공장 AI 요구사항 분석 프레임워크의 핵심은 어떤 작업대에 AI를 쓸 가치가 있고 어떤 작업대는 기존 자동화나 규칙 엔진이 더 적합한지 먼저 구분한 뒤, 데이터 가용성, 택트 타임 허용도, 투자 수익을 기준으로 우선순위를 정하는 것입니다. 이것을 잘못 판단하는 것이 AI 프로젝트가 중도에 멈추는 가장 흔한 이유입니다.
1. 공장 AI 요구사항 분석 프레임워크가 해결하는 문제
많은 공장이 AI 도입의 첫 단계에서 넘어집니다. AI를 만능 해법으로 여기고 가장 복잡한 작업부터 시작했다가 데이터를 수집할 수 없고 택트 타임이 맞지 않으며 수용 기준을 정의할 수 없다는 것을 뒤늦게 알게 됩니다. 요구사항 분석 프레임워크는 어떤 투자도 하기 전에 AI에 실제로 적합한 시나리오를 걸러 내고, AI를 써야 한다는 모호한 생각을 경계가 명확하고 측정 가능한 기준을 갖춘 우선순위 목록으로 바꾸기 위해 존재합니다.
프레임워크의 산출물은 보통 기술 제안서가 아니라 세 개의 표입니다. 시나리오 우선순위 목록, 데이터 준비도 평가, 각 시나리오의 수용 지표 정의입니다. 전자 공장이 SMT 후공정에서 AOI 재판정을 적용하는 가상 사례에서 프레임워크는 먼저 과거 AOI 이미지와 사람의 재판정 라벨이 존재하는지 확인합니다. 라벨이 완전하면 과제를 비전 분류 문제로 분류하고 수용 지표를 오탐률과 미검출률로 설정하며, 라벨이 불완전하면 모델 선정부터 시작하지 말고 라벨링 프로세스를 먼저 구축하도록 권고합니다.
2. 프레임워크의 기술 원리와 핵심 능력
프레임워크의 기본 논리는 점수화와 순위 매기기가 아니라 계층적 필터링입니다. 첫 번째 계층은 시나리오를 AI 과제로 바꿀 수 있는지로, 작업에 명확한 입력과 출력이 있고 이미지, 진동, 온도, 전류, 로그 같은 수집 가능한 신호가 있는지 봅니다. 두 번째 계층은 데이터 준비도로 표본 크기, 라벨 품질, 샘플링 주기를 봅니다. 세 번째 계층은 엔지니어링 실현 가능성으로 지연 요구, 통합 난이도, 현장의 물리적 환경을 봅니다. 네 번째 계층은 경제적 타당성으로 투자, 회수 기간, 편익의 귀속 가능성을 봅니다. 네 계층을 모두 통과한 시나리오만 구현 대기열에 들어갑니다.
핵심 능력은 세 차원에 나타납니다. 첫째는 과제 유형 매칭으로, 요구를 비전 검사, 시계열 예측, 공정 파라미터 최적화, 에이전트형 워크플로 오케스트레이션으로 분류합니다. 유형별로 데이터와 연산 요구가 크게 달라 잘못 맞추면 재작업이 발생합니다. 둘째는 가치 정량화로, 시나리오의 편익을 폐기 감소, 절감된 인시, 회피된 정지 같은 금액으로 환산합니다. 셋째는 위험 평가로, 어떤 시나리오는 실수를 허용하고 어떤 시나리오는 허용하지 않는지 식별합니다. 허용도가 사람 검토 단계의 필요 여부를 결정합니다.
3. 제조업에서 프레임워크를 사용하는 방법: 몇 가지 가상 시나리오
자동차 부품 기업이 다이캐스팅 부품의 표면 결함을 검사한다고 가정합니다. 프레임워크의 첫 단계는 데이터를 봅니다. 현재 산업용 카메라 해상도, 조명 안정성, 결함 샘플 축적 여부입니다. 샘플이 부족하면 명확한 결함에 대해서는 기존 머신 비전과 규칙 기반 판정으로 시작하면서 결함 이미지 라벨링 프로세스를 구축하고, 샘플이 쓸 만한 규모에 도달하면 딥러닝을 도입하도록 권고합니다. 수용 기준은 미검출률과 과검률로 정의하며 각각 임계값을 둡니다.
다음은 전자 공장의 PCBA 테스트 스테이션입니다. 여기서 AI 요구는 흔히 검사가 아니라 테스트 데이터 분석과 고장 원인 귀속입니다. 프레임워크는 이 요구를 시계열 이상 감지와 규칙 엔진의 하이브리드로 분류합니다. 순수 딥러닝은 테스트 실패에 추적 가능한 원인을 제공하기 어렵고 순수 규칙은 새로운 실패 패턴을 포괄하지 못하기 때문입니다. 데이터 준비도 점검은 완전한 테스트 로그와 수리 기록의 존재 여부에 집중하며, 수리 기록이 없으면 라벨도 없습니다.
또 다른 흔한 시나리오는 설비 예측 유지보수입니다. 가공 기업이 스핀들 진동에 집중한다고 가정합니다. 프레임워크는 먼저 묻습니다. 진동 센서 샘플링 레이트가 피처 추출을 지원하는지, 과거 고장 라벨이 있는지, 정지 비용은 얼마인지. 라벨이 부족하면 먼저 건강 기준선을 설정하고 편차를 표시하는 비지도 이상 감지 경로를 권고하며 잔여 수명을 직접 예측하지 않습니다. 이렇게 하면 초기 단계의 과도한 약속을 피할 수 있습니다.
4. 구현에서 자주 나오는 질문
AI 요구는 기존 자동화 요구와 어떻게 다른가. 기준은 입력이 고차원인지, 패턴이 고정 규칙으로 열거하기 어려운지입니다. 고정 택트의 반송과 분류는 기존 자동화가 더 신뢰할 만하고, 결함 형태가 다양하고 작업 조건이 자주 바뀌며 종합적 문맥이 필요한 판단은 AI에 더 적합합니다.
데이터가 충분하지 않아도 시작할 수 있는가. 가능하지만 경로가 달라져야 합니다. 샘플이 적으면 이상 감지, 전이 학습, 소량 샷 접근을 선호하고 동시에 데이터 수집과 라벨링 프로세스를 구축해야 합니다. 그렇지 않으면 모델이 반복 개선될 수 없습니다.
구현 주기는 어느 정도인가. 단일 시나리오 개념 검증은 보통 데이터 준비도와 통합 복잡도에 따라 수 주에서 수 개월이 걸리고, 교차 라인 확장은 인터페이스 수정과 인력 교육 시간이 추가됩니다. 프레임워크의 가치는 이 추정을 명시적으로 만들어 프로젝트 중간에야 알게 되는 일을 막는 데 있습니다.
비용은 주로 어디로 가는가. 엣지 박스나 산업용 PC 같은 연산 하드웨어, 카메라와 센서, 데이터 라벨링, 통합 개발, 지속적 모델 유지보수입니다. 많은 프로젝트가 모델 자체가 아니라 데이터 거버넌스와 현장 통합에서 예산을 초과합니다.
흔한 오해는 무엇인가. 첫째, 실험실 지표를 생산 라인 지표로 착각하고 조명, 진동, 입고 자재 변동을 무시하는 것입니다. 둘째, 데이터 준비도 점검을 건너뛰고 모델 선정으로 바로 가는 것입니다. 셋째, 수용 기준을 좋은 결과로만 쓰고 오탐률, 미검출률, 응답 지연을 정의하지 않는 것입니다.
5. 프레임워크가 적합한 곳과 그렇지 않은 곳
적합한 시나리오는 작업에 명확한 고장 모드와 수집 가능한 신호가 있고, 택트 타임이 엣지 추론을 허용하며, 과거 데이터가 어느 정도 축적되어 있고, 기존 MES와 SCADA와의 인터페이스가 확보된 경우입니다. 비전 포카요케는 택트 타임이 긴 라인에 적합하고 파라미터 최적화는 조건이 비교적 안정적이고 품질 결과를 측정할 수 있는 공정에 적합합니다.
부적합하거나 추가 평가가 필요한 시나리오는 다음과 같습니다. 반사율이 높은 부품과 변형이 큰 부품의 비전 검사는 별도 이미징 평가가 필요하고, 고장 샘플이 매우 적고 정지 비용이 낮은 설비는 투자를 정당화하기 어려울 수 있으며, 메커니즘이 전혀 불명확하고 파라미터와 결과 사이에 상관관계가 없는 공정은 데이터 기반 접근에 적합하지 않습니다. 이런 경우 프레임워크 자체가 구현을 강행하지 말고 보류하도록 권고합니다.