제조기업이 알아야 할 AI 기술과 도입 포인트
기술 이름보다 먼저 봐야 할 것은 공장의 데이터다
생성형 AI와 AI 에이전트가 화제가 되면서 "우리 공장에도 AI를 넣어야 한다"는 요구가 늘었습니다. 그런데 막상 프로젝트를 시작하면 모델을 고르기도 전에 데이터 준비 단계에서 일정이 밀리는 경우가 적지 않습니다.
센서 값에는 결측과 잡음이 섞여 들어오고, 설비마다 통신 방식이 다르며, 고장 데이터는 충분히 모이기까지 몇 년이 걸리기도 합니다. 스마트 제조 AI를 다룬 리뷰 논문들도 데이터 품질과 통합을 먼저 넘어야 할 과제로 꼽습니다.
이 글에서는 제조 현장에서 쓰이는 AI 기술의 원리와 쓰임새를 비교한 뒤, 비용이 어디서 생기는지, 설비 제어와 연결될 때 무엇을 지켜야 하는지, 도입이 어디서 막히는지를 차례로 짚어 봅니다.
제조 현장에서 쓰이는 AI 기술 5가지
2022년 스마트 제조 AI 리뷰 논문은 제조 분야의 주요 적용 영역으로 예지보전, 품질 보증, 수율 개선, 협동로봇, 공급망·창고 관리를 꼽습니다. 여기서는 현장 담당자가 자주 마주치는 기술을 작동 원리 중심으로 나눠 봅니다.
영상 기반 품질 검사 AI
합성곱 신경망(CNN) 같은 딥러닝 모델이 카메라 이미지에서 결함 패턴을 스스로 학습하는 방식입니다. 사람이 검사 규칙을 하나씩 정의하던 규칙 기반 머신비전과 달리, 정상·불량 이미지를 학습시켜 판정 기준을 만듭니다.
- 외관 결함, 용접 불량, 표면 흠집처럼 눈으로 구분하던 검사에 적합합니다.
- 불량 이미지가 적은 경우가 많아 데이터 증강이나 사전학습 모델 활용을 함께 검토합니다.
예지보전 AI
진동·온도·압력 같은 시계열 센서 데이터에서 고장 전조를 찾는 기술입니다. LSTM 같은 순환 신경망이나 오토인코더 기반 이상 탐지가 대표적입니다.
- 설비가 멈추기 전에 정비 시점을 잡아 정지 시간을 줄이는 것이 목적입니다.
- 고장 사례가 드물어 정상 데이터만으로 학습하는 이상 탐지 방식이 유용합니다.
공정 최적화 AI
강화학습은 정답 데이터 없이 환경과 상호작용하며 보상이 커지는 방향으로 제어 정책을 익히는 방식입니다. 컨베이어 속도, 사출 온도·압력처럼 여러 변수가 얽힌 공정 조건 조정에 쓰입니다.
- 정교한 물리 모델이 없어도 운영 데이터나 시뮬레이션으로 학습할 수 있습니다.
- 실제 라인에서 시행착오를 반복할 수 없어 디지털 트윈 같은 가상 환경에서 먼저 학습시키는 방식이 함께 연구되고 있습니다.
에지 AI
데이터를 클라우드로 보내지 않고 설비 가까이에 둔 장치에서 바로 추론하는 방식입니다. 응답 지연과 네트워크 부하를 줄이고, 데이터가 공장 밖으로 나가는 경로를 줄여 줍니다.
- 로봇 조립 라인이나 안전 감시처럼 즉각적인 응답이 필요한 작업에 유리합니다.
- 장치의 연산 자원이 제한적이고, 흩어진 장치를 관리·동기화하는 부담이 따릅니다.
AI 에이전트와 생성형 AI
AI 에이전트는 데이터를 인식하고, 모델로 판단하고, 실행까지 이어 가는 시스템입니다. 2025년 리뷰 논문은 영상 검사와 예지보전 결과를 받아 디지털 트윈에서 생산 일정을 다시 짜는 식으로 여러 AI를 엮는 것을 다음 단계로 봅니다.
- 사람이 예측 결과를 해석하던 방식에서 판단과 조치가 이어지는 "폐루프 운영"으로 넘어가는 개념입니다.
- 생성형 AI는 숙련자의 지식을 체계화하는 쪽으로 역할이 넓어질 것으로 같은 논문은 내다봅니다.
에이전트의 판단 품질은 결국 아래 단계의 데이터와 모델이 얼마나 믿을 만한지에 달려 있습니다. 기술별 특징을 정리하면 다음과 같습니다.
| 기술 | 작동 원리 | 주요 입력 데이터 | 대표 적용 | 도입 시 핵심 과제 |
|---|---|---|---|---|
| 영상 검사 AI | 이미지에서 결함 패턴 학습 | 카메라 이미지 | 외관·용접·표면 검사 | 불량 이미지 확보 |
| 예지보전 AI | 시계열에서 이상 징후 탐지 | 진동·온도·압력 | 회전 설비·펌프 상태 감시 | 고장 데이터 부족 |
| 공정 최적화 AI | 보상 기반 제어 정책 학습 | 공정 조건·운영 데이터 | 속도·온도·압력 조정 | 안전한 학습 환경 |
| 에지 AI | 현장 장치에서 즉시 추론 | 실시간 센서·영상 | 저지연 판정·안전 감시 | 장치 자원·분산 관리 |
| AI 에이전트 | 인식·판단·실행 연결 | 여러 시스템의 데이터 | 생산 일정 재조정 | 하위 데이터·모델 신뢰성 |
AI 비용은 모델보다 데이터에서 먼저 생긴다
AI 예산을 소프트웨어와 모델 비용 중심으로만 잡으면 실제 지출과 차이가 벌어집니다. 2022년 리뷰 논문은 안정적인 데이터 수집·저장에 새 인프라가 필요해 인력과 비용이 많이 들고, 오류 제거·형식 변환·라벨링 같은 데이터 준비에도 별도의 노력이 든다고 짚습니다.
비용을 성격별로 나누면 다음과 같습니다.
- 초기 투자: 센서 추가와 교정, 데이터 수집 장치, 저장 공간 구축 비용입니다.
- 운영비: 잡음 제거·결측 보정 같은 전처리, 불량 이미지 라벨링, 모델 재학습에 드는 인력·연산 비용입니다.
- 숨은 비용: 통신 방식이 다른 구형 설비 연동, 보안 체계 구축, 데이터 전송·보관 비용입니다.
데이터를 어떤 방식으로 쌓을지도 비용을 좌우합니다. 2025년 리뷰 논문에 따르면 산업 현장은 데이터 양이 워낙 많아 원시 데이터를 전부 저장하는 방식이 비용 면에서 맞지 않는 경우가 많고, 에지에서 먼저 정제한 뒤 필요한 데이터만 적재하는 방식이 선호됩니다.
중소기업이라면 출발점이 다를 수 있습니다. 같은 논문은 사용량 기반 클라우드로 초기 인프라 투자를 낮추고, 고가의 센서를 대거 교체하기보다 필터링·보간 같은 전처리 기법으로 먼저 시작하는 방법을 제시합니다.
AI가 설비를 움직일 때 지켜야 할 안전·보안 요건
AI가 화면에 경고를 띄우는 단계와 설비를 직접 제어하는 단계는 위험의 크기가 다릅니다. 판단 결과가 로봇 동작이나 공정 조건 변경으로 이어지는 순간부터 안전·보안 요건이 설계의 출발점이 됩니다. 2022년 리뷰 논문도 데이터 품질, 데이터 기밀성과 함께 "AI 안전"을 완전 자동화된 산업 AI의 3대 과제로 꼽습니다.
안전 기능은 AI 판단과 분리한다
딥러닝 모델은 판정 근거를 설명하기 어렵고, 학습하지 못한 상황에서는 예측이 흔들릴 수 있습니다. 그래서 사람의 안전과 직결된 기능을 AI 판단에만 맡기지 않는 구성이 중요합니다.
- 비상정지, 안전 센서, 방호 장치 같은 기본 안전 기능은 AI와 독립된 경로로 유지합니다.
- 협동로봇에 AI 비전을 결합할 때는 협동로봇 안전 국제표준(ISO 10218 시리즈, ISO/TS 15066)이 정한 협동 운전 방식(속도·분리 감시, 동력·힘 제한 등) 가운데 적용 방식에 맞는 안전 요건을 갖춰야 합니다.
데이터 기밀과 제어망 보안
산업 데이터에는 개인정보는 적어도 공정 조건이나 공급망 정보 같은 영업 기밀이 담깁니다. 2022년 리뷰 논문은 클라우드에서 학습·추론할 때 전송·처리 과정에서 데이터가 노출되거나, 저장된 모델로부터 학습 데이터가 역추론될 수 있다고 경고합니다.
- 2025년 리뷰 논문은 전송·저장 데이터 암호화, OPC UA 같은 인증 프로토콜, 역할 기반 접근 통제, 꾸준한 보안 패치를 권고합니다.
- 제어망 보안은 산업제어시스템 보안 국제표준(IEC 62443)처럼 네트워크를 구역으로 나누고 구역 간 통신을 통제하는 방식으로 접근합니다.
- AI를 조직 차원에서 관리하려면 AI 관리체계 국제표준(ISO/IEC 42001)처럼 위험 평가와 운영 모니터링의 책임 주체를 정해 두는 것이 출발점입니다.
도입이 멈추는 지점, 시행착오에서 얻는 점검 포인트
AI 프로젝트가 시범 적용에서 멈추는 이유는 여러 가지지만, 두 리뷰 논문이 공통으로 짚는 걸림돌은 데이터와 운영 쪽에 몰려 있습니다. 그 지점을 현장 언어로 풀어 보면 다음과 같습니다.
고장 데이터는 기다린다고 쌓이지 않는다
설비 고장은 짧은 기간에 몰려 나타나지 않고 설비 수명 전체에 걸쳐 드문드문 발생합니다. 2022년 리뷰 논문은 가능한 고장 유형을 모두 담은 데이터를 모으려면 수년이 걸릴 수 있다고 봅니다.
"데이터가 충분히 쌓이면 시작하자"는 계획이 위험한 이유입니다. 정상 데이터로 학습하는 이상 탐지로 먼저 시작하고, 라벨이 붙은 소량의 데이터와 라벨이 없는 다량의 데이터를 함께 쓰는 반지도학습으로 라벨링 부담을 줄이는 접근이 현실적입니다.
잘 맞던 모델도 시간이 지나면 어긋난다
작업 환경이 바뀌고 설비가 노후되면 고장 양상 자체가 달라집니다. 처음에 정확하던 모델에서 시간이 지나며 오탐이 늘어나는 것은 모델이 고장 난 것이 아니라 현장이 변했기 때문입니다.
2022년 리뷰 논문은 기존 학습 내용을 잃지 않으면서 새 데이터로 모델을 갱신하는 "지속학습"을 모델 유지관리의 핵심으로 꼽습니다. 도입 계약 단계에서 재학습 주기와 그 책임 주체를 정해 두지 않으면, 성능 저하가 현장 불신으로 이어지기 쉽습니다.
합성 데이터는 실제 데이터를 대신하지 못한다
불량 이미지가 부족하면 회전·잘라내기 같은 가공이나 생성 모델로 학습 데이터를 늘리곤 합니다. 이때 현장에서 지켜야 할 원칙은 두 가지입니다. 실제 공정에서 나타날 수 없는 형태의 불량은 만들지 않을 것, 그리고 합성 데이터로 학습한 모델의 성능은 반드시 실제 라인 데이터로 확인할 것입니다.
2022년 리뷰 논문도 합성 데이터만으로는 실제 데이터를 온전히 대신할 수 없다고 봅니다. 증강은 부족한 데이터를 보완하는 수단이지, 실제 불량 데이터 수집을 건너뛰는 지름길이 아닙니다.
데이터 출처마다 성격이 다르다
2025년 리뷰 논문은 공장 데이터를 출처별로 구분해 각각의 함정을 짚습니다.
- 센서·IIoT: 수집 주기가 짧아 양이 많고, 장비·전송 장애로 결측과 오류가 생깁니다.
- SCADA: 실시간으로 수집되지만 중복되거나 분석에 쓸모없는 값이 많고 사이버보안 요구가 큽니다.
- ERP: 구조가 정돈되어 있지만 갱신 주기가 길고 수기 입력이 많습니다.
같은 논문은 데이터 품질을 정확성·완전성·일관성·기밀성 네 기준으로 평가하라고 제안합니다. 센서·SCADA·ERP에서 모인 데이터는 정제·결측 보정, 단위와 범위가 제각각인 값을 맞추는 정규화, 출처별 데이터를 묶는 통합을 거쳐 에지나 클라우드의 모델로 들어가고, 현장에 적용한 결과는 다시 재학습 데이터로 쌓여야 모델이 현장 변화를 따라갑니다.
에지·클라우드·하이브리드, 공장 조건에 맞는 운영 조합
AI를 어디서 돌릴지는 유행보다 공장의 운영 조건으로 정해야 합니다. 2025년 리뷰 논문은 응답 속도, 데이터 규모, 보안, 비용을 기준으로 에지와 클라우드의 쓰임을 구분합니다.
에지는 밀리초 단위 응답이 필요한 로봇 조립이나 안전 감시, 네트워크 대역이 부족한 현장, 공장 밖으로 내보내기 어려운 데이터를 다룰 때 유리합니다. 네트워크가 끊겨도 현장 판단을 이어 갈 수 있다는 점도 장점입니다.
클라우드는 모델 학습, 장기 이력 분석, 여러 사업장 데이터를 모아 비교하는 작업처럼 연산과 저장 공간이 많이 필요할 때 맞습니다. 사용량 기반 과금이라 초기 투자 부담이 작아, 지연에 덜 민감한 소규모 분석이라면 중소기업이 클라우드로 먼저 시작하는 선택지도 있습니다.
실시간 제어와 대규모 분석이 모두 필요하다면 둘을 섞는 하이브리드가 적합합니다. 같은 논문은 오늘날 산업 현장 구현의 대부분이 이 방식을 택한다고 보며, 역할 분담은 다음과 같습니다.
- 에지는 시간에 민감한 전처리와 즉각적인 제어를 맡습니다.
- 클라우드는 무거운 분석, 모델 재학습, 전사 데이터 통합을 맡습니다.
제조 AI의 첫 단추는 설비 한 대의 깨끗한 데이터다
제조 현장의 AI 기술은 영상 검사, 예지보전, 공정 최적화, 에지 AI, AI 에이전트로 나뉘지만, 어느 기술이든 데이터 품질과 통합이 먼저 갖춰져야 제 성능을 냅니다. 비용은 모델보다 수집·전처리·라벨링·재학습에서 먼저 생기고, AI가 설비 제어로 이어지는 순간부터는 안전 기능 분리와 데이터 기밀 관리가 설계 조건이 됩니다.
도입이 멈추는 지점도 상당 부분 데이터와 운영에 있습니다. 고장 데이터는 기다린다고 쌓이지 않고, 잘 맞던 모델도 현장이 바뀌면 어긋납니다. 실행 위치는 응답 속도와 데이터 규모에 맞춰 에지·클라우드·하이브리드 중에서 고르면 됩니다.
첫걸음은 크지 않아도 됩니다. 2025년 리뷰 논문이 디지털 트윈을 도입하려는 중소기업에 권하는 출발점처럼, 가치가 큰 핵심 설비 한 대를 고르고, 소수 핵심 센서에서 시간이 맞춰진 깨끗한 데이터를 확보하고, 이 데이터가 자동으로 흘러가는 단순한 파이프라인부터 만들어 보시기 바랍니다.
참고문헌
- Xu, J., Kovatsch, M., Mattern, D., Mazza, F., Harasic, M., Paschke, A., Lucia, S. "A Review on AI for Smart Manufacturing: Deep Learning Challenges and Solutions." Applied Sciences (MDPI), 12(16), 8239. 2022년 8월 17일. https://www.mdpi.com/2076-3417/12/16/8239
- Hramov, A.E., Pisarchik, A.N. "Big Data Management and Quality Evaluation for the Implementation of AI Technologies in Smart Manufacturing." Applied Sciences (MDPI), 15(22), 11905. 2025년 11월 9일. https://www.mdpi.com/2076-3417/15/22/11905
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.