지난 2022년 오픈AI가 공개한 챗GPT는 전 세계 산업에 충격을 안겼으며, 제조 산업도 예외는 아니었다. 제조 기업들은 AI 도입에 대한 의지를 보였지만, 실제 활용도는 아직 낮은 수준에 머물고 있다. 품질 검사 등에서 AI의 활용 가능성이 높아지고 있으며, 특히 딥러닝 기반 AI 비전 검사 시스템이 주목받고 있다. AI 기술이 발전하면서 제조 공정의 자동화와 최적화가 현실화되고 있다. AI와 데이터를 통해 스스로 최적화하는 미래 공장은 어떤 모습인지 ‘2024 AI 자율제조혁신포럼’에서 박진우 알티엠 부대표가 발표한 내용을 토대로 정리했다.
지난 2022년 오픈AI(OpenAI)가 공개한 챗GPT(ChatGPT)는 전 세계 여러 산업에 새로운 충격을 안겼다. 글로벌 산업 흐름이 인공지능(AI)으로부터 변화할 것이라는 기대 혹은 우려 속에서 AI 기술에 대한 주목도가 급상승했다.
그 양상은 제조 산업도 크게 다르지 않다. 각 제조기업은 AI에 대한 투자와 도입 의지를 속속 드러내며 AI 활용에 대한 로드맵을 지속 내놓고 있는 상황이다. 그런 의지와는 반대로 제조 분야에서의 실제 AI 활용도는 크게 높지 않은 것으로 나타났다. 제조기업을 대상으로 진행한 ‘제조 AI(Manufacturing) AI’ 시장조사에서도 AI 기술이 제한적으로 활용되고 있는 것으로 조사됐다. 제조 AI에 대한 연구 및 논문 등이 상당 수 발표되고 있지만, 이것을 제조 현장에 녹이기에는 여전히 과제가 많다는 방증이다.
전 세계로 영역을 넓혀도 제조 AI 솔루션 도입을 위한 파일럿(Pilot) 테스트를 수행하고 있다는 기업이 절반 수준에 불과하고, 파일럿 테스트를 통과해 실제 양산 라인에 도입해 운영하고 있다는 기업도 30%가 안 되는 것으로 나타났다. 더군다나 AI 기술을 도입한 후 생산성 및 성과를 도출하는 지표도 마련돼 있지 않은 실정이다. 다만 AI 솔루션 도입 기업이 매년 증가하고 있다는 것은 고무적이다. 제조 산업의 AI 도입 및 활용이 아직 미비하지만, 그에 대한 노력은 계속 이어지고 있다는 것이다.
제조 산업은 과거부터 완전한 자율화를 꿈꿨다. 공정을 자동화하는 것에 더해 데이터와 AI를 통해 공장 스스로 공정에서 발생하는 수율 저하, 불량 발생, 설비 다운타임(Downtime) 등을 탐지·분석하고, 이에 대한 해결책을 제시하는 것과 같은 부분이다. 기존에 인력에 의존하던 이슈 탐지 및 해결에 대한 프로세스를 AI가 대신하는 것을 지향한다.
그 과정에서 설비 한 대 혹은 특정 공정을 지능화한다고 해서 의미가 있을까? 정해진 기간 안에 어느 규모의 비용으로 얼마만큼 생산할 것인지에 대한 원초적 목표로 가동되는 공장은 수많은 복잡한 설계로 구축돼 있다.
생산품은 다양한 제조 설비를 지나가고, 각 공정은 나노미터 단위를 다루며, 고도화된 기술을 통해 공정이 진행된다. 이처럼 높은 수준의 설비에서 도출되는 데이터를 통합해 다루는 것 또한 쉽지 않은 일이다. 이에 대응해 공정의 복잡도에 따라 공정 전체 혹은 세부 공정으로 구분해 AI를 단계적으로 도입할 수 있을 것이다.
여기에서 공정 내 데이터가 중요한 역할을 수행한다. 단순히 제품을 대상으로 한 데이터뿐만 아니라 제조 공정이나 설비의 데이터를 통해 불량을 찾고, 그 불량에 대한 원인을 분석할 수 있어야 한다. 나아가 파라미터, 설비 모듈 교체 등 변동으로 인한 불량 패턴이 발생한 근거를 파악해 그에 대한 대응이 가능해야 이것을 하나의 프로세스로 구축해 생산성 및 공정 최적화를 실현할 수 있다.
제조 영역에서의 AI 솔루션은 어떤 공정에서 활약하게 될까? 품질검사 영역에서 우선적으로 존재감을 과시할 것이라 전망된다. 전통 제조 공정에서 제품품질을 검사하고 판단하는 것은 대부분 인력에 의존했다. 현재도 그 양상은 많은 공장에서 이어지고 있다. 비전 시스템을 도입했다고 하더라도 정해진 설계로만 가동하는 룰 베이스(Rule-based) 형태다 보니 한계점이 명확한 것이 사실이다.
이에 딥러닝(Deep Learning) 기반 AI 비전 검사 시스템이 주목받고 있다. 딥러닝 기술을 통해 촬영되는 제품의 이미지나 분량 특징을 이해한 후 검사를 진행하기 때문에 작은 변경사항이 발생해도 비교적 정확한 품질검사가 가능하다.
그러나 이런 비전 시스템에 탑재되는 AI 모델을 개발하기 위해서는 수많은 데이터를 분류·표시·훈련해야 한다. 또 원하는 품질이 도출되지 않거나, 오탐지를 했을 때 이러한 데이터 재배치를 어떻게 해야 할지에 대한 고민도 뒤따른다.
이에 최근 초거대 AI 모델이 개발되고 발전하면서 기존에 지적됐던 인공지능 이슈에 대한 해결책이 제시되기 시작했다. 레이블링에 투입되는 자원이 현저하게 줄거나, 모델을 훈련하는 시간과 요구되는 데이터량이 감축되는 등 식이다. 이를 통해 검사 대상을 구분하는 기본 지식이 이식된 AI 모델이 등장하기 시작했다. 예를 들어 제품 이미지 수십 장만으로도 제품 손상을 탐지할 수 있는 모델이 이에 해당된다.
구체적으로, 1단계는 불량률을 정확히 인지하는 수준이다. 2단계는 공정 데이터를 분석해 불량에 대한 원인을 파악하는 것이다. 특히 2단계는 공정·제조법 등이 모두 제각기인 제조 시스템의 특성상 1단계 대비 많은 맞춤형 요소가 요구된다. 공정과 설비의 특성을 이해하고 불량에 대한 가설을 수립할 줄 알아야 한다는 것이다. 이를 위해서는 구축된 AI 모델을 사용자 스스로 신뢰할 수 있어야 하고, 엔지니어를 설득할 수 있어야 한다.
끝으로 3단계는 제어 파라미터의 자동적 변경이나 개선을 통해 문제를 해결하는 수준이다. 앞선 1~3단계를 실현한다면 제품품질은 지속 고도화될 것이다.