2021년 9월 21일 화요일

성공적인 디지털전환 전략개발 방법

 이 글은 성공적인 디지털전환 전략개발 방법에 대한 기사 내용을 간략히 정리한 것이다. 


머리말
디지털혁신은 중요한 주제이지만 대부분의 리더는 그 의미의 전체 범위를 이해하지 못한다. Microsoft의 기술임원인 April Walker는 다음과 같이 정의했다. 

"디지털 혁신은 오늘날의 디지털 경제에서 비즈니스를 의도적이고 전략적으로 재포지셔닝하는 것이다.” 

중소기업들은 이미 HR, 거버넌스 및 사이버 보안, 고객 관계 관리(CRM), 전사적 자원 관리(ERP), 재무 및 위험과 같은 광범위한 비즈니스 기능에 걸쳐 시스템을 설치하였지만, 아직, AI 또는 예측 분석에 대한 투자는 하지 못했다. 계속 열심히 노력하고 있음에도 불구하고 고객 이탈, 유지 및 유지와 같은 비즈니스 운영에 중요한 기본 KPI 질문에 대한 정보를 얻는 데는 여전히 예상보다 시간이 더 걸린다. 

디지털혁신을 위해서는 리더십 팀에 전문적인 비즈니스 분석 전문 지식이 필요하고, 조직이 의사 결정을 내리는 방식을 바꿔야 한다는 점이다.

데이터 기반 의사 결정 문화
2020년 4월 옥스포드 경제연구는 19개국에 걸쳐 조사된 2,000개의 중소기업을 대상으로 인터뷰 조사를 수행하였다. 이 결과 다수가 디지털 전환에 준비되지 않은 상태를 발견했다. 설문 참가자의 약 절반이 팬데믹이 파트너와 신뢰를 구축하는 부분에 문제를 일으켰다고 보고했다. 40% 미만이 분석 기반 의사 결정을 지원하는 데 필요한 모든 데이터를 보유하고 있다고 말했다. 

오늘날의 디지털 세계에서 목표를 달성하고, 수익성을 높이며, 성공을 주도하는 비즈니스 인텔리전스 전략을 개발하기 위해서는 데이터 과학자의 전문 지식이 필요하다. 

첫째, 문제 해결 및 비즈니스 성장을 가속화하기 위해 데이터가 양호한 상태인지 확인한다. 이들은 기술 아키텍처 계획을 개발할 것이다. AWS 또는 Azure와 같은 확장성이 뛰어나고 비용 효율적이며 안전한 클라우드 환경을 고려한다.

측정 가능한 목표 또는 KPI를 기반으로 올바른 데이터로 작업하고 있는지 확인하고 추세를 이해하고 기회를 찾고 수익성에 장애가 되기 전에 문제를 식별할 수 있다. 또한 패턴을 분석하고 이를 활용하여 여러 영역에서 비즈니스에 도움이 되는 전략과 활동을 개발한다.

많은 경쟁업체가 AI 기반 소프트웨어 및 챗봇을 사용하여 고객 상호 작용을 개인화하고 로봇을 통해 효율성을 높이기 시작함에 따라 프로세스 자동화는 중요해진다. 특히, 많은 산업 분야의 공급망은 이러한 기술을 사용하여 전략적으로 재배치된 고객 중심 조직을 강화하고 있다. 기존의 비즈니스 접근 방식을 뛰어넘어 리더는 보다 탄력적인 공급망, 높은 수준의 혁신, 고객 및 직원 만족도 향상, 전반적인 효율성 및 재무 성장 개선을 지속적으로 제공할 수 있다.

데이터와 분석을 자산으로 취급하고, 비즈니스 가치를 창출하고, 데이터 공유를 늘리고, 조직의 의사 결정이 데이터 기반임을 보장한다면 산업에서 성공할 것이다. 이러한 일이 실제로 일어나기 위해서는 전체 리더십 팀이 그들과 협력하고 지원하며 그들의 성공을 보장하는 데 적극적인 역할을 해야 한다. 


디지털혁신 로드맵
최근 McKinsey 설문조사에  따르면 B2B 고객의 2/3가 제품 구매 시 원격 인력 지원 또는 디지털 서비스를 선호하는 것으로 나타났다. 

디지털에서 기회를 살펴보기 전에 리더는 먼저 기업의 전반적인 디지털 전략과 가치 제안을 모두 살펴보고 조직의 디지털 비전을 개발해야 한다. 자신의 능력을 평가하고, 필요한 자원을 추정하고, 목표를 달성하는 데 도움이 될 수 있는 잠재적인 파트너십을 고려해야 한다. 

로드맵을 개발할 때 산업체는 디지털 온라인 판매가 증가함에 따라 오프라인 유통 채널의 중단을 포함하여 기존 비즈니스에 대한 전략적 가치를 고려해야 한다. 예를 들어 기업은 유통업체가 새로운 디지털 채널에서 어떤 역할을 할 것인지를 결정해야 한다. 

선택한 디지털 전략을 기반으로 기업은 고객과 직접 거래할 고객, 유통업체 또는 제3자 물류 제공업체를 통해 서비스를 제공할 고객, 거래 및 이행 규칙을 고려해야 한다. 그리고, 온라인 플랫폼을 통해 판매할 제품을 결정해야 한다. B2B 가격 책정은 고객과 회사의 전략적 관계, 주문 규모를 비롯한 다양한 요인에 따라 크게 달라질 수 있다. 

디지털전환 로드맵을 구현하기 전에 리더는 디지털 조직에 필요한 핵심 역할을 식별하고, 디지털기술에 능숙한 내부 인재를 확인해야 한다. 


관련해 다음 영역을 포괄해야 한다.

전략
리더는 먼저 인재 요구 사항을 평가하고 현재와 격차를 식별해야 한다. 그런 다음 직원의 기술 향상, 전략적 파트너십 형성 또는 외부 직원 채용을 통해 빈 자리를 채울 수 있는지 등을 결정해야 한다. 최상의 결과를 위해 회사 인센티브 시스템은 직원이 디지털 목표를 달성하도록 장려해야 한다. 

구조
디지털 팀원을 조직에 통합하기 위해 새로운 구조와 배포 모델이 필요한다. 이 팀은 디지털 이니셔티브를 감독하는 CEO에게 직접 보고하도록 하는 것이 좋다. 일부 회사에서는 이 역할의 직함이 최고 디지털 책임자일 수 있다. 주요 책임에는 비용을 절감하고, 디지털 이니셔티브에서 실질적인 영향을 생성하는 것이 포함된다. 

기술
조직 전반에 걸쳐 지식과 ​​능력을 향상시키기 위해 디지털 학습 프로그램을 도입해야 한다. 또한 직원들이  지속적인 학습을 가능하게 하고, 성장 마인드셋 을 수용하도록 장려해야 한다. 

시스템
워크플로 관리 도구와 같은 시스템 및 애플리케이션은 생산성을 높이며 인적 오류를 줄이는 데 도움이 된다. 

메시지
전체 가치 사슬에서 역량을 강화하고 문화적 변화를 촉진한다. 예를 들어 외부 리더를 초대하여 직원들에게 혁신과 성장에 대해 이야기하도록 할 수 있다. 

애자일 방법론
민첩한 조직에서는 협력적인 접근 방식과 빈번한 회의가 필요한다. 그리고, 학제 간 팀이 아이디어와 정보를 공유한다. 기업은 새로운 접근 방식이나 기술을 신속하게 테스트한 다음 고객 피드백을 기반으로 반복적으로 개선할 수 있는 환경을 조성해야 한다.

디지털 기술 환경으로의 전환
새로운 기술 기능은 모든 디지털 혁신의 기초를 형성한다. 이상적으로 로드맵에서 이러한 기능을 설명하고 상거래 백본 서비스, 프런트 엔드, 통합 아키텍처, 프런트 엔드 및 백엔드 통합, 개발 및 운영을 위한 디지털 플랫폼 등을 제공해야 한다.

데이터 관리 및 강화
통찰력을 얻기 위해 데이터를 마이닝할 때 몇 가지 공통적인 문제에 직면한다. 
예를 들어, 정보의 대부분은 집계 형식으로만 사용 가능하거나, 데이터 흐름을 관리하고 통합하기 위한 일관되지 않은 프로세스가 있을 수 있다. Excel에서 친숙하지 않은 비즈니스 인텔리전스 도구를 통해 보고서를 생성해야할 수도 있다. 

데이터 아키텍처 요구 사항은 무엇이며 어떻게 격차를 해결할 수 있을까? 어떤 종류의 데이터 거버넌스가 필수적인가? 그리고 그들은 데이터 솔루션의 우선 순위를 어떻게 정해야 하나?

데이터 관리를 위해서는 명확한 대답이 필요하다.

기능 개발과 제품 혁신
고객이 현장에서 제품을 실제로 어떻게 사용하는지에 대한 데이터를 가지고 있다면, 이 정보는 서비스 개선을 위한 개발에 도움이 될 수 있다. 

디지털 이니셔티브의 채택 및 확장
디지털 파일럿은 견고한 수익을 창출할 수 있지만 산업체는 실제 영향을 미치기 위해 전체 조직에 프로그램을 구현해야 한다. 확장에는 새로운 전사적 비즈니스 프로세스가 필요한다. 

데이터는 무결성없는 "깨끗한" 데이터를 보장해야 한다. 이러한 통제가 없으면, 산업체는 고객 및 제품 정보의 무결성을 보장하는 데 큰 어려움을 겪을 것이다.

지침 원칙
이러한 모든 구성 요소는 디지털화에 필수적이지만 성공을 보장하지는 않는다. 변화를 구현할 때 개별 부문에 대한 사일로 솔루션을 개발하기보다는, 통합된 디지털 생태계를 만드는 데 중점을 두어야 한다. 한 팀이 모든 디지털 이니셔티브를 감독하고 많은 움직이는 부품을 조정하는 항공 관제사 역할을 해야 한다. 프로그램을 소유하고 회사 문화, 프로세스 및 운영 모델을 변화시키면서 항상 비즈니스 및 고객 요구에 초점을 맞출 것이다.

산업계는 이러한 복잡한 변화를 혼자서 수행할 수 없다는 사실을 받아들여야 한다. 독립적으로 작업하는 데 익숙할 수 있지만 다른 산업 분야에서 디지털화 경험이 있는 외부 전문가 및 플랫폼 파트너를 참여시키는 것을 고려해야 한다. 이러한 협력은 기업이 디지털화 노력을 시작하고 가치를 높이며 영향을 미치는 시간을 단축할 때 직면하는 많은 일반적인 함정을 피하는 데 도움이 될 것이다.

디지털 트랜스포메이션
디지털 트랜스포메이션은 중소기업에서 대기업에 이르기까지 모든 비즈니스에 필수적이다. 많은 비즈니스 리더에게 명확하지 않은 것은 디지털 혁신이 무엇을 의미하는지이다. 클라우드로 이동하는 것인가? 우리가 취해야 할 구체적인 단계는 무엇인가? 디지털 혁신을 위한 프레임워크를 설계해야 하는가? 아니면 컨설팅 서비스를 고용해야 하는가? 비즈니스 전략의 어떤 부분을 변경해야 하는가? 그만한 가치가 있는가?

COVID-19 대유행은 디지털 혁신 목표를 달성하는 데 새로운 시급성을 가져왔고 많은 조직에서 혁신 작업의 속도를 높여야 했었다. 그러나 IT 리더는 예산 책정 , 인재 확보, 문화 변화 등의 문제와 계속 씨름하고 있다 . 

디지털 트랜스포메이션은 회사마다 다르게 보일 것이기 때문에 모든 회사에 적용되는 정의를 정확히 찾아내기 어려울 수 있다. 그러나 일반적으로 우리는 디지털 혁신을 비즈니스의 모든 영역에 디지털 기술을 통합하여 비즈니스 운영 방식과 고객에게 가치를 제공하는 방식에 근본적인 변화를 가져오는 것으로 정의한다. 

디지털 혁신 - 코끼리에게 춤추는 법 가르키기
명확한 목표로 시작해야한다. 

2020년 5월 IDC (International Data Corporation ) Worldwide Digital Transformation 지출 가이드에 따르면, 비즈니스 관행, 제품 및 조직의 디지털 혁신(DX)에 대한 지출은 COVID-19 팬데믹으로 인한 어려움에도 불구하고 견고한 속도로 증가되었다고 말한다. IDC는 DX 기술 및 서비스에 대한 전 세계 지출이 2020년에 10.4% 증가한 1조 3000억 달러에 이를 것으로 예측한다. 

McKinsey 데이터에 따르면, 스트리밍 및 온라인로 가속화된 전환이 영구적으로 유지될 가능성이 있다고 Zemmel은 말한다. 온라인 식료품 쇼핑은 과거보다 소비자들에게 더 인기를 끌 것이다. 현금 없는 거래도 활기를 띠고 있다. 

Equinix 의 솔루션 아키텍처 수석 이사인 Mark Anderson은 올해를 "우리가 생각해 보았지만, 시도하지 않은 많은 것들에 대한 강제적인 테스트"라고 설명했었다. 많은 기업들이 블록체인 및 IoT와 같은 기술을 살펴보기 시작했다고 말했다.

오늘날 인력의 상당 부분이 원격으로 이동하면서 디지털 기술에 대한 직원의 경험은 "있으면 좋은" 것에서 "일을 완료하는 유일한 방법"으로 바뀌었다. 


디지털 트랜스포메이션 문화
최근 몇 년 동안 IT의 역할은 근본적으로 바뀌었다. CEO들은 점점 더 CIO가 조직의 수익 창출에 도움을 주기를 원한다. 4,600명 이상의 CIO 를 대상으로 한 2018 Harvey Nash/KPMG CIO 설문조사 에 따르면 CIO의 우선순위는 "비즈니스 프로세스 개선"이다. 그러나 '디지털 리더' CIO 최우선 순위는 "혁신적인 신제품 개발"이다.

IT는 비용 절감에 초점을 맞추기보다 비즈니스 혁신의 주요 동인이 되었다. 이러한 변화를 수용하려면 회사의 모든 사람이 일상적인 경험에서 IT의 역할과 영향을 재고해야 한다.

디지털 트랜스포메이션의 중요한 요소는 물론 기술이다. 그러나 종종 새로운 기술을 채택하는 것보다 오래된 프로세스와 레거시 기술을 폐기하는 것이 더 중요한다. 

기업 IT에서 레거시 기술이 널리 퍼져 있기 때문에 CIO가 디지털 혁신 전략을 성공적으로 착수하는 데 여전히 걸림돌이 되고 있다. 기존의 기술은 변환에 비용이 많이 드는 장벽이 될 수 있다. Devin은 "IT 예산의 70~80%를 레거시 시스템을 운영하고 유지 관리하는 데 지출하고 있다면 새로운 기회를 포착하고 비즈니스를 발전시킬 수 있는 여지가 많지 않다. 그리고 이 지출은 기술이 노후화되고 취약해짐에 따라 증가할 것이다"라고 말한다. .

최근 딜로이트 조사 에 따르면 레거시 업그레이드를 이끄는 중요한 요소는 기술 관련성이라고 말한다. "기존 솔루션은 유연성이 부족하고 오래된 언어, 데이터베이스(및) 아키텍처로 인해 상당한 기술 부채가 있다."라고 딜로이트가 발표했었다. 이러한 문제로 인해 많은 조직이 분석, 실시간 트랜잭션 및 디지털 경험을 발전시키고 지원하지 못하게 된다(참고).

디지털 트랜스포메이션의 핵심 트렌드
비즈니스 및 IT 리더가 2020년에 인지해야 하는 8가지 주요 디지털 혁신 트렌드는 다음과 같다.
  • 디지털 운영 모델의 신속한 채택
  • 빅 데이터 거버넌스 및 분석
  • AI 및 기계 학습의 사용
  • IT 아웃소싱 업계의 지속적인 인수합병
  • 새로운 디지털 파트너십을 형성
  • 퍼블릭 클라우드 채택 확대
  • 디지털 혁신 성공 메트릭.
디지털 트랜스포메이션이 성공만을 가져오지는 않는다. 앞서 언급했듯, 많은 비용이 소모될 수 있다. 그래서, 목표를 명확히 하고, KPI와 RoI를 계산하는 것은 중요하다. 아울러, 디지털 트랜스포메이션의 예산은 요구사항, 변환 규모, 시장에서 예상하는 가치에 따라 책정되어야 한다.

레퍼런스

로보틱스 기반 인스펙션 및 건설 자동화 분야 기술 동향

 이 글은 2021년 건설 로보틱스 자동화 분야 기술 동향을 간략히 설명한다.


로봇 기반 인스펙션 자동화
로봇은 다양한 스캐너를 장착할 수 있으며 건설 현장을 통해 자동으로 프로그래밍된 경로를 따라갈 수 있다. 이런 기술을 통해, 데이터를 손쉽게 디지털할 수 있고, 시공상의 문제, 시설물 관리 이슈 등을 신속히 확인할 수 있다.

예를 들어, 공사 현장에서 천장 모든 덕트가 도면에 명시된 대로 2미터 이상으로 설치되었는지 확인하기 위해서는 건설 작업자가 2미터 높이의 막대기로 이리저리 돌아다니다가 2미터 표시보다 낮은 곳에 부딪히면 멈춰서 답을 찾아야 했다. 만약, 로버(Rover)에 스캐너를 장착하여 데이터 캡처가 필요한 영역에 배치한 후, 지정된 경로를 자동으로 주행하며 데이터를 취득할 수 있다면, 작업량은 매우 줄어들 수 있다.

데이터가 캡처되면 소프트웨어 플랫폼에서 처리되어, 클라우드에 업로드될 수 있다. 이 다음 데이터가 자동으로 처리되고, BIM과 비교되어 차이를 분석한다. 만약, 기계 학습 및 컴퓨터 비전 알고리즘을 사용할 수 있다면, 사용자가 특정 정보를 검색, 조작할 수 있다. 

Scaled Robotics는 이와 유사한 서비스를 제공한다. 이 서비스는 시공 
로보틱스 기반 3차원 스캔 데이터 캡쳐 및 시공 오차 확인(Scaled Robotics)

로봇 기반 건설 자동화
건설 산업에서 클라우드 협업, 데이터 기반 설계 및 모듈식 건설은 생산성 혁신 원동력 중 하나이다. AEC 부문 전반에 걸쳐 효율성, 생산성 및 지속 가능성을 높일 수 있는 혁신적 기술에 대해 자세히 알아본다.

최근 자동화 추세는 컴퓨팅 및 제너레이티브 설계, 무인 항공기 또는 드론을 사용해 작업장을 매핑 및 모니터링하고 현장에서 모듈러 시공을 적용한다.

숙련된 작업자의 암묵적 작업을 지정된 조건이나 일정에 따라 자동으로 수행할 수 있는 로보틱스 기술은 매력적이다. 이 기술은 작업자가 물리적 위험에 노출되는 것을 줄이는 효과가 있다.

조립식 모듈식 건설 접근 방식은 완성된 구조물이 부지가 아닌 다른 위치에서 부재 제작이 이뤄진다. 이러한 오프사이트 접근 방식을 통해, 계약자는 작업 프로세스 중에 작업 현장 조건을 제어하거나 로봇 기술을 구현하기가 더 쉬워진다. 모듈러 프로젝트는 현장 조립 후 최소한의 시공으로 더 빠르게 프로젝트를 완료할 수 있다.

레퍼런스

PyTorch 기반 3D 가시화 및 딥러닝 프레임웍 소개

 3D 머신러닝은 최근 큰 인기를 얻고 있다. 이는 자율 로봇,무인 운전, 증강 현실 및 라이다가 장착된 아이폰 등 대중화된 제품에 기인한다. 여기에 사용하기 쉬운 PyTorch 기반 유명한 3D 가시화 및 딥러닝 프레임웍을 소개한다.


PyTorch3D는 모듈화되어 있으며, 3D 딥러닝을 쉽게 만들 수 있도록, PyTorch 텐서를 사용하여 구현되어 있다. Facebook AI Research는 이 라이브러리를 사용하여 Mesh R-CNN과 같은 연구를 진행하고 있다. 이 라이브러리의 기능은 다음과 같다.
  • 삼각형 메시를 저장 및 조작. 메쉬 데이터 구조 지원
  • 투영 변환, 그래프 컨볼루션, 손실 함수 등 지원
  • 메시 렌더러
  • 클라우드 플랫폼 지원 및 기능 확장

Open3D는 3D데이터를 다루는 오픈 소스 라이브러리이다. 이 라이브러리의 프런트엔드는 C ++ 및 Python 언어로 개발된 데이터 구조 및 알고리즘을 제공한다. 
  • 3D 데이터 구조
  • 3D 데이터 처리 알고리즘
  • 장면 재구성
  • 3D 시각화
  • 물리 기반 렌더링


Panda3D는 실시간 3D 게임, 시각화, 시뮬레이션 등을 위한 오픈 소스 라이브러리이다. 라이브러리는 Python 바인딩 세트와 함께 C ++로 개발되었다. 노멀 매핑, 광택 매핑, HDR, 카툰 쉐이딩 및 잉크 입력 등에 대한 편리한 지원을 제공한다.
  • Panda3D는 C ++의 속도와 Python 의 사용 용이성을 결합하여 성능 저하 없이 빠른 개발 속도를 제공
  • 모든 플랫폼에 쉽게 배포 할 수 있도록 도와주는 크로스 플랫폼 엔진
  • 소스 관리를 위한 명령 줄 도구가 포함

Kaolin(코올린)
Kaolin은 3D 딥 러닝 애플리케이션 구축 시 필요한 3D모듈을 구현하여, 3D 딥러닝 연구 지원을 목표로 한다.
  • 앱 개발을 위한 Python 도구
  • 인기있는 3D 데이터 세트 로드. 전처리하는 기능을 제공
  • 포인트 클라우드, 메시, 복셀 그리드, 거리 함수, RGB-D 이미지 3D 신경망 아키텍처, 손실 함수 제공
  • 렌더러 구현. 모듈 방식으로 여러 셰이더를 지원
  • 평가 3D 메트릭 제공

Mayavi는 Python 언어로 작성된 3D 과학 데이터 시각화 오픈 소스 크로스 플랫폼 도구이다. Mayavi는 객체 지향 프로그래밍 인터페이스 및 기능을 포함하여, 스크립팅 인터페이스를 통해 3D 데이터 대화형 시각화를 제공한다.
  • Python 기반 손쉬운 스크립팅
  • 맞춤형 소스, 모듈 및 데이터 필터를 통한 손쉬운 확장성
  • 다양한 이미지 형식으로 렌더링 된 시각화 저장
  • VTK, PLOT3D 등과 같은 여러 파일 형식 읽기
pi3d는 Python에서 Raspberry Pi GPU를 사용해, 3D 및 2D 렌더링을 지원한다. 텍스처 또는 애니메이션 모델을 로드하고, 프랙탈, 셰이더 등을 생성 할 수 있다.
  • Pygame을 사용하는 Window X 서버 지원

레퍼런스

3D 대용량 지형 공간정보 실감형 실시간 가시화 Cesium for Unreal 플러그인 발표

 오늘 언리얼 포 세슘 플러그인이 정식 발표되었다(2021.3.30). 이 플러그인은 언리얼의 강력한 3차원 가시화, 물리 엔진, 확장성과 오픈소스 플랫폼인 세슘의 강력한 지형 공간정보 가시화 기능을 개발에 편리한 도구로 통합해 제공한다. 이 플로그인은 그 동안 언리얼과 세슘의 파트너쉽의 결과물 중 하나이다. 현재 이 플로그인은 언리얼 마켓플레이스에서 무료로 제공된다.


Cesium for Unreal 플러그인은 Unreal Engine의 3D 지리 공간 데이터 가시화 기능을 지원한다. 세슘은 지리 공간정보 분야에서 유명한 웹 기반 3차원 대용량 지리 공간정보 가시화 오픈소스 플랫폼이다. 이 플러그인은 WGS84 좌표계 기반 고정말 지도 가시화, 세슘의 개방형 API, 3D 타일 기반 공간 인덱싱 표준, 클라우드 기반 3D 콘텐츠를 언리얼 엔진과 결합하여, 현실감있는 지리공간정보 기반 디지털 트윈, 메타버스 어플리케이션을 구현할 수 있다. 

Cesium for Unreal 데모 예시(영상)

상세 기능은 다음과 같다. 
Cesium 편집기 통합 지원
Cesium for Unreal은 고해상도 사진, 지형, 세슘 데이터 소스 3D 건물과 같은 콘텐츠를 스트리밍 할 수 있다. 플러그인에는 3D 콘텐츠에 대한 원 클릭 액세스, Cesium 이온 통합 기능이 포함되어 있다. 세슘 사용자는 클라우드 기반 3D 타일링 파이프 라인을 활용하여, 대규모 3D 콘텐츠를 UE로 스트리밍할 수 있다. 대용량 3차원 맵 데이터는 3D 타일로 변환하여, End to End 워크플로에 통합된다. 플러그인은 개방형 표준, API 기반 클라우드 서비스를 지원한다. 시작하려면 Cesium for Unreal 샘플을 다운로드한다.
Building Simulation Applications with Unreal Engine | Inside Unreal

개방형 지리정보 플랫폼 세슘에 대한 개발 활용 사례는 다음 링크를 참고한다.
레퍼런스

건설 데이터 분석 및 예측 분야 인공지능기술 개발 사례

 

건설 프로젝트는 매우 복잡하고 상호 연결된 사업이다. 건설 산업은 프로젝트 비용과 지연으로 이어질 수밖에 없는 비효율성, 위험성은 프로젝트 규모와 함께 기하 급수적으로 증가된다. 많은 엔지니어링 및 건설 조직은 증가하는 위험, 좁아지는 마진의 압박을 느끼면서 자동화 노력을 했다. 

인공지능(AI)은 E&C(Engineering and Construction) 조직이 의사 결정 최적화, 프로젝트 데이터 통찰력 제공, 프로젝트 성공을 촉진할 수 있는 잠재력을 보유하고 있다. 이 글은 건설 데이터 취득, 분석 및 예측 분야에서 최신 인공지능기술 개발 활용 사례를 소개한다.

인공지능 건설 스타트업
한때 미래 지향적인 것으로 간주되었던 인공지능은 OpenSpaceSmartvid.io, ProcoreBuildots 와 같은 건설 스타트업을 통해 최근 몇년간 급성장하고 있다.
SmartVid.io

작년 말, 건설을 위한 AI 기반 시뮬레이션 플랫폼인 Alice는 Blackhorn Ventures 및 Lightspeed Venture Partners의 참여로 Series A 펀딩 라운드에서 800만달러를 펀딩받았다. Alice는 AI를 사용하여 작업 현장의 노동 및 장비 흐름을 분석한다.
ALICE

DPR ConstructionMortenson 및 Parsons와 같은 회사에서 이 기술을 통해 사용자는 다양한 시설물 계획을 실시간으로 분석하고, 주요 결정이 프로젝트 비용 및 기간에 미치는 영향을 예측할 수 있다. 이 회사는 인공지능 기술을 이용해 프로젝트 기간을 16%, 인건비를 거의 15% 줄였다고 말한다.
Buildots

건설 프로세스를 간소화하기 위해 건설 현장의 시각 데이터를 캡처하고 비전 처리하는 AI기반 플랫폼 개발사 Disperse는  벤처 캐피탈 회사인 Northzone이 주도하는 라운드에서 1,500만 달러의 Series A 자금을 펀딩받았다.
이 프로그램은 건설 현장의 건설 일정, 2D 도면, 3D 모델 및 포토 스냅 샷을 통합 후, 이를 처리하여 대화형 디지털트윈을 생성한다. 이 시스템은 진행 상황을 수량화하고, 병목 현상을 분석하며, 잠재적 문제의 경고 신호를 표시한다. 

런던에 본사를 둔 이 회사는 시스템을 사용하는 감독자와 건설 관리자가 현장 진행 상황보고에 소요되는 시간을 최대 25 %까지 줄이고, 스케줄러는 데이터 수집, 진행 보고서 작성 및 일정 업데이트에 소비하는 시간을 최대 60 %까지 줄였다.

디지털 트랜스포메이션과 인사이트
건설에 디지털화가 진행됨에 따라, 방대한 양의 데이터가 생성되고 있으며, 이를 통해 팀이 데이터로부터 배우고, 더 나은 견적을 만들고, 더 현명하게 계획하고, 위험을 완화 할 수 있는 기회가 생겼다.
  • 프로세스를 완료하는 데 걸리는 시간은 얼마인가?
  • 어떤 하청 업체가 최고 및 최저 실적인가?
  • 과거에 지연된 활동은 무엇인가?
데이터에서 기준선, 벤치 마크, 표준 및 KPI (핵심 성과 지표)를 정의 할 수 있으면, 이러한 통찰력을 현장 관리에 적용 할 수 있다. 
  • 추정치가 정확하고, 지연을 고려 했는가?
  • 과거 벤치 마크 기준과 비교하여 우리의 성과는 어떤가?
  • 이전 프로젝트 성과를 기반으로 적합한 파트너를 선택 했는가?
  • 위험 완화를 위해, 작업 변경 요구 사항이나 빈도를 변경해야 하나?

건설 데이터 예측
비즈니스 인텔리전스(BI) 기술은 일반적으로 프로젝트 데이터에 대한 역방향 보기만 제공했다. 이러한 통찰력은 가치가 있지만 AI기술은 실시간 데이터를 기반으로 한, 새로운 수준의 프로젝트 인텔리전스를 지원해, 통찰력을 제공한다.

이러한 혁신적인 변화는 다음과 같은 변수에 대한 시각을 제공한다.
  • 프로젝트를 지연시킬 수 있는 요인
  • 프로젝트 지연 가능성
  • 예상 지연 량
  • 비용 초과 가능성 (및 심각도)
  • 안전, 설계, 재 작업 및 소송과 관련된 숨겨진 위험
시스템은 항상 최신상태이며, 기계학습 모델 기반으로 시간이 지남에 따라 더 똑똑해지고 정확도가 향상된다.

일정, 비용, 예산, 품질, 안전, 위험 및 협업과 같은 중요한 영역을 포함해, 건설 프로젝트 관리의 거의 모든 측면에 가치를 더하는 통찰력을 제공한다.

일정
프로젝트 일정은 프로젝트 관리자의 생명선이다. 지연될 가능성이 가장 높은 프로젝트, 잠재적 일정 지연의 가능성, 범위, 지연을 유발할 가능성이 가장 높은 활동을 식별하여 정확성을 향상시킬 수 있다.

내부 데이터에는 과거 일정, 하청 업체 지연, 재 작업 내역, 누락 된 배송 날짜, 정보 요청 (RFI) 병목 현상, 실제 프로젝트 기간과 예상 프로젝트 기간, 작업 분류 구조 등이 포함될 수 있다. 이를 일기예보, 이력, 공급망 중단 및 인력 중단과 같은 외부 데이터와 결합하면 보다 정확한 일정을 만들고, 사전에 위험을 줄일 수 있다.
 
비용 / 예산
예산을 예측하는 수 많은 변수가 더 나은 예산을 설정하고 잠재적 문제를 조기에 발견할 수 있다.

변경 요청 내역, 하청 업체 성과, 지리적 고려 사항 및 프로젝트 유형등을 활용하여, 처음부터 더 나은 예산을 설정 할 수 있다.

위험 
추가 비용, 규정 준수 위반, 소송 및 안전을 포함하여, 건설에서 다양한 위험을 고려할 수 있다. 

자연어 처리 기능을 사용하여, 감정을 분석하고, 계약 업체 및 하청 업체와 같은 두 당사자 간의 충돌 징후를 조기에 감지 할 수 있다. 특정 문제에 대한 서신의 양과 특정 하도급 업체와의 작업 지연 내역 및 결과를 고려한 후, AI는 잠재적 문제가 발생하기 전에 조기 경보를 제공 할 수 있다.
 
품질 
재료 공급 업체, 하청 업체 성능에 대한 데이터를 활용하여, 제작에서 재료 무결성에 이르기까지 작업 품질을 향상시킬 수 있다. 예를 들어 자연어 처리는 서신, 목록, 검사 보고서, 변경 요청 및 작업 주문과 같은 다양한 데이터를 마이닝하여 잠재적 품질 문제를 감지 할 수 있다.

사물인터넷(IoT) 센서와 풍부한 데이터는 작업 품질을 향상시킬 수 있는 방법에 점점 더 많은 역할을 할 수 있다.
 
안전 
프로젝트에 참여하는 모든 사람의 건강과 안전이 항상 최우선 순위이다. 잠재적 안전 문제를 조직에 경고 할 수 있다.

작업 현장의 이미지, 센서 데이터, 안전 보고서, 서신, 교육 로그, 과거 사건 등을 분석하여 잠재적 문제를 감지하는 데 도움이 될 수 있다. 이를 통해 조직은 새로운 안전 문제를 조기에 경고하여 사전에 해결할 수 있다.
 
협업 
프로젝트 관리자는 프로젝트 성공을 위해 협업에 의존한다. 이는 개방적이고 투명한 공급망에서 시작된다. 정보 병목 현상, 파트너 간의 상호 종속성을 쉽게 식별할 수 있다.


오토데스크의 AI 기반 프로젝트 데이터 분석 기술 개발 사례
약 3 년간 테스트 끝에 Autodesk는 대규모 프로젝트 데이터를 분석하여, 위험 수준별로 안전 및 품질 문제를 평가하는 기계 학습 도구인 BIM 360 Construction IQ 버전을 출시했다(2019).

알고리즘은 BIM 360을 사용하는 프로젝트에서 수백 또는 수천 개의 문제를 분류하여, 일일 위험 평가 대시 보드를 생성한다. 

프로젝트 형식을 사용하면 감독자 또는 프로젝트 관리자가 하청 업체 및 특정 프로젝트 문제와 관련된 위험 수준을 볼 수 있으며, 경영진 형식은 운영 부사장 또는 품질 책임자에 정보를 제공하여 모든 프로젝트에서 위험을 비교할 수 있다.

계약 업체 BAM Ireland는 현장의 품질 및 안전 문제를 20% 줄였다고 언급했다. 대시보드가 제공하는 추세에 대한 가시성 덕분에 프로젝트 위험 문제를 해결하는 데 25% 더 많은 시간이 소모될 수 있음을 발견했다.

Paric Construction 기술 혁신 부사장인 Andy Leek는 프로젝트 관리자, 엔지니어가 매일 약 50 개의 항목으로 체크리스트를 작성하고, 현장에서 관찰한 모든 문제를 보고한다. 보고서를 생성하는 대신 체크리스트는 대시 보드에 자동으로 입력되는 모든 문제를 수집하고 정보를 제공한다.

다만, Autodesk는 알고리즘 결정이 항상 올바른 것은 아니며, 일부 고위험 문제가 감지되지 않을 수 있다는 면책 조항을 포함한다.

도구를 개발할 때 Autodesk는 알고리즘이 실행되는 방법을 밝히고 싶었다. 예측에서 AI는 사람들에게 블랙 박스이다. 그러므로, 이를 신뢰해야 하는지 이해하지 못한다. BIM 360 Enterprise Products 이사인 Pat Keaney는 "우리는 위험성이 높은 품질 문제를 식별하는 데 필요한 몇 가지 핵심 사항을 간단하게 보여주는 사용자 인터페이스를 개발했다."고 말했다. 사용자는 드릴다운하여 문제를 더 깊이 탐색할 수 있다.

AI기반 지형 스캔 조사 및 분석 기술 개발 사례 
Nye Veier는 노르웨이 트론헤임 인근 도로 건설 프로젝트에서 EMerald Geomodelling 지형 스캐닝 조사 기술 및 머신 러닝 알고리즘을 사용하여 1년 간 지반 공학 조사 기간을 절약하고, 2억 5천만 NOK 도로 건설 비용을 절감했다.

Kvithammar 마을과 Åsen 마을 사이에 새로운 고속도로를 건설하고 설계하기 전에, 프로젝트 소유자인 Nye Veier는 지반 상태를 조사해야 했다. EMerald Geomodelling이 참여하기 전에 몇 가지 지질 공학 조사가 수행되었다.

지반 시추는 기반 시설이 건설될 지면 조건에 대한 충분한 정보를 얻기 위한 기술로, 시간 소모적인 방법이다. EMerald Geomodelling의 기술과 솔루션을 사용하여 이 문제를 대폭 줄 일 수 있었다. EMerald Geomodelling은 NGI의 하청 업체로 일하며, 수석 엔지니어 Alf Kristian Lund와 긴밀하게 협력한다.

시추는 충분한 자료를 얻기 위해 1년이 걸렸지만, 이 프로젝트의 지반 스캐닝 조사는 단 며칠 만에 수행되었다.

헬리콥터, 드론과 같은 항공 기술을 사용하는 가장 큰 장점은 짧은 시간에 넓은 지역의 데이터를 수집 할 수 있다는 것이다. 적은 수의 전략적 시추와 지오 스캐닝 기술을 결합하면 프로젝트 초기에 전체 영역을 보다 포괄적으로 파악할 수 있다. 

EMerald Geomodelling에서 개발한 지오 스캐닝(Geo scanning) 및 기계 학습 알고리즘을 사용하여 제한된 시추공 사이의 지면 상태를 비행 스캔 후 2주 이내에 모델링되었다.

3D 모델은 암반 함몰이 처음에 예상했던 것보다 더 깊다는 것을 보여주었다. 그러한 조건에서 건설하는 것은 매우 많은 비용이 소모된다. 이를 고려해, 계획된 경로가 프로젝트 초기에 이동되었고, 우리는 덜 최적된 경로를 따라 도로가 건설되는 것을 피했다. 이러한 절감액은 약 2억 5천만 NOK로 추산된다. 참고로, 10년 이상, Andi A. Pfaffhuber는 NGI의 기존 지반 조사 과정을 단순화하는 방법에 대한 연구를 주도했다. 

마무리
AI 머신러닝은 건설 산업의 흐름을 바꾸고 있다. 오늘날 AI를 통해 우리는 미래를 내다보고 의사 결정을 개선할 수 있다. 물론, 이러한 기술 활용을 위해서는 현장의 적절한 디지털 트랜스포메이션과 명확한 요구사항, 그리고 진지한 기술 활용의 자세가 있어야 할 것이다.

레퍼런스

DBSCAN 기반 3차원 포인트 클라우드 세그먼테이션

 이 글은 DBSCAN 기반 3차원 포인트 클라우드 세그먼테이션 방법을 간략히 설명한다.


이 글은 다음을 참고한다.

AI로 건설을 혁신하는 방법

 건설에서 인공지능을 보다 직접적으로 사용하는 사례 중 하나는 ALICE Technologies의 기계 학습 알고리즘 인 ALICE에 의해 수행 된 프로젝트 스케줄링 분석이다. 



ALICE 알고리즘은 프로젝트의 4D 일정 및 BIM 시뮬레이션을 실행하여 프로젝트를 실행하는 수천 가지 가능한 방법을 추정하고 프로젝트 "레시피"에서 변수 입력이 조정될 때 재조정한다. 사용자는 입력을 조정하고 ALICE는 건설 일정에 어떤 영향을 미칠지 알려준다. 

데이터가 준비되어 있다면 AI 어드바이저를 직접 구축하는 것이 좋다. DPR Construction은 방대한 프로젝트 데이터 저장소를 최대한 활용하기 위해 다년간의 여정을 진행해 왔으며 현재 자체 AI 알고리즘을 구축하여 궁극적으로 회사의 의사 결정 프로세스에 영향을 미치고 있다. Maha는 이 기술을 입찰 준비 및 프로젝트 계획에 사용할 것이라고 말한다.
 
DPR은 Kwant.ai의 웨어러블 모니터링 태그도 시험해 왔다. Kwant에서 제공하는 노동 추적 데이터에 대한 경험은 사이트에 대한 신뢰를 얻는 것에 도움을 준다.

Kwant.ai는 무선 태그를 착용한 작업자로 부터 위치 데이터를 수집하고, 이 기술은 주로 최신 인원 수를 제공하고 안전 사고를 기록하는 데 중점을 둔다. Kwant.ai는 머신 러닝과 AI를 데이터 세트에 적용하기 위해 노력하고 있다. 생산성을 고려하여 Kwant.ai는 과거 성과를 기반으로 인력 추천을 제공 할 수 있다. 

Taft Stettinius & Hollister LLP의 파트너 인 Joseph A. Cleves Jr.는“AI의 근본적인 문제는 학습이 정교해질 때 문제가 발생하면 이를 인간의 잘못으로 간주 할 수 없을 때이다"라고 말한다. Cleves는 AI 또는 머신 러닝을 기반으로 한 중요한 결정이 바람직하지 않은 프로젝트 결과로 이어질 경우를 고려해, 공통적인 표준 사용자 라이센스 계약이 적용될 수 있다고 말한다.

건설법은 AI의 과제를 처리하기에는 너무 취약한 것은 아니며, 계약 언어는 항상 새로운 기술을 수용하기 위해 변경 될 수 있다고 로펌 Nixon Peabody LLP의 Tracy Ickes는 말한다. Ickes와 그녀의 동료들은 인공 지능과 신기술이 건설에 미치는 영향을 연구 해 왔으며, 이러한 기술이 더 많은 위험을 감수함에 따라 당사자 간의 일부 계약 방식이 변경 될 수 있다고 말한다. 

Maha는 AWS 및 Azure 클라우드 분석 도구를 데이터 과학에 대한 투자 사례를 구축 할 수 있는 장소로 꼽는다. 기업이 데이터를 정리하고 클라우드에 투자 한 후 에는 데이터 모델링 및 분석에 관련 경험이 있는 사람들을 여기로 끌어들이는 것이 중요하다. 기업이 데이터 과학이나 머신 러닝을 따로 작업하는 함정에 빠지지 말아야. AI 비서 알고리즘이 통찰력을 형성하려면 지식을 가진 전문가 조직의 참여가 필요한다. 

레퍼런스

디지털트윈 기반 시설물 운영 관리 목표와 사례

이 글은 디지털트윈 기반 시설물 운영 관리에 대한 목표와 사례를 정리한다. 디지털트윈의 정의와 시설물 운영 관리(FM)에서의 목적 디지털트윈(Digital Twin)은 현실 세계에 존재하는 물리적 자산, 시스템, 또는 프로세스를 가상의 디지털 공간에 ...