공장 AI 요구 분석 프레임워크의 핵심은 AI를 도입할지에 대한 모호한 논의를 항목별로 점수를 매길 수 있는 체크리스트로 바꾸는 것입니다. 먼저 그 공정에 데이터 기반이 있는지 확인하고, 다음으로 그 문제가 AI 접근에 적합한지 확인하며, 마지막으로 투자 수익과 구현 경계를 산출합니다. 이런 프레임워크가 없으면 공장은 공급업체에 이끌리기 쉽고 결국 사용할 수 없는 알고리즘 모델 묶음을 사게 됩니다. 아래에서는 개념, 원리, 시나리오, 구현 포인트, 적용 경계의 다섯 부분으로 설명합니다.
1. 공장 AI 요구 분석 프레임워크는 실제로 어떤 문제를 해결하는가?
그것은 요구 왜곡 문제를 해결합니다. 공장에서 흔한 장면은 생산 라인은 AI 검사를 원하고, 설비 부서는 예지 정비를 원하며, 경영진은 원가 절감을 원하는데 세 주체가 실제로 같은 이야기를 하지 않는 것입니다. 요구 프레임워크의 역할은 이런 구두 요구를 통일된 차원의 평가 항목으로 번역하는 것입니다. 데이터 완전성, 택트 정합성, 결함 샘플 수, 오판 허용도, MES 및 SCADA와의 통합 방식 등이며, 서로 다른 부서가 같은 표로 대화하게 합니다.
전통적인 자동화 개조 요구 분석과 비교하면 AI 요구 분석은 불확실성 평가 계층을 더합니다. 전통적인 라인 개조는 입력과 출력이 결정론적이지만, AI 모델 성능은 데이터 분포에 의존하며 입고 자재나 조명 변화가 드리프트를 일으킬 수 있습니다. 따라서 프레임워크는 데이터 거버넌스 현황과 모델 반복 메커니즘을 포함해야 하며, 그렇지 않으면 요구 문서는 아름다워 보이지만 실행할 수 없습니다.
2. 이 프레임워크는 어떤 핵심 평가 차원을 포함하는가?
보통 다섯 차원으로 나눌 수 있으며, 각 차원은 단순 체크가 아니라 검증 가능한 기준을 갖습니다.
1. 데이터 기반 차원. 세 가지를 봅니다. 데이터가 수집되었는지(PLC, 센서, 카메라, MES 로그), 샘플링 주파수가 충분한지(시각 검사는 보통 라인 택트와 동기화되어야 하며 예를 들어 3초에 한 프레임), 라벨 품질이 얼마나 좋은지입니다. 제조에서 흔한 전자 조립의 IPC-A-610 외관 기준은 결함 라벨링의 참조 프레임이 될 수 있지만, 라벨 일관성은 여전히 수동 샘플링과 보정이 필요합니다.
2. 문제 유형 차원. 요구를 분류, 검출, 예측, 최적화로 구분합니다. 분류와 검출은 라벨이 명확한 샘플이 있는 시나리오에 적합하며, 예를 들어 SMT 실장 후 솔더 조인트 결함 인식입니다. 예측은 과거 시계열 데이터가 있는 설비에 적합하며, 예를 들어 스핀들 진동 신호로 공구 마모를 예측하는 것입니다. 최적화는 스케줄링과 에너지 소비 같은 다중 제약 문제에 적합합니다. 유형을 잘못 분류하면 이후 모든 선택 결정이 틀어집니다.
3. 통합 차원. AI 시스템과 기존 시스템의 인터페이스 방식을 명확히 합니다. 라인 수준에서는 보통 OPC-UA로 PLC와 통신하고, 작업장 수준에서는 MES에 연결해 작업지시와 자재 배치를 얻고, 품질 수준에서는 QMS에 연결합니다. 공장이 10년이 넘은 설비를 아직 운영 중이라면 Modbus를 지원하는지 게이트웨이를 추가해야 하는지 먼저 확인해야 하며, 이 단계는 자주 간과됩니다.
4. 택트와 실시간 차원. AI 추론 지연은 그 공정의 택트 여유보다 작아야 합니다. 전자 공장의 AOI 스테이션 택트가 8초라고 가정하면 모델 추론과 이미지 전송을 2초 이내로 유지해야 하며, 그렇지 않으면 라인 논리를 바꿔야 합니다. 엣지에 배포할지 클라우드에 배포할지도 이 차원에서 결정됩니다.
5. 투자 수익 차원. 비용 구조에는 카메라, 광원, 산업용 PC, GPU 같은 하드웨어, 소프트웨어 라이선스, 라벨링 인건비, 통합 구현, 지속 운영이 포함됩니다. 첫해만 계산하지 말고 모델 드리프트 이후 재라벨링과 재학습에 대한 예산을 반드시 남겨야 합니다.
3. 제조 현장에서 어떤 시나리오를 이 프레임워크로 먼저 걸러볼 가치가 있는가?
자동차 부품 회사가 기계 가공에서 공구 수명 예측에 AI를 쓰려 한다고 가정합니다. 프레임워크로 걸러보면 데이터 기반은 공작 기계에 진동 센서와 스핀들 전류 수집이 이미 있고 샘플링 주파수도 충분합니다. 문제 유형은 과거 공구 교체 기록이 완전한 예측 문제입니다. 통합은 OPC-UA로 기계 상태를 얻을 수 있습니다. 택트는 예측 갱신이 분 수준이라 실시간 압력이 낮습니다. 투자 수익은 계획 외 공구 교체로 인한 정지 손실을 추정할 수 있습니다. 다섯 중 넷이 통과하므로 파일럿을 할 가치가 있습니다.
전자 공장이 리플로우 후 AOI에 AI 재판정을 도입하려 한다고 가정합니다. 프레임워크로 걸러보면 데이터 기반은 AOI 설비 자체가 이미지를 생성하지만 결함 샘플이 적고 오경보 샘플이 많습니다. 문제 유형은 검출 문제이며 샘플 정제가 먼저입니다. 통합은 AOI 공급업체가 이미지 인터페이스를 개방하는지가 핵심 장애물입니다. 택트는 재판정이 라인 택트 안에 완료되어야 하므로 엣지 컴퓨팅에 요구가 생깁니다. 이 시나리오는 불가능하지 않지만 샘플과 인터페이스라는 두 가지 전제를 먼저 해결해야 합니다.
또 다른 범주는 창고의 AI 시각 계수로 분류와 계수 문제이며, 데이터 기반은 보통 좋지만 화물이 심하게 겹쳐 가림이 심하면 정확도가 눈에 띄게 떨어지므로 프레임워크의 문제 유형 차원에서 경계 조건을 표시해야 합니다.
4. 구현 중 가장 쉽게 빠지는 함정은 무엇인가?
첫 번째 함정은 POC를 납품으로 간주하는 것입니다. POC 단계에서 깨끗한 샘플로 높은 정확도를 얻는 것은 어렵지 않으며, 어려운 것은 양산 환경의 입고 자재 변동, 조명 변화, 설비 진동입니다. 요구 프레임워크는 테스트 세트의 지표가 아니라 연속 생산 조건에서의 오판율과 미검출률을 검수 조건으로 명시해야 합니다.
두 번째 함정은 라벨링 체계를 소홀히 하는 것입니다. AI 검사의 병목은 종종 알고리즘이 아니라 결함 정의의 불일치입니다. 같은 스크래치를 A 교대조는 허용, B 교대조는 폐기로 판정하면 모델은 혼란을 학습합니다. 요구 단계에서 품질 부서를 참여시켜 결함 분류 기준을 확정하고, ISO 9001의 품질 기록 요구를 참조해 라벨링 규격을 작성하는 것이 바람직합니다.
세 번째 함정은 통합을 과소평가하는 것입니다. 많은 공장이 AI 소프트웨어를 사서 설치하면 된다고 생각하지만, 실제로는 PLC, MES, QMS를 모두 연결해야 하고 일정과 인력이 종종 예상을 초과합니다. 프레임워크의 통합 차원은 명확한 인터페이스 목록과 담당자를 지정해야 합니다.
네 번째 함정은 운영 유지보수의 부재입니다. 모델 가동이 끝이 아니며, 라인 전환과 자재 배치 변경이 모두 성능을 떨어뜨릴 수 있습니다. 요구 문서에는 누가 모니터링을 담당하고, 얼마나 자주 평가하며, 재학습 데이터가 어디서 오는지 명확히 적어야 합니다.
5. 어떤 시나리오가 이 프레임워크에 적합하고 어떤 것이 부적합한가?
적합한 시나리오: 택트 타임이 안정적이고, 입고 자재 일관성이 좋으며, 기존 데이터 수집 기반이 어느 정도 있고, 결함이나 이상에 대한 검수 기준이 명확한 제조 공정으로, 전자 조립의 솔더 조인트 검사, 기계 가공의 표면 결함 인식, 사출 성형품의 치수 분류 등입니다. 이런 시나리오는 프레임워크로 걸러보면 실행 가능성을 빠르게 판단할 수 있습니다.
신중히 평가해야 하는 시나리오: 반사가 강하고 변형이 크며 다품종 소량 생산인 공정은 AI 비전의 안정성이 떨어집니다. 설비가 노후하고 데이터 인터페이스가 없는 라인은 통합 비용이 AI 자체 가치를 초과할 수 있습니다. 결함 샘플이 극히 적고 시뮬레이션하기 어려운 시나리오, 예를 들어 일부 안전 부품의 고장 모드는 데이터 축적 기간이 매우 길어집니다.
직접 적용해서는 안 되는 시나리오: AI를 만능약으로 간주해 요구 자체가 불명확한 경우, 또는 전통 규칙과 통계적 공정 관리로 해결 가능한 문제, 예를 들어 단순 치수 공차 초과 경보에 AI를 배포하는 것은 과잉 설계입니다.
이 프레임워크의 가치는 예 또는 아니오를 주는 것이 아니라 공장이 요구 단계에서 데이터, 통합, 택트, 비용의 네 가지 회계를 정리하게 하는 것입니다. ERP 시대 이후 수십 년의 축적, 120만 고객, 수천만 대 단말 배포를 가진 업계 축적도 한 가지를 보여줍니다. 현장의 디지털 기반이 두터울수록 AI 요구 분석이 더 정확해집니다. 프레임워크는 자사 라인의 실제 조건을 재는 자입니다.