제조업에서 생산성 및 품질 향상, 경영상 혹은 업무상 의사결정을 AI(인공지능)가 보완 혹은 대체함으로써 나타나는 효과를 소개한다.

AI와 친화성 높은 제조업의 업무 프로세스

다양화되고 있는 소비자 요구와 그 변화 속도에 대응하기 위해서는 설계, 개발, 생산, 파일럿 등의 프로세스를 통해 고품질 제품을 생산하고 가능한 한 빨리 시장에 투입하는 능력이 필요하다. 그런 능력을 보완할 수 있는 기술 중 하나가 AI다.

 
AI는 방대한 데이터를 효율적이고 효과적으로 처리하고 스마트한 모델을 구축하는 데 위력을 발휘한다. 게다가 AI와 클라우드 기반의 아키텍처를 조합하면 어디서든 신속하게 업무 관련 지식에 접근할 수 있어 제조업 전체적으로 애자일한 적응력이 생기고 또한 클라우드를 이용하여 시스템 운용 비용을 줄일 수 있다.

CAE(Computer Aided Engineering) 분야에서도 데이터 드리븐 기술의 AI/ML(기계학습)/DL(심층학습)과 IoT 등의 기술을 조합하여 복잡한 시뮬레이션이 가능해진다.

최근 들어 방대하고 다양한 데이터가 계속 증가하는 한편, 경험이 풍부한 데이터 사이언티스트나 설계자가 부족한 기업이 많아지고 있다. 그런 회사에서도 AI/ML/DL을 활용하여 IoT 디바이스에서 실시간으로 수집되는 생산 데이터, 제품 사용 상황, 고객체험 등의 다양한 데이터를 사용하여 제품의 설계, 개발, 생산에서 판매까지 제품의 라이프사이클과 밸류체인 전체에 걸쳐 업무 프로세스를 간략화 및 효율화하는 것이 가능하다.

AI는 기계나 시스템에 태스크를 실행시킨다는 광의의 개념 및 기술이라면 ML은 AI의 서브셋으로서 데이터에서 규칙성이나 관련성을 찾아내어 예측이나 판단을 한다. 구체적으로는 데이터 사이언티스트가 목표나 태스크를 설정하고 방대한 데이터를 사용해 ML 모델에 지속적으로 학습시키고 ML은 정보의 흐름을 실시간으로 관리하면서 새로운 룰을 찾아서 학습한다. 그러면서 데이터의 분석정밀도를 비약적으로 향상시켜간다.

DL은 ML의 서브셋으로 다층구조의 뉴럴네트워크를 사용하여 방대한 데이터에서 특징을 추출한다. 학습으로 음성인식이나 화상인식 등의 태스크도 실행할 수 있다. DL에서는 보다 많은 파라미터를 가진, 즉 자유도 높은 매우 복잡한 패턴을 모델화할 수 있다. 또 직접 로우(RAW) 데이터로 학습하고 자동조정이나 재이용도 가능하므로 데이터 사이언티스트의 작업 공수를 대폭 줄일 수 있다.

제조업의 업무 프로세스에서 AI의 활용 용도는 일반적으로 아래와 같다.

예지보전 : 자동 시나리오 모델링, 추천 기능, 예측 시스템 등. AI가 다양한 데이터셋에서 패턴을 찾아내어 미래의 경향이나 결과를 예측한다. 방대한 정보를 신속하게 처리할 수 있으므로 적시의 예측이 가능해진다.

지식가상화 : 자연어 생성, 진단전문가 시스템 등. 전문가의 지식 데이터베이스의 활용 패턴을 학습한 AI로 지식관리를 함으로써 이용자는 전문가의 행동에 가까운 지식 활용이 가능하게 된다.

로봇, 드론 : AI를 탑재한 스마트로봇이나 스마트드론. AI는 미리 인간이 정의한 정보 또는 AI 자신이 학습한 정보에 기초하여 기계를 움직일 수 있다. 반복되는 경향을 분석하고 특정한 패턴에 기초하여 시스템에 조작을 지시한다.

품질 및 가격관리 : 이미지 인식 기술에 의한 품질검사 지원, 로봇에 의한 조립라인 관리 등. 예를 들어 품질검사 지원에서는 품질검사의 일부 평가 프로세스에 AI에 의한 제품 이미지를 사용한 품질평가를 조합하여 평가판정의 표준화와 생산효율의 향상을 기대할 수 있다.

고장, 결함분석 : IoT 디바이스로 수집되는 센서 데이터와 컴퓨터 비젼에 기초하여 검사를 조합하여 ML 모델을 학습시켜서 결함검출 작업을 최적화할 수 있다. 나아가 관련 시스템을 학습시켜서 실시간 분석도 할 수 있다.

AI를 이용한 이미지 인식 기술로 제품 검사

우선 자동차부품 제조사의 제품검사 프로세스에서 발견된 AI 활용 사례다. 이 회사에서는 제품검사 프로세스에서 “사람 눈으로 하는 제품검사 작업에 시간이 많이 걸린다”, “결함검출 작업이 개인에 따라 다르고 판정 결과에 편차가 생긴다” , “불량원인 분석에서 사용할 수 있는 데이터가 제한되어 있고 근본 원인을 특정할 수 없다”는 3가지 과제를 안고 있었다. 이런 과제를 해결하기 위해 동사에서는 AI를 조합한 이미지인식 인프라를 구축하고 불량의 근본 원인의 특정과 조립라인 효율화를 목표로 하였다.

머신비젼(MV)으로 품질검사 프로세스(검사공정)의 각 작업에서 제품 상태를 이미지 인식한다. 그후 AI 모델로 분석하고 분류 판정을 한다. 판정 결과는 공장 내의 엣지 네트워크를 통하여 AI용 클라우드에 업로드하고 클라우드 상에서 이미지에 태그를 붙여 보관한다. 이 회사에서는 DL 모델도 클라우드에 배치하고 있다. 엣지 네트워크에서는 기간 시스템의 생산관리정보 데이터와 클라우드에 보관한 분석 결과를 연결한다. 개발 부문이나 운용 부문이 원격으로 작업을 할 수 있도록 엣지 네트워크에 VPN에 의한 리모트 액세스를 실장하고 있다.

AI로 제품설계 – 제네러티브 디자인

이전에 제품설계는 인간이 하는 프로세스라고 생각되었지만 현재는 설계에서 제약을 고려하고 보다 높은 성능을 추구하기 위해 AI를 채용하는 경우가 증가하고 있다. AI에 의한 설계 방법은 ‘제네러티브 디자인’이라고 불리고 있고 AI가 방대한 데이터(IoT 디바이스, 경쟁 타사나 시장에 관한 집계, 제품에 대한 고객 인식 등)에서 학습하여 설계 프로세스의 일부를 보완함으로써 설계 부문이나 제품개발 부문은 데이터의 잠재적인 가치를 끌어낼 수 있게 된다.

또 부가제조 프로세스에서는 부가제조(AM) 기술과 재료공학이 진화함으로써 제네러티브 디자인이 침투하고 있다. AI가 설계한 3D 모델과 3D 프린터를 사용해 최적의 기능부품이나 복잡한 형태를 간단히 제조할 수 있다.

미국의 공구 제조사인 Stanley Black & Decker에서는 제품개량의 설계 프로세스에 제네러티브 디자인을 채용하고 있다. 동사의 설계 부문은 송전선 공사의 작업자가 일상적으로 사용하는 유압압착공구를 개량하기 위한 파일럿 프로젝트를 시작했다. 작업자는 약 7kg의 유압압착공구를 한 번의 작업에서 수백회나 사용한다. 프로젝트에서는 부품경량화를 목표로 하고 있고 기존품과 동등한 강도와 내구성을 확보하면서 보다 가벼운 소재를 찾을 필요가 있었다.

설계팀이 다양한 정보를 모아서 조사하고 몇가지의 (최대라도 10안 정도) 설계안을 작성한다는 기존 방법의 일부 작업을 제네러티브 디자인에 할당함으로써 몇천이나 되는 재료와 프로세스를 조합한 모든 패턴의 설계안을 자동작성할 수 있고, 설계팀은 보다 많은 가능성을 검사하여 설계방침을 결정할 수 있었다. 기존 제품의 약 2.5kg을 차지한 금속제 부품을 개량하고 약 1.4kg의 경량화를 실현했다.

마찬가지로 AI가 설계프로세스를 대체 및 보완하는 경우로는 전기자동차부품 제조사의 사례가 있다.

동사는 모터의 서포트 부품의 경량화를 목표로 하고 제네러티브 디자인과 3D 프린터를 사용하여 기존의 설계요건을 만족시키면서 종래 제품에서는 845g이었던 중량을 571g으로 하여 274g의 경량화에 성공했다. AI에 의해 재설계된 개량품의 형상은 인간으로는 직관적으로 떠올리기 어려운 디자인이었다.

AI가 주도하는 자율형 공급망 관리

제조업은 젊은층의 입사율이 낮아 임직원의 고령화가 진행되고 있다. 이런 제조업이 현재 상태의 공급망 기능을 유지하기 위해서는 AI와 자동화를 조합한 공급망 구축이 반드시 필요하다. 한정된 프로세스에 AI를 적용하는 것만으로 만족해선 안 된다. 업무 및 공급망 전체의 비즈니스 프로세스에 AI를 적용하여 보다 높은 효과를 얻어야 한다.

예를 들어 액센추어가 개발한 공급망 관리 솔루션 ‘AI Powered SCM’을 이용하면 AI에 의한 예측이나 최적화, 로봇에 의한 인력 절감 및 무인화를 실현하고 수요에 따라 조달, 생산, 공급이 가능한 최적화된 자율형 서플라이체인을 구축할 수 있다.

‘AI Powered SCM’은 상위레이어(제품, 고객, 거래 등의 시장 접점)과 하위레이어(생산 현장의 업무 프로세스)를 AI Hub 플랫폼에 연결하여 공급망 전체의 모든 업무 프로세스를 최적화한다.

‘AI Powered SCM’은 ‘낮은 정밀도의 수요예측’, ‘비효율적인 공급 및 배차 계획’, ‘속인적인 업무 운용’이라는 3가지 과제를 해결한다는 목표가 있다. AI Hub 플랫폼을 활용하고 저장설비로의 최적 공급 및 배차 계획의 작성 태스크를 자동화함과 함께, 과거의 거래 이력에 더하여 각 설비의 실시간 재고 상황이나 공공 데이터(날씨, 이벤트, 교통정보 등)를 사용해 계획의 정밀도를 높이는 것이 가능하게 된다.

AI를 이용한 보안 관리 강화

인더스트리 4.0이나 산업 IoT의 진화로 기업 전체의 정보기술(IT)과 제조 현장의 전체 프로세스를 가동 및 제어하고 있는 오퍼레이션 기술(OT)을 연계하여 통합운용하는 경우가 많아지고 있다. OT 시스템의 제어 영역은 시설의 설비(기계, 기기를 포함), 네트워크, 산업용 제어 시스템(ICS), 기타 소프트웨어(OS나 미들웨어를 포함) 등 생산거점 전체에 미친다. IT와 OT의 통합 운용에서는 악의를 가진 공격자가 IT 시스템의 취약성을 이용해 통합 네트워크를 통해 OT 시스템에 침입하여 사이버공격을 할 수 있는 경우에 생산거점 전체가 파멸적인 영향을 받을 가능성이 있다. IT 시스템의 보안 리스크가 그대로 OT 시스템의 리스크가 되고 예상 피해는 IT 시스템보다 훨씬 크다.

액센추어는 이러한 보안의 위협에 대해 AI가 담당하는 역할이 크다고 생각하고 있다. IT의 데이터에 비해 OT의 데이터의 다수가 구조화되어 있으므로 AI로 학습시켜서 네트워크 내의 이상을 검출하는 알고리즘을 쉽게 구축할 수 있기 때문이다.

그러나 공격자는 이미 AI를 이용하기 시작했으므로 보안기업의 AI에 대항하여 보다 효과적인 공격을 할 수 있을 우려가 있다. 이러한 상황에서는 보안에 대한 현황을 조사하고 정확하게 파악하는 것이 중요하다.

액센추어에서는 사이버 공격을 시뮬레이션하고 IT/OT 환경의 취약성을 특정하기 위한 지원으로서 ‘시스템 구성과 취약성의 평가’나 ‘침입 테스트’와 같은 서비스도 제공한다.

제조업의 다양한 업무가 디지털화함으로써 방대하고 상세한 데이터를 입수할 수 있게 되었다. 그와 함께 대량의 데이터를 처리하여 유효한 통찰을 얻기 위해 AI가 맡은 역할은 광범위하다. AI의 가치를 최대한 끌어내기 위해서는 국소적으로 활용하는 게 아니라 AI를 사용해 무엇을 달성하고 싶은지 목적을 명확하게 하고나서 제조, 나아가 공급망 전체에 도입해나가야 한다. 한편으로 생산현장의 디지털화가 진행되어 기업 전체의 디지털 환경이 통합되면 제조현장의 보안 대책에 대한 중요성은 더 높아진다. 사이버 공격에 대한 높은 보안을 유지하는 데도 AI는 뛰어난 능력을 발휘한다.