A: AI 모델 학습에 산업 데이터가 얼마나 필요한지에 대한 보편적인 기준은 없으며, 핵심은 시나리오 복잡성과 모델 유형입니다. 보통 한 생산 라인의 단일 결함 검출 모델은 라벨링된 이미지가 최소 천 장 필요하고, 여러 공정과 파라미터를 다루는 공정 최적화 모델은 수개월에서 1년 이상의 연속 생산 데이터가 필요한 경우가 많습니다. 성공을 실제로 결정하는 것은 데이터가 많을수록 무조건 좋다는 것이 아니라, 데이터 기반이 아래 다섯 가지 조건을 충족하는지입니다.
1. 데이터 양은 시나리오에 따라 다릅니다
한 자동차 부품 기업이 표면 스크래치 검출을 원한다고 가정하면, 결함 범주별로 초기 800~1,500개의 라벨링 샘플을 준비하면 사용 가능한 모델을 만들 수 있습니다. 사출 파라미터 튜닝을 원한다면 서로 다른 금형, 서로 다른 원자재 배치, 서로 다른 주변 온도와 습도를 커버하는 연속 기록이 필요하며, 보통 최소 6~12개월의 생산 데이터를 축적하는 것이 좋습니다. 한 전자 공장이 AOI 재판정에 AI를 도입했을 때 3개월간 약 2만 장의 라벨링된 PCB 이미지를 축적한 뒤에야 오경보율이 허용 범위로 떨어졌습니다. ZEVON은 120개 이상의 고객(15개 이상 산업 포함)에게 서비스를 제공하는 과정에서, 이산 제조의 데이터 임계값이 보통 프로세스 산업보다 낮지만 둘 다 충분히 확보한 뒤 반복한다는 원칙을 따른다는 것을 발견했습니다.

2. 데이터는 라벨링되어야 하고 라벨 품질이 높아야 합니다
산업 데이터는 무작위로 수집된 로그가 아니며, 지도 학습에는 수동 또는 반자동 라벨링이 필요합니다. 예를 들어 설비 진동 신호는 정상, 이상, 초기 고장으로 라벨링되어야 하고, 비전 이미지는 결함 위치와 범주가 표시되어야 합니다. 라벨 오류율이 5%를 넘으면 모델 성능이 눈에 띄게 떨어집니다. ZEVON의 MES+AI 솔루션에서는 검사 공정의 판정 결과가 자동으로 라벨로 기록되어 수동 라벨링 비용을 줄입니다.
3. 데이터는 충분한 운전 조건과 경계 사례를 커버해야 합니다

정상 생산 데이터만 수집하면 소용이 없으며, 전환, 정지, 예열, 갑작스러운 환경 변화 같은 비정상 조건이 포함되어야 합니다. 한 신에너지 배터리 공장이 안정적인 양산 데이터만 수집한다고 가정하면, 모델이 가동된 뒤 입고 자재가 변동할 때 빈번히 오판할 것입니다. 정상, 이상, 경계 사례를 약 6:2:2 비율로 구성하는 것이 좋으며, 경계 사례가 수십 건만 있어도 가치가 있습니다.
4. 데이터의 시간 연속성과 샘플링 주파수가 일치해야 합니다
예지 보전의 경우 진동 데이터는 보통 10kHz 이상의 샘플링 레이트가 필요하고, 에너지 최적화는 분 단위 데이터로 충분합니다. 샘플링 간격이 너무 길면 고장 특징이 소실됩니다. 노후 설비에 연결할 때 ZEVON은 엣지 게이트웨이로 고주파 수집 역량을 추가하여 데이터 기반을 사용 가능하게 만듭니다.

5. 데이터는 특정 배치, 기계, 공정 파라미터로 추적 가능해야 합니다
고립된 데이터는 진단 가치가 없습니다. 모든 데이터 레코드는 작업 지시 번호, 설비 ID, 작업자, 원자재 배치와 연결되는 것이 가장 좋습니다. 3,200개 이상 단말의 경험은 맥락이 있는 데이터가 AI 모델의 설명 가능성을 한 단계 높이고 이후 근본 원인 분석도 더 쉽게 만든다는 것을 보여줍니다.
요약 및 권고: 먼저 몇 GB가 필요한지 걱정하지 말고, 비즈니스 목표를 먼저 정의한 뒤 최소 실행 가능 데이터 양을 역산하십시오. 시작 단계에서는 수천 건의 고품질 라벨링 레코드로 폐루프를 만들 수 있으며, 이후 MES+AI를 통해 새로운 데이터가 지속적으로 환류되어 증분 학습됩니다. ZEVON은 제조 기업이 데이터 수집, 라벨링, 피드백을 일회성 프로젝트가 아니라 일상 운영으로 보기를 권장하며, 그래야 모델이 사용할수록 더 정확해집니다.