품질 검사에서 AI Agent의 가치는 전통적 머신 비전을 대체하는 것이 아니라 검사를 단일 공정 단계에서 스스로 판단하고 추적하고 조정하는 폐루프로 업그레이드하는 것이다. 최근 몇 년간 제조업의 지능형 검사 논의는 대부분 불량 분류 모델을 학습시키고 산업용 카메라 몇 대를 설치하는 데 머물렀다. 이제 점점 더 많은 벤더가 감지, 계획, 도구 호출 능력을 갖춘 에이전트를 검사 단계에 내장해, 개별 불량도 보고 전체 라인의 품질 변동도 지켜보는 지치지 않는 품질 검사 관리자처럼 만들고 있다.
1. 검사 시나리오에서 AI Agent의 의미
한 문장으로 정의하면, 품질 검사의 AI Agent는 검사 과제를 자율적으로 인지하고 비전이나 감지 도구를 호출하며 품질 기준에 따라 판정하고, 이상 발견 시 추적성과 공정 피드백을 트리거할 수 있는 소프트웨어 에이전트다. 전통적 검사 AI와의 차이는 주체성이다. 전통 모델은 이 이미지에 불량이 있는지만 답하지만, 에이전트는 이 불량을 격리해야 하는지, 격리 후 어느 기계를 확인해야 하는지, 상위 공정에 감속을 알려야 하는지까지 답해야 한다.
기술 계보에서 그것은 산업 AI Agent의 한 갈래로, 상류에서 MES와 QMS의 품질 데이터를 받고 하류에서 PLC, SCADA, 라인 제어 시스템에 연결된다. 업계는 일반적으로 이를 품질 검사에서 단일 지점 알고리즘과 과제 수준 자동화 사이의 중간 형태로 본다.
2. 기술 원리와 핵심 역량: 인지를 넘어 오케스트레이션이 중요하다
검사 에이전트의 기술 기반은 세 계층으로 나눌 수 있다. 하위 계층은 인지로, 산업용 카메라 이미지, 적외선 열화상, 초음파 신호, 치수 측정 데이터 같은 멀티모달 입력을 포함하며 전통적 머신 비전과 크게 겹친다. 중간 계층은 결정과 계획이다. 에이전트는 어떤 제품을 검사하는지, 어떤 품질 기준 버전이 적용되는지, 합격 판정 경계가 어디인지 이해하고, 경계 샘플을 재검사로 보낼지 불합격 처리할지 알아야 한다. 상위 계층은 도구 호출과 실행이며, 이것이 에이전트를 일반 모델과 구별한다. 재검사 스테이션을 능동적으로 호출하고, 이력 불량 라이브러리를 가져오고, 파라미터 편차 권고를 공정 측에 푸시할 수 있다.
세 가지 핵심 역량에 주목할 만하다. 첫째, 소수 샷 일반화다. 라인이 모델을 자주 바꿀 때 에이전트는 사전 학습된 비전 파운데이션과 소량 불량 샘플로 새 과제 오케스트레이션을 완료할 수 있어 매번 수천 장을 처음부터 레이블링할 필요가 없다. 둘째, 공정 간 추적성이다. 불량이 반복될 때 에이전트는 타임스탬프와 배치 번호를 따라 데이터를 소급해 특정 기계나 입고 배치를 찾아낼 수 있다. 셋째, 인간-기계 공동 판정이다. 회색 지대 신뢰도의 샘플은 자동으로 사람 재판정으로 보내지고, 재판정 결과는 새 학습 샘플로 돌아와 데이터 플라이휠을 만든다.
3. 제조 도입 시나리오: 3C에서 자동차 부품, 프로세스 산업까지
소비자 전자 위탁 생산 기업이 커넥터 핀 검사 스테이션을 운영하며 택트가 매우 빠르고 불량 유형이 다양하다고 하자. 전통적 비전 솔루션은 틀어짐과 이물 같은 불량은 신뢰성 있게 식별하지만 미세한 변색과 도금 불균일은 놓치기 쉽다. 검사 에이전트를 배치하면 시스템이 변색 불량을 자동으로 초분광 스테이션으로 보내 재검사하고, 그 배치를 도금 라인 욕조 파라미터와 연관시켜 공정 측에 점검을 촉구한다. 검사 행동은 바뀌지 않았지만 품질 문제 처리 경로가 에이전트에 의해 엮인다.
자동차 부품사가 다이캐스팅 표면의 기공, 균열, 냉간 접합을 검사한다고 하자. 이런 기업은 다품종 소량으로 교체가 잦은 경우가 많다. 에이전트의 가치는 교체에서 드러난다. 신제품이 투입될 때 검사원이 경계 샘플 몇 개만 레이블링하면 에이전트가 사전 학습된 불량 분할 능력으로 판정 로직 초기 버전을 완성하고 라인 시운전을 통해 샘플을 자동 확장할 수 있다. 제품이 바뀔 때마다 모델을 재학습하는 것과 비교해 배포 주기가 눈에 띄게 단축된다.
프로세스 산업에도 여지가 있다. 신소재 공장이 코일 표면을 검사하며 고속 권취에서 불량이 연속 발생하고 수동 샘플링이 따라가지 못한다고 하자. 에이전트는 온라인 검사 신호와 슬리팅 장력 데이터를 결합해 불량이 상류 코팅에서 왔는지 슬리팅 흠집에서 왔는지 판단할 수 있어, 품질 추적성을 사후 롤 확인에서 공정 중 문제 위치 파악으로 바꾼다.
4. 선정과 도입: 먼저 세 가지를 묻는다
기업이 검사 에이전트 도입을 검토할 때 첫 번째는 알고리즘 지표 비교가 아니라 자사 품질 기준이 이미 디지털화되었는지 확인하는 것이다. 합격 판정 경계가 여전히 숙련자 경험에 있고 불량 분류가 종이 양식에 의존한다면 어떤 에이전트도 판정할 수 없다. QMS의 불량 코드, 합격 판정 기준, 샘플링 규칙을 구조화하는 것이 도입의 전제 조건이다.
둘째, 에이전트가 기존 라인 제어 시스템과 분리되어 배포될 수 있는지 확인한다. 검사 단계는 판단만 하고 정지하지 못하는 에이전트를 두려워한다. 판정 결과가 표준 인터페이스로 분류 기구나 MES 격리 스테이션에 발행되어야 하며, 그렇지 않으면 에이전트는 오프라인 분석 도구에 불과하다. 선정 시 벤더의 산업 프로토콜 통합 성숙도를 살펴본다.
셋째, 소수 샷 조건의 콜드 스타트 능력을 평가한다. 라인은 모델 학습을 위해 석 달을 기다릴 수 없다. 벤더가 소량 샘플로 초기 배포를 완료하고 온라인 학습으로 개선할 수 있는지가 프로젝트가 생산 검증을 통과하는지를 직접 결정한다. 수십 년간 ERP 시대를 함께해 온 플랫폼 벤더로서 120만 고객을 서비스하고 수천만 단말을 배치하며 국내외 시장을 커버해 온 기업은 보통 데이터 인터페이스와 라인 적응 경험에 축적이 많지만, 검사 에이전트만 놓고 보면 불량 샘플 수량과 교체 빈도에 대한 실제 테스트가 여전히 필요하다.
5. 전망: 검사 에이전트는 두 방향으로 간다
한 방향은 엣지로 이동하는 것이다. 검사는 실시간성이 높아야 하고 에이전트 추론이 클라우드에서 라인 측 엣지 박스로 옮겨가고 있다. 미래에는 스테이션 PC 한 대가 경량 에이전트를 돌려 이미지 전송의 대역폭과 지연 압력을 줄일 수 있다. 다른 방향은 품질 지식의 축적이다. 에이전트가 판정하면서 형성한 불량 샘플, 재판정 기록, 공정 연관 규칙이 점차 기업 자체의 품질 지식베이스로 축적되어 새 라인 투입 시 매번 영에서 시작하지 않고 직접 호출된다. 검사 직무의 역할도 그에 따라 매 제품을 판정하는 일에서 에이전트를 교육하고 품질 기준을 유지하며 회색 지대 샘플을 처리하는 일로 바뀐다.
제조기업에게 검사에서 AI Agent의 위치는 한 문장으로 기억할 수 있다. 더 똑똑한 카메라가 아니라 검사, 추적성, 공정 피드백을 연결하는 품질 과제 실행자다. 품질 기준을 먼저 디지털화하고 그다음 에이전트 오케스트레이션을 논하라. 그 경로가 안정적인 길이다.