클라우드 사용 사례
- 12분
클라우드 기술이 급속히 진화함에 따라 매일 새로운 사용 사례가 등장합니다. 이 섹션에서는 클라우드의 일반적이고 가장 인상적인 사용 사례를 몇 가지 설명하고 실제 예를 제공합니다.
웹 및 모바일 애플리케이션
클라우드 컴퓨팅을 사용하는 주요 동인 한 가지는 웹 호스팅에서 나옵니다. 웹 사이트 및 웹 애플리케이션은 일반적으로 전용 인터넷 연결을 사용하는 서버에서 호스트됩니다. 구식 웹 호스팅 서비스는 클라이언트에 전용 서버를 제공하거나 여러 클라이언트에게 대규모 UNIX 시스템의 일부분을 제공했습니다. 이제 클라우드 컴퓨팅의 등장으로 웹 및 모바일 애플리케이션을 기존 IaaS, PaaS 및 SaaS 서비스를 기반으로 빌드할 수 있습니다.
SaaS 기반: 조직은 SaaS 모델을 사용하여 웹에 하나의 크기에 맞는 모든 애플리케이션을 배포할 수 있습니다. 일반적인 예로는 웹 메일, 소셜 네트워킹 사이트, 그리고 전자 수첩, 캘린더, 플래너 같은 유틸리티 웹 사이트가 있습니다.
PaaS 기반: 애플리케이션 개발자는 다양한 온라인 플랫폼 및 도구를 사용하여 PaaS 및 모바일 애플리케이션을 만들 수 있습니다. Google App Engine, Parse, AppScale과 같은 플랫폼은 웹 및 모바일 애플리케이션을 빌드할 수 있는 인기 있는 플랫폼입니다.
IaaS 기반: 더 많은 사용자 지정 및 유연성이 필요한 애플리케이션은 EC2 및 Rackspace와 같은 공급자로부터 가상 머신을 임대하여 IaaS 모델을 채택하고 완전히 사용자 지정된 소프트웨어 스택을 배포하여 웹 애플리케이션을 실행할 수 있습니다.
다음과 같은 시나리오를 고려해 보세요.
온라인 비디오 슬라이드 쇼 작성자인 Animoto는 Facebook 애플리케이션을 배포하기로 결정했습니다. 서비스 트래픽이 급증하여 Animoto는 서버를 50개에서 3일 후 3,500개로 확장했습니다. 이러한 탄력적 확장성은 클라우드 컴퓨팅에서 가능한 것이었습니다.
Amazon 및 Target.com과 같은 클라우드 컴퓨팅을 사용하는 온라인 소매점은 피크 활동(예: 추수감사절 다음날)에 대해 인프라 크기를 확장할 수 있었습니다. Salesforce.com은 2개 시트에서 20,000개 시트까지 보유한 고객을 호스트하며 모두 동일한 웹 플랫폼을 사용합니다.
도미노 피자는 AWS 및 Azure에서 제공하는 서비스를 조합하여 비즈니스를 구동합니다. 예를 들어 이 회사는 온라인 주문 및 배달 추적을 위해 Azure App Service 및 Azure Cosmos DB(모두 PaaS 서비스)를 사용하며, 수요를 충족하기 위해 필요에 따라 확장 및 축소할 수 있습니다. Domino's는 SaaS 기반 Microsoft Dynamics ERP를 사용하여1.
빅 데이터 분석
많은 조직에서는 방대한 양의 데이터를 처리해야 합니다. 이러한 데이터는 센서, 실험, 트랜잭션 데이터 및 웹 페이지 활동과 같은 영역에서 나올 수 있습니다. 빅 데이터 처리에는 일반적으로 대용량의 컴퓨팅 및 스토리지 리소스가 필요하지만 조직의 요구 사항에 따라 이들이 주기적이거나 계절적일 수 있습니다. 예를 들어 Amazon에서는 일과 후 비즈니스 인텔리전스 및 분석 작업이 설정되어 있을 수 있습니다. 이들 작업은 수백 대의 서버에서 몇 시간이 걸릴 수 있습니다. 이러한 시나리오에서 클라우드 컴퓨팅은 필요할 때 이러한 리소스를 얻을 수 있기 때문에 적합합니다. 많은 기업에는 주문형으로 프로비전되는 리소스와 함께 데이터를 자동으로 수집, 분석 및 저장하는 완전 자동화된 분석 파이프라인이 있습니다. 빅 데이터 시나리오의 예는 다음과 같습니다.
Union Pacific Railroad는 철로를 따라 적외선 온도계, 마이크 및 초음파 스캐너를 설치합니다. 이러한 센서는 통과하는 모든 열차를 스캔하여 철도 데이터 센터에 판독값을 전송합니다. 여기서 패턴 일치 소프트웨어가 장애 위험에 노출되는 장비를 식별합니다.
Walmart 같은 전통적인 소매점은 Amazon과 같은 온라인 소매점의 전례를 따라 소비자 지출 습관을 분석하여 개별 고객에게 개인 설정된 마케팅 캠페인 및 제안을 제공하고 있습니다.
Time Warner 및 Comcast 같은 회사는 빅 데이터를 사용하여 구독자의 미디어 소비 습관을 추적하고 광고업체 및 고객에게 부가 가치 정보를 제공합니다. 비디오 게임 업계는 수백만 명의 콘솔 소유자의 게임 플레이 습관을 추적합니다. Riot Games 같은 회사는 500GB의 구조적 데이터와 4TB 이상 크기의 작업 로그를 매일 자세히 살펴봅니다.
또한 클라우드는 Apache Hadoop 및 Apache Spark와 같은 인기 있는 도구의 관리형 구현을 제공하여 분석에서 역할을 수행합니다. 이들은 몇 분이면 사용할 수 있으며 사용 후 더 이상 필요하지 않으면 삭제할 수 있습니다. Spark 클러스터를 구매, 배포 및 구성하는 데는 몇 개월이 걸릴 수 있으며 상당한 전문 지식이 필요합니다. 클라우드에서 Azure Databricks 또는 AWS Databricks 같은 서비스를 사용하면 몇 번의 클릭으로 최신 버전의 Spark가 프로비전된 클러스터를 배포할 수 있습니다.
주문형 고성능 컴퓨팅
현대 과학은 HPC(고성능 컴퓨팅) 없이는 연구가 불가능합니다. 물리 실험 이외에, 컴퓨터 기반 시뮬레이션이 천체물리학, 양자역학에서 해양학, 생화학에 이르기까지 다양한 분야에서 널리 사용됩니다. 이러한 워크로드는 계산 집약적이고 일반적으로 전용 클러스터 또는 슈퍼 컴퓨팅 시설에서 실행됩니다.
HPC 리소스 필요를 충족하기 위해 클라우드를 찾는 과학자가 점차 늘고 있습니다. HPC를 사용하는 경우 AWS, Azure 및 GCP는 고속 CPU와 최신 GPU를 탑재한 매우 강력한 가상 머신을 제공합니다. 과학자들은 특히 소규모 프로젝트 또는 연구 논문 제출 마감일 전 실험과 같이 시간이 중요한 버스트 분석에 방대한 컴퓨팅 능력을 사용할 수 있다는 데 매력을 느낍니다. 클라우드의 HPC 예는 다음과 같습니다.
Cycle Computing, Inc.는 제약회사에서 분자 모델링 작업을 실행할 수 있도록 3,809 인스턴스 EC2 클러스터를 설정했습니다. 이 클러스터에는 총 30,472개 코어, 26.7TB RAM, 2PB 디스크 스토리지가 있습니다.
Pfizer, Unilever, Spiral Genetics, Integrated Proteomics Applications, Bioproximity 같은 기업은 Amazon EC2 인스턴스에서 생물정보학 및 유전체학 워크로드를 실행합니다.
NASA JPL은 고성능 Amazon EC2 인스턴스를 사용하여 고해상도 위성 이미지를 처리합니다.
2015년, 위험 관리 및 금융 서비스 회사인 Willis Tower Watson은 Microsoft와 협력하여 100,000개의 코어가 포함된 HPC 클러스터를 배포하고 이를 사용하여 전 세계 모든 사람에게 보험을 제공하는 비용을 계산하는 데 사용2. 프로비전에서 결과 다운로드까지 전체 프로세스에 소요된 시간은 12시간 미만이었습니다. 단일 코어 CPU에서 동일한 작업을 실행한다면 거의 20년이 필요했을 것입니다.
온라인 스토리지 및 보관
클라우드 컴퓨팅을 통해 사용할 수 있는 중요한 리소스 중 하나는 스토리지입니다. Dropbox와 같은 개인 스토리지 솔루션에서 Amazon S3와 같은 대규모 인터넷 스토리지 시스템까지 온라인 스토리지는 주요 클라우드 컴퓨팅 사용 사례입니다. 온라인 스토리지 옵션은 다음과 같습니다.
웹 기반 개체 스토리지: Amazon S3 및 Azure Storage와 같은 서비스를 통해 사용자는 테라바이트 단위의 데이터를 HTTP를 통해 액세스할 수 있는 간단한 개체로 저장할 수 있습니다. 많은 웹 사이트가 Amazon S3 및 Azure Storage를 사용하여 이미지와 같은 정적 콘텐츠를 저장합니다.
백업 및 복구: CrashPlan 및 Carbonite와 같은 서비스는 고객 데이터의 온라인 백업을 제공하며 이는 안전한 오프사이트 백업 솔루션으로 유용한 옵션입니다.
미디어 스트리밍 및 콘텐츠 배포: Amazon CloudFront 및 Azure CDN과 같은 서비스는 많은 양의 데이터를 저장할 뿐만 아니라 콘텐츠 배달을 지원합니다. CloudFront에서 데이터를 끌어오는 요청은 자동으로 가장 가까운 서버로 라우팅됩니다. 따라서 비디오와 같은 시간이 중요한 미디어의 대기 시간이 감소합니다.
개인 저장소: Dropbox 및 Google Drive와 같은 서비스는 사용자가 언제 어디서나 액세스할 수 있도록 개인 문서를 온라인으로 저장하는 데 인기가 있습니다.
RAD(신속한 애플리케이션 개발) 및 테스트
클라우드의 주요 이점 중 하나는 애플리케이션을 신속하게 배포하고 테스트하는 기능입니다. 몇 분 내에 전체 컴퓨팅 환경을 배포하고 테스트가 완료되면 해체하여 삭제할 수 있습니다. 많은 회사에서 개발자가 기능 및 향상 기능을 신속하게 만들고 위험 없이 테스트를 수행할 수 있다는 데 가치가 있습니다. 전문 하드웨어 및 서버를 주문하고 설치할 필요가 없습니다. 가상 서버는 몇 분이면 Amazon EC2, Azure Virtual Machines 또는 Google Compute Engine에서 실행할 있습니다. 애플리케이션을 손쉽게 부하/스트레스 테스트할 수도 있습니다. 기존 서버를 복제하여 확장성 연구를 수행할 수도 있습니다.
또한 클라우드는 DevOps에 대한 투자를 촉진하여 더 높은 품질을 달성하면서 더 적은 시간 안에 소프트웨어를 제공하는 조직의 능력을 향상하고 있습니다. 조직에서는 클라우드 기반 소스 코드 리포지토리에 연결된 가상 빌드 서버를 포함하는 DevOps 파이프라인을 만듭니다. 개발자는 CI( 연속 통합 )라고 하는 프로세스에서 자동 빌드를 트리거하는 리포지토리의 코드 변경 내용을 확인합니다. DevOps의 또 다른 기능은 업데이트된 빌드가 자동으로 테스트되고 스테이징 또는 프로덕션 환경에 롤아웃되는 CD( 지속적인 업데이트 )입니다. AWS CodePipeline, AWS CodeBuild 및 Azure DevOps와 같은 제품은 이러한 유형의 시나리오를 지원하며 모든 규모의 엔터프라이즈에서 소프트웨어 개발 프로세스의 백본으로 빠르게 자리잡고 있습니다.
기계 학습 및 인공 지능
ML(기계 학습)과 AI(인공 지능)라고 하는 ML 하위 집합은 매일 인간의 삶과 접촉하고 있습니다. 신용 카드 회사는 ML/AI 모델을 사용하여 실시간으로 사기를 확인합니다. 소매업체는 이를 사용하여 추가 구매를 유도하고 수요를 예측합니다. 언어학자는 이를 사용하여 실시간으로 음성을 번역합니다. 레스토랑은 식품 품질을 개선하기 위해 그들을 사용3; 및 연구원은 암 지표4.
ML/AI 모델을 학습하려면 방대한 컴퓨팅 능력이 필요합니다. 한 가지 예로 CNN( 나선형 신경망 )은 컴퓨터 비전과 관련된 작업(예: 사진에 개 또는 고양이의 사진이 포함되어 있는지 여부를 결정하는 작업)을 능가합니다. 이러한 모델은 일반적으로 수십억 개의 픽셀로 구성된 이미지 배치를 사용하여 학습되고 종종 100개 이상의 계층을 포함합니다. 이 크기의 CNN 학습은 단일 컴퓨터에서는 불가능하지만 병렬 처리가 용이하도록 GPU를 탑재한 HPC 클러스터에서는 비교적 효율적으로 수행할 수 있습니다.
클라우드 컴퓨팅의 최근 추세에서는 ML 및 AI를 SaaS 서비스로 제공하는 공급자도 있습니다. 예를 들어 Azure의 Custom Vision Service를 사용하여 몇 분 내에 거의 비용 없이 고양이 사진과 강아지 사진을 판별하는 신경망을 학습할 수 있습니다. 클라우드 기반 ML 및 AI 서비스를 사용하여 비즈니스 프로세스를 개선하는 회사의 구체적인 예는 다음과 같습니다.
Expedia는 AWS의 추천 엔진에서 제공하는 기계 학습 서비스를 사용하여 호텔 예약 프로세스5.
영국 석유(BP)는 Azure Machine Learning을 사용하여 지하 매장량에서 추출할 수 있는 탄화수소의 비율, 즉 복구 요인을 예측하는 능력을 향상시킵니다. Google. *iGenius: 크리스탈 만들기, 최초의 가상 디지털 마케팅 어드바이저*.
iGenius는 Google의 클라우드 AI 기계 학습 API를 Google 앱 엔진과 결합하여 세계 최초의 디지털 마케팅 고문[7][^7]을 구축했습니다.
최근 ML 및 AI 연구, 투자, 진전 및 애플리케이션의 급증은 주로 클라우드 컴퓨팅 덕분입니다. 크고 작은 연구 기관들이 이를 통해 새로운 모델을 학습하고 기존 모델을 개선하는 데 필요한 방대한 컴퓨팅 능력을 확보할 수 있기 때문입니다.
참고 자료
Microsoft(2017). Azure의 Platform as a Service는 Domino의 피자에 있는 페퍼로니입니다. https://news.microsoft.com/en-au/features/azures-platform-service-pepperoni-pizza-dominos/
Microsoft(2016). 100,000개의 코어로 무엇을 할 수 있을까요? - 글로벌 규모의 빅 컴퓨팅. https://azure.microsoft.com/blog/what-would-you-do-with-100000-cores-big-compute-at-global-scale/
Tom's Guide(2019). 도미노는 이제 AI와 카메라를 사용하여 '완벽한' 피자를 만듭니다.
Computational and Structural Biotechnology Journal(2015). 암 예후 및 예측의 기계 학습 애플리케이션. https://www.sciencedirect.com/science/article/pii/S2001037014000464
PhocusWire(2019). Expedia가 딥 러닝을 사용하여 호텔 예약 프로세스를 개선하는 방법. https://www.phocuswire.com/Expedia-Partner-Solutions-machine-learning
구글. iGenius: 최초의 가상 디지털 마케팅 고문인 크리스탈을 만듭니다. https://cloud.google.com/customers/igenius/