Chapter 1 머리말

디지털 기술의 투자 비중은 클라우드에 집중되어 있으며, AI 투자는 매우 저조한 상태이다. 클라우드는 47.3%이지만, AI는 1.7%이다. 제조 분야에서 인공지능 디지털 활용율은 1.6%이며, 금융 11.1%, 통신 17.1%에 비해서 매우 낮은 편이다.(’21, NIS)

최근 1년 간 디지털 기술별 투자 비중(%) (’22, 한국생산성본부)

제조 AI 솔루션의 확산을 위해서는 본질을 이해할 필요가 있다. 제조AI 솔루션은 제조기업이 풀어야 할 제조 문제(Problem)를 최근 급격히 발전하고 있는 AI 솔루션과 연결함에 의해 개발된다. 제조 Problem에 대한 지식과 AI 코딩 지식이 연결되야 한다. 제조 Problem 에 대한 지식은 제조 전문가가 AI 솔루션 지식은 AI 코딩 전문가가 보유하고 있다.

제조 AI 솔루션의 본질

제조업의 AI 활용을 가속화하기 위해서는 제조 전문가가 AI 솔루션을 개발할 수 있어야 한다. 하지만 코딩 지식 및 AI 지식이 부족한 제조 전문가는 AI 솔루션을 개발할 수 없다. 제조 전문가들은 자신들의 도메인 지식이 탑재되지 않은 AI 솔루션을 불신하며, 일자리 대체에 대한 우려도 가지고 있다. 이러한 상태에서 AI 수요기업인 제조기업의 AI 활용 역량 강화는 기대하기 어렵다.

1.1 종합 판단 AI

AI는 여러 관점에서 분류할 수 있다. 일례로, Expert AI와 기계학습 AI로 분류할 수 있다. 요즘 많이 회자되고 있는 신경망 AI는 기계학습 AI에 속합니다. 동물의 행동, 일상 생활, 회사 업무 등은 크게 세 개의 단계로 진행된다. 감지(정보 수집), 종합 판단, 실행의 단게이다. 감지는 다양한 정보를 수집하는 단계이다. 판단은 수집된 정보로부터 어떻게 실행할지를 결정하는 단계이다. 실행은 마지막 단계로 판단한 대로 행동하는 것이다. 날씨 정보와 여행 정보를 수집하고, 종합 판단하여 여행을 실행한다. 회사 업무도 마찬가지다. 회사 업무를 대신하는 AI를 감지 AI와 판단 AI로 분류할 수 있다.

센서, IoT, 신경망 알고리즘 발전 등에 의해 감지 AI가 제조업에서 획기적으로 확산되고 있다. 비전 검사 AI, 설비 예지 정비 AI 등이다. 감지 AI는 개별 설비에서 수집되는 데이터를 이용하여 소구모 판단을 하며, 조업자를 보조 혹은 대체 한다. 감지 AI는 제품의 불량 종류를 감지한다. 판단 AI는 여러 설비에서 발생하는 데이터를 취합하여 종합 판단을 하며, 연구자나 엔지니어를 보조한다. 생산 설비와 검사 설비의 데이터를 종합하여 왜 불량이 발생하는지 분석하고, 생산 조건에 따른 불량 발생을 예측한다. 그리고, 불량 발생시 불량을 감소 시키기 위한 조치를 도출한다. 판단 AI는 모든 감지 AI 데이터와 기존 데이터를 종합하여 판단 한다. 판단 AI가 다루어야 하는 시공간은 감지 AI의 시공간보다 훨씬 크다. 판단 AI는 뇌의 전두엽에서 일어나며, 발달된 전두엽의 존재는 인간이 동물과 차별화되는 기반이다.

뇌의 전두엽과 판단 AI

제조업에서 판단 AI를 개발하기 위해서 필요한 제조 지식의 양은, 감지 AI 개발에 필요한 제조 지식의 양에 비해 크다. 시공간이 크기 때문에, 거대한 시공간의 모든 데이터를 수집하는 것은 비용이 막대하다. 따라서, 데이터가 없는 영역에 대해서는 제조지식으로 보완하는 것이 더 비용 효율적이다. 밤 하늘의 별을 보면 무수한 별이 있다. 하지만 3차원으로 보면 우주는 거의 비어 있다. 모든 천체의 움직임을 별의 관측 데이터만으로 예측 할 수는 있겠지만, 만유인력 법칙, 케플러 행성 운동 법칙등을 이용하면 훨씬 비용 효율적으로 천체의 움직임을 예측할 수 있다. 만유 인력 법칙, 행성 운동 법칙 등이 제조 지식에 해당한다. 판단 AI 솔루션은 AI 지식과 제조 지식이 융합된 솔루션이다.

제조업 판단 AI를 비용 효율적으로 개발하기 위해서는 제조 지식을 보유하고 있는 제조 전문가의 역할이 중요하다. 하지만, 제조 전문가는 AI 및 코딩 지식이 부족하기 때문에 판단 AI 솔루션 개발에 기여하기 힘들다. 본서는 AI와 코딩 지식이 부족한 제조 전문가가 판단 AI 솔루션 개발에 참여할 수 있도록 하기 위해 집필되었다.

1.2 접점의 필요성

설계와 구현의 분업화

지금까지는, 제조전문가가 AI 코딩을 학습하거나, 아니면 AI 코딩 전문가가 제조지식을 학습하여 AI 솔루션을 개발하였습니다. 어느 경우든 방대한 학습이 필요했습니다.MED(Manufacturing Expert Design) AI 솔루션은 제조 전문가가 설계 접점만 학습하여 설계하고, 설계를 구현하는 솔루션 엔진을 AI 코딩 전문가가 개발하여, 솔루션이 완성됩니다. 설계와 구현이 분업화 됩니다. 분업화를 위한 접점이 필요합니다.

AI 디지털 전환 개요

AI 디지털 전환은 데이터 전환, 솔루션 전환, 비지니스 전환으로 구성된다. 아날로그 데이터로부터 디지털 데이터로의 전환 및 디지털 데이터로부터 문제 해결을 위한 솔루션 전환은 AI 코딩 전문가의 역할이다. 이러한 데이터 시스템과 AI 솔루션을 이용하여 비지니스 전환을 하는 주체는 제조 기업의 제조 전문가이다. AI 코딩 전문가와 제조 전문가의 배경 지식은 상이하기 때문에 협업 접점이 필요하다. 지금까지 실패한 대부분의 디지털 전환 프로젝트는 협업 접점의 부재에 의한 협력의 실패에 기인한다.

1.3 디지털 전환에서 제조전문가의 역할

디지털 전환에서 제조전문가의 역할

AI 솔루션을 활용한 디지털 전환에서 제조 전문가의 역할은 다양하다. 적절한 AI 디지털 전환 프로젝트 목표 설정, 데이터와 판단 기준 제공, 예측 결과의 제조 지식 기반 검증, 솔루션의 활용 등이 제조 전문가의 역할이다. 다양한 역할이 있음에도 불구하고, AI 코딩 지식이 부족하다는 이유로, AI 디지털 전환 프로젝트의 방관자로 남는 경우가 많으며, 이런 경우, 프로젝트 실패의 원인이 된다. 제조 전문가가 프로젝트의 주도자가 되야 프로젝트 성공 가능성이 증가한다.

1.4 AI 코딩 전문가와 제조 전문가의 협업

협업 개요

AI 코딩 전문가는 데이터를 전처리한 후, 층별화, EDA(Exploratory Data Analysis) 등을 거쳐, 정보로 전환한다. 그 후, 기계학습 모델링을 수행하여 지식(knowledge)을 만든다. 이러한 지식은 제조 기업의 특정 문제를 풀기 위한 통찰(insight)의 기반이된다. 제조 전문가는 제조 설비에서 추출된 데이터의 특성을 가장 잘 이해하고 있기 때문에 전처리를 잘 할수 있으며, 제조 Problem을 가장 잘 이해하고 있고, 또한 EDA나 기계학습의 결과가 제조 지식과 일치하는지 판단 할 수 있다. 그리고 데이터로부터 추출된 지식과 본인의 경험과 학습에 의해 축적된 지식을 융합하여 새로운 지식을 도출할 수 있다. 그리고, 융합된 지식으로부터 특정 문제를 풀기 위한 통찰을 얻고, 실행하여, 수익을 내는 주체이다. 성공을 위해서는 협업이 필연적인데, 협업을 위해 제조 전문가는 AI 코딩 전문가가 개발한 AI 솔루션을 본인의 목적에 맞게 쉽게 개조할 수 있어야 한다. 자가 개발(DIY : Do It Yourself) AI 솔루션이 필요하다. DIY의 주체는 제조 전문가이다. 제조 전문가 자가 개발을 한다는 의미는 제조 전문가가 설계한다는 의미이다. 본서는 제조전문가 설계(MED : Manufacturing Expert Design) 판단 AI에 대한 책이다. MED 판단 AI 솔루션을 설계하기 위한 책이다.

제조 전문가는 본서를 통해 MED AI 솔루션의 설계 방법과 산출물 해석 방법을 배운다. 설계에서 산출물 생성까지는 솔루션 엔진이 담당한다. 솔루션 엔진은 AI 코딩 전문가가 개발한다.

MED AI의 전문가 협업

AI 디지털 전환에서 제조 전문가의 역할을 증대 시켜야 산업 AI 내재화가 성공할 수 있다. 본서는 제조전문가가 설계할 수 있는 자가 개발 AI 솔루션에 대한 내용이다.

MIDAS 소개 동영상