제조 현장의 AI 알고리즘, 어떻게 골라 쓸까
알고리즘 이름보다 먼저 정해야 할 것은 "풀려는 문제"다
AI 도입 상담에서 자주 받는 질문 중 하나는 "딥러닝으로 할까요, 머신러닝으로 할까요"입니다. 그런데 이 질문에는 순서가 빠져 있습니다. 어떤 불량을 줄이고 싶은지, 어떤 설비의 정지를 미리 알고 싶은지가 정해지지 않으면 알고리즘 비교는 공회전하게 됩니다.
제조 데이터는 금융·유통 데이터와 성격이 다릅니다. 불량과 고장은 드물게 일어나고, 설비마다 센서 구성이 제각각이며, 같은 라인이라도 원자재와 계절에 따라 데이터의 분포가 바뀝니다.
이 글은 주요 알고리즘을 제조 과제에 대응시켜 정리한 뒤, 도입 비용이 실제로 어디서 발생하는지, 높은 정확도가 왜 함정이 될 수 있는지, 안전 기능과 AI를 어떻게 나눠 설계해야 하는지를 차례로 다룹니다.
제조 데이터로 보는 세 가지 학습 방식
머신러닝은 사람이 규칙을 직접 코딩하는 대신, 데이터에서 입력과 결과 사이의 관계를 찾아내는 방법입니다. 학습 데이터에 "정답"이 붙어 있느냐에 따라 크게 세 갈래로 나뉩니다.
지도학습: 정답이 쌓여 있는 과제
양품·불량 판정 이력처럼 결과가 기록된 데이터가 있을 때 씁니다. 과거 공정 조건과 판정 결과를 함께 학습해, 새 제품이 들어왔을 때 결과를 예측합니다.
- 대표 과제: 외관 불량 분류, 공정 조건 기반 품질 예측, 고장 유형 분류
- 전제 조건: 불량·고장 사례가 충분히 쌓여 있고 유형별로 라벨이 붙어 있어야 한다
비지도학습: 정답이 없거나 믿기 어려운 과제
고장 기록이 거의 없는 신규 설비라면 지도학습을 적용하기 어렵습니다. 비지도학습은 정상 상태의 패턴을 먼저 익힌 뒤, 그 패턴에서 벗어나는 신호를 "이상"으로 잡아냅니다.
- 대표 과제: 진동·전류 이상 감지, 설비 상태 군집화
- 대표 기법: 군집화(클러스터링), 입력을 압축했다가 복원하며 정상 패턴을 익히는 오토인코더
강화학습: 시행착오로 제어 방식을 배우는 과제
에이전트가 행동하고 그 결과로 보상을 받으며 최적의 행동을 찾아가는 방식입니다. 실제 설비에서 시행착오를 반복하면 위험하고 비용이 커서, 시뮬레이터나 디지털 트윈 안에서 먼저 학습시키는 것이 일반적입니다.
- 대표 과제: 공정 제어 파라미터 최적화, 로봇 동작 계획, 생산 스케줄링
딥러닝은 언제 필요하고 언제 과한가
딥러닝은 여러 층으로 쌓은 인공신경망이 원시 데이터에서 특징을 스스로 뽑아내는 방식입니다. "뇌를 모방했다"는 설명이 흔하지만, 실무에서 더 중요한 차이는 사람이 특징을 일일이 설계하지 않아도 된다는 점입니다.
카메라 영상이나 음향처럼 구조가 복잡한 데이터에서는 그 장점이 크게 드러납니다. 영상 검사에는 합성곱 신경망(CNN)이, 진동·온도처럼 시간 순서가 중요한 센서 데이터에는 LSTM 같은 순환 구조가 주로 쓰입니다.
반대로 온도·압력·속도 같은 공정 변수가 표 형태로 정리된 데이터라면 사정이 다릅니다. 의사결정나무, 랜덤포레스트, 그래디언트 부스팅 같은 트리 계열 모델은 학습이 빠르고 어떤 변수가 판단에 영향을 줬는지 설명하기 쉬워 먼저 검토할 만합니다. 딥러닝을 쓰면 연산 자원과 데이터 요구량이 늘고, 판단 근거를 설명하기도 어려워집니다.
| 구분 | 잘 맞는 데이터 | 대표 제조 과제 | 데이터 요구 | 결과 해석 |
|---|---|---|---|---|
| 트리 계열 (의사결정나무·랜덤포레스트·부스팅) | 표 형태 공정 변수, 설비 이력 | 품질 예측, 고장 분류 | 소규모부터 가능 | 비교적 쉬움 |
| 서포트 벡터 머신 | 특징이 정리된 중소 규모 데이터 | 모터 고장 진단 | 중간 | 보통 |
| 오토인코더·군집화 | 정상 상태 위주의 센서 신호 | 이상 감지 | 라벨 없이 정상 데이터 다량 | 어려움 |
| CNN | 이미지, 음향 변환 이미지 | 외관 검사, 음향 이상 감지 | 대량 | 어려움 |
| LSTM | 장기간 시계열 센서 | 잔여 수명 예측 | 대량·장기 | 어려움 |
연구 현장은 어떤 알고리즘을 실제로 쓰고 있나
그리스·루마니아 공동 연구진이 2025년 4월 발표한 체계적 문헌 리뷰는 2020~2024년에 나온 머신러닝 기반 예지보전 논문 60편을 산업 분야, 알고리즘, 데이터셋, 평가 지표, 도입 과제 기준으로 분석했습니다. 이 리뷰에서 랜덤포레스트, 의사결정나무, XGBoost 같은 트리 계열은 가장 자주 쓰인 모델군에 속했고, 시계열 처리에 강한 LSTM도 비중 있게 등장했습니다.
연구 성과가 실제 현장까지 이어졌는지도 분류되어 있습니다. 60편 가운데 40편은 모델을 실제 설비 운영에 투입했고, 4편은 실제 공장 데이터를 사후 분석하는 데 그쳤으며, 나머지 16편은 시험 장비나 시뮬레이션, 공개 데이터셋에서만 검증한 시험 단계에 머물렀습니다.
리뷰에 정리된 적용 연구 중에는 대규모 설비 투자 없이 성과를 낸 사례도 있습니다.
- 식음료·소비재 제조: 저가형 센서 키트와 랜덤포레스트를 결합해 설비종합효율(OEE)을 13.1% 높이고 고장을 62.4% 줄였다고 보고했다.
- 포장 로봇: 별도 IoT 인프라 없이 기업 관리 기록과 평균 고장 발생 시간 통계로 신경망을 학습해, 고장을 91% 정확도로 예측했다.
- 목재 가공: 하드웨어 추가 없이 설비 이벤트 로그만으로 트리 기반 모델이 잔여 수명을 98.9% 정확도로 예측했다.
세 사례의 공통점은 고가 장비 대신 저가 센서나 이미 쌓인 기록을 활용했다는 데 있습니다. 다만 수치는 각 연구의 개별 조건에서 나온 결과라서, 다른 현장의 기대치로 그대로 옮기기는 어렵습니다.
비용은 알고리즘이 아니라 데이터와 운영에서 생긴다
주요 알고리즘은 오픈소스로 공개된 경우가 많아 모델 자체의 라이선스 부담은 크지 않은 편입니다. 실제 예산을 좌우하는 것은 모델을 둘러싼 데이터 수집 체계와 운영 체계입니다.
초기 투자에서는 센서와 데이터 수집 구간이 큰 비중을 차지합니다. 기존 설비가 데이터를 외부로 내보내지 못하는 구형 제어기 기반이라면 게이트웨이와 통신 구간을 새로 구성해야 합니다.
숨은 비용은 라벨링 단계에서 드러납니다. 앞의 리뷰도 지도학습이 품질 좋은 라벨 데이터에 의존하는데, 산업 현장에서는 그런 데이터를 모으는 데 비용이 많이 들거나 현실적으로 어려운 경우가 많다고 짚었습니다. 불량 이미지마다 "어떤 불량인지"를 붙이려면 품질 엔지니어의 판단이 필요하고, 그 시간은 프로젝트 예산표에 잘 잡히지 않습니다.
운영 단계에서 꾸준히 발생하는 비용도 미리 계산해 둬야 합니다.
- 재학습: 원자재, 계절, 설비 노후화로 데이터 분포가 바뀌면 모델을 다시 학습시켜야 한다.
- 연산 인프라: 딥러닝 모델은 엣지 장비나 GPU 서버가 필요해 트리 계열보다 운영 부담이 커진다.
- 시스템 연동: 예측 결과를 설비보전 관리 시스템(CMMS)이나 MES와 연결하는 개발이 별도로 든다.
정확도 99%가 함정이 되는 이유
제조 AI 제안서에서 가장 눈에 띄는 숫자는 정확도입니다. 그런데 불량이 드문 라인에서는 정확도가 모델의 실력을 제대로 보여 주지 못합니다. 100개 중 1개만 불량인 라인이라면, 모든 제품을 "양품"으로 판정하는 모델도 정확도 99%가 나옵니다.
리뷰도 같은 문제를 지적합니다. 여러 연구가 95%를 넘는 정확도를 보고하면서 정상·고장 데이터의 비율은 밝히지 않았고, 반도체 공정 데이터셋(SECOM)처럼 불균형이 심한 데이터에서는 높은 정확도가 다수 클래스로 쏠린 결과일 수 있다는 것입니다.
실험실 성능이 현장에서 흔들리는 지점
리뷰는 한 종류의 설비나 단일 센서 데이터로 학습한 모델이 설비와 환경이 다양한 실제 현장에서 성능이 떨어지는 경향을 반복 과제로 꼽았습니다. 시험대에서 잘 작동한 모델도 다른 라인으로 옮기면 센서 위치, 소음, 운전 조건이 달라져 같은 결과를 내기 어렵습니다.
센서 데이터 자체의 신뢰성도 변수입니다. 센서 고장이나 사이버 공격으로 측정값이 왜곡되면 모델이 고장을 놓치거나 엉뚱한 예측을 내놓을 수 있습니다. 도입 검증 단계에서는 아래 세 가지를 따로 확인하는 편이 안전합니다.
- 지표 구성: 정확도 대신 재현율·정밀도와 함께 오탐·미탐 건수를 실제 숫자로 요구한다.
- 데이터 변화: 원자재나 설비 상태가 바뀌면 성능이 서서히 떨어지므로 감시 지표와 재학습 기준을 정해 둔다.
- 판단 근거: 근거를 보여 주지 못하는 경보는 현장에서 무시되기 쉬우므로 설명 기능을 요구한다.
AI 판단과 안전 기능은 분리해서 설계한다
설비 이상을 감지하는 AI가 있다고 해서 비상정지나 인터록 같은 안전 기능을 AI에 맡겨서는 안 됩니다. 머신러닝 모델은 학습하지 않은 상황에서 어떻게 판단할지 미리 모두 검증하기 어렵기 때문입니다. 안전 기능은 IEC 61508 계열 기능안전 표준에 따라 검증된 별도 제어 회로가 맡고, AI는 그 위에서 경보·예측·권고를 담당하는 구조가 기본입니다.
조직 차원의 관리 체계로는 AI 경영시스템 국제표준인 ISO/IEC 42001이 있습니다. AI의 위험 평가, 데이터 관리, 운영 중 감시 같은 요건을 경영시스템 형태로 정리한 표준입니다.
국내에서는 2026년 1월 「인공지능 발전과 신뢰 기반 조성 등에 관한 기본법」이 시행되었습니다. 사람의 생명·신체 안전이나 기본권에 중대한 영향을 줄 수 있는 "고영향 인공지능"에 위험관리, 판단 기준 설명, 사람의 관리·감독 같은 책무를 두는 것이 핵심입니다. 공정 내부에서만 쓰는 품질 예측 모델과 외부 고객에게 공급하는 AI 기반 설비·서비스는 검토 범위가 다를 수 있으므로, 해당 여부를 사업자가 먼저 검토해 두는 것이 좋습니다.
- 안전 기능 독립: 비상정지·인터록은 AI 출력과 무관하게 동작하도록 분리한다.
- 사람의 최종 승인: 설비 정지나 공정 조건 변경처럼 영향이 큰 조치는 담당자 승인을 거치게 한다.
- 이력 보존: 모델 버전, 학습 데이터 범위, 경보 이력을 남겨 사후 원인 분석이 가능하게 한다.
규칙 기반과 머신러닝, 섞어 쓰는 운영 방식
모든 판단을 AI로 바꿀 필요는 없습니다. 현장에서 오래 검증된 규칙과 머신러닝을 함께 쓰는 혼합 방식이 도입 초기의 위험을 줄이는 현실적인 선택이 되는 경우가 많습니다.
- 규칙과 머신러닝: 온도 상한처럼 명확한 한계값은 기존 규칙으로 두고, 규칙으로 잡기 어려운 복합 패턴만 모델이 감시한다.
- 물리 모델과 데이터 모델: 설비의 물리 법칙을 모델에 반영해, 데이터가 적어도 예측이 크게 어긋나지 않게 한다.
- AI 경보와 사람 판단: 모델은 의심 대상을 걸러 주고, 최종 판정은 숙련자가 내린다.
리뷰가 실제 현장에 투입된 연구들에서 찾아낸 공통 운영 구조도 이 혼합 방식의 연장선에 있습니다.
- 데이터 수집: 엣지에서 클라우드로 이어지는 파이프라인이 개방형 프로토콜로 센서 데이터를 실시간 수집한다.
- 모델 운영: 모델을 컨테이너로 패키징해, 데이터 변화가 감지되면 교체하거나 자동으로 재학습한다.
- 설명 계층: 가벼운 설명 기능이 경보의 근거를 기술자에게 보여 줘 신뢰를 높인다.
- 작업지시 연결: 예측 결과가 설비보전 관리 시스템(CMMS)으로 넘어가 곧바로 작업지시로 바뀐다.
리뷰는 이 구조가 풍력 발전 단지, 정유 시설, 병원, 부품 공장에서 두루 확인되었다고 밝혔습니다. 알고리즘의 종류보다 "예측이 작업지시로 이어지는 연결"이 현장 정착을 좌우한다는 의미로 읽을 수 있습니다.
좋은 알고리즘보다 먼저 갖출 것은 "쓸 수 있는 데이터"다
표 형태의 공정 데이터라면 트리 계열 모델부터, 영상·음향·장기 시계열처럼 구조가 복잡한 데이터라면 딥러닝을 검토하는 것이 출발점입니다. 정답 데이터가 부족하다면 비지도학습의 이상 감지가 현실적인 대안이 됩니다.
예산은 알고리즘보다 데이터 수집, 라벨링, 재학습, 시스템 연동에서 주로 발생합니다. 성능은 정확도 한 줄이 아니라 오탐·미탐 건수로 따져야 하고, 안전 기능은 AI와 분리해 검증된 제어 회로에 맡겨야 합니다.
첫걸음은 줄이고 싶은 문제 하나를 정하고, 그 문제와 관련해 이미 쌓여 있는 설비 로그·검사 기록·보전 이력을 목록으로 만들어 보는 일입니다. 앞의 포장 로봇·목재 가공 사례처럼 새 장비 없이 기존 데이터만으로 시작할 수 있는 과제가 생각보다 가까이 있을 수 있습니다.
참고문헌
- Tsallis, C., Papageorgas, P., Piromalis, D., Munteanu, R. A. "Application-Wise Review of Machine Learning-Based Predictive Maintenance: Trends, Challenges, and Future Directions." Applied Sciences, MDPI. 2025.04.28. https://www.mdpi.com/2076-3417/15/9/4898.
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.