지식 센터
목차

공장 AI 요구 분석 프레임워크

공장 AI 요구 분석 프레임워크의 핵심은 “공장이 AI로 무엇을 하려는가”를 라인의 어느 공정, 어떤 종류의 데이터, 어떤 사이클 타임 아래, 어떤 목표에 대비해 수행할 것인가라는 실행 가능한 목록으로 번역하는 것입니다. 기술 선정 표가 아니라 업무 고통에서 출발해 데이터, 알고리즘, 컴퓨팅, 연계로 층층이 수렴하는 구조화된 질문 방법입니다. 한 문장으로 말하면 공정 수준의 문제를 먼저 확정하고, 데이터 가용성과 AI 역량의 경계로 역산하며, 마지막으로 검증 가능한 라인 지표를 합격 기준으로 삼는 것입니다.

1. 공장 AI 요구 분석 프레임워크가 실제로 해결하는 문제

많은 공장이 AI 도입에서 첫 관문에 막히는 것은 알고리즘이 약해서가 아니라 요구를 명확히 말할 수 없기 때문입니다. 현장은 지능형 검사를 하고 싶다 하고, 설비 부서는 예지 보전을 하고 싶다 하며, 경영진은 원가 절감과 효율 향상을 하고 싶다 합니다. 구현자에게 이 세 문장은 거의 견적을 낼 수 없는 세 가지 일입니다. 요구 분석 프레임워크가 겨냥하는 것이 바로 이 틈입니다. 모호한 요구를 공정, 결함 유형, 데이터 소스, 합격 기준, 응답 시간 한도의 다섯 요소로 분해합니다.

구체적으로 네 가지 질문에 답해야 합니다. 이 AI 작업이 사람의 눈, 사람의 판단, 사람의 손 중 무엇을 대체하는가. 판단 근거가 이미지인지, 시계열 신호인지, 텍스트 작업 지시인지. 한 번 잘못 판단했을 때의 비용은 얼마인가. 라인 사이클 타임이 허용하는 추론 지연은 얼마인가. 이 네 가지 답이 기본적으로 AI 요구가 구현 가능한지 허위 요구인지를 결정합니다. 실무에서 검사 요구가 오판 비용을 말하지 못하면 수용 단계에서 거의 항상 분쟁으로 끝납니다.

2. 이 프레임워크가 포함하는 핵심 분석 차원

업계에서 흔히 쓰는 접근은 시나리오, 데이터, 알고리즘, 엔지니어링의 네 계층 진행이며, 각 계층에 점검 항목이 있습니다.

시나리오 계층은 세 가지를 봅니다. 공정이 고정되어 있는지, 입고 자재가 얼마나 일관적인지, 결함이나 이상에 명확히 판정 가능한 기준이 있는지입니다. 예를 들어 SMT 실장 후 AOI 재판정은 결함 유형에 IPC-A-610 같은 합격 기준을 참조할 수 있어 경계가 명확한 요구입니다. 반면 “솔더링 느낌이 맞는지 판정”처럼 숙련자의 경험에 의존하는 요구는 근시일 내 AI에 적합하지 않습니다.

데이터 계층은 네 가지를 봅니다. 데이터가 이미 디지털화되었는지, 샘플링 주파수가 충분한지, 주석은 누가 하는지, 과거 데이터가 전형적 운전 조건을 포괄하는지입니다. 자동차 부품사가 다이캐스팅 기공 검사를 하려는데 완제품 사진만 있고 X-ray 이미지가 없다면 데이터 소스 자체가 틀린 것이며, 아무리 강한 비전 모델도 이를 보상할 수 없습니다. 설비 진동 모니터링 같은 시계열 요구는 샘플링 레이트가 고장 특징 주파수를 분석하는 데 필요한 자릿수에 도달하는지 확인해야 하며, 저샘플링 데이터는 보통 요구 단계에서 거절해야 합니다.

알고리즘 계층은 작업 유형 매칭을 봅니다. 분류, 검출, 분할, 회귀, 이상 감지는 서로 다른 주석 비용과 수용 방식에 대응합니다. 결함 검출은 보통 객체 검출이나 의미 분할을 사용하고 수용은 미검률과 과검률의 균형으로 판정합니다. 파라미터 최적화 요구는 회귀나 강화학습에 가깝고 수용은 공정 창 안에서의 수렴 속도와 안정성으로 판정합니다.

엔지니어링 계층은 연계 방식을 봅니다. AI 모듈이 MES에 내장되는지, 엣지에 독립 배포되는지, OPC-UA로 SCADA에 연결해 데이터를 받는지입니다. 이 계층이 개조 주기와 라인 정지 위험을 직접 결정하므로 요구 단계에서 명확히 작성해야 합니다.

3. 제조에서 이 프레임워크를 사용하는 방법: 몇 가지 가상 시나리오

전자 공장이 SMT 구역의 리플로우 프로파일 AI 최적화를 도입하려 한다고 가정해 보겠습니다. 프레임워크로 분해하면 시나리오 계층은 리플로우 프로파일과 솔더 조인트 품질의 관계에 IPC 표준을 참조할 수 있음을 확인합니다. 데이터 계층은 노에 이미 열전대 측정과 PCB 통과 기록이 있음을 확인합니다. 알고리즘 계층은 파라미터 권고 회귀 문제로 분류하고, 수용은 권고 프로파일의 냉납률을 현재 기준선과 비교하는 것으로 판정합니다. 엔지니어링 계층은 OPC-UA로 설비에서 실시간 온도를 읽는 것을 확인합니다. 네 계층이 끝나면 요구는 “AI를 배포해 노 온도를 최적화한다”에서 “기존 측정점으로 세 가지 기판 유형에 각각 하나의 프로파일을 권고하고 냉납률은 현재 기준선을 넘지 않는다”로 바뀝니다. 이런 형태가 되어야 구현에 들어갈 수 있습니다.

자동차 부품사의 가상 가공 공장이 공구 마모 예측을 하려 한다고 가정해 보겠습니다. 프레임워크는 먼저 묻습니다. 스핀들 전류나 진동 센서가 있는지, 샘플링 레이트는 얼마인지, 공구 교체 기록이 완전한지, 마모를 기사가 소리로 판단하는지 치수 공차 초과로 판단하는지입니다. 치수 샘플링 데이터만 있다면 더 현실적인 요구는 실시간 마모 예측이 아니라 가공 파라미터와 샘플링 결과에 기반한 공구 수명 구간 추정입니다. 요구를 낮추는 것은 타협이 아니라 프로젝트가 미완으로 남는 것을 막는 일입니다.

또 다른 흔한 시나리오는 조립 라인의 AI 비전 방오입니다. 이런 요구는 사이클 타임 확인에 집중해야 합니다. 작업대 사이클이 3초 미만이면 추론과 통신의 종단 간 지연을 수백 밀리초로 압축해야 하며, 그렇지 않으면 라인이 기다릴 수 없습니다. 동시에 조명이 안정적인지, 부품에 강한 반사나 큰 변형이 있는지 확인해야 하며, 이는 추가 조명이나 다른 이미징 방식이 필요한지를 직접 결정합니다.

4. 구축 시 가장 빠지기 쉬운 함정

첫 번째 함정은 AI를 만능 필터로 보는 것입니다. 실제로 입고 자재 일관성이 나쁘고 이미징 조건이 불안정한 공정에서는 모델을 바꾸는 것보다 광학과 지그를 개선하는 것이 더 많은 성과를 내는 경우가 많습니다. 두 번째는 주석 품질 통제를 놓치는 것입니다. 서로 다른 교대의 사람이 일관되지 않은 기준으로 결함 샘플을 주석하면 모델은 순수한 노이즈를 배웁니다. 세 번째는 합격 기준이 모호한 것입니다. “정확도 95퍼센트”만 쓰고 어떤 샘플 분포에서 미검률과 과검률이 얼마인지 쓰지 않으면 나중에 분쟁을 남깁니다.

연계에서는 요구 단계에서 시스템이 데이터베이스를 읽는지, 메시지 큐를 거치는지, 설비에 직접 연결하는지, 프로토콜이 OPC-UA인지 Modbus인지 벤더 독자 인터페이스인지를 확정해야 하며, 이는 엣지 게이트웨이가 필요한지를 결정합니다. 하드웨어는 비전 요구에서 카메라 해상도와 시야의 매칭을 계산해야 하고, 시계열 요구는 엣지 박스가 대상 모델을 실행할 컴퓨팅을 갖추었는지 확인해야 합니다. 구축 주기는 보통 데이터 준비, 주석, 학습과 튜닝, 라인 시운전의 단계로 산정하며 데이터 준비가 가장 큰 비중을 차지하는 경우가 많아 요구 문서에 별도로 기재하는 것이 좋습니다.

5. 이 프레임워크가 적합한 것과 부적합한 것

적합한 시나리오는 공정 경계가 명확하고, 합격 기준을 판정할 수 있으며, 데이터가 어느 정도 디지털화되어 있고, 오판 비용을 정량화할 수 있는 경우입니다. 전형적인 예는 외관 결함 검사, 치수 측정, 설비 이상 알람, 공정 파라미터 권고입니다.

직접 적용하기 부적합한 시나리오는 공정 메커니즘이 아직 이해되지 않은 복잡한 배합 문제, 입고 자재와 조건 변동이 극심해 과거 데이터가 포괄하지 못하는 공정, 오판 비용이 매우 커서 사람의 검토를 폴백으로 둘 수 없는 단계입니다. 이런 시나리오는 AI 프로젝트를 바로 시작하기보다 데이터 수집과 소규모 타당성 검증을 먼저 하는 것이 좋습니다.

한 가지 더 당부하면, 프레임워크 자체는 답을 만들지 않고 물어야 할 질문을 만듭니다. ERP 시대부터 수십 년간 업계에 종사하며 120만 고객에게 서비스하고 수천만 대의 단말을 배포했으며 국내외 시장을 아우르는 이런 벤더의 경험도 한 가지를 보여줍니다. 요구 분석을 일찍 할수록 나중의 재작업이 적다는 것입니다. 공장 AI 프로젝트의 성패는 대부분 요구 문서 초안을 작성할 때 결정됩니다.

주제: AI 및 AI 에이전트 백과