H사 · W사 · P사가 만난 HD솔루션즈 AI — 여섯 개 산업 실제 적용 사례

서로 다른 여섯 개 산업, 하나의 아키텍처

앞선 글에서 HD솔루션즈가 30년 제조 도메인 지식과 글로벌 AI/ML 인력을 결합해 도메인 지식 기반·설명 가능·온프레미스·모듈형이라는 네 가지 원칙으로 AI를 설계한다는 점을 살펴봤다. 원칙이 아무리 명확해도, 그것이 실제 산업 현장에서 통했는지는 별개의 문제다. 가트너가 지적했듯 생성형 AI 프로젝트의 상당수가 PoC 단계 이후 폐기되는 이유도, 결국 원칙과 실제 현장 적용 사이의 간극을 메우지 못했기 때문이다.[1]

HD솔루션즈는 이 질문에 자동차, 조선, 사출기, 해운, 바이오·헬스, 부품 제조라는 여섯 개의 서로 다른 산업 사례로 답한다. 각 사례는 별도의 산업, 별도의 고객사에서 나온 결과지만 모두 동일한 4레이어 11모듈 아키텍처에서 조합됐다는 공통점을 갖는다. 이 글은 그 여섯 개 사례를 하나씩 짚는다.

사례 1 — 해석 리드타임 10일을 1일로:  H사와 함께한 사출성형 해석 AI

과거 해석 데이터는 프로젝트가 끝나면 그대로 방치되는 경우가 많았다. 신규 형상 하나를 해석하는 데 6~24시간이 걸리고, 반복 검토까지 포함하면 약 10일이 소요됐다. 게이트 위치와 성형 조건은 개인의 경험에 의존했기 때문에, 금형 수정 트라이가 5~15회에 이르는 경우도 흔했다.

HD솔루션즈는 이 문제를 유사도 검색과 도메인 지식 보정으로 풀었다. 과거 해석 데이터를 유사도 검색으로 재활용하고 도메인 지식으로 보정해, 신규 형상의 해석 결과를 수 분 내로 예측하는 구조다. 재학습이 아니라 검색과 보정으로 동작하기 때문에 신규 형상이나 조건이 들어와도 학습 대기 시간이 없다는 것이 핵심이다.

 

이 성과는 H사와의 협업을 통해 실제 해석 데이터 기반으로 예측 정확도가 실증됐다. 이 AI가 다른 이유는 세 가지로 요약된다. 재학습이 아닌 Zero-Training 구조로 동작해 학습 대기 시간이 없고, 유동·열·역학 물리 법칙에 근거해 계산한 뒤 왜 이 값인지 근거를 함께 제시하는 설명 가능한 보정 로직을 갖췄으며, 기존 CAE 도구를 대체하는 것이 아니라 축적된 해석 자산을 검색·재활용하는 데이터 자산화 플랫폼으로 작동한다.

이 세 가지 특징을 뒷받침하는 핵심 AI 기술은 3D 형상 유사도 검색, 과거 해석 데이터 자산화, 도메인 지식 기반 물리 보정, Zero-Training 예측 구조, 설명가능 AI(XAI), 사출 조건 자동 생성 알고리즘 등이다. 이 기술은 사출성형에 그치지 않고 프레스·다이캐스팅·주조, 반도체 열관리, 자동차·항공 공기역학, 풍력·HVAC 설계, 바이오 의료기기, 데이터센터 냉각·건축 풍하중 CFD까지 확장 가능하다. 하나의 물리 기반 보정 로직이 이렇게 다양한 산업으로 확장될 수 있다는 것은, 이 기술이 특정 부품 형상 하나에 맞춰진 것이 아니라 유동·열·역학이라는 범용적인 물리 원리 위에 설계됐기 때문이다.

사례 2 — 체감온도 8℃, WBGT 15%를 동시에 잡다: S사와 함께한 조선소 열환경 제어 AI

조선소 야외 Block 제작 현장은 상시적인 온열질환 위험에 노출돼 있다. 고온·고습에 강철 구조물의 복사열까지 더해지는 환경에서, 기존에는 단순 타이머 제어 방식으로 냉각 설비를 가동해 왔다. 정해진 시간에 정해진 구역만 분사하는 방식이었기 때문에 개별 구역의 실제 온열 상태에 맞춘 정밀 대응이 불가능했고, 저압 분무 방식은 표면에 결로를 유발해 도장·용접 품질 저하 우려까지 더했다.

HD솔루션즈는 이 문제를 Janus AI 기반 3D CFD 시뮬레이션과 IoT·WBGT 자율제어로 풀었다. 센서 데이터와 Janus AI(CFD 및 ICP 알고리즘)를 결합해 조선소 야드의 열환경을 입체적으로 관리하는 구조다. Zero-Training AI가 실시간으로 정체구역을 산출하고, 고압 미세분사를 완전 기화시키는 Dry Fog 방식으로 결로 없는 증발 냉각을 구현하며, 센서·생체신호·풍향 데이터를 연동해 증발한계선을 실시간으로 예측하는 지능형 자율 제어로 분사량을 조절한다.

 

이 성과는 S와의 협업을 통해, CFD 기반 ICP 알고리즘(Iterative Closest Point, 반복 최근접점 알고리즘)으로 조선소 야드의 열환경을 입체적으로 통제하며 실증됐다. 이 AI가 다른 이유는 세 가지로 요약된다. Janus AI의 3D CFD 해석을 기반으로 실시간 정체구역을 예측하는 Zero-Training 구조로 동작해 별도 학습 대기 시간 없이 곧바로 현장에 적용할 수 있고, 고압 미세분사를 결로 없이 완전 기화시키는 Dry Fog 방식으로 도장·용접 공정과 충돌하지 않으며, 센서·생체신호·풍향 데이터를 연동해 증발한계선을 실시간으로 예측하고 자율 분사량을 조절하는 지능형 자율 제어까지 하나의 시스템 안에서 완결된다는 점이다.

핵심 AI 기술로는 Janus AI 기반 3D CFD 해석, ICP(반복 최근접점) 알고리즘, IoT·WBGT 연동 자율 제어, Zero-Training 실시간 정체구역 예측, 생체신호 연동 지능형 분사 제어 등을 꼽을 수 있다. 이 기술은 조선소 야드 열환경 관리에 그치지 않고, 제철소·시멘트 공장 등 고온 복사열 현장의 작업자 안전관리, 대형 물류창고·공항 계류장의 옥외 냉각, 건설 현장 온열질환 예방, 데이터센터·플랜트의 국소 열환경 제어로 확장 가능하다.

사례 3 — 시사출 50회를 8회로: W사와 함께한 사출기 자율 최적화 AI

사출기 현장에서는 신규 금형을 셋업할 때마다 시사출을 약 50회 진행해야 했고, 조건 탐색에만 2~3일이 걸렸다. 수지 로트나 온도 변화로 조건이 이탈하면 불량이 발생한 뒤에야 수동으로 재조정하는 구조였고, 보정 품질도 작업자 숙련도에 따라 설비·교대 간 산포가 컸다.

HD솔루션즈는 사출기에서 수집되는 실시간 공정 데이터로 조건 이탈을 감지하고 스스로 복원하는 자율 최적화 루프를 구축했다. 클라우드 왕복 없이 사출기 제어기와 직결돼 사이클 단위로 판단하고 보정하는 Edge AI 구조다.

●      시사출 횟수: 50회 → 8회

●      조건 셋업 시간: 2~3일 → 반나절

●      공정 안정성: 실시간 자율 보정 루프로 조건 이탈 감지 즉시 자동 복원, 공정 산포 축소로 양산 불량률 최소화

이 성과는 국내 사출기 시장의 40%를 점유하는 우진플라임과의 MOU를 통해 검증됐다. 이 AI가 다른 이유는, 별도 시스템 구축 없이 사출기에 기본 탑재되는 장비 번들 아키텍처로 설계돼 특정 제조사에 종속되지 않는다는 점이다. 도메인 지식 엔진이 보정의 방향과 크기를 물리 법칙에 근거해 결정하기 때문에, 왜 이 값으로 보정했는지 근거도 함께 제시한다. 이 구조는 다이캐스팅·프레스 설비, 압출·블로우 성형, CNC·공작기계, 스마트팩토리 무인 운전으로 확장 가능하다.

사례 4 — 예측을 의사결정 시그널로: P사와 함께한 해운시장 지수 예측

해운 운임 지수는 비선형적이고 비정상적이며, 신호 대비 잡음비가 낮은 대표적인 예측 난제다. 기존에는 운임 전망이 담당자의 경험과 단순 시계열 지표에 의존했고, 단기 고승률이 실제로는 과적합에 의한 착시인지 걸러낼 검증 장치가 없었다. 시장 국면이 전환되면 기존 모델이 무력화되는 문제도 반복됐다.

HD솔루션즈는 이 문제에 월스트리트 퀀트 방법론을 적용했다. 회귀·분류, 전통 머신러닝·딥러닝을 아우르는 다중 옵션 모델링으로 과제별 최적 접근을 선택하고, 다중 국면 인식과 선행지표 추출로 거시 변수와 시장 국면을 반영한다. 결과는 오차 최소화가 아니라 방향성·기댓값·손익비 중심의 평가로 제공돼, 실제 운용 판단에 쓸 수 있는 시그널로 전환된다.

이 접근은 P사와 함께 Baltic Dry Capesize 5TC, C14 지수의 10일 예측 PoC로 검증됐으며, 다중 검정과 백테스트 과적합을 통제하는 설계가 함께 적용됐다. 이 예측이 다른 이유는 세 가지다. 기억 보존형 데이터 평활화, 다중 국면 인식 모형, 정보 흐름 기반 선행지표 추출 등 Top-Tier 퀀트 기법을 해운 지수에 적용했고, 단기 고승률의 착시에 속지 않도록 점 예측의 지연 현상까지 검증하는 착시 없는 검증 체계를 갖췄으며, 오차 최소화가 아니라 방향성·기댓값·손익비·리스크를 함께 평가하는 의사결정 중심의 평가를 제공한다. 이 방법론은 전력 예측, 원자재·에너지 가격 예측, 수요·공급망 예측, 금융·트레이딩 시그널, 물류 운영 계획 최적화로 확장할 수 있다.

사례 5 — 제품 코드 하나로 시작하는 품질 문서 체계: K사와 함께한 GMP 플랫폼

바이오·헬스 산업에서는 품질 문서가 부서와 시스템에 흩어져 있어 제품 기준의 통합 관리가 어려웠다. 사양서·표준서·제조기록서를 반복 작성하고 교차 검토하는 데 오랜 시간이 걸렸고, 변경 이력과 감사 대응 근거를 사람이 일일이 추적해야 했다. 규정·SOP·클레임 이력에 대한 질의도 담당자 개인의 경험과 기억에 의존하는 구조였다.

HD솔루션즈는 제품 코드 하나로 GMP 문서 패키지를 자동 구성하는 플랫폼을 만들었다. 모든 필드에 근거·검증 상태·버전 이력을 연결해, 사양서·표준서·제조기록서를 자동 생성하고 Audit Trail을 완비한다. 클레임 사례를 학습해 과거 이력과 근거 문서를 연결하고 답변서 초안까지 자동으로 작성하며, RAG 기반 AI Assistant를 통해 규정·SOP·이력을 자연어로 질의하면 즉시 응답을 받을 수 있다.

이 플랫폼은  K사의 건강기능식품 GMP 운영 문서 체계에 도입돼 검증됐다. 이 AI가 다른 이유는, 규칙 기반 핵심 처리에 LLM을 제한적으로만 결합해 제약 GMP 수준의 신뢰성을 요구하는 문서에 맞춘 Hallucination 차단 설계를 갖췄고, 모든 필드가 원본 근거 문서·버전과 연결돼 감사 요청 시 즉시 근거를 제시할 수 있는 근거 추적성을 확보했으며, 문서 생성 후 규정 준수 검증부터 오류 탐지, 일탈 전조 보고까지 QA Copilot이 1차로 스크리닝하는 검증까지 하나의 흐름으로 완결된다는 점이다. 각 단계를 전담 에이전트가 수행하는 멀티 에이전트(MAS) 구조로 동작하며, 핵심 AI 기술로는 RAG 기반 문서 검색·생성, 근거 기반 필드 매핑, 멀티 에이전트 오케스트레이션, AI 가드레일(Guardrails), Audit Trail 자동화 등을 꼽을 수 있다. 이 구조는 제약·화장품·식품 GMP, 인증·규제 대응 문서, 품질 클레임 대응, 엔터프라이즈 문서 자동화로 확장 가능하다.

사례 6 — 종합 수율 98.24%: D사와 함께한 Vision AI 검사 자동화

금속 부품 외관 검사는 난반사·곡면·진동이라는 세 가지 난제 때문에 자동화가 어려운 영역으로 꼽혀 왔다. 기존에는 육안이나 외주 인력에 의존해 작업자별 판정 편차가 발생했고, 곡면 금속의 난반사(핫스팟·과노출)와 설비 진동이 자동화 난이도를 높였다. 불량 데이터 자체가 부족해 지도학습 기반 AI를 적용하기도 구조적으로 어려웠다.

HD솔루션즈는 광학 설계와 AI 알고리즘을 하나의 아키텍처로 통합해 이 문제를 풀었다. 크로스 편광, 돔 조명, HDR 합성으로 결함 정보 소실을 원천 차단하고, 정상 데이터 기반 비지도 이상 탐지로 미지의 불량 유형까지 포착한다. Edge에서 자동 판정을 내리고 결함을 히트맵으로 시각화해, MES와 연계된 독립 검사 셀을 구성한다.

 

이 시스템은 D사의 스마트공장 구축 사업을 통해 무인 야간 가동(Dark Factory) 검사 라인을 지향하는 형태로 적용됐다. 이 AI가 다른 이유는, 돔 조명·크로스 편광·HDR 다중 노출 합성까지 하드웨어와 알고리즘을 하나로 설계해 핫스팟과 모션 블러를 원천 제어하는 광학-AI 통합 설계를 갖췄고, 정상 데이터만으로 시작해 Active Learning으로 현장에서 스스로 진화하는 불량 데이터 없이 시작하는 구조를 채택했으며, AUC-ROC·SSIM 등 국제 표준 지표와 과검률 2% 이하 목표를 수리적으로 정의해 감이 아닌 숫자로 성능을 증명하는 검증 가능한 성능 정의를 갖췄다는 점이다. 이 기술은 베어링·정밀 가공 부품, 다이캐스팅 표면 검사, 전자 부품 외관 검사, 무인 야간 가동 라인으로 확장할 수 있다.

R&D 진행 중 — 2D 도면을 3D 자산으로

다섯 개 실증 사례 외에, HD솔루션즈는 2D 도면 기반 3D 형상 변환 엔진을 R&D 단계에서 진행하고 있다. 지금까지는 사람이 2D 도면을 해석해 CAD에서 수작업으로 3D 모델링을 했고, 치수 오독이나 누락, 뷰 불일치 검증도 작업자 경험에 의존했다. 오래된 레거시 도면 자산은 3D 전환 비용 부담 때문에 방치되는 경우가 많았다.

이 엔진은 도면을 이미지가 아니라 데이터로 다룬다. 선·원·치수·뷰 관계를 자동으로 구조화하는 Vector-first Parsing 방식으로, CAD Operation 기반의 3D 생성 후보와 검증 리포트를 함께 제공하며 치수 근거를 추적한다. 불확실한 영역은 임의로 보간하지 않고 진단·보류 처리하는 Safety Guard 기반 검증 구조를 갖췄다는 점이 다른 이미지 생성 AI와의 결정적 차이다. 핵심 AI 기술로는 Vector-first 도면 파싱, 치수 근거 추적, Multi-view 형상 추론, 생성형 CAD(Generative CAD), Safety Guard 기반 검증을 꼽을 수 있다. 이 기술이 완성되면 레거시 도면의 3D 자산화, 자동 견적, 시뮬레이션 전처리, 설계 검색·표준화, 디지털 트윈으로 이어질 수 있다.

다섯 사례를 관통하는 하나의 구조

자동차, 사출기, 해운, 바이오·헬스, 부품 제조 — 산업도 다르고 문제도 다르지만, 이 다섯 사례는 모두 4레이어 11모듈 아키텍처에서 필요한 모듈만 조합해 구축됐다는 공통점을 갖는다.

●      사출성형 해석·자율 최적화: 도메인 지식 엔진 + Simulation + Edge + Control + Quality

●      해운시장 지수 예측: Forecast + Planner + 도메인 지식 엔진

●      품질 운영 지능화 플랫폼: Assist + DocFlow + 도메인 지식 엔진

●      Vision AI + Dark Factory 검사: Edge + Vision + Quality

●      2D 도면 기반 3D 형상 변환(R&D): 도메인 지식 엔진 + Simulation + Assist

이 다섯 사례가 반복적으로 같은 아키텍처에서 서로 다른 모듈 조합으로 성과를 냈다는 사실은, 하나의 성공이 우연이 아니라 재현 가능한 역량이라는 근거가 된다. 특정 산업, 특정 고객사에만 통하는 맞춤 개발이 아니라, 처음부터 여러 산업에 이식 가능한 구조로 설계됐기 때문에 가능한 결과다.

맺으며 — 다음 사례도 예측 가능하다

H사와 함께 해석 리드타임을 10일에서 1일로 줄이고, 우진플라임과 함께 시사출을 50회에서 8회로 줄이고, P사 함께 해운 지수 예측을 의사결정 시그널로 전환하고, K사와 함께 GMP 문서 체계를 지능화하고, S 사와 함께 조선소 야드의 체감온도를 8℃ 낮추고, D사와 함께 종합 수율 98.24%의 무인 검사 라인을 구축한 여섯 사례는 각각 독립된 성과이자, 동시에 하나의 공통된 구조를 증명하는 조각이다. 자동차 부품 설계, 조선,  사출기 현장 제어, 금융 수준의 시계열 예측, 제약 GMP 문서 관리, 정밀 금속 검사라는 서로 접점이 없어 보이는 여섯 개 과제가 같은 아키텍처에서 풀렸다는 사실 자체가, 이 기술 기반의 재현성을 보여주는 가장 직접적인 증거다.

제조기업 실무자에게 남는 실질적 제언은 하나다. AI 도입을 검토할 때는 일반론적 효과가 아니라, 유사한 조건에서 실제로 어떤 수치가 나왔는지를 먼저 확인해야 한다. '불량률을 줄여준다'거나 '생산성을 높여준다'는 식의 막연한 약속이 아니라, 어떤 산업에서 어떤 방법론으로 그 수치가 나왔는지를 되짚어야 시행착오를 줄일 수 있다. HD솔루션즈의 여섯 사례는 그 질문에 이미 구체적인 답을 갖고 있으며, 스마트팩토리아를 통해 이 검증된 아키텍처에 접근할 수 있다는 것은 제조기업의 AX 전환 리스크를 실질적으로 낮추는 경로가 된다.

 

참고문헌

[1] Gartner, Inc. "Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025." Gartner Newsroom. July 2024. https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[2] Deloitte. "Industry 4.0 and predictive technologies for asset maintenance." Deloitte Insights. https://www.deloitte.com/us/en/insights/industry/manufacturing-industrial-products/industry-4-0/using-predictive-technologies-for-asset-maintenance.html 

※ 본 콘텐츠는 스마트팩토리아 파트너사인 HD솔루션즈가 제공한 공식 자료를 바탕으로 작성되었습니다. 콘텐츠 내 제품, 기술 및 솔루션 관련 정보는 HD솔루션즈의 자료를 기준으로 작성되었음을 알려드리며, 인용 시 출처를 명확히 밝혀주시기 바랍니다.

본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다.