생활 속 AI, 공장에서는 어떻게 쓰일까
휴대폰 속 AI 원리는 이미 공장 문턱까지 와 있다
스마트폰 카메라가 장면을 알아서 인식하고, 카드사가 평소와 다른 결제를 먼저 알려주는 일은 더 이상 새롭지 않습니다. 흥미로운 점은 이 기술들이 원리만 놓고 보면 공장에서 쓰이는 AI와 같은 뿌리를 가진다는 사실입니다.
그런데 현장 담당자의 체감은 다릅니다. 생활 속 AI는 설치 없이 바로 쓰지만, 공장 AI는 데이터 수집부터 모델 검증, 설비 연동까지 넘어야 할 단계가 많습니다.
이 글에서는 익숙한 생활 AI 네 가지를 제조 현장의 언어로 옮겨 보고, 같은 원리가 공장에서 왜 더 어려워지는지, 비용과 실패는 어디서 생기는지, 운영 방식은 어떻게 설계해야 하는지를 차례로 짚어 봅니다.
공장 AI는 디지털 기반 위에서 출발한다
생활 AI는 이미 수많은 사용자 데이터가 쌓인 플랫폼 위에서 작동합니다. 공장 AI는 사정이 다릅니다. 설비 가동 데이터, 검사 기록, 정비 이력이 디지털로 남아 있어야 비로소 학습할 재료가 생깁니다.
그래서 제조 AI의 출발선은 AI 솔루션 자체보다 그 아래에 있는 스마트공장 수준에 가깝습니다. 설비 데이터를 사람이 수기로 옮겨 적는 공장과 설비에서 자동으로 수집하는 공장은, 같은 AI를 도입해도 준비 기간과 비용이 달라집니다.
생활 AI처럼 "앱을 깔면 바로 되는" 구조가 아니라는 점을 먼저 인정하는 것이 현실적인 첫걸음입니다. 이 차이를 전제로 두고, 익숙한 생활 AI 네 가지를 공장의 언어로 하나씩 옮겨 보겠습니다.
생활 AI 네 가지를 공장 언어로 옮기면
생활 AI와 제조 AI는 쓰이는 장소가 다를 뿐, 데이터에서 패턴을 학습해 판단한다는 원리는 같습니다. 아래 표는 대표적인 네 가지 기술을 원리 단위로 대응시킨 것입니다.
| 생활 속 AI | 공통 원리 | 제조 현장 적용 | 현장에서 달라지는 점 |
|---|---|---|---|
| 콘텐츠·상품 추천 | 과거 이력 기반 패턴 예측 | 수요예측, 공정 조건 추천 | 오답의 대가가 재고 부담과 불량으로 이어짐 |
| 카메라 장면 인식 | 이미지 분류·객체 인식 | 비전 기반 외관 검사 | 보이는 결함만 판정 가능, 촬영 환경 관리 필요 |
| 이상거래 탐지 | 정상 패턴과 다른 신호 감지 | 설비 이상 감지, 예지보전 | 고장 사례가 드물어 학습 데이터 확보가 어려움 |
| 내비게이션 경로 안내 | 실시간 조건 기반 최적화 | 물류 동선·생산 일정 최적화 | 설비 제약과 납기 조건을 함께 반영해야 함 |
비전 검사: 카메라 장면 인식의 공장 버전
제품 이미지를 학습해 양품과 불량을 가려내는 방식으로, 사람이 하던 외관 검사를 보조하거나 대신합니다. 공개 학술 리뷰에 따르면 이미지 기반 불량 검출에는 합성곱 신경망 계열 모델이 널리 쓰이고 있습니다.
- 학습 전제: 양품과 불량 이미지 모두에 정답 라벨을 붙인 데이터가 필요합니다.
- 적용 범위: 스크래치, 표면 결함, 커넥터 불량처럼 눈에 보이는 결함 판정에 강합니다.
- 한계: 표면에 드러나지 않는 결함이나 성능 관련 품질 기준은 카메라만으로 판정할 수 없습니다.
예지보전: 이상거래 탐지의 공장 버전
진동·압력·회전수 같은 설비 가동 데이터를 학습해 고장 징후를 미리 찾는 방식입니다. 연구 분야에서는 곧 닥칠 고장을 알리는 "고장 예측"과 고장까지 남은 시간을 추정하는 "잔여수명 예측"으로 나눠 다룹니다.
- 입력 데이터: 센서 수치와 시계열 신호에 정비 이력, 설비 사양이 함께 쓰입니다.
- 기대 효과: 고장 난 뒤 수리하는 방식보다 정지 시간과 수리 비용을 줄이는 계획 정비가 가능해집니다.
- 전제 조건: 정비 이력이 기록으로 남아 있어야 모델이 고장 전후를 구분할 수 있습니다.
같은 원리인데 공장에서 더 어려운 이유
생활 AI는 수많은 사용자에게서 매일 데이터가 쌓이지만, 공장 데이터는 사정이 다릅니다. 앞서 소개한 리뷰 논문은 제조 AI의 대표 과제로 "데이터 불균형"을 먼저 꼽습니다. 설비 고장이나 불량품은 정상 사례보다 훨씬 드물기 때문에, 모델이 전체 오차를 줄이는 방향으로 학습하면 정상 판정은 잘하면서 정작 잡아야 할 불량과 고장은 놓치기 쉽습니다.
두 번째는 "도메인 의존성"입니다. 공개 벤치마크 데이터에서 높은 성능을 낸 모델이라도 실제 공장의 설비·원료·환경 조건에 옮겨 놓으면 성능이 크게 떨어질 수 있습니다. 공장 AI는 우리 라인의 데이터로 다시 검증하지 않으면 그대로 쓰기 어렵다는 뜻입니다.
세 번째는 "설명 가능성"입니다. 딥러닝 모델은 판단 근거가 잘 드러나지 않는 구조라서, 왜 불량으로 판정했는지 설명하지 못하면 품질 책임을 따지거나 공정 개선으로 연결하기 어렵습니다. 같은 논문은 설명 기법을 적용하면 불량과 고장의 근본 원인을 찾는 데에도 도움이 된다고 정리합니다.
세 가지 과제를 관통하는 차이는 "틀렸을 때의 대가"입니다. 영상 추천이 빗나가면 사용자가 다음 영상을 누르는 것으로 끝나고, 그 선택이 곧 새 학습 데이터가 됩니다. 공장에서는 놓친 불량 하나가 출하 후 클레임으로, 놓친 고장 징후 하나가 라인 정지로 이어질 수 있어 같은 정확도라도 훨씬 엄격하게 따져봐야 합니다.
비용은 장비보다 데이터와 운영에서 샌다
제조 AI 예산을 짤 때는 흔히 카메라, 센서, 서버 같은 장비 가격부터 비교합니다. 그러나 장비를 설치한 뒤 데이터를 모으고 모델을 유지하는 과정에서도 적지 않은 비용이 발생합니다. 비용 구조를 세 층으로 나눠 보면 놓치기 쉬운 항목이 드러납니다.
- 초기 투자: 카메라·조명·센서·엣지 장비, 설비와의 통신 연동, 초기 모델 개발 비용이 여기에 해당합니다.
- 운영비: 공정 조건이 바뀌거나 신제품이 투입될 때마다 필요한 재학습, 모델 성능 모니터링, 서버·네트워크 유지 비용입니다.
- 숨은 비용: 불량 사례가 충분히 쌓일 때까지의 데이터 수집 기간, 이미지마다 정답을 표시하는 라벨링 인력, 검사 환경을 일정하게 맞추기 위한 조명·지그 개선 비용입니다.
숨은 비용이 중요한 이유는 앞의 데이터 불균형 문제와 직결되기 때문입니다. 불량률이 낮은 라인일수록 학습에 쓸 불량 이미지를 모으는 데 오래 걸리고, 그 기간에 들어가는 인력과 시간은 견적서에 잘 드러나지 않습니다. 견적을 비교할 때는 장비 단가보다 "학습 데이터를 누가, 얼마 동안, 어떤 방식으로 모으는가"를 먼저 확인하는 편이 정확합니다.
도입 실패에서 반복되는 다섯 가지 점검 포인트
제조 AI 프로젝트를 점검할 때는 모델 종류보다 문제 정의를 먼저 들여다봐야 합니다. 학술 리뷰가 지적한 기존 연구의 한계는 현장 도입에서 그대로 점검 포인트가 됩니다.
- 벤치마크 성능만 보고 판단: 공개 데이터 기준 정확도와 우리 공장 데이터 기준 정확도는 별개로 검증해야 합니다.
- 감지와 예측의 혼동: 현재 상태를 실시간으로 판정하는 기능만으로는 고장을 미리 내다보는 계획 정비가 어렵습니다.
- 부품 간 상호작용 누락: 한 부품의 열화가 다른 부품에 영향을 주므로, 개별 부품만 따로 보면 원인 판단이 어긋날 수 있습니다.
- 단일 품질 기준: 불량 원인은 품질 항목마다 다를 수 있어, 한 가지 기준만 학습하면 다른 유형의 불량을 놓칩니다.
- 외관 검사의 과신: 비전 검사는 보이는 결함만 잡으므로 성능·치수 같은 품질 기준은 별도 검사와 병행해야 합니다.
다섯 가지 항목의 공통점은 "AI가 무엇을 판단하는지"를 도입 전에 좁고 구체적으로 정하지 않았다는 데 있습니다. 판정 대상 결함의 종류, 예측해야 할 시점, 함께 봐야 할 설비 범위를 문서로 먼저 합의해 두면 공급사 제안서를 비교하는 기준도 훨씬 선명해집니다.
AI 판단과 안전 기능은 분리해서 설계한다
생활 AI의 오판은 대부분 불편함으로 끝나지만, 공장에서는 사람과 설비의 안전으로 이어질 수 있습니다. 안전과 데이터 측면의 요건은 기능 단위로 나눠 미리 정리해 두는 것이 좋습니다.
- 안전 기능과의 분리: 비상정지나 작업자 접근 감지는 기능안전 기준에 따라 인증된 안전 장치가 맡고, AI는 품질·보전 판단을 보조하는 역할로 설계합니다.
- 작업자 영상의 개인정보: 카메라가 작업자의 얼굴이나 행동까지 촬영한다면 촬영 범위, 보관 기간, 이용 목적을 사전에 정하고 안내하는 절차를 갖추는 것이 좋습니다.
- 산업 데이터 보안: 공정 조건과 설비 데이터는 기업의 핵심 노하우이므로, 외부 서버로 보낼 때 접근 권한과 전송 구간 보호를 함께 설계합니다.
- 판단 근거의 기록: 불량 판정이나 정비 권고의 근거 데이터를 남겨두면 거래처 품질 감사와 내부 원인 분석에 대응하기 수월합니다.
클라우드와 엣지, 혼합 운영까지 선택지 넓히기
생활 AI는 서버에서 계산하든 기기 안에서 계산하든 사용자가 신경 쓸 일이 거의 없지만, 공장에서는 모델을 어디에 두느냐가 성능과 비용을 함께 좌우합니다. 리뷰 논문은 서버나 클라우드 배치가 데이터 왕복에 따른 지연을 만들 수 있고, 생산 라인 가까이에 모델을 두는 "엣지 AI"는 지연을 줄이는 대신 연산 자원이 제한돼 모델 경량화가 필요하다고 설명합니다.
이 트레이드오프는 두 가지 축으로 정리하면 판단이 쉬워집니다. 하나는 실시간 판정이 얼마나 필요한지, 다른 하나는 모델이 얼마나 무거운지입니다.
- 실시간성 높음·모델 가벼움: 라인 옆 엣지 장비에서 바로 판정하는 구성이 적합합니다.
- 실시간성 낮음·모델 무거움: 수요예측이나 생산 일정 최적화처럼 대기 시간이 허용되는 작업은 서버·클라우드가 유리합니다.
- 실시간성 높음·모델 무거움: 엣지에서는 경량화 모델로 판정하고, 서버에서 누적 데이터로 재학습해 엣지로 내려보내는 혼합 운영을 고려합니다.
- 실시간성 낮음·모델 가벼움: 어느 쪽이든 가능하므로 기존 IT 인프라, 보안 정책, 운영 인력을 기준으로 고릅니다.
AI만으로 모든 판정을 끝내려 하지 않는 것도 현실적인 대안입니다. 판정이 애매한 구간만 사람이 재검사하도록 나누면 데이터가 충분히 쌓이기 전에도 AI를 보조 도구로 운영할 수 있습니다. 기존에 쓰던 통계적 공정관리 관리도를 버릴 필요도 없습니다. 관리도 해석에는 상당한 통계 지식이 필요한데, AI를 결합하면 데이터를 더 깊이 해석하는 쪽으로 기존 방식을 보강할 수 있습니다.
생활 AI의 원리를 이해했다면, 다음은 우리 라인의 데이터다
생활 속 AI와 제조 AI는 패턴 학습이라는 같은 원리를 공유합니다. 차이는 공장이 드문 불량과 고장을 다뤄야 하고, 오판의 대가가 크며, 현장마다 조건이 달라 외부에서 검증된 성능을 그대로 믿을 수 없다는 데 있습니다.
제조 AI가 생활 AI처럼 바로 쓰이지 않는다는 점은 부담이기도 하지만, 순서를 제대로 잡을 여지가 있다는 뜻이기도 합니다. 장비 선정보다 데이터가 어디에 얼마나 쌓여 있는지를 먼저 확인하는 것이 출발점입니다.
바로 실행할 수 있는 첫걸음은 단순합니다. 가장 자주 반복되는 불량이나 설비 정지 한 건을 골라, 그 전후의 검사 기록과 정비 이력이 남아 있는지 확인해 보십시오. 그 기록의 양과 질이 곧 우리 공장 AI의 출발선입니다.
참고문헌
- Tojo Valisoa Andrianandrianina Johanesa, Lucas Equeter, Sidi Ahmed Mahmoudi. "Survey on AI Applications for Product Quality Control and Predictive Maintenance in Industry 4.0." Electronics(MDPI), Vol.13, No.5, 976. 2024.03.04. https://www.mdpi.com/2079-9292/13/5/976 (CC BY 3.0)
본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.