NDoStudio

AI 에이전트란 무엇인가?

NDo — Sat, 19 Sep 2026 16:16:14 +0900

다음 글은 IBM에서 제공하는 "The 2026 Guide to AI Agents" 읽기 >의 Intoduction 중 Overview 부분("What are AI agents?", 저자 Anna Gutowska)을 요약 정리한 것이다.

AI agents defined

AI 에이전트는 가용한 도구를 사용한 워크플로(Workflows)를 정의함으로써 자율적으로 작업을 실행할 수 있는 시스템이다.
An artificial intelligence (AI) agent is a system that autonomously performs tasks by designing workflows with available tools.

AI 에이전트는 자연어처리 외 의사결정, 문제해결, 외부 환경과 상호 작용, 작업 수행 등 광범위한 기능 포함
AI 에이전트는 소프트웨어 설계, IT 자동화, 코드 생성 그리고 대화 시스템을 포함한 다양한 기업 응용 시스템에 필요한 작업을 담당할 수 있다.
AI 에이전트는 LLM 기반 자연어 처리 기능을 사용자 입력을 단계별로 종합적으로 이해하고 대응하며, 언제 외부 도구를 사용할 지 결정하기 위해 사용한다.

"What are AI Agents?" 동영상 capture, 2026.

"What are AI Agents?" 동영상 >

Monolitic AI - 학습된 자료 내에서 대응 가능, 여름 휴가 계획을 짜는데 내가 쓸수 있는 여름 휴가 날자는 학습되지 않았기 때문에 제약 - 문서를 요약하거나, 이메일 초안을 작성하거나, 보고서를 작성하는 능력은 있으나 특성 사안(나)에 대한 자료는 없음
Compound AI system - 검색하는 도구를 사용하여 데이터베이스에서 여름 휴가 가능 날자를 검색
Compound AI sytem은
- RAG(Retrieval-Augmented Generation) - LLM이 답변 전에 외부 데이터베이스를 검색하고 이를 기반으로 응답을 만드는 AI 기술
- system design - modular, adaptive
- Control logic - Think Slow - Agentic Approach
LLM agent componts
1. Reason
2. Act (with tools) - searching Web or database, 외국어 번역
3. Memory
ReAct = Reason + Act
예 내가 여름 휴가갈 때 가져가야 할 선크림의 양은?

How AI agnets work

AI agent의 핵심은 LLM이다. AI agents = LLM agents
LLM은 학습한 자료 범위 안에서 대응하고 추론한다.
반면 agentic 기술은 복잡한 목표를 이루기 위해 최신 정보(Up-to-date info.)를 얻고, 워크플로를 최적화하며, 하위 작업(subtasks)를 생성하기 위한 도구 호출(tool calling)을 사용한다.

LLM은 학습한 자료 범위 안에서 대응하고 추론하지만 Agent AI는 최신 정보를 얻거나, 워크플로를 최적화하거나 하위 작업을 생성하기 위해 외부 도구를 호출하여 사용한다.

이 과정에서 자율적 agent는 시간동안 사용자 요구를 만족시키는 것을 학습한다.

AI agnet의 이전 상호작용을 memory에 기업하는 능력과 미래 실행을 계획하는 능력은 사용자가 개인화되고 종합적인 대응을 경험하게 한다.
도구 호출은 사용자의 간섭없이 자율적으로 이루어질 수 있으며 AI 시스템의 현실 적용 가능성을 확대한다.
3개의 단계 혹은 agentic components는 agent가 어떻게 작동하는지 결정한다.

AI agent는 1) Reasoning 2) Act 3) Memory 요소를 가진다.

01 Goal initialization and planning

인간에 의해 미리 정해진 목표와 규칙 필요
주어진 사용자 정의 목표와 가용한 도구를 기반으로 효율을 증대시키기 위해 작업을 분해한다.
Agent는 복잡한 목표를 이루기 위해 구체적 작업과 하위 작업 계획을 세운다.
단순한 작업을 위해서는 계획 단계가 필요없다. Agent는 다음 단계에 대한 계획 없이 반복적으로 결과를 반영하여 개선한다.

02 Reasoning with available tools

AI agent는 인지된 정보(모델에 미리 학습된 정보)에 기반하여 동작한다. 하지만 모든 하위 작업에 필요한 지식이 부족할 경우가 있음
차이를 메꾸기 위해 가용 도구(available tools)를 사용 - 외부 데이터셋, 웹 검색, API 혹은 다른 agents
필요한 정보가 모두 확보되면 지식을 개정하고 Agentic Reasoning을 시작
이 과정은 지속적인 Action 계획의 재평가(reassessing its plan of action)와 자체 보정을 실시하여 정보에 기반한 적응적 의사결정이 가능하게 함

03 Learning and reflection

AI agent는 다른 agents나 반복 과정 중 인간 사용자(human-in-the-loop: HITL) 사이의 feedback 기제를 사용한다.

Agentic vs. nonagentic AI chatbots

Reasoning paradigms

01 ReAct (reasoning and action)

02 ReWOO (reasoning without observation)

Types of AI agents

01 Simple reflex agents

02 Model-based reflex agents

03 Goal-based agents

04 Utility-based agents

05 Learning agents

Use cases of AI agents

Benefits of AI agents

01 작업 자동화

02 성능 개선

03 응답 품질

위험과 한계

01 Multi-agent dependencies

02 Infinite feedback loops

03 Computational complexity

04 Data privacy

Best practices

01 Activity logs

02 Interruption

03 Unique agent identifiers

04 Human supervision

2026 NDoStudio

2026/9/19 처음 2026/9/8

ngrok과 mcp-remote로 Claude Desktop 연결 (2/2) 라즈베리파이에서 MCP 서버 실행

NDo — Sun, 13 Sep 2026 00:30:43 +0900

이전 글에서 라즈베리파이에 MCP 서버를 설치하고 실행하였다.

"라즈베리파이에 MCP 서버 설치 (1/2) 라즈베리파이에서 MCP 실행" 읽기 >

02 ngrok 설치(라즈베리파이에서)

다음 코드를 사용하여 ngrok을 설치한다.

curl -s https://ngrok-agent.s3.amazonaws.com/ngrok.asc | sudo tee /etc/apt/trusted.gpg.d/ngrok.asc >/dev/null && echo "deb https://ngrok-agent.s3.amazonaws.com buster main" | sudo tee /etc/apt/sources.list.d/ngrok.list && sudo apt update && sudo apt install ngrok

ngrok.com에 접근한다. 계정이 없는 경우 생성한다.

ngrok 서비스 중 "share localhost"를 선택한다.

실행 환경을 Raspberry Pi로 선택한다.

라즈베리파이에 ngrok을 설치한다. Apt를 이용해 설치한다(앞에서 설치).

ngrok에서 발행된 key를 configuration 파일에 저장한다.

ngrok를 실행시켜 localhost의 MCP 서버를 웹으로 노출시킨다.

안내에 따라 생성된 명령어를 아래와 같이 실행한다.

ngrok config add-authtoken $YOUR_AUTHTOKEN

결과로 다음이 출력된다($YOUR_AUTHTOKEN은 ngrok에서 제공한 키값이다..

Authtoken saved to configuration file: /home/pi/.config/ngrok/ngrok.yml

이후 ngrok 명령을 실행한다.

ngrok http 8000

ngrok 실행 화면이 출력된다.

이로써 실행되는 Fastmcp가 ngrok를 통해 웹에 노출된다.

03 MCPRemote 설치와 실행(PC에서)

PC에 node js가 설치되어 있지 않다면 설치한다.

https://nodejs.org 에서 설치 파일을 다운받아 설치할 수 있다.

node와 npm 버전을 확인한다.

node -v
npm -v

mcp-remote를 설치한다.

npm install -g mcp-remote

mcp-remote를 실행한다.

npx mcp-remote <ngrok url>/sse

다음과 같이 실행 화면이 출력된다.

04 클로드 데스트탑에서 실행

Claude Desktop을 실행시킨 후, MCP Server를 claude_desktop_config.md 파일에 저장한다.

"pimcp": {
      "command": "npx",
      "args": [
        "mcp-remote",
        "https://***.ngrok-free.dev/sse"
      ]
    }

Claude Desktop을 다시 시작하면 라즈베리파이에서 실행되는 MCP Server가 연결된 것을 확인할 수 있다.

2026 NDoStudio

2026/9/12 처음 2026/9/12

라즈베리파이에 MCP 서버 설치 (1/2) 라즈베리파이에서 MCP 서버 실행

NDo — Sat, 12 Sep 2026 22:35:10 +0900

라즈베리파이 준비

이제 PC가 아닌 라즈베리파이에 MCP 서버(Model Context Protocol Server)를 실행해볼 예정이다. 라즈베리파이는 이전에 구입하여 다른 용도로 사용하던 라즈베리파이 4를 사용하기로 했다. 원래 라즈베리파이가 저가의 제어용 원보드 컴퓨터였는데 라즈베리파이 5는 어느덧 저가 PC 가격이 된것 같다.

이전 MCP Server의 파이썬 구현을 위한 fastmcp 모듈을 설치할 때 Python 버전이 문제가 되었다("Claude Desktop에서 파이썬으로 Local MCP 서버를 만들자." 읽기 >). 파이썬 3.10이상이어야 하는데 이전에 사용하던 라즈베리파이에는 파이썬 3.7이 설치되어 있었다. 그래서 라즈베리파이 이메저를 이용하여 최신 OS로 변경하였다. 설치 후 결과로 확인해보니 Python 3.13이 설치되어 있다.

2026/9/8 설치한 라즈베리파이 OS에는 Python 3.13이 설치되어 있다.

라즈베리파이에서 MCP 서버 실행 환경

이번 예제는 아래 MCP 서버 실행 환경을 사용한다. 실행 환경은 라즈베리파이에 MCP 서버를 설치하고 Localhost에서 SSE 모드로 실행시키면 ngrok을 통해 외부 웹을 통해 노출시킨다. 다음으로 PC에서 Mcp-Remote를 통해 SSE를 stdio 모드로 바꿔 노출된 MCP 서버를 PC에서 실행하는 Claude Desktop에서 사용할 수 있게 한다. Claude Node의 경우 라즈베리파이에서 직접 실행할 수 있으나 이렇게 IOT에 특화된 라즈베리파이에서 MCP 서버만 제공하고 PC에서 웹을 통해 Claude Desktop을 사용할 경우 보다 유연하고 효율적인 체계를 갖출 수 있다. 또한 무료 버전인 Claude Desktop만 사용하여 IOT 제어 MPC 서버를 경험할 수 있다.

01 라즈베리파이에서 MCP 서버 실행

RGB LED를 클로드 데스크탑을 이용하여 제어하는 MCP 서버를 라즈베리파이에 설치한다. 예제는 라즈베리파이의 MCP 서버는 RGB LED를 클로드 데스크탑을 이용하여 제어한다.

먼저 라즈베리피 파이에 RGB LED를 연결한다. RGB LED는 GPIO 16, 20 그리고 21를 순서대로 사용한다.

실제 연결한 사진은 다음과 같다.

이제 라즈베리파이에 MCP 서버를 실행시킬 수 있는 환경을 설치한다. Apt를 업데이트 한다.

sudo apt update

파이썬에 이번 예제에 필요한 모듈을 설치한다.

 sudo apt install -y swig build-essential python3-dev liblgpio-dev python3-lgpio

다음으로 MCP 서버 개발을 위한 가상 환경을 관리하는 도구인 uv를 설치한다.

curl -LsSf https://astral.sh/uv/install.sh | sh

source ~/.bashrc

MCP 서버 개발 프로젝트를 만들기 위해 "pimcp" 디렉터리를 만들고 이동한다.

mkdir pimcp
cd pimcp

uv를 이용하여 프로젝트를 생성한다.

uv init

프로젝트에 필요 모듈을 설치한다.

uv add fastmcp gpiozero

이제 MCP 서버인 pimcp.py 를 다음과 같이 작성한다.

from fastmcp import FastMCP
from gpiozero import RGBLED

# Initialize MCP Server
mcp = FastMCP("RGBLEDControl")
# RGB LED -> Red: 16, Green: 20, Blue: 21
led = RGBLED(red=16, green=20, blue=21)

@mcp.tool()
def manual_led_control(r: float, g: float, b: float):
    """Tool 1: Manually set the RGB LED color using values between 0.0 and 1.0."""
    led.color = (r, g, b)
    return f"LED successfully set to RGB({r}, {g}, {b})"

if __name__ == "__main__":
    # Start the SSE server on the Pi
    mcp.run(transport="sse", host="0.0.0.0", port=8000)

Fastmcp 서버를 실행한다.

uv run pimcp.py

실행 후 아래와 같이 uv로 만든 가상환경에 pigpio와 lgpio가 설치되지 않았다는 경고가 출력되었다.

/home/pi/pimcp/.venv/lib/python3.13/site-packages/gpiozero/devices.py:300: PinFactoryFallback: Falling back from pigpio: No module named 'pigpio'

그러므로 추가로 다음과 같이 uv add로 가상 환경에 pigpio와 lgpio 환경을 추가하였다.

uv add lgpio
uv add pigpio

다시 uv run pimcp.py를 실행하면 다음 화면을 만나게 된다.

계속, 라즈베리파이에 MCP 서버를 설치하자(2/2) 읽기 >

참고

RGBLED 파이썬 프로그램

from gpiozero import RGBLED
from time import sleep

# 핀 번호 설정 (캐소드형인 경우 active_high=True 기본값 사용)
rgbled = RGBLED(red=16, green=20, blue=21)

# 빨간색 켜기
rgbled.color = (1, 0, 0)
sleep(1)

# 초록색 켜기
rgbled.color = (0, 1, 0)
sleep(1)

# 파란색 켜기
rgbled.color = (0, 0, 1)
sleep(1)

# 끄기
rgbled.off()

2026 NDoStudio

2026/9/8 처음 2026/9/8

OLAP 엑셀 피벗 테이블을 이용한 온라인 분석 처리 구현

NDo — Mon, 31 Aug 2026 09:18:52 +0900

엑셀 피벗 테이블을 이용하여 온라인 분석 처리를 구현하는 과정을 보인다.

서버에 데이터베이스 생성

# 테이블 dept, student, lecture, class table 생성
CREATE TABLE dept(did CHAR(8),dname CHAR(16),
PRIMARY KEY(did));
CREATE TABLE student(sid INT, sname VARCHAR(16), 
dept CHAR(8), PRIMARY KEY(sid));
CREATE TABLE lecture(lid CHAR(16), title VARCHAR(16), 
lecturer INT,PRIMARY KEY(lid));
CREATE TABLE class(cno INT AUTO_INCREMENT,
lid VARCHAR(8), sid INT, semester VARCHAR(16), 
grade VARCHAR(8), PRIMARY KEY(cno));

# 행 입력
insert into dept values('IE', 'Industrial Eng'),
('ME', 'Mechanical Eng'),
('CE', 'Construct. Eng');

insert into student values(1, 'A', 'IE'),
(2, 'C', 'IE'), (3, 'C', 'IE'),
(4, 'D', 'ME'), (5, 'E', 'ME');

insert into lecture(lid, title) values('DB','Database'),
('OR','Ops Research');

insert into class(lid, sid, semester, grade) values
('DB',1, '2010S', 'A'), ('DB',2, '2010S', 'A'),
('DB',3, '2010S', 'B'), ('DB',4, '2010S', 'B'),
('OR',1, '2010S', 'A'), ('OR',2, '2010S', 'B'),
('OR',4, '2010S', 'B'), ('OR',5, '2010S', 'B');

# 데이터 큐브에 자료를 지원할 view 생성
CREATE view data_cube AS
SELECT c.cno, l.title, c.semester, s.sid, s.sname, c.grade, d.did
FROM lecture l, class c, student s, dept d
WHERE l.lid= c.lid and s.sid = c.sid and s.dept = d.did;

ODBC를 이용한 데이터베이스 연결 및 피벗 테이블 생성

MariaDB ODBC 드라이버 설치 및 연결(데이터원본) 만들기 읽어보기 >

ODBC를 이용한 MariaDB 엑셀에 연결 읽어보기 >

데이터가 있는 엑셀 시트로 부터 피벗 테이블을 생성한다.

피벗 테이블이 생성되면 자동으로 피벗 테이블 보고서(좌측)과 피벗 테이블 필드(우측) 창으로 나누어진 OLAP 환경으로 전환된다.

엑셀에서 MySQL, MariaDB 데이터베이스 검색 조건 연동하기

데이터베이스의 내용을 ODBC를 통하여 엑셀에 연결할 경우 다양한 장점이 있음:

- 데이터베이스 응용 프로그램을 개발할 필요가 없음
- Microsoft Query(MS Query)를 이용하여 엑셀에서 직접 SQL Query 문을 바꿀 수 있음
- 엑셀의 차트 기능을 이용할 수 있음
- 엑셀의 자료분석 기능(예 피벗테이블)을 이용할 수 있음

□ MS Query에서 SQL 문을 사용하여 질의를 구성할 수 있음

- 엑셀의 데이터 연결에서 MS Query를 이용하여 SQL 지 의문을 이용한 데이터 연결 가능
- 엑셀의 데이터 연결 속성 변경을 이용하여 SQL 질의 문 변경 가능

□ MS Query에서 매개 변수를 이용하여 검색 조건을 정의할 수 있음

- MS Query의 매개 변수는 사용자가 입력하거나 엑셀의 셀러 값을 이용할 수 있음
- MS Query에 SQL Query 문을 정의할 때 변수를 검색 조건에 사용
- -> 자체 Editor에서 정의가 안될 경우가 있어 엑셀에 연결 후 데이터 연결 속성 변경을 통해 매개 변수 사용

준비사항:

- MariaDB ODBC Driver 설치 관련 글 읽어보기 >
- MariaDB ODBC 설정 "myfaasdb"

1) ODBC와 MS Query를 통한 데이터베이스 연결

데이터 > 데이터 가져오기 > 기타 원본에서 > MS Query에서

"쿼리를 만들거나 편집할 때 퀴리 마법사 사용" 해제 > 데이터 원본(ODBC) 선택 "myfaasdb" >확인

MS Query 환경 실행 - 테이블 추가에서 닫기

SQL 버튼을 눌러 SQL 작성 창 띄우기

SQL 작성 - "select a.proj_id prj, b.name, left(a.date_start, 10), a.date_end, a.cost from participant a, account b where a.acc_id = b.id;" > 확인

이 상태에서 변수를 포함한 SQL 명령 입력이 불가능함으로 엑셀에 연결 후 변수 포함 SQL 명령어 입력 예정

결과 확인 > "데이터 반환" 버튼 선택

엑셀의 원하는 위치에 질의 결과 가져오기

결과 확인

변수를 이용한 검색 조건 입력하기 위하여 검색 조건을 넣을 셀 준비(G1 셀)

데이터 > 쿼리 및 연결 선택

"쿼리 및 연결" 창에서 "MyFaaSDB_Query" 선택 - 가져온 데이터 활성화

변수를 설정하기 위하여 마우스 오른쪽 키로 "MyFaaSDB_Query" 선택 후 "속성" 선택

연결 창에서 "정의" 탭 선택 > 명령 텍스트에 매개 변수(?) 추가 질의로 변경 후 확인

"select a.proj_id , b.name, left(a.date_start, 10), a.date_end, a.cost from participant a, account b where a.acc_id = b.id and a.proj_id = ?;"

매개 변수 1 입력 창에 변숫값 입력

이후 다시 "퀴리 및 연결"의 "속성" > "정의" 탭을 선택하면 아래쪽 "매개 변수" 버튼이 활성화되어 있음

"매개 변수" 버튼을 선택

매개 변수 창에서 "다음 셀에서 가져오기" 선택

검색 조건 값을 입력할 셀 지정 > 자동 새로고침 설정 > 확인

지정 셀(G1)에 검색 조건 값을 입력하면 데이터베이스에서 해당 질의 결과를 가져옴

엑셀 퀴리 및 연결에서 SQL 변경하기

사용 버전은 마이크로소프트 오피스 Professonal Plus 2019.

엑셀에서 이미 연결되어 있는 데이터베이스에서 자료를 가져오는 SQL SELECT 문장을 바꾸기 위해서는 "퀴리 및 연결" 기능을 사용한다.

이 글에서는 쿼리를 사용하며 연결을 사용하는 경우, 연결의 "속성" 메뉴를 사용한다. 연결 사용 예는 아래 글에 설명되어 있다.

엑셀에서 MySQL, MariaDB 데이터베이스 검색 조건 연동하기

데이터베이스의 내용을 ODBC를 통하여 엑셀에 연결할 경우 다양한 장점이 있음: 데이터베이스 응용 프...

blog.naver.com

우선 엑셀 "데이터">"쿼리 및 연결"을 선택하여 우측에 퀴리 연결 탭 화면을 활성화시킨다.

SQL SELECT 문을 변경하기 원하는 쿼리 (예에서 "퀴리 1")를 선택하면 Power Query 편집기 창이 뜬다.

고급 편집기를 선택한다.

고급 편집기에서 SQL SELECT 문장을 변경한다.

"완료"를 선택하여 저장한다.

Query 편집기에서 "닫기 및 로드"를 선택하면 새로운 Query를 이용하여 데이터베이스에서 자료를 다시 불러온다.

2021 - 2020 NDoStudio

11/8/2021 처음 2020/1/1

OLAP 데이터베이스 처리와 온라인 분석 처리

NDo — Mon, 31 Aug 2026 09:06:43 +0900

데이터베이스 처리의 대상

데이터베이스 처리(Database Processing)는 데이터베이스에서 주로 자료의 검색과 관리 방법을 다루는 분야이다. SQL 명령어로 구별하면 주로 SELECT, INSERT, UPDATE, DELETE 그리고 JOIN의 기능을 이용하게 된다. SQL 중에 이 분야에 해당하는 명령어들을 Data Manipulation Language (DML)라고 한다.

데이터베이스 처리도 데이터베이스 구조를 정의하는 Data Definition Language(DDL)나 자료의 일관성을 유지하는 Data Control Language (DCL)를 이용할 수 있으므로 이에 관련된 명령어 등을 이해해야 한다. 하지만 데이터베이스 설계 분야만큼 관계형 데이터베이스 이론 등을 깊이 있게 다룰 필요는 없다.

OLTP와 OLAP

데이터베이스 처리는 어떤 면에서 다차원 자료 분석(Multidimensional Data Analysis)과 연관이 깊다. 데이터베이스 처리는 On-Line Transaction Processing(OLTP) 개념으로 이해할 수 있다. OLTP는 데이터베이스의 자료를 빠르게 검색하거나 입력, 변경 혹은 삭제하는 자료 처리를 뜻한다. Transaction 이란 원래 데이터베이스 자료 처리의 단위를 뜻하는 단어로써 여기서는 단순 검색이나 연산 혹은 변경 명령의 묶음을 뜻한다. 그러므로 OLTP는 많은 량의 자료를 빠르게 처리하는데 관심이 있다. OLTP의 예로 많은 량의 판매 자료를 데이터베이스에 일관성 있게 저장하기 위하여 대량의 고객과 제품 자료를 빠르게 입력하는 자료처리를 들 수 있다. OLTP의 결과를 저장하는 데이터베이스는 주로 일상 업무에서 발생하는 자료를 기록하기 위하여 처리되는 경우가 많으므로 운영 데이터베이스(Operational Database)로 불린다.

OLTP에 대응하는 개념으로 On-Line Analytical Processing(OLAP)이 있다. OLAP는 데이터베이스의 자료를 처리하되 OLTP처럼 많은 자료를 빨리 검색하거나 변경하는 목적이 아닌 분석을 위한 자료 처리를 목적으로 한다. OLAP를 위해서는 같은 데이터베이스 내용을 대상으로 해도 OLTP와 다른 구조를 가진 데이터베이스가 필요하며, 이에 맞추어 분석을 위한 검색이나 자료 처리 방법도 제공되어야 한다. 가장 대표적인 OLAP가 바로 다차원 자료 분석이다. 다차원 자료 분석은 분석을 위하여 방사형 자료구조를 가지는 데이터베이스를 이용한다. 자료 검색을 위하여 큐브 형태의 자료를 차원 방향으로 자르거나 검색 방향을 회전시키는 검색 연산이 필요하다(다차원 자료 분석을 위한 자료 모델, 데이터베이스 그리고 분석 연산은 다른 글에서 자세히 다룰 예정이다). OLAP의 예로 저장된 판매 데이터베이스에서 특정 계절에 특정 제품이 많이 팔린 지역을 찾아내는 자료 처리 예를 들 수 있다. OLAP를 지원하기 위해서는 운영 데이터베이스에서부터 추출되고 변형된 전용 데이터베이스가 필요하며, 이를 분석 데이터베이스 혹은 논리적 형태를 따라 큐브(Cube)라고 부른다.

데이터베이스 처리와 온라인 분석 처리 관계

OLAP 혹은 온라인 분석처리 OLTP 혹은 데이터베이스 처리와 다음과 같은 이유로 서로 관련이 깊다.

첫째, 온라인 분석 처리 데이터베이스 처리 결과로 축적된 운영 데이터베이스를 필요로 한다. 온라인 분석 처리를 위해서는 대규모 데이터베이스 처리의 결과를 저장한 데이터베이스가 필요하다. 앞에서 다른 판매 데이터베이스 예와 같이 판매 자료를 분석하기 위해서는 OLTP를 통해 판매 데이터베이스를 축적할 필요가 있다. 온라인 분석 처리는 같은 판매 자료를 대상으로 하지만 판매 현상을 분석하기 위한 목적을 가지고 판매 운용 데이터베이스를 분석용 데이터베이스로 변경하고 이를 전용 검색과 처리 방법을 통해 검색한다.

둘째, 데이터베이스 처리와 온라인 분석 처리는 추가적인 모델이 필요 없이 데이터베이스와 자료 검색 등 자료처리 기능만 필요로 한다. 데이터 마이닝이나, 고급 통계 분석 혹은 기계 학습 등 요즘 각광받는 고급 자료 분석 기법은 데이터와 데이터 처리 기능 외에 추가적인 모델이 필요하다. 예로 데이터 마이닝을 위해서 통계 모델을 구축하고 이를 이용하여 분석 결과를 계산할 수 있다. 하지만 온라인 분석 처리는 분석 구조에 맞는 데이터베이스와 검색 등 처리 기능만 있으면 분석이 가능하다.

셋째, 데이터베이스 처리를 데이터베이스 관리 시스템과 온라인 분석 처리를 위한 분석 소프트웨어(예로 마이크로소프트 엑셀)를 쉽게 확보하고 사용할 수 있다. MariaDB와 같은 공개 데이터베이스 관리 시스템 등을 사용함으로써 데이터베이스 처리를 통해 대규모 운영 데이터베이스 확보가 가능하다. 온라인 분석 처리 소프트웨어로써는 현재 거의 모든 업무용 개인 컴퓨터에 설치되어 있는 마이크로소프트 엑셀의 피벗 테이블과 피벗 보고서를 사용할 수 있다. 피벗 테이블은 비교적 쉽게 익힐 수 있으며, 온라인 분석 처리가 추가적인 모델 구축이 필요 없으므로 피벗 테이블과 보고서 기능만 익히면 즉시 온라인 분석 처리가 가능하다. 또한 데이터베이스와 엑셀 피벗 시트의 연결도 ODBC라는 데이터베이스 연결 방법을 통해 쉽게 구축할 수 있다.

데이터베이스 처리와 온라인 분석 처리의 고급 자료 분석에서 역할

데이터베이스 처리와 온라인 분석 처리를 연계하여 익히는 것은 자체로써 의미가 있지만, 보다 고급인 데이터 마이닝, 고급 통계 분석, 기계 학습 그리고 빅데이터 분석 등을 위해서도 확보할 필요가 있는 기술이다. 추가적 모델 구축이 필요한 고급 자료 분석을 위해서도 자료를 확보하고 이 자료를 처리하여 입력 자료를 만드는 과정이 필요하다. 일종의 ETL(Extract, Transfer, Load) 과정에 데이터베이스 처리와 온라인 분석 처리 기술이 사용된다.

또한 자료 분석 방법과 모델을 선택하기 위하여 미리 분석 대상 자료의 특성과 전체적 구조를 확인할 필요가 있으며, 이 과정을 사전 분석 (Preliminary Analysis)이라고 한다. 이때 데이터베이스 처리 기능과 온라인 분석 처리가 유효하게 사용될 수 있다. 그러므로 데이터베이스 처리와 온라인 분석 처리는 고급 자료 분석을 위한 기본 자료 처리 및 분석 기술로 볼 수 있다.

2024-2020 NDoStudio

3/15/2024 처음 1/1/2020

OLAP 온라인 분석 처리(On-Line Analytical Processing: OLAP)란

NDo — Mon, 31 Aug 2026 08:57:04 +0900

온라인 분석 처리 개론

OLAP(On-Line Analytical Processing)는 자료를 서로 다른 관점에서 접근하게 할 수 있는 자료 처리 방법으로 추후 데이터 마이닝(Data Mining) 등에 기반 기술로써 사용된다. 이 글에서는 일반적인 OLAP를 활용한 의사결정 지원 시스템의 구조와 구성 요소를 살펴본다.

OLAP는 일반적으로 대용량 자료의 효과적 처리를 지향하는 OLTP 기반의 데이터베이스를 운영 데이터베이스로 사용한다. 그러므로 OLTP 기반의 운영 데이터베이스를 요소로 가지고 있다. 운영 데이터베이스는 대용량 자료를 일관되고 고속으로 처리하는 기능을 가지고 있다. 예로 판매 데이터베이스의 경우 판매되는 상품과 상품의 가격 정보를 대량으로 저장하고 처리하는 기능을 한다.

운영 데이터베이스를 구성하고 운영하기 위해서는 데이터베이스 (자료) 모델이 필요하다. 관계형 데이터베이스의 경우 테이블과 테이블 간의 정의를 데이터베이스 모델로 볼 수 있다. 운영 데이터베이스의 데이터베이스 모델은 자료의 일관성과 처리의 효율성을 고려하여 설계되어 있다. 예로 들어 3차 정규화를 만족하는 테이블 정의 등이 운영 데이터베이스 모델의 규칙이 될 수 있다.

데이터베이스 시스템은 일반적으로 데이터 처리를 자동화한 응용 프로그램을 가지고 있다(그림 응용 프로그램 참조). 예로 판매 데이터베이스에서 판매 물건을 스캔하여 자료의 입력을 자동화한 POS(Point On Sales) 시스템도 데이터베이스 응용 프로그램의 예로 볼 수 있다.

OLAP는 앞에서 설명한 OLTP 기반의 운용 데이터베이스에 축적된 대용량의 자료를 기반으로 구성된다. 우선 OLAP를 위해서는 기존의 2차원 테이블 형태의 데이터베이스 모델이 아니라 하나의 사실(Fact)에 다수의 관련 관점을 표현하는 차원(Dimension)이 방사형으로 연결된 다차원 자료 모델(Multidimensional Data Model)이 필요하다.

다차원 자료 모델에 의하여 의사결정에 필요한 자료들을 모아 놓은 데이터베이스가 데이터 웨어하우스(Data Warehouse)이다. 데이터 웨이 하우스는 의사결정에 필요한 자료를 운영 데이터베이스에서 가져오며, 필요한 경우 외부 타 데이터베이스의 내용에서 발취할 수 있다.

이와 같이 데이터 웨어하우스에 운영 데이터베이스와 외부 데이터베이스에서 필요한 자료를 추출하여 가져오는데 사용되는 모듈이 ETL 도구이다. ETL은 Extract, Transform 그리고 Load의 약자로 필요한 자료를 추출하고, 이를 변화시켜서 데이터 웨이 하우스에 Upload 하는 기능을 가진다.

데이터 웨어하우스의 응용 프로그램인 보고서 작성기는 다차원 자료 모델을 통한 관심 있는 자료에 대한 다양한 관점에서 질의를 실행하게 된다. 이 결과를 통해 의사결정에 필요한 자료를 얻게 된다. 이 과정에서 OLAP 연산을 사용하게 되는데 연산의 종류로는 Slice/Dicing, Drill-down/Roll-Up 그리고 Pivot 기능이 있다.

온라인 분석 처리를 위한 자료 모델의 구성과 응용

온라인 분석 처리란 분석 자료를 관심 사건인 사실(Fact)과 사실에 대한 관심 대상인 차원(Dimensions)로 구조화 시킨 후 사실을 중심으로 각 차원과의 관계를 분석하는 활동이다.

그러므로 온라인 분석 처리에는 사건(Event), 사실, 측정값(Measure) 그리고 차원(Dimension)이라는 개념이 필요하다.

자료는 특정 사건(Event)가 발생함으로써 생성된다. 예로 판매 자료 관리에서 물건을 고객에게 판매하는 사건이 일어난 순간 판매 시간, 판매 장소, 구입 고객, 판매 물품, 판매 수량 그리고 판매 가격 등의 자료가 발생한다. 이러한 관심 사건을 사실(Fact)라고 한다. 그러므로 Fact에는 사건이라는 의미가 포함되어 있다.

측정값은 사건이 일어났을 때 발생하는 자료 중 가치를 판단하는데 필요한 속성을 뜻한다. 예로 판매가 일어났을 때 가장 중요한 가치 판단 자료는 판매 가격이 될 가능성이 높다. 그러므로 판매 가격이 측정값이 될 수 있다. 경우에 따라서는 사건이 일어난 횟수가 측정값이 될 수 있다. 예로 유동인구 분석에서 사람이 한 명 지나가면 횟수 1이 측정값이 될 수 있다.

차원은 위의 사건이 일어났을 때 발생하는 자료 중 알고 싶은 대상이다. 예로 판매 사건이 일어났을 때, 어떤 물건이 어디에서 언제 팔렸는지가 관심 대상 자료가 될 수 있다.

일반적으로 온라인 분석 처리를 위해 가운데 사건을 두고 이에 연결된 차원들을 방사형으로 위치시킨 방사형 데이터베이스 구조를 사용한다. 예로 판매 데이터베이스로부터 온라인 분석 처리를 위한 방사형형 자료구조를 생성하면 아래 그림과 같은 구조가 된다.

판매 다차원 자료 모델[출처, 도남철 데이터베이스 처리, 2022]

온라인 분석 처리는 사건을 중심으로 서로 다른 차원 간의 관계를 분석하는 활동이다. 예로 판매 온라인 분석 처리에서 판매라는 사건을 중심으로 제품과 고객 성별 차원 간 관계를 검색할 수 있다. 우선 사건의 측정값인 판매 가격의 합을 두 개 차원별로 합하고 이 중 성별이 '남성'인 자료 중 제품별 판매 가격 합이 가장 큰 제품 속성값을 찾을 수 있다. 이 결과는 "남성에게 가장 많이 팔린 제품은 무엇인가?"라는 질문에 대한 답을 줄 수 있다.

이와 같이 온라인 분석 처리는 사건을 중심으로 서로 다른 차원 간의 관계를 검색함으로써 분석가의 의사결정을 지원하는 역할을 한다.

2018-2012 NDoStudio

2018/9/23 처음 2012/9/23

2001 Horvath et al., Application of Advanced Product Models in Robot Control

NDo — Mon, 31 Aug 2026 00:34:00 +0900

Horváth, L., I. J. Rudas, and J. K. Tar, "Application of Advanced Product Models in Robot Control",

Proceedings of The 10th International Conference on Advanced Robotics 2001 (ICAR 2001), 2001, 659 - 663.

1. Introduction

2. Product model information for robot control

"Despite their dedicated modules for planning of robot control, present day industrial modeling systems do not offer appropriate tools for integration of part modeling and manufacturing process modeling with robot control systems on a level neccessary for a fully integrated system."

3. Modeling of robot tasks

Components of robot process:

A Task is a sequence of object manipulations, part feeding or welding at assembly

Operation is related to a single object

Operation consists of independently executed Actions.

A Reflex means direct transformation of current sensor data into motion.

4. Interactive internet based telerobotics

5. Integration of remote robot control with product modeling

6. Conclusion

"The final objective is to establish a robot control that utilizes advancements in product modeling and information from product models existing in engineering design environment."

2020 NDoStudio

2020/5/29 처음 2020/5/29

CAD, BOM 그리고 CAM의 역사적 디지털화 관계

NDo — Mon, 31 Aug 2026 00:32:02 +0900

다음 그림은 CAD Computer-Aided Design, BOM Bill Of Material 그리고 CAM Computer-Aided Manufacturing 사이의 역사적 디지털화 관계를 보여준다.

CAD는 제품 형상을 수식화하여 디지털화된 파일로 저장하는 기능을 제공한다. 1970년대 도입되기 시작하여 제품 설계와 생산에 핵심적인 역할을 하고 있다(그림의 ① 참조). BOM은 제품 생산에 필요한 대량의 자재와 부품 정보를 관리한다. 그러므로 컴퓨터를 사용하여 대량의 디지털 정보를 관리하는 전용 소프트웨어인 DBMS Data Base Management System 를 사용하여 BOM을 디지털화한다(②).

3D CAD로 조립품을 표현할 때 각 부품 형상을 단일 CAD 모델(파일)로 표현하고, 부품의 CAD 파일과 부품의 상대 위치정보로 조립품을 표현한다. 이때 조립품과 부품의 관계가 설계 관점의 BOM(Engineering BOM)으로 표현한다. 3D CAD 소프트웨어인 CATIA는 관계형 데이터베이스 관리 시스템을 이용하여 3D CAD 내의 제품 구조를 관리하는 CATIA Data Management라는 시스템을 제공하였다. 하지만 이 시스템은 제품의 형상을 표현하는 기하학적 정보는 데이터베이스가 아닌 파일에 저장하였다. 2010년에 출시된 CATIA V6에서는 제품 형상 객체도 데이터베이스화하여 제품 개발 관련 다른 응용 시스템과 통합된 CAD 데이터베이스가 구현되었다(③).

데이터베이스 관리 시스템을 통해 관리되는 BOM은 PDM/PLM 시스템을 통하여 제품 개발 관련 CAD 파일과 다른 기술문서를 통합 관리하는 등뼈 역할을 하게 되었다(④). 또한 BOM 데이터베이스는 제품 구성 관리나 설계 변경을 관리할 수 있도록 발전하였다.

ISO STEP은 CAD와 BOM 데이터베이스의 구체적 구조를 제시하였다(1984). ISO STEP은 원래 이 종 CAD 자료 교환 표준을 제시하는 목적을 가졌으나 제품 형상 정보와 제품 구조를 포함한 제품 개발에 필요한 제품 자료의 구조를 제품 수명 주기 관점에서 제시하였다. 그러므로 ISO STEP은 CAD와 BOM 데이터베이스의 일반적 구조를 제공한다. 또한 1984년 Groover와 Zimmer[Groover & Zimmer, 1984]는 CAD와 CAM 데이터베이스 개념을 제시하고 두 데이터베이스가 통합되었을 때 설계와 생산을 끊임없이 연결하여 CAD와 로봇 조립을 포함한 CAM 응용 사이의 정보 전달의 지체와 오류를 원천적으로 제가할 수 있음을 예측하였다. 하지만 기술적 경제적 사정으로 CAD 데이터베이스 개발과 통합이 늦어져, 다음에 언급하는 일부 분야(CNC Programming 등)를 제외한 통합적 제품 자료가 필요한 분야의 CAD와 CAM 데이터베이스 통합이 실현되지 못하고 있다(Groover와 Zimmer의 CAD 데이터베이스 개념을 형상 중심의 데이터베이스 개념에서 확대할 필요가 있다는 주장이 있다).

Computer-Aided Manufacturing 관점에서 CAD를 기반으로 컴퓨터로 모터를 제어하는 Computer-aided Numerical Control(CNC) 공작 기계를 제어하는 CNC Programming 시스템이 개발되었다. CNC Programming 시스템은 CAD 모델 파일로부터 CNC 작업에 필요한 Tool Path를 계획하고 실행하는 시스템이다(⑤). CNC Programming에 필요한 제품 자료는 제품 구조를 포함하지 않으며 단품 CAD 모델(File)로부터 모두 얻을 수 있다.

기존 CAD 파일에서 입력을 모두 제공할 수 있던 CAM 응용에서 벗어나 제품 형상(CAD 모델) 뿐만 아니라 제품 구조와 공정 정보까지 필요한 CAM 응용이 존재한다(⑥). 예로 CAM 응용의 하나인 컴퓨터 기반 로봇 조립 시스템은 로봇 조립 계획을 생성하고 실행하는 기능을 제공한다. 완전 자동화된 로봇 조립 계획 작성과 실행은 단품 CAD 모델이 아닌 각 부품의 형상과 상호 위치를 표현한 조립품 3D CAD 정보도 필요하다. 또한 조립이 진행되며 중간 조립품의 부품과 형상이 변하므로 이를 표현할 수 있는 공정 정보도 필요하다. 그러므로 자동 로봇 조립 계획 및 실행은 CNC 프로그래밍과 같이 CAM 응용에 속하지만 CAD뿐만 아니라 BOM 정보도 필요한 점에서 차이가 있다. 또한 자동 로봇 조립 계획은 CAD 모델의 형상 요소를 객체 단위로 검색하고 연결해야 하므로 파일 형식이 아닌 CAD 데이터베이스 형식의 자료가 필요하다.

자율적 의사결정이 필요한 다음 세대 CAM 응용에 AI 기술의 도입이 필요하다(⑦). 예로 자동 로봇 조립 계획의 많은 단계에서 필요한 지능적인 의사결정에 최근 유행하는 기계학습 모델과 데이터셋이 유효할 것으로 예측된다. 그러므로 패턴 추출 및 관리 기술이 기존 형상 표현, 대용량 자료 관리와 검색 기술과 더불어 CAM을 지원하는 새로운 기반 기술로 고려해야 한다. 패턴 관리 기술을 제품 개발 혹은 CAM을 위한 기반 기술로 사용하기 위해서는 패턴 관리 데이터를 기존 통합 제품 자료 관리에 융합시키는 단계가 필요하다.

Mikell P. Groover Jr. and Emory W. Zimmers Jr., "CAD-CAM : Computer-Aided Design and Manufacturing", Prentice Hall PTR, 1984.

2024 NDoStudio

2024/8/25 처음 2024/8/24

TRIP Arm21 시나리오, 개인화 생산을 위한 자율 로봇 조립 시나리오

NDo — Mon, 31 Aug 2026 00:30:22 +0900

다음은 TRIP Team Robotics Intelligence Platform의 Arm21을 위한 자동 로봇 조립 시나리오다.

시나리오 단계

① 인간 설계자가 3D CAD를 이용하여 부품과 조립품을 설계한다. 설계 결과인 CAD 모델은 다음 단계 ②③④ 단계의 입력이 된다.

② 로봇 계획을 위해 3D CAM 모델(파일)은 CAD와 BOM 데이터베이스로 전환된다. CAD 모델은 3D 형상 자료와 설계 관점의 제품 구조(Engineering BOM, E-BOM)을 포함하고 있으며 이 자료는 각각 CAD와 BOM 데이터베이스의 레코드로 전환된다. CAD와 BOM 데이터베이스를 이용하여 자동으로 로봇 조립 계획을 생성한다. 조립 계획 각 단계에 로봇 조립을 위한 기하학적 자료와 Manufacturing BOM과 Process BOM이 생성된다.

③ 자율 조립 계획에 필요한 기계 학습을 위해 부품 기반 학습 데이터셋을 생성한다. CAD 모델을 이용한 합성 데이터셋 생성 기술을 이용한다.

④ 3D CAD 모델로부터 부품을 생산한다. 다품종 소량 생산이므로 소량의 부품을 3D 프린팅 기술로 생산한다

⑤ 출력된 부품, 조립 계획 그리고 부품 식별을 위한 기계학습 모델이 준비되면 부품을 조립한다. 출력된 부품을 임의의 장소에 제공하면 카메라로 촬영하고 인공지능 비전 시스템이 이를 감지하여 로봇이 조립할 수 있게 한다.

입력과 출력

이 시나리오의 입력은 인간의 설계한 조립품의 CAD 모델이다. 시나리오의 출력은 조립된 물리적 제품이다.

입력 - 조립품 CAD 모델
출력 - 조립된 제품

시나리오 요구 환경

대상 제품은 1개의 생산량을 가지는 개인화된 제품이다. 그러므로 대량 생산 방식으로 부품을 제조할 수 없으며, 소량 생산이 가능한 3D 프린팅 방법을 사용한다. ≫ 1인 맞춤 생산 가능
1개만 생산하는 제품의 Jig와 Fixture를 준비해서 생산하기 어렵다. 그러므로 조립되는 제품을 잡고 있을 수 있는 로봇을 추가 사용한다. ≫ set up 시간과 비용 최소화
시나리오에서 요구하는 기계학습 모델을 훈련시키기 위하여 부품 자료가 필요하다. 경우에 따라 사진 등의 실물 자료가 필요할 수 있는데 이는 CAD 모델을 이용한 합성 데이터셋을 사용하거나 3D 프린터로 출력한 부품을 촬영하여 사용한다.

TRIP 시스템은 이 전체 과정에 필요한 자료, 소프트웨어 그리고 인터페이스를 제공한다.

2024 NDoStudio

2024/8/24 처음 2024/8/24

TRIP 1.0 소개

NDo — Mon, 31 Aug 2026 00:23:56 +0900

TRIP은 TRIP은 로봇이 자율적으로 상황을 인식하고, 조립 계획을 세우고, 이를 실행할 수 있게 하는 소프트웨어 집합이다. TRIP에 대한 소개는 아래 글을 참고하기 바란다.

NDoLab TRIP Team Robotics Intelligence Platform 소개 읽어보기 >

TRIP 1.0은 2018년에서 2023년까지 개발된 TRIP 버전으로 다음 3개 단계로 이루어져 있다.

TRIP 1.0 - CAD와 BOM 데이터베이스 기반 자동 로봇 조립 계획 시스템

- A단계 - CAD 모델이 주어지면 인간이 조립 순서를 계획하고 TRIP이 각 순서의 로봇팔 위치를 계산
- B 단계 - CAD 모델이 주어지면 TRIP이 자동으로 조립을 계획하고 실행
- C 단계 - CAD 모델이 주어지면 인간과 TRIP이 협동으로 조립을 계획하고 실행(Human Robot Collaboration)

TRIP 1.0을 위해 개발된 기술들은 기반 기술로써 TRIP 2.0에 사용되었다. TRIP 2.0은 TRIP 1.0에 사용된 규칙 기반 모듈을 기계학습(AI) 기반 모듈로 변경한 버전이다.

TRIP 1.0 A, 수동 로봇 조립 계획 지원 체계

TRIP Team Robotics Intelligence Platform은 로봇이 자율적으로 상황을 인식하고, 조립 계획을 세우고, 이를 실행할 수 있게 하는 소프트웨어 집합이다. TRIP에 대한 소개는 아래 글을 참고하기 바란다.

NDoLab TRIP Team Robotics Intelligence Platform 소개 읽어보기 >

TRIP 1.0 A는 2018-2019년 개발된 버전으로 아직 인간이 로봇 조립 계획을 세우고 시스템은 CAD와 BOM 데이터베이스를 이용하여 조립 계획을 지원하는 기능을 한다. TRIP 1.0에 대한 소개는 아래 글을 참고하기 바란다.

TRIP 1.0 소개 읽어보기 >

다음은 TRIP 1.0의 주요 기능에 대한 소개이다. 자료 작성일은 2019년 11월 19일이다.

TRIP 1.0 B 소개, 규칙 기반 자동 로봇 조릭 계획 체계 Automatic Robot Assembly Planning

NDoLab TRIP Team Robotics Intelligence Platform 소개 읽어보기 >

TRIP 1.0 B는 2020-2023년 개발된 버전으로 TRIP 1.0 A를 기반으로 자동 조립 계획을 지원한다. TRIP 1.0에 대한 소개는 아래 글을 참고하기 바란다.

TRIP 1.0 소개 읽어보기 >

다음은 TRIP 1.0 B의 주요 기능에 대한 소개이다. 자료 작성일은 2022년 11월 14일이다.

2024 NDoStudio

2024/8/18 처음2024/8/18

systems/trip/00 manage/trip01/20191119 TRIP01A 결과.ppt

systems/trip/00 manage/trip01/20221114 TRIP01B.ppt