<잇(IT)터뷰 전체 영상 보기>
잇(IT)터뷰 전체 내용은 ▼아래 영상▼에서 확인해 주세요!
◼ 게스트 : 서주원 매니저, 이지아 매니저 / 라온피플 (sales@laonpeople.com)
◼ 진행자 : 고우성 PD / 토크아이티 (talkit@talkit.tv, https://talkit.tv/)
<잇(IT)터뷰 – 핵심 내용 파악하기>
‘잇(IT)터뷰 – 핵심 내용 파악하기’는 영상의 핵심 내용을 정리한 글입니다.
|
제조 AX를 시작하려면 먼저 스마트팩토리를 구축하고 충분한 데이터를 확보해야 한다고 생각하기 쉽다. 하지만 이번 사례는 출발부터 달랐다. 아직 현장에서 종이 일지를 사용하던 식품 공장에서 데이터 전산화를 추진하다가, 숙련자의 경험에 의존하던 핵심 공정을 발견했고 여기에 바로 AI를 적용했다.
현장 전문가의 노하우를 데이터로 축적하고 AI가 이를 학습하면서 설비 조정과 품질 관리까지 지원하도록 만든 것이다.
1. 스마트팩토리가 완성되지 않아도 AX를 시작할 수 있다
제조 현장의 AX라고 하면 먼저 센서와 시스템을 구축하고, 오랜 기간 데이터를 수집한 뒤 AI를 적용하는 방식을 떠올리기 쉽다. 하지만 모든 공장이 이런 준비를 갖추고 있는 것은 아니다.
이번 사례의 식품 공장 역시 현장 데이터를 종이 일지에 기록하고 있었다. 처음 프로젝트를 시작한 목적도 거창한 AI 전환이 아니라 기존 데이터를 전산화하는 것이었다. 그러나 현장을 자세히 분석하면서 예상과 다른 기회를 발견했다.
면을 만드는 과정에서 제품 상태에 따라 롤러의 간격이나 온도 등을 조정하는 중요한 작업이 있었는데, 이 과정이 시스템이나 공식화된 기준보다는 숙련자의 경험에 크게 의존하고 있었다.
결국 제조 AX의 출발점은 모든 데이터를 먼저 완벽하게 갖추는 것이 아니라 현장에서 사람이 반복적으로 판단하고 조정하는 중요한 업무를 찾는 것이 될 수 있다.
즉 스마트팩토리 구축이 끝난 뒤 AI를 적용하는 것이 아니라, 현장 업무를 분석하면서 AI를 적용할 수 있는 공정부터 찾아 단계적으로 시작하는 접근이다.
2. 숙련자의 ‘감’을 데이터로 바꾸면 AI가 노하우를 학습할 수 있다
많은 제조 기업이 가진 고민 가운데 하나는 숙련자의 노하우를 어떻게 이어갈 것인가이다. 오랫동안 현장에서 일한 숙련자는 설비의 미세한 변화나 제품 상태를 보고 경험적으로 적절한 조치를 취할 수 있다. 하지만 이러한 노하우는 문서로 남아 있지 않은 경우가 많아 퇴직과 함께 사라질 위험이 있다.
특히 해외에 새로운 생산 공장을 만들 경우 국내의 숙련자가 모든 현장에 직접 가서 작업 방법을 전수하기도 어렵다. 이 사례에서는 이러한 경험을 AI가 학습할 수 있도록 만들었다.
AI가 공정에서 발생하는 여러 변수와 조건을 분석해 적절한 조정값을 추천하면, 현장 작업자는 해당 추천이 맞는지 확인한다.
AI의 추천대로 작업했다면 실제 결과가 적절했는지를 평가하고, 추천을 따르지 않았다면 왜 다른 판단을 했는지를 입력한다. 이렇게 축적된 정보가 다시 AI 모델을 학습시키는 데이터가 된다. 초기에는 숙련자가 “이 상황에서는 이렇게 해야 한다”는 판단을 많이 제공하지만, 학습이 반복되면 점차 AI도 비슷한 상황에서 숙련자와 유사한 조치를 추천할 수 있게 된다.
결국 사람의 머릿속에만 있던 경험을 AI가 활용할 수 있는 조직의 데이터 자산으로 전환하는 것이다.
3. 제조 AI는 사람을 바로 대체하기보다 ‘Human-in-the-loop’로 고도화할 수 있다
이 사례에서 중요한 특징은 처음부터 AI가 설비를 모두 자동으로 제어하도록 만들지 않았다는 점이다. AI는 먼저 현장의 데이터를 분석해 작업자에게 적절한 조치를 자연어로 설명하고 추천한다.
예를 들어 특정 온도와 롤러 간격을 어느 정도 조정하는 것이 좋다는 내용을 현장 작업자가 쉽게 이해할 수 있도록 화면에 보여준다. 최종 판단과 조치는 사람이 담당한다. 그리고 작업자가 AI의 추천을 실제로 적용했는지, 결과가 적절했는지를 다시 시스템에 입력한다. 이러한 구조를 반복하면 사람의 판단이 AI 학습에 계속 반영되는 Human-in-the-loop 방식이 만들어진다.
초기에는 숙련자가 AI를 가르치는 역할을 하지만 시간이 지나면서 AI가 숙련자의 판단 패턴을 학습하고, 다른 작업자에게도 비슷한 수준의 조치를 제안할 수 있게 된다. 특히 현장 작업자 입장에서는 복잡한 AI 기술을 직접 이해할 필요가 없다.
AI가 존재한다는 사실을 크게 의식하지 않더라도 기존 업무 과정에서 필요한 추천을 받고, 몇 번의 확인과 입력만 하면 된다. 결국 좋은 제조 AX는 현장 근로자가 새로운 기술을 억지로 배워야 하는 시스템이 아니라 기존 업무 속에 AI가 자연스럽게 들어가 작업을 더 쉽게 만드는 방식에 가깝다.
4. 제조 AX의 성과는 AI 기술이 아니라 생산성과 품질로 평가해야 한다
AI를 제조 현장에 적용한 최종 목적은 AI 모델의 성능 자체를 높이는 것이 아니다. 실제 생산성이 향상되고 품질이 안정돼야 한다. 제조 현장에서는 생산 속도를 높이면 품질이 떨어지고, 품질을 높이려고 하면 생산 속도가 낮아지는 것과 같은 상충 관계가 발생할 수 있다.
이번 사례에서는 AI를 활용해 이러한 여러 조건을 함께 분석하고, 생산성과 품질을 동시에 개선할 수 있는 지점을 찾는 것을 목표로 했다. 실제 적용 이후에는 초기 목표로 설정했던 생산성과 품질 지표를 함께 높이는 성과가 나타났다.
또 하나 중요한 효과는 불량과 폐기 감소다. 면을 생산하는 과정에서 롤러 설정이 조금만 어긋나도 제품의 두께가 달라질 수 있다. 생산 속도가 빠르기 때문에 문제를 늦게 발견하면 이미 많은 제품을 생산한 뒤일 수 있고, 기준을 벗어난 제품은 결국 폐기해야 한다. AI가 공정 상태를 분석하고 더 빠르게 적절한 조치를 추천하면 이러한 이상 상태를 조기에 바로잡을 수 있다.
결과적으로 불량 생산량과 폐기율을 낮출 수 있고 이는 그대로 제조 비용 절감으로 연결된다. 따라서 제조 AX의 가치는 “AI를 도입했는가”가 아니라 AI가 생산 속도와 품질, 불량률, 폐기 비용 같은 실제 현장 KPI를 얼마나 개선했는가로 평가해야 한다.
5. 3줄 요약
– 제조 AX는 스마트팩토리와 대규모 데이터가 완벽하게 갖춰진 뒤 시작하는 것이 아니라, 현장에서 숙련자의 판단에 의존하는 핵심 공정부터 적용할 수 있다.
– 숙련자가 AI의 추천을 확인하고 피드백하는 Human-in-the-loop 구조를 통해 개인의 경험과 노하우를 AI가 학습할 수 있는 데이터로 축적할 수 있다.
– 제조 AI의 최종 가치는 기술 자체가 아니라 생산성과 품질을 함께 높이고 불량과 폐기율을 줄이는 실제 현장 성과로 판단해야 한다.
◼ 전체 잇(IT)터뷰 내용은 ▶영상으로 바로 가기(클릭)◀에서 확인하실 수 있습니다. |
◼ 콘텐츠 & 웨비나 문의 : marketing@talkit.tv, 02-565-0012
Copyright ⓒ 토크아이티 All rights reserved. 무단 전재 및 재배포 금지.