AI 전문가가 말하는 "데이터 부족"은 대부분 개수의 문제가 아니라 문제 정의의 문제입니다. 1억 건의 판매 데이터를 가진 기업도 "부족하다"는 진단을 받을 수 있습니다. 해결할 문제가 정의되지 않으면 어떤 데이터가 유효한지 판단할 수 없기 때문입니다.

‍

핵심 요약

• 제조 AI 도입을 망설이는 가장 큰 이유는 비용·기간·데이터에 대한 정형화된 기준이 없어서입니다.
• "데이터 부족"은 개수 부족이 아니라 라벨 불명확, 정상 데이터 부재, 연관 데이터 부재를 뜻하는 경우가 많습니다.
• 문제 정의 없이 시작한 PoC는 발전 가능성이 낮습니다. 무엇을 왜 해결할지부터 정의해야 합니다.

1억 건의 데이터가 "부족"한 이유

A사는 B제품의 일별·지역별 판매량과 매출 데이터를 1억 건 이상 확보하고 수요 예측 AI를 의뢰했지만, 돌아온 답은 "데이터가 부족합니다"였습니다. 데이터의 개수가 아니라, 수요 예측이라는 문제에 필요한 데이터의 종류가 부족했던 것입니다. 이런 인식 차이는 AI 도입 현장에서 매우 흔하게 발생합니다.

"데이터 부족"으로 판단되는 3가지 경우

1. 불량 유형이 뒤섞여 있는 경우

깨짐, 오염, 비틀어짐 등 원인이 제각각인데 전부 "불량" 하나로만 기록돼 있다면, AI는 유형별 패턴을 학습할 수 없습니다. 개수가 아무리 많아도 명확한 라벨이 없으면 부족한 데이터입니다.

2. 정상 데이터가 없는 경우

불량 데이터만 모으는 현장이 의외로 많습니다. 하지만 무엇이 불량인지 정의하려면 무엇이 정상인지에 대한 기준이 전제되어야 합니다. 정상 데이터는 학습의 기준점입니다.

3. 연관 데이터가 없는 경우

수요 예측에는 매출 데이터만으로는 부족합니다. 경기, 트렌드, 계절성, 브랜드 인지도처럼 결과에 영향을 주는 연관 데이터가 함께 있어야 합니다. 풀려는 문제와 관련된 변수가 데이터에 담겨 있는지가 핵심입니다.

그래서, 어떻게 시작해야 하나요?

순서는 간단합니다. 어떤 문제를 왜 해결할 것인지 정의하고 → 그 문제에 필요한 데이터의 종류와 기준을 정하고 → 보유 데이터를 그 기준으로 진단하는 것입니다. 문제 정의가 명확하면 필요한 데이터 양([데이터가 얼마나 필요할까? 글 내부링크])도, 분석 방법([제조 데이터 분석 글 내부링크])도 구체화됩니다.

자주 묻는 질문

PoC부터 해보고 문제를 정의하면 안 되나요?

권장하지 않습니다. 문제 정의 없는 PoC는 "AI가 되는지 보는 실험"으로 끝나기 쉽습니다. 측정할 지표를 먼저 정해야 PoC 결과가 도입 판단의 근거가 됩니다.

문제 정의는 누가 해야 하나요?

현장 담당자와 AI 전문가가 함께해야 합니다. 현장은 문제와 판정 기준을, AI 전문가는 그 문제가 데이터로 풀 수 있는 형태인지를 판단합니다.

문제가 정의되면 데이터의 가치가 보입니다

알티엠(RTM)은 도입 전 무료 Online POC와 데이터 컨설팅으로 "우리 문제가 AI로 풀리는 문제인지"부터 함께 확인합니다. 막연한 고민을 구체적인 과제로 바꾸고 싶다면 알티엠에 문의해 보세요.