기본 콘텐츠로 건너뛰기

우리집 전기 사용량을 실시간으로.. - 인코어드 에너톡

요즘 IoT라고 참 다양한 서비스가 나오고 있습니다.

머 딱시 새로울 것 없이.. 옛날에도 있던 서비스들이지만 가격도 나름 저렴해지고 일상에서 쉽게 마주하게 된 듯 합니다.

가스 밸브도 집 바깥에서 원격으로 감시하고 조정하고, 난방도 그렇고, 공기청정기에, 전력 사용량까지...

가장 대표적인 것이 LG U+의 홈 IoT 서비스인데..

이건 머 그냥 쓰기에는 좀 비싸죠...

딱히 쓸모 있는지도 잘 모르겠고..

그래도 전력 사용량을 실시간으로 지켜보는 건 괜찮을 듯 싶어 찾아보니..

인코어드(http://www.encoredtech.com)의 에너톡이라는 서비스를 알게 되었습니다.

원레 에너톡은 LG U+의 IoT Enger Meter로 해당 서비스에 가입을 하지 않으면 사용하지 못하는 것이었는데, 얼마전 생산 회사에서 독자적으로 운영을 한 서비스입니다.

저는 독자적으로 운영을 한다고 하자마자 바로 기계를 구입해서 서비스를 사용해봤습니다.

제가 이 서비스의 첫번째 고객이라고 음료수도 선물로 받았습니다.


살다 살다 최초 고객님이라고 선물 받아보기는 처음이네용.. 먼가 눈물이.. 또로롱.. ㅠㅠ

기계를 설치한게 10월 26일이니 이제 한달 정도 써본 소감을 남겨볼까 합니다.

그리고 이런 중소기업이 서비스를 지속할 수 있도록 자기 집의 전력량을 실시간으로 보기를 원하시는 많은 분들이 많이 많이 구매해주셨으면 좋겠습니다. 제가 이 회사에서 음료수 얻어먹고 하는 얘기가 아닙니다.

실제 써보니 괜찮아서 하는 얘기입니다.

기계를 구매하시면 기본 무료 이용기간은 3년이고 이후에는 1년 단위로 9,600원이 들어갑니다.

집에 직접 서버를 구축해서 운용하지 않는 이상 서비스 비용은 들어갈 수밖에 없지만 어쨌든 구매 후 3년간은 무료로 이용 가능하기 때문에 LG U+의 홈IoT에 비하면 괜찮은 선택인 것 같습니다.

하지만 저처럼 전력량 파악 외에 다른 여러 서비스를 이용하고 싶으신 분들은 LG U+의 무제한 안심팩이 더 나은 선택일 수도 있겠습니다만은.. 월 7,000원이 부담은 부담입니다.

월 7,000원이냐.. 년 9,6000원이냐.. 선택은 당신의 몫입니다.

자, 그럼 사설인 너무 길었습니다. 한달 정도 써본 서비스에 대산 소감을 적어보도록 하겠습니다.

대부분의 소감은 앱에 관련된 것입니다. 아무래도 기계 자체를 제가 검증할 수는 없고 모든 내용 확인은 앱으로 하다보니.. 그렇습니다. 그리고 기본적인 내용은 안드로이드 위주입니다. 아이폰도 지원하지만 제가 주력으로 사용하고 있는 운영체제가 안드로이드인지라..

1. 앱을 보면 현재 실시간 전력 사용량을 볼 수 있는 Home, 랭킹, 사용량 계획, 실시간 사용량, 에너지 가계부 등 메뉴가 꽤 다양합니다. 기능도 나름 충실하게 구현되어 있는데.. 각 메뉴를 왼쪽의 햄버거 메뉴로만 이동할 수 있습니다. 왜 탭으로 이동이 불가능한걸까요?

2. 안드로이드에서 뒤로가기 버튼을 누르면 이전 메뉴로 이동하지 않고 그냥 종료되어 버립니다. 좀 황당합니다. 안드로이드 디자인 가이드라인은 쌈싸먹은 듯 합니다.

3. 안드로이드와 아이폰의 앱 디자인이 똑같습니다. 머.. 중소기업에게 너무 많은걸 바라는 것일수도 있지만.. 좀 아쉽긴 합니다. 하지만 전체적인 디자인은 무난합니다. 다만 넥서스 5, 아이폰 5S, 아이폰 4S 어디에서도 화면안에 모든 내용이 보이지 않아서 꼭 스크롤을 해야하니 좀 불편하긴 합니다.

4. 가장 중요한 실제 사용량을 제대로 보여주는 가는 좀 애매합니다. 각 전자기기마다 따로 측정하는 것이 아니라 전체적인 사용량을 측정하기 때문에 정확히 어떤 가전기기가 전기를 많이 먹는지는 감으로 때려맞추는 수 밖에 없습니다. 저희 집은 세탁기와 냉장고가 가장 전기를 많이 쓰는 것으로 추정됩니다.

5. 알람이 있긴 하지만 딱히 울리는 일이 없습니다. 머신 러닝을 적용해서 평소의 패턴에 비해서 갑자기 전기가 많이 사용되거나 그러면 알람을 울려주면 좋을 텐데.. 머 그런건 없습니다. 세탁기를 돌리면 평소보다 2~3배 정도 전기를 사용하는데도 알람이 울리지는 않더라구요..

6. 실시간 사용량에서 보는 사용량과 에너지 가계부에서 보는 사용량이 다릅니다. 이유는 모르겠지만.. 중복되는 메뉴와 내용을 좀 정리해서 좀 더 간결하게 만들어도 좋을 듯 싶은데..


전체적으로는 무난한 편이지만, 신뢰도는 좀 그렇습니다.

이게 정확하게 측정을 하고 있는지는 좀 의심스럽기는 합니다.

1달동안 관찰해본 결과로는 동일한 조건이라고 생각되는 새벽(전기기기를 최소한으로 유지하는 상황)에도 측정되는 값이 매번 조금씩 다릅니다. 약간의 오차는 있을 수 있겠지만...

예를 들어 새벽에 앱을 보면 평균잡아 사용량이 20W 수준입니다. 앱에서 측정되는 대기전력이 22W이니까 얼추 맞습니다.

그런데 어쩔때를 보면 200~300W가 측정될때가 있습니다. 그런데 몇일 후에 에너지 가계부나 실시간 사용량을 확인해보면 제대로 반영이 안되는 것처럼 보입니다. 새벽 시간대 사용량이 튀는 곳이 없이 대체로 일정합니다.

매일 같이 정확하게 추적해서 비교해보면 정확한 내용을 알 수 있겠지만.. 제가 그럴만한 열정은 없고 좀 의심스럽기는 합니다.

그래도 대체적인 사용량과 전기요금을 추정하고 절약 계획을 세우는데 있어서는 꽤 괜찮은 서비스인 것은 분명합니다.

바라는게 있다면 기존 사용량을 학습해서 이상 패턴이 보이면 알람을 보내주고, 그 알람에 어떤 사건이 있었는지 일기처럼 적을 수 있게 해주면 좀 더 꼼꼼하게 전기 사용을 관리할 수 있지 않을까 싶습니다.

그리고 이왕 개발하는거 스마트 플러그 같은 걸 연계할 수 있다면 더 좋지 않을까 싶습니다.

아직 처음 시작하는 단계이니 더 나아질거라고 생각합니다.

자기 집 전기 요금이 너무 많이 나와서 고민이신 분들은 꼭 한번 써보시기 바랍니다.

설치 기사를 굳이 신청하지 않으셔도 남자라면 설치는 꽤 간단합니다.

자 그럼 고고싱~~

댓글

이 블로그의 인기 게시물

AI 에이전트의 환각과 프롬프트 폭증을 막는 '컨텍스트 엔지니어링(Context Engineering)'과 아키텍처의 미래

AI 코딩 에이전트나 생성형 LLM을 소프트웨어 개발에 접목하는 시도가 늘어나면서, 엔지니어들이 마주하는 가장 큰 기술적 병목 중 하나는 바로 '컨텍스트(Context)'의 관리입니다. 저 역시 최근 AI와 바이브 코딩(Vibe Coding)을 활용해 여러 프로젝트를 진행하고 있는데, 하나의 대화창(세션)을 오래 켜둔 채 작업을 계속 이어가다 보면 AI가 초기 맥락을 잊어버리거나 이전에 지켜달라고 했던 제약조건을 놓치며 실수를 저지르는 경우를 자주 겪곤 합니다. 그래서 저는 목적별로 대화창을 명확하게 분리해서 작업하거나, 어느 정도 작업 단계가 진행되면 지금까지의 구현 내용과 의사결정을 요약 정리한 뒤 새 대화창에서 AI에게 이를 다시 학습시키는 방식으로 맥락을 관리하고 있습니다. 그렇다면 엔지니어링 아키텍처 차원에서는 이 문제를 어떻게 접근하고 있을까요? InfoQ의 발표 아티클 "Architecture / Context Engineering"에서는 바로 이 지점, 즉 단순한 프롬프트 엔지니어링을 넘어 시스템 아키텍처 수준에서 컨텍스트를 제어하는 '컨텍스트 엔지니어링(Context Engineering)'의 필요성과 구체적인 프레임워크를 다루고 있습니다. (출처: InfoQ - Architecture / Context Engineering) https://www.infoq.com/presentations/architecture-context-engineering/ 발표자들은 코딩 에이전트나 자율형 에이전트가 현장에서 실패하는 가장 큰 이유로 '비대해진 컨텍스트 윈도우(Bloated Context Windows)'와 무분별하게 채워진 프롬프트(Stuffed Prompts)를 꼽습니다. AI에게 너무 많은 정보를 한 번에 주면, 모델의 주의력(Attention)이 분산되거나 논리적 우선순위를 놓치는 현상이 발생합니다. 마치 인간 엔지니어에게 백과사전 수십 권을 던져주고 "이거 다 읽고 10초 ...

AI의 UX, 단 5개 문항으로 측정하는 방법: SUXAI

테스트 관리에는 아주 유명한 명언이 있습니다. 어쩌면 이 말은 테스트 관리에서만 유용한 얘기는 아닐거고.. 어쩌면 여러분도 다른 곳에서 들었을 수도 있습니다. "측정할 수 없으면 개선할 수 없다" 지난 글(https://murianwind.blogspot.com/2026/07/ai_01010698011.html)에서 생성형 AI 시대에는 기존의 일반적인 사용성 지표(SUS 등)만으로는 부족하며 정확성, 신뢰성, 설명 가능성, 제어 가능성이라는 AI 에 특화된 품질 특성이 필요하다고 정리해 드린 바 있습니다. 하지만 실무자의 입장에서 항상 부딪히는 현실적인 고민이 있습니다. "이론은 좋은데, 당장 매주 업데이트되는 AI 기능의 UX를 바쁜 현장에서 어떻게 빠르고 정량적으로 측정할 것인가?"라는 점이죠. MeasuringU에서 이에 대한 명확하고 실용적인 해답을 제시하는 후속 아티클을 공개했습니다. 바로 "Streamlined Measurement of the UX of AI"입니다. (출처: MeasuringU - Streamlined Measurement of the UX of AI / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/streamlined-measurement-of-the-ux-of-ai/ Jeff Sauro와 Jim Lewis 박사는 실무 연구자들과 테스터들이 긴 설문이나 복잡한 프레임워크 없이도 AI 제품의 핵심 품질을 빠르게 측정할 수 있도록 SUXAI(Streamlined UX of AI)라는 간소화된 측정 모델을 구축했습니다. 기존에 수많은 문항으로 분산되어 있던 지표들을 통계적 요인 분석을 통해 쥐어짜고 압축하여, 핵심적인 5가지 5점 척 문항 으로 표준화했습니다. SUXAI를 구성하는 5가지 핵심 평가 문항 정확성 (Accuracy): "이 AI가 생성한 결과물은 정확하다." 신뢰성 (Trust/Re...

'자동화 편향'과 '대중적 불신' 을 고려한 AI 테스팅 시나리오 설계

최근 생성형 AI나 자율주행, 에이전트 기술의 테스팅 시나리오를 작성할 때 우리가 당연하게 전제(Assumption)로 깔고 가는 중요한 인간 행동 방식이 하나 있습니다. 바로 '자동화 편향성(Automation Bias)'입니다. 인간은 시스템이 자동화되고 스마트해질수록 기술을 과도하게 신뢰하고 주의력을 놓아버립니다. 차량을 운전하면서 운전자 보조 시스템을 켜고 전방 주시를 태만히 하고 스마트폰을 보거나 영상을 시청하는 운전자라던지 AI 의료 진단 보조 도구가 내놓은 결과를 의사가 깊은 의심 없이 그대로 승인해 버리는 현상이라던지 AI 챗봇이 추천한 잘못된 정보를 사용자가 사실로 믿고 행동하는 케이스 같은 게 있을 겁니다. 우리는 항상 이러한 "사람들이 AI를 너무 믿어서 발생하는 위험"을 핵심 리스크로 정의하고, 이를 검증하기 위한 안전장치(Safety Guardrail)나 경고 알림, 오용 방지(Misuse) 테스팅 시나리오를 도출해 왔습니다. 그런데 최근 Gizmodo에 보도된 미국 설문조사 결과는 매우 흥미로운 사실을 보여줍니다. (출처: Gizmodo - Survey Finds Americans See AI as Comparable to Humans—It’s Making Them Trust It Less )   기사에서 언급된 설문조사의 결과는 AI가 사람을 닮아갈수록 완벽함에 대한 기대와 실수가 충돌하고 책임이 모호해져 대중의 신뢰는 오히려 떨어진다는 것이었습니다.  자세히 살펴보면 해당 조사는 일반 대중을 대상으로 AI에 대한 인지적 반응을 측정했습니다. AI가 인간과 유사한 대화/추론 능력을 보일 때 유저가 느끼는 '인지적 불쾌한 골짜기(Uncanny Valley)' 현상을 정량 지표로 포착해 냈다는 점에서 의미가 있다고 생각합니다. 단순히 "AI가 좋다/나쁘다"를 넘어, 의인화(Anthropomorphism)의 수준과 신뢰도(Trust) 사이의 음(-)의 상관관계를 입증했기 때문...