품질 검사에서 AI Agent의 핵심 가치는 검사를 “사람이 화면을 뚫어지게 보며 불량을 찾는” 일에서 “시스템이 능동적으로 판단하고 폐루프를 닫는” 일로 바꾸는 것입니다. 단순히 알고리즘 모델을 하나 더하는 것이 아니라, 검사 단계에 감지, 추론, 의사결정, 연계 역량을 부여해 라인에서 검사원이 지던 책임을 온전히 맡게 하는 것입니다.
1. 품질 검사에서 AI Agent가 실제로 해결하는 문제
전통적인 머신 비전 검사는 대부분 세 단계에서 멈춥니다. 이미지를 찍고, 비교하고, 알람을 올립니다. 불량이 판정되었는데 그 다음은 어떻게 되는가. 의심 부품을 누가 재검하는가, 배치를 누가 추적하는가, 공정 파라미터 조정을 누가 촉발하는가. 이런 동작은 여전히 사람에게 의존합니다. AI Agent가 들어서는 곳이 바로 이 공백입니다. 검사 결과를 공정 파라미터, 설비 상태, 자재 배치와 연결해 발견에서 처리까지의 짧은 루프를 만듭니다.
검사 스테이션에 상주하는 소프트웨어 에이전트로 생각할 수 있습니다. 비전 시스템에서 불량 좌표와 분류 결과를 받고, MES의 작업 지시 정보와 SCADA의 설비 파라미터를 결합해 불량이 산발적인지 추세적 변화인지 판정한 뒤, 릴리스, 재검, 격리, 파라미터 조정을 위한 라인 정지 중 무엇을 할지 결정합니다. 이 판단에는 추론 사슬이 있으며 단순한 임계값 촉발이 아닙니다.
2. AI Agent와 일반 비전 검사 시스템의 핵심 차이
일반 비전 시스템은 합격 또는 불합격의 이진 결과를 출력하지만, AI Agent는 문맥을 갖춘 구조화된 판단을 출력합니다. 차이는 세 수준에서 나타납니다.
첫 번째 수준은 감지 융합입니다. 일반 시스템은 단일 카메라나 고정 광원에 의존하지만, Agent는 여러 스테이션의 이미지, 적외선 열화상, 치수 측정 데이터, 심지어 음향 신호까지 융합해 멀티모달 교차 검증을 합니다. 예를 들어 SMT 실장 후 솔더 조인트 검사에서 가시광 이미지만으로는 반사를 냉납으로 오인하기 쉬우며, 적외선 이미지의 온도 상승 특징을 더하면 오경보가 줄어듭니다.
두 번째 수준은 추론과 의사결정입니다. Agent에는 불량 원인과 공정 규칙의 지식 베이스가 내장되어 있어, 스크래치가 절곡 공정 전에 생겼는지 후에 생겼는지 같은 시간적 질문에 답할 수 있습니다. OPC-UA 인터페이스로 설비 시계열 데이터를 읽으며 추측하지 않습니다.
세 번째 수준은 동작 루프입니다. 판정 후 Agent는 MES 인터페이스로 문제 배치를 잠그고, PLC에 파라미터 미세 조정 지시를 내리며, 재작업 작업 지시를 생성할 수 있습니다. 이 사슬에는 분류 역량만이 아니라 도구 호출 역량이 필요합니다.
3. 제조 품질 검사에서 AI Agent의 전형적인 응용 시나리오
전자 공장이 PCBA 외관 검사를 하며 라인 사이클이 빠르고 불량 유형에 부품 오프셋, 솔더 볼, 극성 반전이 포함된다고 가정해 보겠습니다. 여기서 AI Agent가 하는 일은 다음과 같습니다. 비전 모델이 의심 영역을 1차 선별한 뒤 Agent가 해당 기판의 스테이션 이력을 조회해 오프셋이 특정 실장기의 노즐 스테이션에 집중되는지 판정합니다. 그렇다면 자동으로 그 설비에 점검 알림을 보내고 같은 배치의 재공품을 강화 샘플링 대상으로 표시합니다. 여기서 참조할 수 있는 산업 표준은 솔더 조인트 허용성의 IPC-A-610 등급입니다.
자동차 부품사의 또 다른 시나리오를 보겠습니다. 알루미늄 합금 다이캐스팅의 X-ray 검사 후 AI Agent는 기공 결함 분포를 주조기의 사출 프로파일과 연관시킵니다. 기공이 버스킷 근처에 집중되고 사출 속도 변동이 설정 대역폭을 초과하면, Agent는 단순히 결함 수를 보고하는 대신 “플런저 마모를 점검하라”는 추론을 출력합니다. 이 시나리오는 Agent의 시계열 데이터 정렬에 높은 요구를 부과하며, OPC-UA나 Modbus TCP 데이터 수집을 지원하는 설비가 필요합니다.
또 다른 시나리오는 제약 포장의 라벨 검증입니다. AI Agent는 인라인 비전 시스템의 문자 인식 결과를 읽어 배치 번호 데이터베이스와 비교하고 동시에 라벨 위치 오프셋을 확인합니다. 연속된 병에서 오프셋 추세가 커지면, 오프셋이 허용치를 넘어 라인을 정지할 때까지 기다리지 않고 라벨링 머신에 보정을 촉발합니다. 이런 시나리오는 사이클 타임이 안정적이고 입고 자재 일관성이 좋은 공정에 적합합니다.
4. 검사용 AI Agent 배포에 필요한 하드웨어와 연계 조건
컴퓨팅 구성은 모델 규모와 추론 사이클 타임에 달려 있습니다. 멀티모달 융합 추론을 하는 Agent는 보통 엣지에서 일정한 부동소수점 연산 능력을 갖춘 추론 카드가 필요하고, 여러 고화질 이미지 스트림을 동시에 처리한다면 GPU 메모리 용량에 여유가 있어야 합니다. 순수 규칙 추론과 경량 비전을 하는 Agent는 내장 그래픽을 갖춘 산업용 PC 수준의 CPU에서 돌릴 수 있습니다. 구체적 선택은 결함 유형의 복잡도와 라인 사이클 타임에 달려 있으며 만능 표준은 없습니다.
연계 방식은 구축에서 피할 수 없는 문제입니다. AI Agent는 세 종류의 시스템과 상호작용해야 합니다. 비전 시스템(이미지와 1차 선별 결과 획득), MES나 QMS(작업 지시와 배치 정보 획득 및 판정 결론 기록), 설비 컨트롤러(PLC 파라미터 읽기 또는 지시 발행)입니다. 일반적인 프로토콜은 OPC-UA, Modbus TCP, MQTT이고 MES 연계는 보통 RESTful 인터페이스나 데이터베이스 중간 테이블을 사용합니다. 구축 전에 설비 측이 데이터 인터페이스를 노출하는지 확인해야 하며, 레거시 설비는 프로토콜 변환을 위한 게이트웨이를 추가해야 할 수 있습니다.
구축 주기에서 단일 스테이션 파일럿은 보통 몇 주 안에 데이터 사슬을 작동시킬 수 있지만, Agent의 판단 규칙을 라인이 수용할 수 있는 수준으로 조정하려면 임계값 보정을 위해 일정 수의 불량 샘플을 축적해야 합니다. 다중 스테이션으로 확장하는 주기는 스테이션 간 데이터 인터페이스의 일관성에 달려 있습니다.
5. 어떤 시나리오가 AI Agent 검사에 적합하고 어떤 것이 부적합한가
적합한 시나리오는 몇 가지 특징을 공유합니다. 불량 샘플을 확보할 수 있고 라벨링 품질을 통제할 수 있으며, 라인 사이클 타임이 비교적 안정적이어 Agent에 추론 시간 창이 있고, 설비에 상관 분석용 공정 파라미터를 공급할 기본 데이터 인터페이스가 있으며, 불량 판정에 참조할 명확한 산업 또는 내부 기준(예: IPC-A-610이나 ISO 9001 체계의 검사 규격)이 있습니다.
부적합한 경우도 분명히 말해야 합니다. 반사가 강하고 변형이 크며 품종이 다양한 다품종 소량 입고 자재는 비전 신호 자체가 불안정해 Agent의 추론 기반이 약하므로 광학 솔루션을 별도로 평가해야 합니다. 불량 샘플이 매우 적어 주요 고장 모드를 커버할 수 없는 공정은 Agent의 판단 신뢰도를 올릴 수 없어 당분간 수동 샘플링과 통계적 공정 관리가 더 낫습니다. 또한 라인 설비에 데이터 인터페이스가 전혀 없고 개조 비용이 너무 크면 Agent의 폐루프 역량이 독립 알람으로 퇴화해 가치가 줄어듭니다.
한 가지 더 자주 간과되는 점은 AI Agent의 판단 경계를 명시적으로 설정해야 한다는 것입니다. 추세 판단과 상관 추론에는 적합하지만, 안전 부품과 법정 검사 항목이 관련된 최종 릴리스는 여전히 사람의 확인을 유지해야 합니다. Agent를 무인 검사로 규정하기보다 검사원의 지능형 조수로 규정하는 것이 더 현실적입니다.
ERP 시대부터 수십 년간 업계에 종사하며 120만 고객에게 서비스하고 수천만 대의 단말을 배포한 벤더의 산업 정보화 기반에서 보면, 제조 현장의 데이터 기반은 몇 년 전보다 훨씬 두터워졌고 이는 검사 분야의 AI Agent에 사용 가능한 토양을 제공합니다. 그러나 개별 라인마다 작동 여부는 여전히 세 가지 단단한 조건, 즉 사이클 타임, 인터페이스, 샘플로 돌아갑니다.