제조 AI, 어디부터 적용할까 : 4대 분야와 도입 조건
AI 도입의 출발점은 기술이 아니라 "풀어야 할 문제"다
"우리도 AI를 해 보자"는 지시로 시작한 프로젝트가 시연 단계에서 멈추는 일은 제조 현장에서 드물지 않습니다. 모델은 만들어졌는데 라인에 붙이지 못하거나, 붙였더니 현장 담당자가 결과를 믿지 않는 경우입니다.
원인 중 하나는 기술보다 앞 단계에 있습니다. 어떤 문제를 풀지, 그 문제를 판단할 데이터가 실제로 쌓이고 있는지를 정하지 않은 채 솔루션부터 고르기 때문입니다.
이 글은 제조 AI를 네 가지 핵심 분야로 나눠 각 분야가 무엇을 입력으로 쓰고 어디서 효과가 나는지 비교합니다. 이어서 비용이 실제로 쌓이는 지점, 프로젝트가 멈추는 패턴, 설비와 연결할 때의 안전·보안 요건, 내재화와 외주를 섞는 운영 방식까지 다룹니다.
제조 AI 4대 적용 분야, 무엇이 다른가
2022년 발표된 제조 AI 리뷰 논문은 예지보전, 품질 보증, 수율 향상, 협동로봇, 공급망·창고 관리를 주요 적용 분야로 꼽습니다. 이 글에서는 중소 제조 현장에서 문제 정의가 비교적 명확하고 데이터 확보 경로가 분명한 네 분야로 범위를 좁혔습니다.
비전 품질검사: 눈에 보이는 결함을 잡는 일
카메라로 제품을 촬영하고, 양품과 불량 이미지를 학습한 모델이 합격·불합격을 판정하는 방식입니다. 지도학습 방식에서는 학습 전에 양품·불량 이미지에 정답을 붙이는 "라벨링" 작업이 필요합니다.
- 스크래치, 찍힘, 이물 같은 표면 결함 판정에 강점이 있습니다.
- 일반 카메라 기반 비전은 표면에 드러나지 않는 내부 결함이나 성능 불량을 잡기 어렵습니다.
- 조명·각도·지그가 바뀌면 이미지 특성이 달라져 재학습이 필요할 수 있습니다.
공정 데이터 기반 불량 예측: 보이지 않는 결함을 미리 읽는 일
온도, 압력, 사이클 타임 같은 공정 조건과 품질검사 결과를 함께 학습해 아직 검사하지 않은 제품의 품질을 예측합니다. 사출성형처럼 공정 조건이 품질을 크게 좌우하는 분야에서 연구가 활발합니다.
- 이미 수집 중인 설비 센서값을 쓸 수 있다면 추가 하드웨어 부담이 상대적으로 작습니다.
- 공정 조건과 검사 결과를 같은 제품 단위로 묶을 수 있어야 학습이 가능합니다.
예지보전: 고장 전 신호를 읽는 일
진동, 온도, 전류 같은 설비 상태 데이터로 고장을 미리 감지합니다. 연구에서는 임박한 고장을 알리는 "고장 예측"과 고장까지 남은 시간을 추정하는 "잔여 수명 예측"으로 나눕니다.
- 계획 정비 일정과 예비 부품 재고를 조정하는 근거가 됩니다.
- 고장 사례가 드물어 학습용 이상 데이터를 모으는 데 오랜 시간이 걸립니다.
- 고장 시각과 부품 교체 이력이 센서 데이터와 같은 시간 기준으로 기록되어 있어야 학습용 정답을 만들 수 있습니다.
수요·재고 예측: 생산계획의 불확실성을 줄이는 일
수주·출하 이력, 리드타임 같은 데이터로 수요와 재고를 예측해 생산계획을 앞당겨 조정합니다. 효과가 라인이 아니라 계획·구매 단계에서 나타난다는 점이 나머지 세 분야와 다릅니다.
- 설비 연동 없이 ERP 데이터만으로 시작할 수 있습니다.
- 예측 결과를 계획에 반영하는 의사결정 절차가 없으면 효과가 나지 않습니다.
| 분야 | 주요 입력 데이터 | 효과가 나타나는 지점 | 대표적 한계 |
|---|---|---|---|
| 비전 품질검사 | 제품 이미지 + 양품·불량 라벨 | 출하 전 검사 공정 | 표면 결함 중심 |
| 공정 불량 예측 | 공정 조건 + 검사 결과 | 공정 조건 조정 | 제품 단위 데이터 연결 필요 |
| 예지보전 | 진동·온도·전류 등 설비 상태 | 정비 계획·비가동 감소 | 고장 데이터 부족 |
| 수요·재고 예측 | 수주·출하 이력, 리드타임 | 생산계획·구매 | 의사결정 절차와 연결 필요 |
비용은 모델보다 데이터와 연동에서 커진다
AI 프로젝트 예산을 짤 때 모델 개발비에만 주목하기 쉽습니다. 2022년 발표된 제조 AI 리뷰 논문은 데이터 수집·저장 체계를 갖추는 일이 새 인프라 설치를 동반해 인력과 비용이 많이 들고, 오류 제거·형식 변환·라벨링 같은 데이터 준비에도 추가 노력이 든다고 지적합니다.
| 구분 | 주요 항목 | 놓치기 쉬운 지점 |
|---|---|---|
| 초기 투자 | 센서·카메라·조명, 엣지 장비, 데이터 저장 인프라 | 기존 설비에 센서를 달 공간·통신 경로 |
| 데이터 준비 | 수집 기간, 정제, 라벨링 인력 | 불량·고장 데이터가 모일 때까지의 대기 기간 |
| 시스템 연동 | PLC·MES 연동, 판정 결과의 라인 동작 연결 | 배출·정지 로직 변경에 따른 재검증 |
| 운영 | 성능 모니터링, 재학습 | 제품·조건 변경 시마다 반복되는 작업 |
| 숨은 비용 | 오검출 재검사, 보안 대책 | 오검출이 많을수록 늘어나는 확인 인력 |
체감이 큰 숨은 비용 중 하나는 판정 기준을 어디에 두느냐에서 생깁니다. 불량을 하나도 놓치지 않으려고 판정 민감도를 높이면 양품까지 불량으로 걸러 내는 "과검출"이 늘고, 그만큼 재검사 인력과 폐기 손실이 커집니다. 반대로 민감도를 낮추면 불량이 고객사로 흘러갈 위험이 커집니다. 이 균형점은 제품 단가와 불량 유출 시의 손실을 함께 놓고 현장이 직접 정해야 하며, 도입 전 성능 목표에도 반영해야 합니다.
배포 위치도 비용 구조를 바꿉니다. 모델을 사내 서버나 클라우드에서 돌리면 데이터 전송에 따른 지연이 생기는데, 실시간 판정이 필요한 품질검사·예지보전에서는 이 지연이 문제가 됩니다. 라인 옆 장비에서 바로 추론하는 "엣지 AI"가 대안이지만, 연산 자원이 제한되어 모델을 경량화해야 하는 부담이 따릅니다.
현장에서 AI 프로젝트가 멈추는 다섯 지점
2024년 발표된 품질관리·예지보전 AI 리뷰 논문은 AI 솔루션 개발 과정을 데이터 수집·특성 설계, 전처리, 데이터 분석, 모델 개발, 모델 설명, 배포의 6단계로 정리합니다. 이 글의 기준으로 현장 프로젝트가 멈추는 지점을 이 단계에 대응시키면, "불량·고장 데이터 부족"은 수집·특성 설계 단계에서, "현장 성능 격차"와 "감지"에 그치는 예측은 모델 개발 단계에서, "판단 근거 설명 부족"은 모델 설명 단계에서, "조건 변화로 성능 저하"는 배포 이후에 드러납니다.
불량·고장 데이터가 너무 적다
정상 데이터는 넘치는데 불량·고장 사례는 드뭅니다. 2024년 리뷰 논문은 이런 "데이터 불균형" 때문에 모델이 정상 판정은 잘하면서 정작 불량과 고장은 놓치는 문제가 흔하다고 봅니다. 2022년 리뷰 논문은 고장 패턴이 설비 수명 전체에 걸쳐 드문드문 나타나므로, 가능한 고장 유형을 모두 모으려면 수년이 걸릴 수 있다고 지적합니다.
시험 데이터에서는 잘 되는데 현장에서는 안 된다
공개 벤치마크 데이터로 좋은 성능을 낸 모델이 실제 라인에서는 성능이 크게 떨어질 수 있습니다. 시뮬레이션이나 데이터 증강으로 만든 합성 데이터도 실데이터를 완전히 대신하지 못하므로, 최종 검증은 반드시 현장 데이터로 해야 합니다.
"예측"이라 부르지만 실제로는 "감지"에 그친다
2024년 리뷰 논문은 검토한 고장 예측 연구 다수가 미래 고장이 아니라 현재 상태를 판정하는 데 머문다고 지적합니다. 고장이 이미 시작된 뒤 알림이 오면 정비 계획을 앞당길 여유가 없습니다. 도입 전에 "얼마나 앞서 알려 주는가"를 성능 기준에 넣어야 하는 이유입니다.
조건이 바뀌면 모델이 낡는다
설비 노후화나 작업 환경 변화로 새로운 데이터 패턴이 생기면, 과거 데이터로 학습한 모델의 판단이 어긋나기 시작합니다. 새 데이터로 모델을 갱신하는 체계를 처음부터 운영 계획에 넣어야 합니다.
판단 근거를 설명하지 못해 현장이 믿지 않는다
딥러닝 모델은 왜 그런 판정을 했는지 드러내지 않는 경우가 많습니다. 판단 근거를 보여 주는 설명 기법을 적용하면 현장 신뢰를 얻는 데 도움이 되고, 불량이나 고장의 근본 원인을 찾는 단서로도 쓸 수 있습니다.
안전·보안: AI 판단을 설비 동작과 연결할 때
AI 판정 결과가 화면에만 표시될 때와 로봇·컨베이어의 동작을 바꿀 때는 요구되는 조건이 크게 다릅니다. 설비 제어와 연결되는 순간부터 안전 기능과 네트워크 보안을 함께 설계해야 합니다.
- 안전 기능 분리: 산업용 로봇 안전 국제표준(ISO 10218)은 비상정지·보호정지 같은 안전 관련 제어 기능이 일정한 신뢰성을 갖추도록 요구합니다. 따라서 AI 출력은 이런 안전 회로를 대신하지 않도록, 그 위의 공정 제어 계층에 두는 것이 바람직합니다.
- OT 네트워크 구역 분리: 산업 제어시스템 보안 국제표준(IEC 62443)은 네트워크를 보안 구역으로 나누고 구역 사이 통신 경로를 통제하는 개념을 제시합니다. AI 서버나 클라우드를 붙이면 제어망이 외부에 노출되는 경로가 늘어나므로 이 구조를 먼저 점검해야 합니다.
- 생산 데이터 보호: 제조 데이터에는 공정 조건이나 공급망 정보 같은 영업 비밀이 담깁니다. 2022년 리뷰 논문은 클라우드에서 학습·추론할 때 전송·처리 과정의 노출뿐 아니라, 학습된 모델에서 원본 데이터를 역추정하는 위험도 있다고 지적합니다.
내재화와 외주 사이, 혼합 운영이 현실적인 이유
AI 전문 인력을 처음부터 내부에 갖추기는 어렵지만, 전부 외부에 맡기면 현장 지식이 쌓이지 않습니다. 역할을 나눠 섞는 방식이 현실적인 이유입니다.
외주에만 의존하면 계약이 끝난 뒤 운영 공백이 생길 수 있습니다. 모델을 재학습하거나 판정 기준을 조정할 사람이 내부에 없으면, 제품이나 공정이 바뀌었을 때 시스템이 제 기능을 하기 어렵습니다.
외부 파트너는 초기 모델 구축, 비전 광학 설계, 엣지 장비 구성처럼 전문성이 필요한 영역을 맡습니다. 내부는 어떤 문제를 풀지, 무엇을 불량으로 볼지, 결과를 어떻게 활용할지를 결정합니다. 라벨링 기준과 판정 기준은 현장만 정할 수 있으므로 외주로 넘기지 않는 것이 좋습니다.
기존 방식과 AI를 병행하는 것도 실용적인 대안입니다.
- SPC 병행: 통계적 공정관리(SPC) 관리도를 유지하면서, 해석이 까다로운 관리도 분석과 이상 원인 파악을 AI로 보강합니다.
- 사람 최종 확인: 초기에는 AI가 의심 제품을 골라내고 사람이 최종 판정해, 오판 위험과 현장 거부감을 함께 줄입니다.
- 사전학습 모델 활용: 다른 데이터로 학습된 모델을 가져와 현장 데이터로 미세 조정하는 "전이학습"은 2022년 리뷰 논문이 데이터 부족 대응 기법 가운데 가장 널리 쓰인다고 보는 방법입니다. 다만 원래 데이터와 현장 데이터의 차이가 크면 오히려 성능이 떨어질 수 있습니다.
첫걸음은 "데이터로 정의된 문제 하나"
제조 AI의 성패는 어떤 알고리즘을 쓰느냐보다 문제와 데이터를 얼마나 구체적으로 정의했느냐에서 갈립니다. 비전 품질검사·공정 불량 예측·예지보전·수요 예측은 입력 데이터와 효과가 나타나는 지점이 서로 다르고, 비용은 모델보다 데이터 수집·라벨링·설비 연동에서 커집니다. 이 글에서 살펴본 프로젝트 중단 원인도 대부분 불량 데이터 부족, 현장과 시험 데이터의 격차, 운영 중 조건 변화처럼 데이터 쪽에 있습니다.
지금 할 수 있는 첫 단계는 반복되는 문제 하나를 골라, 그 문제를 판단할 데이터가 이미 쌓이고 있는지 확인하는 일입니다. 특히 불량·고장 기록이 얼마나 있는지, 판정 결과를 설비 동작과 연결할 때 안전 회로와 제어망을 어떻게 분리할지를 시범 적용 전에 정해 두면 도입 이후의 시행착오를 줄일 수 있습니다.
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). 2022-08-17. https://www.mdpi.com/2076-3417/12/16/8239. (CC BY)
- Andrianandrianina Johanesa, T. V., Equeter, L., Mahmoudi, S. A. "Survey on AI Applications for Product Quality Control and Predictive Maintenance in Industry 4.0." Electronics (MDPI). 2024-03-04. https://www.mdpi.com/2079-9292/13/5/976. (CC BY)
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.