중소벤처기업부는 2025년 스마트공장 공급기업 역량진단 지원 대상을 950개사로 확대하며, AI 기반 품질검사 기술을 갖춘 솔루션 기업 발굴에 박차를 가하고 있습니다. 이제 비전 AI는 더 이상 선택이 아닌, 스마트공장 고도화를 위한 필수 기술로 자리잡고 있습니다.
막상 도입을 고려하는 기업들은 어디서부터 손을 대야 할지 고민이 많으실 텐데요. 이럴 때는 스마트공장 현장에서 다양한 도입 프로젝트를 수행해온 세이지(SAIGE)의 박종우 대표 인터뷰를 통해 도입 노하우를 참고해보시면 좋겠습니다. 제조 현장과 함께한 경험을 바탕으로, 비전 AI를 처음 도입하려는 기업이 고려해볼 만한 3가지 핵심 포인트를 함께 살펴보겠습니다.
성공적인 비전 AI 도입,‘문제 정의 → 검증 → 확장’단계로 설계 해보세요.
전사 차원의 접근보다 하나의 문제 해결부터 시작해야 합니다.
비전 AI 도입에서 가장 중요한 것은 처음부터 완벽한 시스템을 구축하려 하지 않는 것입니다. 현재 가장 시급한 품질 문제나 검사 이슈를 하나 선정하고, 그 문제를 해결하는 데 집중하는 것이 좋습니다. 작은 성공 경험이 쌓이면 조직 내부의 신뢰도 높아지고, 이후 다른 공정으로의 확장도 자연스럽게 이어질 수 있기 때문이죠.
처음부터 전사 차원의 대규모 시스템을 구축하려고 하면 부담이 클 수 있습니다. 대신 현재 가장 시급한 문제를 명확히 정의하고, 그 문제에 집중해서 AI를 적용해보는 것을 추천합니다.
📌 핵심 요약:
하나의 문제 해결부터 시작해 더 큰 문제로 나아가기, 작은 성공 경험은 조직 전체의 비전AI 도입에 마중물이 됩니다.
비전 AI 솔루션 도입 전 확인해야 할 3가지 포인트
첫째, 실제 공정에서 검증할 수 있는 구조인지 살펴봐야 합니다.
AI 솔루션은 데모 환경에서 잘 작동하는 것보다, 우리 생산 라인에서 실제로 얼마나 정확하게 작동하는지가 중요합니다. 식품 제조업이라면 음료병 캡의 씰링 상태가 불안정한 문제가 발생 할 수 있습니다. 병이 기계에 들어가는 각도나 라인 속도에 따라 씰링 불량이 생기기도 했지만, 이를 육안으로 일일이 확인하기에는 한계가 있겠죠.
세이지 빔스로 병 캡 씰링 공정에서 실시간 공정 화면을 수집하고 분석한다면, 일정한 패턴의 진동 변화가 씰링 불량과 연결되어 있다는 점을 파악할 수 있습니다. 이후 해당 설비의 속도와 센서 값을 조정하면서 문제를 개선한다면, 결과적으로 반복적인 불량률을 줄이며 공정 안정성까지 높일 수 있습니다.
또한 세이지 비전은 고객사의 실제 공정 데이터를 기반으로 모델을 튜닝하고 학습할 수 있도록 설계되어 있으며, 공정별로 수집되는 방대한 데이터를 보다 효율적으로 관리하고, 성능 결과를 체계적으로 리포트할 수 있는 환경도 함께 제공합니다. 단순히 모델만 제공하는 것이 아니라, 현장에서 실제 검증 가능한 구조를 구축해 드리는 것이 세이지의 기본 철학입니다.
📌 식품 이물 검사부터 포장 불량까지, 세이지 기술력으로 외관 검사부터 고속 생산 라인까지 대응하는 방법
둘째, 제조환경 변화에 유연하게 대응할 수 있는지 확인해야 합니다.
제조현장은 다품종 생산, 조도 변화, 외관 편차 등 다양한 변수에 늘 노출되어 있습니다. 실제로 이차전지 조립 공정에서 CT 이미지로 젤리롤 상태를 확인해야 하는데, 촬영된 이미지의 품질이 낮아 검사에 어려움이 있었습니다.
세이지 비전의 이미지 개선 기능을 적용해 이미지 품질을 높인 후, 극판 개수, 조립 순서, 휘어짐 등을 정확히 판별해 높은 완성도를 유지할 수 있었습니다. 제품군의 클래스 수가 많거나 외관 편차가 큰 생산 라인에서도 즉시 전환이 가능하도록 설계돼 있으며, 웹 기반 인터페이스를 통해 운영자가 직접 모델 설정과 데이터 버전 관리를 수행할 수 있습니다.
이처럼 세이지 비전은 오토 라벨(Auto Label), 퀵 라벨(Quick Label), 이상 감지(Anomaly Detection), 광학 문자 인식(OCR), 이미지 개선(Image Enhancement) 등 다양한 기능을 통합해 제공하며, 공정 변경 시에도 최소한의 데이터만으로 빠르게 재학습하거나 보정할 수 있는 구조를 갖추고 있습니다.
📌 경쟁력과 직결되는 배터리 수율, 세이지 기술력으로 품질을 확보하는 방법
셋째, 조직 내부에서 지속적으로 사용할 수 있는지 점검해야 합니다.
AI는 도입보다 운영이 훨씬 중요합니다. 외부 전문가에게 지속적으로 의존하지 않고, 현장 운영자나 내부 엔지니어가 직접 솔루션을 관리하고 개선할 수 있어야 비로소 ‘기술 내재화’가 이뤄지고, 도입 효과도 장기적으로 유지될 수 있습니다.
화장품 제조사라면 제품 용기에 브랜드 라벨을 부착하는 공정에서 라벨 비틀림이나 위치 이탈이 종종 발생할 수 있을텐데요. 수시로 현장 상황이 바뀐다면, AI 모델도 자주 재조정이 필요할 수 있습니다, 그때마다 외부 기술지원 인력을 호출하는 데 시간과 비용이 더 투입 될 수 있습니다.
하지만 세이지 비전을 사용한다면 현장 품질 담당자가 직접 웹 기반 인터페이스를 통해 학습 데이터를 추가하고 모델을 재보정하는 방식으로 문제를 개선할 수 있습니다. 정기적인 재학습을 위한 프로세스가 자동화되어 있었기 때문에, 업무 부담은 줄이면서도 검사의 일관성과 품질은 유지할 수 있었습니다.
이처럼 세이지 비전은 MLOps(Machine Learning Operations) 구조를 포함하고 있어, 모델 성능 모니터링부터 자동 배포, 재학습까지 모든 과정을 지원합니다. 또한 모델의 통합 관리 및 배포 기능을 통해 운영자가 플랫폼을 직접 제어할 수 있으며, 현장의 특수한 결함도 손쉽게 학습시킬 수 있는 환경을 제공합니다. 단순히 설치된 AI가 ‘알아서 해주는’ 구조가 아니라, 실제 사용자와 함께 운영되는 구조를 목표로 설계되어 있습니다.
비전 AI는 기술이 아니라, 공정과 함께 성장하는 ‘지속 가능한 시스템’입니다
비전 AI는 한 번 도입하고 끝나는 기술이 아닙니다. 우리 공정이 바뀌고, 제품이 바뀌는 만큼, AI 모델 역시 그 흐름에 맞춰 함께 성장해야 합니다. 결국 중요한 것은 얼마나 빨리 도입하느냐가 아니라, 얼마나 지속 가능하게 운영할 수 있는 구조인지 입니다.
세이지는 비전 AI가 단지 자동화 도구가 아닌, 현장의 품질과 효율을 함께 끌어올릴 수 있는 파트너가 되어야 한다고 생각합니다. 성과 중심의 명확한 시작, 그리고 현장 친화적인 운영 전략이 있을 때 비로소 AI는 진짜 힘을 발휘할 수 있습니다. 비전 AI를 고민하고 계신가요? 어떤 공정에서 시작해야 할지, 현장에서 어떤 방식으로 검증을 진행할 수 있을지 세이지와 함께 설계해보시기 바랍니다.
© SAIGE All Rights Reserved.