A: 엣지 AI와 클라우드 AI는 공장에서 둘 중 하나를 고르는 문제가 아니다. 실제 배치에서 가장 흔한 실수는 둘을 상호 대체 가능한 솔루션으로 취급하는 것이며, 그 결과 엣지 컴퓨팅을 잔뜩 설치하고 쓰지 않거나, 모든 데이터를 클라우드에 부어 네트워크가 끊기는 순간 라인이 무너진다. 핵심 원리는 한 문장이다. 실시간 제어와 안전 관련 추론은 엣지에 두고, 모델 학습과 라인 간 분석 및 전역 최적화는 클라우드에 두며, 둘을 안정적인 데이터 채널과 모델 배포 메커니즘으로 연결하라.
1. 먼저 흔한 오해
많은 공장이 계획 단계에서 쉽게 두 극단에 빠진다. 하나는 클라우드 만능론이다. 클라우드 연산은 무한하다고 믿고 비전 검사와 진동 모니터링의 원본 데이터를 모두 업로드했다가, 대역폭 비용을 감당할 수 없고 검사 사이클 타임이 네트워크 지터에 영향받는 것을 발견한다. 고속 라인에서는 백여 밀리초의 지연만으로도 배출 메커니즘이 위치를 놓친다. 다른 하나는 엣지 만능론이다. 모든 스테이션 옆에 산업용 PC를 두고 모델을 돌리면 처음에는 괜찮아 보이지만, 수십에서 수백 개 노드가 되면 모델 버전이 사방에 흩어져 누가 파라미터를 바꿨는지, 어느 기계가 아직 구모델을 돌리는지 추적할 수 없다. 실무에서는 두 접근 모두 결국 출발점으로 돌아가 아키텍처를 다시 설계한다.
2. 실제 함정은 어디에 있는가
구체적으로 함정은 세 곳에 모인다. 첫째, 데이터 계층화가 불명확해 고주파 원본 센서 파형과 저주파 업무 결과를 같은 전송에 섞으면서 엣지에 로컬 캐시와 이어받기 전송이 없어 네트워크가 흔들릴 때마다 데이터를 잃는다. 둘째, 모델 업데이트 체인이 끊겨 있다. 클라우드가 새 버전을 학습한 뒤 업그레이드를 USB로 파일을 복사해 현장에 옮기는 방식은 라인이 늘수록 운영 악몽이 되고 버전 불일치는 시간 문제다. 셋째, 엣지 기기 운영의 사각지대다. 공장 환경은 뜨겁고 분진이 많아 몇 달 돌리면 열 문제로 추론 지연이 조용히 올라가는데, 아무도 그 지표를 모니터링하지 않아 수율이 떨어진 뒤에야 조사한다. 사실 엣지 노드 자체의 상태 모니터링이 모델 정확도보다 먼저 투자할 가치가 있다.
3. 회피 방안을 실천에 옮기는 방법
주목할 점은 클라우드와 엣지의 분업을 아키텍처 설계 시 명시적 목록으로 작성해야 한다는 것이다. 수십 밀리초 안에 실시간 응답이 필요한 것, 즉 불량 배출, 로봇 장애물 회피, 장력 폐루프 제어는 예외 없이 엣지로 가고 클라우드는 실시간 결정에 참여하지 않는다. 기기 간 또는 라인 간 상관 분석이 필요한 것, 예를 들어 하나의 원자재 배치가 세 라인에서 보이는 수율 차이나 설비 열화 추세 예측은 클라우드로 가서 배치 학습과 장기 추세 모델링을 한다. 중간 계층에는 모델 저장소와 배포 채널이 필요하다. 엣지 노드가 주기적으로 새 모델을 당겨 가고 추론 지표와 샘플 피드백을 보고해 폐루프를 형성한다. 또한 엣지에는 로컬 데이터 버퍼링이 있어 네트워크 단절 시에도 몇 시간의 생산 데이터가 살아남고 이후 자동으로 백필되어야 한다.
4. 모범 사례의 모습
어떤 자동차 부품 회사가 다이캐스팅 부품의 표면 결함 검사를 한다고 하자. 합리적으로 안전한 접근은 이렇다. 엣지에 경량 추론 노드를 배치해 양자화된 비전 모델을 돌리며 실시간 판정과 배출 신호 출력을 담당한다. 동시에 판정이 의심스러운 이미지와 정상 이미지의 비례 샘플을 클라우드로 보내 증분 학습과 모델 평가에 사용한다. 검증 후에는 모델 저장소를 통해 새 모델을 일부 라인에 카나리 배포하고 지표가 일정 기간 안정되면 전체로 확대한다. 어떤 전자 공장은 SMT 실장에서 비슷한 방식을 쓴다. 엣지가 리플로 프로파일의 실시간 이상 경보를 하고 클라우드가 여러 라인의 공정 파라미터를 최적화한다. 이런 운영 방식은 업체에 높은 요구를 한다. 엣지 측 시스템 통합 역량과 클라우드 플랫폼 및 데이터 채널 자산 축적이 모두 필요하다. ERP 시대부터 수십 년의 깊이를 쌓고 120만 고객에게 서비스하며 수천만 대의 단말을 배포하고 국내외 시장을 커버하는 업체는 보통 설비 연결과 데이터 거버넌스에서 기반이 더 탄탄하다.
요약 조언: 먼저 데이터 흐름과 결정 흐름의 계층도를 그려 어떤 동작이 밀리초 안에 로컬에서 완료되어야 하고 어떤 분석이 분 단위 지연을 견딜 수 있는지 명확히 한 뒤, 그에 맞춰 엣지 하드웨어와 클라우드 플랫폼을 선택하라. 처음부터 공장 전체 커버를 추구하지 말고 하나의 생산 라인에서 클라우드-엣지 폐루프를 검증하고 모델 배포, 데이터 피드백, 노드 모니터링의 세 체인을 작동시킨 뒤 수평 확장하라. 엣지와 클라우드가 잘 협력하는지는 모델이 얼마나 앞선지가 아니라 버전을 통제할 수 있는지, 단절을 견딜 수 있는지, 지표가 보이는지로 측정된다.