제조업 혁신과 생성형 AI

제조업은 품질 유지와 비용 삭감 그리고 재고 최적화 등 다양한 도전에 직면한 분야인 만큼 항상 혁신에 목말라 있는 분야다. 관련 기업들은 1990년대 후반부터 통계적 알고리즘 방식 및 다양한 시뮬레이션 기반 시스템을 통해 공급망 계획의 최적화를 시도하는 등 인공지능 도입을 통한 업무 혁신을 시도해 왔다. 2023년 약 3.2억 달러(약 3조 9천억 원)이었던 제조업 AI 솔루션의 시장 규모는 매년 45.6%씩 성장하여 2028년경에는 약 20억 달러(약 28조 원)에 다다를 것으로 예측된다.

그러나 기존의 인공지능 기반 솔루션은 막대한 구축비용에 비해 낮은 정확도와 안정성을 이유로 생산 라인 엔지니어들 사이에서 외면받아왔다. 생성형 AI는 기존의 공급 사슬망 관리의 문제점을 해결하고 제조업체의 공급망 관리를 혁신적으로 변화시킬 수 있는 강력한 도구로 주목받고 있다. 

제조업 기업들은 다량의 데이터 처리와 패턴화에 특화된 생성형 AI를 활용하여 다양한 데이터 소스를 기반으로 예측 모델을 개발하여 생산 계획을 최적화하는 과정을 통해 재고 비용을 절감하고 생산량을 조절하는 등 혁신을 꾀하고 있다. 이번 시간에는 생성형 AI가 어떻게 제조업의 다양한 분야를 혁신할 수 있는지 살펴보자.

1. 공급사슬관리(Supply Chain Management, SCM)

공급사슬관리에 필요한 데이터의 양은 늘어나고 특성은 복잡화되고 있다. 특히 방대한 양의 자연어(Natural Language) 기반의 텍스트 데이터가 분석에 활용되면서 과거의 데이터에 의존하는 시계열 분석 모델과 시뮬레이션을 사용하여 공급망을 관리하는 방식은 명확한 한계를 노출하기 시작했다. 과거 데이터에 의존하는 기존 모델로는 높은 정확도를 기대하기 힘들었다.

또한 실시간 데이터 처리에 대한 모델의 대처 능력도 요구받고 있다. 그러나 기존의 머신러닝 기반 공급사슬관리는 일정한 주기로 데이터를 업데이트하고 예측을 수행하기 때문에 실시간으로 변화하는 상황에 대응하기 어려웠다.

생성형 AI는 뛰어난 문맥 이해 능력을 바탕으로 공급사슬 관리의 일부 혹은 전체를 자동화할 수 있다. 이미 생성형 AI를 도입하여 활용하고 있는 사례도 눈에 띈다. 도미닉 메츠거 SAP 디지털 공급망 클라우드 개발 총괄에 따르면 글로벌 자동차 기업이 물류 및 운송 분야에서 수동으로 처리하던 작업을 생성형 AI로 자동화하고 있다. 뿐만 아니라 방대한 양의 데이터를 바탕으로 한 패턴인식에 특화되어 있는 생성형 AI는 다양한 데이터를 바탕으로 실시간 수요를 예측할 수 있어 공급사슬관리의 혁신을 이끌어 갈 것으로 기대된다.

2. 이상 탐지(Anomaly Detection)

이상 탐지는 제조업 분야에서 데이터의 이상치를 식별함으로써 제품 품질 및 생산 공정에 영향을 줄 수 있는 요소를 사전에 발견하고 제거하기 위해 널리 활용되어 왔다. 특히 최근에는 4차 산업혁명의 도래로 IoT(Internet of Things) 기반의 센서 시스템을 통해 다양한 공정 및 생산 데이터가 실시간으로 수집되면서 다양한 형태의 비정형 데이터를 동시에 처리 가능한 생성형 AI가 각광받으며 기존의 이상 탐지 알고리즘의 한계를 극복할 것으로 기대를 모으고 있다.

생성형 AI는 실시간으로 수집되는 다양한 형태의 비정형 데이터를 처리할 수 있는데, 이는 IoT 기반의 센서 시스템을 통해 수집되는 데이터와 같이 대규모 및 복잡한 데이터셋 분석에 유용하다. 이처럼 생성형 AI는 기존의 알고리즘과는 다르게 데이터의 복잡한 패턴을 학습하고 이상을 감지하는데 활용될 수 있다.

예를 들어 딥러닝 기반 항공 안전 이상치 탐지 기술 동향이라는 논문에 따르면  항공기 시스템의 상태 모니터링을 위한 반지도 이상 탐지(Semi-Supervised Anomaly Detection) 모델이 비행 중 이상 징후 점수가 높아질 때 결함 가능성을 조기에 식별할 수 있다고 한다. 이러한 모델은 유럽 최신 항공기의 냉각 시스템에서 나온 대량의 실제 센서 데이터를 학습시킨 뒤, 모델이 산출한 이상 징후 점수로부터 상태 지표를 계산하는 방식으로 작동된다.

3. 품질 관리(Quality Management)

품질관리는 제품 생산의 신뢰성과 안전성 보장에 빼놓을 수 없는 핵심적인 요소이다. 그러나 대규모 제조 시설에서 생산되는 수많은 제품의 품질을 사람이 수동으로 확인하는 것은 시간이 많이 소요되며 사람에 의한 에러(Human Error) 등으로 인해 품질 일관성 유지가 어렵고 및 효율성이 낮다는 심각한 한계점을 노출해왔다.

제조 환경은 조명 변화, 다양한 제품 형태, 다양한 표면 질감 등 생성형 AI 기반 모델은 적응 학습을 통해 다양하며 광범위한 데이터 셋을 기반으로 학습함으로써 모델은 이해를 일반화하는 법을 배우고 실제 상황에서 발생하는 변화에도 견고한 성능을 유지할 것으로 기대된다.