AI 기반 불량 원인 분석 진행 방식 5단계 - 데이터 연결부터 설명가능 AI, 현장 검증까지
"불량은 잡는데 원인은 모른다" — 검사 다음 단계가 필요한 이유
비전 검사기를 들여 불량 유출은 줄었는데, 같은 유형의 불량이 다음 주에 또 나오는 현장이 많습니다. 불량을 "걸러내는 일"과 불량이 "생기지 않게 하는 일"은 전혀 다른 문제이기 때문입니다.
국내 중소·중견 제조기업을 대상으로 한 정부 실태조사에 따르면, 스마트제조를 추진하는 목적으로 품질 관리 개선을 꼽은 비율이 37.1%로 생산 효율 향상 다음으로 높았습니다. 제조데이터를 수집하는 기업은 60.8%였지만 수집 기업 가운데 분석까지 이어가는 비율은 52.1%에 머물렀고, 제조AI를 도입한 기업은 0.1%에 불과했습니다. 데이터는 쌓이고 있지만, 그 데이터로 불량의 원인을 밝히는 단계까지는 아직 가지 못한 곳이 대부분이라는 뜻입니다.
반면 정부가 AI팩토리 선도 프로젝트로 지원한 170여 개 사업장 중 성과가 먼저 나타난 42개 사업장을 점검한 결과, 불량률이 평균 15.5% 낮아진 것으로 발표됐습니다. 이 글에서는 AI가 불량 원인을 분석하는 실제 진행 순서, 기법별 차이, 비용과 실패 패턴, 그리고 우리 공장이 어디서부터 시작하면 되는지를 차례로 정리합니다.
AI 불량 원인 분석이란 — 불량 검출과 무엇이 다른가
불량 검출은 "이 제품이 불량인가"를 판정하는 일이고, 원인 분석은 "어떤 조건이 겹쳤을 때 불량이 생기는가"를 밝히는 일입니다. 검출이 결과를 보는 눈이라면, 원인 분석은 결과에서 거꾸로 공정을 거슬러 올라가는 추적에 가깝습니다.
전통적으로 이 추적은 숙련자의 경험과 5-Why, 특성요인도(피시본 다이어그램), 파레토 분석 같은 품질 도구에 의존해 왔습니다. 제조 분야 원인 분석 연구를 체계적으로 검토한 한 오픈액세스 논문은 245편의 문헌을 선별해 35편을 심층 분석했는데, 이 중 데이터 기반 접근이 20편, 지식(전문가) 기반이 8편, 둘을 결합한 하이브리드가 7편이었습니다. 최근으로 올수록 데이터 기반과 하이브리드 방식이 주류가 되고 있으며, 그중에서도 설명가능 AI가 유력한 접근으로 꼽혔습니다.
| 구분 | 지식 기반 분석 | 데이터 기반 AI 분석 | 하이브리드 분석 |
|---|---|---|---|
| 핵심 원리 | 숙련자 경험·품질 도구로 인과 추론 | 공정 데이터로 모델을 학습해 영향 변수 도출 | 전문가 지식으로 범위를 좁히고 데이터로 검증 |
| 대표 도구 | 5-Why, 특성요인도, 파레토 | 트리 모델+설명가능 AI, 규칙 마이닝, 인과 그래프 | 전문가 정의 인과관계 + 데이터 학습 모델 |
| 강점 | 데이터가 적어도 즉시 적용 가능 | 변수가 많고 복잡한 공정에서 숨은 관계 발견 | 결과의 현장 수용성이 높음 |
| 한계 | 사람에 따라 결론이 달라지고 확장이 어려움 | 상관관계를 원인으로 오인할 위험 | 전문가 참여 시간이 지속적으로 필요 |
| 적합한 상황 | 단순 공정, 초기 문제 정의 단계 | 다단계 공정, 설비·센서 데이터가 풍부한 경우 | 대부분의 중소·중견 제조 현장 |
분석은 이렇게 진행된다 — AI 불량 원인 분석 5단계
현장에서 AI 원인 분석은 "모델을 돌리면 답이 나오는" 방식으로 진행되지 않습니다. 데이터를 연결하는 준비 단계와 결과를 현장에서 확인하는 검증 단계가 전체 작업의 상당 부분을 차지합니다.
1단계 · 데이터 연결
원인 분석의 출발점은 불량품 한 개를 두고 "언제, 어느 설비에서, 어떤 조건으로, 어떤 원자재로" 만들어졌는지를 한 줄로 이어 붙이는 일입니다. 이 연결이 끊겨 있으면 어떤 AI 모델도 원인을 찾을 수 없습니다.
- 설비 가동 조건, 센서 값, 원자재 로트, 검사 결과를 제품 단위 또는 로트 단위로 연결합니다.
- 설비별로 다른 시간 기준을 하나로 맞추고, 시리얼·로트 번호 같은 추적 키를 확보합니다.
- MES나 설비 제어기에 흩어진 데이터를 한곳으로 모으는 연동 작업이 이 단계에 포함됩니다.
2단계 · 불량 이력 정리
AI가 배우는 정답지는 "양품·불량" 판정과 불량 유형 코드입니다. 라인이나 교대마다 판정 기준이 다르면 모델은 공정 차이가 아니라 기록 습관의 차이를 학습하게 됩니다.
- 양품·불량 판정 기준과 불량 유형 코드를 라인·교대 간에 통일합니다.
- 재작업품, 보류품처럼 애매한 상태를 어떻게 분류할지 미리 정합니다.
- 불량 사례가 양품보다 훨씬 적은 "불균형 데이터" 상태인지 확인합니다.
3단계 · 예측 모델 학습
정리된 데이터로 "이 조건이면 불량이 날 가능성이 높다"를 예측하는 모델을 만듭니다. 이때 목표는 예측 정확도 자체보다, 뒤 단계에서 결과를 해석할 수 있는 모델을 고르는 것입니다.
- 결정 트리, 랜덤 포레스트, 그래디언트 부스팅 같은 트리 기반 모델로 시작하는 경우가 많습니다.
- 시계열 센서 파형이나 이미지 데이터가 중심이면 딥러닝 모델을 검토합니다.
- 학습에 쓰지 않은 기간의 데이터로 성능을 따로 검증해 과적합을 막습니다.
4단계 · 원인 후보 도출
학습된 모델에 설명가능 AI 기법을 적용해, 불량 예측에 어떤 변수가 얼마나 영향을 줬는지 순위를 매깁니다. 대표적으로 SHAP(변수별 기여도를 계산하는 기법)이나 LIME 같은 방법이 쓰입니다.
- 영향이 큰 변수와 그 변수의 위험 구간(예: 특정 온도 범위, 특정 원자재 로트)을 확인합니다.
- 전체 경향을 보는 분석과 개별 불량 건을 설명하는 분석을 함께 봅니다.
- 여기서 나온 결과는 "원인"이 아니라 "원인 후보"라는 점을 팀 전체가 공유해야 합니다.
5단계 · 현장 검증과 조치
원인 후보는 현장 실험으로 확인될 때 비로소 원인이 됩니다. 후보 변수를 의도적으로 바꿔 보고 불량률이 실제로 움직이는지를 확인하는 단계입니다.
- 조건 변경 시험은 생산 영향과 안전 절차를 검토한 뒤 제한된 범위에서 진행합니다.
- 확인된 원인은 작업 표준, 설비 관리 기준, 원자재 수입검사 기준 등에 반영합니다.
- 조치 결과를 다시 데이터로 되돌려 모델을 갱신하면 분석이 한 번으로 끝나지 않고 순환합니다.
어떤 AI 기법을 쓰는가 — 대표 분석 방식 비교
원인 분석에 쓰이는 AI 기법은 한 가지가 아닙니다. 공정 구조, 데이터 양, 그리고 결과를 누가 어떻게 받아들일지에 따라 적합한 방식이 달라집니다.
트리 모델과 설명가능 AI
현장에서 가장 먼저 시도되는 조합입니다. 트리 기반 모델로 불량을 예측하고, 설명가능 AI로 각 공정 변수의 기여도를 계산합니다. 앞서 소개한 검토 논문에는 보쉬(Bosch)의 한 생산라인에서 나타난 성과 편차를 이런 방식으로 분석해 작업자·교대에 따른 영향을 찾아낸 연구와, 사출 성형 불량에 같은 접근을 적용한 연구가 정리되어 있습니다.
- 변수 영향도를 막대그래프로 보여 줄 수 있어 현장 설명이 쉽습니다.
- 변수 간 상관이 강하면 영향도가 엉뚱한 변수로 분산될 수 있습니다.
연관 규칙 마이닝
"조건 A와 조건 B가 함께 나타나면 불량이 많다"처럼 사람이 바로 읽을 수 있는 규칙을 데이터에서 뽑아내는 방식입니다. 결과 자체가 규칙이라 작업자와 공유하기에 유리합니다.
- 섬유, 가정용품, 반도체 등 다양한 업종에서 적용 연구가 보고되었습니다.
- 불량 사례가 적을 때는 가중치를 주는 변형 기법이 필요합니다.
인과 그래프 모델
베이지안 네트워크처럼 변수 사이의 인과 방향을 그래프로 표현해, 어떤 원인이 어떤 경로로 불량에 이르는지를 추적합니다. 여러 공정이 연결된 다단계 공정에 특히 의미가 있습니다.
- 상관관계와 인과관계를 구분하려는 시도라는 점에서 가치가 큽니다.
- 그래프 구조를 잡는 데 공정 전문가의 지식이 많이 필요합니다.
딥러닝 모델
센서 파형, 이미지 같은 비정형 데이터에서 패턴을 찾는 데 강합니다. 다만 결과가 왜 그렇게 나왔는지 설명하기 어려워, 원인 분석 용도로는 해석 기법을 반드시 함께 붙여야 합니다.
- 반도체처럼 공정 단계가 수백 개에 이르는 환경에서 활용 연구가 많습니다.
- 학습 데이터 요구량이 크고, 현장 수용성을 확보하는 데 시간이 걸립니다.
| 기법 | 결과 형태 | 필요 데이터 | 해석 난이도 | 주의할 점 |
|---|---|---|---|---|
| 전통 QC 기법 | 원인 가설 목록 | 적음 | 쉬움 | 담당자 역량에 따라 결론이 달라짐 |
| 연관 규칙 마이닝 | "조건 → 불량" 규칙 | 중간 | 쉬움 | 불량 사례가 적으면 규칙이 불안정 |
| 트리 모델 + 설명가능 AI | 변수 영향도 순위 | 중간~많음 | 보통 | 상관 변수 간 영향도 분산 |
| 인과 그래프 모델 | 원인-결과 경로 | 많음 | 보통 | 구조 설계에 전문가 지식 필수 |
| 딥러닝 모델 | 패턴 기반 예측 | 많음 | 어려움 | 해석 기법 없이는 원인 제시 불가 |
비용은 어디서 발생하는가 — 초기 투자·운영비·숨은 비용
AI 원인 분석 프로젝트의 비용을 소프트웨어 라이선스나 모델 개발비로만 보면 예산이 크게 어긋납니다. 실제로는 데이터를 연결하고 정리하는 준비 작업과, 분석 결과를 검증하는 현장 인력 시간이 상당한 비중을 차지하는 경우가 많습니다.
| 비용 구분 | 주요 항목 | 규모에 영향을 주는 요인 |
|---|---|---|
| 초기 투자 | 센서·데이터 수집 장치 추가, 설비·MES 연동, 분석 플랫폼 구축 | 기존 설비의 데이터 출력 가능 여부, 연동 대상 시스템 수 |
| 초기 용역 | 데이터 정제, 불량 코드 체계 정비, 모델 개발 | 데이터 기록 상태, 대상 불량 유형 수 |
| 운영비 | 플랫폼 유지·클라우드 비용, 모델 재학습, 외부 파트너 유지보수 | 분석 대상 라인 수, 갱신 주기 |
| 숨은 비용 | 현장 검증 실험 중 생산 손실, 엔지니어 검토 시간, 재교육 | 조건 변경 시험 범위, 내부 인력 역량 |
- 설비가 데이터를 내보내지 못하면 센서와 통신 장치를 추가해야 해, 분석보다 인프라 비용이 먼저 커집니다.
- 모델은 설비 교체, 원자재 변경 때마다 성능이 떨어질 수 있어 재학습 비용을 운영 예산에 포함해야 합니다.
- 조건 변경 실험은 생산 일정과 충돌하기 쉬우므로, 검증용 시간을 계획 단계에서 따로 확보하는 편이 결과적으로 저렴합니다.
품질 규격 관점 — 분석 결과는 '시정조치 기록'이 되어야 한다
AI 원인 분석은 품질경영 체계 안에서 쓰일 때 가치가 커집니다. ISO 9001 같은 품질경영시스템 표준은 부적합이 발생하면 원인을 규명하고, 재발 방지를 위한 시정조치를 취하며, 그 효과를 검토하도록 요구합니다. 자동차 부품 업계의 IATF 16949 체계 역시 문서화된 문제 해결 절차를 요구합니다.
- AI가 제시한 원인 후보와 현장 검증 결과, 조치 내용이 하나의 기록으로 남도록 설계해야 고객 감사나 인증 심사에서 근거로 쓸 수 있습니다.
- "모델이 그렇게 판단했다"는 설명만으로는 감사 대응이 어렵습니다. 어떤 데이터로, 어떤 변수를 근거로 판단했는지 추적할 수 있어야 합니다.
- 조직 차원에서 AI 활용을 관리하는 체계가 필요하다면, AI 관리시스템 국제표준인 ISO/IEC 42001이 참고할 만한 틀을 제공합니다.
안전 측면도 빠뜨릴 수 없습니다. 원인 검증을 위해 설비 조건을 바꾸는 시험은 평소와 다른 운전 상태를 만드는 작업이므로, 설비 안전장치를 임의로 해제하지 않고 작업 허가와 설비 담당자 입회 등 사내 안전 절차를 따르는 것이 원칙입니다.
공개된 국내 사례로 보는 적용 방향
정부가 공개한 제조 AI 전환 성과 자료에는 불량과 직접 관련된 사례가 포함되어 있습니다. 개별 기업의 수치는 각자 적용 전후를 비교한 결과로, 공정과 측정 조건이 서로 달라 수치끼리 직접 비교하기는 어렵습니다.
설비 상태가 불량 원인인 경우 — 예지보전과의 결합
자동차 부품 기업 화신은 배터리 케이스 생산공정에 설비 예지보전 시스템을 도입해 제품 불량률을 20% 낮춘 것으로 소개되었습니다. 불량의 원인이 설비 이상 징후에 있는 공정이라면, 설비 상태 데이터를 원인 분석의 핵심 변수로 다루는 접근이 유효하다는 점을 보여 줍니다.
- 설비 이상과 제품 불량을 같은 시간축에서 연결하는 것이 출발점입니다.
- 원인 분석과 예지보전을 별도 프로젝트로 나누기보다 데이터 기반을 공유하는 편이 효율적입니다.
사례 수치를 읽을 때 구분해야 할 점
같은 자료의 42개 사업장 평균 불량률 15.5% 감소는 검사 자동화, 설비 예지보전 등 적용 방식이 서로 다른 사업장을 함께 점검한 평균값입니다. 따라서 이 수치를 AI 원인 분석만의 효과로 읽기보다, 우리 공장의 불량이 어느 단계의 문제인지부터 가려내는 근거로 활용하는 편이 정확합니다.
- 검사 자동화 사례는 불량을 빨리 걸러내는 검출 단계의 성과로, 원인을 밝히는 분석과는 목적이 다릅니다.
- 원인 분석의 성과는 검사 시간이 아니라 같은 유형 불량의 재발 여부로 측정해야 합니다.
실패는 어디서 오는가 — 시행착오 패턴과 점검 포인트
앞서 인용한 검토 논문은 원인 분석이 막히는 공통 원인으로 전문가 지식 의존, 데이터 가용성과 관리 문제, 방법론상의 한계를 꼽았습니다. 현장 언어로 옮기면 다음과 같은 패턴입니다.
| 실패 패턴 | 현장에서 나타나는 모습 | 점검 포인트 |
|---|---|---|
| 상관을 원인으로 오인 | 영향도 1위 변수를 바꿨는데 불량률이 그대로 | 조건 변경 실험으로 확인하는 절차가 있는가 |
| 증상과 원인 혼동 | 불량 직전에 튀는 센서 값을 원인으로 판단 | 변수의 시간 순서와 공정 흐름을 함께 보았는가 |
| 불량 데이터 부족 | 모델이 전부 "양품"으로 예측해 정확도만 높게 나옴 | 불량 사례 수와 불균형 보정 방법을 확인했는가 |
| 정적 모델 방치 | 원자재 변경 후 분석 결과가 현장과 어긋남 | 공정 변경 시 재학습·재검증 규칙이 있는가 |
| 암묵지 미반영 | 숙련자가 아는 변수가 데이터에 아예 없음 | 분석 초기에 숙련자 인터뷰로 변수를 도출했는가 |
| 분석 인력 공백 | 파일럿 후 담당자가 없어 결과가 방치됨 | 결과를 받아 조치할 내부 책임자가 정해졌는가 |
- 특정 조건 조합에서만 드물게 나타나는 불량은 데이터 기반 방식으로도 잡기 어렵다는 점을 미리 알고 기대치를 조정해야 합니다.
- 모델 정확도가 높다는 보고보다, 조치 후 불량률이 실제로 바뀌었는지를 성과 지표로 삼는 것이 안전합니다.
전문가와 AI를 섞는 하이브리드 운영 방식
현실적인 해법은 AI와 숙련자 중 하나를 고르는 것이 아니라 둘을 결합하는 것입니다. 검토 논문은 하이브리드 방식을 세 가지 유형으로 정리했습니다.
- 초기 설정·상호작용형: 전문가가 알고 있는 인과관계로 모델의 뼈대를 먼저 세우고, 데이터로 보완합니다.
- 변수 선정·그룹화형: 학습 전에 공정 전문가가 의미 있는 변수를 고르고 묶어 모델의 정확도와 해석력을 높입니다.
- 사후 분석·검증형: 데이터로 도출한 원인 후보를 전문가가 검토해 현장 논리에 맞는지 걸러냅니다.
중소 제조 현장이라면 사후 검증형부터 시작하는 것이 부담이 적습니다. 데이터 분석은 외부 파트너가 맡더라도, 결과를 채택할지 판단하는 권한은 공정 엔지니어에게 두는 구조가 정착에 유리합니다.
단계적 도입 로드맵 — 반응형 분석에서 예측형 품질관리로
AI 원인 분석은 한 번에 전 공장으로 펼치기보다, 문제 하나를 끝까지 풀어 보는 방식으로 넓혀 가는 것이 안전합니다.
1단계 · 진단과 문제 정의
반복되는 불량 중 손실이 크고 데이터 추적이 가능한 1~2건을 고릅니다. 이 단계에서 데이터 연결 상태를 점검하고, 부족한 추적 키나 센서를 파악합니다.
- 대상 불량, 대상 라인, 성과 지표(불량률 등)를 문서로 합의합니다.
- 숙련자 인터뷰로 의심 변수 목록을 먼저 만듭니다.
2단계 · 파일럿 분석
한 라인에서 5단계 흐름을 한 바퀴 완주합니다. 목표는 모델 완성도가 아니라 "원인 후보 → 현장 검증 → 조치 반영"이 실제로 작동하는지 확인하는 것입니다.
- 검증된 원인이 1개라도 나오면 파일럿은 성공으로 봅니다.
- 데이터 정비에 걸린 시간과 비용을 기록해 확산 예산의 근거로 씁니다.
3단계 · 확산과 표준화
파일럿에서 만든 데이터 연결 구조와 검증 절차를 다른 라인과 불량 유형으로 넓힙니다. 분석 결과를 품질 시정조치 기록과 연결하는 것도 이 단계입니다.
- 불량 코드, 추적 키, 검증 절차를 전사 표준으로 정리합니다.
- 공정 변경 시 모델 재점검 규칙을 운영 절차에 넣습니다.
4단계 · 예측형 전환
불량이 난 뒤 원인을 찾는 반응형 분석에서, 불량 위험 조건을 미리 감지하는 예측형 품질관리로 나아갑니다. 연구 흐름 역시 이 방향을 향후 과제로 보고 있습니다.
- 원인으로 확인된 변수를 실시간 모니터링 대상으로 전환합니다.
- 위험 조건 감지 시 알림과 조치 가이드를 연동합니다.
도입 전 자가진단 — 우리 공장은 어디서 시작해야 할까
아래 인포그래픽의 12개 항목은 데이터 준비, 조직·운영, 검증·조치 체계의 세 영역으로 나뉩니다. 해당하는 항목 수에 따라 시작점을 정해 보세요.
- 0~4개라면 AI 분석보다 추적 키 확보, 불량 코드 통일 등 데이터 연결 정비가 먼저입니다.
- 5~8개라면 반복 불량 1건을 골라 한 라인에서 파일럿을 시작할 수 있는 상태입니다.
- 9~12개라면 검증 절차를 표준화하고 다른 라인과 불량 유형으로 확대를 검토할 수 있습니다.
AI는 원인을 '찾아 주는' 도구가 아니라 '좁혀 주는' 도구다
AI 기반 불량 원인 분석은 데이터 연결, 불량 이력 정리, 모델 학습, 설명가능 AI를 통한 원인 후보 도출, 현장 검증의 다섯 단계로 진행됩니다. 이 가운데 성패를 가르는 것은 모델 자체보다 앞단의 데이터 연결과 뒷단의 현장 검증입니다.
AI가 내놓는 결과는 수많은 공정 변수 가운데 확인해 볼 가치가 있는 후보를 추려 주는 것이고, 그 후보를 원인으로 확정하는 것은 여전히 현장 엔지니어의 실험과 판단입니다. 그래서 전문가 지식과 데이터 분석을 결합한 하이브리드 운영이 가장 현실적인 선택지가 됩니다.
지금 바로 할 수 있는 첫걸음은 간단합니다. 지난달 가장 많이 반복된 불량 한 건을 골라, 그 제품이 어느 설비에서 어떤 조건과 어떤 원자재로 만들어졌는지 역추적이 되는지 확인해 보세요. 그 추적이 막히는 지점이 곧 우리 공장의 AI 원인 분석이 시작되어야 할 곳입니다.
참고문헌
-
중소벤처기업부. "2024년 스마트제조혁신실태조사 결과 발표." 대한민국 정책브리핑(korea.kr). 2025.04.28. https://www.korea.kr/briefing/pressReleaseView.do?newsId=156686561
-
산업통상부. "제조업 AI 대전환(M.AX), 현장에서 성과로 답하다." 산업통상부 보도자료. 2026.08.04. https://www.motir.go.kr/attach/down/095a2dda9c864e1d90d751f7668a1117/591cfe6d6486963c78fa1afe9cb88157
-
Pietsch, D.; Matthes, M.; Wieland, U.; Ihlenfeldt, S.; Munkelt, T. "Root Cause Analysis in Industrial Manufacturing: A Scoping Review of Current Research, Challenges and the Promises of AI-Driven Approaches." Journal of Manufacturing and Materials Processing 8(6), 277, MDPI. 2024.12.02. CC BY 4.0. https://doi.org/10.3390/jmmp8060277
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.