< 구름에 올라타라··· 거부할 수 없는 ‘클라우드 혁신’ 16가지 > 클라우드 컴퓨팅이 이를테면 신규 소프트웨어 서비스를 위해 새로운 서버 하드웨어 또는 엔터프라이즈 소프트웨어 제품군을 구매해야 할 때 (기존에는) 누릴 수 없었던 수많은 이점을 제공하기 때문이다. 예를 들어 온프레미스에 배포하는 데 6개월이 걸렸던 작업을 클라우드에서는 10분 만에 끝낼 수 있다. 또 온프레미스에서는 3개 관리 계층의 서명이 필요하던 작업을 클라우드에서는 신용카드로 청구할 수 있다. 단순히 시간과 편의의 문제가 아니다. 예를 들면 클라우드를 통해 소프트웨어 개발 속도를 높여 출시 시간(Time To Market; TTM)을 단축할 수 있고, 더 많은 테스트가 가능해져 소프트웨어 품질을 향상시킬 수도 있다. 클라우드에는 즉각적인 이점을 제공할 뿐만 아니라 온프레미스 컴퓨팅의 오래된 문제를 해결할 수 있는 ‘진정한 혁신’이 있다. 여기서는 매력적인 클라우드 기능 16가지를 소개한다. > 온디맨드 컴퓨팅 인스턴스 퍼블릭 클라우드에서 서버 인스턴스를 생성한다면 약 15분 만에 (이를) 프로비저닝하고 실행할 수 있으며, 필요에 따라 크기를 설정하고, 사용하지 않을 때는 끌 수 있다. > 사전 구축된 VM 이미지 원하는 운영체제와 애플리케이션을 모두 실행할 수 있는 VM을 쓸 수 있다는 건 매우 매력적인 기능이라고 할 수 있다. > 서버리스 서비스 전용 VM 없이 서비스 또는 코드 조각을 짧은 시간 동안 필요에 따라 실행할 수 있다는 의미다. 서버리스 서비스의 특징은 자동 스케일링, 내장된 고가용성, 종량제 청구 모델이다. 특정 퍼블릭 클라우드에 얽매이지 않고 서버리스 앱을 사용하고 싶다면 벤더 중립적인 서버리스 프레임워크(예: 큐브리스(Kubeless) 등)를 활용하길 바란다. > 온디맨드 컨테이너 컨테이너는 VM보다 훨씬 더 가벼운 소프트웨어 실행 유닛이다. 이를 온디맨드로 실행하면 VM을 온디맨드로 실행하는 이점이 있으며, 아울러 더 적은 리소스와 비용으로 실행할 수 있다는 추가적인 이점도 있다. > 사전 구축된 컨테이너 이미지 도커 컨테이너는 도커파일(Dockerfile)로 지정된 도커 이미지의 실행 가능한 인스턴스다. 도커 레지스트리에서 사전 정의된 도커파일을 찾을 수 있으며, 직접 빌드할 수도 있다. 아울러 로컬로 설치된 도커 또는 컨테이너가 지원되는 클라우드에서 도커 이미지를 실행할 수 있다. VM 이미지와는 달리 도커파일은 벤더에 구애받지 않는다. > 쿠버네티스 컨테이너 오케스트레이션 쿠버네티스(K8s)는 컨테이너화된 애플리케이션의 배포, 확장, 관리를 자동화하기 위한 오픈소스 시스템이다. K8s는 구글 내부에서 개발한 ‘보그(Borg)’ 기술을 기반으로 한다. 모든 주요 퍼블릭 클라우드에는 K8s 서비스가 있으며, 자체 개발 시스템에서도 K8s를 실행할 수 있다. > 자동 스케일링 서버 대부분의 퍼블릭 클라우드에서는 인스턴스를 추가(또는 제거)하거나 인스턴스 크기를 증가시켜(또는 감소시켜) 사용량에 따라 VM 및 서비스를 자동으로 확장(또는 축소)할 수 있다. > 행성 데이터베이스 주요 퍼블릭 클라우드와 여러 데이터베이스 벤더가 데이터 패브릭, 중복 인터커넥트, 분산형 합의 알고리즘 등을 기반으로 최대 99.999%의 업타임을 통해 효율적인 작업을 수행할 수 있는 행성급 분산 데이터베이스를 구현했다. 클라우드 관련 예로는 구글 클라우드 스패너(관계형), 애저 코스모스 DB(멀티모델), 아마존 다이나모DB(키 값 및 문서), 아마존 오로라(관계형) 등이 있다. > 하이브리드 서비스 데이터센터에 대대적으로 투자하는 기업들은 기존 애플리케이션 및 서비스를 클라우드 서비스로 대체하기보다는 클라우드로 확장하고 싶어 하는 경우가 많다. 현재 모든 주요 클라우드 업체는 특정 하이브리드 서비스와 퍼블릭 클라우드에 연결되는 온프레미스 서버 및 엣지 클라우드 리소스를 사용하여 이러한 목표를 달성하는 방법을 제공하고 있다. > 확장 가능한 ML 훈련 및 예측 머신러닝 훈련 중에서 특히 딥러닝은 몇 시간에서 몇 주 동안 상당한 컴퓨팅 리소스를 필요로 하는 경우가 많다. 클라우드 리소스를 사용하는 것은 모델 훈련과 예측을 수행하는 가장 편리한 방법이다. > 클라우드 GPU, TPU, FPGA 정확한 훈련을 위해 대형 모델과 대규모 데이터세트를 사용하는 딥 러닝은 CPU 클러스터를 일주일 이상 써야 하는 경우가 많다. GPU, TPU, FPGA를 사용하면 훈련 시간을 크게 줄일 수 있으며, 이는 클라우드에서 제공되기 때문에 필요할 때 쉽게 활용할 수 있다. > 사전 학습된 AI 서비스 사전 학습된 모델(예: 언어 번역, 텍스트 음성 변환(TTS), 이미지 식별 등)을 통해 많은 AI 서비스를 원활하게 작동시킬 수 있다. 모든 주요 클라우드 서비스는 사전 학습된 AI 서비스를 제공한다. > 맞춤형 AI 서비스 기존 모델 위에서 몇 개의 신경망 계층만 훈련시키는 전이 학습(Transfer learning)은 모델을 처음부터 훈련하는 것보다는 상대적으로 빠르게 맞춤형 서비스를 제공할 수 있다. 모든 주요 클라우드 서비스 업체는 (저마다 이름은 다르지만) 전이 학습을 제공하고 있다. > 모니터링 서비스 모든 클라우드는 최소 1개의 이상의 모니터링 서비스를 지원하며, 모니터링을 위해 클라우드 서비스를 쉽게 구성할 수 있다. 모니터링 서비스는 그래픽 대시보드로 표시되며, 예외 및 비정상적인 성능 지표를 알림하도록 구성할 수 있다. > 분산형 서비스 클라우드 서비스 업체는 고객의 데이터 센터(하이브리드 클라우드) 또는 고객의 공장 가까이(엣지 컴퓨팅)로 서비스를 확장할 수 있는 커넥티드 어플라이언스를 제공한다. > 엣지 컴퓨팅 기기 및 실제 사물(IoT)과 지리적으로 가까운 곳에서 분석과 머신러닝을 수행해야 하는 필요성으로 인해 전문 기기(예: GPU 및 센서가 탑재된 소형 컴퓨팅 장치 등) 그리고 이를 지원하는 아키텍처(예: 엣지 서버, 자동화 플랫폼, 콘텐츠 딜리버리 네트워크(CDN) 등)가 등장했다. 궁극적으로 이 모든 것은 클라우드로 연결되지만 엣지에서 분석을 수행하는 기능은 클라우드로 전송되는 데이터의 양을 크게 감소시켜 지연 속도를 줄일 수 있다.