WO2020111326A1 - 고성능 머신러닝 제공 방법 및 이를 이용한 장치 - Google Patents

고성능 머신러닝 제공 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
WO2020111326A1
WO2020111326A1 PCT/KR2018/014947 KR2018014947W WO2020111326A1 WO 2020111326 A1 WO2020111326 A1 WO 2020111326A1 KR 2018014947 W KR2018014947 W KR 2018014947W WO 2020111326 A1 WO2020111326 A1 WO 2020111326A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
machine learning
present
performance machine
providing high
Prior art date
Application number
PCT/KR2018/014947
Other languages
English (en)
French (fr)
Inventor
윤종필
강인식
박덕근
황규순
김유진
Original Assignee
에스케이텔레콤 주식회사
위즈코어 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 에스케이텔레콤 주식회사, 위즈코어 주식회사 filed Critical 에스케이텔레콤 주식회사
Priority to PCT/KR2018/014947 priority Critical patent/WO2020111326A1/ko
Publication of WO2020111326A1 publication Critical patent/WO2020111326A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass

Definitions

  • the present invention relates to a method for providing high performance machine learning and an apparatus using the same.
  • a process of collecting and analyzing data is required to promote a smart factory, and large data management is required according to the amount of data collected.
  • large data management is required according to the amount of data collected.
  • existing systems that are not linked to machine learning may be difficult in managing large amounts of data.
  • the problem to be solved by the present invention is to provide a method for providing high-performance machine learning for collecting and analyzing large amounts of data and an apparatus using the same.
  • a problem to be solved by the present invention is to provide a high-performance machine learning providing method and an apparatus using the same for improving the efficiency of the process of collecting and analyzing data.
  • a method for providing high performance machine learning includes collecting data, receiving collected data, storing received data, analyzing stored data, and providing results of the analyzed data.
  • the step of collecting data includes applying the OPC.
  • the step of analyzing the stored data further includes the step of extracting the necessary data from the stored data, and the step of analyzing the extracted required data.
  • the present invention can extract data necessary for analysis of large-capacity data collected in a manufacturing environment such as a factory.
  • the present invention enables data collection and analysis through compatibility and linkage with an existing system.
  • the effect according to the present invention is not limited by the contents exemplified above, and more various effects are included in the present invention.
  • FIG. 1 is a schematic diagram for explaining a system for providing high performance machine learning according to an embodiment of the present invention.
  • FIG. 2 is a schematic view for explaining a high performance machine learning providing platform according to an embodiment of the present invention.
  • FIG. 3 is a schematic diagram for explaining a system for providing high performance machine learning according to another embodiment of the present invention.
  • FIG. 4 is a schematic diagram illustrating a virtual machine service of a system for providing high performance machine learning according to another embodiment of the present invention.
  • FIG. 5 is a schematic diagram illustrating a database service of a high performance machine learning providing system according to various embodiments of the present invention.
  • FIG. 6 is a schematic diagram illustrating a message queue service of a system for providing high performance machine learning according to various embodiments of the present disclosure.
  • FIG. 7 is a schematic diagram illustrating a shared storage service of a high performance machine learning providing system according to various embodiments of the present invention.
  • FIG. 8 is an exemplary view for explaining a method for providing high performance machine learning according to various embodiments of the present invention.
  • FIG. 1 is a schematic diagram for explaining a system for providing high performance machine learning according to an embodiment of the present invention.
  • a system for providing high performance machine learning may include a cluster composed of one or more nodes, and may include a Scale-Out structure capable of expanding and contracting a cluster for processing large amounts of data. In addition, it may include a linear expansion effect of performance improvement as the number of nodes increases.
  • the system for providing high-performance machine learning can enable stable data collection through distributed deployment of story controllers with platform infrastructure scale-out function and application of OPC through the implementation of cloud-based virtualization hardware design.
  • the system for providing high-performance machine learning can extract data necessary for analysis from among the large-capacity data collected, and the extracted data can be analyzed by the system for providing high-performance machine learning.
  • the high-performance machine learning providing system may enable interworking with external systems, cloud-based backup and data storage, and automatic archiving of data through API interworking.
  • FIG. 2 is a schematic view for explaining a high performance machine learning providing platform according to an embodiment of the present invention.
  • the platform for providing high-performance machine learning may include batch processing, real-time processing, and relational database management system (RDBMS) processing functions.
  • RDBMS relational database management system
  • a high performance machine learning providing platform may include a data processing module, an interface module, and data analysis and machine learning modules.
  • the Data Processing Module may include a Data Store, Scenario Executor, Data Collector, Datasource Manager, Job Manager, Scheduler, Job Service.
  • the Data Processing Module may include data storage, data processing, and scenario execution.
  • the Data Processing Module can be operably connected to Interface Modules, Data Analytic & Machine Learning Modules.
  • Interface Module can include Restful API Service, Visualization, and Visualization can include Dashboard, Scenario.
  • Interface Module may further include external service connection and visualization linkage.
  • Data Analytic & Machine Learning Modules can include Interpreter Manager, Recipe Manager, Plug-in Manager.
  • Data Analytic & Machine Learning Modules can be linked with external open source machine learning algorithm libraries (External Libraries), and data analysis recipes can be applied.
  • the data analysis recipe is a method of defining data with a user's dictionary definition. For example, if unnecessary data is collected, the corresponding data is defined as 1. Data defined as 1 are not analyzed.
  • a high-performance machine learning providing platform may include integrated data monitoring.
  • the integrated data monitoring function may be applied with an algorithm for classifying required data within the collected data, and may further include access control for data collection and data transmission.
  • FIG. 3 is a schematic diagram for explaining a system for providing high performance machine learning according to another embodiment of the present invention.
  • a system for providing high-performance machine learning includes a virtual machine (VM) service, a data base service (DBS), a message queue service (MQS), a shared storage service, and a machine learning service. It can contain.
  • Machine learning services are operatively connected to VM services, DBS services, MQS services and shared storage services.
  • the high performance machine learning providing system may further include an image upload service, a labeling and inquiry service, and the like.
  • one or more virtual machines may be used in a system for providing high-performance machine learning, and one or more virtual machines may be operated simultaneously.
  • a high-performance machine learning providing system can reduce maintenance costs for data collection and analysis, and reduce power and cooling requirements.
  • FIG. 4 is a schematic diagram illustrating a virtual machine service of a system for providing high performance machine learning according to another embodiment of the present invention.
  • the VM service may include a VM list inquiry, VM detailed inquiry and monitoring, VM creation, VM deletion, VM operation, and VM console.
  • the VM list screen is displayed.
  • the detailed VM inquiry and monitoring when a VM is selected in the VM list screen, detailed information of the corresponding VM is displayed on the screen.
  • the VM creation button When the VM creation button is selected on the VM list screen, the VM is created. The created VM is additionally displayed on the VM list screen.
  • the Delete VM button is selected on the VM list screen, the VM is deleted.
  • the VM operation includes a start, end, and reboot operation, and when a VM is selected in the VM list screen, VM detailed information is displayed on the screen, and when the VM operation start button, end button, and reboot button are selected, according to the selected button , A predetermined operation may be performed.
  • VM detailed information is displayed, and when the generated console view button is selected, the VM is displayed as a console.
  • FIG. 5 is a schematic diagram illustrating a database service of a high performance machine learning providing system according to various embodiments of the present invention.
  • the DBS service may include DBS list inquiry, DBS detailed inquiry and monitoring, DBS creation, DBS deletion, and DBS operation.
  • the DBS list screen if the DBS VM list screen is selected, the DBS VM list screen is displayed.
  • detailed inquiry and monitoring of DBS VM when a DBS VM is selected in the DBS VM list screen, detailed information of the corresponding DBS VM is displayed on the screen.
  • a DBS VM is created.
  • the created DBS VM is additionally displayed on the DBS VM list screen.
  • the Delete DBS VM button is selected on the DBS VM list screen, the DBS VM is deleted.
  • DBS VM operation includes start, end, reboot operation, and when DBS VM is selected in the DBS VM list screen, DBS VM detailed information is displayed on the screen, and when the DBS VM operation start button, end button, and reboot button are selected , According to the selected button, a predetermined operation is performed.
  • FIG. 6 is a schematic diagram illustrating a message queue service of a system for providing high performance machine learning according to various embodiments of the present disclosure.
  • the MQS service may include an MQS list inquiry, an MQS detailed inquiry, an MQS generation, and an MQS deletion.
  • MQS list query if the MQS list screen is selected, the MQS list screen is displayed.
  • MQS detailed inquiry and monitoring when MQS is selected in the MQS list screen, detailed information of the corresponding MQS is displayed on the screen.
  • MQS is created.
  • the created MQS is further displayed on the MQS list screen.
  • MQS is deleted.
  • FIG. 7 is a schematic diagram illustrating a shared storage service of a high performance machine learning providing system according to various embodiments of the present invention.
  • the shared storage service may include querying a shared storage list, creating shared storage, and deleting shared storage.
  • FIG. 8 is an exemplary view for explaining a method for providing high performance machine learning according to various embodiments of the present invention.
  • data requiring analysis is provided to the cloud, and the provided data can be input into a high-performance machine learning providing system.
  • the input data is analyzed by a high-performance machine learning providing system, and the analyzed data can be provided by an open source machine learning platform and language API.
  • the method and apparatus according to an embodiment of the present invention may be implemented in a form of program instructions that can be executed through various computer means and recorded in a computer readable medium.
  • Computer-readable media may include program instructions, data files, data structures, or the like alone or in combination.
  • the program instructions recorded on the computer-readable medium may be specially designed and configured for the present invention, or may be known and usable by those skilled in the computer software field.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs, DVDs, and magnetic media such as floptical disks. Includes hardware devices specifically configured to store and execute program instructions such as magneto-optical media and ROM, RAM, flash memory, and the like.
  • the above-described medium may be a transmission medium such as an optical or metal wire or waveguide including a carrier wave that transmits a signal designating a program command, data structure, or the like.
  • Examples of program instructions include high-level language code that can be executed by a computer using an interpreter, etc., as well as machine language codes produced by a compiler.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operation of the present invention, and vice versa.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

본 발명의 실시예에 따른 고성능 머신러닝 제공 방법 및 이를 이용한 장치가 제공된다. 고성능 머신러닝 제공 방법은, 데이터를 수집하는 단계, 수집되는 데이터를 수신하는 단계, 상기 수신된 데이터를 저장하는 단계, 상기 저장된 데이터를 비교 및 분석하는 단계, 상기 비교 및 분석된 데이터의 결과를 제공하는 단계를 포함한다.

Description

고성능 머신러닝 제공 방법 및 이를 이용한 장치
본 발명은 고성능 머신러닝 제공 방법 및 이를 이용한 장치에 관한 것이다.
공장과 같은 제조 환경에서, 데이터를 수집 및 분석하는 과정은 스마트 공장을 추진하기 위해 필요하며, 수집되는 데이터의 양에 따른 대용량 데이터 관리가 요구되고 있다. 그러나, 스마트 공장을 추진하는 과정에서, 머신러닝과 연계되지 않은 기존의 시스템은 대용량 데이터 관리에 있어서 어려울 수 있다.
따라서, 대용량 데이터의 안정적인 수집 및 분석을 위한 고성능 머신러닝 제공 방법이 요구된다.
본 발명이 해결하고자 하는 과제는 대용량 데이터를 수집 및 분석하기 위한 고성능 머신러닝 제공 방법 및 이를 이용한 장치를 제공하는 것이다.
구체적으로, 본 발명이 해결하고자 하는 과제는 데이터를 수집 및 분석하는 과정의 효율성 향상을 위한 고성능 머신러닝 제공 방법 및 이를 이용한 장치를 제공하는 것이다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 고성능 머신러닝 제공 방법이 제공된다. 고성능 머신러닝 제공 방법은 데이터를 수집하는 단계, 수집되는 데이터를 수신하는 단계, 수신된 데이터를 저장하는 단계, 저장된 데이터를 분석하는 단계, 분석된 데이터의 결과를 제공하는 단계를 포함한다.
본 발명의 다른 특징에 따르면, 데이터를 수집하는 단계는 OPC를 적용하는 단계를 포함한다.
본 발명의 또 다른 특징에 따르면, 저장된 데이터를 분석하는 단계는 저장된 데이터 중 필요 데이터를 추출하는 단계, 추출된 필요 데이터를 분석하는 단계를 더 포함한다.
본 발명은 공장과 같은 제조 환경에서 수집된 대용량 데이터의 분석에 필요한 데이터를 추출할 수 있다.
나아가, 본 발명은 기존에 사용되는 시스템과의 호환 및 연계를 통한 데이터 수집 및 분석을 가능하게 한다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 발명 내에 포함되어 있다.
도 1은 본 발명의 일 실시예에 따른 고성능 머신러닝 제공 시스템을 설명하기 위한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 고성능 머신러닝 제공 플랫폼을 설명하기 위한 개략도이다.
도 3은 본 발명의 다른 실시예에 따른 고성능 머신러닝 제공 시스템을 설명하기 위한 개략도이다.
도 4는 본 발명의 또 다른 실시예에 따른 고성능 머신러닝 제공 시스템의 가상 머신 서비스를 설명하기 위한 개략도이다.
도 5는 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 시스템의 데이터베이스 서비스를 설명하기 위한 개략도이다.
도 6은 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 시스템의 메세지 큐 서비스를 설명하기 위한 개략도이다.
도 7은 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 시스템의 공유 스토리지 서비스를 설명하기 위한 개략도이다.
도 8은 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 방법을 설명하기 위한 예시도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
비록 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시예들을 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 고성능 머신러닝 제공 시스템을 설명하기 위한 개략도이다.
도 1을 참조하면, 고성능 머신러닝 제공 시스템은 하나 이상의 노드로 구성된 클러스터를 포함할 수 있고, 대용량 데이터 처리를 위한 클러스터 확장 및 축소가 가능할 수 있는 Scale-Out 구조를 포함할 수 있다. 또한, 노드 수 증가에 따른 성능 향상의 선형적 확장 효과를 포함할 수 있다.
고성능 머신러닝 제공 시스템은 클라우드 기반의 가상화 하드웨어 설계구현을 통해 플랫폼 인프라 스케일아웃 기능의 스토리즈 컨트롤러의 분산 배치 및 OPC 적용을 통한 안정적인 데이터 수집을 가능하게 할 수 있다. 또한, 고성능 머신러닝 제공 시스템은 수집되는 대용량 데이터 중, 분석에 필요한 데이터를 추출할 수 있고, 추출된 데이터는 고성능 머신러닝 제공 시스템에 의해 분석될 수 있다.
이에 제한되지 않고, 고성능 머신러닝 제공 시스템은 외부 시스템과의 연동 및 클라우드 기반의 Backup 및 데이터 보관을 가능하게 할 수 있고, API 연동을 통한 데이터 자동 보관을 가능하게 할 수 있다.
도 2는 본 발명의 일 실시예에 따른 고성능 머신러닝 제공 플랫폼을 설명하기 위한 개략도이다.
고성능 머신러닝 제공 플랫폼은 배치 처리, 실시간 처리, RDBMS(Relational DataBase Management System, 관계형 데이터베이스 관리 시스템) 처리 기능 등을 포함할 수 있다. 또한, 기존 외부의 시스템과의 연동이 가능하고, 대용량 데이터의 동시 작업이 가능할 수 있다.
도 2를 참조하면, 고성능 머신러닝 제공 플랫폼은 데이터 처리 모듈(Data Processing Module), 인터페이스 모듈(Interface Module), 데이터 분석 및 머신러닝 연동 모듈(Data Analytic & Machine Learning Modules)을 포함할 수 있다.
Data Processing Module은 Data Store, Scenario Executor, Data Collector, Datasource Manager, Job Manager, Scheduler, Job Service를 포함할 수 있다. 또한, Data Processing Module은 데이터 저장, 데이터 처리, 시나리오 수행 등을 포함할 수 있다. 상기 Data Processing Module은 Interface Module, Data Analytic & Machine Learning Modules와 동작 가능하게 연결될 수 있다.
Interface Module은 Restful API Service, Visualization을 포함할 수 있고, Visualization은 Dashboard, Scenario를 포함할 수 있다.
또한, Interface Module은 외부 서비스 연결 및 시각화 연동 수행 등을 더 포함할 수 있다.
Data Analytic & Machine Learning Modules은 Interpreter Manager, Recipe Manager, Plug-in Manager를 포함할 수 있다. 또한, Data Analytic & Machine Learning Modules은 외부의 오픈 소스 머신러닝 알고리즘 라이브러리(External Libraries)와 연동 가능하며, 데이터 분석 레시피가 적용될 수 있다. 데이터 분석 레시피는 사용자의 사전 정의로 데이터를 정의하는 방법이다. 예를 들어, 필요하지 않은 데이터가 수집되면, 해당 데이터는 1로 정의된다. 1로 정의된 데이터는 분석되지 않는다.
이에 제한되지 않고, 고성능 머신러닝 제공 플랫폼은 데이터 통합 모니터링 기능을 포함할 수 있다. 데이터 통합 모니터링 기능은 수집되는 데이터 내에서 필요한 데이터를 구분하는 알고리즘이 적용될 수 있고, 데이터 수집에 대한 접근 제어 및 데이터 전달 등이 더 포함될 수 있다.
도 3은 본 발명의 다른 실시예에 따른 고성능 머신러닝 제공 시스템을 설명하기 위한 개략도이다.
도 3을 참조하면, 고성능 머신러닝 제공 시스템은 VM(Virtual Machine, 이하 VM) 서비스, DBS(Data Base Service, 이하 DBS), MQS(Message Queue Service, 이하 MQS), 공유 스토리지 서비스 및 머신러닝 서비스를 포함할 수 있다. 머신러닝 서비스는 VM 서비스, DBS 서비스, MQS 서비스 및 공유 스토리지 서비스와 동작 가능하게 연결된다. 이에 제한되지 않고, 고성능 머신러닝 제공 시스템은 이미지 업로드 서비스, 라벨링 및 조회 서비스 등을 더 포함할 수 있다.
또한, 고성능 머신러닝 제공 시스템에는 하나 이상의 가상 머신이 이용될 수 있고, 하나 이상의 가상 머신은 동시 작동될 수 있다. 이에 제한되지 않고, 고성능 머신러닝 제공 시스템에 의해, 데이터 수집 및 분석의 유지 관리 비용이 절감될 수 있고, 전원 및 냉각 요구량이 감소될 수 있다.
도 4는 본 발명의 또 다른 실시예에 따른 고성능 머신러닝 제공 시스템의 가상 머신 서비스를 설명하기 위한 개략도이다.
도 4를 참조하면, VM 서비스는 VM 리스트 조회, VM 상세조회 및 모니터링, VM 생성, VM 삭제, VM 동작 및 VM 콘솔을 포함할 수 있다.
VM 리스트 조회에서, VM 목록 화면이 선택되면, VM 목록 화면이 출력된다. VM 상세 조회 및 모니터링에서, VM 목록 화면 내에 VM이 선택되면, 해당 VM의 상세 정보가 화면에 표시된다.
VM 목록 화면에서 VM 생성 버튼이 선택되면, VM이 생성된다. 생성된 VM은 VM 목록 화면에 추가로 표시된다. VM 목록 화면에서 VM 삭제 버튼이 선택되면, VM이 삭제된다.
VM 동작은 시작, 종료, 리부팅 동작을 포함하고, VM 목록 화면에서 VM이 선택되면, VM 상세 정보가 화면에 표시되고, 상기 VM 동작 시작 버튼, 종료 버튼, 리부팅 버튼이 선택되면, 선택된 버튼에 따라, 미리 지정된 동작이 수행될 수 있다.
VM 목록 화면에서 VM이 선택되면, VM 상세 정보가 표시되고, 생성된 콘솔보기 버튼이 선택되면, VM은 콘솔로 표시된다.
도 5는 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 시스템의 데이터베이스 서비스를 설명하기 위한 개략도이다.
도 5를 참조하면, DBS 서비스는 DBS 리스트 조회, DBS 상세조회 및 모니터링, DBS 생성, DBS 삭제 및 DBS 동작을 포함할 수 있다.
DBS 리스트 조회에서, DBS VM 목록 화면이 선택되면, DBS VM 목록 화면이 출력된다. DBS VM 상세 조회 및 모니터링에서, DBS VM 목록 화면 내에 DBS VM이 선택되면, 해당 DBS VM의 상세 정보가 화면에 표시된다.
DBS VM 목록 화면에서 DBS VM 생성 버튼이 선택되면, DBS VM이 생성된다. 생성된 DBS VM은 DBS VM 목록 화면에 추가로 표시된다. DBS VM 목록 화면에서 DBS VM 삭제 버튼이 선택되면, DBS VM이 삭제된다.
DBS VM 동작은 시작, 종료, 리부팅 동작을 포함하고, DBS VM 목록 화면에서 DBS VM이 선택되면, DBS VM 상세 정보가 화면에 표시되고, 상기 DBS VM 동작 시작 버튼, 종료 버튼, 리부팅 버튼이 선택되면, 선택된 버튼에 띠라, 미리 지정된 동작이 수행된다.
도 6은 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 시스템의 메세지 큐 서비스를 설명하기 위한 개략도이다.
도 6을 참조하면, MQS 서비스는 MQS 리스트 조회, MQS 상세조회, MQS 생성, MQS 삭제를 포함할 수 있다.
MQS 리스트 조회에서, MQS 목록 화면이 선택되면, MQS 목록 화면이 출력된다. MQS 상세 조회 및 모니터링에서, MQS 목록 화면 내에 MQS가 선택되면, 해당 MQS의 상세 정보가 화면에 표시된다.
MQS 목록 화면에서 MQS 생성 버튼이 선택되면, MQS가 생성된다. 생성된 MQS는 MQS 목록 화면에 추가로 표시된다. MQS 목록 화면에서 MQS 삭제 버튼이 선택되면, MQS가 삭제된다.
도 7은 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 시스템의 공유 스토리지 서비스를 설명하기 위한 개략도이다.
도 7을 참조하면, 공유 스토리지 서비스는 공유 스토리지 리스트 조회, 공유 스토리지 생성, 공유 스토리지 삭제를 포함할 수 있다.
공유 스토리지 리스트 조회에서, 공유 스토리지 메뉴가 선택되면, 공유 스토리지 목록 화면이 출력된다.
공유 스토리지 목록 화면에서 공유 스토리지 생성 버튼이 선택되면, 공유 스토리지가 생성된다.
공유 스토리지 목록 화면에서 공유 스토리지 삭제 버튼이 선택되면, 공유 스토리지가 삭제된다.
도 8은 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 방법을 설명하기 위한 예시도이다.
도 8을 참조하면, 예를 들어, 분석이 필요한 데이터가 클라우드로 제공되고, 제공된 데이터는 고성능 머신러닝 제공 시스템으로 입력될 수 있다. 입력된 데이터는 고성능 머신러닝 제공 시스템에 의해, 분석되고, 분석된 데이터는 오픈 소스 머신러닝 플랫폼 및 언어 API로 제공될 수 있다.
본 발명의 실시예에 따른 방법 및 장치는 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 상술한 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (3)

  1. 데이터를 수집하는 단계;
    수집되는 데이터를 수신하는 단계;
    상기 수신된 데이터를 저장하는 단계;
    상기 저장된 데이터를 분석하는 단계;
    상기 분석된 데이터의 결과를 제공하는 단계를 포함하는, 고성능 머신러닝 제공 방법.
  2. 제 1항에 있어서,
    데이터를 수집하는 단계는,
    OPC를 적용하는 단계를 포함하는, 고성능 머신러닝 제공 방법.
  3. 제1항에 있어서,
    상기 저장된 데이터를 분석하는 단계는,
    상기 저장된 데이터 중 필요 데이터를 추출하는 단계;
    상기 추출된 필요 데이터를 분석하는 단계를 더 포함하는, 고성능 머신러닝 제공 방법.
PCT/KR2018/014947 2018-11-29 2018-11-29 고성능 머신러닝 제공 방법 및 이를 이용한 장치 WO2020111326A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2018/014947 WO2020111326A1 (ko) 2018-11-29 2018-11-29 고성능 머신러닝 제공 방법 및 이를 이용한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2018/014947 WO2020111326A1 (ko) 2018-11-29 2018-11-29 고성능 머신러닝 제공 방법 및 이를 이용한 장치

Publications (1)

Publication Number Publication Date
WO2020111326A1 true WO2020111326A1 (ko) 2020-06-04

Family

ID=70853325

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/014947 WO2020111326A1 (ko) 2018-11-29 2018-11-29 고성능 머신러닝 제공 방법 및 이를 이용한 장치

Country Status (1)

Country Link
WO (1) WO2020111326A1 (ko)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101565030B1 (ko) * 2013-12-31 2015-11-02 현대자동차주식회사 데이터 분석을 이용한 자동차의 오류 판단 시스템 및 그 방법
KR101758870B1 (ko) * 2017-02-13 2017-07-18 주식회사 온더 마이닝 관리 시스템 및 이를 이용한 마이닝 관리 방법
US20170223026A1 (en) * 2016-02-01 2017-08-03 General Electric Company System and method for zone access control
KR20170112937A (ko) * 2016-03-31 2017-10-12 울랄라랩 주식회사 기계동작정보 자동 수집을 기반으로 한 스마트 공장 시스템, 공장 관리 정보 제공방법 및 컴퓨터 판독가능 기록매체
KR101825881B1 (ko) * 2017-06-27 2018-02-08 부경대학교 산학협력단 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템
KR20180099164A (ko) * 2017-02-28 2018-09-05 고려대학교 산학협력단 기술 문서 분석 방법 및 장치
KR20180101815A (ko) * 2017-03-06 2018-09-14 한밭대학교 산학협력단 빅데이터 플랫폼을 이용한 스마트 공장 운영 관리 솔루션 서비스 시스템 및 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101565030B1 (ko) * 2013-12-31 2015-11-02 현대자동차주식회사 데이터 분석을 이용한 자동차의 오류 판단 시스템 및 그 방법
US20170223026A1 (en) * 2016-02-01 2017-08-03 General Electric Company System and method for zone access control
KR20170112937A (ko) * 2016-03-31 2017-10-12 울랄라랩 주식회사 기계동작정보 자동 수집을 기반으로 한 스마트 공장 시스템, 공장 관리 정보 제공방법 및 컴퓨터 판독가능 기록매체
KR101758870B1 (ko) * 2017-02-13 2017-07-18 주식회사 온더 마이닝 관리 시스템 및 이를 이용한 마이닝 관리 방법
KR20180099164A (ko) * 2017-02-28 2018-09-05 고려대학교 산학협력단 기술 문서 분석 방법 및 장치
KR20180101815A (ko) * 2017-03-06 2018-09-14 한밭대학교 산학협력단 빅데이터 플랫폼을 이용한 스마트 공장 운영 관리 솔루션 서비스 시스템 및 방법
KR101825881B1 (ko) * 2017-06-27 2018-02-08 부경대학교 산학협력단 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템

Similar Documents

Publication Publication Date Title
US4782442A (en) Time-sharing computer system operable in a host TSS mode and a terminal TSS mode
EP3367234A2 (en) Systems and methods for arbitrary software logic modeling
JPH04233654A (ja) コンピュータシステム
EP4209879A1 (en) Task group positioning method and apparatus
CN111177244A (zh) 面向多个异构数据库的数据关联分析方法
WO2020111326A1 (ko) 고성능 머신러닝 제공 방법 및 이를 이용한 장치
CN111414422B (zh) 一种数据分布方法、装置、设备和存储介质
US8606744B1 (en) Parallel transfer of data from one or more external sources into a database system
CN112685081A (zh) 系统迁移方法、装置、电子设备及存储介质
WO2019074155A1 (ko) 데이터베이스 간의 실시간 통합 복제 시스템
WO2023048439A1 (ko) 워크 플로우 기반의 시맨틱 cad 데이터 변환 방법 및 이를 위한 장치
CN116107543A (zh) 一种基于vue工程代码项目的项目变更方法和变更装置
CN110008448A (zh) 将SQL代码自动转换为Java代码的方法和装置
WO2018147529A1 (ko) 온라인 환경에서 구현되는 대시보드 내 차트간 인터랙션 방법
JP2001014147A (ja) セットアップ代行システム
WO2019235884A1 (ko) 임상 의사 결정 시스템 구축을 위한 의료 정보 변환 방법 및 시스템
CN112711589A (zh) 用于MDSplus的存储控制方法及系统
CN102446113B (zh) 底层消息接口模拟方法及模拟装置
CN113722045B (zh) 集群的应用部署方法和装置
WO2021070998A1 (ko) 지식 통합을 위한 분산 시스템 및 방법
CN109976765B (zh) 一种应用群部署方法、装置、设备和存储介质
WO2022260399A1 (ko) 작성된 리스트 기반 백업 데이터 자동 압축 방법 및 컴퓨터 프로그램
WO2023068394A1 (ko) 원엠투엠 시스템과 엔지에스아이-엘디 시스템 간의 데이터 연동 방법
CN113934915A (zh) 基于资源树的资源查询方法、装置、设备和介质
WO2023100289A1 (ja) データベース管理装置、データベース管理方法およびデータベース管理プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18941131

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18941131

Country of ref document: EP

Kind code of ref document: A1