산업·제조 AI 심층 분석
스마트팩토리 현장에서 산업 AI가 하는 일
제조 현장의 AI는 문서를 쓰지 않습니다. 센서 값과 공정 로그, 설비 이력을 다루고 결과는 알람과 조정 지시로 돌아옵니다.
제조 현장의 AI는 문서를 쓰지 않습니다. 센서 값, 공정 로그, 설비 이력처럼 숫자로 남는 데이터를 다루고, 결과는 알람이나 조정 지시로 나타납니다. 이 페이지는 이상 탐지, 설비 최적화, 피지컬 AI가 각각 어떤 문제를 겨냥하는지 정리합니다.
세 영역은 겹치지 않습니다. 겨냥하는 데이터가 다르고, 성과를 재는 방식도 다릅니다. 같은 공장 안에서 세 프로젝트가 동시에 돌아가는 경우도 드물지 않습니다.
현장에서 AI가 실제로 겨냥하는 문제
공장의 골칫거리는 대개 세 가지로 모입니다. 갑자기 멈추는 설비, 원인을 알 수 없는 품질 편차, 사람이 매번 판단해야 하는 조정 작업입니다. 산업 AI는 이 중 반복되고 기록이 남는 문제부터 겨냥합니다.
기록이 없다면 모델을 만들 재료도 없다는 뜻이므로, 데이터 수집 단계가 프로젝트의 절반입니다. 센서가 붙어 있어도 값이 5분 간격으로만 남거나 수기 일지에 적힌다면, 모델이 배울 수 있는 해상도가 그만큼 낮아집니다.
설비 정지
멈춘 뒤에 원인을 찾는 대신, 멈추기 전의 신호를 본다.
품질 편차
로트와 계절에 따라 흔들리는 조건을 함께 기록한다.
조정 작업
숙련자의 판단을 변수 조정 제안으로 옮긴다.
이상 탐지: 정상 범위를 먼저 정의해야 한다
이상 탐지는 무엇이 비정상인가보다 무엇이 정상인가를 정하는 일에서 시작합니다. 같은 설비도 계절, 원자재 로트, 교대 근무에 따라 정상 범위가 흔들립니다. 여름철 냉각수 온도와 겨울철 냉각수 온도는 같은 설비에서도 다른 정상값을 갖습니다.
이 범위를 문서로 합의해 두지 않으면, 모델이 만든 알람을 현장이 신뢰하지 않게 됩니다. 알람 피로는 기술 문제가 아니라 운영 문제입니다. 하루에 스무 건씩 울리는 알람은 무시되고, 무시된 알람은 다음 알람의 신뢰도까지 떨어뜨립니다.
그래서 첫 회의에서 정할 것은 모델 종류가 아니라 정상 범위의 정의와 알람을 받을 사람입니다. 알람을 처리할 사람이 지정되지 않은 프로젝트는 모델 정확도와 무관하게 멈춥니다.
MakinaRocks가 보여 주는 산업 특화의 의미
MakinaRocks는 공장 데이터와 설비 최적화에 초점을 두는 한국의 산업 AI 기업입니다. 보도에서는 복잡한 설비와 공정의 원인 분석, 예측 업무를 돕는다고 소개됐고, 이상 탐지와 운영 최적화에 강한 브랜드로 알려져 있습니다.
범용 챗봇으로는 접근할 수 없는 영역이며, 한국 AI 시장에서 산업 특화의 대표 사례 중 하나로 다뤄집니다. 차이는 학습 데이터의 출처에서 갈립니다. 문서와 대화를 학습한 모델은 문장을 잘 만들지만, 진동·압력·토크 같은 시계열 값을 읽는 법은 따로 배워야 합니다.
산업 특화 업체를 검토할 때 확인할 것은 모델 이름이 아니라, 어떤 설비 데이터를 어떤 형식으로 받아들이는지입니다. PLC 태그, 이력 테이블, 진동 센서 로그를 한 흐름으로 묶을 수 있는지가 실제 도입 난이도를 결정합니다.
산업 특화를 판단하는 기준
- 설비 데이터 형식을 얼마나 넓게 받아들이는가
- 원인 분석 결과를 현장 언어로 설명하는가
- 기존 MES·제어 시스템과 정의가 맞는가
- 알람을 처리할 담당자까지 설계에 넣는가
네 항목 모두 기술 데모가 아니라 도입 절차에서 드러납니다.
설비 최적화는 예측보다 조정에 가깝다
예측은 언제 고장 나는가를 답하지만, 최적화는 지금 무엇을 바꿀 것인가를 답합니다. 온도, 압력, 이송 속도 같은 조정 변수를 어느 방향으로 얼마나 움직일지 제안하는 일입니다.
이 단계에서는 모델 정확도보다 제안을 실행에 옮길 수 있는 권한 설계가 더 중요해집니다. 현장 작업자가 수용하지 않는 제안은 아무리 정확해도 효과가 없습니다. 누가 버튼을 누를 수 있는지, 제안을 거부했을 때 그 기록이 남는지까지 정해 두어야 합니다.
조정 제안은 정답이 아니라 선택지로 제시하는 편이 안전합니다. 작업자가 제안을 따르지 않은 날의 데이터도 함께 쌓이면, 그 자체가 다음 모델의 재료가 됩니다.
데이터 플랫폼이 아래에 깔리는 이유
HD현대 로보틱스가 Palantir와 협력해 물리적 AI 솔루션을 개발한다는 보도는 조선·중공업·로봇 현장과 연결됩니다. Palantir Foundry는 산업·국방·공공 맥락에서 쓰이는 데이터 운영 플랫폼으로, 복잡한 운영 데이터 통합과 의사결정 지원에 강점이 있다고 알려져 있습니다.
설비마다 다른 형식의 데이터를 하나의 흐름으로 묶는 작업이 먼저 필요하다는 뜻입니다. 로봇이 물리적 작업을 하려면 위치, 속도, 힘, 주변 설비 상태가 같은 시점 기준으로 정렬되어야 합니다. 이 정렬이 안 되어 있으면 상위 모델을 아무리 잘 만들어도 현장에서 쓸 수 없습니다.
그래서 플랫폼 도입은 모델 도입보다 앞에 옵니다. 다만 플랫폼 자체가 성과를 만들지는 않습니다. 어떤 설비 데이터를 어떤 정의로 올릴지 정하는 일은 여전히 현장과 운영 조직의 몫입니다.
피지컬 AI는 무엇이 다른가
피지컬 AI는 문장을 생성하지 않습니다. 로봇의 동작, 용접 궤적, 이송 경로처럼 물리적 결과를 다룹니다. HD현대 로보틱스의 협력 보도가 조선·중공업 현장과 연결되는 이유가 여기에 있습니다.
생성형 AI와 요구 역량이 겹치지 않으므로, 같은 조직이 두 트랙을 별도로 운영하는 경우도 있습니다. 한쪽은 문장과 문서를, 다른 쪽은 힘과 궤적을 다룹니다. 평가 기준도 자연스럽게 갈라집니다.
도입 순서에 대한 현실적인 조언
- 먼저 확인 현재 가진 것 목록화 설비 제조사가 제공하는 진단 기능이 이미 충분한 경우도 있습니다. 중복 투자를 피하려면 보유 기능을 먼저 정리합니다.
- 데이터 상태 수집 체계부터 정리 데이터가 종이와 엑셀에 흩어져 있다면 수집 체계 정리가 먼저입니다. 이 단계를 건너뛰면 모델을 만들 재료가 없습니다.
- 시작 지점 이상 탐지부터 센서 데이터가 이미 수집되고 있다면 이상 탐지가 가장 빠른 출발점입니다. 정상 범위만 합의하면 바로 검증할 수 있습니다.
- 검증 범위 파일럿 라인 하나 라인 하나를 정해 비교 기준을 만드는 편이 안전합니다. 범위가 넓으면 결과가 나빠졌을 때 원인을 특정할 수 없습니다.
현장에서 실패하는 전형적인 이유
모델 성능이 부족해서 실패하는 경우는 생각보다 드뭅니다. 더 흔한 것은 알람을 처리할 사람이 지정되지 않은 경우, 기존 MES나 설비 제어 시스템과 데이터 정의가 어긋난 경우, 성과를 설비 가동률 하나로만 측정해 검토 인력의 부담을 보지 않은 경우입니다. 세 가지 모두 기술 밖의 문제입니다.
데이터 정의가 어긋나는 사고는 조용히 진행됩니다. 같은 이름의 태그가 두 시스템에서 다른 단위를 쓰고 있으면, 모델은 정상 데이터를 학습하면서도 엉뚱한 결론에 도달합니다. 파일럿 첫 주에 두 시스템의 태그 목록을 나란히 놓고 대조하는 작업이 이 비용을 줄입니다.
자주 나오는 질문
제조 현장에서 산업 AI를 검토할 때 반복해서 나오는 세 가지 질문입니다.
제조업에서 AI가 실제로 도움이 되는 업무는 무엇인가요?
반복되고 기록이 남는 업무입니다. 설비 이상 탐지, 품질 편차 원인 분석, 조정 변수 제안이 대표적입니다. 한 번뿐인 예외 상황은 데이터가 쌓이지 않아 모델을 만들기 어렵습니다.
피지컬 AI와 생성형 AI를 같은 프로젝트로 묶을 수 있나요?
요구 데이터와 평가 방식이 다릅니다. 로봇 동작과 문서 요약은 검증 방법이 겹치지 않으므로 별도 트랙으로 운영하는 편이 일반적입니다.
파일럿은 어느 규모로 시작해야 하나요?
라인 하나, 설비 하나처럼 범위를 좁히는 편이 좋습니다. 범위가 넓으면 결과가 나빠졌을 때 원인을 특정할 수 없습니다.
다음에 볼 것
업무 자동화와 생성형 AI 페이지에서는 사무 영역의 적용을 다룹니다. 산업 현장과 사무 업무는 데이터 형식도 평가 방식도 다르므로, 같은 기준으로 비교하지 않는 편이 낫습니다.
도입 준비 상태를 점검하려면 AI 도입 체크리스트를 참고하십시오. 어느 단계에서 막히는지 먼저 확인하면, 다음 회의에서 논의할 범위가 줄어듭니다.
뷰젠트라 AI 리서치 · 서울특별시 강남구 테헤란로 152, 06236 · 평일 09:00 - 18:00