[디지털비즈온 김맹근 기자] 연구자들이 인간 게놈에 있는 약 25,000개의 유전자를 연구하는 기술을 이용하여 질병과의 관계를 이해함에 따라 의학 데이터와 동료 평가 연구 논문이 폭발적으로 증가했다. 생물 의학 연구자들은 새로운 치료법을 위한 연구 분야를 좁히기 위해 이 논문들에 의존한다. 그러나 이러한 방대하고 확장되는 관련 연구에 대한 문헌 검토를 수행하는 것은 불가능한 작업이 되었다.

선도적인 제약 회사인 아스트라제네카는 문헌 검토에서 스크린 적중률, 표적 식별 등 약물 발견 과정 전반에 걸쳐 과학자들을 돕기 위해 BIKG(Biological Insights Knowledge Graph)를 개발했다. 이 그래프는 공공 데이터베이스와 내부 데이터베이스를 과학 문헌의 정보와 통합하여 천만에서 10억 사이의 복잡한 생물학적 관계를 모델링한다.

BIKG는 유전자 서열화에 효과적으로 사용되어 과학자들이 새로운 질병 치료제에 대한 높은 잠재력의 표적을 가설로 세우는 데 도움이 되었다. 엔비디아 GTC에서 아스트라제네카 팀은 폐암 치료제에서 내성과 관련된 유전자를 성공적으로 규명한 프로젝트를 발표했다.

잠재적인 유전자를 좁히기 위해, 데이터 과학자들과 생물학 연구자들은 치료제 개발에서 목표로 하기에 이상적인 기준과 유전자 특징을 정의하기 위해 협력했다. 그들은 기계 학습 알고리즘을 훈련시켜 BIKG 데이터베이스에서 치료 가능한 것으로 문헌에 언급된 지정된 기능을 가진 유전자를 검색했다. 더 빠른 계산을 위해 NVIDIA RAPIDS를 사용한 연구팀은 초기 유전자 풀을 3,000개에서 40개의 표적 유전자로 줄였는데, 이 작업은 이전에는 몇 달이 걸렸지만 이제는 몇 초밖에 걸리지 않았다.

제약회사와 연구자들은 가속화된 컴퓨팅과 AI로 의약품 개발을 보완함으로써 마침내 의료 분야에 축적된 거대한 데이터 탐사선을 활용하여 신약을 더 빠르고 안전하게 개발하여 궁극적으로 생명을 구하는 효과를 얻을 수 있다.

청정 에너지의 미래를 구축하는 유틸리티 회사

에너지 분야에서 탄소 중립적인 에너지원으로 전환하기 위한 상당한 추진이 있었다. 지난 10년 동안 태양 에너지와 같은 재생 가능한 자원을 활용하는 비용이 급격히 감소함에 따라 청정 에너지 미래를 향한 진정한 진전을 이룰 수 있는 기회가 그 어느 때보다 컸다.

그러나 풍력 발전소, 태양열 발전소 및 가정용 배터리의 청정 에너지를 통합하는 방향으로 전환하면서 그리드 관리에 새로운 복잡성이 도입되었다. 에너지 인프라가 다양해지고 양방향 전력 흐름을 수용해야 함에 따라 그리드 관리는 데이터 집약적이 되었다. 이제 차량 충전을 위해 고전압 영역을 처리하기 위해 새로운 스마트 그리드가 필요한다. 또한 분산 저장된 에너지원의 가용성을 관리하고 네트워크 전체의 사용 변화에 적응해야 한다.

저명한 그리드 엣지 소프트웨어 회사인 Utilidata는 NVIDIA와 협력하여 맞춤형 NVIDIA Jetson Orin edge AI 모듈을 사용하여 그리드 엣지용 분산 AI 플랫폼인 Karman을 개발했다. 전기 미터에 내장된 이 맞춤형 칩과 플랫폼은 각 미터를 초당 수천 개의 데이터 포인트를 처리할 수 있는 데이터 수집 및 제어 지점으로 변환한다.

카르만은 네트워크 가장자리의 미터에서 실시간 고해상도 데이터를 처리한다. 이를 통해 유틸리티 회사는 그리드 상태에 대한 상세한 통찰력을 얻고, 사용량을 예측하며, 몇 분 또는 몇 시간이 아닌 몇 초 만에 분산된 에너지 자원을 원활하게 통합할 수 있다. 또한 에지 장치에서 추론 모델을 사용하면 네트워크 운영자는 회선 장애를 예측하고 빠르게 식별하여 잠재적인 정전을 예측하고 예방적 유지보수를 수행하여 그리드 신뢰성을 높일 수 있다.

Karman은 AI와 가속화된 데이터 분석의 통합을 통해 유틸리티 제공업체가 기존 인프라를 효율적인 스마트 그리드로 전환할 수 있도록 지원한다. 이를 통해 맞춤형, 현지화된 전력 분배를 통해 광범위한 물리적 인프라 업그레이드 없이 변동하는 수요 패턴을 충족할 수 있으므로 그리드를 보다 비용 효율적으로 현대화할 수 있다.

자동차 제조업체, 더 안전하고 접근성 높은 자율주행 차량 지원

자동차 회사가 완전한 자율 주행 기능을 위해 노력함에 따라 차량은 실시간으로 물체를 감지하고 탐색할 수 있어야 한다. 이를 위해서는 도로를 안전하게 유지하기 위해 내비게이션 결정을 내리는 AI 모델에 카메라, 라이다, 레이더 및 GPS의 실시간 데이터를 공급하는 것을 포함한 고속 데이터 처리 작업이 필요한다.

자율주행 추론 워크플로우는 복잡하며 필요한 전처리 및 후처리 단계와 함께 여러 AI 모델을 포함한다. 전통적으로 이러한 단계는 CPU를 사용하여 클라이언트 측에서 처리되었다. 그러나 이로 인해 처리 속도에 큰 병목 현상이 발생할 수 있으며, 이는 빠른 처리가 안전과 동일시되는 애플리케이션에서는 허용할 수 없는 단점이다.

전기차 제조업체 NIO는 자율주행 워크플로우의 효율성을 높이기 위해 NVIDIA Triton Inference Server를 추론 파이프라인에 통합했다. NVIDIA Triton은 오픈 소스, 멀티 프레임워크, 추론 서비스 소프트웨어이다. NIO는 데이터 처리 작업을 중앙 집중화함으로써 일부 핵심 영역에서 지연 시간을 6배 줄이고 전체 데이터 처리량을 최대 5배까지 늘렸다.

NIO의 GPU 중심 접근 방식을 통해 차량 자체에서 아무것도 변경할 필요 없이 새로운 AI 모델을 더 쉽게 업데이트하고 배포할 수 있었다. 또한 네트워크를 통해 데이터를 주고받을 필요 없이 여러 AI 모델을 동일한 이미지 세트에서 동시에 사용할 수 있어 데이터 전송 비용을 절약하고 성능을 향상시킬 수 있었다.

가속화된 데이터 처리를 사용함으로써 자율 주행 차량 소프트웨어 개발자는 고성능 표준에 도달하여 교통 사고를 방지하고 교통 비용을 절감하며 사용자의 이동성을 개선할 수 있도록 보장한다.

소매업체의 수요 예측 개선

빠르게 진행되는 소매 환경에서 데이터를 신속하게 처리하고 분석하는 기능은 재고 수준을 조정하고 고객 상호 작용을 개인화하며 가격 전략을 즉시 최적화하는 데 매우 중요한다. 소매업체의 규모가 크고 제품을 더 많이 취급할수록 데이터 작업은 더 복잡하고 컴퓨팅 집약적이 될 것이다.

세계 최대 소매업체인 월마트는 4,500개 매장에 걸쳐 5억 개의 품목별 조합에 대한 예측 정확도를 크게 향상시키기 위해 컴퓨팅 가속화에 눈을 돌렸다.

Walmart는 예측 작업을 개선하기 위해 NVIDIA GPU와 RAPID를 사용하기 시작했다. 이 회사는 현재 350개의 데이터 기능이 있는 예측 모델을 사용하여 모든 제품 카테고리의 매출을 예측하고 있다. 이러한 기능은 판매 데이터, 프로모션 이벤트, 날씨 상황과 슈퍼볼과 같은 주요 이벤트와 같은 외부 요인을 포함하며 수요에 영향을 미친다.

고급 모델을 통해 월마트는 예측 정확도를 94%에서 97%로 개선하는 동시에 약 1억 달러의 신선 농산물 폐기물을 제거하고 재고 소진 및 가격 인하 시나리오를 줄였다. GPU는 또한 CPU 환경에서 몇 주가 걸릴 수 있는 작업인 작업을 단 4시간 만에 완료하여 모델을 100배 더 빠르게 실행했다.

데이터 집약적인 작업을 GPU와 가속화된 컴퓨팅으로 전환함으로써 소매업체는 비용과 탄소 배출량을 모두 줄이는 동시에 쇼핑객에게 최적의 선택지와 저렴한 가격을 제공할 수 있다.