과 지진의 진전과 충격의 차이를 확인할 수 있습니다. 그리고 그 전화는 즉시 지역적으로 당신에게 경고하기 시작합니다. 실제 앱은 지진이 감지된다는 것을 알고 있습니다. 또한 분산 허브 및 스포크 모델의 네트워크를 통해 해당 데이터를 공유하므로 데이터가 네트워크를 통과하는 즉시 또는 가능한 한 빨리 경고를받을 수 있습니다. 그런 다음 중앙 위치 또는 중앙 위치의 분산 사본에 도착하면 가까운 지역에 있지 않고 행성의 움직임을 감지하지 못했지만 경고 해야하는 사람들에게 밀려납니다. 쓰나미가 올지도 몰라
그리고 스마트 시티 인프라 – 지능형 인프라의 개념 인 우리는 이미 스마트 빌딩과 스마트 인프라에 지능을 구축하고 있습니다. 사실, 어제 나는 도시의 일부를 개조하고 재건하는 새로운 지역에 도시에 내 차를 주차했습니다. 그리고 그들은 모든 거리를 다시 완료했고, 거리에 센서가 있으며, 실제 주차 미터는 내가 차를 타고 운전할 때 2 시간 제한을 위해 새로 고침 할 때 차는 움직이지 않았고 실제로 내가 위로 올라가서 2 시간 더 머무를 수 없었습니다. 차에 타서 우주에서 빠져 나와서 다시 2 시간 더 머 무르도록 속임수를 써야했습니다. 그러나 흥미로운 점은 결국 자동차가 지역 센서로 들어오는 차량을 감지하는 것이 아니라 내 번호판을 보면서 카메라에 인식이 적용되는 광학 특성과 같은 것들을 알게 될 것입니다. 실제로 끌어 당기고 끌어 당겨서 속임수로 바꾸지 않고 계속 진행하겠습니다. 그런 다음 해당 데이터를 배포하고 다른 곳에서는 할 수없고 네트워크를 지속적으로 속일 수 없도록합니다. 그것은 본질적으로 더 똑똑해 져야하기 때문에 그렇지 않다면 우리 모두는 계속 속일 것입니다.
80 년대 후반과 90 년대 초반 방화벽 기술에서 Check Point FireWall-1이라는 제품에서 실제로 개인적으로 살았던 사례가 있습니다. 특정 포트와 IP 주소 및 네트워크를 통한 트래픽 유형이 서로간에 웹 트래픽을주고 받는다는 것을 말하는 규칙을 만들고 특정 사안에 대한 정책과 규칙을 구축하는 데 사용했던 매우 간단한 방화벽 기술입니다. 브라우저와 클라이언트 끝에서 서버 끝으로 이동합니다. 우리는 실제로 방화벽 자체에서 로직을 꺼내어이를 애플리케이션 특정 집적 회로 인 ASIC으로 옮기는 방식으로이 문제를 해결했습니다. 이더넷 스위치의 포트를 제어하고있었습니다. 우리는 실제로 방화벽으로 결정을 내리기 위해 서버로 사용했던 서버 컴퓨터는 모든 작은 패킷 검사에 대해 통과하는 트래픽의 양을 처리 할만큼 강력하지 않다는 것을 발견했습니다. 우리는 패킷 검사 및 인터넷 탐지에 필요한 로직을 분산 된 네트워크 스위치로 이동시켜 네트워크 수준을 통과하는 데이터의 양을 처리함으로써 문제를 해결했습니다. 방화벽을 사용하여 중앙 집중식 수준에서 걱정하지 않고 스위치로 옮겼습니다.
따라서 제조업체는 경로와 규칙 및 정책을 이더넷 스위치로 푸시하여 실제 이더넷 포트 수준에서 풀에있는 많은 사람들이 이에 익숙하지 않을 수있는 기능을 구축하도록했습니다. 지금은 모두 무선 세계에 살고 있지만, 옛날에는 모든 것이 이더넷을 통해 연결되어야했습니다. 이제 이더넷 포트 수준에서 패킷을 스위치와 네트워크로 이동할 수 있는지 여부를 확인하기 위해 패킷을 검사하고있었습니다. 이 중 일부는 네트워크, 특히 IRT 장치에서 데이터를 캡처하고 검사하고 데이터를 분석하고 실시간으로 분석하여 결정을 내리는 이러한 과제를 해결하기 위해 해결하고 있습니다. 그리고 일부는 비즈니스 인텔리전스와 사람이 장치와 장치와 대화하고 의사 결정을하는 기계 대 기계 수준의 물건에 대한 인간이 어떻게 더 나은 결정과 기타 분석 및 성능을 수행하는지에 대한 통찰력을 얻는 것입니다.
그리고 이것이 바로 미래에 해결해야 할 추세가 될 것입니다. 그렇지 않을 경우, 우리는이 엄청난 홍수로 끝날 것입니다. 그리고 우리는 빅 데이터 세계에서 보았습니다. 데이터 레이크와 같은 것들이 데이터 늪으로 바뀌는 것을 보았습니다. 중앙 집중식으로 처리 분석을 해결하는 방법을 알아 내지 못한 잡음이 가득 찼습니다. 패션. 우리가보기에이 문제를 해결하지 못하면 IoT로 즉시 플랫폼 솔루션을 얻을 수 있습니다. 매우 나쁜 장소에있게됩니다.
그리고 그 점을 염두에두고 저는 지금 빅 데이터 및 분석 분야에서 일어난 가장 큰 변화 중 하나가 인터넷의 영향에 즉각적으로 대응해야한다고 믿습니다. 우리는 분석을 네트워크로 옮긴 다음 궁극적으로 네트워크의 가장자리로 이동하여 대량의 데이터에 대처하고 처리하기 만하면됩니다. 그리고 결국에는 정보를 네트워크에, 네트워크의 가장자리를 허브와 스포크 모델에 넣어 실제로 관리하고 실시간으로 통찰력을 얻고 가치를 얻을 수있는 스포크 모델이되기를 바랍니다. 그리고 그로 나는 손님에게 넘어 가서이 대화가 우리를 어디로 데려가는지 볼 것입니다.
숀 로저스 : 대단히 감사합니다. 이것은 Dell Statistica의 Shawn Rogers이며 소년은 처음부터 여기서 다루었던 모든 주요 주제에 전적으로 동의합니다. 레베카는이 데이터가 새로운 것이 아니며 데이터, 데이터, IoT의 데이터를 논의하는 데 얼마나 많은 시간과 에너지가 소비되는지에 대한 아이디어로 시작했습니다. 로빈은 정말 간단한 일을하고 있고 1 초에 한 번 온도 조절기를 두 드리더라도 하루 24 시간 내내 실제로 일을합니다. 흥미로운 데이터 문제가 있습니다. 하지만 결국 엔 업계의 많은 사람들이 이런 방식으로 데이터에 대해 이야기하고 있다고 생각합니다. 실제로는 그다지 흥미롭지 않으며 레베카의 입장에서는 오래 전부터 좋은 결과를 얻었습니다. 우리는 과거에 그것을 잘 활용할 수 없었습니다. 그리고 저는 고급 분석 산업과 BI 산업이 일반적으로 IoT로 향하기 시작했습니다. 그리고 마지막으로, Dez는 이것이 빅 데이터 환경의 도전적인 포인트의 일부이거나 그 중 하나라고 생각합니다. 저는 이런 유형의 데이터로 우리가 할 수있는 일에 대해 모두가 매우 흥분한다고 생각하지만, 동시에 통찰력을 적용하고, 조치를 취하고, 데이터가있는 곳에서 분석을 얻는 방법을 알 수 없다면 우리는 사람들이 실제로 자신의 길을 오지 않는 도전에 직면 할 것입니다.
그러나 고급 분석 분야에서는 특히 분석을 적용 할 경우 IoT 데이터로 발생할 수있는 일에 대해 열렬한 팬입니다. 이 슬라이드에는 많은 정보가 있으며 모든 사람들이 그냥 찾아 다니게 할 것입니다. 그러나 소매점과 같은 다른 부문을 살펴보면 더 혁신적이거나 일부를 가질 수있는 기회가 생길 것입니다 비용 절감 또는 프로세스 최적화 또는 개선은 매우 중요하며이를위한 많은 사용 사례를보고 있습니다. 슬라이드에서 왼쪽에서 오른쪽으로 보면, 각 개별 산업이 IoT에 분석을 적용 할 때 어떻게 새로운 기능과 차별화 된 기회를 요구하는지 알 수 있습니다. 그리고 결론은, 당신이 그 길을 가고자 노력한다면, 우리가 논의한 데이터와 아키텍처뿐만 아니라 아키텍처에 대해 걱정할 필요가있을뿐만 아니라, 여기에 분석을 적용하고 분석이 필요한 곳에 적용하십시오.
오늘날 많은 사람들에게 Robin과 저는 서로 오랫동안 알고 지 냈으며 과거의 전통적인 아키텍처, 중앙 집중식 데이터베이스 또는 엔터프라이즈 데이터웨어 하우스 등의 아키텍처에 대해 수많은 대화를 나누었습니다. 지난 10 년 동안 발견 된 우리는 이러한 인프라의 한계를 확장하는 데 상당한 노력을 기울이고 있습니다. 또한 정보에 적용하는 모든 훌륭한 분석을 지원하고 정보가 아키텍처를 손상시키는 것은 물론, 오늘날처럼 원하는만큼 강력하지도 않습니다. 데이터 속도, 데이터 볼륨 등은 이러한 유형의 작업에 대한 기존의 접근 방식과 전략의 한계를 확실히 확대하고 있습니다. 그래서 저는 회사가 더 민첩하고 유연한 관점을 취해야 할 필요성을 요구하기 시작했다고 생각합니다. 그것이 IoT 측면에 대해 조금 이야기하고 싶습니다.
내가하기 전에, 나는 모든 사람들이 전화를 걸도록 잠시 시간을내어 통계의 정의와 우리의 행동에 대해 약간의 배경 지식을 제공 할 것입니다. 이 슬라이드의 제목에서 알 수 있듯이 Statistica는 IoT 플랫폼에 대한 예측 분석, 빅 데이터 및 시각화입니다. 제품 자체는 30 세가 조금 넘었으며, 시장에 예측 분석, 고급 분석을 데이터에 적용 할 수있는 분야에서 친숙한 다른 리더들과 경쟁합니다. 우리는 분석을 수행 할 위치의 범위를 넓힐 기회를 보았고 Dez와 Robin이 오늘 이야기 한 것을 활용하기에 다소 도움이되는 일부 기술 작업을 시작했습니다. 분석을 수행 할 위치와 데이터를 분석하는 방법에 대해 설명합니다. 그와 함께 플랫폼으로 해결할 수있는 다른 것들이 있으며, 앞서 언급했듯이 Statistica는 오랫동안 시장에 나와 있습니다. 우리는 데이터 블렌딩 측면에 매우 능숙하며 오늘날 데이터 액세스에 대해 너무 많이 이야기하지는 않았지만 다양한 네트워크를 통해 도달하고 올바른 데이터를 얻을 수 있다고 생각합니다. 적절한 시간은 최종 사용자에게 점점 더 흥미롭고 중요 해지고 있습니다.
마지막으로, Dez는 네트워크 자체에 대해 좋은 지적을했으며, 환경 전체의 분석 모델에 대해 어느 정도의 제어 및 보안 수준을 유지하고 데이터에 데이터를 첨부하는 방법이 매우 중요하기 때문에 여기에서 한 가지 더 언급하겠습니다. 고급 분석에 대해 이야기 할 때 몇 년 전 (이 시점에서 거의 20 년 정도)이 업계에 들어 왔을 때 매우 체계적으로 분석되었습니다. 조직의 두 사람 만이 직접 손을 잡고 배치 한 후 필요한 답변을 제공하거나 필요한 정보를 제공했습니다. 그것은 실제로 변화하고 있으며 우리가 보는 것은 데이터에 접근하는 하나 이상의 다양하고 유연한 방법으로 작업하고 데이터에 보안 및 거버넌스를 적용한 다음 협업 할 수있는 많은 사람들입니다. 이것들은 Dell Statistica가 보는 중요한 것들 중 일부입니다.
그러나 오늘 제목에 조금 더 가까운 주제, 즉 사물 인터넷에서 오는 데이터를 어떻게 다루어야하는지, 다른 솔루션을 볼 때 찾고 싶은 내용을 다루고 싶습니다. 제가 지금 여러분에게 보여준 슬라이드는 일종의 전통적인 견해이며 Dez와 Robin 모두 자동차, 토스터 또는 센서인지에 대한 센서와의 대화에 대한 아이디어입니다. Dez가 언급했듯이 풍력 터빈 또는 사용자가 보유한 데이터를 데이터 소스에서 네트워크로 중앙 집중식 구성으로 다시 이동합니다. 그리고 그것은 네트워크가 잘되어 있고 많은 회사들이 원래 IoT 모델을 사용하여 IoT 공간에 들어가기 시작했습니다.
슬라이드의 맨 아래를 살펴보면 또 다른 방법은 다른 기존 데이터 소스를 가져와 IoT 데이터를 보강 한 다음 코어가 데이터 센터이든 상관없이 이런 종류의 코어에 있다는 아이디어입니다. 클라우드에있을 수 있습니다. 실제로 중요하지 않습니다. Statistica와 같은 제품을 가져 와서 그 시점에 분석을 적용한 다음 소비자에게 올바른 정보를 제공하십시오. 저는이 시점에서 테이블 스테이크라고 생각합니다. 이것은 당신이 할 수 있어야하고, 고급 분석 플랫폼을위한 충분한 개방형 아키텍처를 가져야하며, 이러한 모든 종류의 다양한 데이터 소스, 모든 센서 및 모든 다른 목적지와 대화해야합니다. 데이터가 있습니다. 저는 이것이 여러분이 할 수있는 일이라고 생각합니다. 시장의 많은 리더들이 이런 유형의 일을 할 수 있다는 것이 사실이라고 생각할 것입니다. 여기서 Statistica에서는 핵심 분석으로서 이에 대해 이야기합니다. 데이터를 가져 와서 데이터를 다시 코어로 가져 와서 처리하고, 필요한 경우 또는 유리한 경우 더 많은 데이터를 추가 한 후 분석을 수행 한 다음 해당 정보를 공유하여 정보를 얻거나 활용하십시오.
그리고 저는 그것들이 확실히 기능적인 관점에서 온 것 같습니다. 우리는 아마 이것이 맨손이고 모든 사람이 이것을해야한다는 데 동의 할 것입니다. 그것이 흥미를 가지기 시작한 곳은 방대한 양의 데이터가있는 곳입니다. 이미 언급 한 것처럼 IoT 센서와 같은 다양한 데이터 소스에서 나오는 것이 자동차 나 보안 카메라이든 제조 공정이든 상관 없습니다. 데이터가 실제로 생성되는 곳에서 분석을 수행 할 수 있다는 이점이 있습니다. 그리고 대부분의 사람들에게 이점은, 분석을 핵심에서 엣지로 옮기기 시작할 때 발생하는 일부 데이터 문제를 확산시키는 기능이며, Dez와 Robin은 아마도 이것에 대해 마지막에 언급 할 것입니다. 오늘은 모든 데이터를 네트워크로 이동할 필요가 없도록 에지에서 데이터를 모니터링하고 조치를 취할 수 있어야한다고 생각합니다. 로빈은 자신이 그린 건축 사진에서 이것에 대해 이야기했습니다. 여기에는 모든 다른 출처가 있지만 일반적으로 집계 지점이 있습니다. 우리가 자주 볼 수있는 집계 지점은 센서 수준이지만 게이트웨이 수준입니다. 이러한 게이트웨이는 코어로 돌아 가기 전에 데이터 소스의 데이터 흐름에서 일종의 중개자 역할을합니다.
Dell Statistica가 활용할 수있는 기회 중 하나는 중앙 집중식 고급 분석 플랫폼에서 모델을 내보내 모델을 가져와 게이트웨이 나 내부와 같은 다른 플랫폼의 가장자리에서 실행할 수있는 기능입니다. 데이터베이스, 또는 무엇을 가지고 있습니까? 그리고 우리에게 제공하는 유연성은 오늘날 대화에서 흥미로운 흥미로운 점이라고 생각합니다. 오늘날 인프라에 있습니까? 분석이 데이터가있는 곳으로 이동하는 것과 비교하여 항상 분석이있는 곳으로 데이터를 이동시킬 수 있습니까? 그리고 그것은 Statistica가 꽤 오랫동안 집중 해 왔던 것입니다. 슬라이드를 자세히 살펴보면 자매 회사 인 Dell Boomi의 다른 기술이 있다는 것을 알 수 있습니다. Dell Boomi는 클라우드에있는 데이터 통합 및 응용 프로그램 통합 플랫폼이며 실제로 Dell Boomi를 트래 피킹 장치로 사용하여 Dell Statistica에서 Boomi를 통해 에지 장치로 모델을 이동합니다. 그리고 우리는 이것이 1 분 전에 보여 드린 버전만큼이나 회사가 요구하는 민첩한 접근 방식이라고 생각합니다. 이는 센서에서 데이터를 다시 데이터로 이동시키는 핵심 아이디어입니다. 센터는 동시에 회사가 내가 여기에 설명하는 방식으로 할 수 있기를 원할 것입니다. 그리고이를 수행함으로써 얻을 수있는 이점은 Robin과 Dez가 만든 몇 가지 요점입니다. 즉, 비즈니스 속도에 따라 결정을 내리고 조치를 취할 수 있습니까? 한 곳에서 다른 곳으로 분석을 이동하고 해당 에지 데이터를 핵심으로 다시 이동하는 시간, 비용 및 에너지 및 복잡성을 절약 할 수 있습니다.
이제는 엣지 데이터 중 일부는 항상 해당 데이터를 저장하고 유지하고 네트워크로 다시 가져 오는 것이 합리적 일 정도로 높은 가치를 지닐 것이라고 말했지만, 엣지 분석을 통해 데이터가 실제로 오는 속도로 결정을 내릴 수있는 능력이 있습니까? 가능한 최고의 가치가있는 속도로 통찰력과 행동을 적용 할 수 있습니다. 또한 고급 분석 및 IoT 데이터를 활용할 때 우리 모두가 찾고자하는 것은 비즈니스 속도 나 고객이 요구하는 속도로 이동할 수있는 기회라고 생각합니다. 우리의 입장은 두 가지를 모두 할 수 있어야한다고 생각합니다. 그리고 더 많은 회사들이 더욱 다양한 데이터 세트, 특히 IoT 측의 데이터 세트를 검토함에 따라 벤더 공간을 살펴보고 Statistica의 역량을 요구하기 시작할 것입니다. 몇 년 동안 전통적으로 해왔 던 것처럼 핵심에 모델을 배포하거나 IoT 게이트웨이와 같이 비 전통적인 플랫폼에 모델을 배포하고 실제로 데이터에 분석 및 스코어링을 적용 할 수있는 것 데이터가 생성 될 때 가장자리에 이 대화의 흥미로운 부분이 나오는 곳이라고 생각합니다. 데이터가 센서에서 나올 때 가장자리에 분석을 적용 할 수 있기 때문에 필요한만큼 빨리 조치를 취할 수 있습니다. 그러나 우리가 결정할 수 있습니다.이 데이터는 즉시 코어로 되돌아 가야합니까? 여기에 배치 한 다음 조각과 부품으로 다시 보내고 나중에 더 분석 할 수 있습니까? 이것이 바로 우리의 많은 주요 고객들이하는 일입니다.
Dell Statistica가 수행하는 방식은 우리가 활용할 수있는 기능을 가지고 있기 때문에 예를 들어 Statistica 내에 신경망을 구축하고 데이터 환경의 다른 곳에 신경망을 배치하고 싶었습니다. Java, PPML, C 및 SQL 등 오른쪽 모서리에 표시된 모델과 모든 언어를 출력 할 수있는 기능이 있으며, Python도 포함하고 스크립트도 내보낼 수 있습니다. 중앙 집중화 된 플랫폼에서 해당 모델을 옮기면 필요할 때마다 해당 모델 또는 알고리즘을 배포 할 수 있습니다. 앞에서 언급했듯이 Dell Boomi를 사용하여이를 실행하고 필요한 곳에 주차 한 다음 결과를 다시 가져 오거나 데이터를 가져 오거나 데이터를 스코어링하고 규칙 엔진을 사용하여 조치를 취할 수 있습니다. . 이러한 유형의 데이터를 살펴보고 다시 생각하면 이러한 모든 것이 중요해집니다.
Dez가 언급 했듯이이 다이어그램의 왼쪽 에서이 다이어그램의 오른쪽으로 데이터를 이동하려면 네트워크에서 비용이 많이 들고 부담이 커지기 때문에 전화로 대부분의 사람들이해야 할 일입니다. 시각. 많이 들리지는 않지만 공장에 센서가 10 만 대인 제조 고객을 보았습니다. 공장에 센서가 10 만 대인 경우이 두 번째 종류의 테스트 또는 신호를 수행하더라도 매일 각 개별 센서에서 약 4, 000 개의 행 데이터를 사용하게됩니다. 그리고 데이터는 확실히 쌓여지고 Robin은 그 점을 언급했습니다. 저는 사람들이 우리의 소프트웨어와 IoT 데이터를 사용하여 매우 흥미로운 일을하는 것을보고있는 몇 가지 산업에 대해 언급했습니다. 빌딩 자동화, 에너지, 유틸리티는 정말 중요한 공간입니다. 우리는 시스템 최적화, 고객 서비스, 물론 전체 운영 및 유지 보수, 에너지 시설 내 및 자동화를위한 건물 내에서 많은 작업이 수행되고 있음을 확인합니다. 그리고 이것은 우리가 볼 수있는 사용 사례입니다.
우리는 이전에 엣지 분석을 해왔지만 용어가 만들어졌습니다. 내가 언급했듯이, 우리는 Statistica에 깊은 뿌리를 가지고 있습니다. 이 회사는 거의 30 년 전에 설립되었으므로 IoT 데이터를 분석에 통합하고 오랜 시간 동안 사용했던 고객이 꽤 많은 시간을 되돌려 놓았습니다. Alliant Energy는 당사의 사용 사례 또는 참조 고객 중 하나입니다. 에너지 회사가 물리적 플랜트와 관련된 문제를 상상할 수 있습니다. 물리적 플랜트의 벽돌 벽 너머로 확장하는 것은 어렵 기 때문에 Alliant와 같은 에너지 회사는 기본적으로 제조 공정을 개선하고 최고 수준으로 최적화하여 에너지 출력을 최적화하는 방법을 찾고 있습니다. 그리고 Statistica를 사용하여 공장 내 용광로를 관리합니다. 그리고 과학 수업 초기 시절로 돌아가는 우리 모두는 용광로에서 열이 발생하고 열이 증기를 발생하며 터빈이 회전하고 전기가 공급된다는 것을 알고 있습니다. Alliant와 같은 회사의 문제는 실제로 대형 사이클론 용광로 내에서 물건이 가열되고 연소되는 방식을 최적화하는 것입니다. 또한 오염, 탄소 배출량 등의 추가 비용을 피하기 위해 출력을 최적화합니다. 따라서 이러한 모든 장치, 센서를 사용하여 사이클론 퍼니스 중 하나의 내부를 모니터링 한 다음 모든 센서 데이터를 가져와 지속적으로 에너지 프로세스를 변경해야합니다. Statistica가 2007 년경부터 Alliant에 해왔 던 일이 바로 IoT라는 용어가 인기를 끌기 전입니다.
레베카의 초기 시점에서, 데이터는 확실히 새로운 것이 아닙니다. 그것을 처리하고 올바르게 사용하는 능력은 실제로 흥미로운 일이 일어나는 곳입니다. 우리는 오늘 사전 통화에서 건강 관리에 대해 조금 이야기했으며, 사람들이 더 나은 환자 관리, 예방 적 유지 관리, 공급망 관리 및 건강 관리의 운영 효율성과 같은 작업을 수행하는 모든 종류의 응용 프로그램을보고 있습니다. 그리고 그것은 매우 진행 중이며 많은 다른 사용 사례가 있습니다. Statistica에서 자랑스럽게 여기는 것은 고객 Shire Biopharmaceuticals입니다. 그리고 Shire는 치료하기 어려운 질병에 대한 특수 약물을 만듭니다. 그리고 고객을 위해 의약품을 생산할 때 비용이 많이 드는 과정이며 시간이 많이 소요됩니다. 제조 공정에 대해 생각할 때 문제는 데이터 전체를 통일하고 데이터를 시스템에 넣는 다양한 방법에 걸쳐 충분히 융통성있게 정보를 검증 한 다음 고객을 돕는 방법에 대해 예측할 수있는 것입니다. 그리고 우리 제조 시스템과 물론 이러한 제조 시스템을 구동하는 장치 및 센서에서 대부분의 정보를 가져 오는 프로세스입니다. 또한 센서 데이터, IoT 데이터 및 프로세스의 일반 데이터 조합을 사용하여 회사가 손실을 피하고 제조 프로세스를 최적화하는 방법에 대한 훌륭한 사용 사례입니다.
따라서 제조, 특히 첨단 제조가 이러한 유형의 작업 및 데이터와 관련하여 건강 관리 산업에 도움이되는 좋은 사례입니다. 나는 그것을 마무리하고 데 즈와 로빈에게 돌려주기 전에 만들고 싶은 다른 두 가지 점이 있다고 생각합니다. 하지만 여러분은 환경 어디에서나 분석을 추진할 수 있다는 아이디어는 대부분의 회사에서 매우 중요하게 여겨 질 것이라고 생각합니다. 소스에서 중앙 위치로 돌아가는 전통적인 형식의 ETL-ing 데이터에 묶여있는 것이 항상 전략의 자리가되지만 유일한 전략은 아닙니다. 오늘날에는 훨씬 더 유연한 접근 방식을 취해야합니다. 내가 언급 한 보안을 적용하기 위해 네트워크의 과세를 피하고, 에지에서 오는 데이터를 관리 및 필터링하고, 장기적으로 유지할 가치가있는 데이터, 어떤 데이터를 이동할 가치가 있는지 결정 최상의 결정을 내릴 수 있도록 네트워크에 데이터를 생성하거나 데이터를 생성 할 때 어떤 데이터 만 분석하면됩니다. 이 모든 곳에서 어디서나 분석적인 접근 방식은 Statistica에서 매우 중요하게 생각하며 매우 능숙합니다. 이전에 언급 한 슬라이드 중 하나로 돌아가서 다양한 언어로 모델을 내보내는 기능을 통해 데이터가 생성되는 플랫폼과 일치하고 정렬 할 수 있습니다. 그리고 우리가 테이블에 가져오고 매우 흥분하는 모델을위한 분배 장치를 가지고 있습니다. 오늘 대화는 시스템에서 오랫동안이 데이터에 대해 진지하게 생각하고이를 활용하기위한 경쟁 우위와 혁신적인 각도를 찾고자한다면 적용해야합니다. 우리가 과거에 사용해 왔던 제한적인 모델들로부터 벗어날 수있게 해주는 기술입니다.
다시 한 번 요점은 IoT를 수행하려면 핵심에서 수행하고 데이터를 가져 와서 다른 데이터와 일치시키고 분석을 수행해야한다고 생각합니다. 또한 마찬가지로 중요하거나 더 중요한 것은 데이터를 사용하여 분석을 수행하고 분석을 아키텍처의 중앙에서 바깥쪽으로 이동시킬 수있는 유연성을 가져야합니다. 전에. 그것은 우리가 누구이고 시장에서 무엇을하고 있는지에 관한 것입니다. 그리고 우리는 IoT에 대해 매우 기뻐하고 있습니다. 확실히 그것이 시대에 뒤떨어져 있다고 생각합니다. 여기있는 모든 사람들이 이러한 유형의 데이터로 분석과 중요한 프로세스에 영향을 줄 수있는 좋은 기회가 있습니다.
Rebecca Jozwiak : Shawn, 정말 감사합니다. 정말 멋진 프레젠테이션이었습니다. 그리고 Dez가 아마도 몇 가지 질문을하기 위해 죽어 가고 있다는 것을 알고 있습니다. Dez, 먼저 알려 드리겠습니다.
Dez Blanchfield : 백만 건의 질문이 있지만 로빈도 마찬가지라는 것을 알고 있기 때문에 저를 포함하겠습니다. 내가 먼 곳에서보고있는 것 중 하나는 다가오는 질문이며, 나는 당신이 사물의 중심에 있다는 것을 감안할 때 이것에 대한 당신의 경험에 대한 통찰력을 얻는 데 정말로 열심입니다. 조직은이 도전에 어려움을 겪고 있으며, 그 중 일부는 클라우스 슈 바브 (Klaus Schwab)의“제 4 차 산업 혁명”과 비슷한 내용을 읽은 후 공황 발작을 일으켰습니다. 그리고이 책에 익숙하지 않은 사람들은 본질적으로 여러분, 교수님, 교수라고 생각하는 클라우스 슈왑 (Klaus Schwab)에 의해 본질적으로 통찰력이 있습니다. 이 유비쿼터스 사물의 인터넷 폭발과 일반적으로 세계에 미치는 영향. 내가 말하려는 조직은 현재 환경을 개선하고 모든 새로운 환경, 인프라 및 플랫폼을 구축하는 데 모든 것을 투자해야하는지 확신 할 수 없습니다. Dell Statistica에서도 사람들이 현재 환경을 개선하고 기존 인프라에 플랫폼을 배치하고 있거나 새로운 인프라를 구축하고이 홍수에 대비하는 데 주력하고 있습니까?
숀 로저스 : 우리는 두 가지 유형의 고객 모두에게 서비스를 제공 할 수있는 기회를 가졌습니다. 우리는 지난 몇 년 동안 새로운 팹 플랜트를 만들어 고객에게 센서 데이터, IoT, 엣지 분석, 프로세스 전반에 걸쳐 엔드 투 엔드를 제공했습니다. 그러나 대부분의 고객은 이러한 유형의 작업을 한 동안 수행했지만 해당 데이터를 무시해야하는 사람들이라고 말하고 싶습니다. 알다시피, 레베카가 먼저 지적했다 – 이것은 새로운 데이터가 아니며, 이런 유형의 정보는 아주 오랫동안 다양한 형식으로 이용 가능했지만 문제가 있었던 곳은 스마트 한 작업을 수행 할 수있는 위치로 가져 가십시오.
그리고 저는 대부분의 고객들이 현재 가지고있는 것을보고 있다고 말하고 싶습니다. Dez는 전에이 점을 지적했습니다. 이것이 빅 데이터 혁명의 일부이며 실제로 그것이 무엇에 관한 것인지 생각합니다. 데이터 혁명? 우리는 더 이상 특정 시스템 데이터 나 제조 데이터 또는 자동화 데이터 구축을 무시할 필요가 없습니다. 이제는 올바른 장난감과 도구를 사용하여 정보를 얻고 현명한 작업을 수행 할 수 있습니다. 그리고 저는이 공간에 많은 드라이버가 있고 그 중 일부는 기술적 인 것 같습니다. 아시다시피, Hadoop 및 기타와 같은 빅 데이터 인프라 솔루션을 사용하면 일부 유형의 정보 레이크를 만드는 데 약간의 비용이 들지 않으며 조금 더 쉽게 생각할 수 있습니다. 그리고 우리는 이제 기업을 둘러보고“이봐, 우리는 제조 공정에서 분석을 받았지만, 이러한 공정에서 통찰력을 추가 할 수 있다면 향상 될 것입니까?”라고 생각합니다. 고객들이하고 있습니다. 처음부터 많이 만들지는 않지만 새로운 데이터로 기존 분석을 보강하고 최적화합니다.
Dez Blanchfield : 네, 우리가 본 가장 큰 산업 중 일부에서 흥미 진진한 것들이 있습니다. 항공은 내가 좋아하는 가장 좋아하는 장치 중 하나 인 Boeing 787 Dreamliner와 Airbus에 해당하는 A330이 같은 길을 갔던이 붐을 겪고 있습니다. 787에는 처음 출시되었을 때 6 천 개의 센서가 있었으며 이제는 새로운 버전의 15, 000 개의 센서에 대해 이야기하고 있다고 생각합니다. 그리고 그 세계에있는 몇몇 사람들과 이야기 할 때 궁금한 점은 날개 등에 센서를 설치한다는 아이디어와 디자인 플랫폼에서 787의 놀라운 점은 모든 것을 재창조한다는 것입니다. 비행기. 예를 들어, 비행기가 이륙 할 때 날개와 같이 날개는 최대 12 미터까지 굽 힙니다. 그러나 극단적 인 경우 날개는 최대 25 미터까지 휘어 질 수 있습니다. 이건 새가 펄럭이다 그러나 그들이 고칠 시간이 없었던 것은이 모든 데이터의 분석 엔지니어링이었습니다. 따라서 뭔가 나쁜 일이 발생하면 LED가 녹색과 빨간색으로 깜박이게하는 센서가 있지만 실제로는 깊은 통찰력을 얻지 못합니다. 실시간. 또한 미국의 국내 영공에는 매일 87, 400 편의 비행이 있기 때문에 데이터 양을 이동하는 방법에 대한 문제도 해결하지 못했습니다. 모든 비행기가 787 Dreamliner의 매수를 따라 잡으면 하루 43 페타 바이트의 데이터를 얻습니다.이 비행기는 현재 각각 약 테라 바이트의 데이터를 생성하기 때문입니다. 미국에서 하루에 87, 400 편의 항공편에 5 테라 바이트 또는 5 테라 바이트의 포인트를 곱하면 43.5 페타 바이트의 데이터로 끝납니다. 우리는 실제로 그것을 움직일 수 없습니다. 따라서 설계에 따라 분석을 장치로 푸시해야합니다.
그러나이 전체 아키텍처를 살펴볼 때 흥미로운 점 중 하나는 여러분이 생각하는 것을보고 싶어합니다. 우리는 마스터 데이터 관리, 일종의 첫 번째 데이터 관리 원칙, 모든 것을 중앙 위치에 넣습니다. 우리는 데이터 레이크를 보유하고 있으며, 원한다면 분석을 수행하는 데이터를 추출하지만, 특히 데이터베이스 사용자 및 데이터 관리자로부터 지속적으로 발생하는 요소 중 하나를 배포함으로써 데이터 연못을 거의 생성하지 않습니다. 또는 정보 관리 사업에 종사하는 사람들은 분산 된 소형 데이터 레이크가 많이있을 때 어떻게됩니까? 솔루션의 엣지 분석과 관련하여이 사고에 어떤 종류의 것들이 적용 되었습니까? 전통적으로 모든 것이 데이터 레이크와 함께 중앙에있을 것입니다. 이제 우리는이 작은 데이터 웅덩이로 끝납니다. 로컬에 대한 분석을 수행하여 로컬 통찰력, 직면 한 문제 및 해결 방법, 분산 된 데이터 세트, 특히 데이터 레이크 및 분산 영역의 소우주를 확보 할 때?
숀 로저스 : 글쎄, 그것이 도전 중 하나라고 생각합니다. 우리가 멀어지면 모든 데이터를 중앙 위치 또는 내가 제공 한 핵심 분석 예제로 다시 트럭에 옮긴 다음 분산 버전을 수행하면이 작은 사일로로 끝나는 것입니다. 당신이 묘사 한 것처럼 요? 그들은 약간의 작업을 수행하고 있으며 일부 분석은 실행 중이지만 어떻게 다시 통합합니까? 저는 그 열쇠가 모든 것을 오케스트레이션 할 것이라고 생각합니다. 여러분들도 저에게 동의 할 것이라고 생각하지만, 그렇지 않다면 기쁩니다. 우리가이 진화를 지켜보고 있다고 생각합니다. 언젠가
초기 데이터웨어 하우스 투자의 아키텍처를 모든 사람을 도와 주었던 친구 인몬 (Inmon)과 킴볼 (Kimball) 씨의 시절로 거슬러 올라갑니다.이 시점에서 우리는 오랫동안 중앙 집중식 모델에서 벗어났습니다. 우리는이 새로운 아이디어를 채택하여 데이터가 생태계 내부에 가장 잘 위치해야하는 위치에 중력을 발휘할 수있게하고 가능한 최상의 결과를 위해 데이터를 가능한 최고의 플랫폼에 맞 춥니 다. 그리고 우리는 일종의 지출을 시작했습니다. 생태계에 대한보다 체계적인 접근 방식은 일을 수행하는 가장 중요한 종류의 방법으로, 모든 부분을 한 번에 정렬하려고 노력하는 곳입니다. 데이터와 어떤 유형의 분석 또는 작업을 수행하고 어떤 유형의 데이터를 사용해야하는지에 따라 데이터의 위치를 결정하는 데 도움이됩니다. 어디에서 생산되고 있으며 어떤 유형의 중력이 있습니까?
우리는 사람들이 10 페타 바이트와 15 페타 바이트의 데이터 레이크를 갖는 것에 대해 이야기하는 이러한 빅 데이터 예를 많이 볼 수 있습니다. 데이터 레이크가 그렇게 큰 경우, 데이터 레이크를 옮기는 것은 매우 비현실적이므로 분석을 가져올 수 있어야합니다. 그러나 그렇게 할 때, 당신의 질문의 핵심으로, 모든 사람들이 환경을 조율하고 통제 및 보안을 적용하고, 데이터를 관리하고 관리하기 위해 그 데이터로 무엇을해야하는지 이해해야 할 많은 새로운 도전이 제기된다고 생각합니다. 최고의 가치를 얻으십시오. 그리고 당신에게 정직하기 위해 – 나는 당신의 의견을 듣고 싶습니다. – 우리가 초기에 시작한 것 같아서 아직해야 할 일이 많이 있다고 생각합니다. Statistica와 같은 프로그램은 더 많은 사람들이 데이터에 액세스 할 수 있도록하는 데 집중하고 있습니다. 우리는 예전에는 없었던 조직 내 장소에 예측 분석을 유도하려는 시민 데이터 과학자와 같은 새로운 인물에 초점을 맞추고 있습니다. 그리고 저는 이것들이이 문제의 초기 단계라고 생각하지만, 성숙도 아크는이 플랫폼들 사이의 높은 수준 또는 오케스트레이션과 정렬, 그리고 그 위에 무엇이 있고 왜 그런지 이해해야 할 것이라고 생각합니다. 그리고 그것은 우리 모두의 데이터 사람들에게 오래된 문제입니다.
Dez Blanchfield : 사실입니다. 그리고 저는 그것에 대해 완전히 동의합니다. 그리고 오늘 우리가 듣고있는 가장 큰 것은 실제로 데이터를 실제로 캡처하는 문제의 최전선이라고 생각합니다. 네트워크 및 해당 시점에서 분석을 수행 할 수있는 기능이 이제 근본적으로 해결되었습니다. 이제 데이터 레이크가 분산 된 다음 과제에 대해 실제로 생각할 수있게되었습니다. 정말 감사합니다. 환상적인 프레젠테이션이었습니다. 나는 그것에 대해 당신과 채팅 할 수있는 기회를 주셔서 감사합니다.
로빈을 알게되자 로빈에게로 넘어가겠습니다. 그리고 레베카도 로빈 이후 관중들로부터 많은 훌륭한 질문을 받았습니다. 남자 이름?
로빈 블로어 박사 : 좋습니다. 숀, 좀 더 말씀 드리고 싶습니다. 광고 할 기회를주지 않으려 고하지만 실제로는 매우 중요합니다. Statistica가 실제로 모델 내보내기 기능을 생성 한 시점을 알고 싶습니다. 하지만 Boomi에 대해 지금까지 말한 모든 것이 ETL이고 실제로 ETL이기 때문에 Boomi에 대해 말씀 드리겠습니다. 그러나 실제로는 ETL이 매우 뛰어나며 우리가 이야기하는 타이밍과 여기에서 논의하는 상황에 대해 매우 중요합니다. 나를 위해이 두 가지에 대해 이야기 해 주시겠습니까?
숀 로저스 : 물론 이죠 . 물론 이죠. 아시다시피, 이 방향으로의 움직임은 확실히 반복적이며 일종의 단계별 프로세스였습니다. 이번 주에 Statistica 버전 13.2를 출시 할 준비가되었습니다. 그리고 오늘 우리가 이야기하고있는 모든 기능에 대한 최신 업데이트가 있습니다. 그러나 1 년 전 10 월 버전 13으로 돌아가서 플랫폼에서 모델을 내보내는 기능을 발표했으며 당시 NDAA라고했습니다. 약어는 Native Distributed Analytics Architecture의 약자입니다. 우리는 플랫폼을 고급 분석을위한 중앙 명령 센터로 사용할 수있는 기회를 제공하고 플랫폼을 구축하는 데 많은 시간과 노력을 기울이고 플랫폼을 여는 데 주력했습니다. 우리가 배치 한 첫 번째 장소 인 로빈 (Robin)은 머신 러닝과 관련된 플랫폼에 정말 큰 도움이되었습니다. 우리는 아시다시피 Statistica에서 Microsoft의 Azure Cloud로 배포하여 Azure의 강력한 기능을 사용하여 기계 학습에 전력을 공급할 수있는 능력이 매우 뛰어나고 클라우드 기술을 활용할 수있는 좋은 방법입니다. 그리고 그것은 첫 번째 비트였습니다.
이제 모델을 Azure로 내보내고 Azure를 사용하여 모델을 실행 한 다음 데이터 또는 결과를 Statistica 플랫폼으로 다시 보냅니다. 그리고 우리는 우리가 내보낼 수있는 다른 언어로 옮겼습니다. 물론 Java 중 하나는 이제 Hadoop과 같은 다른 위치로 모델을 내보내기 시작할 수있는 문을 열었습니다. 우리도 거기에서 연극.
마지막으로 해당 릴리스의 모델을 데이터베이스로 출력 할 수있는 데 중점을 두었습니다. 그리고 이것이 첫 번째 반복이었고 정직하게 말해서, 최종 게임은 IoT 였지만 우리는 지난 10 월 13 일 버전에는 아직 없었습니다. 그 이후로 우리는 거기에 도착했고 그것은 방금 언급 한 모든 것을 할 수있는 능력과 관련이 있지만 운송 장치를 가지고 있어야합니다. 그리고 Dez의 질문으로 돌아가서, 이 모든 분석을 실행했을 때 어떤 도전이 무엇이며 어떻게해야합니까? 우리는 Boomi를 일종의 배포 허브로 사용합니다. 클라우드에 있기 때문에 앞서 언급했듯이 강력하기 때문에 데이터 통합 플랫폼이지만 응용 프로그램 통합 플랫폼이기도하며 JVM을 사용하여 우리를 허용합니다. Java 가상 머신을 착륙시킬 수있는 곳이면 어디든 주차하고 작업 할 수 있습니다. Boomi는 모든 게이트웨이와 에지 컴퓨팅 플랫폼 및 에지 서버를 위해 실제로 문을 열었습니다. 모든 서버에는 JVM을 실행할 수있는 컴퓨팅 및 플랫폼이 있기 때문입니다. 그리고 어디에서나 JVM을 실행할 수 있기 때문에 Boomi는 훌륭한 배포가되었으며, 이전의 내 말을 사용하여 오케스트레이션 장치입니다.
1 분 전의 비행기 시나리오는 대단한 일이라고 생각합니다. 저는 공장 중 하나에 센서가 10 만 개인 Shire와 같은 제조업체를 언급했습니다. 어느 시점에서 고급 분석에 대한 일종의 중앙 접근 방식을 다루어야합니다. 그것에 대해 임시적인 것은 더 이상 작동하지 않습니다. 우리가 실행하고있는 모델과 알고리즘의 양이 최소 였지만 지금은 최대였습니다. 조직에는 수천 개가 있습니다. 따라서 당사 플랫폼의 일부는 서버 기반이며, 엔터프라이즈 소프트웨어를 사용하는 경우 환경 전체에서 모델을 조정하고 스코어링하고 관리 할 수 있습니다. 그것은 오케스트레이션의 일부이기도합니다. 우선 로빈 (Robin)이라는 레이어가 있어야 모델을 처음부터 얻을 수있을뿐만 아니라 모델을 조정하고 필요한 횟수만큼 지속적으로 교체 할 수있는 통로를 마련했습니다. 이것은 수동으로 할 수있는 일이 아닙니다. 게이트웨이에 모델을 업로드하려는 엄지 드라이브가있는 정유 공장을 걸을 수 없습니다. 그 사이에 운송 및 관리 시스템이 있어야하므로 Statistica와 Boomi의 조합으로 고객에게 제공합니다.
로빈 블로어 박사 : 네. 글쎄요, 저는 아주 간략하지만 데이터 레이크와 주어진 장소에서 페타 바이트를 축적한다는 아이디어와 그것이 중력을 가지고 있다는 사실에 대해 이전에 언급 한이 진술을 알고 있습니다. 오케스트레이션에 대해 이야기하기 시작했을 때, 아주 큰 데이터 레이크를 한 곳에 두는 것은 실제로 백업해야한다는 것을 의미합니다. 어쨌든 많은 데이터를 이동시켜야합니다. 어쨌든 실제 데이터 아키텍처는 내가 생각하는 방향에 훨씬 더 가깝습니다. 현명한 장소에 배포하는 것은 아마도 내가 말할 것입니다. 이 작업을 수행하는 데 매우 유용한 기능이있는 것 같습니다. 부 미에 대해 잘 알고 있었기 때문에 어떤면에서 볼 때 불공평하고 청중이 볼 수 없을 정도로 불공평합니다. 그러나 Boomi는 응용 프로그램 기능이 있기 때문에 수행중인 작업 측면에서 매우 중요합니다. 또한 문제의 진실은 어떤 이유로 든 다른 곳에서 무언가를 행동하고 싶지 않으면 이러한 분석 계산을 수행하지 않는다는 것입니다. 그리고 Boomi가 그 일에 참여합니다.
숀 로저스 : 네, 물론입니다. 그리고 이전 대화에서 알 수 있듯이 Statistica에는 완전한 비즈니스 규칙 엔진이 있습니다. 그리고 우리가 왜 이런 일을하는지에 대해 그것이 매우 중요하다고 생각합니다. 아시다시피, 분석을하거나 데이터를 활용하여 더 나은 결정을 내리거나 조치를 취하지 않는 한 IoT를 전혀 할 이유가 전혀 없다는 사실을 미리 알고있었습니다. 그리고 우리가 집중 한 것은 모델을 거기에 배치 할 수있는 것이 아니라 규칙 세트와 함께 태그를 지정할 수 있다는 것입니다. Boomi는 한 장소에서 다른 장소로 물건을 옮기는 기능이 매우 강력하기 때문에 Boomi 원자 내에서 트리거, 경고 및 조치를 취할 수있는 기능도 포함 할 수 있습니다.
그래서 우리는“이 데이터는들을 가치가 있습니다.”라고 말하는 IoT 데이터에 대한 정교한 시각을 얻기 시작합니다. 그러나 실제로“빛이 켜져 있고, 빛이 켜져 있습니다. 조명이 켜져 있고 조명이 켜져 있습니다.”조명이 꺼 지거나 연기 감지기가 꺼질 때 또는 제조 공정에서 발생하는 모든 일이 사양을 벗어난 경우에는 흥미롭지 않습니다. 그렇게되면 즉시 조치를 취할 수 있기를 원합니다. 그리고이 시점에서 데이터는 거의 2 차가됩니다. "괜찮아, 괜찮아, 괜찮아"신호를 모두 저장하는 것이 그렇게 중요하지 않기 때문에 중요한 것은 "이봐, 나쁘다"라는 사실을 알아 차리고 즉각적인 조치를 취해야한다는 것입니다. 누군가에게 전자 메일을 보내거나 도메인 전문 지식을 얻을 수 있는지 여부 또는 시정 또는 정보에 대한 즉각적인 조치를 취하기 위해 일련의 다른 프로세스를 시작했는지 여부 그리고 이것이 바로이 오케스트레이션 된 견해를 가져야하는 이유라고 생각합니다. 알고리즘을 처리하는 데 집중할 수는 없습니다. 이를 조정하고 조정할 수 있어야합니다. 그들이 어떻게 수행하고 있는지 볼 수 있어야합니다. 그리고 가장 중요한 것은 데이터에 대해 즉각적인 조치를 취할 수있는 기회를 추가 할 수없는 경우 왜 이렇게해야합니까?
로빈 블로어 박사 : 알았어요, 레베카 청중으로부터 질문이 있다고 생각하십니까?
Rebecca Jozwiak : 그렇습니다 . 나는 많은 청중들에게 질문이있다. 숀, 네가 시간의 끝을 지나서 너무 오래 걸려 고 싶지 않다는 걸 알아 어떻게 생각해?
숀 로저스 : 행복합니다. 어서 몇 가지 대답 할 수 있습니다.
Rebecca Jozwiak : 보자. 나는 당신이 언급 한 것 중 하나가 IoT가 초기에 있으며 그것이 성숙해야 할 정도의 성숙도가 있으며 한 참석자 가이 질문에 대해 이야기한다는 것을 알고 있습니다. IPv5 프레임 워크가 향후 5 년 또는 10 년 내에 IoT의 성장을 수용 할만큼 견고 할 것입니까?
숀 로저스 : 오, 나는 그가 이런 종류의 정보에 더 가까워 졌다고 생각하기 때문에 Dez가 내 대답에서 울려 퍼지게 할 것입니다. 그러나 저는 항상 우리가 가지고있는 대부분의 프레임 워크를 구부리고 깨는 데 매우 빠른 길을 가고 있다고 생각했습니다. 그리고 새로운 종류의 사양을 추가하거나 IPv6 프레임 워크를 사용하는 방향이 중요하다고 생각하지만 더 많은 장치를 보유하고 모든 것을 제공 할 수 있습니다. 주소를주고 싶다. 고객과 함께 읽고보고있는 모든 것, 필요한 주소의 수는 어느 시점에서 그 지형에 또 다른 변화를 일으킬 것이라고 생각합니다. 그러나 나는 네트워킹 전문가가 아니기 때문에 어느 시점에서 그것을 망칠 것이라고 백퍼센트 말할 수는 없습니다. 그러나 내 경험에 따르면 언젠가는 해당 모델을 중단시킬 것입니다.
Rebecca Jozwiak : 놀라지 않을 것입니다. 프레임 워크는 모든 종류의 무게로 인해 무너지고 있다고 생각합니다. 그리고 그것은 단지 논리적입니다. 타자기로 이메일을 보낼 수는 없습니다. 또 다른 참석자는“하둡 프레임 워크를 사용할 수 있습니까?”라고 묻지 만 분산 분석에 어떻게 하둡 프레임 워크를 사용하겠습니까?
Shawn Rogers: Well, Robin did me the favor of asking me a historical question and so since Version 13 about a year ago for Statistica, we've had the ability to drive models out of our system and into Hadoop. And we work very closely with all the big flavors of Hadoop. We've got really great success stories around the ability to work with Cloudera as one of the main Hadoop distributions that we work with. But because we can output in Java, it gives us this ability to be open and place our analytics anywhere. Placing them into a Hadoop cluster is something that we do on a normal and regular and everyday basis for many of our customers. The short answer is yes, absolutely.
Rebecca Jozwiak : 훌륭합니다. And I'm just going to throw one more out at you and let you get on with your vacation. Another attendee is asking, with IoT analytics plus machine learning, do you think all data needs to be stored for historical purposes and how will that impact the solution architecture?
Shawn Rogers: Well, I don't think that all data has to be stored. But I do think it's very interesting to have the ability to entertain, listen to any data source that we want within our organization, wherever it comes from. And I do think that the changes that we've seen in the marketplace over the last few years have enabled us to take that all-data approach to things, and it seems to be really kind of paying off. But it's going to be different for every company and every use case. You know, when we're looking at health data, now there's a lot of regulatory issues, a lot of compliance issues to be concerned about, and that makes us save data that other companies might not understand why it needs to be saved, right? In the manufacturing processes, for a lot of our manufacturing customers, there's a real upside to be able to historically examine your processes and be able to look back on large amounts of this data to learn from it and to build better models from it.
I do think that a lot of the data will need to be kept and I do think we've got solutions that make that more economical and scalable today. But at the same time I think every company will find value in data that they don't have to keep in an atomic level, but they will want to analyze in a real-time sort of way and make decisions on it to drive innovation within their company.
Rebecca Jozwiak : 좋아. No, audience, I did not get to everybody's questions today, but I will forward them along to Shawn so he can reach you directly and answer those questions. But thank you everybody for attending. Thanks so much to Shawn Rogers from Dell Statistica and from all our analysts, Dez Blanchfield and Dr. Robin Bloor. You can find the archive here at insideanalysis.com, SlideShare, we've been starting to put our stuff back up there again, and we are revamping our YouTube so look for that there too as well. Thanks so much folks. And with that I'm going to bid you farewell and we'll see you next time.
