[글 한국인더스트리4.0협회 박한구 명예회장] 최근 많은 제조 기업에서 AI를 도입하기 위해 데이터를 수집·저장하고 분석·활용하는 사업을 진행하고 있다. 제조기업에서 AI를 도입하기 위해서는 자동화된 공정을 기반으로 Raw Data를 수집, 1년 이상 축적된 데이터를 이용해 공정에서 해결하지 못한 고질적인 문제를 해결해야 된다. 다만 기업 내 경영자는 마음이 급하다. 경쟁사보다 AI 기술을 먼저 도입해 효율성을 높여 시장을 선점하고 싶어 한다.
지금까지 제조기업들은 알고 있는 문제에 대한 재발을 막기 위해 규칙 기반 ‘If-then’ 알고리즘을 바탕으로 프로그램을 개발·적용해 왔다. 최근에는 머신러닝 기술을 접목, 문제 하나를 해결하기 위한 Data Science 방법론으로 추진하고 있다.
이번 칼럼에서는 ‘이제까지 해온 것은 기업에서 자체 인력을 양성하며 문제 해결을 위한 시도라고 생각하고, 이제 실질적인 AI 솔루션을 도입해 경영 성과를 창출할 수 있는 기본적인 도입 방법론’을 공유하고자 한다. 또 경영자에게 프로세스 품질, 설비 가용성 및 공장 운영 등으로 종합적인 생산성을 향상하는 데 적용되는 AI 솔루션에 대한 선택 기준을 논하고자 한다. 특히 중요 AI 시스템 관련 요구사항을 자세히 살펴봄으로써 스마트공장에서 AI 범위와 규모를 확대할 수 있는 기반을 구축하는 데 도움이 되고자 한다.
기술과 기업 문화간 결합 중요
21세기 제조기업 운영은 급변하는 수요와 글로벌 경쟁에 직면해 있다. 제조기업은 △제품 혼합 생산 및 설비 가용성 증가 △프로세스 효율성 향상 △품질 및 규정 준수 개선으로 대응하고 있다. 인더스트리 4.0과 AI가 제시하는 최근 기술 발전은 조직 전반에 대한 생산성 향상과 고객에게 더 나은 서비스를 약속하고 있다. 다만 조직 내 디지털 성숙도에 따라 추진해야 할 과제가 여전히 많다.
많은 제조 데이터를 수집·저장하면서도 분석·활용에 대한 정확한 인식하지 못하고 원하는 비즈니스 성과 창출을 못 하고 있다는 게 제조기업의 현주소다. 맥킨지 설문조사에 따르면 데이터가 풍부함에도 AI 분석을 통해 이익을 창출하는 기업은 20% 미만이다. 관련 문제에 대한 해결책은 기술과 기업 문화간 결합에 달려 있다. 생산 운영팀이 AI를 통해 이미 축적된 데이터에서 패턴을 추출하고 일상 업무에서 관련 패턴을 사용할 수 있도록 지원하는 AI 시스템을 활용하게 된다면, 현장 운전실에서는 운전자의 최종 의사결정에 따른 신속한 조치가 가능해지게 된다. 관련 조직 문화는 디지털 혁신에 대한 기술적 측면만큼 중요하며, 많은 이해관계자가 적극 참여해야 성공적으로 안착시킬 수 있다.
실제적이면서도 새로운 ‘제조 운영 AI’ 접근 방식
운영 효율성에 대한 추구는 가용성을 높이면서 품질 및 공정성능을 개선하고, 생산성을 향상하는 것이다. 다만 프로세스와 장비가 복잡해지면서 그간 손쉽게 수행했던 규칙 기반 진단 접근 방식을 사용하는 기존 분석 방법으로는 추가적인 이점을 얻을 수 없게 됐다.
AI는 수많은 변수 사이에서 관계를 찾고 관련 패턴을 시각화 하는데 보다 효과적인 데이터 기반 접근 방식을 통해 운영 목표를 달성하기 위한 대안 경로를 제공한다. AI는 명시적인 규칙이나 기준을 사용하는 대신 과거 작동 실적에 대한 예를 사용해 경험적으로 진단 등을 수행할 수 있기에 전통적인 기술로는 해결할 수 없었던 미묘한 문제나 보다 복잡한 생산 환경에도 대응할 수 있는 가능성을 열어주고 있다.
제조 운영 AI는 정기 수리 시기나 제어 범위 내에서 균일한 품질을 가진 제품을 지속 생산하기 위해 프로세스 매개 변수 조정 여부 등 중요한 의사결정을 내리는 통찰력을 생성하기 위해 기계 학습(ML)을 사용해 대량 데이터를 활용하는 제조 분석에 대한 접근 방식이다.
특히 제조 운영 AI는 산업용 AI가 일선 장비 및 프로세스 전문가가 판단한 결과와 직접 상호 작용할 수 있도록 해 분석 판단 결과에 대한 도출 시간 단축을 지원한다. 다만 제조 운영 AI는 예측형 디지털 트윈을 통해 대규모로 배포할 수 있도록 해야 하며, 높은 운영 효율성을 달성하기 위해 미션 크리티컬 시스템을 관리하는 운영 전문가로부터 신뢰를 받아야 된다.
일반적으로 기계 및 프로세스 데이터에 고급 분석을 적용하면 향상된 의사결정과 스마트제조가 가능하지만, 현재 존재하는 접근 방식은 다양하다. 각 접근 방식에는 고유 장점과 한계가 있다.
데이터 다양성과 AI 적용 범위 판단 이후 적용
기업에서 AI 솔루션에 대한 올바른 도입을 위해서는 확장성과 빠른 가치 실현 외에도 적용 과정에 참여하는 인력을 최소화하고 기존 팀에 권한을 부여해 린(Lean) 운영을 가능하게 하는 게 중요하다. 우선 지능형 AI 시스템에 대한 수준은 제공되는 데이터가 가진 품질에 따라 좌우된다. 이에 관련 시스템은 분석에서 다중 소스 및 이기종 데이터 세트에 액세스할 수 있어야 된다.
구체적으로 설정값이나 플래그 같은 상태 데이터와 공정 제어·설비·품질·에너지 상태 등에 대한 측정 데이터가 생산 제품과 시간에 동기화돼 실시간 수집·저장된 데이터를 손쉽게 활용할 수 있어야 한다. 또 이미지 및 검사 데이터 같은 다중모드 데이터를 수집·처리하는 기능은 비시계열 데이터를 적시에 장비 운영에 연결하거나 레이블이 지정된 데이터가 없는 경우 보다 나은 준 지도 학습을 위한 상황별 정보를 파생하는 데 도움 되도록 데이터에 대한 다양성을 처리할 수 있는 AI 솔루션이 중요하다.
아울러 공장은 다양한 설비와 프로세스 및 비즈니스 기능으로 구성된 복잡한 생태계이기에 공장 내 많은 공정, 공정 내 다양한 설비 상태를 종합 모니터링하고 분석·판단하는 제조 운영 AI 접근 방식을 도입해야 한다. 제품을 생산하면서 전후 설비간, 전후 공정간 상호 연관성이 있기에 공장 전체에서 실시간으로 수집된 Raw Data를 사용해 거시적인 관점에서 종합적으로 모니터링하고, 세부적으로 근본 원인을 분석·조치하는 모습으로 전환돼야 한다. 이에 AI 솔루션을 선택할 때는 다양한 애플리케이션을 처리할 수 있는 유연성이 매우 중요하다.
배포 유연성과 사용 가능성 따져봐야
AI 솔루션 도입을 고려하는 기업들은 각사별로 인프라와 IT 정책이 다르고, 회사 내에서도 애플리케이션별 고유 요구사항이 존재할 수 있다는 점을 인지해야 된다. 특히 사용자가 제조 운영 AI를 도입해 가치가 실현될 수 있는 모든 영역에 데이터 분석 AI 솔루션 투자를 적용하려면 AI 솔루션이 기업 특성에 따라 다양한 시스템으로 구성될 수 있도록 지원해야 한다. 또 솔루션은 단일 공정에 적용하고 다른 모든 공장에 사용자가 쉽게 확산해 경제적 가치를 단시간에 창출할 수 있도록 해야 된다.
또한 데이터 분석이 경제적 가치를 제공하려면 운영팀에서 AI 분석 솔루션을 사용할 수 있어야 된다. AI 분석 솔루션이 복잡하거나 시간이 많이 소요된다면 솔루션은 채택되지 않으며 의미 있는 ROI 달성이 어려워지고, 타 공장에 확장되지 않게 된다. 이에 AI 솔루션은 모델 생성 및 업데이트가 쉽고 단순하며, 실제 정보를 효과적으로 캡처하고 현재 생산 데이터를 사용하기에 광범위한 과거 사례가 필요하지 않은 AI 솔루션을 선택해야 한다. 또 분석 패키지가 데이터 준비에 대한 데이터 엔지니어링 같은 작업을 자동으로 처리할 수 있는 것도 중요하다.
(전 스마트제조혁신추진단장] [사진=인더스트리뉴스]
간편하고 신속한 확장과 데이터 소유권 고려 중요
좋은 AI 솔루션을 제공받는 만큼 관련 솔루션을 활용하는 운영팀이 가진 능력 또한 중요하다. 또 모든 플랜트 시스템에 연결하면서도 수요 증가에 따라 컴퓨팅 리소스를 추가할 수 있는 시스템 기능도 중요하다. 이상적인 시스템에는 잘 정의된 산업 표준 프로토콜을 통한 데이터 연결 지원과 본질적으로 확장 가능한 클라우드 기술 사용, 분석 시스템에서 생성된 정보를 기존 워크플로에서 원활하게 사용할 수 있는 최신 API 가용성이 있어야 한다.
추가적으로 고려해야 할 사항은 제조 운영 AI를 도입하려는 기업에서는 디지털 프로그램에 대한 장기적인 실행 가능성을 위해 데이터와 모델에 대한 권리를 보호할 수 있는 솔루션을 선택해야 한다. 공급업체에 종속되는 것을 피하는 게 중요하다는 뜻이다. 일반적으로는 장비 공급업체가 장비 데이터에 대한 액세스를 중재하거나 분석 모델에 대한 권한을 유지해 관련 장비에 대한 제어를 유지하고 있지만, 관련 전략은 AI 솔루션을 도입해 운용하는 제조기업이 자신만의 접근 방식을 개발하기 어려워지게 만들 수 있다.
한편 AI 도입에 있어서는 기술적 요소 외에도 AI 도입을 향한 변화 관리를 보장하는 문화적 요소도 운영 우수성을 높이는 데 있어 중요한 요소다. 제조 운영 AI 접근 방식은 운영팀이 보다 빠르게 나은 정보에 입각한 결정을 내리는 데 필요한 통찰력과 예측을 제공해 수익 창출 및 비용을 절감할 수 있는 기회를 제공한다. 현재 기업 내 디지털 성숙도 수준에 관계 없이 배포 유연성이나 데이터 소유권 같은 사항을 충분히 고려한다면, AI 솔루션 공급업체를 평가 및 선정하는 과정에서 의미 있는 진전을 이룰 수 있다고 믿는다.
