A: 린 생산에서 AI 강화가 실제로 귀결되는 것은 알고리즘이 얼마나 강한지가 아니라, 데이터 기반이 린의 측정, 분석, 개선 폐루프를 뒷받침할 수 있는지다. 제대로 된 데이터 기반이 없으면 AI는 기껏해야 시연 도구이고, 데이터 기반이 갖춰지면 AI가 린을 사람이 지켜보고 경험으로 판단하는 방식에서 실시간 데이터가 이끄는 방식으로 바꿀 수 있다. 아래에서는 체계적 데이터 기반이 있을 때와 없을 때를 세 가지 차원에서 비교해 이를 분명히 한다.
1. 데이터 수집의 세밀도와 실시간성
린이 가장 중요하게 여기는 것은 현장의 사실이다. 사이클 타임, 다운타임, 모델 교체, 재공품, 불량 유형이 공정별, 교대조별, 기계별로 자동 수집되어야 한다. 체계적 수집이 없으면 대부분의 공장이 수기 보고와 사후 백필에 의존해 데이터가 반나절에서 하루 늦고 세밀도는 작업장 수준에 그치며, AI가 받는 것은 병목 공정을 전혀 찾아낼 수 없는 평균값 더미다. 체계적 데이터 기반이 있으면 다르다. 설비 계층이 PLC, 센서, 바코드 단말로 상태 데이터를 초 또는 분 단위로 수집하고 MES나 엣지 게이트웨이가 타임스탬프를 정렬하므로 AI가 다운타임 원인을 분류하고 병목 이동을 식별할 수 있다. 어떤 자동차 부품 회사가 프레스 모델 교체를 최적화한다고 하자. 금형과 배치 단위로 세분화된 교체 시간 기록이 없으면 AI 모델은 교체 동작과 다운타임 길이의 관계를 학습할 수 없고, 데이터 기반이 완성된 뒤에야 교체 손실 분석이 의미를 갖는다.
2. 마스터 데이터 일관성과 시스템 간 연결
린 개선은 정의 불일치에서 자주 멈춘다. 계획 생산량, 실제 생산량, 폐기 수량이 ERP, MES, WMS에서 각각 다르게 말한다. 통일된 마스터 데이터가 없으면 AI가 OEE 분석을 하면서 책임을 잘못된 공정에 돌리고, 충족도 분석에서 잘못된 자재 부족 경고를 낸다. 데이터 기반이 있는 접근은 자재 코드, 공정 코드, 설비 코드, 공수 정의를 먼저 통일한 뒤 AI가 일관된 데이터 의미 위에서 상관 분석을 하게 하는 것이다. 어떤 전자 공장이 라인 밸런싱 최적화를 원한다고 하자. 스테이션 공수와 실제 사이클 타임이 서로 단절된 두 데이터 세트에서 온다면 AI가 제안하는 밸런싱 안은 정착할 수 없고, 연결되면 AI가 실제 사이클 타임 변동에 따라 스테이션 부하 조정을 동적으로 제안할 수 있다. 여기서 핵심은 모델을 몇 개 배치하느냐가 아니라 탄탄한 마스터 데이터 거버넌스와 시스템 인터페이스다.
3. 데이터의 이력 깊이와 주석 품질
린의 근본 원인 분석과 예측적 개선은 시간에 걸쳐 비교 가능한 데이터를 요구한다. 체계적 축적이 없으면 이력 데이터가 흩어져 있고 라벨이 없어 AI가 불량 원인 분류용 학습 세트조차 구성할 수 없다. 데이터 기반이 있는 기업은 불량 코드, 다운타임 사유, 개선 조치를 구조화해 기록하며 추적 가능한 개선 대장을 만들어, AI가 불량 패턴을 군집화하고 품질 문제를 근원까지 추적할 수 있게 한다. 핵심 공정과 주요 손실 항목부터 시작해 그 데이터의 수집 기준과 주석 규칙을 먼저 정의하고, 한 번에 공장 전체로 퍼지지 않는 것이 좋다.
종합 조언: AI가 린 생산을 강화하려면 모델을 논하기 전에 설비 상태, 생산 사이클 타임, 품질 불량, 모델 교체 다운타임의 네 가지 데이터 범주에 대해 자동 수집과 통일된 정의를 우선하라. 하나의 라인이나 하나의 작업장에서 시범 운영하며 알고리즘 비교보다 마스터 데이터 일관성과 데이터 주석 기준에 집중하라. 데이터 기반 문제에 대해 ERP 시대부터 수십 년의 깊이를 쌓고 120만 고객에게 서비스하며 수천만 대의 단말을 배포한 업체의 축적은 바로 이런 현장 데이터 수집 기준과 시스템 연결 역량에서 드러나는 경우가 많으므로, 선정 시 AI 기능 목록만 보지 말고 린 시나리오에서의 데이터 모델링 경험에 주목하라.