A: 첫 단계는 모델을 사거나 플랫폼을 구축하는 것이 아니라 실제로 사용할 수 있는 데이터를 파악하는 것입니다. 최소 실행 가능한 데이터 기반이 없으면 AI 프로젝트는 데모 단계에서 멈출 가능성이 높습니다. 많은 중소기업이 먼저 대형 모델 도입이나 지능형 검사 구축을 생각하고 나서, 설비 데이터를 수집할 수 없고 ERP의 자재 코드가 같은 품목을 중복 등록하고 이력 작업지시가 모두 손글씨 사진이라는 사실을 발견하여 3개월 만에 프로젝트가 죽습니다. 아래에서 함정의 논리로 설명합니다.
1. 가장 흔한 오해: 데이터 기반을 방대한 데이터 양과 동일시합니다
많은 사장이 공장이 ERP를 십여 년 운영했으니 데이터가 충분하리라 가정합니다. 실제로 필요할 때가 되어서야 산출 데이터는 ERP에, 설비 상태는 PLC에, 품질 기록은 종이 양식에, 정비 경험은 숙련자 머릿속에 있어 네 가지가 서로 맞지 않는다는 것을 알게 됩니다. AI에 필요한 것은 같은 사물에 대한, 같은 기준의, 출처까지 추적 가능한 데이터이며 하드디스크의 특정 기가바이트 수가 아닙니다. 한 전자 공장이 설비 고장 예측을 원해 3년치 정비 기록을 파냈지만, 고장 코드 철자가 십여 가지이고 같은 알람이 교대조마다 다른 이름으로 기록된 것을 발견했습니다. 그런 데이터를 모델에 먹이면 노이즈를 가르칠 뿐입니다.
2. 실제 함정: 세 가지 데이터 문제가 가장 치명적입니다
첫째, 식별자가 통일되지 않았습니다. 자재, 설비, 작업지시에 고유 코드가 없으면 모든 시스템 간 연결이 끊어집니다. 어떤 자동차 부품 기업에서 사출 작업장과 조립 라인이 별도의 설비 대장을 쓴다고 가정하면, 연속 공정 간 품질 상관관계를 분석하려는 AI는 설비 매칭조차 할 수 없습니다.
둘째, 핵심 단계에 디지털 수집이 없습니다. 많은 소규모 공장의 검사와 실적 보고가 여전히 종이 양식과 채팅방에 의존하여 데이터가 하루에서 이틀 늦고, AI가 실시간 스케줄링이나 자재 부족 경고를 하기에 너무 늦습니다.
셋째, 이력 데이터에 레이블이 없습니다. 비전 검사에는 양품과 불량으로 이미 라벨링된 이미지 세트가 필요하고, 공정 파라미터 최적화에는 각 배치의 최종 품질 결과를 알아야 합니다. 이런 레이블은 대개 체계적으로 정리된 적이 없습니다.
3. 피하는 방법: AI 시나리오를 논하기 전에 데이터 건강 점검을 합니다
2주에서 4주를 들여 경량 데이터 인벤토리를 수행하고 세 가지에 집중하십시오. 자재, 설비, 수주, 품질 기록 같은 핵심 업무 객체에 고유 식별자가 있는지, 핵심 공정의 데이터가 자동 수집인지 수기 입력인지 그리고 얼마나 지연되는지, 목표 시나리오에 필요한 이력 데이터와 레이블이 존재하고 완전한지입니다. 인벤토리 후에는 어떤 시나리오를 지금 할 수 있고 어떤 것은 데이터 수집을 먼저 추가해야 하는지 명확히 알게 됩니다. ERP 시대부터 수십 년간 이 분야에서 일해 왔고 120만 고객에게 서비스를 제공하며 누적 수천만 대의 단말을 배포했고 국내외 시장을 커버하는 벤더는 보통 이런 데이터 성숙도 평가 방법론을 제공할 수 있지만, 도구 하나로 모든 것이 해결되리라 기대하지 마십시오.
4. 좋은 실천: 작은 시나리오에서 시작하고 데이터가 시나리오를 따르게 합니다
AI를 도입하기 전에 통합 데이터 플랫폼을 구축하려 하지 마십시오. 그것은 대기업의 방식입니다. 중소기업에 더 안정적인 경로는 데이터가 비교적 완전하고 가치가 보이는 좁은 시나리오 하나를 고르는 것입니다. 기존 ERP 작업지시 데이터를 활용한 키팅률 경고나 기존 설비 데이터 포인트를 활용한 에너지 이상 알림 같은 것입니다. 하나가 작동하면 경험과 데이터 거버넌스에 대한 자신감을 모두 얻고 그다음 확장할 수 있습니다. 한 문장을 기억하십시오. AI 도입의 첫 단계는 데이터를 일관되고 수집 가능하며 명확히 라벨링되게 만드는 것이고 모델 선택은 그다음입니다.