동영상: Toyota Material Handling과 4차 산업 혁명(Industry 4.0) - 모놀리식에서 Microservices, Microsoft Azure 및 MongoDB Atlas로의 전환을 통한 스마트 팩토리 구축

Mat Keep
March 19, 2020 | Updated: February 17, 2022
#Customer Stories

화물 운반 장소와 시간 및 방법이 입력된 자동화된 지게차가 거대한 원통형 치즈를 싣고 공장을 누빕니다. 좀 더 까다로운 작업들은 인력과 구식 지게차의 힘을 빌려야 하지만, 이런 작업의 핵심은 수십억 개의 데이터 포인트가 생성, 관리, 저장 및 분석되는 방식에 있습니다.

4차 산업 혁명(Industry 4.0)이 도래하자 Toyota Material Handling Europe은 제조 환경의 역사적 변화를 성공으로 이끌 장비와 데이터 플랫폼을 구축하고 있습니다. Toyota는 자동차의 품질이 우수하기로 유명합니다. 현재 Toyota 개발 팀은 보다 안전하고 자율적인 미래형 스마트 팩토리로 전환하는 데 필요한 IoT 소프트웨어를 개발하는 방식에도 이와 동일한 표준을 적용되고 있습니다.

"Toyota의 목표는 4차 산업 혁명 시대에 업계 1위로 발돋움하는 것입니다,”라고 필립 대드거(Toyota Material Handling Europe의 수석 시스템 아키텍트 겸 IT 관리자)는 설명했습니다.

필립 대드거(Filip Dadgar), Toyota Material Handling Europe 수석 솔루션 아키텍트 겸 IT 관리자

최근 스톡홀름에서 있었던 프레젠테이션에서 필립은 Toyota Material Handling Europe이 통합 텔레매틱스를 통해 어떻게 10만 대 이상의 웨어하우스 트럭을 연결했는지에 대해 설명했습니다. 트럭은 제조 및 창고 보관부터 운송에 이르기까지 거의 모든 비즈니스에서 투입되고 있습니다.

필립은 프레젠테이션에서 여러 가지 흥미로운 주제들을 다뤘는데, 아래에서 전체 내용을 살펴볼 수 있습니다. 그는 4차 산업 혁명의 배경, 팀원이 동의한 개발자 선언문, 작업의 지침이 되는 핵심 원칙 등에 대해 설명하고 있습니다. 또한, 개발 팀의 생산성을 높이고 플랫폼을 보다 사용자 친화적으로 만들기 위해 모놀리식 코드베이스를 마이크로 서비스 접근 방식으로 전환하는 방법에 대해서도 논의하고 있습니다. 이러한 혁신의 토대가 되는 것이 바로 MongoDB의 완전 관리형 글로벌 클라우드 데이터베이스 서비스인 MongoDB Atlas로, Toyota Material Handling은 Microsoft Azure에서 이를 실행하고 있습니다.

필립은 MongoDB에서 마음에 들었던 점을 이렇게 설명했습니다. "가장 훌륭한 부분은 바로 데이터 모델입니다. 모든 것이 자연스러운 JSON 문서 형식으로 이뤄져 있습니다. 따라서 개발자가 작업을 쉽고 빠르게 완료할 수 있습니다. 데이터 모델 구축에 매달릴 필요 없이 비즈니스 가치를 창출하는 데 집중할 수 있습니다."

개발자가 작업을 쉽고 빠르게 완료할 수 있습니다. 데이터 모델 구축에 매달릴 필요 없이 비즈니스 가치를 창출하는 데 집중할 수 있습니다.
필립 대드거, Toyota Material Handling Europe 수석 솔루션 아키텍트 겸 IT 관리자

Toyota Material Handling

데이터 모델 외에도 많은 장점이 있습니다. Toyota Material Handling은 다음과 같은 8가지 평가 기준에 따라 혁신을 추진하는 데 사용할 데이터베이스 플랫폼을 결정했습니다.

성능 – 고객 SLA를 충족하고 미래의 괄목할만한 성장을 지원할 만큼의 저지연성과 확장성을 갖춘 읽기 및 쓰기 기능
개발자가 백엔드 데이터베이스 관리에 신경 쓸 필요 없이 애플리케이션 개발에 집중할 수 있는 자동 확장, 운영 및 관리
매우 중요한 비즈니스 및 개인 데이터를 보호할 수 있는 보안 및 규정 준수 체계
지연 시간에 민감한 작업을 감안해 공장과 지리적으로 가까운 곳인 북서 유럽 또는 서유럽의 Microsoft Azure Microsoft Azure에서 호스팅할 수 있는 데이터 지역성
완전 관리형 데이터 보호 및 재해 복구를 지원하는 자동 백업 및 복원
고객이 클라우드에 구애받지 않고 어디서나 어떤 플랫폼에서든 자유롭게 실행할 수 있도록 지원
개발자가 새로운 애플리케이션 기능을 지속적으로 통합하고 시장 요구보다 항상 앞서 나갈 수 있도록 유연한 데이터 모델을 갖춘 개발자 친화적인 데이터베이스
입증된 모범 사례와 널리 이용되는 기술을 사용해 개발자 생산성을 위한 에코시스템 구축

이러한 주요 기준에서 MongoDB의 기술이 Toyota Material Handling에 가장 적합한 이유에 대해 자세히 알고 싶다면 전체 비디오를 시청하십시오. 필립은 MongoDB를 선택한 또 다른 중요한 이유로 두 가지를 꼽고 있습니다. MongoDB University에 액세스하여 손쉽게 웹 기반 개발자 교육을 실시할 수 있다는 점과 MongoDB 팀과의 긴밀한 관계가 바로 그것입니다.

필립은 이렇게 말했습니다. “MongoDB 팀을 만나보셨습니까? 이들은 항상 우리를 적극적으로 도와줍니다. 항상 미소를 띄고 최고의 지원 서비스를 제공합니다. MongoDB 팀의 도움이 있었기에 MongoDB University를 일사천리로 계획하고 모든 직원이 단기간에 수준 높은 기술 지식을 습득할 수 있었습니다.

전체 프레젠테이션 내용은 여기에서 확인

신속한 혁신에 MongoDB Atlas가 어떻게 도움이 되는지 알아보십시오.

← Previous

Hasta la Vista, DB

Eliot Horowitz, CTO and Co-Founder last day at MongoDB will be July 10th

March 17, 2020

Next →

Building AI With MongoDB: Integrating Vector Search And Cohere to Build Frontier Enterprise Apps

Cohere is the leading enterprise AI platform, building large language models (LLMs) which help businesses unlock the potential of their data. Operating at the frontier of AI, Cohere’s models provide a more intuitive way for users to retrieve, summarize, and generate complex information. Cohere offers both text generation and embedding models to its customers. Enterprises running mission-critical AI workloads select Cohere because its models offer the best performance-cost tradeoff and can be deployed in production at scale. Cohere’s platform is cloud-agnostic. Their models are accessible through their own API as well as popular cloud managed services, and can be deployed on a virtual private cloud (VPC) or even on-prem to meet companies where their data is, offering the highest levels of flexibility and control. Cohere’s leading Embed 3 and Rerank 3 models can be used with MongoDB Atlas Vector Search to convert MongoDB data to vectors and build a state-of-the-art semantic search system. Search results also can be passed to Cohere’s Command R family of models for retrieval augmented generation (RAG) with citations. Check out our AI resource page to learn more about building AI-powered apps with MongoDB. A new approach to vector embeddings It is in the realm of embedding where Cohere has made a host of recent advances. Described as “AI for language understanding,” Embed is Cohere’s leading text representation language model. Cohere offers both English and multilingual embedding models, and gives users the ability to specify the type of data they are computing an embedding for (e.g., search document, search query). The result is embeddings that improve the accuracy of search results for traditional enterprise search or retrieval-augmented generation. One challenge developers faced using Embed was that documents had to be passed one by one to the model endpoint, limiting throughput when dealing with larger data sets. To address that challenge and improve developer experience, Cohere has recently announced its new Embed Jobs endpoint . Now entire data sets can be passed in one operation to the model, and embedded outputs can be more easily ingested back into your storage systems. Additionally, with only a few lines of code, Rerank 3 can be added at the final stage of search systems to improve accuracy. It also works across 100+ languages and offers uniquely high accuracy on complex data such as JSON, code, and tabular structure. This is particularly useful for developers who rely on legacy dense retrieval systems. Demonstrating how developers can exploit this new endpoint, we have published the How to use Cohere embeddings and rerank modules with MongoDB Atlas tutorial . Readers will learn how to store, index, and search the embeddings from Cohere. They will also learn how to use the Cohere Rerank model to provide a powerful semantic boost to the quality of keyword and vector search results. Figure 1: Illustrating the embedding generation and search workflow shown in the tutorial Why MongoDB Atlas and Cohere? MongoDB Atlas provides a proven OLTP database handling high read and write throughput backed by transactional guarantees. Pairing these capabilities with Cohere’s batch embeddings is massively valuable to developers building sophisticated gen AI apps. Developers can be confident that Atlas Vector Search will handle high scale vector ingestion, making embeddings immediately available for accurate and reliable semantic search and RAG. Increasing the speed of experimentation, developers and data scientists can configure separate vector search indexes side by side to compare the performance of different parameters used in the creation of vector embeddings. In addition to batch embeddings, Atlas Triggers can also be used to embed new or updated source content in real time, as illustrated in the Cohere workflow shown in Figure 2. Figure 2: MongoDB Atlas Vector Search supports Cohere’s batch and real time workflows. (Image courtesy of Cohere) Supporting both batch and real-time embeddings from Cohere makes MongoDB Atlas well suited to highly dynamic gen AI-powered apps that need to be grounded in live, operational data. Developers can use MongoDB’s expressive query API to pre-filter query predicates against metadata, making it much faster to access and retrieve the more relevant vector embeddings. The unification and synchronization of source application data, metadata, and vector embeddings in a single platform, accessed by a single API, makes building gen AI apps faster, with lower cost and complexity. Those apps can be layered on top of the secure, resilient, and mature MongoDB Atlas developer data platform that is used today by over 45,000 customers spanning startups to enterprises and governments handling mission-critical workloads. What's next? To start your journey into gen AI and Atlas Vector Search, review our 10-minute Learning Byte . In the video, you’ll learn about use cases, benefits, and how to get started using Atlas Vector Search.

April 25, 2024