지식 센터
목차

공장 AI 요구사항 분석 프레임워크: AI 도입의 바람을 배치 가능한 엔지니어링 언어로 번역하기

공장에서 진짜 어려운 점은 AI를 살 수 없다는 것이 아니라, AI가 어떤 문제를 해결해야 하는지를 아무도 명확히 말하지 못한다는 점이다. 구조화된 공장 AI 요구사항 분석 프레임워크는 “우리도 에이전트를 해야 한다”는 모호한 주장을 평가하고 입찰에 붙이고 검수할 수 있는 엔지니어링 항목으로 쪼개기 위해 존재한다.

1. 공장 AI 요구사항 분석 프레임워크란 무엇인가

제조기업이 AI 프로젝트를 시작하기 전에 사용하는 범위 설정 방법이다. 업무 페인 포인트, 데이터 조건, 컴퓨팅 파워와 배포 방식, 기존 시스템과의 인터페이스 관계, 검수 지표라는 다섯 차원에서 작동하며, IT, 생산, 공정 엔지니어링, 설비 보전이 모두 동의할 수 있는 요구사항 명세를 산출한다. 전통적인 IT 요구사항 문서와 달리 세 가지 질문에 추가로 답해야 한다. 이 시나리오에 AI가 정말 필요한가, 어떤 유형의 AI가 필요한가(비전, 시계열 예측, 운영연구 최적화, 대규모 모델 에이전트), 그리고 실패할 때의 폴백 로직은 무엇인가. 한 문장으로 말하면, AI를 뜨거운 개념에서 엔지니어링 과제로 바꾸는 번역기다.

2. 왜 지금 해야 하는가

제조기업의 AI 프로젝트가 실패하는 이유는 대개 알고리즘이 약해서가 아니라 처음부터 요구사항이 틀렸기 때문이다. 현장은 “지능형 스케줄링”을 요구하지만 실제 페인 포인트는 모델 교체 시간이 지나치게 길다는 것일 수 있고, 설비 부서는 “예지 보전”을 요구하지만 가용한 데이터가 진동 파형이 없는 알람 기록뿐일 수 있다. 요구사항 분석 프레임워크의 가치는 이런 불일치를 조기에 드러낸다는 데 있다.

다른 한편 AI Agent의 등장은 요구사항의 경계를 더 복잡하게 만든다. 검사 에이전트 하나에 비전 인식, 지식베이스 질의응답, 작업지시 시스템 쓰기라는 세 가지 능력이 동시에 들어갈 수 있다. 이를 분해해 분석하지 않으면 보기에는 좋지만 생산 현장에서 쓰기 어려운 데모를 만들기 쉽다. 수십 년간 ERP 시대를 함께해 온 벤더로서 120만 고객을 서비스하고 수천만 단말을 배치하며 국내외 시장을 커버해 온 경험도, 제조 현장이 모델의 정교함보다 설명 가능성, 롤백 가능성, 유지보수 가능성을 훨씬 더 요구한다는 점을 보여준다. 핵심은 요구사항 분석이 세밀할수록 이후 재작업이 줄어든다는 것이다.

3. 프레임워크의 핵심 차원과 핵심 역량

1) 업무 페인 포인트 차원. 효율 손실, 품질 손실, 안전 리스크, 지식 손실의 네 범주로 구분한다. 각 범주가 전혀 다른 AI 기술 노선으로 연결되기 때문이다. 품질 손실은 비전 검사에 적합하고, 지식 손실은 대규모 모델 지식베이스와 에이전트에 적합하다.

2) 데이터 차원. 세 가지를 점검한다. 데이터가 이미 수집되고 있는가, 샘플링 주파수가 충분한가, 레이블이 존재하는가. 많은 공장이 대량의 이력 데이터를 보유하지만 어노테이션이 없다. 이 경우 지도학습은 신중히 선택해야 하며, 비지도 이상 탐지나 규칙과 모델의 하이브리드가 더 바람직하다.

3) 배포 차원. 클라우드, 엣지, 라인 측 산업용 PC에서의 로컬 배포는 모델 크기, 추론 지연, 네트워크 의존도에 대해 전혀 다른 요구를 제기한다. 비전 검사 시나리오는 보통 엣지 배포가 필요하고 지연은 수백 밀리초 수준으로 유지해야 한다.

4) 통합 차원. AI 시스템은 MES, WMS, 설비 PLC, SCADA와 연결되어야 한다. 읽기 및 쓰기 권한과 인터페이스 프로토콜은 요구사항 단계에서 확정해야 하며, 그렇지 않으면 가동 후 고립된 쇼케이스로만 남는다.

5) 검수 차원. 모델 지표가 아니라 업무 지표로 검수한다. 예를 들어 미검출률, 오경보율, 스케줄링 제안 채택률, 평균 고장 대응 시간 등이다. 핵심은 다섯 차원 중 하나라도 빠지면 요구사항 문서가 실행 가능하지 않다는 것이다.

4. 대표적인 제조 적용 시나리오 (가정)

전자 공장이 SMT 실장 후 외관 검사를 원한다고 하자. 프레임워크로 검토해 보면 페인 포인트는 오판정률이 높아 재검사 인력이 대량 소모된다는 것이고, AOI 이미지는 이미 존재하지만 불량 샘플이 극히 적으며, 배포는 엣지여야 한다는 것이 드러난다. 요구사항은 결국 모호한 “AI 검사”가 아니라 소수 샷 불량 검출과 사람 검토 루프로 정의된다.

자동차 부품사가 프레스 설비를 보전하려 한다고 하자. 분석 결과 전류와 온도 데이터만 있고 진동 센서는 없으므로, 요구사항은 “잔여 수명 예측”에서 “이상 운전 상태 조기 경보”로 바뀌고, 센서 추가를 위한 단계적 계획이 함께 붙는다.

프로세스 산업 기업이 대규모 모델로 공정 지식 질의응답을 하려 한다고 하자. 프레임워크는 지식 원천이 구조화되어 있는지, 답변이 출처를 인용해야 하는지, 에이전트가 작업지시 시스템에 직접 쓸 수 있는지를 집요하게 묻는다. 이 질문들이 프로젝트가 검색 증강 질의응답이 될지, 운영 능력을 가진 에이전트가 될지를 결정한다. 핵심은 시나리오가 구체적일수록 AI 선정이 흔들리지 않는다는 것이다.

5. 실행 조언과 흔한 함정

첫째, 기술을 고르기 전에 요구사항의 순위를 정한다. 각 시나리오를 페인 강도 곱하기 데이터 준비도로 간단히 점수화하고 높은 점수부터 시작한다. 둘째, 모든 AI 요구사항에 수동 폴백 절차를 붙인다. 특히 안전과 품질 관련 단계에서 그렇다. 셋째, 운영 책임을 요구사항에 명문화한다. 누가 모델 드리프트를 모니터링하고 재학습 주기는 어떻게 되는지를 사전에 합의해야 한다.

흔한 함정은 다음과 같다. AI를 만능약으로 여겨 관리 문제를 가리는 것, 현장 검증 대신 데모 영상을 대신하는 것, 기능만 기술하고 검수 지표가 없는 요구사항 문서를 만드는 것. 핵심은 요구사항 분석 프레임워크 자체가 부서 간 정렬 활동이며, 그 활동이 문서보다 더 가치 있다는 것이다.

6. 전망

첫째, 요구사항 분석이 프로젝트 단위에서 상시 업무로 이동하고 있으며, 더 많은 공장이 이를 연간 디지털화 계획에 편입하고 있다. 둘째, AI Agent가 요구사항 세분화를 더 정교하게 만든다. 작업 오케스트레이션, 도구 호출 권한, 인간-기계 인계 지점이 모두 표준 항목이 될 것이다. 셋째, 엣지 추론과 경량 모델이 확산되면서 프레임워크에서 배포 차원의 비중이 계속 커질 것이다. 제조기업에게는 어떤 단일 모델 버전을 쫓는 것보다 요구사항을 명확히 말하는 것이 더 중요하다.

주제: AI 및 AI 에이전트 백과