제조기업에게 인공지능은 게임 체인져가 될 수 있다. 효율 향상, 비용 절감, 품질 개선 및 다운타임 감소는 잠재적 이점 중 일부에 불과하다. 이 기술은 대기업 제조사만을 위한 것이 아니다. 고부가가치, 비용 효율적인 AI 솔루션 활용은 많은 중소 제조업체들이 인식하는 것보다 더 쉽게 접근할 수 있다.

최근 MEP National Network™/Modern Machine Shop 웹 세미나 Artificial Intelligence in Manufacturing: Real Success Stories and Lessons Learned(제조 분야의 인공 지능: 실제 성공 사례 및 교훈)에서, 사우스캐롤라이나 MEP의 Andy Carr와 Delta Bravo 설립자 겸 CEO Rick Oppedisano는 중소기업에 적합한 AI 솔루션에 대해 논의했다. Delta Bravo는 AI 솔루션 벤더이다.

웹 세미나에서 Rick은 Precision Global, Metromont, Rolls-Royce, JTEKT, Elkem Silicones 사 등 여러 제조기업에게 협력한 AI 사용 사례에 대해 설명했다. Delta Bravo는 2017년부터 약 90개 프로젝트를 진행해 오는 동안 어떻게 하는 것이 가장 잘 작동하는지 파악하였으며 특히 중소 제조업체를 대상으로 상당한 투자 수익율(ROI)를 내고 있다. AI 프로젝트로 각 기업은 장비 가동 시간을 개선하고 품질과 생산성을 높였으며 스크랩을 줄였다. 수익율을 향상시키기 위한 견실한 체계를 세우면서 동시에 얻은 교훈이 있다. Rick이 그 동안 경험한 성공적인 AI 실현과 잠재적 함정, 그리고 모범 사례 등 몇 가지 중요한 팁을 공유한다.

인공지능과 머신러닝

일부 사람들이 인공지능과 머신러닝이라는 용어를 종종 혼용하여 사용하고 있지만, 이 둘은 매우 다르다. 

머신러닝은 서로 다른 소스의 데이터를 한데 모아 데이터가 어떻게 움직이는지, 그리고 어느 데이터가 다른 데이터와 어떠한 상관관계가 있는지 이해하는 데 도움이 된다. 데이터에 있는 역사적 증거를 가지고 다양한 선택 사이의 확률과 과거에 어떤 선택이 더 정확했는지 알려주어 특정 문제를 해결하는 데 도움이 된다. 따라서, 모든 것의 관련성, 특정 결과의 확률 및 그 결과의 미래 가능성을 알려준다.

한편, AI는 머신러닝이 제공하는 권고에 따라 조치를 취한다. 뜨거운 스토브에 비유를 하자면, 뜨거운 스토브 쪽으로 손을 갖다 대면 뇌가 과거의 경험과 손가락의 얼얼함으로부터 일어날 수 있는 일과 해야 할 일을 알려준다. 이것이 머신러닝이다. AI는 화상을 입기 전에 손을 뒤로 당기는 기술력이다.

왜 AI를 채택할까

제조 환경에서 AI 사용의 목적은 사람보다 더 빠르고 정확하게 실행 가능한 결정을 내리기 위해 데이터를 사용하는 것이다. 이상 징후 또는 이상치를 찾아내고 예측하기 위한 두 가지 특정 영역이 있다. 제조 프로세스에서는 예측이 가치를 창출할 수 있는 부분이 있다. 과거 데이터, 의사결정의 배경, 프로세스와 관련된 충분한 데이터가 있다면 예측을 개발할 수 있는 좋은 기회를 얻는다. 

왜 같은 기계에서 입력이 동일한데 종종 다른 결과가 나오는가? 이것에 대해 알고 싶은 어느 기계의 생산 시나리오가 있을 경우, 기계 한대에서 나오는 데이터만 해도 사람이 분석하기에 너무 압도적이다. 이것이 AI가 도울 수 있는 부분이다. 

더욱이, 제조 시스템은 종합적인 것이다. 생산 공정에서 어느 한 곳의 측정 메트릭스는 동일 공정의 다른 부분과 관련이 있다. 한 영역만 관리하고 있다면 다른 영역에서 무슨 일이 일어나고 있는지 어떻게 알 수 있을까?  AI가 해결책이 될 수 있다.

AI 활용 5가지 분야

1. 예측 정비 유지보수 로그에서 과거 데이터를 가져와 과거의 문제 해결 사항을 토대로 향후 풀 가동 시 기계가 어떻게 작동할지, 수리해야 하는지, 수리가 필요하면 수리 시기, 이유 및 방법을 예측할 수 있다. 이를 통해 다운타임을 크게 줄일 수 있다.

2. 품질 예측 고장을 예측하고 줄이면 상당한 비용 절감 효과와 품질도 예측할 수 있다.

3. 스크랩 삭감 측정 기준을 사용, 제품 사양 전반의 변화를 예측하여 스크랩을 최소화하고 제품 품질을 극대화할 수 있다.

4. 수율/생산능력 향상 기계나 프로세스가 지정된 규격을 충족할지 못할지 여부와 시기를 예측하여 기계나 프로세스를 사양 범위로 되돌리는 데 필요한 작업을 미리 시뮬레이션하여 품질 실패를 줄일 수 있다.

5. 수요 및 재고 예측 공장 운영 및 생산 관련 데이터를 완벽하게 파악하면 중요 부품의 수요와 변화를 예측할 수 있어 재고 절감 효과가 매우 크다.

베스트 플랙티스 및 잠재적 함정

중소 제조업의 AI 솔루션 도입과 투자가치에 대해서는 회의적인 시각이 있는데, AI 구현의 성공은 문제, 사람, 프로세스 이 세 가지와 관련 있다. 

먼저, AI가 해결하기에 적절한 문제를 신중하게 정의해야 한다. 

그리고, 리더십, 운영, IT/기술, 디지털 전환 및 재무 담당자를 포함한 적절한 인력이 필요하다. 이들이 각각 AI를 성공적으로 채택하는 데 중요한 역할을 한다. 

세 번째로 프로세스인데 AI로 문제를 해결하는 올바른 방법을 파악하는 접근 방식이 필요다. 특히, 문제를 해결할 데이터가 존재하는지 파악해야 한다.

어느 새로운 기술이 들어간 제품 출시에 맞추어, 하나의 생산 라인에서 파일럿으로 AI를 시범 운영해 보는 것이 타당하다. 반복적으로 발생하는 모든 문제를 해결한 다음 파일럿 운영을 다른 기계나 라인으로 확대 전개해 나갈 수 있다. 기술을 점진적으로 확장하면 비용 효율적일 수 있기 때문에, 소규모 제조업체들도 투자손실을 막을 수 있다. 집을 지을 때의 ROI에 초점을 맞추어 생각해보자. ROI는 집터를 팔 때 나오는 게 아니라 집의 모든 기반 구축되어야 나온다. AI를 활용할 수 있는 기반을 구축했다고 해서 즉각적인 수익을 기대할 수는 없다.

자사에서 AI를 구현할 준비가 되었는지 어떻게 알 수 있을까? 다리 세 개 달린 의자라고 생각해야 한다. 위에서 언급한 이 세 가지를 모두 갖추어야 성공할 수 있으며, 그렇지 않으면 AI에 대한 준비가 되어 있지 않다고 판단해도 무방하다.

1. 경영 톱이 주도적으로 이끌어야 한다. 기업의 최고 경영자가 데이터를 활용해 비즈니스를 혁신한다는 의지와 우선순위가 없다면 효과가 없을 것이다.

2. 데이터 수집에 투자. 직원들이 데이터를 수집하고 저장하는 일에 일관적으로 투자하지 않으면 효과가 없다.

3. 문제를 찾고, 이득을 찾아라. 계획되지 않은 다운타임, 스크랩 폐기 또는 생산능력 같은 특정 문제를 구체적인 재정적 수치로 정량화할 수 있는가? 그렇지 않으면, 작동하지 않을 것이다.

프로 팁

다음은 Delta Bravo가 경험을 통해 터득한 성공적으로 AI를 구현하기 위한 고난도 꿀팁을 소개한다.

파이롯트 운영 공장 지정 : 생산 거점이 여러 곳에 분산되어 있는 경우 파일럿으로 AI를 운영할 우수 공장을 정해야 한다. 한 라인에서 AI 활용을 구축한 후 2~3개 라인으로 확대 적용하고 점점 다른 공장으로 확장해 나간다. 실습할 리더를 선정하고 벤더와 함께 소통하며 추진할 담당자를 지정한다. 

경제성 파악 : AI 구축 시 많은 사람들이 클라우드를 이야기한다. 왜냐하면 최소한의 유지보수로 CPU와 메모리, 디스크 등을 결합해 가상 장비를 제공하는 컴퓨팅 자원에 쉽게 접근할 수 있기 때문이다. 그러나, 클라우드 업체들은 돈은 어떻게 해서 버는지 말하지 않는다. 데이터는 상당히 저렴하게 저장하지만 컴퓨팅 리소스를 사용하기 시작하면 비용이 많이 비싸진다. 다양한 클라우드 프로바이더 또는 스토리지 솔루션 중에서 가장 비용 효율적인 방법으로 확장할 수 있는 선택이 필요하다.

기술적 lock-in에 주의 : 단일 클라우드 프로바이더에 모든 데이터를 저장하면 필요 시 이동하기 번거롭고 비용이 많이 든다. 하이 테크 클라우드 프로바이더일수록 들어가기는 쉽지만 빠져 나오기 어렵다는 것을 명심해야 한다. 특정 공급업체에 올인하지 마라.

과신은 금물 : 미리 만든 예측 유지 보수 솔루션으로 자신만만하게 약속하는 공급업체들이 있다. 데이터에 연결하기만 하면 원하는 것을 얻을 수 있다는 말을 그대로 믿어서는 안 된다. 중요한 것은 프로세스를 이해하고 우선순위에 따라 조정할 수 있는 솔루션이 필요한 것이다. 미리 제작된 모델은 묘책이 아니며, 결국 돈을 더 쓰고 다시 처음으로 돌아가게 될 것이다.

발전을 위한 큰 기회 : 머신러닝 모델을 구축하고 사용법을 알아내는 것 외에도 얻을 수 있는 것들이 많이 있다. 이러한 기능을 통해 운영 담당자뿐만 아니라 회사의 모든 직원들이 더 스마트하게 일할 수 있게 된다. 예를 들어 머신러닝으로 스프레드시트 프로세스를 자동화하면 매일 새로워지는 데이터 분석을 시각화하여 언제든지 확인할 수 있다.

출처 : nist