How Tata Elxsi detects industrial safety risks in seconds on AWS

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Tata Elxsi의 IRIS는 기존 카메라와 AWS 기반 엣지 처리·컴퓨터 비전·이벤트 상관분석을 결합해 산업 안전 위험을 거의 실시간으로 탐지하고 심각도에 따라 대응하는 플랫폼이다.

📌 핵심 요약

• 기존 산업 현장의 안전 모니터링은 위험 탐지에 통상 15–45분이 걸리고 교대당 수동 순찰이 2–3회에 그치는 제약이 있다. IRIS는 기존 안전 프로그램을 보완하며, 데이터 상주 요건과 인도 고객 시설에 대한 낮은 지연시간을 위해 AWS 아시아 태평양(뭄바이) 리전에서 운영된다.
• IRIS는 AWS IoT Greengrass 기반 엣지 서버에서 초당 2–5프레임을 추출·필터링한다. 고객의 운영 측정에 따르면 클라우드 전송 프레임이 약 70–80% 감소하며, 원시 동영상 대신 선별 프레임은 Amazon S3에, 1KB 미만의 참조 메타데이터는 Amazon Kinesis Data Streams에 전달된다.
• Amazon Kinesis Data Streams는 배포당 지속적으로 초당 2,000–5,000개 이벤트와 약 15,000개의 순간 이벤트를 처리하며, 수집 지연시간은 p95 기준 200밀리초 미만이다. Amazon SageMaker AI의 모델별 엔드포인트는 보호구 착용, 제한구역 침입, 작업자 행동, 차량·장비 근접 위험을 분석하며, 프레임당 추론 지연시간은 p95 기준 300밀리초 미만이다.
• AWS Lambda와 Amazon DynamoDB를 이용한 상관분석은 30초–5분의 설정 가능한 시간 구간에서 빈도·지속시간·심각도를 평가한다. 고객 내부 벤치마크에서는 탐지를 그대로 알림으로 전달할 때보다 불필요한 알림이 약 40–50% 감소한 것으로 추정됐으며, Critical은 5초 이내, High는 10초 이내 알림을 보내도록 대응 기준을 정한다.
• Amazon S3는 이벤트와 조사 증거를 저장하고 보존 기간에 따라 저장 계층을 전환한다. 확정 이벤트의 프레임은 1년 보존 후 아카이브하고 탐지가 없거나 임계값 미만인 프레임은 7일 후 삭제한다. 학습 데이터는 실제 주석 데이터 약 80%와 합성 데이터 약 20%로 구성되며, 제공된 원문은 분기별 기본 재학습 설명 도중에 끝난다.

🧩 주요 포인트

1. 기존 카메라 활용과 엣지 필터링 → 전송 프레임을 약 70–80% 줄이고 이미지와 메타데이터 경로를 분리해, 카메라 확대에 따른 클라우드 처리 부담을 낮추는 구조다.
2. 모델별 추론과 시간·장소 맥락의 상관분석 → 개별 탐지를 바로 경보로 전환하지 않고 위험의 빈도·지속시간·심각도를 반영해, 대응 우선순위와 알림의 신뢰도를 높인다.
3. 심각도별 대응·Amazon S3 보존·운영 데이터 재학습 → 탐지 이후 대응, 감사, 모델 개선을 연결한다. 다만 p95 수집·추론 지연시간과 Critical 5초 알림 기준은 서로 다른 지표이며, 재학습 절차 전체는 제공된 원문으로 확인할 수 없다.

🧠 상세 정리

1. 기존 카메라를 예방 중심 안전 모니터링으로 전환

Tata Elxsi는 자동차, 제조, 방송, 통신, 의료, 운송 분야에 설계·기술 서비스를 제공하며, 이미 카메라를 운영하지만 영상을 즉시 활용할 수 있는 정보로 바꾸지 못하는 조직을 위해 IRIS를 구축했다. 제조공장과 창고, 물류 거점, 화학시설에는 수백~수천 대의 카메라가 있지만, 대부분의 영상은 기록에 머물러 사고 발생 후에야 확인된다. 관제 인력이 수많은 화면을 동시에 감시하기 어려워 위험 탐지에는 통상 15–45분이 걸리고, 교대당 2–3회의 수동 순찰만으로는 현장과 교대조 간 정책 집행의 일관성을 확보하기 어렵다. 원문은 이를 특정 도구 하나의 실패가 아니라 수동 기록에서 지속적인 자동 탐지로 전환해야 한다는 신호로 해석한다. IRIS는 기존 안전 프로그램을 보완하면서 원시 동영상을 클라우드로 스트리밍하지 않는 거의 실시간 분석을 목표로 하며, 데이터 상주 요건과 인도 고객 시설과의 낮은 지연시간을 고려해 AWS 아시아 태평양(뭄바이) 리전을 사용한다.

2. 엣지 필터링과 이미지·메타데이터 경로 분리

IRIS는 AWS IoT Greengrass를 사용하는 전용 엣지 계층을 현장에 배치하며, NVIDIA Jetson AGX Orin 또는 동급의 산업용 GPU 서버를 RTSP/ONVIF로 카메라 네트워크에 연결한다. 서버는 설정 가능한 초당 2–5프레임을 추출하고 움직임 기반 필터링과 경량 1차 모델을 적용해 사람, 차량, 장비가 포함된 프레임을 선별한다. 선별 프레임은 카메라·날짜·시간별로 구분한 Amazon S3 버킷에 저장하고, 스트리밍 이벤트에는 객체 키와 카메라 ID, 공장, 구역, NTP 동기화 타임스탬프만 포함해 크기를 1KB 미만으로 유지한다. 이후 소비자가 Amazon S3에서 실제 프레임을 가져와 모델을 실행하므로, 스트리밍 계층은 가볍게 유지하면서 시각 데이터에는 접근할 수 있다. AWS IoT Greengrass는 보안 장치 통신과 Amazon S3에서 제공하는 모델의 구성요소 형태 배포를 지원하며, 고객의 운영 측정에서는 엣지 필터링으로 클라우드 전송 프레임이 약 70–80% 줄었다.

3. 동영상 대신 구조화된 이벤트를 전달하는 스트리밍

엣지 처리 이후 Amazon Kinesis Data Streams는 안전 관련 메타데이터와 이벤트를 전달하는 실시간 중심 경로로 동작한다. 여기에는 Amazon S3 객체 키, 움직임 이벤트, 엣지 탐지 후보, 카메라 상태 정보, 안전 맥락이 포함되지만 동영상 자체는 포함되지 않는다. 프레임 추출을 현장에서 수행하기 때문에 클라우드에는 연속 영상 대신 이미지 참조가 들어 있는 구조화된 레코드가 전달되며, 원문은 이 방식에서 1초 미만의 이벤트 지연시간이 중요하다고 설명한다. 온디맨드 용량 모드는 수동 샤드 관리를 없애고 교대 시간이나 여러 사고가 겹치는 순간의 이벤트 증가에 맞춰 처리량을 자동으로 확장한다. Tata Elxsi의 운영 배포에서는 배포당 초당 2,000–5,000개 이벤트를 지속 처리하고 순간적으로 약 15,000개까지 처리하며, 측정된 이벤트 수집 지연시간은 p95 기준 200밀리초 미만이다.

4. 위험 유형별 모델과 추론 용량 조정

Amazon SageMaker AI에는 모델 계열별로 별도의 실시간 엔드포인트를 배치해 각 위험 분석 기능이 독립적으로 확장되도록 한다. 보호구 착용 여부는 산업 데이터로 미세 조정한 YOLOv8으로 헬멧, 반사 조끼, 장갑, 보안경을 탐지하고, 제한구역 감시는 객체 탐지와 다각형 공간 경계를 결합한다. 작업자 안전 분석에는 SlowFast 기반 시간적 행동 인식을 사용하며, 차량·장비 근접 위험에는 다중 객체 추적과 단안 깊이 추정을 적용한다. 엔드포인트는 NVIDIA A10G GPU를 갖춘 ml.g5.xlarge에서 실행되고 고가용성을 위해 최소 2개 인스턴스를 유지하며, AWS Application Auto Scaling은 GPU 사용률 70%에서 확장하고 30%에서 축소하는 정책을 적용한다. 스트림 소비자와 엔드포인트 사이의 Amazon SQS는 급증한 요청을 완충하고 대기열 깊이가 설정 임계값을 넘으면 인스턴스를 추가하며, 요청은 4–8프레임의 마이크로배치로 처리한다. 운영 환경에서 각 ml.g5.xlarge 엔드포인트는 초당 약 40–60건의 추론 요청을 처리하고 프레임당 추론 지연시간은 p95 기준 300밀리초 미만으로 측정됐다.

5. 개별 탐지를 맥락 있는 안전 이벤트로 해석

원문은 작업자가 잠깐 경계를 넘는 경우와 짧은 시간에 위반을 반복하는 경우를 구분하며, 단일 탐지만으로는 즉각적인 대응이 필요한지 판단하기 어렵다고 설명한다. IRIS는 이를 위해 AWS Lambda 함수로 상관분석 계층을 구현하고 Amazon DynamoDB의 TTL 항목에 단기 상태를 유지해 이동 시간 구간을 평가한다. 이 계층은 카메라 위치, 구역의 중요도, 과거 행동과 함께 30초–5분으로 설정 가능한 시간 패턴을 결합하고 위반의 빈도, 지속시간, 심각도를 판단한다. 따라서 시각 모델이 만든 탐지 결과는 바로 알림이 되는 대신, 현장 맥락과 반복 양상을 반영한 신뢰도 높은 안전 이벤트로 전환된다. 고객이 상관분석 적용 전후의 알림량을 비교한 내부 벤치마크에서는 탐지 결과를 그대로 전달하는 방식보다 불필요한 알림이 약 40–50% 줄어든 것으로 추정됐으며, 이는 해당 고객 운영 환경에 근거한 수치다.

6. 심각도별 알림과 미확인 이벤트의 단계적 대응

신뢰도 높은 이벤트가 확인되면 AWS Lambda가 대응 흐름을 실행하고 AWS Step Functions가 여러 단계의 상향 보고를 관리한다. 같은 카메라에서 같은 유형의 탐지가 설정된 시간 구간 안에 발생하면 하나의 알림으로 통합하며, 이 중복 제거 구간의 기본값은 60초다. 심각도는 구역 중요도, 신뢰도, 지속시간을 기준으로 분류하고, Critical은 5초 이내 알림과 2분 이내 미확인 시 상향 보고, High는 10초 이내 알림과 5분 이내 미확인 시 상향 보고를 기준으로 삼는다. Medium은 묶음 알림으로 전달하고 Low는 실시간 알림 없이 추세 분석용으로 기록하므로 모든 탐지가 동일한 방식으로 현장에 전달되지는 않는다. Amazon EventBridge Scheduler가 상향 보고 여부를 확인하도록 실행하고 AWS Step Functions는 필요에 따라 현장 감독자, 공장 관리자, 안전 책임자 단계로 상태를 진행한다. 알림은 실시간 안전 대시보드, 심각도와 수신자 그룹별 이메일·SMS, 기업 IT 서비스 관리 시스템의 웹훅, 감독자와 안전 담당자를 위한 모바일 푸시로 전달된다.

7. 감사와 조사를 위한 기록 및 보존 정책

Amazon S3는 탐지 결과, 알림 기록, 메타데이터, 조사 증거를 포함한 모든 이벤트의 공식 저장소로 사용되며, 조직은 이를 안전 감사, 준수 보고, 근본 원인 조사, 규제 검토에 활용한다. 수명 주기 정책에 따라 활성 이벤트는 30일 동안 S3 Standard에 보관하고, 30–90일 구간의 과거 이벤트는 S3 Standard-Infrequent Access로 이동한다. 준수 및 조사 기록은 90일–1년 구간에 S3 Glacier Instant Retrieval로 전환해 감사 시 밀리초 단위 조회를 지원하고, 1년이 지나면 S3 Glacier Flexible Retrieval로 장기 보관한다. 최종 만료 시점은 고객별 보존 요건에 맞춰 설정할 수 있어, 원문은 모든 고객에게 동일한 영구 보관 기간을 제시하지 않는다. 프레임에도 별도 정책을 적용해 확정 이벤트에 연결된 프레임은 1년 보존 후 아카이브하고, 탐지가 없거나 임계값에 미달한 프레임은 7일 후 삭제한다.

8. 운영 데이터 기반 학습과 제공된 설명의 한계

IRIS는 Amazon S3에 축적한 운영 데이터를 Amazon SageMaker AI 학습 파이프라인에 공급해 모델 개선에 활용한다. 학습 데이터의 약 80%는 고객 데이터 계약에 따라 운영 현장에서 수집하고 주석을 붙인 실제 데이터이며, 나머지 약 20%는 드문 보호구, 특이한 조명, 비전형적인 카메라 각도 등 희귀 사례를 위한 합성 데이터다. 주석 작업은 대규모 라벨링을 위한 Amazon SageMaker Ground Truth와 예외 사례를 검토하는 Tata Elxsi 내부 팀을 결합하고, 능동 학습 과정은 신뢰도가 낮은 운영 예측을 사람의 검토로 보낸다. 원문은 재학습을 시작하는 조건이 세 가지라고 소개한 뒤, 축적된 운영 데이터를 사용하는 분기별 기본 재학습 설명 도중에 끝난다. 따라서 나머지 두 조건이나 재학습 이후의 전체 검증·배포 절차는 제공된 본문만으로 확인할 수 없으며, 보조 outline에만 등장하는 모델 레지스트리 평가 내용도 본문에서 확인된 사실로 포함하지 않는다.

🧾 핵심 주장 / 시사점

• IRIS의 확장 구조는 엣지에서 전송 대상을 줄이고 이미지와 메타데이터를 분리하는 데서 시작한다. 클라우드로 보내는 데이터를 선별하는 설계가 스트리밍과 추론의 부담을 함께 관리한다.
• 빠른 수집과 추론만으로 대응 품질이 결정되지는 않는다. 시간·장소 맥락의 상관분석과 심각도별 알림 정책이 개별 탐지를 실제 개입이 필요한 이벤트로 바꾸는 역할을 한다.
• 운영 측정치, 내부 벤치마크에 따른 추정치, 알림 대응 기준은 구분해서 해석해야 한다. 특히 구성요소의 p95 지연시간만으로 전체 탐지·대응 시간이 입증되는 것은 아니다.

✅ 액션 아이템

• 기존 카메라 환경에서 IRIS의 엣지 필터링과 이미지·메타데이터 경로 분리 적용 가능성 검토.
• 30초–5분 상관분석 구간과 Critical 5초·High 10초 알림 기준의 현장 적합성 평가.
• Amazon S3의 확정 이벤트 프레임 1년 보존·임계값 미만 프레임 7일 삭제 정책과 분기별 기본 재학습의 확인 범위 검토.

❓ 열린 질문

• 기존 카메라 환경이 달라져도 엣지 필터링의 클라우드 전송 프레임 약 70–80% 감소 효과를 유지할 수 있는가?
• 30초–5분 상관분석 구간은 Critical 5초 이내 알림 기준과 어떤 관계로 운영되는가?
• 분기별 기본 재학습 외에 제공된 원문에서 확인할 수 없는 재학습 절차는 무엇인가?