브라이틱스 머신러닝

AI 모델 라이프사이클 전반을 보다 직관적이고 편리하게 활용할 수 있는
머신러닝 플랫폼

다양한 분석 자동화 기능을 통해
누구나 쉽고 빠르게 AI 분석 서비스
개발하고 활용할 수 있게 도와줍니다.

데이터 특성에 따른 최적 알고리즘 및 분석 파라미터 추천해 주니까!
누구나 손쉽게 데이터 분석을 시작하고 분석 App을 통해 분석 결과를
빠르게 활용할 수 있도록 데이터 분석의 모든 단계를 통합된 플랫폼으로 제공합니다.

소개 동영상

  • AI 기반 빅데이터 분석 플랫폼, 브라이틱스 AI

00

00

브라이틱스 머신러닝만의 특장점

01
쉽고 직관적으로 활용할 수 있는 시각화된 분석 환경

Samsung SDS Brightics Workflow 분석 플랫폼 화면. 분석 워크플로우 시각화, 입출력 데이터 시각화, Scala·Python·SQL·R 언어 지원, 주피터 활용, 플로우간 연결, 리소스 할당, 분석함수 즉시 실행 등 8가지 주요 기능이 번호와 말풍선으로 표시된 UI 스크린샷.

노 코드 AI 기반 시각화된 분석 툴을 사용하여, 드래그 앤 드롭 기능을 통해 비전문가도 분석 모델을 생성할 수 있습니다.

분석 단계별 데이터 및 워크플로우를 시각화하여 각 단계별 혹은 전체 프로세스를 한눈에 확인할 수 있습니다.

각 사용자에게 맞는 개발 환경을 지원하고 Scala, Python, SQL, R 등 사용자가 원하는 개발 언어를 사용하여 분석 수행이 가능합니다.

분석 전 과정을 한눈에 관리할 수 있는 파이프라인

Brightics Pipeline 설정 화면 두 가지. 왼쪽: 파이프라인에 Brightics Workflow 또는 Jupyter Notebook 스텝을 등록하는 ‘Create Pipeline Stop’ 다이얼로그 화면. 오른쪽: 스텝별 변수·타입·값을 설정하는 ‘Run Configuration’ 다이얼로그 화면. 각각 ‘워크플로우/노트북 스텝 등록’과 ‘스텝별 실행 옵션 설정’ 레이블이 표시됨.

각 모델의 파이프라인 세부 설정 사항을 몇 번의 클릭만으로 수정할 수 있어 사용자의 작업량을 획기적으로 간소화합니다.

사용자별 활동 내역을 공유하여 서로의 작업 내용을 확인할 수 있고, 브라이틱스 워크플로우 또는 주피터 노트북 등 파이프라인의 각 단계별 개발 환경을 사용자가 선택하여 사용할 수 있어서 다양한 사용자가 협업할 수 있는 개발/운영 환경을 조성합니다.

대시보드를 통해 모델 별 학습 이력 및 상태 확인

Brightics Pipeline Executions 대시보드 화면. 상단에 전체 실험 수행 상태창(총 9건 중 성공 6·중단 1·실패 2)과 프로젝트 할당 리소스 현황(CPU·Memory·GPU 사용량)이 표시되고, 하단에 실행 ID·이름·상태·시작/종료 시각·소요 시간이 나열된 실험 수행 리스트가 있음.

대시보드를 통해 개발된 혹은 개발 진행 중인 모델 전체를 한눈에 확인하고, 각 모델에 대한 실험 상태와 이력을 마치 PC의 폴더 파일을 확인하는 것만큼 쉽게 할 수 있습니다.

최적의 결과 선정부터 배포까지 AI 모델 라이프사이클 관리

ML 실험 관리 화면 두 가지. 왼쪽 ‘최적의 모델 선정’: 실험 목록과 실험별 모델 목록, 모델별 메트릭 비교 차트(막대그래프)가 포함된 Experiment Mgmt. 화면. 오른쪽 ‘등록된 모델 검증 수행’: 검증 대상 모델 상세정보, 검증 요청 데이터, 검증 결과 데이터가 표시된 Verification Detail 화면.

최적 모델의 선정과 등록, 검증 그리고 운영 배포까지 전 단계의 AI 모델 라이프 사이클을 관리하고 추적할 수 있는 기능을 제공합니다.

각 단계별 절차에 대한 관리를 하나의 플랫폼 안에서 수행함으로써 사용자들의 작업 효율성과 안정성을 보장합니다.

다양한 운영 환경에 분석 모델 배포 및 모니터링

Brightics Serving 화면 두 가지. 왼쪽 ‘다양한 운영 환경 지원’: 클러스터·서버·디바이스 등 배포 대상을 선택하는 Select Target 화면(서버·디바이스·클러스터 목록 표). 오른쪽 ‘운영 모니터링’: 앱 상태 도넛 차트, 로그·추론·모니터링 탭, 산점도 그래프가 포함된 App Operation Detail 화면

개발된 AI 모델을 몇 번의 클릭만으로 배포할 수 있고 자동화된 기능을 통해 배포할 대상의 운영 환경을 선택할 수 있습니다.

또한 운영 환경에서 작동하고 있는 모델의 성능을 지속 모니터링하고 변동 사항을 자동으로 알리는 기능을 제공합니다.

이로 인해 데이터 사이언티스트와 AI 엔지니어 등 숙련된 전문 인력이 반복적이고 시간 소모적인 업무에 과도한 리소스를 투입하지 않도록 하여 작업 생산성을 향상시키고 인력 절감을 돕습니다.

더 많은 게 궁금하다면 전문가와 직접 상담해 보세요!

브라이틱스 머신러닝, 가능성을 열다.


활용예시

수요 예측 및 분석 4가지 방법론 인포그래픽. 왼쪽 위 ‘신제품 외 수요예측’: 기초 수요 예측치에 residual ratio를 가감하는 방식을 꺾은선 그래프로 표현. 오른쪽 위 ‘신제품 수요예측’: 유사도 측정 알고리즘으로 기존 자재의 초도 물량 데이터를 활용해 신제품 초도 물량을 예측. 왼쪽 아래 ‘한정 상품 상관성 분석’: 영업경로별·브랜드별·제품유형별 히스토그램 차트 그리드로 한정 상품 효과 제안. 오른쪽 아래 ‘프로모션 분석’: 프로모션 정보를 반영한 residual ratio 기반 예측치 산출 및 정확도 확인 꺾은선 그래프.
제품/서비스 수요 예측 분석
수요와 관련된 다양한 예측 모델 기반으로 효율적인 의사 결정을 지원하고 고객사의 마케팅 투자 효과를 고도화 시킵니다.

수요 예측, 신제품 수요 예측, 한정 상품의 Cannibalization 효과 및 프로모션 여부가 수요에 미치는 영향 분석 등을 통해 고객사의 마케팅 및 프로모션 활동의 성과를 분석하고 시뮬레이션합니다.

제품 품질 이슈 분석 대시보드 인포그래픽. 상단 중앙 돋보기 아이콘을 기점으로 세 영역으로 구성. 왼쪽 ‘이슈 센싱’: 냉동실 악냉 이슈 감지 결과로 클레임 31건·Social 6건·PL 11건·고질불량 185건 분류 및 파워건 배터리, 유상 불만, 세탁기 관련 불만 등 목록 표시. 가운데 ‘Risk 도출’: 냉동실악냉 항목의 온도퓨즈·COMP자체·응축기·팬모터·사용설명·제상센서·에바커버·온도센서·온도써머·메인PCB 8개 축 레이더(방사형) 차트. 오른쪽 ‘키워드 분석’: 영수증·배터리·전지·cpp 4개 항목의 D-2·D-1·D 시점 추이 꺾은선 그래프
고객 VoC 분석을 통한 이슈 감지
이슈 센싱 및 키워드 분석 등에 소요되는 업무 수행 시간을 절감하고, 표준화된 결과물을 제공하여 분석자의 숙련도에 따른 오차율을 감소시킵니다.

제품별 급증 키워드 및 연속 발생(2∼5일) 키워드 분석, 클레임· PL· 고질 불량 등 고위험군 분석, 불량 부위· 증상· 원인· 대책 간의 상관관계 분석 등을 통해 품질 혁신 프로세스를 고도화시킵니다.

심부전 환자 재입원·사망 예측 모델 프로세스 다이어그램. 상단 타임라인에 심부전 입원부터 재입원/사망까지 경과를 점과 화살표로 표시. 중앙 박스에 입원 검사와 추적 검사 데이터를 1차·2차·3차 순서로 입력하여 재입원/사망을 예측하는 흐름 도식화. 하단 왼쪽: LSTM 딥러닝 알고리즘으로 불규칙한 추적 검사 일정을 유연하게 학습한다는 설명. 하단 오른쪽: Shapley value 방법으로 환자별 재입원·사망 예측 주요 요인을 추정한다는 설명과 가로 막대그래프. 하단 주석: 유방암 재발 데이터 적용 시 AUC 76.4% 성능.
지속 검사에 따른 환자 재입원/사망 예측
데이터 기반으로 사전 재입원 및 사망 예측을 통해 조기 대응을 가능하게 하고 재입원 및 사망률을 경감시킵니다.

심부전증은 일반질병보다 재 입원률이 높으나 재입원 가능성이 높은 환자 예상이 어렵습니다.
* 국내 기준 약 25%의 재입원 발생

입원 및 외래 검사로부터 얻은 의료검사 수치들을 학습한 머신러닝 모델을 구축하여, 예기치 못한 다수의 재입원으로 환자의 생명을 위협하는 것을 방지하고 인력·물품·병실 등의 의료자원을 효율적으로 관리할 수 있습니다.

거래처 연체 위험 예측 시스템 아키텍처 다이어그램. 상단 ERP DB(표준화된 DB 관리)에서 데이터가 내려와 ‘일 단위 거래처 현금흐름/재무상황 프록시 변수 생성’ 단계와 AI 아이콘이 표시된 ‘거래처의 1주 후 연체 위험 지표화’ 단계를 순차적으로 거침. 왼쪽 출력: 사전 감지된 위험 거래선 정보로 ‘법인별 재무 상황 개요’ 대시보드와 ‘사전 감지된 위험 거래선 정보’ 대시보드 스크린샷 표시. 오른쪽 출력: 모든 거래처의 위험 점수 및 위험 인자 영향도를 DB에 적재.
거래선 재무 건전성 예측
매출 채권에 대한 장기연체(LO) 위험을 점수화하여 위험 거래선에 대한 사전 감지 정확도를 향상시키고, False Alarm을 감소시킵니다.

과거에는 담당자의 판단에 의해 채권 연체율을 관리하며 거래선 신용평가를 외부기관에 의존하였고, 거래선 별 장기연체 위험도에 대한 객관적 지표가 없었습니다.

부채 위험에 대한 점수를 제공하고, 광범위한 영향요인을 반영한 위험요소를 분석하여, 내부 데이터 기반의 객관적 판단 기준을 제공합니다.

또한 재무 관련 위험 발생 전 선제 대응 체계를 구축하고 채권 회수 위험에 대한 데이터를 종합적으로 분석합니다.

고객별 구매 가망 지수(PPM) 예측 모델 인포그래픽. 제목: ‘고객별 구매 가망 지수를 예측하여 구매 시기에 따른 구매 가망도 변동성을 수치화’. 세 단계로 구성. 왼쪽 ‘데이터 정제’: 고객·제품경험·캠페인반응 세 가지 입력 데이터 아이콘. 가운데 ‘고객별 구매 가망 지수’: 고객 프로파일링(브랜드 경험·고객 관심사·제품 보유성향·반응 최신성·타겟 제품 반응 → Exploratory 데이터 분석)과 제품 구매 예측(Customer Score 기반 제품A~D 수평 막대 비교 → 머신 러닝). 오른쪽 ‘활용 방안’: 구매 가망 고객 발굴(제품구매 고객 특성, Customer Scoring)과 캠페인 대상 설계(대중 타겟→집중 타겟, Engagement 집중)
고객 분석 및 구매 가망 고객 예측
보다 정밀하고 개인화된 캠페인으로 런칭 기간 동안 매출을 증대시킵니다.

방대한 고객 데모 정보와 캠페인 반응, 구매 이력 등의 행동 정보를 머신러닝 분류 기법에 적용합니다.

개인화된 타겟 마케팅을 통해 구매 전환율은 끌어올리며, 캠페인은 보다 경제적으로 구성하고, 광고 피로도와 이탈 고객 수를 감소시킬 수 있습니다.

매장 인력 계획 최적화 인포그래픽. 왼쪽에 태블릿을 함께 보는 두 직원 일러스트. 오른쪽 상단: ‘고객 방문 패턴 분석’과 ‘직원 스케줄정보’를 결합하여 번잡할 때(고객 응대 중심 최대 인력 투입)와 한가할 때(유휴 인력 재배치 및 직원역량 강화)로 구분하는 흐름도. 오른쪽 하단 ‘인력 계획’ 표: Part A·B를 Morning·Lunch·Afternoon·Night 시간대별로 사람 아이콘 수로 인원 표시, 범례는 Sales·Managers·Receptionists 도넛 차트.
매장별 방문 고객 예측
매장의 방문객 수를 예측하여 효율적인 인력 계획을 수립하고 고객 방문 패턴에 맞춘 인력 투입 최적화 및 고객 행동 데이터 분석을 통한 고객만족도를 향상시킬 수 있습니다.

[사업적 가치]
- 방문객 수 예측 결과 및 인건비, 구매전환율 예측을 통한 총매출액 추정, 매출 기회손실비용 11% 절감
- 고객 방문 패턴에 맞춘 직원 업무 투입 최적화를 통한 운영 효율성 향상 및 고객 행동 데이터 분석을 통한 고객만족도 향상

제품 런칭·이벤트 효과 측정 및 소셜 모니터링 인포그래픽. 상단 ‘런칭, 이벤트 효과 측정’: CES → 런칭이벤트 → D+3day(24hr Dashboard) → D+1W(72hr Dashboard) → D+1M(1 Month) 순서의 타임라인 꺾은선 차트와 Unpack report 표시. 하단 왼쪽 ‘이슈 키워드 모니터링’: Keyword Search·여론 추이 분석 패널로 버즈 트렌드 꺾은선, 언급 Site(AVSForum·Youtube·CNET 등), 연관어(QLED·Brightness·Samsung 등) 표시. 하단 오른쪽 ‘Influencer 추적 모니터링’: Net Sentiment(세로축)와 Engagement(가로축) 산점도에 인플루언서 이름과 프로필 아이콘 배치. 왼쪽에 컴퓨터 앞 직원 일러스트.
시장 반응 분석
SNS 등에서 발생하는 소비자의 Buzz로부터 소비자층의 긍/부정적인 피드백을 분석하여 시장의 반응을 신속하게 파악할 수 있습니다.

[사업적 가치]
- 소비자 Buzz로부터 브랜드, 제품 카테고리 등에 대한 소비자층의 부정적 여론에 대한 원인 파악, 신속한 대응으로 제품품질 관리
- SNS, 뉴스, 테크포럼 등 Buzz 및 Influencer 분석

※ Buzz : 소비자가 SNS, 뉴스, 테크 포럼 등의 웹 공간을 통해 내놓는 제품에 대한 의견

POS/SKU 수준 판매 예측 모델 인포그래픽. 왼쪽에 컴퓨터 앞 직원 일러스트. 오른쪽 네 영역으로 구성. 왼쪽 위 ‘일별 POS 판매 및 프로모션 내역’: Daily POS/SKU Sell-Out History 2014~2016년 점선 꺾은선 그래프. 오른쪽 위 ‘프로모션 정보’: 예측 인자별 영향도 측정으로 Price Effects·Seasonality·Lifecycle·Trend 네 개 미니 그래프. 왼쪽 아래 ‘Machine Learning Deep Learning’: Regression Model 산점도와 Deep Learning 신경망 아이콘. 오른쪽 아래 ‘POS/SKU 수준 예측’: Forecast Creation 막대 차트와 Analysis Report 스크린샷
제품 판매 예측
제품의 수요 및 판매 예측을 통해 판매를 극대화하고 정확도 높은 판매량 예측을 통한 프로모션의 효과를 분석할 수 있습니다.

[사업적 가치]
- 수요/판매 예측을 통해 판매 극대화 및 선제적 시장 대응
- 정확한 판매량 예측을 통한 프로모션 효과 분석
- 과거 판매 Trend를 통해 제품 수명주기 산출 및 신제품 출시 시기 조정 및 프로모션 기획

웨어러블 기기를 통해 수집된 심전도 데이터를 딥러닝 분석하여, 민감하고 다양한 종류의 부정맥을 높은 정확도로 판별할 수 있습니다. 병원 및 연구기관은 이와 같은 분석 결과를 치료 및 임상 연구에 활용할 수 있습니다.

클라우드 기반 심장 부정맥 탐지 솔루션(Cardio Solution) 아키텍처 및 AI 분석 인포그래픽. 상단 ‘클라우드 기반 Cardio Solution’: S-Patch 웨어러블 기기 → Patient watch app·Patient mobile app → Cloud Server → 심전도(ECG) 포털 순서의 데이터 흐름도. 하단 ‘AI를 통한 정확도 높은 부정맥 판별’: 왼쪽은 정상 심박수·빈맥(Tachycardia)·심근경색(Myocardial infarction) 세 가지 ECG 파형을 딥러닝(Subsampling·Convolutions·Fully connected) 구조로 분석하는 다이어그램. 오른쪽은 심방세동 ECG 파형 예시와 부정맥·심방세동·발작성 심방세동·심실상성 빈맥·심실성 빈맥·동방결절 차단·2도 방실 차단·심한 서맥(<40/분) 8개 탐지 항목 목록. 왼쪽에 청진기를 든 의사 일러스트.
딥러닝을 활용한 정확도 높은 심전도(ECG) 분석
웨어러블 기기를 통해 수집된 심전도 데이터를 딥러닝 분석하여, 민감하고 다양한 종류의 부정맥을 높은 정확도로 판별할 수 있습니다. 병원 및 연구기관은 이와 같은 분석 결과를 치료 및 임상 연구에 활용할 수 있습니다.

Awards & Recognition

글로벌 전문가들이 인정하는 삼성SDS

브라이틱스 머신러닝에 대해 더 자세히 알아보세요.


데모 영상

Workflow와 Jupyter Notebook 환경을 함께 사용할 수 있습니다.
Citizen DS가 코딩 없이 작업하는 Workflow Modeler 환경에서 코딩 기반의 분석 환경인 Jupyter Notebook을 연동하여 Professional DS가 개발한 모델을 불러와 사용할 수 있으며, 이를 통해 분석가들의 편리한 협업을 지원하며 원활한 공동의 분석 환경을 제공합니다.

개인화된 맞춤형 분석 환경을 제공합니다.
Sandbox를 통하여 분석가는 원하는 Library를 추가하고, Container 이미지를 생성하여 개인화된 분석 환경을 언제든지 구성할 수 있습니다. 또한 Jupyter 실행 시 Resource를 UI 기반으로 손쉽게 할당하고 사용할 수 있습니다.

Web App이나 Rest API로 배포가 가능한 Dynamic Report를 제공합니다.
분석 모델에 필요한 Parameter 값을 설정하여 언제 어디서든 사용자가 원하는 분석 모델 결과값을 Analytics App을 통해 확인할 수 있습니다. Analytics App의 작성은 5단계의 프로세스로 구성되어 있으며, 누구나 손쉽게 작성할 수 있도록 안내하고 있습니다.

자동화된 Br-OPT로 최적의 성능을 손쉽게 찾으세요.
빠르고 정확하게 수렴할 수 있는 최적의 Hyper-parameter를 찾아내는 작업은 머신러닝과 딥러닝의 기본이자, 어렵고 복잡한 작업 중 하나입니다. Br-OPT는 Hyper-parameter를 자동으로 최적화하고, 최적의 값을 찾아내는 과정을 UI로 쉽게 확인할 수 있습니다.

복잡한 코딩 없이 손쉽게 분석 결과를 분석 보고서로 생성하고 공유하세요.
브라이틱스는 Drag&Drop을 통해 다양한 사용자에게 입력 데이터와 분석 모델의 처리 결과를 리포트 형태로 제공합니다. 사용자가 리포트의 크기와 표시 방식을 선정하고, 스케줄러와 연동하는 것으로 정기 리포트가 생성됩니다. URL을 통해 리포트를 전달받은 사용자는 브라이틱스 로그인 절차 없이 분석 결과를 간편하게 조회할 수 있습니다.

가이드

사용자 가이드

브라이틱스 머신러닝에 대한 사용자 가이드입니다.

튜토리얼

브라이틱스 머신러닝에 대한 튜토리얼입니다.

차트 옵션 가이드

브라이틱스 머신러닝에 대한 차트 옵션 가이드입니다.

함수 도움말

브라이틱스 머신러닝에 대한 함수 도움말입니다.

개발자 가이드

브라이틱스 머신러닝에 대한 개발자 가이드입니다.

API

브라이틱스 머신러닝에 대한 API입니다.

자주 묻는 질문

  • 브라이틱스 AI는 Major 버전과 Minor 버전으로 출시 및 운영되고 있습니다. 일반적으로 연말에 신규 버전의 상품 출시를 하고, 정식 출시 이전에 필요에 따라 중간 릴리즈가 있을 수 있습니다. 릴리즈 노트는 브라이틱스 AI 포털(Documentation)에서 제공하고 있습니다.
    - Major : 기술 및 아키텍처 변경
    - Minor : 기능 변경/추가
    - Patch : 기능 개선 등의 중간 릴리즈
    - Hot fix : 버그 개선
    또한 새로운 버전이 출시될 경우, 아래와 같이 구버전 기술 지원 종료 정책(EoTS)을 갱신하여 고지하고 있습니다.
    https://www.samsungsds.com/kr/notice/1253556_4408.html

  • 2023년 상반기 기준 4.0 입니다.

관련 사이트

관련 오퍼링

contact_banner_background_image_pc

contact_banner_background_image_mobile

원하는 정보가 없다면, 고객지원을 통해 해 주세요.