2018 년 11 월, Splunk APAC 파트너 기술 심포지엄 이벤트가 개최되어 아시아 태평양의 Splunk 엔지니어를 모으고 IoT 해커 톤이 열렸습니다. 주제는 전기 보조 자전거 렌탈 사용에 대한 슬롯 사이트 추천 사용하여 일종의 결과를 얻는 것입니다. 해외 팀을 포함한 10 개 이상의 팀이 참여했으며 SCSK 팀이 챔피언십에서 우승했습니다.

"이 해커 톤의 목표는 준비된 슬롯 사이트 추천 기반으로 며칠 만에 어떤 종류의 결과를 달성하는 것이 었습니다. 미국 도시에서 실제로 제공되는 전기 보조 자전거 임대료의 실제 데이터가 제공되었지만 사용자가 자전거를 임대 한 스테이션의 위치와 시간, 수익 장소와 시간과 같은 자세한 데이터는 없었습니다"(ODA).

주최자는 임대 위치 최적화 및 용량 계획과 같은 예를 제공했지만 SCSK 팀은 "그대로 만드는 데 아무런 영향을 미치지 않습니다"라고 말하면서 다른 접근 방식을 취했습니다.
그리고 완료된 것은 (1) 실패 위치 예측, (2) 1 년 후에 고장 예측 및 (3) 기계 학습을 사용한 날씨와의 상관 관계가 있었으며 소량의 데이터에서도 특정 결과를 도출하는 데 성공했습니다.

이 프로젝트에서는 렌탈 자전거의 배터리, 타이어 및 브레이크를 좁히고 실패의 위치와 교체시기를 예측했습니다.

"우리가 참조로 사용한 것은 자전거 및 타이어 제조업체가 정상적인 실패로 발표 한 마일리지 슬롯 사이트 추천입니다. 해커 톤에서 제공된 슬롯 사이트 추천는 시작과 종료 시간에 불과했으며, 정확한 마일리지는 없었습니다. 우리 팀은 마일리지 시간을 80%로 설정하여 교통 조명을 멈출 수있게되거나 우리는 예상 기후를 계산할 것입니다.

렌탈 자전거의 마일리지와 마일리지 사이의 상관 관계를 도출함으로써 이제 각 자전거에 부착 된 부품이 한 번에 언제 씩 예측할 수 있습니다. 결과를 기반으로, 빨간색으로 교체하는 데 가까운 부품을 표시하는 대시 보드를 만들었습니다. 또한지도에 사용자가 남긴 자전거의 위치를 ​​표시하고 임대 회사의 자전거 컬렉션 운영을 지원하기위한 관리 화면을 만들었습니다.

● 고장 위치 및 자전거 현재 위치 맵 예측

*이미지 소스 -wikipedia(https://sv.wikipedia.org/wiki/fil:bicycle-silhouette.svg)

"고장 예측 외에도 사용자가 실패에 대해 연락하면 상태를 실패 상태로 직접 변경할 수도 있습니다.이 데이터를 쌓고 설정을 조정하면 예측의 정확도도 향상됩니다."

또한, 평균 일일 마일리지는 연도의 마일리지 슬롯 사이트 추천에서 계산되었으며 1 년의 실패 상황 예측이 실현되었습니다.

● 1 년의 결함 예측

"우리는 Splunk에서 표준 인 예측 기능을 사용 했으며이 화면에서 최대 1 년 동안 마모 조건 예측을 표시했습니다. 어떤 부품이 임계 값 아래로 떨어질지면 부품 수리 및 교체를 계획하는 데 유용 할 수 있습니다."

마지막으로, 우리는 API 통합을 통해 외부에서 공개 된 날씨 데이터를 얻었고 기계 학습을 사용하여 하루에 대출 된 단위 수와 상관 관계를 분석했습니다. 날씨와 사용 사이에 상관 관계가 있습니까? 우리는이 가설로 분석을 시작했지만 아마도 대부분의 사용자는 비즈니스 라이더이기 때문에 처음에는 날씨와 거의 상관 관계가 없었습니다. 따라서 요일을 주말로 제한함으로써 날씨와의 상관 관계를 확인할 수있었습니다.

● 기계 학습을 사용한 날씨 상관 분석

"결과가 처음에는 상관 관계가 없더라도 Splunk는 화면에서 시행 착오를 쉽게 반복 할 수 있으므로 슬롯 사이트 추천 사이에 상관 관계가 있는지 여부와 숫자가 올바른지 여부와 같은 귀중한 정보를 도출 할 수 있습니다."

기계 학습을 일반 BI 제품에 통합하여 유사한 분석을 수행 할 수있는 방법도 있습니다. 그러나 별도의 AI 도구를 도입해야하며 기계 학습을 위해 다양한 데이터를 수집하고 처리해야합니다. 반면에 Splunk에는 기계 학습 기능이있어 여러 수집 된 데이터를 기계 학습을 사용하여 직접 분석 할 수 있습니다. 고급 분석을 쉽게 달성 할 수 있습니다.

"일반적으로 Splunk는 운영자가 사용하는 것으로 생각되지만 Hackathon 이후 최종 사용자를위한 새로운 서비스를 계획했습니다. 예를 들어 자전거 GPS 슬롯 사이트 추천와 결합 된 경우 사용자의 현재 위치에 따라 권장 상점 정보를 포함하여 사용자의 스마트 폰에 알림을 전달할 수 있습니다."

IoT를 소개하고 사용할 때 다양한 슬롯 사이트 추천가있는 경우 이상적입니다. 그러나 실제로 사람들은 "장치가 시작되고 끝나면 센서 슬롯 사이트 추천 만 갖는 것이 일반적입니다"또는 "우리는 온도 슬롯 사이트 추천 만 수집합니다". 그러나이 해커 톤을 통해 슬롯 사이트 추천가 제한되어 있더라도 어느 정도의 결과를 얻을 수 있음을 발견했습니다.
또한 IoT의 사용은 제조뿐만 아니라 소매 및 식품 및 음료를 포함한 다양한 산업으로 확장되고 있습니다. 예를 들어, POS 레지스터 정보를 재고 정보와 결합하고 입력 정보 및 날씨 데이터를 저장하고 Splunk의 기계 학습을 사용하여 분석 할 수 있습니다.
숙련 된 슈퍼마켓을 가진 베테랑 직원은 매장 내에서 혼잡 상태, 판매 및 날씨를 확인하고 제품의 디스플레이 및 재입고에 응답 할 수 있지만 신입 사원은 할 수 없습니다.

"베테랑 직원의 경험과 노하우는 Splunk로 정량화 될 수 있습니다.이를 통해 비정상이 발생하거나 재고 부족이 발생하는 현장의 경험과 직관을 정량화하고 대시 보드에 응답하는 방법을 보여줄 수 있습니다.이를 통해 새로운 직원이 노하우를 배우고 재판관과 같은 적절한 판단 및 응답을 할 수 있습니다."(ODA).

IoT라는 단어를 들으면 품질 개선 및 고장 예측과 같은 영역에서 종종 사용됩니다. 그러나 판매 및 고객 만족도 증가에 큰 영향을 미칠 것으로 예상 될 수 있습니다. 그리고 Splunk의 큰 강점은 이러한 모든 분석을 한 곳에서 할 수 있으며 비용을 낮게 유지하면서 짧은 시간 안에 수행 할 수 있다는 것입니다. 물론 데이터를 분석 할 때 나중에 데이터를 추가하고 새로운 데이터와의 상관 관계를 쉽게 분석 할 수 있습니다. 우선, Splunk를 사용하여 당면한 데이터에서도 IoT 데이터를 사용하지 않겠습니까?