이제는 많은 사람들이 공감할 ‘자동화의 중요성’. 그런데 왜 우리 공장은 여전히 사람이 결함을 직접 보고, 만지고, 결정할까요? AI를 도입해야 한다는 건 다들 체감하고 있지만 막상 적용해 보면 “생각보다 만족스럽지 않다”는 말이 먼저 나옵니다.
AI는 이제 선택이 아닙니다. 경쟁력을 높이려면 빠를수록 좋습니다.
불량 검출의 정확도가 기대에 미치지 못하고 오탐(과검)·미탐(누락)으로 생산성에 차질이 생기고 시스템은 설치했지만 현장의 환경 변수에 민감하게 흔들립니다.
세이지 홍영석 대표는 제조 현장의 문제를 발견하고, AI 기술로 해답을 찾기 위해 현장으로 향했습니다. 세이지는 서울대 연구진이 만든 AI 스타트업이지만, 단순히 ‘기술만 좋은 팀’이 아닙니다.
이번 인터뷰에서는 세이지가 비정형 결함 검출, 높은 정확도와 오탐·미탐 최소화 구현, 폐쇄망·현장 최적화까지 고려한 설계로 어떻게 제조업 관리자들이 가장 고민하는 현장에서 진짜 작동하는 AI를 구현했는지 알아봅니다. 그리고 자동화가 왜 선택이 아닌 기업의 생존 전략이 됐는지를 깊이 있게 다룹니다.
서울대학교 로봇자동화연구실에서 출발한 세이지
대표님 자기소개를 부탁드립니다. 세이지에서 주력하고 계시는 일도 함께 말씀해주시면 좋을 것 같아요.
저는 세이지의 홍영석 대표입니다. 회사 전체적으로는 조직문화, 사업, 마케팅 등 전반에 관여하고 있어요. 세이지 빔스(SAIGE VIMS), 세이지 비전(SAIGE VISION), 세이지 세이프티(SAIGE SAFETY)를 어떻게 하면 더 많은 고객에게 가치 있게 전달할 수 있을지, 어떻게 하면 진짜 현장에서 쓰이는 제품으로 만들 수 있을지를 늘 고민하고 있습니다.
Q. 연구실에서 로봇과 AI를 연구하다가 창업을 결심하게 된 계기가 뭔가요? 당시 어떤 문제의식을 느끼셨나요?
지금 산업 문제를 해결하는 기술이 AI라고 판단했고, 당시 지도 교수님이셨던 박종우 대표님의 창업 제안이 계기가 됐습니다.
창업 전 저는 서울대학교 기계과 로봇 자동화 연구실에서 박사 과정을 밟고 있었는데요. 사실 그때만 해도 ‘내가 무조건 창업을 해야겠다’ 이런 큰 계획이 있었던 건 아니었어요.
그때 교수님(현 박종우 세이지 대표)께서 창업 제안을 주셨고, AI라는 기술이 막 주목받던 시기라 ‘지금 아니면 늦겠다’는 생각이 들었습니다. 사실 사업은 생각만으로 되는 게 아니더라고요. 직접 해보면서 깨달았는데, 정말 강한 의지가 있어야 가능한 일이라는 걸 뼈저리게 느꼈죠. 제가 무난하게 연구만 하다 졸업했다면 창업은 아마 못 했을 것 같아요(웃음).
저희 연구실 이름은 ‘로봇 자동화 연구실’이었지만, 실제로는 로봇을 만드는 하드웨어보다는 소프트웨어 쪽, 특히 알고리즘을 연구하는 곳이었어요. 로봇 동역학을 기반으로 최소 시간 혹은 최소 에너지로 움직이는 로봇의 움직임을 생성해주는 알고리즘을 연구했는데요.
당시 지도교수님이던 박종우 대표님은 응용수학을 전공하셨는데요. 로봇 알고리즘과 AI는 달라 보이지만 본질적으로는 같습니다. 우리가 푸는 문제들은 결국 다 수학 문제예요. 이게 어렵게 들릴 수 있는데, 쉽게 말하면 로봇의 모션을 생성하는 문제나 AI를 통해 어떤 판단을 하는 문제 모두 우리가 정의한 수학적 모델에서 최적의 파라미터를 찾는 최적화 문제에요
예를 들어 제조업에서는 카메라가 제품을 찍으면, 그 이미지 안에 결함이 있는지 없는지를 가려내야 하잖아요? 이건 결국 ‘정상품’과 ‘불량품’을 구분하는 작업이에요. AI는 이런 이미지를 많이 보고 배우면서, 정상 제품과 결함 제품을 구분하는 수학적 모델의 최적 파라미터를 찾는 역할을 합니다.
즉 데이터를 활용해서 “이건 통과, 이건 불량”이라고 판단할 수 있는 수학적 모델을 스스로 찾아내는 것이 AI의 핵심이고, 이 원리가 제조업 검사에도 그대로 적용되죠.
Q. 연구실 밖으로 나와보니 현장은 정말 달랐을 것 같습니다. 기술은 발전했지만 실제로 적용되기 어려운 사례도 많았을 것 같은데요, 그런 간극은 어떻게 보셨나요?
중국 공장에서 사람이 손으로 검사하는 모습을 보고,
자동화가 잘 안 되는 이유를 직접 들으며 문제의식을 느꼈습니다.
박종우 교수님이 연구년으로 홍콩에 가실 때 저를 비롯해 학생들을 데리고 가셨어요. 거기서 실제로 중국 공장들을 엄청 많이 방문했는데 정말 충격적인 장면들이 많았습니다.
정말 큰 회사, 공장이었음에도 렌즈 같은 걸 검사할 때 사람들이 암실에 앉아서 눈으로 일일이 결함을 검사하고 있더라고요. 공장장에게 왜 자동화를 안 하냐고 물었더니, 시도는 많이 했는데 잘 안 됐다고 하더라고요. 그때 ‘아, 우리가 풀어야 하는 문제가 여기 있구나’ 하는 생각이 들었습니다.
Q. 결국 대표님은 ‘실행하는 연구자’의 길을 선택하셨는데요, 그 결정을 가능하게 만든 계기가 따로 있었나요?
결정적으로는 딥러닝의 발전이 컸어요. 2018년 당시 딥러닝의 시초가 된 모델들이 등장하면서 저희도 제조 데이터를 테스트로 돌려봤는데 생각보다 너무 잘 되는 거예요. ‘제조업 비전 검사도 AI로 하면 되겠다’ 이렇게 단순하게 생각했죠(웃음). 실제 산업을 들여다보니 이미 코그넥스(Cognex)나 수아랩 같은 플레이어들이 있었어요. 그래도 저희는 일단 해보자고 결심했습니다.
재미있는 에피소드도 있어요. 처음엔 스마트팜 쪽도 검토했거든요. 돼지 농장에 가서 AI로 건강 상태를 모니터링하거나, 소의 가임기를 판단해서 알려주는 서비스도 기획했는데요. 결국 제조업으로 돌아왔습니다. 이유는 단순했어요. 시장의 크기가 확실히 제조업이 훨씬 크고, 실제 돈을 낼 만한 고객도 명확했으니까요.
Q. 제조업 쪽으로 다시 돌아오게 만든 결정적 이유는 뭐였나요?
제조업 쪽에서 고객의 니즈가 훨씬 크고 명확하다고 판단했습니다.
스마트팜의 경우 AI가 적용되는데 좀 더 시간이 걸릴거라 생각했어요. AI를 적용하기 위해서는 먼저 데이터를 체계적으로 수집할 수 있는 시스템이 필요한데, 제조업에 비해 스마트팜의 경우 데이터 수집을 위한 인프라가 부족했거든요.
또한 고객이 서비스를 위해 돈을 지불할 의향이 있을지도 미지수였어요. 당시 스마트팜에서는 AI 서비스를 “반드시 있어야 하는” 아이템이라기 보다는 “있으면 좋은” 아이템이라 생각했어요. 고객이 실제 AI 서비스를 돈을 주고 사는데는 시간이 좀 더 걸릴거라 생각했죠.
반면 제조업은 확실히 달랐어요. 고객을 만나보니 기존 솔루션에 대한 불만이 많았고, 직접 데이터를 받아서 테스트도 해봤는데 정말 풀어야 할 문제가 분명히 있었거든요. 국내 배터리 대기업을 만나 VoC도 수집했어요. 이미 L사, S사, C사 제품을 다 써봤는데 만족하지 못했다고 하더라고요. 성능도 부족하고, 속도도 느리고, 피드백도 잘 안 와서 답답했다는 얘기를 들었죠.
제조업에서는 미검이나 과검이 나오면 치명적이니까 정말 높은 정확도가 필요한데요. 아직 도드라지는 플레이어가 없는 상황이니, 우리가 승산이 있다고 느꼈습니다.
자동화를 넘어
데이터 기반 의사결정을 돕다
Q. 세이지의 핵심 기술은 제조 데이터에 특화된 비전 AI인데요. 다른 도메인의 AI 기술들과 비교했을 때 가장 큰 차별점은 무엇인가요?
제조업은 스몰데이터 환경이라 기존 딥러닝 방식으로는 한계가 있었고, 저희는 정상 데이터만으로도 결함을 탐지하는 서비스를 개발했습니다.
저희가 창업 초기에 정말 크게 느꼈던 벽이었어요. 학계에서는 고양이, 개 같은 **이미지 분류(Image Classification)**를 잘하면 성능이 뛰어난 걸로 인정받았는데, 제조업은 완전히 다릅니다. 제품 하나하나의 큰 이미지 안에서 아주 미세한 결함을 찾아야 하거든요.
그리고 제조업에서는 결함 이미지가 정말 귀해요. 하루에 수십만 개를 찍어도 다 정상이면 학습에 쓸 수 있는 데이터가 거의 없는 거죠. 저희는 이걸 ‘스몰데이터 환경’이라고 부르는데, 딥러닝은 원래 데이터가 많을수록 성능이 올라가요. 그런데 제조업은 정반대 상황인 거죠.
그래서 저희는 정상 데이터만 학습해서 비정상 패턴을 찾아내는 방식(Anomaly Detection)을 택했어요. 기존 머신비전은 정형화된 불량만 잡아내는데, 저희는 처음 보는 결함도 잡아낼 수 있도록 설계했죠. 즉 ‘신기술로만 구성된 AI가 아닌, 현장에서 진짜 작동하는 AI’를 만들고자 했습니다.
Q. 자동화는 선택이 아니라 생존의 문제라고 하신 이유도 궁금합니다. 인력을 절감하는 것 이외에도 기대할 수 있는 효과가 있을까요?
자동화는 단순히 인력을 줄이는 게 아니라 데이터화로 품질을 높이고 경쟁력을 확보하는 생존의 문제라고 생각합니다.
공장에 가보면 겉으론 멀쩡해 보여도 실질적으로는 아직 사람이 많이 개입돼 있어요. PCB(Printed Circuit Boar, 인쇄 회로 기판) 같은 제품도 사실 다 사람이 검사하고 있어요.
그런데 문제는 수작업으로 검사를 진행하면 데이터가 남지 않는다는 거예요. 검사하고 불량을 찾고. 그냥 그 순간 끝나버리죠. 하지만 자동화를 하면 일관성이 높아질 뿐만 아니라 모든 결과물이 데이터로 남습니다. 그 데이터를 기반으로 품질을 개선하고, 나중에는 AI를 붙여서 더 똑똑한 결정을 내릴 수 있어요.
Q. 단순히 ‘자동화’ 수준을 뛰어넘는 과업이네요. 데이터가 중앙집중되면 생산기지가 해외에 있는 기업에 큰 도움이 될 것 같아요.
특히 해외로 공장을 옮겨야 하는 기업은 자동화가 필수예요. 예를 들어 미국은 인건비도 비싸고, 생산성을 끌어올리려면 무조건 자동화로 가야 해요. 저희가 헝가리에 지사가 있는 S사의 공장을 자주 방문했는데요. 거긴 정말 자동화가 잘 되어 있어요. 생산, 검사, 심지어 물류까지 전부 자동화돼 있고요. 사람이 하는 일은 설비 모니터링 정도예요. 앞으로 살아남을 기업은 자동화에 진심인 곳들이 될 수밖에 없다는 걸 절감했죠.
Q. 인터뷰에서 “현장에서 돌아가는 기술을 만들겠다”는 말씀이 인상 깊었습니다. 세이지는 이 철학을 어떻게 제품에 녹이고 있나요?
AI가 논문 속에만 머무는 게 아니라, 현장에서 진짜 돌아가는 제품이 되도록 연구팀과 제품팀이 긴밀하게 협업하고 있습니다.
저희는 ‘AI that Works’라는 슬로건으로 움직입니다. 논문으로 끝나는 기술이 아니라 고객 현장에서 실제로 작동하는 AI를 만들자는 거죠. 그래서 연구팀과 제품팀의 협업 구조도 신경을 많이 씁니다. 예를 들어 제품팀에서 “이런 기능이 필요하다” 요청이 오면 연구팀에서 기술 개발을 하고, 성능이 어느 정도 나온다 싶으면 그걸 API 형태로 제품팀에 넘깁니다. 이걸 제품에 녹이면서 다시 피드백을 받고, 개선할 점을 찾는 과정을 5주 단위로 반복해요.
따라서 현장에 바로 적용할 수 있는 기능을 빠르게 고도화할 수 있었다고 생각해요. AI 기술을 현장에 맞게 계속 최적화하다 보니, 이제는 고객들도 “세이지는 진짜 현장형 AI다”라는 피드백을 많이 주십니다.
제조업 AI 도입을 가로막는 현실, 고객과 현장에서
답을 찾은 세이지
Q. 실제 제조업이나 건설 현장 등, AI 도입을 가로막는 장벽이 또 있을 것 같아요.
제조업은 보안 문제나 폐쇄망 환경 때문에 AI 도입이 까다롭고, 저희는 이를 현장 중심으로 풀고 있습니다.
기술 고도화 말고도 “AI는 도입하기 어렵다”는 인식이에요. 현장에서는 기술보다 운영의 문제가 더 크거든요. 예를 들어 설비 하나 바꾸는 것도 쉽지 않은데, 거기에 AI까지 얹으려면 부담이 두세 배가 됩니다. 특히 제조업은 보안 이슈 때문에 폐쇄망 환경이 많아서 클라우드를 못 쓰는 경우도 있고요.
그래서 저희는 아예 Edge-Device 비전 검사, 현장 학습 및 배포 같은 기능을 붙여서 ‘현장에서 바로 돌아가는’ 구조로 설계했어요. AI가 대단히 똑똑한 것도 중요합니다만 현장이 편하게 쓸 수 있게 하는 게 핵심이라고 생각합니다.
Q. AI를 도입했을 때 ROI(투자 대비 수익률)가 잘 안 나온다는 현장의 이야기도 많았는데요. 사실 잠재되어 있는 수익이 훨씬 큰 셈이네요.
자동화의 핵심은 데이터를 쌓아 미래 경쟁력을 만드는 겁니다.
맞습니다. 제조업에서는 AI 도입 비용을 회수할 때 가장 쉽게 따지는 게 “몇 명의 인력을 줄일 수 있느냐”거든요. 저희가 강조하는 건 그 이상이에요. 사람을 대체하는 것뿐 아니라 데이터가 남고, 그 데이터로 더 큰 가치를 만들어내야 진짜 ROI가 나오는 구조죠.
최근에는 현장 상황도 크게 달라지고 있어요. 특히 관세나 수출 규제 같은 전략적 이유로 미국 같은 고임금 국가에 공장을 새로 짓는 기업들이 늘어나고 있는데요. 해외지사에서 공장을 운영할 경우 인건비가 비싸거나 현장 관리가 쉽지 않아서 자동화가 경쟁력 확보의 핵심이 됩니다. 사람 손을 최대한 줄이고 품질과 생산성을 유지하려면 자동화가 필수인 상황이죠.
‘현장에서 작동하는 AI’로 품질 관리의
표준을 세우다
Q. 세이지 제품이 다양한 산업에 쓰이고 있어요. 지금 반응이 오기 시작하는 산업군이 있다면 어디인가요?
이차전지, 반도체 같은 고부가가치 산업은 AI 도입이 빠르고 반응이 굉장히 뜨겁습니다.
고부가가치 산업은 품질 자체가 생존이 걸린 문제라 AI 도입이 정말 빠르게 이뤄지고 있어요. 자동차 부품이나 PCB 같은 분야도 점점 관심이 높아지고 있고요. 반면 화장품 같은 소비재 쪽은 아직은 조금 더디긴 해요. 그래도 최근엔 포장 공정 같은 쪽에서 AI 도입 문의가 들어오고 있어서 앞으로는 기회가 점점 열릴 거라 보고 있습니다.
Q. 앞으로 3년 안에 ‘세이지가 표준을 바꿨다’고 말할 수 있을 만한 분야는 어디일까요?
품질 전체를 관리하는 표준 솔루션으로 확장할 계획입니다.
현제 세이지는 비전 검사부터 설비 모니터링, 안전 모니터링까지 커버하고 있는데, 그중에서도 비전 검사 쪽에서 가장 빠르게 성장하고 있어요. 지금은 검사만 자동화하지만 이 데이터를 분석해서 품질 관리 전체를 아우를 수 있는 솔루션으로 확장하려고 합니다. 예를 들어 결함이 발생했을 때 그냥 알림만 주는 게 아니라, 원인을 추적해서 제안까지 해주는 단계로 가려고 해요.
Q. 대표님은 기술자이자 창업자이신데요. ‘기술을 사업화할 때 가장 중요한 기준’은 뭐라고 보세요?
고객이 ‘진짜 필요로 하는 것’이 기술 사업화에서 가장 중요합니다.
내가 가진 기술이 아무리 좋아도 고객이 안 쓰면 의미 없잖아요. 창업 초기에는 우리가 이런 걸 만들면 누군가는 사주겠지’라고 생각했는데, 현장은 정말 달랐습니다. 그래서 저는 지금도 고객을 많이 만나고 그들의 이야기를 듣는 걸 중요하게 생각해요. 거기서 진짜 인사이트가 나오기 때문이에요.
Q. 세이지는 AI 박사, 로보틱스 박사 등 기술을 연구하는 팀과 이를 서비스화 하는 조직으로 구성돼 있다고 들었는데요. 이렇게 다른 성격의 조직을 원팀으로 만드는 핵심 가치는 무엇인가요?
세이지의 코어 밸류는 고객중심, 책임감, 실행력, 가치창출, 하나의 팀 이렇게 다섯 가지예요.
저는 그중에서도 요즘은 ‘책임감’이 가장 중요하다고 느낍니다. 스타트업은 시스템이 완벽하지 않아서 애매한 상황이 많거든요. 그런 환경에서 주도적으로 자기 일을 끝까지 밀어붙이지 않으면 일이 잘 안 됩니다. 저희가 이만큼 성장할 수 있었던 것도 팀원들이 그런 책임감을 갖고 주도적으로 해줬기 때문이라고 생각해요.
Q. 마지막으로 아직 AI 도입을 망설이는 기업들에게 전하고 싶은 말씀이 있으실까요?
품질이 경쟁력이고, 경쟁력 없으면 시장에서 바로 도태되는 시대잖아요. 늦게 도입할수록 더 많은 비용을 치러야 합니다. 저희는 항상 ‘AI가 잘 돌아가는 회사’가 아니라 ‘AI로 경쟁력을 갖춘 회사’를 만드는 걸 목표로 하고 있어요. 언제든 현장을 지원할 준비가 돼 있으니까 편하게 문 두드려주셨으면 좋겠습니다.
© SAIGE All Rights Reserved.