제조업 디지털 전환과 비전 품질 검사
2015년 이후 중국을 포함한 글로벌 제조 공장에서 자동화 바람이 거세게 불기 시작하면서 디지털 전환(Digital Transformation)이 대두되었습니다. 그러나 거센 제조업 자동화 물결 속에서도 여전히 자동화가 이뤄지지 않은 공정들이 존재합니다. 가장 대표적인 공정이 품질 검사(Quality Control, QC)입니다. 품질 검사로 최종 제품의 품질이 결정되기 때문에 여전히 인간 작업자의 개입이 필요한 동시에 자동화가 가장 어려운 단계입니다. 일반적으로 제조 공장 전체 인력의 5~10%가 품질 검사 업무에 종사하고 있고, 이는 전 세계적으로 500만 명 이상의 작업자에 해당합니다.
제조업에서 품질 검사의 대부분은 비전(Vision) 검사입니다. 제품 외관의 스크래치나 찍힘과 같은 결함이 존재하는지 판별하는 공정으로 전통적으로 사람의 눈으로 직접 수행해왔습니다. 비전 검사를 자동화하는 가장 일반적인 방법은 제조 공정 중간에 카메라를 설치해 제품 이미지를 취득하고, 이미지 상의 결함을 검사하는 알고리즘을 도입하는 것입니다. 이차전지 분야에서는 X-ray 또는 CT 장비를 도입해 내부 형상 이미지를 취득해 검사함으로써 인간 작업자가 수행하지 못하는 부분까지 검사 영역을 확대하고 있습니다.
제조업 AI 검사 도입의 장애물
제조업 자동화를 위해 AI 검사를 도입하는 데에는 크게 두 가지 어려움이 존재합니다.
우선 제조업 특성에 맞는 AI 모델을 개발하는 것 자체가 어렵다는 점입니다. 일반적으로 정확도가 높은 AI 모델을 만들기 위해서는 ① 충분한 양의 데이터와 ② 많은 연산이 도입된 무거운 모델이 필요합니다. 그러나 제조업에서 발생하는 결함 이미지는 매우 적으며, 빠른 공정 속도를 따라올 수 있는 검사 모델이 필요합니다. AI 모델 특성과는 정 반대되는 것이죠. 때문에 제조업에서 요구하는 수준의 AI 모델을 개발하는 것은 쉽지 않습니다.
두 번째는 AI 모델 운영 측면에서의 어려움입니다. 제조업의 요구 조건에 적합한 AI 모델을 개발하더라도 이를 운영하는데 어려움이 존재합니다. 제조 공정은 수시로 환경 변화가 발생하는 도메인입니다. 이로 인해 검사 중인 AI 모델 성능은 하락하게 되고, 사전에 결함이 검출되지 못한 채 그대로 유출되는 심각한 문제를 초래할 수 있습니다.
AI 모델 성능이 하락하면 재학습하기까지 과정은 매우 노동집약적이고 긴 시간을 필요로 합니다. 모델 성능 하락을 확인한 시점부터 데이터를 취득해 결함을 라벨링하고 학습 후 배포하는 것까지 일반적으로 20시간 이상이 필요합니다.
제조업 AI 검사 도입을 위한 솔루션
제조업 비전 기반 품질 검사에 AI 기술을 성공적으로 도입하기 위해서는 앞서 언급한 두 가지 문제를 반드시 해결해야 합니다.
[해결책1] 제조업에 특화된 AI 원천 기술 개발
제조업에서 데이터가 적은 문제를 해결하기 위해서는 두 가지 접근 방식이 가능합니다.
하나는 적은 데이터로 학습해도 높은 정확도를 달성하는 AI 기술을 개발하는 것입니다. 또 다른 접근 방법은 결함 데이터 수를 늘리는 것입니다. 최근 각광받고 있는 생성형 AI 기술 등을 제조업에서 활용한다면 실제와 거의 동일한 가상 결함을 만들 수 있습니다. 제조업 데이터를 빅데이터로 바꿔 데이터 부족 문제를 해결하는 것이죠. 이처럼 제조업에 AI 검사를 도입하기 위해 장애물이 되었던 문제를 해결하는 AI 원천 기술을 개발하는 것이 제조업 AI 검사 도입의 시작입니다.
[해결책2] 제조업 비전 검사에 특화된 MLOps 도입
MLOps 개념을 도입하면 AI 검사 운영의 문제점을 해결할 수 있습니다. MLOps는 Machine Learning과 Operation의 합성어로 데이터 수집부터 학습, 배포, 모니터링에 이르기까지 AI 모델 라이프 사이클을 효율적으로 관리하는 방법입니다. AI 모델 성능에서 가장 큰 이슈는 성능 저하 및 재학습 시점을 알 수 없다는 점입니다. 따라서 AI 모델 성능이 언제 하락하는지 실시간으로 분석할 수 있는 기술이 있어야 하며, 반드시 제조업 비전 검사 환경에서 어떤 요인으로 성능이 하락하는지 깊이 이해하고 이를 기반으로 관련 기술을 개발해야 한다는 점이 중요합니다.
결론
제조업의 완전한 디지털 전환을 위해서는 단순히 새로운 기술을 도입하는 것을 넘어 해당 기술이 제조 공정에 잘 통합되고 지속적으로 효과를 발휘할 수 있도록 하는 것이 중요합니다. 이를 위해 제조업의 특성을 깊이 이해하고 AI 원천 기술과 MLOps 시스템의 조화로운 결합이 필요합니다.
© SAIGE All Rights Reserved.