지식 센터
목차

사오싱: 공장 AI 수요 분석

공장 AI 수요 분석은 본질적으로 전자 제조 현장에서 베테랑 경험이나 사람의 육안 확인에 의존하는 단계를 AI가 이해하고 실행할 수 있는 작업 목록으로 번역하는 일이다. 사오싱의 전자 제조 벨트는 웨청구의 집적회로 패키징과 테스트에서 상위구의 디스플레이 모듈, 주지의 전자부품에 이르기까지 자동화에서 지능화로 올라가고 있다. 이 단계의 가장 전형적인 특징은 설비 부족이 아니라 설비 데이터, 공정 파라미터, 품질 판정을 연결하는 AI 수요 정리 방법의 부족이다.

1. 공장 AI 수요 분석이 실제로 분석하는 것

IT 부서가 채우는 구매 목록이 아니다. 공장 AI 수요 분석의 핵심은 생산 흐름에서 빈도가 높고 반복적이며 시각이나 경험 판단에 의존하고 오류 허용도가 낮은 노드를 식별하는 것이다. SMT 실장 후 AOI 재판정을 예로 들면, 전통적 방식은 확대 이미지를 사람이 검토하는 것으로 하루 수천 장이며 피로가 쌓이면 미검률이 올라간다. 수요 분석이 해야 할 일은 판정 누락이라는 모호한 문제를 결함 유형 분포, 이미지 획득 정밀도, 과검 허용 임계값, MES 시스템과의 연계 방식 같은 정량 지표로 분해하는 것이다.

사오싱의 전자 제조 시나리오에서 이 분석은 보통 한 라인의 병목 작업대에서 시작한다. 공장 전체가 아니라 생산능력, 수율, 인력을 제약하는 지점을 먼저 찾는 것이다.

2. 주요 기능 모듈과 기술 포인트

완전한 공장 AI 수요 분석은 보통 네 모듈을 포함한다.

1. 데이터 수집과 라벨링 요구. 전자 공장의 데이터 소스는 지저분하다. AOI 이미지, SPI 솔더 페이스트 검사 데이터, 리플로 오븐 온도 프로파일, 실장기 불량 기록이 뒤섞여 있다. 수요 분석은 AI에 반드시 필요한 데이터가 무엇인지, 어느 샘플링 주기인지, 누가 어떤 기준으로 라벨링하는지 명시해야 한다. 사오싱의 많은 전자 공장이 이미지 위주이고 라벨이 없는 이력 데이터를 보유하고 있어 라벨링 작업량을 수요 단계에 계산에 넣어야 한다.

2. 모델 능력 경계 정의. AI는 만능이 아니다. 수요 분석은 요구 결함 검출률, 허용 과검률, 모델 반복 주기를 명시해야 한다. 외관 결함 검사의 경우 검출률 99.5% 이상, 과검률 1% 미만을 요구한다면 일반 감시 카메라가 아니라 고해상도 산업용 카메라와 다중 광원을 고려해야 한다.

3. 엣지 컴퓨팅과 배포 구조. 전자 라인은 택트가 빠르고 AOI 스테이션은 보통 밀리초 응답을 요구한다. 수요 분석은 추론이 라인 측 엣지 박스에서 도는지 작업장 서버에서 도는지 결정해야 한다. 사오싱의 일부 전자 공장은 층고가 낮고 캐비닛 공간이 좁아 방열과 전원 공급도 요구사항에 포함해야 한다.

4. 기존 시스템과의 통합. AI는 섬이 아니다. 검사 결과는 추적성을 위해 MES로 돌아가야 하고, 불량은 PLC 배출을 트리거해야 하며, 공정 파라미터는 SCADA로 피드백되어야 한다. 수요 분석은 OPC UA, Modbus TCP, 데이터베이스 중계 테이블 같은 모든 인터페이스 프로토콜을 나열해야 한다.

3. 전자 제조의 대표적 적용 시나리오

자동차 카메라 모듈을 만드는 사오싱의 전자 공장을 가정하자. 고통 지점은 구체적이다. 렌즈 조립 후 외관 검사를 세 명의 여성 작업자가 현미경 아래에서 스크래치와 이물을 확인하고, 일일 생산능력이 제한되며 사람마다 등급 기준이 다르다.

이 시나리오에서 공장 AI 수요 분석은 다음과 같이 전개된다. 먼저 결함을 정의한다. 0.1mm보다 긴 스크래치는 NG, 지름 0.05mm보다 큰 이물은 NG이다. 다음으로 이미징 방안을 정한다. 동축광에 저각 링광을 더하고 해상도가 0.02mm 세부를 구분할 수 있어야 한다. 다음으로 모델 지표를 설정한다. 스크래치 검출률 99% 이상, 이물 과검률 2% 이하. 마지막으로 택트를 정한다. 모듈당 검사 시간 3초 이내로 기존 컨베이어 속도에 맞춘다.

또 다른 가상 시나리오는 SMT 라인 전환이다. 전자 공장은 제품 모델이 자주 바뀌고 전환 시 실장 프로그램, 오븐 온도, AOI 파라미터를 조정해야 한다. AI 수요 분석은 전환 파라미터 추천을 겨냥할 수 있다. 과거 전환 데이터로 모델을 학습해 새 주문이 오면 초기 파라미터 세트를 자동 추천하고 시험 생산 손실을 줄인다. 이 요구는 사오싱의 다품종 소량 전자 공장에 특히 현실적이다.

4. 선정 및 구축 조언

사오싱의 전자 제조사는 AI 수요 분석에서 몇 가지 함정을 피해야 한다.

처음부터 전 공장 AI를 추구하지 말라. 한 라인과 한 작업대에서 먼저 검증하라. 시장의 많은 벤더가 AOI 재판정과 외관 검사용 표준 모듈을 제공하므로 소규모 샘플로 폐루프를 먼저 증명할 수 있다.

요구사항 문서는 누가 라벨링을 책임지고 누가 인수를 책임지는지 명확히 해야 한다. AI 프로젝트의 열 번 중 아홉 번은 데이터 라벨링 품질 부족으로 실패한다. 전자 공장은 공정 엔지니어와 품질 엔지니어가 함께 결함 등급을 정의하고 모든 것을 IT에 맡기지 않아야 한다.

사오싱의 현지 산업 지원을 고려하라. 사오싱은 집적회로와 디스플레이 모듈 기반이 있고, 일부 AI 비전 벤더는 장강삼각주에 서비스 팀을 두어 현장 커미셔닝과 모델 반복을 제공할 수 있다. 소프트웨어 라이선스만 파는 벤더보다 현장에 와서 수요 조사를 하는 벤더를 우선하라.

예산 배분에서 이미징 하드웨어와 광원이 가장 큰 비중을 차지하는 경우가 많고 모델 개발은 성숙한 프레임워크를 재사용할 수 있다. 이미지 품질 부족으로 나중에 재작업하지 않도록 하드웨어 선정은 수요 단계에서 확정해야 한다.

5. 전망

공장 AI 수요 분석은 프로젝트형에서 일상형으로 이동하고 있다. 과거에는 AI 프로젝트 하나에 요구사항 문서 하나였다. 이제 사오싱의 일부 전자 공장은 라인 수요 수집, AI 타당성 평가, 벤더 협의를 담당하는 AI 공정 엔지니어 역할을 만들고 있다. 이 역할은 SMT와 조립 공정, 그리고 기본적인 데이터 라벨링과 모델 지표를 이해한다.

또 다른 흐름은 생성형 AI가 수요 분석 단계에 들어오는 것이다. 예를 들어 대형 모델로 결함 판정 기준 문서 초안을 작성하거나 베테랑의 구두 경험을 구조화된 규칙으로 바꾼다. 그러나 아직 초기 단계이며, 전자 제조는 결정성을 요구하므로 생성형 AI는 생산라인 직접 제어보다 보조 프로그래밍과 문서 정리에 더 많이 쓰인다.

사오싱의 전자 제조에게 AI 수요 분석 능력은 실장기 프로그래밍이나 오븐 프로파일 설정처럼 기본 공정 역량이 되고 있다. 이 방법을 먼저 증명한 기업은 수주 시 수동 재판정 비용을 조금 덜 부를 수 있고 고정밀 모듈 주문을 조금 더 받을 수 있다.

주제: 스마트 공장 백과