소프트웨어공학 포털 블로그

2016년 11월 7일 월요일

UX 전략 사례 연구

UX 전략에는 다양한 것들이 있겠지만 그림8과 같은 4가지 관점으로 고민하는 것이 일반적이다. 없던 것을 창조하고, 기존 것을 확대하고, 틈새시장을 공략하고, 마지막으로 시장을 재정의 할 수 있어야만 UX의 가치를 인정받을 수 있기 때문이다. 물론, 이 외에 반영하고자 하는 것은 추가해도 무방하다.

<그림8> UX 전략 방향

출처: SYS4U

그림9는 그림8과 같은 방향으로 UX 전략을 나타낸 것이다. R-Mart의 비즈니스 목표와 UX Challenge에는 그림8의 New, Expand, Narrow, Redefine 전략이 모두 포함되어 있는 것을 확인할 수 있다. UX 전략을 눈으로 판단해서 정리하는 것보다는 이와 같은 4가지 항목으로 구분하여 정리하면 더 알아보기 쉽게 정리할 수 있다.

<그림9> UX 전략 예시

출처: SYS4U

UX의 전략 방향

아무런 가이드 없이 사용자 경험을 찾는 것은 매우 어렵다. 사용자의 특성에 따라 다양한 환경이 존재하고 환경에 따라 사용자 경험을 정리해나가야 하기 때문이다. 이러한 내용들을 바탕으로 정리된 UX 전략 방법이 그림4에 나타나있다.

일반적인 전략은 탑-다운(Top-Down)으로 내려가는 것이 일반적이다. 하지만, UX 전략의 경우 그림4에서 보는 것처럼 사용자들의 목표나 가치를 바텀-업(Bottom-Up)으로 이해하고, 다시 탑-다운으로 전략을 검증하면서 프토로타입을 만들어 표준화하는 것이 보통이다.

<그림4> UX 전략 수립

출처: SYS4U

UX 전략을 올바르게 수립하기 위해서는 리서치가 가장 기본이 되는 활동인데, 리서치는 사용자 요구사항 분석이 아니기 때문에 인터뷰도 중요하지만 관찰 조사가 매우 중요한 세부활동이다. 사용자 환경을 제대로 관찰하여 필요한 부분이 무엇인지, 미리 확보되어야 할 전제 조건이 무엇인지를 체계적으로 정리해 나가야 한다.

그림4에서 보는 것처럼 UX 전략은 사용자 경험만으로 만들 수 없다. 비즈니스에서 요구하는 요소나 기술적인 요소도 있기 때문에, 이에 대한 조사도 함께 이루어져야 의미 있는 UX 전략이 나올 수 있다. 이를 반영한 UX 가치를 정의하는 것이 매우 중요하다.

SI에서는 요구사항 분석을 먼저 한다. 사용자의 요구사항을 알아야 화면, 프로세스, 이벤트 등을 정의하여 소프트웨어를 만들 수 있기 때문이다. SI에서는 많은 노력에도 불구하고 요구사항 분석이 분석, 설계, 구현 단계에서 명확히 적용된 경우가 많지 않다. 요구사항 분석 결과가 올바른지 확인하기가 어렵고 사용자가 이해할 수 있는 수준으로 만들어지지 않기 때문이다. 사용자 요구사항 분석이 제대로 되었는지 확인하는 것이 UX의 두 번째 목표이다.

사용자 요구사항을 제대로 분석했는지 확인하기 위해서 프로토타입을 많이 활용한다. 아파트 건설사에서 아파트를 분양하기 위해 모델하우스를 미리 만들어 고객들에게 보여주는 것과 같은 개념이다. 프로토타입은 웹 기반 소프트웨어의 경우 일반적으로 html로 화면만 만들어 사용자에게 확인을 받는 경우가 많다. 이러한 기법을 프로토타입 기법이라고 한다.

프로토타입이 만들어진 초기에는 분석 단계가 끝난 후 사용자에게 확인을 받았지만 사용자가 변경을 요구할 경우 분석을 다시 해야 하는 문제가 발생해 분석 단계 초기로 시기를 당기게 되었다. 이 것을 라피드(Rapid) 프로토타이핑 기법이라고 한다(그림2).

<그림2> 라피드 프로토타이핑 기법

출처: Object-Oriented & Classical Software Engineering, 8th

2016년 11월 4일 금요일

IoT 사례 연구 - LG CNS의 IoT 플랫폼

AWS 플랫폼

AWS IoT 플랫폼은 디바이스에 SDK(Software Development Kit)을 제공하고, 게이트웨이를 통해 애플리케이션과 디바이스 간의 통신을 제공해주고 있다(그림8). 플랫폼 밖인 디바이스에서 정보를 쉽게 전달 받고 플랫폼의 인증과 다양한 개발 라이브러리 등도 활용할 수 있도록 SDK를 제공하고 있다.

<그림8> AWS IoT 플랫폼

출처: Amazon

규칙 엔진(Rule Engine)을 사용하면 인프라를 관리할 필요 없이 디바이스에서 수집된 데이터를 처리, 분석할 수 있고, 비즈니스 규칙에 따라 다른 디바이스나 클라우드 서비스로 이를 변환하거나 전송할 수 있다. 그림에서 보는 것처럼 IoT 서비스에 따라 달라질 수 있는 디바이스나 애플리케이션을 제외한 부분을 플랫폼으로 구성하면서 아키텍처의 강건성이 매우 높아질 수 있고 개발 기간이나 복잡도를 낮출 수 있다.

<참고사이트>

AWS IoT 플랫폼 https://aws.amazon.com/ko/iot/how-it-works/

LG CNS의 IoT 플랫폼

LG에서는 나날이 발전하고 있는 IoT 시장을 위해 6가지 기술을 정의하여 발전 전략을 수립했다. 아래를 살펴보면, 디바이스 관련 기술(⑤), 네트워크와 인터페이스 관련 기술(①②), 빅데이터 관련 기술(③)과 이를 통합 지원하는 기술(④⑥)로 구분된 것을 확인할 수 있다. 이를 통해, LG가 지향하는 바는 “다양한 디바이스로부터 수집된 대량의 센서 데이터들을 안정적으로 송/수신하고, 클라우드 환경에 저장된 데이터의 처리 및 분석을 통해 지능형 서비스까지 제공하는 플랫폼”이다.

① Gateway와 Edge Device 관련 기술

② 대량의 데이터를 안정적으로 전달할 수 있는 통신 기술

③ 이벤트 처리와 데이터 분석 및 추천을 위한 빅데이터(Big Data) 관련 기술

④ 위의 언급한 기술들의 Base 제공 및 융합을 지원할 플랫폼과 Enabler 관련 기술

⑤ 인증/권한을 통한 데이터 보안뿐만 아니라 디바이스와 칩(Chip) 레벨의 보안 기술

⑥ 사용자와 상호 작용할 수 있는 UI/UX 기술

LG에서는 디바이스의 쉼 없는 발전과 폭발적으로 증가하는 데이터를 활용한 새로운 비즈니스가 IoT를 통해 나타난다고 하고 있다. 이 때, 특정되지 않은 디바이스나 서비스를 쉽게 받아들이고 표준화된 서비스를 통해 쉽게 IoT 서비스에 접근할 수 있도록 가이드 하고 있다. 그림9는 LG에서 제시하는 IoT 플랫폼인데, 다른 곳에서 제시하는 IoT 플랫폼과 레이아웃이 거의 유사하다. 디바이스→네트워크→서비스로 이어지는 흐름을 기본으로 하고 있고, 다수의 디바이스와 사용자에 대한 인증, 보안이 추가되어 있기 때문이다.

<그림9> LG CNS의 IoT 플랫폼

출처: LG CNS

기대 효과와 결론

지금까지 IoT에 대해 아키텍처, 보안, 빅데이터 연계, 개발에 대해 살펴보았다. IoT는 소프트웨어보다는 많은 부분이 하드웨어 중심으로 서비스되어 왔던 것이 사실이다. 하지만, 기하급수적으로 늘어나는 IoT 관련 디바이스와 서비스로 인해 개별적으로 개발이 이루어지는 것은 매우 소모적이고 많은 손실을 가져온다. 체계적이고 표준화된 플랫폼 사용으로 IoT를 활용한 신규 서비스가 더 많이 늘어나기를 기대한다.

22nd SW Quality Insight Conference안내 -11/29(화)

참가 신청 하기

머신러닝을 알린 알파고의 알고리즘 분석- 알파고 승리의 원동력

Q: 그럼 다시 알파고 얘기로 돌아가 보겠습니다. 알파고 승리의 원동력은 무엇입니까?

알파고는 1202개의 CPU와 176개의 GPU가 사용되었다고 합니다. 어마어마한 수치이죠. 아마도 구글이 아니면 해내기 어려울 정도의 하드웨어가 사용되면서 처리 속도를 높였죠. 이러한 처리 속도는 학습 속도와 이세돌 9단과 바둑을 두는 속도에도 엄청난 영향을 주게 됩니다.

자 그럼, 이제 알파고의 트레이닝 과정을 살펴보겠습니다. 단순합니다. 알파고 한테 바둑 기사들이 두었던 이전의 기보를 계속 학습시키는 것입니다(그림7). 알파고는 학습한 기보의 내용을 모두 기억하는 것이 아니라 패턴으로 기억하는 것이라고 생각하는 것이 이해하기가 쉽습니다.

<그림7> 알파고가 학습한 경우의 수

출처: Google

이렇게 기억한 것을 기초로, 실제 바둑 기사와 바둑을 두게 됩니다. 바둑 기사가 착수하는 점을 입력 받아 많은 패턴 중에서 최적의 대응을 하게 되는 것이지요. 기억하실 것은 알파고니까 가능한 겁니다.

Q: 알파고 말고는 불가능 하다는 말씀인가요?

무슨 얘기냐 하면, 아까 얘기한 것처럼 1202개의 CPU와 176개의 GPU이기 때문에 이세돌 9단과 대적을 했다는 것입니다. 이 정도의 하드웨어가 아니었다면 한정된 시간에서 많은 오류를 범했을 겁니다. 고성능의 처리 속도로 많은 경우의 수를 예측했기 때문에 이길 수 있었다는 얘기지요. 그만큼, 기계학습의 가장 중요한 성공 포인트는 많은 학습 데이터와 빠른 처리 속도입니다. 물론, 이 외에도 예측을 위해서 더 세밀한 부분들이 있지만 이번 시간에는 기본적인 부분만 다뤄야 할 것 같습니다.

Q: 왜 구글이나 IBM이 인공지능의 선두 주자인지 알 것 같습니다. 알파고가 이세돌 9단을 이기고 세계랭킹 4위에 올랐습니다. 향후 알파고의 랭킹을 예측해 보신다면요?

재미있는 질문입니다. 제가 확실하게 얘기하고 싶은 것은 알파고는 시간이 갈수록 기하급수적으로 더 강해진다는 것입니다. 왜냐하면, 계속 기존의 바둑 기보를 학습할 것이기 때문입니다.

<그림8> 알파고의 세계랭킹

출처: 인사이트

알파고가 이세돌 9단과의 대전을 준비할 때는 이세돌 9단의 이전 공식 기보는 통째로 학습 했을 것이고, 세계적인 기사들의 기보도 학습했을 겁니다. 새로운 도전자가 나타난다면, 순식간에 도전자의 바둑 방식을 파악해서 패턴화할 것입니다. 이세돌 9단과의 대전에서 나타난 수준을 생각하면서 도전했다가는 아마 큰 낭패를 볼 수 있을 겁니다.

Q: 스타크레프트와 같은 진짜 게임에 도전하겠다는 의사도 밝혔는데 어떤 결과가 올지 기대가 됩니다. 오늘 말씀을 정리해 주시죠.

IoT가 발전하면서 빅데이터의 활용도와 중요성이 점점 커지고 있고, 빅데이터로 인해 기계학습의 활용도도 더 확대될 것으로 예상됩니다. 많은 산업들이 사람들에 의해 의사결정이나 관리가 이루어졌던 것이 현실이었습니다. 하지만, 기계학습을 활용한다면 사람보다 더 세밀하고 정확한 예측과 대응책을 제시해 줄 것으로 기대됩니다. 앞으로 많은 분야에서 기계학습에 대한 관심이 필요한 시점인 것 같습니다.