A: AI 모델 학습은 데이터가 많을수록 좋은 것이 아니라 시나리오 복잡도와 레이블 품질이 관건입니다. 단일 공정의 이상 탐지는 보통 레이블 표본 수천에서 수만 건이면 사용 가능한 성능에 도달하고, 다공정 협업 최적화는 열 배 이상의 데이터가 필요한 경우가 많습니다. ROI 평가의 핵심은 한 가지입니다. 모델이 가동된 뒤 수율, 정지 시간, 에너지 소비 같은 특정 지표를 정량화할 수 있는 수준까지 개선하는지, 그리고 그것을 재무 회계로 환산하는 것입니다.
많은 기업이 데이터를 몇 테라바이트 준비해야 하는지부터 묻는데, 사실 이것은 잘못된 질문입니다. 데이터량과 모델 성능의 관계는 선형이 아닙니다. 업계의 흔한 사례입니다. SMT 실장 결함 검사를 하던 한 전자 공장이 반년치 라인 사진 수십만 장을 쌓았지만 실제로 사용 가능하고 정확히 레이블된 것은 8천여 장뿐이었고 미검출률은 여전히 높았습니다. 그래서 데이터 전략을 핵심 결함 유형 중심에 능동 학습 보충 레이블링으로 바꾸자 표본 수는 1만여 건으로 줄고 미검출률은 허용 범위로 떨어졌습니다. 따라서 데이터 예산의 첫 항목은 저장이나 컴퓨팅이 아니라 데이터 선별과 레이블링입니다.
ROI를 구체적으로 평가하려면 다음 차원으로 나누어 보십시오.
1. 시나리오를 먼저 정의하고 데이터 요구로 역산하십시오
산업 AI 시나리오마다 데이터 요구가 크게 다릅니다. 비전 검사는 결함 특징이 뚜렷하고 배경이 안정적이면 결함 유형당 레이블 표본 500~1,000건으로 전이 학습이 가능하고, 결함이 미세하고 조명 간섭이 강하면 5,000건 이상이 필요할 수 있습니다. 예지 정비는 최소 3~5회의 완전한 고장 사이클을 포괄하는 설비 시계열 데이터가 필요하며, 일반적인 샘플링 레이트에서는 기계 한 대당 수십만에서 백만 건 이상이 될 수 있습니다. 공정 파라미터 최적화는 데이터량이 아니라 실험 설계에 묶입니다. 라인이 데이터를 만들어 주기를 수동적으로 기다리지 말고 유효 데이터를 만들기 위한 능동적 DOE가 필요합니다.
2. 데이터 비용의 세 구성을 이해하십시오
첫째는 취득 비용으로 센서 설치, 네트워크 업그레이드, 데이터 저장이 포함되며 일회성 투자입니다. 둘째는 레이블링 비용으로, 산업 데이터는 공정 엔지니어가 참여해야 해 일반 데이터보다 훨씬 비쌉니다. 레이블링 한 시간에 흔히 수십에서 백 위안 이상이 듭니다. 셋째는 지속 운영 비용입니다. 가동 후 데이터 분포가 표류해 주기적 보충 레이블링과 재학습이 필요합니다. 많은 공장이 첫째만 계산하고 나머지 둘을 무시해, 출시 3개월 만에 모델이 열화됩니다.
3. ROI는 두 단계로 평가하십시오. 지표 개선, 그 다음 재무 환산
자동차 부품 회사가 다이캐스팅 기공 검사를 육안에 의존해 미검출률 3퍼센트, 연간 고객 클레임 보상이 수십만 위안이었다고 가정해 봅시다. AI 비전이 미검출률을 0.5퍼센트 미만으로 낮추면 줄어든 보상과 재작업 시간이 직접 편익입니다. 간접 편익도 있습니다. 부품당 검사 택트가 8초에서 3초로 줄어 확보된 생산 능력을 산출 가치로 전환할 수 있습니다. 12개월 기준으로 평가하십시오. 첫 3개월은 보통 모델 튜닝과 라인 램프업이고 넷째 달부터 안정적 산출이 시작됩니다.
4. 데이터량이 부족할 때의 대안 경로
이력 데이터가 제한적이라면 딥러닝을 억지로 쓰지 마십시오. 전통 비전 알고리즘과 소량 표본으로 콜드 스타트하거나, 사전 학습 대형 모델을 소량 표본으로 미세조정하십시오. 업계에서는 합성 시뮬레이션 데이터로 실데이터를 보충하는 경우도 있지만 시뮬레이션과 현실의 도메인 갭을 주의해야 합니다. 합성 데이터 비중이 너무 높으면 모델 성능이 떨어집니다.
5. 실용적인 ROI 추정 프레임워크
분자는 연간화 편익입니다. 인력 절감, 수율 향상으로 인한 자재 절감, 정지 감소로 회복한 생산 능력, 고객 클레임 감소로 줄어든 보상입니다. 분모는 연간화 총비용입니다. 데이터 취득과 레이블링, 컴퓨팅 임차 또는 구매, 모델 운영 인력, 시스템 통합입니다. 산출된 ROI가 1.5 미만이라면 그 시나리오는 AI 전환의 우선순위가 아닐 수 있습니다. ROI가 더 높은 단일 시나리오부터 시작하십시오. 3,200개 이상 엔드포인트의 누적 서비스 경험을 보면 ROI가 성립하는 시나리오는 보통 세 가지 특징을 공유합니다. 측정 가능한 지표, 확보 가능한 데이터, 프로세스 변경을 감수할 의지가 있는 사업 책임자입니다.
요약 조언입니다. 데이터량부터 고민하지 마십시오. 정량화 가능한 업무 지표 하나를 정하고, 최소 실행 가능한 데이터로 기준선 모델을 돌려 개선 여지가 얼마나 있는지 본 뒤 데이터에 더 투자할지 결정하십시오. 데이터 준비 단계에는 전체 예산의 40~50퍼센트를 배정하십시오. 레이블링과 정제가 예상보다 자원을 많이 소모합니다.