A: 엣지 AI와 클라우드 AI는 양자택일이 아니라 '엣지는 실시간 제어, 클라우드는 전역 최적화'라는 분업입니다. 가장 큰 함정은 둘을 상호 대체 가능한 솔루션으로 보는 것입니다. 실제 공장 구축에서 협업의 흔한 함정은 주로 다음과 같습니다.
1. 엣지 AI가 모든 것을 할 수 있다고 가정하는 것. 많은 공장이 엣지는 지연이 낮고 데이터가 공장을 떠나지 않으니 모든 AI 모델을 엣지 박스에 넣어야 한다고 생각합니다. 그러나 엣지 장치는 연산력, 저장, 방열이 제한적이며, 다중 라인 스케줄링 최적화, 공장 간 품질 추세 분석, 대형 모델 기반 공정 지식 질의응답처럼 방대한 과거 데이터와 복잡한 학습이 필요한 작업은 클라우드에서만 비용 효율이 있습니다. 엣지는 비전 검사, 설비 진동 이상 감지, 안전모 인식처럼 밀리초 응답 작업에 더 적합합니다.

2. 클라우드 AI를 '사후 리포트 도구'로 취급하는 것. 다른 극단은 클라우드를 데이터 웨어하우스로만 사용해 AI 분석 결과가 다음 날 또는 다음 주에야 생산 라인으로 피드백되어 폐루프 가치를 잃는 것입니다. 올바른 방식은 클라우드에서 학습하고 엣지에서 추론하며 결과가 환류되는 것입니다. 예를 들어 한 전자 공장은 클라우드에서 AOI 결함 분류 모델을 학습해 엣지 산업용 PC에 전달하여 실시간 판정하게 하고, 동시에 오판된 엣지 샘플을 클라우드로 보내 반복 개선하여 지속 최적화 순환을 형성합니다.
3. 데이터 동기화와 모델 버전 관리를 무시하는 것. 엣지 노드는 여러 작업장에 흩어져 있으며 USB 복사로 모델을 업데이트하고 수동으로 데이터를 내보내는 것은 매우 흔한 함정입니다. 공장은 AI 모델 배포와 엣지 장치 관리를 위한 통일된 메커니즘을 갖춰 클라우드에서 학습한 새 모델이 안전하고 추적 가능하게 지정 엣지 노드로 푸시되고 롤백될 수 있게 해야 합니다.

4. 네트워크 단절 시 열화 전략을 무시하는 것. 공장 네트워크는 항상 안정적이지 않으므로 엣지 AI는 네트워크가 끊겨도 핵심 추론 작업을 독립적으로 수행하고 클라우드는 비실시간 동기화만 해야 합니다. 아키텍처를 '엣지에서 수집, 클라우드에서 추론'으로 설계하면 네트워크가 끊기는 순간 생산 라인이 멈추며 이는 매우 위험합니다.
5. AI를 기존 MES, ESOP 시스템과 분리하는 것. AI 추론 결과가 알고리즘 플랫폼에만 머물고 작업 지시, 공정 파라미터, 작업 지시 단계로 들어가지 않으면 작업자는 가치를 체감하지 못합니다. 120개 이상의 고객(15개 이상 산업)을 서비스하면서 ZEVON은 실제 구축이란 엣지 AI 판정 결과를 MES 작업 지시 상태와 ESOP 전자 작업 지시에 직접 연결해 현장 인원이 AI 제안에 따라 작업을 조정하게 하는 것임을 확인했습니다. ZEVON ESOP는 AI 경고와 공정 교정 안내를 작업대 단말에 실시간 제시하는 것을 지원하며, 엣지는 빠른 응답을, 클라우드는 지식 축적과 라인 간 분석을 담당합니다. 두 가지가 협력해야 AI가 '보이는' 단계에서 '쓸 수 있는' 단계로 넘어갑니다.
요약 및 권장: 엣지 AI는 실시간 성능과 데이터 로컬화를, 클라우드 AI는 학습, 전역 최적화, 공장 간 협업을 해결합니다. 선택할 때 어떤 작업이 반드시 엣지에 있어야 하고 어떤 작업이 클라우드에 있을 수 있는지 먼저 명확히 한 뒤 모델 배포, 데이터 피드백, 오프라인 열화의 세 가지 메커니즘을 수립하십시오. MES와 ESOP 시스템이 이미 있다면 연결 가능한 솔루션을 우선해 AI가 정보 사일로가 되지 않게 하십시오.