필자, 제인 차이(Zane Tsai)은  엣지 인공지능(AI) 및 산업용 컴퓨팅 분야의 글로벌 선도기업 에이디링크 테크놀로지(ADLINK Technology)의 플랫폼 제품 센터장으로 근무하고 있다.(편집자 주)

자동화가 수년에 걸쳐 제조를 변화시켰지만 공급망에는 여전히 구현 격차가 있다. 물류 분야에서 자동화의 잠재력은 매우 크고, 특히 운영 과정에서 큰 변화가 발생하거나 수요가 증가할 때 큰 편익을 누릴 수 있다. 미래 지향적인 자동화 물류 솔루션은 운영 프로세스에 완벽하게 부합해야 하며, 새로운 작업 플로우 및 환경에 유연하게 적응할 수 있어야 한다.

물류 자동화를 통해 수요 변화에 따른 물량을 유연하게 처리할 수 있다. 전략적으로 물류 자동화는 생산성을 높이고 인적 오류를 줄이며 작업 효율성을 향상시킨다. 또한 적절한 물류 자동화 소프트웨어, 하드웨어 및 플랫폼 리소스를 갖추면 수요가 적은 기간에도 기존 인력을 유지하는 것보다 훨씬 낮은 비용으로 운영할 수 있다. 이를 통해 물류 회사는 수요 변화에 신속하게 대응하는 데 가장 필요한 유연성을 확보할 수 있다. 이는 더 많은 기회를 의미하기도 한다.

인공지능이 물류 자동화 영향을 확대하다

물류자동화에 인공지능(AI)이 도입되면서 그 영향력이 확대되고 있다. AI는 상품 인식, 분류, 배송 등으로 작업 오류를 줄여준다. 예를 들어, 자율이동로봇(Autonomous Mobile Robots. 이하, AMR)은 일반적으로 핵심적인 마지막 배송 단계를 포함한 패키지 배송 프로세스를 혁신적으로 개선한다. AMR이 사람, 장애물, 배송 포털, 출입문 등 경로 계획 및 인식하는데 AI가 도움을 준다.

물류 자동화를 어떤 환경에 통합하는 데에는 어려움이 따른다. 반복적인 프로세스를 동력 컨베이어로 교체하는 것만큼이나 간단할 수도 있고, 협동적이고 자율적인 로봇을 작업장에 도입하는 것만큼 복잡할 수도 있다. AI가 이러한 자동화 및 통합 프로세스에 추가되면 과제는 더욱 복잡해지지만 이점도 증가한다.

개별 자동화 요소의 효율성은 솔루션의 연결성과 프로세스의 다른 모든 단계에 대한 인식도가 높아짐에 따라 증가한다. 데이터가 생성되고 조치를 취하는 위치에 즉, 엣지 AI의 도입은 이미 물류 자동화를 재정의하고 있다. 엣지 AI는 빠르게 발전하고 있으며 이를 배치하는 것의 이점은 전력, 환경 운영 조건, 물리적 위치 및 사용 가능한 공간과 같은 자원의 가용성과 균형을 이루어야 한다.

엣지에서의 추론

엣지 컴퓨팅은 컴퓨팅과 데이터를 더욱 긴밀하게 결합한다. 기존 IoT 애플리케이션에서는 대부분의 데이터가 네트워크를 통해 (클라우드) 서버로 전송되며, 이 서버에서 데이터가 처리되고 물리적 장비처럼 네트워크 엣지로 결과가 다시 전송된다.

클라우드 전용 컴퓨팅은 지연 시간을 발생시키므로 시간이 중요한 시스템에서는 허용되지 않는다. 엣지 컴퓨팅이 작동하는 한 가지 예는 분류 중 패키지의 이미지 데이터를 로컬에서 캡처하고 처리하여 물류 자동화 시스템이 0.2초 만에 응답할 수 있도록 하는 것이다.

이런 경우의 시스템 네트워크 지연 시간이 발생하면 분류 프로세스가 느려질 것이며, 엣지 컴퓨팅은 이러한 잠재적 병목 현상을 제거하고 있다.

엣지 컴퓨팅이 컴퓨팅을 데이터에 가깝게 하며, 엣지에 AI를 추가하면 프로세스의 유연성이 높아지고 오류가 발생할 가능성이 훨씬 줄어든다. 이와 비슷하게, 물류의 마지막 단계도 사람에 크게 의존하지만, 이 역시 엣지 AI를 사용하는 AMR을 통해 개선될 수 있다.

AI를 추가하는 것은 물류자동화에 사용되는 하드웨어와 소프트웨어에 큰 영향을 미치며, 잠재적인 해결책도 늘어나고 있다. 일반적으로, AI 모델을 학습하는데 사용되는 솔루션은 네트워크 엣지에 모델을 배치하는데 적합하지 않다. 학습에 사용되는 처리 리소스는 파워 및 메모리와 같은 리소스가 거의 무제한인 서버를 위해 설계되었다. 엣지에 있는 파워와 메모리는 무한대와는 거리가 멀다.

이기종 아키텍처로의 추세

하드웨어 측면에서, 대형 멀티 코어 프로세서는 엣지 AI 애플리케이션에 적합하지 않다. 대신, 개발자들은 엣지 AI 배치에 최적화된 이기종 하드웨어 솔루션으로 눈을 돌리고 있다.

여기에는 CPU와 GPU가 물론 포함되지만, ASIC(Application-Specific Integrated Circuits), MCU(Microcontrollers) 및 FPGA로도 확장된다. GPU와 같은 일부 아키텍처는 병렬 처리를 잘하지만 CPU와 같은 일부 아키텍처는 순차 처리를 더 잘한다.

오늘날, AI 애플리케이션을 위한 최고의 솔루션을 제공한다고 주장할 수 있는 단일 아키텍처는 없다. 일반적으로 동일한 아키텍처를 여러 경우에 사용하는 대신 최적의 솔루션을 제공하는 하드웨어를 사용하여 시스템을 구성하는 것이 추세이다.

이러한 추세는 동일한 프로세서를 기반으로 여러 장치를 사용하는 동종 아키텍처가 아닌, 함께 작동하도록 구성된 여러 하드웨어 처리 솔루션이 있는 이기종 아키텍처로 나타나고 있다. 특정 작업에 적합한 솔루션을 도입하거나 특정 장치에서 여러 작업을 통합할 수 있으면 확장성이 향상되고 와트당 또는 소요 비용에 비해 성능을 최적화할 수 있다.

동종 시스템 아키텍처에서 이기종 처리로 전환하려면 대규모 솔루션 에코시스템과 하드웨어 및 소프트웨어 레벨에서 이러한 솔루션을 구성할 수 있는 검증된 기능이 필요하다. 그렇기 때문에 엣지 컴퓨팅 솔루션을 제공하고 모든 주요 실리콘 공급업체와 중요한 Tier 1 파트너십을 맺고 있는 업체와 협력하여 확장 가능하고 유연한 시스템을 개발하는 것이 중요하다.

또한, 이러한 솔루션은 리눅스 등 일반 오픈소스 기술과 ROS 2 등 로봇 운영체제 전문 기술을 활용하고 있다. 실제로 물류 및 엣지 AI를 모두 지원하기 위한 오픈소스 리소스 개발도 늘어나고 있다. 이러한 관점에서 '적합한' 단일 소프트웨어 솔루션은 없으며 소프트웨어가 실행되는 하드웨어 플랫폼에서도 마찬가지이다.

엣지 컴퓨팅에 대한 모듈식 접근 방식

유연성을 높이고 공급업체의 종속성을 줄이기 위해 에이디링크는 하드웨어 레벨에서 모듈화 접근 방식을 개발하여 모든 솔루션 내에서 하드웨어 구성을 더욱 유연하게 만들었다. 실제로 하드웨어 레벨에서의 모듈화를 통해 엔지니어는 시스템 전반의 중단 없이 프로세서 같은 시스템 하드웨어의 모든 부분을 변경할 수 있다.

기본 플랫폼(소프트웨어, 프로세서 등)을 '업그레이드'하는 기능은 엣지 AI와 같은 새로운 기술을 구현할 때 특히 중요하다. 모든 새로운 세대의 프로세서와 모듈 기술은 대부분 엣지에서 작동하는 추론 엔진에 더 나은 파워 및 성능 균형을 제공하므로, 전체 물류 자동화 시스템과 엣지 AI 하드웨어 시스템 설계의 중단을 최소화하면서 이러한 성능과 파워의 이점을 빠르게 활용할 수 있는 것은 분명한 장점이다.

도커(Docker)와 같은 마이크로 서비스 아키텍처 및 컨테이너 기술을 사용하여 하드웨어의 모듈화를 소프트웨어로 확장한다. 다른 제조업체의 솔루션이라도 더 최적의 프로세서 솔루션을 사용할 수 있게 되면 프로세서를 활용하는 소프트웨어가 모듈화되어 시스템의 나머지 부분을 변경하지 않고도 이전 프로세서의 모듈 대신 사용할 수 있다. 소프트웨어 컨테이너는 새로운 기능을 추가할 수 있는 간단하고 강력한 방법을 제공하며 이는 예를 들어, 엣지에서 AI를 실행하는데 적용된다.

컨테이너 내부의 소프트웨어도 모듈화할 수 있다. 에이디링크의 AI 비전 제품용 엣지 비젼 애널리틱스(Edge Vision Analytics, EVA) SDK(Software Development Kit)가 하나의 예이다. 파이프라인 기반 멀티미디어 프레임워크인 지스트리머(GStreamer)를 기반으로 하는 이 플랫폼은 AI 비전 파이프라인을 구축하는 데 필요한 필수 기능에 초점을 맞춘다.

그리고 이는 AI 비전 파이프라인의 각 단계에 바로 사용할 수 있는 오픈 소스 플러그인(자체 포함 모듈)을 사용하여 파이프라인 개발을 간소화한다. 플러그인에는 이미지 캡처 및 처리, AI 추론, 후 처리 및 분석이 포함된다.

또한, 모듈식 및 컨테이너 방식의 하드웨어 및 소프트웨어에 대한 접근 방식은 공급업체의 종속을 최소화한다. 즉, 솔루션은 특정 플랫폼에 얽매이지 않는다. 또한 플랫폼과 애플리케이션 간의 추상화를 향상시켜 최종 사용자가 플랫폼에 종속되지 않은 자체 애플리케이션을 쉽게 개발할 수 있도록 한다.

구성 요소가 사용 가능해지는 대로 이를 특성화하는 데이터베이스를 통해 업그레이드 프로세스를 간소화한다. 엔지니어는 이 데이터베이스를 사용하여 성능 및 시스템 리소스에 대한 추론 측면에서 적절한 균형을 맞출 수 있는 올바른 제품을 선택할 수 있다.

물류 자동화의 가장 중요한 요건 중 하나는 실시간 대응이다. 이러한 요구 사항을 충족하기 위해 최적의 하드웨어‧소프트웨어 조합을 사용하여 시스템을 개발하는 경험이 있는 공급업체와 협력하는 것이 중요하다. 에이디링크 접근법은 라이다 센서와 같은 전문 제 3자의 기술과 통합될 수 있는 빌딩 블록을 사용하는 것이다.

결론적으로

물류 자동화 내에서 엣지 AI를 구축하기 위해 전체 시스템을 교체할 필요가 없다. 먼저 작업 공간을 평가하고 AI 기반 자동화의 실질적인 이점을 얻을 수 있는 단계를 식별하는 것부터 시작하면 된다. 주요 목표는 효율성을 높이는 동시에 운영 지출을 줄이는 것이다. 특히, 물량이 급증하는 시기에 인력이 부족해도 수요 증가에 유연하게 대응할 수 있다.

점점 더 많은 기술 회사들이 AI 솔루션을 개발하고 있지만, 이들은 대부분 엣지 컴퓨팅이 아닌 클라우드를 목표로 한다. 그러나 엣지에서 조건은 매우 다르며, 리소스가 제한될 수 있으며 전용 프라이빗 통신 네트워크가 필요할 수도 있다.

물류자동화는 AI와 같은 기술을 활용하여 물류 운영 내에서 지속적으로 성장하고 확장될 것이다. 이러한 시스템 솔루션은 클라우드나 데이터 센터와는 매우 다른 가혹한 환경에서 사용될 수 있도록 설계되어야 한다. 경쟁력 있는 솔루션, 짧은 개발 주기 및 유연한 플랫폼을 제공하는 모듈식 접근 방식을 사용하여 이 문제를 해결할 수 있는 것이다.