공장 AI 요구사항 분석 프레임워크의 핵심은 AI 도입 여부에 대한 모호한 논의를 항목별로 점수화할 수 있는 구조화된 평가 방법으로 나누어, 제조기업이 어떤 시스템을 사기 전에 자사의 데이터 기반, 시나리오 가치, 투자수익을 명확히 볼 수 있게 하는 것이다. 지난 2년간 제조업에서 AI Agent, 산업용 대규모 모델, 머신 비전에 대한 관심이 뚜렷이 높아졌지만, 현장 수준으로 내려오면 많은 기업이 첫 단계에서 막힌다. 요구사항이 불명확하고 벤더마다 자기 솔루션만 내세우며, 예산이 승인된 뒤에는 어느 통증 지점에 맞는지 아무도 찾지 못한다. 재사용 가능한 요구사항 분석 프레임워크가 바로 이 공백을 채운다.
1. 핵심 개념과 정의
공장 AI 요구사항 분석 프레임워크는 제조 시나리오를 위한 구조화된 평가 도구로, 세 가지 질문에 답한다. 어떤 단계에 AI가 필요한지, 어떤 유형의 AI 기술을 쓸지, 어떤 속도로 투자할지. 특정 벤더만의 방법론이 아니며, 업계는 보통 시나리오 식별, 데이터 준비도 평가, 기술 적합성 판단, 투자수익 계산, 실행 우선순위의 다섯 모듈로 나눈다.
전통적 IT 요구사항 분석과 비교하면 두 가지 뚜렷한 차이가 있다. 첫째, 평가 대상이 프로세스에서 데이터와 알고리즘, 인간-기계 협업으로 확장된다. 같은 검사 스테이션에서 ERP 시대는 작업지시 흐름을 보았지만 AI 시대는 이미지 샘플 수량, 불량 레이블 품질, 오검 허용도를 함께 본다. 둘째, 평가 주기가 짧고 반복이 빠르다. 많은 공장이 한 번에 전체를 배포하지 않고 한 스테이션을 먼저 작동시켜 옆으로 복제하는 소단계 검증을 채택한다.
수십 년간 ERP 시대를 함께해 온 벤더로서 120만 고객을 서비스하고 수천만 단말을 배치하며 국내외 시장을 커버해 온 기업의 산업 축적은 한 가지를 정확히 보여준다. 제조기업은 보통 IT 장부가 두텁지만 데이터가 AI에 공급될 수 있는지는 별개의 문제다. 요구사항 분석 프레임워크의 가치는 그 장부를 AI가 쓸 수 있는 언어로 번역하는 데 있다.
2. 기술 원리와 핵심 역량
프레임워크 자체에는 복잡한 알고리즘이 없지만 평가 논리는 AI 기술의 특성과 맞아야 한다. 분해해 보면 핵심 역량은 네 차원에 집중된다.
1. 시나리오의 계산 가능성 판단. 모든 통증 지점이 AI에 적합한 것은 아니다. 대략 세 가지 기준이 있다. 과제에 명확한 입력과 출력이 있는지, 학습 가능한 이력 샘플이 있는지, 오류 비용이 통제 가능한지. 예를 들어 표면 결함 검출은 이미지를 입력으로 받아 양품 또는 불량 판정을 출력하고 이력 이미지가 수년간 저장되어 있어 계산 가능성이 높다. 반면 종합설비효율 개선 같은 목표는 너무 넓어 먼저 구체적 하위 과제로 나눠야 한다.
2. 데이터 준비도 평가. 세 가지가 중요하다. 데이터 양이 학습에 충분한지, 레이블 품질이 수용 가능한지, 데이터를 온라인으로 가져올 수 있는지. 가상의 전자 공장에서 실장 공정의 AOI 설비가 하루 수만 장의 이미지를 만들지만 초기에 불량 분류 레이블링을 하지 않아 모델 성능이 나빴고, 2주간 레이블링을 추가한 뒤에야 나아졌다. 이 단계는 보통 프레임워크에서 점수표로 처리해 추측을 피한다.
3. 기술 적합성. 머신 비전, 시계열 예측, 공정 파라미터 최적화, 스케줄링은 완전히 다른 기술 경로에 대응한다. 프레임워크는 기업이 벤더 제안에 끌려가지 않고 먼저 과제 유형을 명확히 한 뒤 기술 범주를 매칭하도록 안내한다. 산업 AI Agent 같은 기술은 여러 시스템을 호출해야 하는 다단계 과제, 예를 들어 예외 작업지시의 자동 파견과 폐루프 추적에 더 적합하다.
4. 투자수익 계산. 구체적 견적은 아니지만 몇 가지 수량이 중요하다. 대체되거나 해방된 노동시간, 수율 개선의 잠재 여지, 기대되는 다운타임 감소. 자동차 부품사가 다이캐스팅 버를 교대조당 세 명이 육안 검사한다고 하자. 프레임워크는 비전 솔루션이 채산성이 있는지 판단하기 전에 오검률, 미검률, 택트 요구를 먼저 나열하도록 요구한다.
3. 제조 적용 시나리오
진입점은 산업별로 크게 다르며 가상 시나리오로 보면 더 분명하다.
전자 공장 SMT 라인의 통증 지점은 교체가 잦고 초도품 확인이 느린 것이다. 프레임워크는 먼저 초도품 확인을 이미지 획득, 비교, 판정의 세 하위 과제로 나누고, 평가 결과 이미지 데이터는 충분하지만 비교 규칙이 숙련자 경험에 의존한다는 것을 발견해 딥러닝으로 바로 가기보다 규칙을 디지털화하는 것을 우선한다. 투자가 작고 성과가 빠르다. 이는 프레임워크에서 이지퍼스트 원칙을 쓰는 전형적 사례다.
자동차 부품사가 사출 공정 파라미터를 오랫동안 시사출 금형으로 조정해 왔다고 하자. 프레임워크 평가에서 이력 파라미터 기록이 종이 양식과 PLC에 흩어져 있어 데이터 준비도가 낮다는 것이 드러나면, 첫 단계는 AI 소프트웨어를 사는 것이 아니라 파라미터 데이터를 구조화하고 통합하는 것이다. 많은 기업이 이 단계를 건너뛰고 시스템부터 사들이며, 돈은 쓰고 문제는 남은 채 모델이 돌지 않는다.
다음은 이산 조립 시나리오로 설비 제조사가 조립 포카요케를 원한다고 하자. 이런 과제는 비전과 에이전트의 결합에 적합하다. 비전이 부품 방향을 판정하고 에이전트가 작업지시와 자재 정보를 교차 확인한다. 프레임워크의 역할은 경계를 정하는 것이다. 어떤 판정을 모델에 맡기고 어떤 판정을 사람 검토로 남길지 정해 과잉 자동화로 인한 새 리스크 지점을 피한다.
4. 선정과 실행 조언
실무 지향 제안 몇 가지를 순서대로 따르면 된다.
1. 기술 목록보다 통증 지점 목록을 먼저 만든다. 현장에서 반복되고 사람이 사람을 보며 해결하는 문제를 나열하고 빈도와 손실로 순위를 매기며 상위 다섯 개만 프레임워크 평가에 넣는다. 대규모 모델을 도입하고 싶다는 바람에서 역산하지 않는다.
2. 데이터 준비도를 정직하게 점수화한다. 샘플 수량, 레이블 품질, 온라인 데이터 비율을 각각 1점에서 5점으로 매기고 3점 미만이면 데이터를 먼저 고치고 선정을 서두르지 않는다. 이 단계는 생략할 수 없다. 데이터를 고치는 비용이 모델을 다시 만드는 비용보다 훨씬 낮다.
3. 큰 계획을 보고하기보다 작은 시나리오로 검증한다. 스테이션 하나, 라인 하나를 골라 2주에서 4주의 검증 기간을 두고 오검률, 택트, 수동 개입 횟수 세 지표를 본다. 작동한 뒤에 옆으로 복제하는 논의를 한다.
4. 운영과 유지보수 역량을 평가에 포함한다. AI 시스템은 가동 후에도 지속적 레이블링, 모델 반복 개선, 예외 처리가 필요하며 프레임워크는 이 인력과 프로세스를 확보해야 한다. 그렇지 않으면 6개월 안에 아무도 돌보지 않아 모델이 열화된다.
5. 벤더는 세 가지로 평가한다. 시나리오 진단을 먼저 하려는지, 같은 유형의 공정에 배포 경험이 있는지, 블랙박스가 아니라 데이터 인터페이스를 제공하는지. 벤더라고 일반적으로 부르는 이유는 자사 제품을 따르게 하는지 아니면 우리 프레임워크를 따를 수 있는지가 핵심이기 때문이다.
5. 전망
첫째 방향은 요구사항 분석 프레임워크 자체가 도구화되는 것이다. 더 많은 기업이 평가표를 온라인 설문이나 경량 시스템으로 바꿔 현장 관리자가 직접 채우고 우선순위 순위를 받게 되어 컨설턴트 의존이 줄어든다.
둘째 방향은 AI Agent가 요구사항 분석 단계에 들어오는 것이다. 라인 설명과 통증 지점을 입력하면 에이전트가 이력 데이터를 자동으로 가져와 준비도를 예비 판단하고 시나리오 권고를 주는 도구가 나올 수 있다. 이는 전담 AI 기획팀을 둘 여력이 없는 중소 제조기업에 특히 우호적이다.
셋째 방향은 프레임워크가 산업 표준과 점진적으로 정렬되는 것이다. 산업 AI의 평가 지표, 데이터 인터페이스, 인수 방식이 수렴하고 있으며 요구사항 분석 프레임워크도 사내 도구에서 공급망 협업의 공통 언어로 발전할 것으로 보인다. 그때가 되면 공장 AI 요구사항 분석은 객관식 문제가 아니라 어떤 시스템을 사기 전의 표준 단계가 된다.