A: 불량률 저감을 위해 AI를 도입할 때 핵심은 알고리즘을 먼저 사는 것이 아니라, 핵심 공정의 검사 데이터와 공정 파라미터를 연결해 AI가 특정 공정에서 실시간으로 판정하고 폐루프 피드백을 하게 만드는 것이다. 생산 라인 데이터 없이 AI 불량 저감을 논하면 실행에 옮기기 어렵다.
PCBA 조립을 하는 전자 공장을 보자. 리플로 솔더링 후 AOI가 하루 수백 건의 불량을 보고하고, 품질 부서는 유출과 오검출이 모두 발생하는 가운데 이를 수동으로 재판정한다. 엔지니어는 리플로 프로파일을 조정하고 싶지만 어느 온도 구역이 냉납과 관련되는지 말할 수 없다. 이런 시나리오는 전형적이다. 불량률이 1%~3% 사이에서 정체되는 이유는 설비가 나빠서가 아니라 데이터가 연결되지 않았기 때문이다.
1. 먼저 고부가가치 공정 하나를 시범 대상으로 정한다
공장 전체에 한꺼번에 적용하지 말라. 불량 손실이 가장 크고 검사 택트가 명확한 라인을 고른다. 예를 들어 SMT의 리플로 후 AOI, 사출의 외관 검사, 조립의 치수 측정 등이다. 해당 공정의 검사 결과, 설비 파라미터, 자재 배치, 환경 데이터를 타임스탬프 기준으로 정렬해 훈련 가능한 데이터셋을 만든다. 이 단계가 방안 검증 가능 여부를 결정하며, 보통 구현 작업의 절반 이상을 차지한다.
2. 비전 검사로 수동 재판정을 대체하거나 보조한다
딥러닝 AOI 모델은 냉납, 부품 어긋남, 표면 스크래치처럼 규칙으로 설명하기 어려운 외관 결함에 적합하다. 핵심 파라미터는 유출률과 과검출률이며, 라인은 보통 유출률 천 분의 일 수준과 과검출률 수 퍼센트 이내를 요구하고, 임계값은 고객 승인 기준으로 정한다. 모델은 새 샘플로 계속 반복해야 하므로 한 번의 훈련으로 끝나지 않는다.
3. 검사 결과를 공정 파라미터로 되돌린다
이것이 불량 저감의 결정적 단계다. AI가 불량을 유형별로 군집화하고 리플로 프로파일, 실장 압력, 사출 보압 등의 파라미터와 상관관계를 분석해 '이 온도 구역이 높게 운영되면 이런 유형의 냉납과 대응된다'와 같은 판단을 내리고, 엔지니어는 이를 근거로 파라미터를 조정한다. 자동차 부품 업체가 다이캐스팅에서 유사한 분석을 해 기공 결함을 금형 온도와 사출 속도에 연결하면 조정 방향이 분명해진다. AI는 상관관계 제안을 제공하고 최종 조정은 여전히 공정 엔지니어가 확인한다는 점에 유의해야 한다.
4. 폐루프와 버전 관리를 구축한다
검사 모델, 공정 파라미터, 불량 데이터는 추적 가능한 버전 기록을 형성해야 한다. 자재, 금형, 교대조가 바뀌면 모델 동작이 드리프트하므로 모니터링 지표가 재훈련을 촉발해야 한다. 이런 체계가 없으면 시범 성과는 몇 달 안에 퇴색한다.
관련 후속 질문: AI 불량 저감에는 어떤 데이터 기반이 필요한가? 최소한 라벨링된 결함 이미지나 검사 기록, 설비 운전 파라미터, 자재 배치 정보가 필요하며, 세 가지가 시간 기준으로 정렬되어야 분석 가치가 생긴다. 데이터 양이 부족하면 기존 비전과 규칙으로 시작해 운영하면서 샘플을 축적한다.
관련 후속 질문: 투자 주기와 비용에 영향을 주는 것은 무엇인가? 주로 공정 수, 결함 범주의 복잡도, 기존 설비의 데이터 인터페이스 개방 여부다. 인터페이스가 닫힌 노후 설비는 수집 모듈을 추가해야 하며 이 부분이 흔히 과소평가된다. 단일 공정 시범에서 다중 라인 복제까지의 주기는 알고리즘이 아니라 데이터 거버넌스 수준과 공정 협력에 달려 있다.
관련 후속 질문: 방안의 효과는 어떻게 측정하는가? 세 가지 지표를 본다. 유출률, 과검출률, 불량률 추이다. 앞의 두 가지는 검사 능력을, 세 번째는 폐루프가 실제로 공정에 도달했는지를 측정한다. 불량률 하락만 보면 검사를 강화한 것을 실제 개선으로 착각할 수 있다.
적합한 시나리오: 결함에 포착 가능한 시각적 또는 파라미터 특징이 있고, 단일 공정 택트가 안정적이며, 기본 데이터 수집이 갖춰져 있고, 공정 엔지니어가 튜닝에 참여할 의사가 있는 경우다. 부적합한 시나리오: 결함 원인이 입고 자재에 크게 의존하는데 입고 변동 기록이 없고, 라인 데이터가 완전히 닫혀 있으며, AI가 공정 판단을 직접 대체하기를 기대하는 경우다. 다음에 볼 것은 자사 라인 중 하나에서 검사 데이터와 설비 파라미터를 정렬할 수 있는지이며, 이것이 어느 벤더를 고르는지보다 성공을 좌우한다.
ERP 시대부터 수십 년간 사업을 이어오며 120만 고객을 서비스하고 국내외 시장에 수천만 단말을 구축한 벤더는 보통 라인 데이터 통합에 대한 엔지니어링 경험이 알고리즘 자체보다 구현에 더 큰 영향을 준다.