AI 머신비전 학계에서는 공개된 데이터셋으로 0.1% 단위의 정확도로 경쟁합니다. 하지만 제조 현장에 적용되는 AI 머신비전 기술은 다릅니다. 정형화된 데이터가 아닌, 제조 현장의 데이터로 세상에 없던 문제를 해결해야 하기 때문인데요. 이처럼 제조 및 건설 분야에서는 AI가 검출율을 1%만 높여도 현장의 게임 체인저가 됩니다.

대기업 S사부터 T사까지, 세계적인 기업은 세이지 AI 머신비전 솔루션으로 2차 산업 현장을 혁신하고 있습니다. 약 60명 규모의 AI 스타트업 세이지는 어떻게 대기업이 믿고 쓰는 제조업 AI를 만들 수 있었을까요?

이번 인터뷰에서는 창업 초기부터 세이지의 기술적 토대를 만들어온 윤석호 연구소장을 만나, 제조 현장의 문제를 해결하는 세이지 AI 엔진의 특징부터 차별점을 들어봤습니다. 이론과 현장의 데이터를 연결하며 2차 산업 AI의 미래를 그려가는 세이지 연구소 이야기 지금 확인해 보세요.

1. 세이지(SAIGE)를 지탱하는 ‘인간 지능’, 세이지 연구소

Q. 안녕하세요, 소장님. 소개 부탁드립니다.

안녕하세요 세이지 연구소의 소장을 맡고 있는 윤석호입니다. 공동대표인 박종우 대표님 연구실에서 공부했어요. 홍영석 대표, 김승현 본부장과 함께 창업 초기 네 번째 사원으로 합류했습니다.

Q. 세이지 연구소는 어떤 역할을 하고 있나요?

산업에 맞는 머신비전 기술로 각 고객에게 맞는 제품을 개발하고 있어요. 데이터를 분석하여 최적의 솔루션을 도출합니다.

세이지 연구소는 고객의 니즈와 제조 현장 경험을 모두 반영한 기술을 구현하는 곳인데요. 세이지 임직원 중 가장 많은 인원이 소속되어 있습니다. 연구소는 고객의 상황에 따라, TF 단위로 움직입니다. 프로젝트 하나에 3명 정도가 소속되고, 고객사 중심으로 TF팀이 나눠지는데요. 고객사의 문제를 빠르게 해결하기 위해 애자일한 구조를 선택했습니다.

*애자일 방법론은 소프트웨어 개발 및 프로젝트 관리에 있어 유연하고 반복적인 접근을 지향하는 방식을 의미합니다.

Q. 요즘 연구소에서 가장 주력하는 연구 주제가 있을까요?

주력 분야를 두기보다는, 문제를 풀기 위해 필요한 주제를 상황에 맞추어 다룹니다.

사실 특정 연구 주제에 주력하고 있지는 않습니다. 매일 발표되는 연구 중, 지금 우리가 풀어야 하는 문제와 가장 가까운 방법론을 찾는 게 중요하기 때문입니다. 따라서 우리 고객에게 가장 큰 가치를 부여할 수 있는 기술이 연구의 우선순위가 됩니다.

하나의 프로젝트가 시작되면 고객사의 니즈는 무엇인지, 어떤 솔루션이 필요한지, 우리가 원래 개발했던 건 무엇이고 최신 연구는 어디까지 진행되고 있는지 순서대로 확인합니다.

Q. 연구뿐만 아니라 솔루션을 만드는 단계까지도 함께 하시나요?

네. 문제 해결에 필요한 기술을 연구하고, 현장 상황에 맞는 AI 엔진을 설계하는 일까지가 연구소의 역할이에요.

세이지 솔루션은 연구소와 제품 팀의 협업으로 만들어집니다. 먼저 제품 팀은 연구소가 개발한 엔진의 구현 방식을 설계하는데요. 예를 들어 ‘공정관리 종합 모니터링 시스템’이 필요하다고 할 때, 실시간으로 결함을 감지하는 모니터링 화면을 고객에게 보여줘야 하죠. 이 때 제품 팀에서는 모니터링 화면에서 어떤 정보를 어떻게 보여줄지 구성합니다.

연구소는 문제 해결에 필요한 전문 영역의 설계와 구현기술을 책임집니다. 어떤 시점에 어떤 결함이 발생했는지 볼 수 있는 기술 중심으로 AI 엔진을 고도화합니다.

2. 제조업 특화 머신비전은 ‘이것’이 달라야 한다?

Q. 일반 산업 대비 2차 산업에 특화된 비전 기술은 어떤 것이 있을까요?

넓은 범위에서 미세한 결함을 찾아내야 하고, 사람이 일관되게 진행하기 어려운 일까지 대신해야 합니다.

홍영석 대표님이 ‘개와 고양이를 분류하는 것과 제조업에서의 라벨링은 천지 차이’라고 이야기 한 것처럼 제조업에서의 AI 라벨링은 정교하고 일관되어야 합니다. 예를 들어 6인용 원목 테이블을 검사한다는 가정입니다.

원목 무늬가 있는 테이블이 있다고 할 때, 종합적인 품질 관리를 위해서는 테이블 표면에 예를 들어 5mm 이상의 페인팅 홈이 있는지, 페인팅이 잘못되어 있는지를 흠집을 세밀하게 들여다보아야 한다고 가정해봅시다.

흠집인지 아닌지, 사람이 분류하게 된다면 보는 사람에 따라 결과가 다를 수 있습니다. “이것은 흠집이 맞다”. “아니다. 그냥 무늬다.” 라고 의견이 갈릴 수 있죠.

여기서 발생하는 문제는 크게 두 가지인데요. 첫째, 봐야 하는 영역이 무척 넓기 때문에 제품 중 일부에만 발생하는 결함을 검출하기 어렵습니다. 따라서 세밀한 결함까지도 검출하는 AI 기술을 구상해야 합니다. 이 과정에서 왜 해당 사항을 결함이라고 인지했는지 설명할 수 있어야 하죠. “주변과 비교했을 때 결함에 가까운 것 같다”는 식의 주장에 대한 근거가 필요한 셈입니다.

또 다른 문제는 사람이 라벨링을 수행할 때, 작업 시간에 따라 일관성이 떨어진다는 점입니다. 사람이 결함을 하나하나 검출하면 방대한 영역을 하루종일 보면서 피로도가 쌓입니다. 따라서 결함을 규정하는 기준, 즉 라벨링의 일관성이 흐려집니다. 처음에는 1cm 미만의 홈은 결함이 아니라고 했다가 마지막 검사단에서는 5mm 규격의 홈도 결함으로 검출하는 하는 식입니다.

세이지 솔루션은 정확하고 일관된 결함 검출에 집중합니다.

결함 검출 과정에서 사람이 놓칠 수 있는 상황은 무척 다양합니다. 반면 AI 엔진은 시간이 흘러도 검출 기준에 변화가 없기 때문에 AI 학습을 위한 데이터 라벨링 단계에서도 동일한 기준을 유지할 수 있죠.

AI 데이터 학습 과정에서는 ‘정확한 라벨링’이 무척 중요합니다. 아무리 많은 데이터가 있어도 라벨링이 잘못되면 AI가 잘못 학습하기 때문입니다. 세이지는 라벨링 오류 문제를 데이터 검수 AI 기술로 해결합니다. 사람이 라벨링 한 데이터를 AI가 다시 한 번 검토해서 오류를 잡아내는 방식이죠. 이처럼 세이지 솔루션은 품질/공정 및 안전관리에서 일관된 기준으로 이상 상황을 포착하도록 돕고 있습니다.

*데이터 라벨링은 인공지능(AI) 모델 학습을 위해 이미지, 텍스트, 음성 등 다양한 형태의 데이터를 사람이 직접 분류하거나 태그를 붙여 의미 있는 정보로 가공하는 과정을 의미합니다.

3. 대기업 S사와 T사가 세이지(SAIGE) 머신비전 솔루션을 선택한 이유+

Q. 세이지 솔루션이 제조, 건설 현장 등 필드에서 작동하는 것을 처음 봤을 때 감회가 남달랐을 것 같습니다.

첫 번째 현장에서 느낀 희열과 성취감이 지금까지 큰 원동력이 되고 있어요.

첫 고객사가 대기업 S사였는데 사실 실감이 잘 안났어요(웃음). 당시 계약을 맺고 솔루션을 개발하는 과정이 믿기지 않았습니다. 우리가 만든 기술이 실제 현장에서 도움이 될 수 있구나. 그 때 느꼈던 희열과 성취감이 지금까지 오게 한 원동력인 것 같습니다.

지금도 하드웨어 업체와 함께 시스템 연동 방식으로 S사에 솔루션을 납품하고 있는데요. 위 프로젝트 이래로, S사는 지금까지도 세이지의 기술력에 큰 신뢰를 가져주고 계십니다.

굴지의 대기업들이 세이지를 찾는 이유가 있을 것 같아요.

세이지는 현장에서 필요로 하는, 정확도가 높은 기술을 만들고 있습니다.

정확도 90% 이상에서는 1%의 성능 향상에도 많은 기술과 연구가 투입됩니다. 검사 정확도 90**%에서 95%로 끌어올리는 것이 80%에서 90%로 가는 것보다 훨씬 더 지난하지만, 체감 효과가 큽니다.**

실제로 PCB사 T사의 경우, 세이지 도입 전 90%였던 검사 정확도를 95%까지 높였는데요. 오검률은 10%에서 5%로, 절반이 줄어든 셈이죠. 현장에서도 2배 가까운 효과를 체감하고 있습니다.

세이지 설립부터 지금까지, 연구소는 기술이 고객의 소리와 가까워야 한다고 믿습니다. ‘현장과 기술의 다름을 인지하고, 필드에서 문제로 삼는 지점을 정확히 인지하는 것’을 중요하게 생각하죠. 고객사의 긍정적 평가로 우리가 맞는 길을 가고 있음을 상기하고 있습니다.

4. 세이지 AI 머신비전 기술이 현장에 바로 적용 가능한 이유

Q. 제조업에서 활용하던 기존 머신비전 AI 솔루션과 세이지는 기술적으로 무엇이 다른지도 궁금합니다.

이상 탐지(Anomaly Detection) 기술을 활용하면 불량 데이터가 적은 제조 현장에서도 결함 탐지 정확도를 높일 수 있습니다.

제조 현장에서는 AI 학습을 위한 데이터를 충분히 확보하기 어렵습니다. 모델의 오탐율을 낮추기 위해서는 정상과 비정상 데이터를 균형있게 확보해야 하는데요. 실제 양산 공정에서는 불량 데이터가 적기 때문에 충분한 사례를 모으기 어려웠죠.

세이지는 이런 현장의 제약을 ‘정상 데이터만으로 학습하는 이상 탐지(Anomaly Detection) 기술’로 해결했습니다. 쉽게 말하자면 “일반적인 정답은 이렇게 생겼어, 이것과 다르게 생긴 것을 알려줘”라고 명령해 결함을 검출하는 방법입니다.

Q. 어떤 상황에서 비지도 학습, 이상 탐지(Anomaly Detection) 기술이 필요할까요?

제품 라인이 빠르게 변하는 다품종 소량 생산 라인에 권장합니다.

이미 결함 데이터가 충분한 환경이라면 지도 학습이 적합할 수 있습니다. 그런데 생산 라인을 증설해, 이 라인에서는 무엇이 결함인지 고객사도 확신할 수 없는 경우, 혹은 생산 제품이 시시각각 변해서 라벨링 시간을 기다리는 것이 오히려 손해일 경우에는 이상 탐지(Anomaly Detection) 기술이 적합합니다.

예를 들어 생산 제품의 색상이 오늘은 파란색, 내일은 빨간색, 모레는 노란색이어야 한다면, 라벨링은 효율적인 수단이 아닐 수 있습니다. 하나의 정답을 위해 데이터 라벨링을 하루 종일 해야 하기 때문인데요.

비지도 학습은 AI 엔진이 스스로 결함 유형을 탐지할 수 있습니다. 여기에 이상 탐지(Anomaly Detection) 방식은 정상 데이터 학습만으로도 비정상을 감지하기 때문에 현장 적용이 훨씬 빠르죠. 그래서 다품종 소량 생산 환경에서는 이상 탐지(Anomaly Detection) 방식으로 며칠 정도 운영해보고, 탐지한 결함을 라벨링 및 데이터 구축하여 지도 학습으로 전환하는 방식을 추천하기도 합니다.

*비지도 학습은 이미지나 텍스트처럼 정해진 틀이 없는 데이터를 AI가 배우는 방식입니다. 여기서 이상 탐지(Anomaly Detection)는 틀이 없는 데이터에서도 평소와 다른 이상한 징후를 자동으로 찾아내는 기술입니다. 정상 데이터를 많이 학습시키면, 비정상적인 상황이 나타났을 때 이를 스스로 구분해냅니다.

세이지(SAIGE) Anomaly Detection으로 공정 관리하는 화면

Q. 고객의 생각과 기술 구현 사이의 간극도 있을 것 같아요. 현존하는 기술로 고객의 요구사항을 구현하기 어려운 경우 어떻게 대응하시나요?

불가능을 이야기하기보다, 근본적인 문제점을 정의한 뒤 대안을 제시하기도 해요.

“현재 기술상 불가능하다”는 부정적 답변보다는 근본적으로 고객이 요구하는 것이 무엇인지 더 고민해 봅니다. 정도(正道)로 가려면 어렵지만, 돌아서는 갈 수 있는 방법도 있거든요. 그 과정에서 ****”이런 솔루션은 어떠세요?”라고 대안을 제안하기도 합니다. 근본적인 문제점이 무엇인지 고객의 입장에서 고민하여, 해결 방법을 다른 관점으로 제시하죠.

5. “고객의 문제가 가장 우선” 업계를 선두하는 머신비전 솔루션 기업, 세이지(SAIGE)의 로드맵

Q. 향후 머신 비전 기술은 어떻게 나아갈까요?

전략적 의사결정을 돕는 현장의 파트너가 될 것이라고 보고 있습니다.

“신제품 출시 전 기존 생산라인을 그대로 활용할 수 있을지” “품질 기준을 높여야 하는 시점은 언제인지” “해외 공장 확장 시 품질 수준을 어떻게 유지할지”

제조 현장에서 전략적 의사결정을 내려야 하는 시점이 있을 텐데요. 이 때에 머신비전 기술이 데이터 기반으로 의견을 주고, 의사결정을 돕는 현장의 파트너로 발전할 것이라고 전망해봅니다.

Q. 향후 2차산업 머신비전 생태계를 주도할 세이지의 기술 로드맵을 공개해주실 수 있나요?

AI 기술을 결합해 다양한 현장 상황에 맞는 솔루션을 제공할 예정입니다.

시장과 고객이 AI에 친숙해질수록, 저희는 더 어려운 문제를 풀어야 합니다. 지금은 “공정 전체 흐름을 보고싶어” 였다면, 나중에는 “사각지대 없이 모든 공정 단계를 확인하고 싶어”로 발전하겠죠.

하나의 AI 기술이 고객사의 모든 문제를 해결할 수는 없습니다. 특히 난이도가 높은 문제는 하나의 기술로만 방법을 찾을 수 없으며, 기술의 결합으로 해결해야 하는데요. 따라서 세이지 비전 및 세이지 빔스 AI 엔진도 데이터 라벨링 기술과 검사 기술을 분리해서 개발했습니다.

A1 모델은 결함을 검출하고, A2 모델은 라벨링을 검수하며, A3 모델이 환경 변화를 감지한다고 가정하면 고객마다 다른 솔루션이 필요할 수 있습니다. A1과 A3만 결합해서 솔루션을 만들수도, A2와 A3만 결합할수도 있습니다.

현제 세이지는 현장마다 특수성이 강하고, 데이터를 수집하기 쉽지 않은 제조 및 건설 환경에서 문제를 해결하고 있고요. 앞으로는 2차산업 현장을 넘어 기술의 결합이 문제 해결의 핵심인 모든 산업군의 문제에 도전할 것입니다. 세이지가 풀어나갈 문제는 무궁무진하니, 지켜봐주시면 감사하겠습니다.