[시승기] 벤츠 AMG S63 카브리올레의 ‘초과 달성’’

【니스(프랑스)=카미디어】 장진택 기자 = 프랑스 남부, 니스 일대에서 메르세데스-AMG S63 카브리올레를 시승했다 전반적인 느낌은 한 마디로 “말해 뭐해”다

이 차는 그저 S클래스의 지붕을 걷어낸 게 아니다 세상에서 가장 고급스러운 4인승 카브리올레를 목표로 만들어졌다 목표 달성을 쿠페 모델과 같은 무게, 동일한 차체 강성 및 주행 소음 역시 쿠페 모델과 비슷한 수준으로 낮췄다 쿠페보다 다소 무겁고, 다소 시끄러우며, 달리기 성능도 약간 부족했던 기존 카브리올레의 한계를 뛰어 넘은 것이다 결과적으로 쿠페만큼 잘 달리면서 지붕까지 열고 닫을 수 있는 카브리올레인 셈인데, 이 정도면 ‘초과 달성’ 훈장을 붙여줘야 하지 않을까

  S클래스 컨버터블을 시승하러 가는 마음은 사뭇 홀가분하다 차 잘 만드는 사람들이 모여 최고의 차를 목표로 (잔머리 안 굴리고) 자존심을 바짝 세워 만든 차다 이것저것 불편하게 따지는 게 거의 의미 없으므로, 그저 감탄사 몇 개 툭툭 던지면서 즐기면 된다 단, 당시 즐겼던 최고의 느낌은 기억해야 한다

S클래스를 비롯, 자타가 공인하는 명차들은 다른 차를 시승할 때 새로운 기준이 되기 때문이다 이번 시승에서도 이런 ‘기준’을 새롭게 발견했다 니스 공항에 도열된 메르세데스-AMG S63 카브리올레의 지붕이 좀 특이했다 천으로 만든 지붕이 다른 차에 비해 유독 팽팽해 보였다 ▲▲ 지붕이 매우 매끈하다

▲ 벤츠 외장 디자인 디렉터, 로버트 레스닉 씨 한가롭게 콜라를 마시고 있던 로버트 레스닉(벤츠 익스테리어 디자인 디렉터)에게 물었다 한 때 (피터 슈라이어의 권유로) 기아자동차에 와서 프라이드(3세대)와 스포티지(3세대) 등을 그려냈던 실력파 디자이너다 “레스닉 씨, 지붕이 유독 매끈한데, 너무 둔해 보이지 않나?” 명색이 ‘천 지붕’인데, 딱딱한 ‘철판 지붕’인 척, 매끈한 모양새에 내심 심술이 났던 거다 천 지붕만의 낭만을 못 살렸달까?

로버트 레스닉은 단호하게 답했다 “최고라서 그런 거야 옛날 마차처럼 너울거리는 지붕은 최고가 아니지 시속 200km를 넘을 때 (펄럭거리면서) 심각한 소음을 내거든” 아무렇지도 않게 시속 200km를 걱정하는 레스닉은 독일에서 매일 속도 무제한, 아우토반을 달리며 출퇴근하고 있다

그와 함께 많은 독일인들이 시속 200km를 자기 집 부엌처럼 드나들기 때문에, 천 지붕 컨버터블을 만들 때도 시속 200km를 염두에 둔다 그러니 시속 110km가 고작인 우리나라에서는 문제될 것이 거의 없다는 얘기다 메르세데스-AMG S63 카브리올레를 몰고 본격 시승에 나섰다 공항 인근 도로를 서행하면서 지붕여는 레버를 만지작거렸다 달리면서 지붕을 연다는 건 주목받는 일이다

니스 해변에서 달리면서 지붕을 들어올렸더니 곳곳에서 스마트폰이 ‘찰칵’ 거린다 시속 50km까지는 지붕을 열고 닫을 수 있다는데, 43km/h를 넘어서면서 지붕이 멈춘다 바닷바람이 좀 거칠었거나, 니스 해변의 아스팔트가 울퉁불퉁했던 탓이다  지붕을 열었더니 배기음이 일품이다

55리터 실린더에서 폭발해 트윈터보를 스치고 나오는 배기사운드가 아주 단단하다 엔진에서 나오는 소리는 보통 ‘(듣기 싫은) 소음’과 ‘(돈 내고도 듣고 싶은) 사운드”로 분류된다 이 중 소음은 확 줄이고 사운드는 맛있게 살리는 게 ‘상식적인’ 튜닝 포인트다 메르세데스-AMG의 기술진들은 여기에 조건 하나를 덧붙였다

운전석 앞에서 밀려 들어오는 건 ‘소음, 그리고 등 뒤에서 울리는 건 ‘사운드’라는 정의다 엔진은 앞에 있지만, (아무 소리 안 나도록 튜닝하고) 모든 사운드를 엉덩이 쪽 바닥 부근에서 토해낸다는 얘기다 그래야 더욱 뿌듯하게 달릴 수 있기 때문이다  ▲ 지붕 안쪽도 아주 매끈하다  고속도로로 다가가는 중간 쉼터에서 다시 지붕을 덮었다

뽀송뽀송한 솜털이 박힌 베이지색 스웨이드 지붕이 들뜬 머리카락을 간지럽혔다 적어도 실내에선 딱딱한 철판을 덮은 쿠페인지, 말랑말랑한 천 지붕 얹은 컨버터블인지 구분이 불가능했다 천정의 마감 수준이 감탄스러울 정도다 머리 위에 있는 베이지색 스웨이드와 청바지 천처럼 질긴 외피 사이에 두 겹의 솜(이불 같은 것)이 깔려 있다고 한다 이것 때문에 소음과 진동, 온도 등이 (쿠페 수준으로) 차단된다고 한다

제법 속도를 올려도 바람 소리는 크게 들리지 않았다 두툼한 외피와 두 겹의 솜, 부들부들한 스웨이드의 소음 차단 실력이 제법이다 뜨거운 태양열도 튕겨내서 시원한 에어컨 바람을 가두는 등의 ‘방열 효과’도 뛰어나다고 한다 하지만 모든 관심은 ‘시속 200km’에 쏠려 있었다 보톡스를 맞은 듯, (뼈대가 안 드러날 정도로) 팽팽하게 살이 오른 지붕이, 정말 시속 200km에서도 팔랑거리지 않는지 궁금했던 거다

마침 S클래스 컨버터블은 고속도로로 진입했다 힘껏 달리던 해치백들 사이로 유연하게 몸을 섞었다 왼쪽 사이드미러를 힘끔 쳐다봤다 아무 것도 없다 가속패달을 살짝 건드리면서 두어번 ‘으르렁’ 거렸더니 벌써 시속 130km를 넘고 있다

그런데 꽤 고요하다 아스팔트 위를 굴러가는 타이어 소음이 바닥에 튕겨 반사되는 느낌이다 누더기처럼 보수된 아스팔트를 지나칠 때만 ‘터더덕’ 소리가 올라온다 머리 위 상황도 마찬가지다 시속 130km의 바람이 천지붕을 세차게 할퀼텐데, 격한 소리는 들어오지 않는다

기여코 시속 200km을 넘어야 바람 소리를 토해낼 것인가? 가속패달을 더 밟았다 묵직하게 깔리는 585마력과 917kgm의 토크가 2톤이 넘는 차를 깃털처럼 갖고 논다 배기구가 몇 번 진동하더니 순식간에 160km/h를 넘어 180km/h 부근을 지나고 있다

천 지붕을 뚫고 바람 소리가 들리기 시작한다 괜히 ‘이긴 것 같다’는 생각에 입꼬리가 올라가던 순간, 룸미러에 경찰차가 반짝거린다 싸이렌을 울리며 하이빔을 깜빡거리는 걸로 봐서, 제대로 ‘걸린 것’ 같다 ‘아차, 여긴 아우토반이 아니었지!’ 제대로 걸렸다

시속 110km 제한 고속도로에서 180km/h를 넘겼으니, 무슨 벌을 받게 될까? 프랑스 경찰들도 어리둥절한 표정이다 웃는 얼굴로 국제면허증도 보여주고, “내 차가 아니고, 난 엄청난 부자도 아니”라며 웃겨 주기도 했다 그랬더니 웃는 얼굴로 “지금부터 운전하면 안 되고, 국제면허증은 압수하겠다”고 말한다 그리고 거금 250유로 짜리 범칙금 고지서도 받았다 천지붕에 바람 부딪히는 소리 한 번 들어보려고, 250유로라는 거금과 1개월 프랑스 운전 금지 처분까지 받았다

현장에서 현금으로 내면 좀 깎아줄 줄 알았는데, ‘고맙다’며 다 받아갔다 웃는 얼굴로… ▲ 함께 시승했던 류민 기자  면허증를 뺏긴 기자를 대신해 500km 가량을 혼자 운전했다  이게 다 벤츠 디자이너, 로버트 레스닉 때문이다

출발 전에 그와 시속 200km를 운운하며 컨버터블 바람 소리 얘기를 나눈 게 화근이었다 그와 계속 ‘아우토반’ 얘기를 나누다가, 아우토반에 있는 걸로 착각했던 거다 오스트리아와 프랑스, 독일을 넘나드는 출장 일정에 머리카락까지 ‘헤까닥’한 것 같다 프랑스 경찰을 만난 후에는 줄곧 동승석에 앉아 시승 일정을 마무리해야 했다 “1개월 내에 또 운전대를 잡으면 프랑스 감옥으로 갈 수 있다”는 말에 운전대 쪽은 바라보지도 않았다

동승석에 다소곳하게 앉아 585마력, 917kgm 토크의 AMG S63 카브리올레를 ‘간접적으로’ 느끼며 일정을 마무리해야 했다 사실, 이 시승기는 너무 창피해서 쓰지 않으려고 했다 로버트 레스닉 때문에 ‘헤까닥’해서 벌어진 일이긴 하지만, 속도 제한을 70km/h나 초과해 질주한 건 명명백백한 잘못이기 때문이다 이 자리를 빌어 다시 한 번 잘못을 반성하고, 다시는 규정 속도를 넘어 운전하지 않을 것을 맹세하며, 시승했던 AMG S63 카브리올레가 아주 훌륭하다는 얘기를 보태고 싶다

구체적으로 “이건 이래서 좋고, 저건 저래서 좋다”고 말하고 싶은데, 대부분 옆 자리에 앉아 ‘간접적으로’ 느낀 거라 별로 할 말이 없다 하지만 이건 확실하게 말할 수 있다 AMG S63 카브리올레는 시속 180km를 넘어서면서 세찬 바람 소리가 들어온다 누구한테 전해들은 게 아니라, 직접 체험한 경험담이다  

사륜구동장치까지 들어간 '메르세데스-AMG S63 카브리올레 4매틱'은 우리나라에서 2억3천8백만원이다

[한글자막] 크리스틴 스튜어트 인터뷰: 칸느영화제 감독 데뷰, 단편영화 ‘come swim’

제가 최근에 함께 작업한 여성들은 정말 놀라우리만큼 저에게 힘이 되어주었습니다 켈리 리처드 감독님 같은 분이 그러셨죠 천재감독님이시죠 누구도, 그 누구도,, 그 분처럼 스토리를 풀어나가지 못 할 겁니다 왜냐면 그 스토리들은 그 분에게서 나오고 그 분이 스토리입니다 제 말은 그게 다 이 산업이라는 것입니다

전 어떻게 보냐면 그런 모든 질문들이,, 있잖아요, 아마도 웹사이트에 조회수를 늘리고 싶은 사람들이 물어보는 뭐 그런 제 말 무슨 말인지 아시죠 그건 다 그런 목적의 질문들이죠 저는요, 어떤 것이든 일에서 촛점이 벗어난 질문들은 그리고 제가 일 하고자 하는 동기에서 벗어난 질문들은 대개 미디어와 돈을 위한 것들이죠 그래서 그런 것들은 항상 뭐랄까, 그냥 일어나는 일들이죠 그리고 덧붙이자면 전 샤넬 모델로 일하는데요 저는 그 일을 좋아하고 그 일에 대해서 얘기하는 것도 좋아합니다 그 얘기를 하는 것이 올바른 때에는요 저는 작가, 감독, 그리고 배우이고 싶습니다 저는 고용되어 일하는 것을 아주 좋아합니다 제가 원하는 것은, 배우로서요 누군가 저에게 힘을 불어넣어 주는 것을 원합니다 또 그런 다음에는 신뢰해주는 것을 원합니다 그것이 제가 바라는 모든 것입니다 크리스틴 스튜어트의 감독 데뷰작, 단편영화 'Come Swim'에서 제 머리 속을 떠나지 않는 하나의 고정된 이미지가 있었는데 한 남자가 매우 만족스럽게 바다 밑 바닥에서 흘러다니는데 그 곳은 잠을 자기에 쾌적한 곳은 명백히 아닌 곳임에도요 그리고 그 고립안에서 일종의 만족같은 것을 느끼고요 왜 그가 그 아래에 있고 싶어하는지에 대해서 궁금해하면서요 저는 정말 이 영화를 좀 더 길게 만들어 보고 싶습니다 왜 그러냐면,, 기본적으로,, 그 모든 대화들 그리고 그 모든 해설들을 제가 들어냈거든요 유형별로, 그의 반복되는 기억들 같은 것들, 그의 기억들이 그 스스로를 공격하는 그런 것들, 그리고 나서 끝에가서 깨닫게 됩니다 그게 전부라는 걸요 그들이 편지를 주고 받았던 것들, 또는 그가 가진 기억들이요: 그녀가 얘기하는 것, 그가 다르게 했었을 수 있는 모든 일들, 뭐 그런 것들이죠 이 모든 시들을 저는 정말로 낭독했고 저는 마치, 이봐, 나는 같은 시를 계속 쓰고 있었어, 4년동안,, 쓰고 또 쓰고 쓰고 또 쓰고 그래서 전 이것을 무언가에 넣어 만든다는 것에 이제 그것을 지나칠 수 있다는 것에 기분이 정말 좋았습니다 하지만 이 영화는 완성된 것이 아닙니다 제가 느끼기엔, 명확하게,, 단편영화를 끝맺는다는 것은요 영화를 1시간 분량으로 만들 수도, 15분 분량으로도 5분으로 만들 수도 있고, 저는 결국 18분 분량으로 만들었지만요 제가 만약 그렇게 할 수만 있다면, 계속 작업할 수 있다면 저는 그것을 장편영화 분량으로 만들었을 겁니다 제가 그 4년동안의 기간을 제가 이제 치워버릴 수 있게요 그래서 제가 이제 나아갈 수 있도록이요 제가 나아가지 않았기 때문에가 아니지만요 '무슨 뜻이에요?' 하지만 네, 전 명확합니다 좀 더 긴 영화를 만들고 싶습니다

왕따(이지메)가 첫사랑을 하면 벌어지는 비극. (최고로 감성적인 영화)

'릴리 슈슈'의 노래를 너무나 사랑하는 열네 살 소년 유이치 소년의 유일한 안식처는 오로지 영혼을 뒤흔드는 듯한 릴리 슈슈의 노래 뿐입니다 청량한 논밭 위에서 릴리슈슈의 노래는 그에게 상처를 보듬어주는 엄마이자 악을 정화해주는 성녀이죠 그러나 현실은 노래로 감출 만큼 만만하지 않았습니다 다음 역은 사노입니다 기차에 타고 있는 유이치와 친구들 기회를 옅보다 건너편에 잠든 남자의 가방을 훔칩니다 범죄를 익숙하게 저지르는 소년들이지만 수표나 채권을 그저 종이쪼가리 인줄 알고 불에 태워버립니다 어린시절 무심코 저지르는 순수한 악의 표상인듯 합니다 뭐야 김 새게 이번엔 cd판매점에 가는 소년들 대담하게 가방에 cd를 쓸어담고는 출입구로 달려가 도망칩니다 인적이 드문 곳에서 cd잠금장치를 부수고는 리셀러에게 팔아버리죠 보호자 동의서 여기 있어요 이거 파는 거예요? 갖고 싶음 가져 버리려고 하던 거야 그곳에서 릴리슈슈의 포스터를 보게된 유이치 무거운 포스터를 뒤에 이고 갑니다 릴리슈슈의 새 앨범이 발매된 날 유이치는 친구들에게 배운 버릇대로 cd를 훔치게 되고 이번엔 덜미를 잡히고 맙니다 유이치의 보호자로서 가게로 온 사람은 부모님이 아니라 중학교 담임선생님 아유 중학교의 오사나이라고 합니다 이거 한 장인데요 선생님은 cd를 사면 되지 왜 훔쳤냐고 나무랍니다 뭐 하는거야 이런 건 돈 주고 사면 되잖아 하지만 유이치는 말하지 못할 사정이 있는 듯 침묵합니다 피아노를 치는 여학생의 연주를 들으며 부모님과의 면담을 기다리는 유이치 복도에 울려 퍼지는 드뷔시의 아라베스크는 릴리슈슈와 같이 유이치의 상처를 보듬어주는 에테르가 되는듯 지고있는 태양은 복도의 한켠을 비추고 있습니다 재밌었나 재밌을 리 없지 유이치를 기다리고 있는 사람은 만삭의 어머니 어머님홀몸이 아니셨군요 축하드립니다 체육교사는 어머니에게 유이치가 cd를 훔친 일을 이야기 합니다 유이치군이

도둑질을 했습니다 그런데예정일은 언제입니까? 너 도대체 뭐 하고 다니는거야 유이치의 엄마는 그 얘기를 듣고 지나치게 아들을 혼내며 감정을 쏟아냅니다 이 고통스러운 순간에도 유이치에게 들리는건 오로지 드뷔시의 아라베스크 였습니다 밤중에 유이치에게 걸려온 전화 여보세요 나야, 호시노 전화를 받고는 한밤중 자전거를 타고 어딘가로 향합니다 폐차장으로 보이는 으슥한 곳에서 유이치의 자전거를 부숴버리고 괴롭히는 아이들 너, 왜 불렀는지 알지? 유이치는 이지메를 당하고 있던 것입니다 딸딸이 쳐봐 -딸딸이 쳐 -똑바로 못 해? 힘 줘서 하란 말야 하나, 둘, 셋, 넷 물건을 훔치도록 시키고 상식을 넘어서 성추행하고 괴롭히는 이 양아치들을 전두지휘하는 위치에 있는 '호시노 슈스케' 돌은 던지지 마! 죽잖아 죽으면 어때서? 이제 됐어 가자 기분 나빠 신입생 대표 답사 1학년 2반 호시노 슈스케 군 네! 영화는 시간을 거슬러 올라가 중학교 입학식을 보여줍니다 유이치의 눈빛에 생기가 가득했던 날 호시노는 입학식 신입생 대표로 나선 모범생입니다 어쩌다 그가 타락해버린 것일까요 신뢰 할 수 있는 친구를 많이 만들고 싶습니다 신입생 대표 호시노 슈스케 색에 비유하자면 장미빛 지금이 잿빛이라고 하면 중학교의 검도부 이때의 호시노는 내성적이며 피해의식이 있는 소년이었습니다 아유 출신 호시노 슈스케입니다 강해지고 싶어서 지원했습니다 잘 부탁합니다 강해지고 싶어서 검도부에 왔다는 그의 자기소개 입학식 때 그 놈 아냐? 까불지 마 임마 입학한 뒤 시간이 지나 친한 친구가 된 유이치와 호시노 그리고 다른 아이들이 장난을 치며 노는 중 호시노의 초등학교 동창이 시비를 겁니다 호시노! 호시노! 왕따 당하고 있냐 씹새야 쳐다 보기는 -눈 깔고 돌려 -그렇다고 돌리냐 친구들은 호시노가 초등학생때 이지메를 당했던 피해자였음을 알게 되죠 저거 완전 돌인데! 눈에 거슬려 꺼져 새꺄 -넌 뭐야 이 새끼야 -넌 뭐야 왕따에서 학생회장까지 파란만장하게 살았네 왕따 처럼 생기진 않았는데 그렇게 생겼어 왕따처럼 생긴건 과연 뭘까요 여름에 오키나와로 여행을 간 아이들 삶에서 얼마 안되는 찬란한 때를 즐기는 아이들 이때의 추억은 카메라에 온전히 담겨 찬란했던 기억은 순간이었으며 정해져있는 미래를 먼저 알고 있는 관객은 안타까운 감정에 사무치는 아이러니를 느끼게 됩니다 1999년 9월 1일 신학기 그 날을 경계로 세계는 잿빛이 되었다 -안녕 -오랜만이다 지금 네 얘기하고 있었어 어이, 쯔지! 그 대가린 뭐냐 이누부시 앙? 너가 그런말을 하면 안되지 어디서 잘난 척이야 얼굴 근육 풀어 -뭐야 -이거 놔 너희 둘 제대로 붙잡고 있어라? 점핑 바디 프레 어느날 자신에게 시비를 거는 양아치에게 복수하는 호시노 저녀석 칼 들고있어

이때부터 호시노의 타락이 시작됩니다 단지, 복수로 시작된 폭력이지만 그는 피해자이자 가해자가 되고 가해자가 피해자가 되는 폭력의 순환성이 담긴 장면이 보여집니다 호시노의 폭력성은 멈추지 않고 점점 심해지죠 제대로 안해? 어이! 이거 받아 주워 그때부터 유이치는 이지메를 당하게 됩니다 너 호시노 패거리 꼬붕이라매 원조교제를 하는 여학생을 관리하게 되고 드뷔시의 아라베스크를 연주했던 유이치의 첫사랑은 성폭행을 당하게 됩니다 고독으로 인한 순수한 악에 물든 아이들의 모습을 감정적 여과없이 그대로 보여주는 이 영화 이와이 슌지 감독의 릴리 슈슈의 모든것 입니다 이와이 슌지 감독은 인터넷 bbs 게시판 형식을 빌려서 실제로 홈페이지를 만들고 마치 현실인 양 릴리 슈슈의 정보 사건 등을 게시판에 올렸습니다 댓글 하나하나까지 철저히 기획해서 감독은 스스로 다중인격이 되어 여러 개의 아이디로 글을 남겼습니다 사이트에 대한 소문이 퍼지고 '컬트 사이트'로 유행하면서 많은 독자가 참여하게 되었는데 이는 감독이 의도한 것이었죠 게시판은 독자가 참여하는 한편의 '극'이 되어서 감독은 이것을 바탕으로 소설 '릴리 슈슈의 모든 것'을 출판하게 됩니다 4월 1일 릴리 팬 사이트 '릴리 홀릭' 오픈 이야기는 여기부터 시작한다 촬영 시작합니다 이윽고 릴리 슈슈의 모든것 소설이 영화화 됩니다 등장인물의 대부분이 중학생인 만큼 대부분 아마추어들이 뽑혔는데 연기를 잘한다고는 하지만 아직 미숙해서 실험적인 것이기도 했습니다 조연급 중학생들도 거의 연기 경험이 없는 아이들이라 이와이 감독은 촬영 내내 직접 연기나 표정을 지도했다고 합니다 -엄청 긴장했어요 -그렇지 릴리 슈슈의 모든것에서 아이들에게 남은 거라곤 고통과 슬픔 절망과 허무밖에 없습니다 가해자이자 피해자 그리고 피해자이자 가해자인 폭력의 순환속의 고독한 아이들은 아버지뻘 아저씨들에게 몸을 팔고 여자아이들의 질투때문에 성폭행을 당하고 서러움 사이사이에 간혹 찾아오는 아름다움과 기쁨, 용기와 행복은 찰나에 불과합니다 결국 이영화에서 아이들이 유일하게 위안을 얻을 수 있는 곳은 가수 릴리 슈슈의 음악뿐입니다 그들은 오로지 릴리 슈슈의 음악 안에서 그 음악이 갖고 있는 '에테르'를 통해서 자유를 얻고 정화될 수 있다고 믿습니다 "나 여기 있어 그렇게 외치고 싶어서 이 글을 적고 있는지도 모른다"며 삶의 고독 한가운데에 내던져진 청소년기 아이들이 전하는 감정은 유난히 진합니다 당신은 이 감정의 소용돌이에서 헤어나오기 힘들 것입니다 지금까지 시네마천국이었습니다

비난 성폭행, 김기덕 ‘붕괴 예측’

비난 성폭행, 김기덕 '붕괴 예측' 최악의 미투다 김기덕 감독의 강간 혐의를 실시간 보도한 외신 할리우드 리포터의 표현이다 김기덕 감독이 미투(Me Too) 운동 고발 대상자로 성폭행 혐의를 받게 됐다

추행이건 폭력이건 사건 구별없이 모두 비난받아 마땅하지만 김기덕 사건은 그 심각성의 수위가 역대급이다 여배우들의 증언에 따르면 오로지 성관계를 위해 살아온 인생이라도 봐도 무방할 정도다 6일 방송된 MBC PD수첩에서는 영화감독 김기덕, 거장의 민낯이라는 주제로 김기덕 감독에게 성추행 및 성폭행을 당한 여성들의 인터뷰가 공개됐다 뫼비우스 촬영 당시 폭행·성희롱 건으로 4년 후 김기덕 감독을 고소한 여배우A, 김기덕 감독 영화 오디션을 봤던 여배우B, 김기덕 감독 영화 여주인공으로 출연했던 여배우C가 입을 열었다 여배우들은 폭로했고, 눈물로 과거의 아픔을 고백했다

김기덕 감독은 가정이 있는 사람으로서 부끄럽고 후회한다는 입장을 전했디만 강제성은 없었다고 강조했다 하지만 몇 글자의 사과문 아닌 변명문이 김기덕 감독을 둘러싼 혐의와 논란을 벗겨낼 수는 없다 보도 후 김기덕 감독은 물론 알려진 측근들까지 일단 침묵을 지키고 있다 제68회 베를린국제영화제에 초청받아 기대를 모은 김기덕 감독의 신작 인간, 공간, 시간 그리고 인간은 국내 개봉이 무기한 연기됐다 영화계는 그럴 줄 알았다, 터질 것이 터졌다는 반응이다

하지만 알면서도 드러내지 않은 방관자 행태 역시 비난받아 마땅하다 사안이 사안인 만큼 경찰 조사 가능성도 대두되고 있다 피해를 입고도 꽁꽁 숨어 살아야 했던 피해자들처럼 이제는 김기덕 감독의 손발이 묶일 차례다 [이슈IS] 거장에서 성폭행범으로…김기덕 예견된 추락 일상이 성희롱…강압적 성폭행 공포

여배우 A는 김기덕 감독은 촬영 전부터 성관계를 요구했다 성희롱과 성추행은 일상이다 성기 등을 적나라하게 말하고 성적 수치심을 주는 발언으로 모욕감을 준다 영화 이야기보다 성적 사생활을 더 많이 이야기 했다며 또 다른 여성과 함께 셋이 자자는 말도 했다 거부했더니 감독을 믿지 못한다고 했다

그리고 영화에서 하차했다 비참했다고 고백했다 여배우 B는 오디션을 본 후 따로 만나자는 김기덕 감독의 말에 한 카페로 나갔다 오디션 때 네 가슴을 봤다 상상해 보니 복숭아일 것 같다

내 성기는 어떤 모양일 것 같냐 너의 몸을 보고 싶은데 같이 갈 수 있냐는 말들을 했다 당황해 제대로 답을 할 수 없었고, 몰래 카페를 빠져 나왔다 한달간 멘붕이었다고 털어놨다 여배우 C는 촬영 전부터 상습적 성추행을 일삼았고 여러번 거부했지만 결국 성폭행을 당했다

현장 숙소에 있으면 김기덕 감독과 조재현, 조재현 매니저가 돌아가면서 방문을 두드렸다 불안했고 무서웠고 지옥 같았다 그들은 여자를 겁탈하려는 하이에나였다며 이후 몇 년간 죽었다는 소문이 돌만큼 세상과 단절하고 살았다 하지만 나와 다르게 승승장구 하는 그들을 보면 역겹다 죄책감이 든다며 오열했다

[이슈IS] 거장에서 성폭행범으로…김기덕 예견된 추락 합의된 성관계 김기덕 치졸한 해명 김기덕 감독과 측근들은 묵묵부답으로 일관하고 있다 당장 어떤 해명을 하거나 사과문으로 사태가 일단락 되지 않을 것이라는 것은 그들도 알고 있을 터 앞서 여배우 A에게 폭행 및 강요, 강체추행치상 혐의로 피소 당한 후 벌금 500만원의 약식 명령을 받았던 김기덕 감독은 베를린영화제 기자회견에서 영화가 폭력적이라도 내 삶은 그렇지 않다는 입장을 분명히 했다

그는 영화를 만들 때 두 가지를 가장 중요하게 생각한다 첫째는 안전, 둘째는 존중이다 누구에게도 상처와 고통을 줘서는 안 되고, 영화가 아무리 위하다고 해도 누군가의 인격을 모독하거나 함부로 대해서는 안 된다고 강조했다 이 같은 속는 PD수첩 측에 보낸 메시지와도 어느정도 일맥 상통한다 김기덕 감독은 영화감독이란 지위로 개인적 욕구를 채운 적 없다

상대의 마음을 얻기 위해 키스 한 적은 있지만 동의없이 그 이상 행위를 한 적은 없다 서로에 대한 호감으로 육체적 관계를 가진 적은 있다 가정을 가진 사람으로 매우 부끄럽게 생각하고 후회한다고 밝혔다 외도와 부적절한 관계는 인정하지만 강제성은 없다는 것 대부분의 성범죄 가해자들이 내놓는 술수다

[이슈IS] 거장에서 성폭행범으로…김기덕 예견된 추락 신작 개봉 불투명…배우들도 망연자실 김기덕 감독 신작 인간, 공간, 시간 그리고 인간의 국내 개봉은 보류를 넘어 사장될 가능성이 높다 상반기 국내 개봉을 추진했지만 올스톱이다 작품은 다양한 연령과 직업군의 사람들이 퇴역한 군함을 타고 여행을 하던 중 겪게되는 인간의 탐욕과 이기심 등 인류의 삶에 대한 이야기를 다룬다

극중 여자 주인공이 30여분 만에 5명의 남자에게 강간 당하는 장면이 담긴 것으로 알려져 개봉을 해도 파문을 일 것으로 점쳐진다 한국배우 장근석·안성기·이성재·류승범을 비롯해 일본배우 후지이 미나·오다기리 죠 등 한일 특급 배우들이 합류하면서 김기덕 감독 작품 속 이들의 모습에 기대를 높이기도 했다 한 배우 측 관계자는 뫼비우스 관련 고소건이 터졌을 때부터 불안한 마음은 있었다 벌금형으로 끝났고, 해외 영화제에 초청 받으면서 안도하긴 했지만 이후 미투 운동 스케일이 커지지 않았나 피할 수는 없을 것 같더라

물론 이렇게 큰 폭로가 나올 줄은 상상도 못했다 우리도 분노하게 되는데 피해자는 어떨까 싶다고 말했다 [이슈IS] 거장에서 성폭행범으로…김기덕 예견된 추락 국제망신 외신도 강간혐의 감독 집중 국제적 망신이다

해외에서 이름을 날린 경력이 독으로 돌아왔다 할리우드 리포터는 한국 영화감독 김기덕 감독의 강간 혐의라는 헤드라인으로 김기덕 감독 사건에 대해 보도했다 할리우드 리포터는 MBC PD수첩 내용을 디테일하게 적으며 현재 한국에서 불고 있는 미투 열풍 가운데 가장 충격적인 내용이다 최악의 미투다 김기덕 감독과 조재현은 한국의 팀 버튼과 조니뎁 같은 관계다고 설명했다

업계 관계자들은 개인의 문제가 아닌 엄연한 범죄다 해외 활동에도 제약이 있을 것으로 보인다고 내다봤다 [이슈IS] 거장에서 성폭행범으로…김기덕 예견된 추락 예견된 추락? 거장=미끼 김기덕作 재평가 김기덕 감독의 작품을 예술로 포장하며 애정했던 영화 팬들은 충격을 금치 못했고, 대중은 분노했다

여배우C의 고백으로 김기덕 감독이 연출하고 조재현이 주연으로 나선 나쁜남자가 주목받고 있는 가운데, 김기덕 감독의 영화들을 모조리 재평가 해야 한다는 반응이 쏟아지고 있다 예술로 포장된 성폭행범의 잔재일 뿐이다는 과격한 표현도 서슴지 않는다 이 과정에서 과거 김기덕 감독에 대한 폭로성 글들이 재조명 받고 있기도 하다 충무로의 한 관계자는 김기덕 감독에 대한 이야기는 소문으로만 들었다 암암리에 전해진 이야기들이 모두 사실이라면 피해자들 역시 더 많지 않겠냐

누구도 나서서 사실관계를 파악하려 하지 않았던 것은 영화계가 모두 반성해야 할 문제다며 거장이라는 수식어는 이미 먹칠됐다 그는 그 타이틀을 여배우를 희롱하는 미끼로 사용했다 스스로 나와 입을 열고 책임져야 할 일은 책임져야 할 것이다고 단언했다

Scaling Machine Learning on Industrial Time Series with Cloud Bigtable and AutoML (Cloud Next ’18)

[음악 재생] GEIR ENGDAHL : 내 이름은 Geir Engdahl입니다 저는 CTO이며 Cognite의 공동 설립자입니다

나는 카터 페이지를 가지고있다 그리고 우리는 Cognite가 어떻게 Google Cloud 기술을 사용하여 기기 사용 설정 산업 데이터 학습 특히 시계열 데이터에 대해 이야기하겠습니다 Bigtable이 핵심 기술 및 문제 중 두 가지입니다 우리가 해결하고있다

그래서 코냑에 대해 조금 우리는 2 살 미만의 젊은 회사입니다 100 명의 직원을 방금 넘었습니다 우리는 자산 집중 산업과 함께 일하고 있습니다 그래서 그것은 기본적으로 대기업을 의미합니다

많은 돈을 요하는 큰 기계를 가지고있는 사람들 – 석유 및 가스 분야에서 수직적으로 많이 운송되고 있습니다 우리의 사명은 산업 데이터를 자유화하는 것입니다 사일로에서 데이터를 함께 조각 산업 현실 모델을 형성하다 인간과 기계가 더 나은 결정을 내릴 수 있도록 더 나은 행동을 취하십시오 실시간으로 역사적인 모델입니다 무슨 일이 일어나고 있는지 두 가지 상태를 모두 가질 수 있습니다

그리고 모든 이전 데이터도 가지고 있습니다 미래를 예측하려는 경우 중요합니다 산업 리얼리티 모델은 정확히 무엇입니까? 음, 조금만 보여 주려고 노력할 것입니다 그것을 보는 방법에 달려 있습니다 그래서이 모델을보기에는 여러 가지 각도가 있습니다

이것은 일반적인 운영자보기입니다 그래서 당신이 산업 공장의 통제실에 있다면, 이것은 일반적으로 볼 수있는 것과 매우 가깝습니다 이것은 현재 북해에서 실시간으로 스트리밍되는 데이터입니다 약 1 ~ 2 초의 지연이 있습니다 그것은 기름에 외부 단일 탱크에 관한 데이터입니다 플랫폼 또는 실제로

탱크는 20VA0002라고합니다 그리고 전형적인 오일 플랫폼은 10,000 ~ 100,000 개의 센서, 시계열, 이렇게 그래서 여기에 당신은 한 줌 있습니다 그러나 그것은 단지 거대한 기계의 작은 조각 일뿐입니다 그래서 이것은 지금 일어나고있는 일종의 실시간입니다

당신은 또한 분석가로서, 과거에 무슨 일이 있었는지 이 구불 구불 한 선들은 각각 약 1 기가 바이트 데이터의 이것은 1 년간의 데이터입니다 나는이 차트가 정말 마음에 든다 그걸 가지고 노는 건 내 취미 야

Google 어스와 같습니다 모든 해상도에서 데이터를 확대하고 볼 수 있습니다 그리고 이것이 대략 10 기가 바이트의 데이터라는 점을 감안할 때, 당신은 아마 다음 Wi-Fi가 모든 데이터를 빠르게 다운로드 할 수 있습니다 따라서 데이터를 신속하게 정리할 수있는 백엔드가 필요합니다 원하는 해상도로 데이터를 제공하십시오

그리고 여기까지 내려갈 수 있습니다 농촌 데이터 포인트로 이동합니다 당신이 충분히 확대 할 때 그리고 물론, 당신은 다른 방식으로 이것을 볼 수 있습니다 그래서 이것은 인간이 좋아하는 경향이있는 견해입니다

그것은 3 차원적인 관점입니다 우리는 오일 플랫폼의 전체 CAD 모델을 가져 왔습니다 그리고 다른 모든 데이터와 연결했습니다 예를 들어, 우리가 단지 탱크를보고 싶다면 20VA0002라는 적절한 이름의 데이터를 보았습니다 정확히 어디 있는지, 그리고 어떻게 생겼는지 알 수 있습니다

그리고 그것이 연결된 것 그래서 여러분은 3 차원에서 데이터를 탐색합니다 너에게 무엇에 대한 약간의 인상을주기 위해서 우리는 산업 현실 모델을 의미합니다 이 모델을 최신 상태로 유지하고 싶습니다

오늘의 데이터와 과거에 있었던 일에 대한 그건 그렇고, 방금 전 소개 한 차트 라이브러리, 우리는 그것을 발견 할 수 없었다 그래서 우리는 그것을 만들어야했습니다 그리고 우리는 그것을 오픈 소스했습니다 그래서 관심이 있다면, 당신은 그것을 사용할 수 있습니다 Cognite 백엔드와 밀접하게 연결되어 있지 않습니다

그래서 당신에게 당신을 줄 수있는 제공자가 있다면 다른 솔루션에서 데이터를 사용할 수 있습니다 [? uses react?]를 클릭하십시오 그래서 섭취 될 데이터의 규모가 엄청납니다 그리고 그것은 매우 빠르게 성장하고 있습니다 보시면 Cognite가 다양한 데이터 유형을 처리합니다

산업 현실의 모델을 구축한다 그래서 그것은 ERP 데이터가 될 수 있습니다 유지 관리 로그 일 수 있습니다 3D 모델이 될 수도 있습니다 그러나 당신이 양에 의하여 자료를 보는 경우에, 우리가 가지고있는 데이터의 99

7 %는 시계열 데이터입니다 거대한 데이터가있는 곳입니다 비록 3D 모델이 컸지 만 – 그것은 약 10 기가 바이트였습니다 시계열 데이터는 왜곡됩니다 폭발하고 있습니다

그리고 그 모든 시계열 데이터는 어딘가로 갈 필요가 있습니다 저장해야합니다 처리해야합니다 질의 할 수 있어야합니다 그럼 우리가 어떻게해야합니까? 두포의 밑에 무엇이 있는가? 그래서 우리가 코냑을 짓기 시작했을 때, 우리는 몇 가지 원칙으로 시작했습니다

그리고 그 중 하나가 충격입니다 그리고 이것을 말하는 것이 이상하게 보입니다 그러나 문제를 해결하기 위해서는 그것을 적어 두어야합니다 기술자로서 쉽게 구축 할 수 있습니다 시원한 기술이기 때문에 기술입니다

그리고 저는 과거에 그런 죄를지었습니다 우리는 커다란 고객을 가지고있어서 운이 좋았습니다 까다로운 고객, 조기 안내 진정한 가치를 창출하기 위해 실제 사용 사례가 무엇인지 찾아야합니다 그리고 속도가 있습니다 그래서 가능한 한 빨리 보여주고 싶습니다

반복 할 수 있으므로 피드백을 얻을 수 있습니다 그리고 그 두 가지가 합쳐지면 그 결과가 있습니다 그리고 그게 어디서나 관리 된 서비스를 사용하려는 것입니다 특히 상태있는 모든 것에 대해 할 수 있습니다 상태 저장 서비스를 처리하면 위아래로 확장해야합니다

백업, 중복성 확보, 누가 데이터에 액세스했는지에 대한 모든 로그를 가지고 있어야합니다 그 모든 것들은 구현하기에 고통 스러울뿐입니다 그리고 그것은 당신을 감속시킬 것입니다 그리고 그것은 뭔가가 아닙니다 예, 끝났습니다

그래서 우리는 매우 일찍 우리는 시계열이 필요하다는 것을 인식했습니다 데이터 베이스 그리고 우리의 가설은 우리가 이것을 얻을 수 있다는 것이 었습니다 관리 서비스로도 이것에 대한 API 지원으로 무언가가 될 것입니다 그리고 우리의 요구 사항은 견고하고 내구성이 있어야한다는 것이 었습니다

따라서 우리는 데이터를 삭제하지 않는다는 것을 의미합니다 데이터 포인트를 삭제할 필요가 없습니다 거대한 양의 읽기와 쓰기를 지원해야합니다 특히 씁니다 당신은 항상 새로운 데이터를 얻습니다

낮은 지연 시간을 통해 실시간으로 보여줄 수 있습니다 무슨 일이 벌어지고 있는지 – 언제든지 데이터를 볼 수 있습니다 그래서 당신은 축소 된보기와 확대 된보기를 원합니다 내가 너에게 보여준 것 당신은 효율적으로 백 필을 원할 수 있습니다

따라서 새로운 고객을 온보드하는 경우, 그 고객은 초당 백만 데이터 포인트를가집니다 생성, 당신은 2 수백만을 처리 할 수 ​​있습니다, 백필은 오랜 시간이 걸릴 것입니다 그들이 1 년 동안 데이터를 백업해야한다면, 네가 오기 전에 또 1 년이 걸릴거야 그걸로 끝났어 왜냐하면 너는 백만 달러를 쓸거야

새 데이터에 대한 용량 및 초당 백만 옛날에 그리고 효율적으로 매핑 할 수 있기를 원합니다 데이터를 순서대로 예를 들어, 순차적으로 교육 모델을 읽습니다 그래서 우리는 처음에는 OpenTSDB를 실험했습니다 그것은 훌륭한 소프트웨어입니다

멋진 점은 Bigtable을 사용할 수 있다는 것입니다 관리되는 스토리지 백엔드입니다 따라서 Bigtable을 OpenTSDB와 함께 백 엔드로 사용할 수 있습니다 어느 것이 아주 좋지만 몇 가지 결점이있었습니다 예를 들어, 내구성이 없습니다

즉, 데이터를 데이터 포인트로 보내는 경우, 그것은 그것의 앞에 자료 점이다는 것을 인정할 것이다 서면으로, 이는 잠재적으로 데이터를 잃을 수 있음을 의미합니다 만약 당신이 위아래로 스케일링하고 있다면 그리고 그것은 본질적으로 앞쪽 채우기 경로를 사용했습니다 일괄 백필의 경우 매우 비효율적 인 백 필링을 수행했습니다 그리고 몇 가지 다른 것들이있었습니다

그래서 우리는 우리 자신의 시계열을 만들기로 결정했습니다 Bigtable의 위에 논리 Bigtable은 완전히 관리되는 서비스로, 우리는 정말로 원했다 그것은 노드에 대한 많은 수의 읽기 및 쓰기를 지원합니다 초대형 사용자를 대상으로 시도 및 테스트되었습니다

Google의 분산 시스템 그리고 대부분의 시계열 데이터베이스 그러지 마라 대부분의 핵심 가치 상점에는 이는 효율적으로 앞으로 스캔 할 수 있다는 것입니다 키는 순서대로 저장됩니다 많은 키 값 저장소가 키를 해시합니다 로드가 고르게 분산되도록하십시오

그러나 Bigtable은 그렇게하지 않습니다 그래서 당신이 뛰어 내릴 필요가 없다는 것을 의미합니다 순차적 인 데이터를 읽는 중입니다 그것은 또한 – 그 반대면은 상황에 부딪 치기 쉽다는 것입니다 핫스팟을 얻을 수 있습니다

따라서 코드를 작성해야합니다 하지만 우리에게는 가격이라는 것입니다 우리에게 그만한 가치가있었습니다 그래서 나는 그것을 카터 페이지 (Carter Page) 클라우드 빅 테이블 (Cloud Bigtable)의 선임 엔지니어링 매니저입니다 고마워, 게일

그래서 나는 조금 이야기 할 것이다 [박수 갈채] Cloud Bigtable에 대해 조금 이야기하겠습니다 어떻게 그것이 IoT에 잘 어울리고 왜 우리가 보는지 더 많은 고객이 방문합니다 나는 특히 흥분된다고 말하고 싶다 Cognite와 함께 발표

나는 그들이하는 일이 정말로 산뜻하다고 생각합니다 나는 충격적인 일을하는 것에 대한 그의 요점을 생각한다 IoT의 포괄적 인 이야기를하는 것은 매우 흥미 롭습니다 이러한 장치를 연결하는 것이 아니라 데이터를 가져 오지 만 문자 그대로 수만 개의 장치 – 한 사람이 실제로 모니터 할 수있는 것보다 데이터 추출 방법, 반응 방법, 매우 위험한 자산 상황을 관리합니다 그리고 나서 그는 정말 멋진 것들에 빠지게 될 것입니다

하지만 조금 이야기 해 보자 Cloud Bigtable 이러한 유형의 사용 사례에 적합한지를 확인하십시오 손을 대면 바로 관객의 감각, 분산에 익숙한 사람 카산드라, HBase 같은 데이터베이스? 승인 좋아, 그럼 이건되지 않을거야 대부분의 사람들에게 로켓 과학

특히 대규모 IoT 사용 사례에서 가장 중요한 점은 사람들은 엄청난 양의 통계를 수집하려고합니다 이 대규모 트래픽을 처리 할 수있게되었습니다 그래서 2 년 전, 예를 들어, 우리는 회사와 부하 테스트를했습니다 우리는 미국의 모든 무역 시장을 근본적으로 시뮬레이션했습니다 모두 함께 처리됩니다

우리는 약 1 시간 만에 250 억 개의 레코드를 처리했습니다 Cloud Bigtable의 규모 때문입니다 그리고 그것이 어떻게 작동하는지 우리는 초당 약 34 기가 바이트 Bigtable에서 초당 약 3400 만 건의 작업 단일 인스턴스에서 Bigtable이 구축 되었기 때문에 이것이 작동하는 이유는 매우 높은 확장 성

그리고 당신은 필수적인 선형 특성 탈출구를 얻습니다 곡선에 Bigtable은 처음 Google에서 디자인했습니다 Google 크롤러의 백업 저장소로 사용됩니다 그래서 World Wide Web의 복사본을 보관하기 위해 저장되었습니다

내부적으로 확장되었습니다 다른 많은 제품에도 사용되고 있습니다 그래서 우리는 약 14 년의 공학을 보냈습니다 계속 새로운 상한선을 찾아 내고 그것들을 깨는 것 그래서 모든 분산 시스템, 결국 당신은 외출하는이 직선을 가져라

결국 그것은 평평해진다 모든 것은 결국 병목 현상을 일으 킵니다 아니면 뭔가를 때릴 수도 있습니다 1,000 대의 머신이있는 HBase 클러스터가 있다면, 당신은 확률 론적 기계 고장을 맞을 것입니다 당신의 운영 및 사물에 대한 오버 헤드가 있습니다

그런 식으로 그래서 우리는 결국 평평하게 될 것입니다, 그러나 꽤 멀리, 당신이 그 규모까지 올라가려면 많은 노력이 필요합니다 당신이 알아 차릴 곳 이것이 중요한 이유는 선형 스케일링, 비즈니스 관점에서 볼 때 – 이것은 당신에게 예측 가능한 매출 원가 따라서 시스템을 구축 할 생각을 할 때 그리고 당신은 마치 테라 바이트의 데이터를 가지고 있습니다

이제는 10 테라 바이트 (페타 바이트)가되어야합니다 10 페타 바이트 (일반적으로 상단에이 기능을 구현하는 경우) 너의 자신의 가정 관리 한 Cassandra 체계의, 당신은 이들 중 하나를 명중 할 때마다 다시 생각해야 할 것입니다 새로운 계층 – 좋아, 이제 어떻게 처리 할까? 나는 더 많은 기계를 가지고있다 전화 통화 로테이션이 새로 필요합니다 나는 이것을 처리 할 수있는 새로운 전략이 필요할 것이다

여기에 노드를 크랭크로 넣기 만하면됩니다 그리고 필요한 노드의 수는 다음과 같습니다 필요한 처리량에 비례합니다 Cloud Bigtable의 작동 방식에 대한 간략한 개요를 제공하고, 기본적으로 단일 프런트 엔드 포인트와 통화하는 클라이언트가 있습니다 로드가 노드로 튀어 오릅니다

따라서 주소 매핑이나 대화에 대해 생각할 필요가 없습니다 개별 노드 자체 나는 그 층을 가져 가서 무엇에 대해 이야기 할 것입니다 커버 밑으로가 따라서 데이터 자체는 내재적으로 저장됩니다

거상 (Colossus)이라고 불리는 파일 시스템 그리고 Bigtable 서버 자체는 실제로 어떤 데이터도 저장하지 않는다 그들은 책임을지고있다 데이터를 제공합니다 모든 행은 하나의 노드에만 할당됩니다

전체 키 공간은 기본적으로 이 서로 다른 노드에서 균형을 이룬다 그리고 이것은 단일 개체 – 개별 행을 책임지고 그것에 대한 조작의 원 자성을 허용하고 자신의 글을 읽으십시오 파일 시스템과 데이터를 갖는 이점 우리가 어떤 영리한 일을 할 수있게 해주는가? 작업 부하를 재조정 할 수 있다는 측면에서 매우 적극적으로 따라서 고객이 변경되었을 수 있습니다 그 근본적인 작업 부하는 다음에 영향을 미칩니다

Bigtable 사용 방법 아니면 주간 패턴이있을 수 있습니다 당신은 다른 것들을 가질 수 있습니다 하루 중반에오고있다 태블릿 서버 또는 노드가 변경됩니다

더 많거나 적게 활동하고 있습니다 그리고 우리가 할 일은 실제로 이러한 변화를 확인하는 것입니다 패턴 그리고 우리는 단지 다른 영역에 데이터 영역을 재 할당 할 것입니다 그래서 이것은 두 가지를 허용합니다

하나는 당신이 너무 많이 걱정할 필요가 없다는 것입니다 노드 핫스팟 당 약 문제가되는 개별 행을 핫스팟으로 처리 할 수 ​​있습니다 하지만 불행 해지고 한 서버가 나머지 서버보다 더 뜨겁습니다 우리는 균형을 이룰 것입니다

이는 또한 높은 활용도를 의미합니다 그리고 이러한 노드에서 더 높은 활용도를 가짐으로써, 일을 균형있게 유지하면 가장 인기있는 노드에 대한 조항이 없습니다 우리는 모든 노드를 균형있게 유지하려고 노력하고 있습니다 그리고 그것은 실제로 더 싼 서비스를 의미합니다 HBase 클러스터 또는 Cassandra에서이 작업을 실행하는 것과 관련이 있습니다

클러스터 재조정 이외에 공정하게 위아래로 크기를 조정할 수 있습니다 하찮게 우리는 섭취량이 많은 고객이 있습니다 단지 몇 개의 노드가 필요합니다

그리고 그들은 월말에 배치를 실행할 것입니다 또는 일주일에 끝납니다 300 노드까지 확장 할 수 있습니다 그리고 당신은 그것을 즉각적으로 할 수 있습니다 당신이 정말로 큰 데이터 세트를 가지고 있다면, 데이터에 대해 10 ~ 20 분이 소요될 수 있습니다

방금 추가 한 노드를 통해 재조정합니다 하지만 실행하는 일괄 작업을 만드는 것이 좋은 방법 일 수 있습니다 일주일에 한 번 정말 빨리 달린다 끝나면 다시 축소 할 수 있습니다 기본 데이터 모델, 핵심 가치 그러나 더 많은 차원을 가지고 있습니다

따라서 행 키인 단일 색인이 있습니다 그런 다음 데이터가 열에 저장됩니다 그리고 열은 기본적으로 열의 튜플입니다 한정자 및 열 패밀리가 있습니다 컬럼 패밀리는 스키마에 정의됩니다

그리고 컬럼 한정자는 삽입시 정의됩니다 표가 희박합니다 따라서 모든 열 패밀리, 열 한정자 튜플 주어진 행에 대해 채우지 않는 귀하의 실제 공간에 대한 비용을하지 마십시오 데이터베이스는 또한 3 차원입니다 따라서 각 셀 아래에는 임의의 숫자가 있습니다

버전의 그래서 당신은 그들을 꽤 오래 무기고하게 지낼 수 있습니다 네가 행을 마칠 때까지는 몇 백 개가 넘지 않아 메그 또는 가비지 콜렉션을 주입 할 수 있습니다 (예 : 일주일이 넘은 데이터를 없애면 마지막 5 가지 버전 또는 그 이상을 유지하십시오

그런 식으로 어제 수요일, 우리는 발표했다 우리는 지금 복제를 가지고 있습니다 한 지역의 빅 테이블 두 곳 사이에서, 우리는 그들 사이의 데이터를 복제 할 것입니다 이것은 몇 가지 장점이 있습니다

첫 번째는 실패 도메인을 확장하는 것입니다 그래서 당신은 더 이상 실패 도메인에 [INAUDIBLE]가 아닙니다 단일 구역의 실패 도메인이있는 두 개의 영역이 있습니다 따라서 가용성이 향상됩니다 사람들이 사용하는 또 다른 이점, 특히 복제가 비동기이기 때문에, 작업 부하 격리입니다

따라서 일부 고객은 중요한 대기 시간이 낮은 서버를 가질 수 있습니다 한 클러스터에로드 한 다음 일괄로드를 수행 중일 수 있습니다 다른 그리고 다른 하나에서 그것을함으로써, 그들은 본질적으로 서로 간섭하지 않습니다 고 가용성 측면에서 이에 대한 효과적인 결과는, SLA에 추가 9 점이 있습니까? 우리는 고 가용성 애플리케이션 정책을 가지고 있습니다 나는 지금 당장 그것에 완전히 빠지지 않을 것이다

하지만 당신은 이것들을 읽을 수 있습니다 애플리케이션 정책이 있습니다 트래픽을 라우팅하는 방법을 정의 할 수 있습니다 고 가용성을 사용하는 경우, 자동 zero-touch failover가 발생합니다 한밤중에 문제가 생기면 페이징받을 필요가 없습니다

그것은 단지 당신을 위해 장애 극복 할 것입니다 대용량 데이터 도구 및 데이터베이스가 됨 테라 바이트 용으로 설계된 것입니다 실제로 페타 바이트, 우리는 정말 강력한 도구가 필요합니다 데이터베이스를 최대한 활용할 수 있습니다 BigQuery와의 긴밀한 통합이 이루어졌습니다

Dataproc, 데이터 흐름 BigQuery, 쿼리가 빠르지 않습니다 BigQuery가 기본 BigQuery 인 것처럼 오프라인 상점입니다 그리고 BigQuery의 특정 최적화 한 자리 수 밀리 초를 얻을 수있는 온라인 상태 BigQuery 쿼리를 만드는 대기 시간 조금 더 천천히 달리십시오 그러나 데이터에 대한 임의의 쿼리를 수행 할 수 있기 때문에 좋습니다

MapReduce 작업을 작성할 필요없이 MapReduce 작업을 작성하려면, Cloud Dataproc을 사용하거나 MapReduce에 대한 내부 교체를 사용할 수 있습니다 Dataflow 내부에 있습니다 그리고 이번 주에도 우리는 우리는 TensorFlow와의 1 차 통합을 깊이하고 있습니다 방금 GitHub에 넣었습니다

그래서 사람들은 그걸 가지고 노는 것을 시작할 수 있습니다 그래서 저는 그것을 게일에게 돌려 줄 것입니다, 여기 GEIR ENGDAHL : 고마워 그래서 그 배경으로 약간의 세부 사항으로 들어가 보겠습니다 Cognite가 Cloud Bigtable을 사용하여 데이터를 저장하는 방법에 대해 설명합니다

그리고 우리는 기계 학습으로 나아갈 것입니다 결국에는 [? 풍차?] 할 수 있습니다 그래서 Carter는 Bigtable의 데이터 모델에 대해 이야기했습니다 이것이 우리의 기본 데이터 스키마입니다 그래서 가장 중요한 것은 그게 유일하기 때문에 행 키를 어떻게 선택 하느냐입니다

너는 빨리 볼 수있다 그래서 우리의 행 키는 센서 ID와 타임 스탬프로 구성됩니다 또는 시간 버킷 즉, 매우 빠르게 볼 수 있다는 것을 의미합니다 특정 지점의 특정 센서에 대한 값 제 시간에

그리고 모든 값을 스캔 할 수도 있습니다 센서의 모델을 훈련시키고 싶다면 좋을 것입니다 그리고 그것은 매우 저렴한 운영입니다 각 행의 내부에는 하나 이상의 값이 저장됩니다 그것은 행당 하나의 가치가 아닙니다

일반적으로 각 행에는 많은 데이터 요소가 포함되어 있습니다 행당 약 1,000 데이터 포인트 따라서 타임 스탬프는 고유 한 타임 스탬프입니다 그리고 당신은 수비 포인트 인 가치를 가지고 있습니다 그리고 물론 바이너리입니다

여기서 읽을 수있는 숫자로 그려졌습니다 그러나 공간을 절약하기 위해 모두 바이너리입니다 실제로 Bigtable도 압축을 수행합니다 따라서 섭취를 중단하면 보게 될 것입니다 Bigtable 인스턴스에 새 데이터 추가, 당신은 그것의 전체 크기가 떨어지는 것을 볼 수 있습니다

무슨 일이 일어나고 있는지 모를 경우 처음에는 무서울 수 있습니다 내 데이터는 어디로 가고 있니? 그러나 실제로는 좋은 일입니다 다음은 데이터 처리 파이프 라인을 설계 한 방법입니다 따라서이 경로의 모든 단계는 자동 크기 조정입니다 Carter는 Bigtable을 쉽게 확장하는 방법에 대해 이야기했습니다

그리고 우리는 짐을 보는 서비스를 가지고 있습니다 그리고 나서 그것을 위아래로 확장합니다 그것은 꽤 간단한 논리입니다 따라서 클라우드로드 균형 조정으로 시작됩니다 그런 다음 Kubernetes 서비스 인 API 노드가 인증 및 권한 부여를 처리합니다

그런 다음 데이터 포인트를 Pub / Sub 큐에 놓습니다 그리고 그것은 고객에게 말할 것입니다, 우리는 당신의 데이터를 얻었습니다 우리는 그것을 잃지 않을 것입니다 따라서 Pub / Sub는 우리가 많이 사용하는 또 다른 구성 요소입니다 그것은 아주 좋은 구성 요소입니다

그것은 당신이 무엇이든 요구하는대로 확장됩니다 Pub / Sub 문서를 보면, 그것은 출판 된 수의 한도처럼 말할 것입니다 운영 무제한 및 가입자 운영 제한 없는 그래서 그것은 대담한 성명입니다 우리는 한계에 끌 렸습니다

대기열에 있으면 구독자가 가져옵니다 데이터를 패키징 할 해당 큐에 Bigtable에 씁니다 그래서 우리의 시계열 논리가 살아있는 곳입니다 일단 쓰여지면 대기열에 새로운 일자리가 생깁니다 집계와 관련이 있습니다

그래서 그것들은 우리가 사용하는 롤업입니다 임의의 시간에 대한 질의에 응답 할 수 있어야한다 효율적으로 확장 할 수 있습니다 동적 확대 / 축소를 수행하는 데 필요한 것은 바로 이것입니다 당신이 처음에 보았던 것

따라서 KPI는 처리량 및 대기 시간입니다 이런 종류의 파이프 라인에 그것은 전형적으로 당신이 볼 것입니다 따라서 들어오는 데이터는 질의 가능합니다 200 밀리 초 후에 99 백분위 수, 초당 1 백만 개의 데이터 포인트를 정기적으로 처리합니다

그리고 나는 그것보다 훨씬 더 많이 할 수 있다고 확신합니다 그리고 쿼리하는 것이 훨씬 간단합니다 이것은 동기 동작이며, 그래서 API 노드로 이동 한 다음 곧바로 Bigtable로 이동합니다 최적화 중 하나 많은 양의 데이터를 전송하려는 경우 수행하려는 작업 여기에 일반적으로 API 개발자가 있습니다 JSON 데이터를 갖고 싶습니다

Dashboard와 같은 대부분의 응용 프로그램은 의미가 있습니다 API에 Spark 커넥터를 쓰고 있다면, 그리고 당신은 그 기계 학습을하고 싶습니다 많은 양의 데이터를 전송 한 다음 JSON 직렬화 – 직렬화가 문제가됩니다 프로토콜 버퍼와 같은 것을 사용하기를 원합니다 또는 다른 바이너리 프로토콜

중요한 크기는 아닙니다 GCF를 JSON으로 변환하면 어쨌든 매우 작습니다 매우 반복적이기 때문입니다 그러나 직렬화를 수행하는 것은 메모리 오버 헤드입니다 그래서 좋은 최적화입니다

나는 청소에 대해서 조금 이야기하고 싶다 뭔가 있기 때문에 산업 데이터의 그것은 종종 간과 되곤합니다 유용한 응용 프로그램을 만들고 싶다면 산업용 IoT 공간에서 AI와 시계열이 부족합니다 많은 사람들이 뛰어 다니고있다 타임 시리즈와 AI는 모든 것을 해결할 것입니다

매우 간단한 질문은 10 만 시간의 시계열이 있다면 석유 장비에서, 그리고 당신은 당신의 예측 모델을 만들고 싶어 우리가 보았던이 탱크에 대해서, 어떤 시계열 너 선택할거야? 그리고 그걸 어떻게 골라야할까요? 수동으로 모든 다이어그램을 살펴 보시겠습니까? 그것은 당신에게 많은 시간이 소요될 것입니다 그래서 전형적으로 우리는 이러한 데이터 과학 프로젝트를 보았습니다 그리고 그들은 정말로 올바른 데이터를 찾는 것에 관한 것입니다 그래서 80 %의 시간이 소요됩니다 그리고 프로젝트가 끝나면, 당신은 모델링을 시도하는 랩업을 가지고 있습니다

무엇을 진정으로 이해하고 싶다면 산업 세계에서 계속되고, 당신은 많은 소스로부터 데이터를 얻을 수 있어야합니다 – 시계열의 메타 데이터와 같은 데이터, 장비 정보 – 누가 그것을 만들었습니까, 언제 대체 했습니까? 이전 작업 주문의 고장 로그, 3D 모델, 및 프로세스 정보 – 방법 것들은 물리적으로 연결되어 있고 논리적으로 연결되어 있습니까? 어떤 구성 요소가 이것의 업스트림입니까? 이 모든 데이터를 한 곳에서 확보하는 것만으로는 충분하지 않습니다 연결이 필요합니다 어려운 부분이 연결되어 있습니다 그리고 이것을 함께 묶는 접착제 물리적 세계에서의 대상이다 그리고 불행한 것은 동일한 물리적 객체 당신이 묻는 시스템에 따라 다른 이름을 가지고 있습니다

그래서 우리는이 맥락화에 많은 시간을 보냈습니다 우리가 ID를 어떻게 맵핑하는지 알아내는 것 시스템을 각 자산의 고유 ID로 각 물리적 객체에 대해 그래서 거기에 청소 파이프 라인을 보면, 자산 일치 자라 불리는 것이 있습니다 우리는 많은 시간을 보냈습니다 전문가를 돕고 대부분의 경우 한 시스템의 ID 자동 매핑 이것을 다른 사람에게 연결하여 상황에 맞는 것으로 만들 수 있습니다

모델 그래서 아마이 풍차가하는 일을 지금 궁금해하실 것입니다 왜 여기에 있는지 그래서 저는 조금 더 이야기 할 것입니다 그리고 나서 나는 그것에 도착할 것이다

예측 유지 보수 – 당신은 아마 이것에 대해 모두 들었을 것입니다 예측 유지 보수를위한 훌륭한 비즈니스 사례가 있습니다 우리는 하나의 장비 해저 장비의 고장으로 1 억 달러의 비용 발생 고치다 그래서 분명히 당신은 그것을 막고 싶습니다 그러나 이것이 또한하기가 그렇게 어려운 이유이기도합니다

실패는 아주 드물기 때문에 많은 라벨 데이터가 없습니다 충분한 라벨을 얻는 데 드는 비용을 상상해보십시오 모델을 검증하기위한 데이터를 제공합니다 그래서 당신은 일반적으로 이러한 감독되지 않은 접근법에 붙어 있습니다

그리고 이상 탐지를 위해 우리가 본 것은 무엇입니까? 이 작업을 수행하는 방법에 대한 두 가지 접근 방식이 있습니다 하나는 예측 기반입니다 즉, 일련의 센서를 사용한다는 의미입니다 값 중 하나를 숨 깁니다 그리고 다른 것들을 사용하여 그것을 예측하려고 노력할 것입니다

그리고 당신의 예측이 실제 가치와는 거리가 멀다면, 그런 다음 이것을 예외로 표시합니다 또는 다른 접근법은 센서 데이터를 가져 오는 것입니다 귀하의 센서 세트 당신은 그것들을 n 차원 공간에 그려 넣습니다 그리고 당신은 어떤 점들이 서로 가깝게 있는지 보게됩니다

그것들은 클러스터를 형성하고, 그 클러스터들은 전형적으로 다른 운영 상태 그래서 당신은 달리기 무대 주위에 클러스터를 가질 것입니다 유휴 스테이지 주변에는 클러스터가 있습니다 당신은 전원 주위 클러스터를해야합니다, 유지 보수를 강화합니다 그리고 새로운 포인트를 얻었고 적합하지 않은 경우 그것은이 클러스터 센터들 중 어느 곳과도 멀리 떨어져 있습니다

그때 그것은 이상입니다 이 라이브를 살펴 봅시다 따라서이 데모는 생동감이 넘칩니다 말 그대로 움직이는 부분이 많습니다 여기에서 보는 모든 것은 생생합니다

사전 훈련 된 모델은 없습니다 미리 생성 된 데이터는 없습니다 데이터가 바로 여기에서 생성 될 것입니다 그리고 우리는 모델을 훈련 할 것이고 그것이 작동하는지 알게 될 것입니다 그래서 흥분 되니? 관객 : 네

GEIR ENGDAHL : 좋습니다 [박수 갈채] 나도 이제이 풍력 터빈에서 데이터를 얻는 지 봅시다 우리가하는 것처럼 보입니다 그래서 이것은 풍력 터빈의 다른 견해입니다

거기에 무슨 일이 일어나고 있는지 3D보기입니다 그것은 센서 값을 가지고 있습니다 나는이 노브를 돌릴 수있다 속도를 높일 수 있습니다 더 많은 에너지를 생산하기 시작할 것입니다

풍력 터빈을위한 많은 에너지를 생산합니다 그래서 Jupyter에 들어가 봅시다 나는 데이터를 가지고 일하는 너를 확신한다 이 점에 익숙합니다 그래서 파이썬을 통해 우리의 Cognite API와 상호 작용할 것입니다

SDK는 오픈 소스이기도합니다 먼저 여기에 로그인하겠습니다 올바른 데이터를 선택하겠습니다 그리고 우리는 그것을 계획 할 것입니다 이 라이브 플로터는 애널리스트의 견해를 보여줍니다

그리고 내가 속도를 조절한다면, 너는 내려갈 것을 본다 내가 가져 가면 조금 올라갈거야 그리고 이것, 당신이 화면에서 보는 것, 우리의 훈련 데이터가 될 것입니다 그래서 조금 더 시간을 할애 할 것입니다 그래서이 바람이 정상적으로 작동하는 것을 보았습니다

터빈 우리는 고통스럽게 당신을 위해이 풍력 터빈을 가져 왔습니다 3D 인쇄입니다 그것은 매우 수제처럼 보인다 우리는 공항 보안을 통해 그것을 얻었다

나는 Google Next에서 보안에 관해 옆으로 데려 갔다 그들은이 기지가 무엇인지 궁금해하고있었습니다 이 풍력 터빈은 그것에 장착되어 있지 않기 때문에 그것에서 나오는 전선이 있고, 그것 이 빨간 무서운 빛이 있습니다 그래서 여기에 이것을 설명하기 위해 많은 설명을했습니다

이제이 플로팅을 계속 진행해야합니다 나는 이것을위한 비정상 탐지기를 만들 것이고, 그 시간 범위를 선택하겠습니다 이제는 교육 과정을 클라우드로 밀어 넣고 있습니다 따라서 실제로 내 컴퓨터에서는 발생하지 않습니다 SDK는 모델을 교육하기 위해 API 풀을 수행합니다

그런 다음 쿼리 할 수있는 작업 ID를 얻습니다 직업의 상태 지금은 많은 데이터가 아닙니다 그래서 훈련하는 데는 거의 시간이 걸리지 않았습니다 이제 우리는 또 다른 플로터를 만들 수 있습니다

그리고이 바람으로부터 살아있는 데이터를 다시 플로팅 할 것입니다 터빈 하지만 이번에는 또한 음모를 꾸미려고합니다 예측 인자의 출력, 이상 검출기 그렇다면 우리는 여기서 어떻게 변칙을 도입 할 수 있습니까? 글쎄, 나는 무력을 사용할거야

나는 그것을 여기서 다시 잡을거야 데이터에 약간의 시간이 걸립니다 이 파이썬에 나타납니다 이제는 이상이 감지 된 것을 볼 수 있습니다 거기에 빨간색 배경이 보입니다

[박수 갈채] 일단 내가 풀어 주면 정상으로 돌아 가야합니다 그래서 거기에 살아있는 이상 탐지가 있습니다 이제 정상으로 돌아 왔습니다 운영자는 이것을 사용하여 모니터 할 수 있습니다 10 만개의 시계열을 모니터하고 싶다면 당신은 수동으로 그렇게 할 수 없습니다

화면에 올려 놓을 수는 없습니다 사람들에게 그것을 보게하십시오 이제는 운영자가 이상한 상황에 대해 경고를받을 수 있습니다 그리고 그들은 무슨 일이 일어나고 있는지 볼 수 있습니다 다음 1 억 달러를 막기를 희망합니다

실패하기 전에 우리가하는 또 다른 매우 유용한 점은 이 이상을 감지하면 당신의 첫 번째 질문은 뭔가 될 것입니다 전에 이런 일이 있었던거야? 아니면 비슷한 일이 일어 났습니까? 그래서 우리는 유사성 검색이라는 것을 구현했습니다 실제 기계 학습이 아닌 API에서, 그러나 그것은 매우 유용한 것이다 그리고 계산 비용이 많이 듭니다

따라서 설정 센서의 시간을 가져갈 수 있습니다 다른 센서 세트에서 그 패턴을 찾으십시오 또는 동일 부분에서 유사한 부분을 찾으십시오 따라서이 이야기에는 제목에 "AutoML"이 있습니다 그래서 AutoML– 석유 굴착 장치에 탄화 수소가 있습니다

그리고 누출이 있고 스파크가있는 경우, 잠재적으로 매우 위험합니다 그래서 그들은 항상 잘못된 전선이 있는지보기 위해 노력하고 있습니다 결함이있는 전선은 매우 위험 할 수 있습니다 그래서 일반적으로 그들이하는 일은 6 개월마다 또는 매년마다 정기 검사를 받고, 그들은 모든 것을 다룹니다 그러나 이러한 손상된 전선은 시간이 지남에 따라 나타나지 않습니다

일반적으로 누군가가 무언가를 밟은 결과입니다 또는 특정 시점에 기계적으로 일어난 일 그래서 우리가하려고했던 것은 잘못된 전선을 감지 할 수있는 모델 헬멧에 카메라를 낄 수 있다는 것 CCTV 또는 기타 이미지 수집 방법 사용 배경에서는 항상 이런 종류의 실패를 찾습니다 나는 그 검사를 대체하려고하지 않고있다

우리는 그것들을 보강하고 더 나아지게하려고 노력하고 있습니다 그래서 우리는 TensorFlow를 사용하여 모델을 교육했습니다 결함이있는 와이어를 감지하고 이미지의 위치를 ​​알려줍니다 실패가 있습니다 이것은 우리가 3 개월을 보냈던 프로젝트입니다

그리고 우리는 특별한 정확성을 얻을 수있었습니다 정밀도와 회상 률은 약 955 %입니다 6 월에는 AutoML에 액세스 할 수있게되었습니다 그래서 우리는 거기에 데이터 세트를 업로드 할 것이라고 생각했습니다

그리고 그것이 얼마나 잘되는지보십시오 그래서 나는 그 모습을 보여줄 것입니다 따라서 AutoML을 사용하여 모델을 교육하십시오 한 무리의 이미지를 웹 페이지에 업로드 할 수 있습니다 CSB 파일을 편집하면 할 수 있습니다

그래서 우리는 그렇게했습니다 그리고 5 분 만에 961 %의 모델을 얻을 수있었습니다 962 %의 정밀도와 회상율

그래서 그것은 절반 위로 포인트였습니다 그러나 그 때 우리는 포기하지 않았다 우리는 조금 더 모델을 수정했습니다 그래서 우리는 그 하나를 더 높일 수있었습니다 그래서 우리는 95 % 정확도와 99 % 리콜을 얻을 수있었습니다

우리 자신의 모델에서 메트릭은 있지만 다른 것은 아닙니다 하지만 큰 차이점은 우리가 3 개월을 보냈다 AutoML 모델을 교육하는 데 5 분이 걸렸습니다 그럼 그게 무엇을 할 수 있는지 봅시다 그래서 여기에, 모스 콘 (Moscone) 첫날에, 나는이 전선을 외부에서 발견했는데 위험 해 보였다

이제 AutoML을 실행했습니다 그리고 그것은 훈련 세트의 일부가 아니 었습니다 그리고 이것은 저에게 새로운 취미의 일종입니다 돌아가서 잘못된 전선을 찾으십시오 하지만 그래, 정말 잘 잡았어

그리고 6 월에 내가했던 리허설에가는 길에, 나는 또한이 결함이있는 교통 신호등을 발견했다 이것은 보행자 가벼운 이동을 위해 누르는 노브입니다 녹색 그리고 그것은 또한 그것을 잘 잡습니다 그래서 나는 이것을 할 수 있다고 생각합니다

그리고 당신이 해결할 수있는 문제가 있다고 생각합니다 업계에서 – 녹 및 누출 같은 – 카메라 피드를 센서로 사용하면, 사람들을 사로 잡는 데 매우 강력하고 도구가 될 수 있습니다 해로움의 길에서 그래서 나는 그것을 카터에게 넘겨서 감쌀 것이다 [박수 갈채] 고마워, 게일

시간이 있다면 그래, 우리는 이것 후에 질문을위한 약간의 시간을 가질 것이다 나는 Geir이 우리와 함께 할 수있을 것이라고 확신한다

이렇게 빨리 다시 검토하십시오 Cognite는 기본적으로 GCP 위에 시스템을 구축했으며, 클라우드의 확장 성과 처리량에 중점을 둠 Bigtable 그리고 AutoML의 기능에 중점을 두어, 그는 훈련 운동을 할 수 있었다 TensorFlow로 3 개월이 걸렸습니다 AutoML을 사용하여 5 분 만에 할 수있었습니다

어느 회사에 정말 흥분 되는가? 이러한 유형의 기술을 활용하고자하는 군대의 데이터 과학자를 고용 할 필요없이 모든 사람이 회사에서 게일을 고용 할 수있는 것은 아닙니다 또한, 사실 중 하나 – 사실, 상황이 바뀌고있을 때 명확한 지 모르겠습니다 그가 풍차를 만들었을 때 주위에 – 어떤 코드를 보았습니다 그러나 그는 실제로 훈련 모델을 프로그램하지 않았습니다 그는 방금 전에했던 부분을 강조했습니다

그리고 이것이 나쁜 것이라고 말했다 그래서 그들은 현장에서 이것을 낼 수있었습니다 그들은 프로그래머가 필요하지 않습니다 그들은 그래프에서 나빠 보이는 것을 알고있는 엔지니어를 가질 수 있습니다 그것을 강조 표시 한 다음 수만 가지로 확장하십시오

측정 항목을 신속하게 식별 할 수 있어야합니다 잘못된 것 그리고 이러한 것들을 확장 할 수 있다는 것이 정말 흥분됩니다 업계에 Cloud Bigtable에 복제가 있습니다

높은 가용성을 제공 할 것입니다 작업 부하 격리와 관련된 몇 가지 훌륭한 기능이 있습니다 대규모 데이터 분석을위한 훌륭한 기반을 제공합니다 및 기계 학습 여기에서 본 기술에 대해 더 자세히 알고 싶다면, 여기에 몇 가지 링크가 있습니다

Cloud Bigtable의 주요 제품 페이지가 있습니다 cloudgooglecom/bigtable에서 확인할 수 있습니다 그리고 그 밑에는 많은 자료가 있습니다

그리고 우리는 다양한 기계 학습 페이지를 가지고 있습니다 거기 따라서 일반적으로 기계 학습에 대해 배울 수 있습니다 제품 페이지에서 그리고 AutoML의 마스터 페이지가 있습니다 그 다음 하단에는 TensorFlow 통합이 있습니다

Bigtable과 함께 이번 주에 출시되었습니다 그리고 그것이 우리가 가진 전부입니다 [음악 재생]

실비 보험 청구할때 진단서하고 처방전

질문 실비 보험 청구할때 진단서하고 처방전
실비 보험 청구할때

진단서하고 처방전 2개만 제출하면 되나요?

진단서하고 처방전 발급하는데 비용 드나요?

그리고 실비 받을 수있는 기준이 건강보험 적용 여부가 아니라

의사가 판단해서 치료 가 필요하다고 판단한 그런 경우만 되나요?

답변 20세 기준 단독실비보험 보험료 안내
DB손해보험 로고
DB손해보험

7,339
6,889

KB손보 로고
KB손보

7,826
7,005

MG손보 로고
MG손보

7,793
7,014

메리츠화재 로고
메리츠화재

8,318
8,208

삼성화재 로고
삼성화재

9,090
7,856

한화손보 로고
한화손보

7,549
5,963

현대해상 로고
현대해상

7,716
7,161

흥국화재 로고
흥국화재

8,498
7,939

답변 30세 기준 단독실비보험 보험료 안내
DB손해보험 로고
DB손해보험

9,464
10,978

KB손보 로고
KB손보

10,551
11,604

MG손보 로고
MG손보

11,117
13,378

메리츠화재 로고
메리츠화재

10,970
12,784

삼성화재 로고
삼성화재

12,273
14,732

한화손보 로고
한화손보

10,407
11,167

현대해상 로고
현대해상

12,392
12,177

흥국화재 로고
흥국화재

11,642
14,481

답변 40세 기준 단독실비보험 보험료 안내
DB손해보험 로고
DB손해보험

13,087
16,472

KB손보 로고
KB손보

13,359
16,962

MG손보 로고
MG손보

15,831
19,566

메리츠화재 로고
메리츠화재

14,073
18,142

삼성화재 로고
삼성화재

15,790
21,242

한화손보 로고
한화손보

14,101
16,224

현대해상 로고
현대해상

13,217
14,922

흥국화재 로고
흥국화재

15,121
19,380

답변 50세 기준 단독실비보험 보험료 안내
DB손해보험 로고
DB손해보험

20,162
27,770

MG손보 로고
MG손보

23,152
30,360

삼성화재 로고
삼성화재

24,501
36,431

한화손보 로고
한화손보

19,866
26,573

현대해상 로고
현대해상

21,422
26,950

답변 60세 기준 단독실비보험 보험료 안내
DB손해보험 로고
DB손해보험

33,446
37,587

MG손보 로고
MG손보

35,502
39,769

삼성화재 로고
삼성화재

38,268
44,881

한화손보 로고
한화손보

32,274
38,065

현대해상 로고
현대해상

35,607
39,390

답변 안녕하세요. 보험깡패의 진실된보험 입니다.어떤한 질병 …
안녕하세요. 보험깡패의 진실된보험 입니다.

어떤한 질병 또는 상해로 가셨는지를 먼저알려

주시고 청구가능 여부를 묻는것이 맞다고

봅니다.

일반적 청구는 병원영수증,신분증,통장사번,보험금청구서
면 보장되시고,

실비의 시기에 따라 다르나 한방의 경우는 급여
만 , 미용목적,건강검진등은 제외입니다.

처방전은 재발급시 비용안드세요.

답변 실비 보험 청구할때 진단서하고 처방전 2개만 제출하면 …

실비 보험 청구할때 진단서하고 처방전 2개만 제출하면 되나요?

입원과 통원 구분하셔서 제출하셔야 합니다.

입원시에는

①진단서 ( 20만원 미만시 병명있는 입퇴원 확인서등으로 대처가능)

②진료비세부내역서

③진료비계산서(병의원발행영수증)

통원시에는

①진료확인서,소견서,통원확인서중 택일

②계산서영수증

약처방

①처방전과 일자별 약제비 계산서

진단서하고 처방전 발급하는데 비용 드나요?

일반진단서 1만원

건강진단서 2만원

진료확인서의 경우 병원마다 틀린 경우가 많습니다. 무료로 해주는데도있는반면 2만원 받는곳도 확인했었습니다.

처방전의 경우 비용이 발생하지 않습니다.

그리고 실비 받을 수있는 기준이 건강보험 적용 여부가 아니라 의사가 판단해서 치료 가 필요하다고 판단한 그런 경우만 되나요?

상해, 질병, 통원에따라 모두 실비가 적용됩니다. 감기등 단순치료도 모두 지급사유가됩니다. 한방에서 성형등 목적은 제외됩니다.

다만 병원을 통원하게 되서 발생하는 금액이 1만원이라면 이를 모두 지급하는 것이 아니라 실비보험 공제금액을 제외하고 보험금이 청구됩니다. 의원이나 치과 한의원 보건소의 경우 1만원, 기타 큰 병원등은 15000원이 공제되고 지급됩니다.

병원의 규모에 따라서 실비보험 공제금액이 다릅니다. 상급 병원에는 대학병원이 포함되며 공제금액은 2만원 처방조제비는 8천원이 건별로 공제됩니다.(가입상품에따라 약간의 차이가 발생할수도있음)

도움이 되셨다면 채택 부탁드립니다 ^^걱정없는 미래를 약속합니다.

궁금하신사항이나 가설계안이 필요하시면 , 네임카드 혹은 아래 주소를 통해 편하게 연락주세요 .

카카오톡메리츠맨 플러스친구 검색하시거나 네이버 ‘메리츠맨 검색 하셔서 문의주셔도 됩니다.

답변 실비보상의 기준은가입당시에 받은 약관입니다그 책자를 기 …

실비보상의 기준은

가입당시에 받은 약관입니다

그 책자를 기준으로 보상여부가 결정이 됩니다

서류종류는 진료와 치료에 따라서 다른데요

일반적으로

초진기록지

병원비영수증

진료비세부내역서

입퇴원확인서:입원시

수술결과지:수술시

이정도가 기본입니다

답변 진단서는 따로 정액형 보험금을 받을때 필요한 서류이구요 …
진단서는 따로 정액형 보험금을 받을때 필요한 서류이구요 
가입된 보험에서 해당되는 특약이 없다면 진단서는 따로 준비하지 않으셔도 됩니다 
입원을 한거면 입퇴원확인서에 진단명을 기재해 달라고 하면 대부분 해줍니다 
실손보험은 건강보험이 적용이 되는 급여치료와 적용이 되지 않는 비급여 치료 까지도 
보장이 되는 보험인데요 
약관에 정한 몇가지 보상하지 않는 손해들을 제외하고 보장받는 다고 보시면됩니당. 
답변 안녕하세요. 강팀장 입니다.문의하신 보상관련 질문에 답 …

안녕하세요. 강팀장 입니다.

문의하신 보상관련 질문에 답변 드립니다.

좀 더 자세한 사항은 꼭 담당자에게 문의하시기 바랍니다.



실비보험은 말 그대로 실비 즉, 고객님이 사용하신 비용을 보장하는 보험입니다.

즉, 의료실비는 말 그대로 치료받은 비용을 보장하는 보험이고, 치료받은 비용을 확인하기 위해서는 진료비영수증이 필요합니다.

단, 몇일동안 병원에 가셨고 그 진료비용이 한장으로 여러날짜가 들어갈 경우에는 진료비상세내역서도 필요합니다.(또는 입원시)

참고로 카드영수증은 안되고요.


그리고 무엇때문에 병원에 갔는지 확인할 수 있는 서류가 필요합니다.

물론 진단서도 좋죠. 하지만 이러한 서류들 중 가장 비용이 많이 들어가는 진단서는 비추천합니다. 그 이유는 서류 비용은 치료비용이 아니기 때문에 보장이 되지 않기 때문이죠.

대체적으로는 초진기록지 또는 진료확인서로 대처합니다.

다만, 이 서류는 보험사에 따라서 그리고 치료비용에 따라서 준비하지 않아도 될 수 있으므로 담당자에게 꼭 연락을 하시기 바랍니다. 보험사에 따라 10만원이상시 또는 20만원이상시에만 준비하는 경우가 많기 때문입니다.


고객님께서 실비보험과 같이 보상청구할 일이 많고 같은 질병이나 치료방법이라고 하더라도 담당자에 따라서 보상금액이 달라질 수 있는 그러한 보험을 담당자도 없이 가입하지는 않으셨을 것입니다. 꼭 담당자에게 문의하셔서 재대로 조언 받으시기 바랍니다.

How Publishers Can Take Advantage of Machine Learning (Cloud Next ’18)

[음악 재생] NAVERED AHMAD : 내 이름은 Naveed Ahmad입니다 저는 데이터 엔지니어링 및 기계 담당 선임 이사입니다

Hearst Newspapers에서 학습하기 필자의 책임은 데이터 파이프 라인, 데이터 웨어 하우징 및 데이터를 사용하여 데이터 제품 구축 예측 데이터 과학 허스트 (Hearst)에 대해 들어 본 적이 없을 수도 있습니다 그러나 당신은 "샌프란시스코와 같은 이름 들었을 수도 있습니다 Chronicle "또는"SFGate "또는"Houston Chronicle " 또는 "Esquire"또는 "Cosmopolitan"과 같은 잡지 이름 또는 "남성 건강" 그래서이 회사는 Hearst입니다 미국에서 가장 큰 미디어 회사 중 하나입니다

나는 우리가 한 일에 대해 이야기하기 위해 왔습니다 Hearst Newspapers로 끝났습니다 Hearst Newspapers는 약 4,000 명의 직원을 고용하고 있습니다 전국에 걸쳐 지역 뉴스에 초점을 맞추고 있으며, 약 40 개 이상의 웹 사이트를 보유하고 있습니다

지속적으로 성장하고 있습니다 그리고 Hearst에 대한 더 많은 정보를 찾을 수 있습니다 이 링크에서 그리고 이들은 몇몇 브랜드들입니다 내가 방금 말했던 것

"샌프란시스코 크로니클"에 대해 더 잘 알고있을 것입니다 이 캘리포니아 지역의 신문 따라서 Hearst Newspapers의 데이터 전략과 같습니다 모스 로우 계층 구조와 같이 막연하게 보일 수 있습니다 따라서 데이터가 필수적입니다

데이터가 없다면 데이터 과학을 할 수 없습니다 또는 비즈니스 인텔리전스 그래서 우리의 전략은 먼저 데이터웨어 하우스를 구축하는 것이 었습니다 그리고 나는 무엇에 대해 이야기 할 지 몇 분이 걸릴 것이다 우리는 BigQuery를 사용했습니다

그 위에 비즈니스 인텔리전스가 자리 잡고 있으며, 이는 마케팅, 사설, 및 제품을 사용하여 과거 데이터에 대한 결정을 내립니다 그런 다음 사용할 수있는 동일한 데이터를 사용합니다 과거 데이터를보고 예측 분석을 할 수 있습니다 또한 해당 데이터를 사용하여 제품을 구축 할 수 있습니다 BigQuery에 대해 조금 이야기 해 보겠습니다

중앙 집중식 데이터가 필요한 이유는 무엇입니까? 한 곳에서 모든 데이터를 가지고 있다면, 점들을 연결할 수 있습니다 따라서 뉴스 레터의 데이터 세트가있는 경우 Google 웹 로그 분석 및 콘텐츠 데이터베이스, 당신은 쉽게 연결할 수 있습니다 그들은 다른 데이터베이스에 앉아있는 경우에 비해, 그것은 어려워진다 사용자에게는 효율적입니다 한 곳으로 가서 그 데이터를 얻습니다

중복이 없습니다 한 곳에서 보고서를받지 못했습니다 그리고 두 개의 다른 장소와 그 숫자 어울리지 마 데이터웨어 하우징에서 효율적입니다 동일한 프로젝트 관리를 사용합니다

제품, 엔지니어링 및 품질 보증을 통합하고 노력을 통합하십시오 가장 중요한 것은 이것과 관련이 있습니다 ML에 대한 토대가 된 것입니다 BigQuery를 사용한 이유는 무엇입니까? 이 전에 사람들은 보고서를 가져 오곤했습니다 다른 시스템에서 이메일을 보내십시오

서로 다른 데이터베이스와 다른 데이터웨어 하우스가있었습니다 몇 년 전, 우리는 우리는 모든 것을 하나의 데이터베이스로 통합해야한다고 우리는 BigQuery를 선택했습니다 BigQuery가 다음과 같은 이유 중 일부입니다 [알아들을 수 없는] Dremel 기술을 기반으로합니다

그리고이 물건들은 그들의 웹 사이트에 있습니다 초 단위의 테라 바이트 및 분 단위의 페타 바이트 해당 데이터를 쿼리 할 수 ​​있습니다 완전히 관리됩니다 SQL– 많은 사람들이 SQL을 쉽게 알고 있습니다 BigQuery로 사람들을 끌어 들이기

어제의 BigQuery ML 출시와 함께, BigQuery에서 기계 학습을 할 수도 있습니다 따라서 BI 플랫폼을위한 기술 스택입니다 ETL을 사용 중이며 Airflow, BigQuery를 데이터웨어 하우스로 사용하고 있으며, 그리고 찾는 사람 그리고 나는 다른 대화가 있었다고 생각한다 사람들이 BigQuery를 사용하여 빌드하는 데 사용하는 방법에 대해 사용자 여행 및 물건

그래서 우리도 그렇게하고 있습니다 그것은 별개의 이야기 일 수 있지만, 나는 단지 언급하고있다 우리도 이것을하고 있습니다 BigQuery에서 제공하는 데이터 소스 중 일부는 다음과 같습니다 Google 애널리틱스, DoubleClick, 구독, 뉴스 레터 그리고 이것은 지속적으로 증가하고 있으며, 데이터 세트의 수 우리의 데이터웨어 하우스

따라서 두 가지 기계 학습을 얻는 것입니다 그래서 나는 기계가 두 개의 큰 양동이, 하나의 기계 Google이 귀하의 데이터를 완료 한 사전 패키지 과학은 당신을 위해 일하고, 그들은 노출 된 API를 사용할 수 있습니다 그리고 이것은 자연 언어 처리입니다 이 회의에서 발표 된 AutoML; 연설; 비디오 인텔리전스; 그리고 비전 그리고 나머지 절반은 당신이 데이터 과학이되는 곳입니다

당신은 집에서 기계 학습을하고 있습니다 TensorFlow / CloudML, BigQuery ML, DataProc 및 Spark를 사용합니다 그래서 사례 연구가 다시 출판되었습니다 Hearst Newspapers의 11 월호 자연 언어 처리 사용 및 다른 유스 케이스 그래서 우리가 자연어에서 사용한 두 부분 프로세싱은 엔티티 및 카테고리를 추출 할 수 있어야합니다

우리 본문에서 우리가 사용하지 않은 부분적인 APO가 있습니다 하지만 이것만으로도 약 6 개의 유스 케이스가 있습니다 이러한 기능을 사용합니다 그래서 "샌프란시스코 크로니클"에서 기사를 가져 왔습니다

그것은이 영화에 관한거야, "블랙 팬더"- Google의 웹 인터페이스를 통해 실행했습니다 그리고 당신은 그것이 올바르게 있음을 알 수 있습니다 예술 작품으로 "검은 표범"을 발견했습니다 Wikipedia 링크가 있습니다 그것은 또한 지식 ID와 현저한 점수를 가지고 있습니다

그리고 당연히 엔티티는 세분화되어 있습니다 다른 범주로 예술 작품, 장소, 조직, 장소가 있습니다 그리고 나서, 그것은 더 세분화됩니다 적절하고 부적절한 명사로 그런 다음 올바른 카테고리도 올바르게 감지했습니다

그것을 위해 또한 신뢰 점수를 받았다 이것은 모두 좋지만 어떻게 우리가 이것을 사용합니까? 매우 간단 해 보입니다 따라서 이러한 사용 사례 중 일부를 살펴 보겠습니다 간단한 사용으로 Google NLP를 사용하는 방법 CMS 시스템의 이러한 태그는 권장 사항을 작성하는 데 사용됩니다 시스템 및 적절한 콘텐츠에 맞는 광고를 찾을 수 있습니다

그래서 나는 한 번에 하나씩 갈 것이다 그리고 이것은 고수준 아키텍처와 비슷합니다 모든 것이 어떻게 연결되는지 따라서 컨텐츠가 CMS 시스템으로 수집 될 때, 우리는이 NLP 호출을 만들고, 메타 데이터를 다시 가져 와서 저장합니다 우리의 데이터베이스에

그리고 기사가 렌더링 될 때, 이러한 태그는 HTML의 메타 태그의 일부입니다 그로부터 타사 고객 데이터가 있습니다 플랫폼에서이 NLP 태그를 시스템으로 추출합니다 동시에 JavaScript 호출이 있습니다 for —- DoubleClick for Publishers 광고를 렌더링 할 수 있습니다

또한이 데이터는 BigQuery로 푸시됩니다 우리 CMS 콘텐츠는 NLP 태그와 함께, 또한 BigQuery에 푸시됩니다 BI보고를 수행 한 다음 구축 할 수도 있습니다 그것에 대한 추천 시스템 그래서 첫 번째 사례 – 세분화

세분화는 사용자 그룹을 식별 할 수 있어야하며, 어떤 사용자 그룹이 스포츠인지 말하기 음식과 와인 독자와 같은 독자 대 우리의 CDB 플랫폼에는 메커니즘이 내장되어 있습니다 이러한 태그를 사용하여 세그먼트를 만들 수 있습니다 세그먼트가 어떻게 사용되는지는 마케팅 메시징을 추진할 수 있습니다 사람들에 관한 세그먼트가 있음을 알고 있다고 가정 해 봅시다

누가 테니스 뉴스를 읽고 싶어하는지, 이 도구를 사용하여 뉴스 레터를 푸시 할 수 있습니다 다른 사용 사례 – DFP 광고 타겟팅 그래서 나는 우리가 만들고 있다고 언급했다 Google의 핵심 가치 쌍에서 NLP 카테고리의 핵심과 실제 카테고리 그 페이지에 대한 것이 었습니다 DFP가하는 일은 한 달이 넘었습니다 이 모든 데이터를 수집 할 수 있습니다

그리고 나서 어떻게 그걸보고하는지보고 할 수 있습니다 사용자 및 Google 콘텐츠 전반에 광고가 어떻게 게재되었는지를 보여줍니다 그리고 나서 다른 고객이 말하면, 올림픽 웹 페이지 타겟팅 캠페인을 진행하고 싶습니다 내 광고를 올림픽 웹 페이지에 올리면 특정 기준으로 캠페인을 만들 수 있습니다 이제이 공급 업체의 광고 또는 파트너의 광고 올림픽 콘텐츠에 표시 될 수 있습니다

DFP에서 규칙을 설정하는 방법에 대한 스크린 샷입니다 이 보고서는 BI 보고서이므로 Google 웹 로그 분석 WCM을 사용합니다 콘텐츠 및 NLP 데이터에 유용한 숫자가 나타납니다 기본적으로이 보고서에서는이 카테고리에 대해 보여주고 있습니다 이들은 방문한 사용자의 수이며, 이 카테고리의 기사 수입니다

그리고 단순한 비율은 다음과 같이 나타낼 수 있습니다 비율이 높을수록 사설은이 카테고리에 초점을 맞추어야합니다 그것에 대해 더 많은 내용을 작성하십시오 그리고 수많은 다른 것들이 있습니다 Google 애널리틱스, NLP, 및 콘텐츠 데이터를 포함한다

예를 들어, 추세 그래프를 만들 수 있습니다 특정 화제 또는 특정한 개성에 관하여, 그들의 명예심 – 그들은 더 유명 해지거나 덜 유명 해지고 있습니다 내용면에서 맘에 든다 그리고 이것은 또 다른 분석입니다 그래서 우리는 제 3 자의 콘텐츠를 얻습니다 어떤 제 3자가 어떤 유형의 콘텐츠를 제공합니까? 이 소스가 우리에게 더 많은 스포츠를 제공합니까? 콘텐츠 대 다른 콘텐츠? 그리고 다시, 당신은 다른 종류를 만들 수 있습니다

이 보고서를 사용합니다 그래서 추천 시스템에 들어갈 것입니다 그렇다면 추천 시스템이 중요한 이유는 무엇입니까? Netflix 값을 읽을 수도 있습니다 – 그들의 추천은 10 억 달러입니다 따라서 우리의 맥락에서 이전 컨텐트를 재사용 할 수 있다면 아직 앉아 있고 아무도 없다 그것을 사용하거나 보면서, 이것은 참여를 증가시킬 수 있습니다

사람들은 웹 사이트에 더 오래 머물 것이며, 이는 더 많은 광고 수익을 의미합니다 그리고 결국 사람들은 구독 할 수도 있습니다 지금 사람들은 홈 페이지로 이동하는 경향이 있습니다 그곳에있는 어떤 링크라도 그것이 그들이 볼 수있는 내용입니다 그러나 우리가 추천 시스템을 사용할 수 있다면 이전 콘텐츠를 탐색하는 것은 매우 유용합니다 그래서 이들은 세 가지 다른 유형입니다 Google에서 지원하는 추천 시스템 [INAUDIBLE] 구름

그래서 우리는 Content to Content 추천 시스템을 만들었습니다 맞춤 추천 시스템 및 비디오 콘텐츠 추천 시스템 그래서 우리는 콘텐츠 데이터가있는 NLP 데이터를 가지고 있기 때문에 BigQuery에서는 매우 낮은 매달린 과일이었습니다 추천 시스템을 구축합니다 그리고 이것의 핵심 개념은 두 가지 기사입니다 중복되는 NLP 엔티티가 많은 서로 관련이있다

그리고 이것은 본질적으로 큰 SQL입니다 그것을 재현하는 규칙과 조건이 있습니다 그리고 매 20 분마다 주기적으로 실행됩니다 새로운 콘텐츠가 들어 오면이 SQL을 실행합니다 이에 대한 다이어그램을 보여 드리겠습니다

우리는 SQL을 실행하고, BigQuery는이를 Cloud SQL에 저장합니다 그리고 그것은 Kubernetes 웹 서비스 레이어에 의해 정면입니다 이러한 권장 사항을 제공합니다 프런트 엔드에서 자바 스크립트 호출이 있습니다 이러한 권장 사항을 렌더링합니다 그리고이 API 호출은 콘텐츠 ID를 전달합니다

관련 콘텐츠를 모두 찾으십시오 이미 클라우드 SQL에서 사전 계산 된 Postgres 데이터베이스 및 렌더링 그래서이 개념을 계속해서 – 이렇게 실제로 Hack Day 아이디어였습니다 해킹의 날이 있었는데이 프로토 타입을 만들었습니다 우리가 비디오에서 유용한 것을 추출 할 수 있는지 알아 봅니다

그래서 우리는 비디오를 가져 와서 변환하고 사운드를 추출했습니다 오픈 소스 인 FFmpeg 도구를 사용하여, 그 소리를 사용하여 전화 걸기 Speech API에 연결하면 해당 비디오의 텍스트를 다시 입력하십시오 그런 다음 다시 한 번 테스트에서 NLP를 실행할 수 있습니다 이를 비디오의 메타 데이터와 결합하여, NLP 태그를 다시 가져올 수 있습니다

다시 말하지만, 우리 텍스트 내용처럼, 우리가 비디오 콘텐츠를 섭취 할 때, 우리는 메타를 저장하고 있습니다 성적표뿐만 아니라 메타 데이터 태그도 함께 제공합니다 다시 보자 우리가 한 일은 – 이 NLP 태그가 있으므로 다른 추천 시스템을 강화한다 동영상을 텍스트로 추천합니다

텍스트에는 이미 NLP 태그가 있으므로, 우리는 비디오에서 이러한 NLP 태그를 추출했습니다 이제 사내 추천 시스템을 구축 할 수 있습니다 그래서 우리 회사에 돈을 아끼지 않았습니다 비디오 대 텍스트 추천기를 사는 대신에, 우리는 NLP와 검색 기술을 사용하여 구축합니다 우리 자신의 추천 시스템을 구축 할 수 있습니다

그래서 우리가 공동 작업 한이 프로젝트 우리 TV 부서와 이것은 TensorFlow를 사용하고 있습니다 TensorFlow가 무엇인지 이야기하십시오 이미 들었을 수도 있습니다 신경망이 돌아 왔습니다

그리고 현재의 깊은 학습 혁명 깊은 신경 네트워크 때문입니다 그들은 더 크고 계층 적입니다 또한 많은 Google 제품, 특히 AI의 경우, TensorFlow를 기반으로합니다 Cloud ML은 TensorFlow의 관리 버전입니다 그래서 우리는 사내 맞춤형 추천서를 작성했습니다

체계 그것은 하나의 전체적인 이야기처럼 될 수 있습니다 알고리즘 및 작동 방법 및 전체 아키텍처 그것의 그러나 근본적으로 본질적으로 스칼라 벡터를 사용합니다 분해, 기본적으로 협업 필터링 연산

그 알고리즘은 당신이 당신이 그것을 풀 수 있기 때문에 TensorFlow에 맞을 수 있습니다 그라디언트 디센트를 사용하여 그리고 TensorFlow 라이브러리를 사용하면 문제를 해결할 수 있습니다 그라디언트 디센트 문제에 넣을 수있는 알고리즘 기본적으로 사용자의 기록을보고 있으며 또한 그것과 비슷한 맛을 가진 사람들의 역사 오픈 소스 구현 Google이 있습니다

Google 웹 로그 분석, CMS 콘텐츠를 사용하여 출시 권장 사항 그리고 내가 너를 보도록 권하고, 그리고 우리가했던 것과 조금 비슷합니다 그리고 높은 수준의 아키텍처 – 우리는 콘텐츠 및 Google 웹 로그 분석에서 Google 콘텐츠를 읽는 중 BigQuery의 데이터입니다 모든 데이터가 BigQuery에 저장된다는 또 다른 이점이 있습니다 사전 처리를 한 다음이 TensorFlow 모델을 실행하십시오

그리고 나서이 TensorFlow 모델은 저장됩니다 – 그것이 TensorFlow의 출력입니다 TensorFlow Serving이 앞장서 서 있습니다 TensorFlow 서빙은 RPC 계층입니다 이 모델에 대한 권장 사항을 제공하는 데 도움이됩니다 그런 다음 RESTful 웹 서비스 레이어를 접하게됩니다

TensorFlow의 다른 사용 사례 경향 모델링, 예측, 컨텐츠 가상 현실 예측, 고객 컨텐츠 구축, 내용의 분류 그래서 실제로 모델링을 시도했습니다 BigQuery ML에 내장 된 유스 케이스입니다 나는 그것에 대해 이야기 할 것이다 이제 Google은 다양한 기능을 제공합니다

기계 학습 방법의 그래서 가장 의문입니다 이해가되는 것은 당신이 알아 내야 만한다는 것입니다

TensorFlow를 사용하는 것이 이치에 맞습니다 BigQuery ML 대 AutoML 및 기타 모든 API를 비교합니다 어제 BigQuery ML에 대한 이야기를 나눴습니다 그렇다면 왜 Hearst Newspapers를위한 BigQuery ML이 필요합니까? 이미 말했듯이 우리의 모든 데이터 이미 BigQuery에 앉아 있습니다 그래서 이것은

많은 의미를 가졌습니다 BQML을 사용하여이 작업을 수행 할 수 있습니다 SQL에 익숙한 사람이라면 누구나 탑승 할 수 있습니다

기계 학습을 시작하십시오 그리고 대안은 먼저 R이나 파이썬을 배우는 것입니다 SciKit Learn 또는 TensorFlow와 같은 프레임 워크를 배우십시오 그러나 여기 BQML을 사용하면 그 중 하나를 배울 필요가 있습니다 ETL 데이터를 외부에 배울 필요가 없습니다

그런 다음 ETL 물건을 다시 가져옵니다 모든 것이 제자리에서 이루어집니다 그리고 정상화와 원 핫 인코딩과 같은 좋은 점은, 그것은 단지 당신을 위해 그것을 않습니다 그리고 다른 SQL 문법을가집니다 당신의 기계에 대한 평가를 받는다

BigQuery에서 바로 모델 학습 따라서 그것은 관련 변동 예측입니다 미디어 관련 유스 케이스입니다 사람들이 선택권이 있다는 말을 들었을 수도 있기 때문에, 그들을 지키기가 어렵습니다 가입자들을 계속 지키십시오

그래서 우리가 길을 찾아 낼 수 있거나 통찰력을 가질 수 있다면 앞으로 구독자가 나아갈 미래로 취소하려면 우리는 [? 말하라 ?] 그래서 나는 속담을 털어놨다 "구원받은 돈은 돈이다" 또는 우리 가입자들은 그것이 돈이라고 말합니다 그리고 나는 어제 두 가지를 더 생각했다

그래서 또 하나 말할 게 따라서 "예방은 치료법보다 낫다"와 "손 잡고" 수풀에서 2보다는 더 낫다 " 그래서 이것은 내가 영어 시험에 합격 한 것을 증명합니다 [웃음] 이것은 당신에게 미래에 대한 통찰력을 제공합니다

가입자 취소의 그것은 2 종 클래스이기 때문에 이진 로지스틱 회귀 (logistic regression)입니다 취소하고 누가하지 않은 사람 그리고 우리는 1 년간의 데이터 구독, 뉴스 레터, 인구 통계, 웹 브라우징 다시 모든 데이터가 BigQuery에 저장됩니다 따라서 아키텍처는 정말 간단합니다

BigQuery와 Looker라는 두 개의 노드입니다 그러나 나는 어떤 일이 벌어 질지 몇 단계를 거쳤습니다 따라서 Airflow를 사용하여 모든 데이터 세트를 ETL 처리하고 Google 애널리틱스 데이터 사전 처리, 어떤 요약 테이블을 만드는 것, 특히 구독자 검색 끝 그리고 세 번째 단계는 실제 기계 학습 단계입니다 모델 만들기, 모델 이름 만들기, 그리고 나서 당신은 모든 것을 가진 테이블을 제공합니다

기능이있는 열의 한 열은 레이블 열입니다 우리 사건의 라벨은이 사람이 취소했는지 아닌지입니다 그런 다음이 쿼리를 실행하면 약 4 ~ 5 분 정도 걸립니다 너는 가서 차나 커피를 마시고, 돌아 왔을 때, 네 번째 쿼리 번호는 select-star입니다 기존 구독자가있는 테이블에서 예측 – 기존의 현재 가입자

그리고 그 가입자들을 위해, 그것은 당신에게 점수를 줄 것입니다 그들이 취소 할 확률의 확률 점수 그리고 나서 우리는 무리를 만들었습니다 대시 보드와 그 안에 보이는 것들 결과의 출력을 보여주는 또한 우리의 기계 학습 매트릭스의 출력, ROC, 정밀도 및 리콜과 같은 이것은 대시 보드의 스냅 샷입니다 그래서 첫 번째 모습은 기본적으로 보여주고 있습니다

모든 가입자는 얼마나 가능성이 높은지에 따라 분류됩니다 구독을 취소 할 수 있습니다 구독 유지 팀의 누군가 적어도 그것을 볼 수 있습니다 이것이 무엇을 예측하고 있는지 생각해보십시오 예측 같은 거

오른쪽에있는이 숫자는 AUC 곡선입니다 Curve Under 점수라고합니다 그리고 그것은 본질적으로이 다른 그래프 아래의 영역입니다 그리고 그것은 데이터 과학적인 것입니다 그러나 이것이 의미하는 바는 무엇입니까? 이 AUC 점수가 50 %라면 우리의 기계 학습 모델은 아무것도 배우지 못했지만, 이 줄은 여기 있습니다

거짓 긍정 대 참 긍정의 많은 수평선 일뿐입니다 그러나 이것은 A가 보여 주며, 우리의 데이터에는 예측력이 있고, 그 BQML은 뭔가를 배우고 있습니다 그리고 오른쪽에, 우리는 같은 그래프를 그립니다 이는 진정한 양의 비율과 위양성 비율입니다 그래서 또 다른 문제를 알아 내야합니다

확률 임계 값 당신은이 사람이 churner라고 말합니다 50 % 이상 또는 30 % 이상이라고합니까? 여기이 그래프는 오른쪽 아래에 있습니다 는 양성 및 양성률의 플롯을 보여줍니다 그리고 우리는 임계 값을 가지기를 원합니다 괜찮은 진정한 긍정을주고 또한 낮은 위양성 비율을 보인다

그래서 우리는 약 03 %를 선택했는데 이는 우리에게 약 18 % 위양성 및 80 % 진정한 양성율 기분이 좋다 이메일을 발송하더라도 휘젓다 고 생각하는 사람들에게 그것들이 휘젓는 일을 끝내지 않으면 상처를 입지 않습니다 방금 추가 이메일을 보냈습니다 따라서 학습 된 모델의 가중치를 얻을 수도 있습니다

배우는 것에 대한 아이디어를 얻을 수 있습니다 이것이 [[]의 가중치의 음모입니다 이거 ?] 따라서 왼쪽에있는 기능 휘젓는 소리에 긍정적 인 상관 관계가 있으며, 오른쪽의 기능은 부정적입니다 휘젓다와 상관 관계가있다

그리고이 기능을 살펴 보겠습니다 우리의 역사적인 데이터에 약간의 단서가있을 수 있습니다 우리는 사업 결정을 내릴 수있을 것입니다 우리가 사업하는 방식을 바꾸거나 우리의 휘젓기를 줄일 수 있습니다 또한 두 가지 유형의 기능이 있습니다

하나는 수치 적 기능입니다 그리고 다른 것들은 범주 적 특징입니다 따라서 BigQuery SQL에서 UNNEST를 수행해야합니다 다른 기능을 사용할 수 있습니다 BQML 자습서를 살펴볼 수 있습니다

예측 모델링을 수행하는 다른 유스 케이스의 예를들 수 있습니다 그래서이 회의에서 AutoML 텍스트가 발표되었습니다 알파에있는 동안, 나는 제품 관리자와 협력하여 우리 자신을위한 모델 따라서 두 가지 주요 사용 사례가 있습니다 광고를 일치시킬 수있는 DFP에 대한 토론 우리는 또한 우리 범주의 일부를 향상시키고 자합니다

예를 들어 민감한 주제 카테고리를 선택합니다 더 세분화 된 것들로 나누십시오 또는 새로운 스포츠가 있다면 기본 범주에 포함되지 않은 우리는 우리 자신의 것을 훈련시키고 싶다 그래서 이것이 하나의 유스 케이스입니다 내가 여기에서 작업 한 다른 사용 사례 상록수를 감지 할 수 있어야합니다

상록수 콘텐츠는 수명이 긴 콘텐츠입니다 예를 들어 레스토랑이나 박물관에 대한 리뷰, 우리는 그것을 항상 녹색의 콘텐츠라고 부를 것입니다 그러나 쇼핑몰에서 일어난 사고에 관한 이야기, 그것은 단지 며칠 또는 몇 주간의 삶을 가지고 있습니다 따라서 우리는 콘텐츠를 구분할 수 있기를 원합니다 그게 항상 녹색 이죠

그래서 처음에는 StumbleUpon에서이 오픈 소스 데이터 세트를 시도했습니다 개 글레로부터 처음에는 자기 자신의 TensorFlow를 작성하려고했습니다 LSTM을 사용하는 코드 방금 프로토 타입을 만들었습니다

느꼈습니다 데이터에는 예측력이있었습니다 그러나 나는 구글이 이런 식으로 일하고 그런 다음 자체 데이터 세트의 데이터 세트를 만들었습니다 에버그린 내용을 표시합니다

그래서 그것은 내부적으로 편집자가 기본적으로 태그를 추가 한 CMS에 crowdsourced 이 내용 중 일부는 상록 AutoML을 사용하는 것은 정말 쉽습니다 CSV 파일을 만들고 첫 번째 열을 지정합니다 내용으로 두 번째 열 에버그린 (Evergreen) 또는 에버그린 (Not Evergreen) 그런 다음 AutoML에 업로드하여 실행하십시오 이 데이터로부터 배우십시오

그래서 당신은 이것을 봅니다 – 우리는 상록수와 약 3,000 종에 대해 약 3,000 개의 기사를 가지고있었습니다 비 상록의 경우 그리고 당신은 그것이 꽤 좋은 일을 한 것을 본다 이걸 배우면서 나는 그렇게 잘 할 수 있다는 것에 놀랐다

그리고 정밀 리콜 점수를 봅니다 또한 혼란 측정 항목을 보여줍니다 예측 한 것의 시간의 91 %가 아닌 상록수 콘텐츠, 그것은 상록수가 아닌 것으로 예측했다 실수 한 시간은 겨우 9 %였습니다 비 상록의 콘텐츠

그리고 상록수 들어, 그것은 완벽한 직장을했다 그리고 이것은 테스트 세트 데이터베이스에만 있습니다 그래서 나는 이것을 가지고 놀았습니다 AutoML 콘솔에서 임의의 텍스트를 입력 할 수 있습니다 예측 모델이 어떻게되는지보십시오

그래서 나는 Hearst 기사에서 그것을 시도했다 나는 CNN 기사에서 그것을 시도했다 그리고 그것은 아주 잘 작동하는 것처럼 보였습니다 그리고 나는 심지어 위키 피 디아 (Wikipedia)에 갔다 그래서 나는 뉴욕에 관한 기사를 집어 들었다

그래서 당신은 상록수라고 생각합니다 그리고 70 %는 상록수라고 예측했습니다 그리고 Wikipedia에서 다시 한 번 기사를 골랐습니다 멕시코 선거에 관해서, 그리고 그것은 상록수가 아닌 것으로 예측했다 그래서 그것은 기본적으로 [[? 사설?] 그리고 그들이 생각하는 것은 상록수가 아닌 상록수 이 AutoML은 배웠으며 텍스트를 적용 할 수 있습니다

그것은 전에 보지 못했던 것입니다 이상적으로는 BigQuery를 가장 많이 사용하고 싶습니다 우리의 분석 프로세스의 SQL로 공식화 될 수있는 모든 것, BigQuery가 배포되기 때문에 BigQuery를 사용하는 경향이 있습니다 BigQuery를 사용하면 비용 효율적입니다 하지만 몇 가지 유스 케이스가 있습니다

아주 적은 유스 케이스처럼 외부에서 일을해야합니다 BigQuery의 따라서 우리가 중복 콘텐츠를 사용하는 유스 케이스 중 하나는, 몸체가 매우 비슷하게 보이는 콘텐츠 또는 헤드 라인을 조정하면 본질적으로 같은 기사 우리는 기사를 추천하고 싶지 않습니다 이들은 권장 목록에서 서로 유사합니다 그리고 우리가 처음에하고 싶었던 것 각 기사에 한 단어를 만드는 것처럼 큰 읽을 거리였습니다

그런 다음 자체적으로 교차 결합을 수행합니다 그 기사들 사이의 거리를 알아 내라 BigQuery에서이 작업을 수행 할 수 없었습니다 이 쿼리는 반환되지 않기 때문입니다 그래서 우리가 한 것은이 유스 케이스에 있습니다

우리는 스파크를 사용했고, 기본적으로 스폰했습니다 몇 시간 동안 10 대의 기계 클러스터 그리고 우리는 Spark job에 의해이 벡터들을 계산하도록 썼습니다 기본적으로 기사 간의 코사인 거리를 계산합니다 그리고, 서로 아주 가까웠다

중복으로 제거했습니다 이는 추천 시스템에 도움이됩니다 중복 콘텐츠를 제거하고 Spark의 사용 사례 및 DataProc이 포함되어 있습니다 그래서 나는 가까워지고있다 이것은 실제로 내 마지막 줄입니다

Hearst Newspapers의 미래는 무엇입니까? 그래서 우리는 더 많은 예측 모델을 만들고 싶습니다 BigQuery와 ML을 사용합니다 이후 모든 데이터를 가지고 많은 감각을 만들기 때문에, BigQuery ML을 사용하는 것은 매우 쉽습니다 성향 모델링과 같은 것들, 역방향 휘젓는 소리의 모델링, 알아내는 것, 구독 할 가능성이 큰 구독자는 누구입니까? 또는 우리 웹 페이지 방문자 누가 가입 할 가능성이 있는가? 이는 마케팅 시스템에 중점을 둘 수 있습니다 그것들에

실제로 어제의 BQML 데모에서, 데모는 그 사람들을 알아내는 것이 었습니다 미래의 고객 일 가능성이 높습니다 우리는 제가 말했던 분류학을 생산하려고합니다 우리는 이미 다음과 같은 요구 사항을 가지고 있습니다 AutoML에서는 자체 데이터 세트를 만들고 싶습니다

NLP 분류법을 향상 시키도록 교육하십시오 깊은 신경 네트워크를 사용하는 연구가 많이있었습니다 추천 시스템 용 실제로 한 가지 기사가 있습니다 모든 다른 연구 논문을 나열합니다

추천 시스템에 대한 심층 신경망 사용 그리고 우리는 몇 가지 다른 접근법을 프로토 타이핑 해 왔습니다 하이브리드 방식이 있습니다 추천을하는 데는 여러 가지 다른 맛이 있습니다 깊은 학습을 사용하는 시스템 연구가 계속 진행 중이고 잘하면, 우리의 버전 2 더 발전된 추천 시스템이 될 것입니다

Google NLP에서 더 많은 주스를 꺼내야합니다 우리가 NLP를 충분히 활용하지 못했다는 것, 특히 사용 사례 중 일부는 맞춤형 뉴스 레터 또는 주제를 구축 할 수있는 능력 Google NLP를 사용하는 페이지 그래서 우리는이 다른 용도에 대해 생각하고 있습니다 사례와 이것을 어떻게 생산할 것인가 또한 우리는 큰 이미지 모음을 가지고 있습니다 주변에 제품을 만들기 위해 아직 그 시점에 도달하지 못했습니다

이것이 미래를위한 것 중 하나입니다 [음악 재생]

[시승기] 벤츠 신형 C클래스를 위한 ‘특급 칭찬’

[시승기] 벤츠 신형 C클래스를 위한 '특급 칭찬' 【카미디어】 김현준 기자 = 메르세데스-벤츠(이하 벤츠)가 지난 6월 9일, 신형 C클래스를 출시했다 7년 만에 나온 완전 변경 모델이다

오랜만에 나온 새 모델인 만큼 기존과 많은 게 달라졌다 디자인이 바뀐 건 물론 실내는 S클래스 못지 않게 고급스러워졌다 게다가 덩치는 커졌는데, 몸무게는 최대 100킬로그램이나 가벼워졌고, 연비는 최고 12퍼센트나 높아졌다 전반적으로, 늘일 건 확 늘이고, 줄일 건 꽉 줄이면서, 정말 잘 만들었다 무슨 말이 더 필요할까? 

벤츠 특유의 ‘진중함’은 여전했다 안전하고 편안한 주행을 위한 고집이 대단하다 위험한 상황에서도 운전자가 편하게 회피할 수 있도록 돕는다 각종 안전 장비들은 긴박하게 움직였지만, 운전자는 평온하게 장애물을 피하면 된다 도로 앞에 갑자기 물소가 나타나도, 앞 차에서 보따리가 떨어지더라도 크게 당황할 필요는 없어 보인다

핸들을 이리저리 휙휙 돌려도, 신형 C클래스는 중심을 잃지 않았다 지독한 녀석이다 여러 가지 코스를 반복해 달릴수록 신형 C클래스에 대한 믿음이 차올랐다  핸들 잡은 손에 자신감이 쥐어 준다  재미보다 안전과 편안함을 우선시하는 벤츠의 확신이 몸 속에 퍼진다

 어떻게 잡아 돌려도 신형 C클래스는 아무렇지도 않게 받아줬다  경기도 화성 자동차안전연구원(KATRI)에서 신형 C클래스와 함께한 4시간을 요약했다 가장 먼저 뛰어든 건 슬라럼 코스다 일정 간격으로 쭉 나열된 고무콘(고무로 만든 원뿔 모양의 꼬깔)을 지그재그로 피하면서 핸들링이나 차체의 몸놀림 등을 체험하는 코스다 진행자의 출발 신호를 받고 시속 50km까지 가속했다

이어 8개의 고무콘을 지그재그로 피하기 위해 핸들을 바쁘게 돌렸다 승차감은 기존 모델보다 세련돼졌다 거친 느낌이 줄면서 차체를 좌우로 부드럽게 기울어졌다가 팽팽하게 자세를 바로 잡는다 몸놀림은 제법 날세다 방향 전환은 매처럼 빠르고 정확하다

차체를 점점 더 고무콘 가까이 붙이기에 부담 없었다 원하는 만큼 간격을 수월하게 줄일 수 있다 가벼워진 몸무게 덕도 꽤 보는 듯했다 같은 코스를 서너 번 더 돌며 신형 C클래스와 친해졌다 속도를 시속 60km 이상으로 슬쩍 높였다

고무콘을 지나칠 것처럼 아슬아슬했지만, C클래스는 시종일관 의젓했다 고무콘 사이로 차를 내던지듯 몰아쳐도 천연덕스럽게 따라온다 타이어가 이따금 ‘끽’ 소리를 내긴하지만 자세가 흐트러지진 않았다 간간히 귀를 자극하는 타이어 소리는 박진감을 고조하기에 충분했다 

두 번째로 급차선 변경이다 시속 90km 정도로 질주하다가 브레이크를 밟지 않고 장애물을 피해야 한다 차선을 따라 달리다 핸들을 돌려 장애물을 피한 뒤, 원래 차선으로 돌아오는 식이다 도로 가운데 물소가 덩그라니 있는 상황을 가장한 테스트로, 일명 '물소 테스트'라고도 부른다 고속에서 핸들을 돌리기 때문에 침착하지 않은 차는 엉덩이가 빙글빙글 돌거나, 심지어 핸들이 잠기면서 그대로 물소를 들이받는 차도 있다

 물론 신형 C클래스는 이 상황에서도 발군이었다 핸들은 팽팽했고, 주행안정장치는 은근하게 차를 도왔다 원래 깔려 있는 레일을 따라 휙휙 방향을 트는 것 같았다 속도를 100km/h까지 올려 핸들을 좌-우로 빠르게 돌렸다 신형 C클래스도 이 속도는 감당하기 어려웠는지, 뒷바퀴가 움찔한다

곧바로 오버스티어(핸들을 돌린 것보다 차체 방향이 더 많이 회전하는 현상)가 발생하기 시작했다 차체 꽁무니가 휙 돌 것(스핀)만 같았다 이 때를 놓치지 않고 차체자세제어장치(ESP)가 개입했다 네 바퀴 브레이크를 튕겨져 다니며 ‘드드드득’ 소리가 나더니, 비명을 지르던 타이어들이 잠잠해졌다 그리곤 원래 가고자 했던 방향으로 차체가 바로 잡혔다

너무 순식간에 일어난 일이라 무슨 일이 벌어졌는지는 모르겠다 중요한 건 운전자가 허둥지둥 조작할 새도, 필요도 없었다 가려던 방향으로 그냥 태연하게 가면 됐다 차선 변경 코스에서는 신형 C클래스에 들어간 안전기술 ‘프리세이프’도 적극적으로 작동했다 오버스티어 혹은 언더스티어(핸들을 돌린 것보다 차체 방향이 덜 회전하는 현상)가 발생하자마자 안전벨트가 팽팽하게 조여졌다

만일의 충돌을 대비해 시트에 몸을 미리 붙들어 두는 거다 차체 움직임이 불안정해질 수록 시트는 더 팽팽하게 조여 들었다 게다가 동반석 시트는 앞뒤 위치를 스스로 조정하기까지 했다 동반석 승객이 에어백이나 대시보드 등에 부딪혀 다치지 않도록 거리를 벌리거나 줄이는 거다 마지막은 핸들링 세션이었다

고무콘을 세워 만든 복합 코너를 최대한 빠르게 달리면 된다 사실 핸들링 세션은 편히 즐기려는 마음이 컸다 이미 앞의 두 코스에서 신형 C클래스의 맛을 충분히 음미했다는 생각 때문이었다 오해임을 깨닫는 데 그리 오래 걸리진 않았다 핸들링 세션에서는 신형 C클래스가 가진 여유를 발견했다

어떤 상황에서도 도로의 굴곡을 너그럽게 품었다 곧바로 달릴 때는 물론, 급격한 코너를 통과할 때도 마찬가지였다 차체가 한쪽으로 잔뜩 기울어진 채로 울퉁불퉁한 도로에 들어섰다 서스펜션이 잔뜩 눌려 충격을 흡수할만한 여유는 없어보였다 하지만 신형 C클래스는 보란 듯 해치웠다

바깥으로 밀리거나 차체가 쾅쾅 울리는 건 없었다 서스펜션은 ‘충격 흡수’라는 본인의 역할을 깔끔하게 다했다 차체가 바깥으로 튕겨나갈 까봐 잔뜩 긴장했던 게 부끄러울 만큼 신형 C클래스는 의연했다 남은 시간 동안 코스를 반복해 달렸다 점점 더 과감하게 몰았지만 삐끗하거나 코스를 벗어난 적은 없었다

실수할 만큼 콘트롤하기 어렵지도 않았고, 실수를 내버려 둘 신형 C클래스도 아니었기 때문이다 신형 C클래스는 누구에게나 편안하고 안정적이며 조종하기 쉬운 ‘벤츠’였다 어제 열린 ‘더 뉴 C클래스 드라이빙 데이(The New C-Class Driving Day)’는 신형 C클래스를 제대로 느껴볼 수 있는 자리였다 빡빡한 일정 탓에 신형 C클래스의 요모조모를 자세히 들여다 볼 여유는 없었다 하지만 벤츠가 신형 C클래스에 넣고자 했던 건 선명하게 보였다

편안함과 안정감, 그리고 위험 상황에서 안전하게 빠져나오기 위한 각종 기능들이 잘 어우러져 있었다 트렌드를 따라 보다 세련되지긴 했지만, 벤츠는 여전히 벤츠였다