Industry 4.0이 더 스마트한 공장으로 가는 디지털 전환에서 중요한 역할을 하듯 인공 지능과 머신 러닝도 중요한 역할을 합니다. 그러나 모든 기술 채택이 그렇듯이 정량화할 수 있는 경쟁 우위를 창출하면서 동시에 관리가 가능한 실용적인 방식으로 채택해야 합니다.
그러나 광범위한 제조 환경에서 AI와 머신 러닝을 채택할 기회가 많다 하더라도 여전히 어려움이 있습니다. 특히 신기술 개발 예산을 신중하게 관리해야 하는 소규모 사업자는 고유의 사용 사례를 확실하게 찾아야 합니다.
달성하기 쉬운 목표로 시작
Capgemini Research Institute는 올해 초에 발표한 조사에서 실시간 미래를 구축하고자 하는 제조업체라면 AI가 반드시 필요하다고 주장합니다.
실제 제조업체들과의 인터뷰를 토대로 작성된 “Scaling AI in Manufacturing Operations: A Practitioner’s Perspective”(제조 운영에서 AI의 활용 범위: 실무자적 관점)에서는 AI가 구현된 여러 사례에서 AI를 활용해 기기와 생산 자산을 수월하게 정비하며 실시간 모니터링에 훨씬 더 집중하는 사례를 조명했습니다. Capgemini 조사에 따르면 제조 부문에서 가장 인기 있는 AI 사용 사례는 기기나 장비에 고장이 발생하기에 앞서 적시에 실시할 수 있는 예측 정비입니다. 복합 AI 알고리즘과 머신 러닝을 통해 자산과 기기 상태를 확실하게 예측할 수 있고, 예방 정비가 강화되고 있기 때문에 장비 수명을 연장할 수 있습니다.
예측 정비는 제조 환경에서 실시간 모니터링에 사용되는 AI와 머신 러닝의 여러 이점 중 하나일 뿐입니다. AI를 활용하면 생산 지연 문제를 해결하고 폐기율을 추적하기도 수월하며, 관련된 상황 데이터로 정보를 얻는 머신 러닝 모델을 사용하여 공정과 워크플로를 보다 쉽게 파악할 수 있습니다.
AI는 품질 관리에도 기여할 수 있습니다. 자동차 같은 규제 대상 산업에서 고해상도 카메라로 영상을 실시간으로 이미지 분석하고 제품을 평가하여 성능 기준을 충족하고 준수 의무를 이행할 수 있습니다. 생산 라인에서 촬영한 부품 이미지를 평가하여, 데이터베이스에 저장되어 있는 승인된 이미지와 비교하는 방식으로 정해진 품질 기준에서 벗어난 부분을 자동으로 찾아낼 수 있습니다. 이러한 기준에 부합되지 않는 부분이 있을 경우 검사팀이 통지를 받을 수 있습니다.
Industry 4.0이 생산 현장을 넘어 전체 공급망에까지 이르는 것처럼 AI와 머신 러닝의 범위도 이와 같습니다. 후자는 매장 진열대 같은 유통 경로에 충분한 제품이 공급되도록 제품 홍보와 마케팅 활동에 맞춰 수요 예측의 정확도를 높일 때 사용할 수 있습니다. 제조업체는 머신 러닝을 활용해 마케팅, 영업, 고객 관리 및 공급망 사이의 협업 활동에 정보를 제공하여 매출 손실, 수요를 훨씬 초과하는 생산, 제품 단종으로 이어질 수 있는 예측 오류를 줄여 전체 수익을 개선할 수 있습니다.
그러나 AI와 머신 러닝이 제조 환경을 스마트 공장으로 전환하는 데 기여할 수 있는 가능성이 너무 많아 이에 압도된 제조업체들은 어디서부터 시작해야 할지를 모를 수 있으며 AI와 머신 러닝 자체도 쉬운 것은 아닙니다.
AI 기반 제조의 핵심 요소인 데이터 과학
AI와 머신 러닝의 장점을 제대로 활용하려면 명확한 사용 사례가 있어야 합니다. 이를 활용해 품질 관리나 예측 정비를 개선하는 것은 좋은 출발점이지만, 명확한 사용 사례가 있더라도 극복해야 하는 몇 가지 중요한 장애 요소가 있습니다.
산업용 사물 인터넷에는 생산 현장에서 데이터를 수집하기 위해 센서와 카메라를 사용하는 경우가 있지만 AI와 머신 러닝을 사용하여 디지털 인텔리전스를 만들기 위해서는 상당량의 지식 문서가 있어야 합니다. 결국 현장에서 작업하는 사람, 정비하는 사람, 원료를 조달하는 사람, 최종 제품을 유통하는 사람을 포함한 사람들의 환경에 관한 엄청난 통찰력과 지식이 있어야 합니다. 이 모든 영역의 전문성을 코드화할 수 있어야 합니다.
AI와 머신 러닝을 이용한 예측 정비는 제조 비용을 크게 절감할 수 있습니다. 비용이 많이 드는 가동 정지를 피할 수 있고, 문제가 커지기 전에 해결할 수 있기 때문입니다. 안전 규정도 준수하며 실시해야 한다는 것도 명심해야 합니다.
대체적으로 AI와 머신 러닝을 사용하려면 확실한 데이터 관리 능력이 필요합니다. 따라서 제조업체들은 현재 데이터 과학 역량을 놓고 경쟁을 벌이고 있으며 전체 제조 환경 범위에 전문성을 통합하는 방법을 배우고 있습니다.
AI와 머신 러닝에 넣을 양질의 데이터가 필요합니다. 이러한 데이터가 없다면 커넥티드 공장으로 가능한 자동화와 분석을 충분히 활용하지 못하게 됩니다. Industry 4.0이 등장하기 전에도 여러 형식의 다양한 데이터를 통합하기는 쉽지 않았으며, 정보 기술(IT) 시스템뿐만 아니라 운영 기술(OT) 시스템에서도 데이터를 끌어와야 합니다. 디지털 전환을 이미 시작했다면 생산 영역 전문가뿐만 아니라 IT와 OT 사이를 연계하는 일을 맡을 담당자도 두어야 합니다. 생산 공정과 정보 시스템을 잘 아는 사람이 필요합니다.
제조 환경의 데이터는 상당히 다양하기 때문에 관련성이 있는 것은 모두 수집해야 하며, 이러한 데이터를 “정리하고” 유용한 형식으로 구성해야 합니다. AI와 머신 러닝에서 사용하려면 데이터에 일관성이 있어야 합니다. 그리고 각 조직에서 보다 스마트한 결정을 하는 데 도움이 되는 상황이나 맥락을 풍부하게 통합하고자 한다면 다양한 스트림을 결합해야 합니다. 소량의 데이터를 가지고 실시간으로 의사를 결정해줄 AI와 머신 러닝이 필요한 경우도 있고, 장시간에 걸쳐 수집한 상당량의 이력 데이터를 입수하는 경우도 있습니다.
데이터를 성공적으로 관리하면 AI와 머신 러닝을 통해 정비와 품질 관리를 개선하는 것은 물론 제조업을 전환하여 새로운 시장 기회를 창출할 수도 있습니다.
전체 공급망에서 기회를 창출하는 AI와 머신 러닝
AI와 머신 러닝은 기존의 공정 생산을 개선하는 것은 물론 제품 개발 개선에도 기여할 수 있습니다.
AI는 생성적 설계를 통해 가용 시간, 자원 및 예산 같은 세부 정보를 가지고 새로운 방식의 제품 생산을 제안할 수 있습니다. 이후 딥러닝 모델을 적용하여 이러한 방식의 적합성을 평가할 수 있습니다. 실시간 데이터를 활용하는 AI가 충분히 성숙하면, 경제 동향, 소비자 행동, 정부 정책, 정치적 격변이나 자연재해에 의한 혼란을 포함해 광범위한 요인을 고려하는 AI의 제안에 따라 공급망을 바로 조정할 수 있습니다. 이러한 요인을 고려하게 되면 이력 데이터
에 기반하는 예측 모델을 사용하여 효율적으로 원료를 확보하고, 지연과 가동 정지를 줄일 수 있으며 확장을 결정할 때도 도움을 받을 수 있습니다.
AI와 머신 러닝을 점진적으로 제조 환경에 통합하면 기업은 새로운 기회에 빠르게 적응할 준비를 갖춘 상태에서 자가 최적화를 통해 기존 공정과 제품을 개선할 수 있는 보다 스마트한 공장을 구축할 수 있습니다.