제조 AI 도입, 현장에서 먼저 점검할 데이터·규격·비용
AI 도입의 성패는 기술보다 '현장 조건'에서 갈립니다
제조업에서 AI는 더 이상 낯선 단어가 아닙니다. 불량 검사, 설비 고장 예측, 공정 조건 조정까지 적용 범위가 넓어지면서 "우리 공장에도 AI를 붙일 수 있을까"를 묻는 중소 제조기업도 늘었습니다.
그런데 현장에서는 시범 운영(PoC)까지는 순조롭다가 정식 가동 문턱에서 멈추는 일이 적지 않습니다. 멈추는 원인을 알고리즘에서만 찾기보다, 학습 데이터·산업별 규격·운영 체계처럼 도입 전에 따져야 할 조건부터 점검할 필요가 있습니다.
이 글은 제조 AI의 네 가지 활용 영역을 짚은 뒤, 산업별로 달라지는 요건, 견적서에 잘 드러나지 않는 비용, 도입이 멈추는 지점과 그 대안을 차례로 정리합니다. 수치는 공개 학술 리뷰에서 확인되는 범위로만 다룹니다.
제조 현장 AI의 네 가지 활용 영역
제조 AI는 쓰임새에 따라 네 영역으로 나눌 수 있습니다. 영역마다 필요한 데이터와 성과가 드러나는 방식이 다르므로, 도입 목표를 정할 때 어느 영역의 문제인지부터 구분해야 합니다.
- 품질검사: 카메라 이미지로 표면 결함·이물·누락을 판별합니다. 결과가 양품과 불량으로 바로 나와 효과를 확인하기 쉽습니다.
- 예지보전: 진동·온도·전류 같은 센서 데이터로 설비 이상 징후를 미리 포착합니다.
- 공정 최적화: 온도·압력·속도 등 공정 변수와 품질 결과의 관계를 학습해 조건을 조정합니다.
- 수요 예측·생산계획: 주문·출하 이력을 바탕으로 생산량과 재고를 계획합니다.
네 영역은 따로 운영할 수도 있지만, 품질검사 결과를 공정 변수와 연결해 불량 원인을 거꾸로 추적할 때 효과가 커집니다. 다만 연결 범위를 넓힐수록 데이터 정합성과 시스템 연동 부담도 함께 늘어납니다. 이 글에서는 품질검사와 예지보전을 중심으로 살펴봅니다.
비전 검사: 룰 베이스와 딥러닝은 무엇이 다른가
룰 베이스 검사는 밝기·면적·치수 같은 기준값을 사람이 정해 두고 판정합니다. 기준이 명확한 결함에는 빠르고 안정적이지만, 모양이 불규칙하거나 조명·배경이 바뀌는 환경에서는 기준을 계속 고쳐야 합니다.
딥러닝 검사는 양품·불량 이미지를 학습해 판정 기준을 스스로 만듭니다. 2024년 발표된 오픈액세스 리뷰는 제조·유지보수 분야의 비전 검사 연구 196편을 분석해, 사용 모델 대부분이 합성곱 신경망(CNN) 기반이며 조명 변화나 일부 가려진 대상에도 비교적 강한 "일반화 능력"이 장점이라고 정리했습니다.
- 사람 검사의 한계: 같은 리뷰가 인용한 선행연구에서는 복잡한 육안 검사 과제의 오류율이 20~30%까지 관찰됐고, 피로가 쌓이면 정확도가 더 떨어집니다.
- 데이터 부담: 분석 대상 연구의 약 97%가 레이블을 붙인 데이터로 학습하는 지도학습을 썼고, 데이터셋 규모는 수백~수천 장 수준이 가장 많았습니다.
- 기술 격차: 학계의 새 모델이 산업 검사에 적용되기까지 약 2~3년이 걸리는 것으로 나타났습니다.
딥러닝은 룰 베이스가 다루기 어려운 결함에 강하지만, 그 대가로 "레이블이 정확한 데이터"를 요구합니다. 불량품은 원래 드물기 때문에 결함 유형별 샘플을 어떻게 모을지가 도입 일정의 상당 부분을 좌우합니다.
예지보전: '고장 데이터가 없다'는 문제부터 풀어야 합니다
예지보전은 설비가 고장 나기 전에 이상 징후를 잡아 계획 정비로 돌리는 방식입니다. 고장 후에 고치는 사후 보전, 정해진 주기마다 교체하는 예방 보전과 달리 실제 설비 상태를 근거로 정비 시점을 정합니다.
문제는 학습에 쓸 고장 사례가 현장에 거의 없다는 점입니다. 2025년 발표된 체계적 리뷰(2020~2024년 연구 60편 분석)는 고장 유형이 표시된 데이터를 확보하는 일에 시간과 비용이 많이 들고, 고장이 드물지만 영향이 큰 고위험 분야에서는 이 부족이 특히 문제가 된다고 지적합니다. 그래서 정상 운전 데이터만으로 "평소와 다른 패턴"을 찾는 비지도 이상 탐지가 대안으로 쓰입니다.
- 자주 쓰이는 모델: 랜덤 포레스트·XGBoost 같은 트리 기반 모델이 가장 자주 쓰인 축에 속했고, 시계열 센서 데이터에는 LSTM 계열이 두드러졌습니다.
- 센서 선택: 센서 기반 모니터링, 그중에서도 진동 분석이 여러 산업에서 필수 수단으로 자리 잡았습니다.
- 잔여 수명 예측: 고장까지 남은 시간(RUL)을 추정하면 정비 일정을 짜는 데 직접 활용할 수 있습니다.
산업별로 달라지는 검사 요건
같은 비전 검사라도 산업마다 지켜야 할 요건이 다릅니다. AI 성능만 보고 장비를 고르면, 인증 심사나 거래처 감사에서 요구하는 기록·검증 기능이 빠져 다시 손봐야 하는 일이 생깁니다.
식품 공장에서는 HACCP 체계에 따라 금속 검출 같은 중요관리점의 한계기준을 업체가 위해 분석을 거쳐 정하고, 테스트 시편으로 검출기가 제대로 작동하는지 주기적으로 확인한 기록을 남깁니다. 그래서 AI 검사기를 들일 때도 검출 기준을 누가 어떻게 정했는지, 검증 기록이 자동으로 남는지가 함께 검토 대상이 됩니다. 금속검출기나 X선으로 잡기 어려운 비금속 이물은 비전 검사나 분광 검사를 조합해 대응합니다.
의약품 제조는 GMP에 따라 검사 데이터의 무결성이 핵심입니다. 누가 언제 판정 기준이나 모델을 바꿨는지 추적하는 감사 추적, 전자 서명, 기록 위변조 방지 기능이 요구되며, 미국 수출 품목이라면 FDA의 전자기록·전자서명 요건도 고려해야 합니다. 운영 중 스스로 바뀌는 모델은 변경 관리 절차와 충돌할 수 있으므로, 검증을 마친 버전만 배포하도록 절차를 정해 두는 편이 안전합니다.
반도체·2차전지처럼 미세 결함이 곧 불량이나 안전 문제로 이어지는 산업은 검출 한계와 처리 속도가 동시에 중요합니다. 클린룸 안에 들어가는 검사 장비는 장비 자체에서 생기는 파티클과 정전기도 관리해야 합니다.
| 산업 | 주요 검사 대상 | 핵심 요건 | AI 도입 시 확인할 점 |
|---|---|---|---|
| 식품 | 금속·비금속 이물, 포장 불량 | 한계기준 설정, 주기적 검증 기록 | 검증 기록 자동화, 비금속 이물 대응 방식 |
| 의약품 | 정제 깨짐, 캡슐 변색, 주사제 입자 | 데이터 무결성, 감사 추적, 전자 서명 | 모델 변경 관리, 검증된 버전만 배포 |
| 반도체·2차전지 | 미세 파티클, 패턴·코팅 결함 | 검출 한계, 고속 처리, 청정도 | 인라인 처리 속도, 장비 파티클·정전기 관리 |
비용은 장비 가격보다 '보이지 않는 항목'에서 커집니다
AI 검사 시스템 견적은 보통 카메라·조명·컴퓨팅 장비와 소프트웨어 라이선스로 구성됩니다. 그러나 실제 총비용을 좌우하는 것은 견적서 바깥의 항목인 경우가 많습니다. 금액은 라인 속도, 결함 종류, 기존 설비 상태에 따라 크게 달라지므로, 아래 구조를 기준으로 공급사 견적을 항목별로 비교하는 편이 정확합니다.
| 구분 | 주요 항목 | 놓치기 쉬운 점 |
|---|---|---|
| 초기 투자 | 카메라·조명·센서, 컴퓨팅 장비, 라이선스 | 라인 속도가 빠를수록 처리 장비 사양이 올라감 |
| 구축·통합 | PLC·MES 연동, 라인 개조, 촬영 신호 동기화 | 기존 설비의 통신 방식에 따라 범위가 달라짐 |
| 데이터 | 불량 샘플 수집, 레이블링, 판정 검수 | 현업 전문가의 판정 시간이 투입됨 |
| 운영 | 유지보수 계약, 모델 재학습, 데이터 저장 | 제품·원자재가 바뀔 때마다 재학습이 필요함 |
데이터 비용은 특히 과소평가되기 쉽습니다. 앞의 비전 검사 리뷰는 레이블링에 사람의 판단이 개입하므로, 여러 사람이 레이블을 붙일수록 결함 경계에 대한 이해를 맞추는 작업이 필요하다고 설명합니다. 같은 긁힘을 한 사람은 불량, 다른 사람은 양품으로 표시하면 모델은 그 혼선까지 그대로 학습합니다.
정부 지원사업을 활용하면 초기 부담을 줄일 수 있지만, 지원 비율과 대상 항목은 사업과 연도별 공고마다 다릅니다. 재학습이나 유지보수처럼 지원 기간 이후에도 계속 드는 비용은 자체 예산으로 감당해야 한다는 점을 계획에 함께 넣어야 합니다.
도입이 멈추는 지점에서 얻는 점검 포인트
실험실에서 확인한 성능이 현장 성과로 곧바로 이어지지는 않습니다. 예지보전 리뷰가 분석한 논문 60편을 검증 단계별로 보면, 실제 운영 환경에서 실시간 경보를 내는 단계까지 간 연구가 40편, 실제 공장 데이터를 사후 분석한 연구가 4편, 시험 장비·시뮬레이션·공개 데이터로만 평가한 연구가 16편이었습니다. 연도별 피인용 상위 논문을 골라 나눈 논문 단위 분류이므로, 산업 전체의 도입률을 뜻하지는 않습니다. 아래는 두 리뷰가 짚은 걸림돌을 현장 관점에서 정리한 것입니다.
- 정확도 착시: 불량·고장이 드문 데이터에서는 모두 '정상'으로 판정해도 정확도가 높게 나옵니다. 리뷰는 정상·고장 비율을 밝히지 않은 높은 정확도 보고가 오해를 부를 수 있다고 지적합니다.
- 한 곳에서만 검증: 한 라인·한 공장 데이터로 만든 모델은 설비 종류나 환경이 다른 곳에서 성능이 떨어지기 쉽습니다.
- 데이터 변화: 원자재 로트, 계절, 조명이 바뀌면 입력 데이터의 분포가 달라져 성능이 서서히 떨어집니다.
- 현장 신뢰: 판정 근거를 설명하지 못하는 모델은 정비·품질 담당자가 경보를 무시하게 만듭니다. 두 리뷰 모두 설명 가능성을 주요 요구사항으로 다룹니다.
네 가지 문제는 서로 이어져 있습니다. 정확도 하나로 성공을 판단하면 한 라인 검증 결과만으로 확대 적용이 결정되고, 데이터가 바뀌어 성능이 떨어져도 원인을 찾지 못한 채 현장 신뢰를 잃게 됩니다. 그래서 도입 초기부터 미검출·오검출 지표, 재학습 기준, 판정 근거 확인 방식을 함께 정해 두는 편이 안전합니다.
실전 배치까지 간 시스템의 공통 구조
같은 리뷰는 실제 운영에 들어간 연구들에서 반복되는 구조를 정리했습니다. 업종이 달라도 데이터 수집부터 정비 작업 지시까지 하나의 흐름으로 이어져 있다는 점이 핵심입니다.
- 수집: 개방형 통신 규격으로 설비 쪽(엣지)에서 센서 데이터를 모아 서버나 클라우드로 보냅니다.
- 모델 운영: 모델을 교체하기 쉬운 형태로 배포하고, 데이터 변화가 감지되면 재학습합니다.
- 설명: 기술자가 경보의 근거를 확인할 수 있는 간단한 설명 기능을 둡니다.
- 실행: 예측 결과를 설비보전관리시스템(CMMS)에 연결해 경보가 곧바로 작업 지시로 바뀌게 합니다.
AI 단독보다 '조합'이 현실적인 이유
모든 결함을 한 가지 기술로 잡으려 하면 비용이 커지거나 사각지대가 생깁니다. 그래서 현장에서는 검출 원리가 다른 방식에 역할을 나눠 맡기는 혼합 운영이 현실적인 선택이 되곤 합니다.
첫째, 검출 원리를 조합합니다. 금속 이물은 금속검출기나 X선이, 표면 결함과 색 이상은 비전 검사가, 겉으로 구분하기 어려운 재질 차이는 분광 검사가 맡는 식입니다. 한 장비의 사각지대를 다른 장비가 보완합니다.
둘째, AI와 사람의 역할을 나눕니다. AI가 명확한 양품과 불량을 먼저 걸러내고, 판정이 애매한 구간만 숙련 검사자가 확인하는 방식입니다. 검사자의 부담이 줄고, 사람이 확정한 판정은 다음 재학습 데이터로 쌓입니다.
셋째, 학습 방식을 조합합니다. 불량·고장 데이터가 쌓이기 전에는 정상 데이터만으로 이상 여부를 감지하고, 원인별 사례가 모이면 지도학습 모델로 유형까지 분류하는 순서입니다. 비전 검사 리뷰도 레이블 부담을 덜기 위해 지도학습 외의 학습 방식을 더 활용할 필요가 있다고 봅니다.
제조 AI는 '운영까지 설계한 작은 검증'에서 시작됩니다
제조 AI의 성과는 알고리즘 이름보다 그 알고리즘이 놓일 현장 조건에서 결정됩니다. 품질검사는 레이블 품질이, 예지보전은 드문 고장 데이터를 어떻게 다룰지가 출발점이며, 식품·의약·반도체는 각자의 기록·검증 요건을 시스템에 담아야 합니다.
비용도 장비 견적보다 데이터 준비, 시스템 연동, 재학습 같은 운영 항목이 더 오래 이어집니다. 실험실에서 높은 정확도가 나왔더라도 미검출 지표, 다른 라인에서의 재검증, 판정 근거 설명 방식이 갖춰지지 않으면 정식 가동 문턱을 넘기 어렵습니다.
첫걸음은 크지 않아도 됩니다. 불량 손실이 가장 큰 공정 하나를 골라, 지금 가진 데이터로 무엇을 판정할 수 있는지부터 확인해 보십시오. 그 결과를 MES나 CMMS 같은 기존 업무 흐름에 어떻게 연결할지까지 그려 두면, AI가 시범 사업에서 멈추지 않고 실제 운영으로 이어질 가능성이 커집니다.
참고문헌
- Hütten, N., Alves Gomes, M., Hölken, F., Andricevic, K., Meyes, R., Meisen, T. "Deep Learning for Automated Visual Inspection in Manufacturing and Maintenance: A Survey of Open- Access Papers." Applied System Innovation (MDPI). 2024-01-22. https://www.mdpi.com/2571-5577/7/1/11
- 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.