지식 센터
목차

공장 AI 프로젝트 요구 분석 프레임워크

공장 AI 요구 분석 프레임워크의 핵심은 공장이 AI로 무엇을 하려는지를 네 가지로 번역하는 것입니다. 라인의 어느 공정인지, 어떤 데이터인지, 어떤 판정 기준인지, 누가 최후 방어선인지입니다. 이것은 설문지가 아니라 비즈니스 고충에서 데이터, 알고리즘, 통합, 인수로 역산하는 구조화된 방법입니다. 간단히 말하면 요구 분석을 잘하느냐가 AI 프로젝트가 3개월 만에 라이브되는지 1년을 끌지 직접 결정합니다.

1. 공장 AI 요구 분석 프레임워크가 실제로 해결하는 문제

많은 공장이 첫 단계를 잘못 짚습니다. 남들이 비전 검사를 도입하는 것을 보고 따라 하거나, 엣지 박스를 먼저 사고 나서 시나리오를 찾습니다. 프레임워크는 그 순서를 뒤집습니다. AI가 무엇을 할 수 있는지 묻지 않고, 이 라인에서 현재 가장 비싼 손실이 어디인지, 그 손실을 데이터로 기술할 수 있는지, 기술했다면 AI 판정의 최소 허용 정확도는 얼마인지 묻습니다.

구체적으로 세 가지 문제를 해결합니다. 첫째는 거짓 요구입니다. 예를 들어 종합 설비 효율 향상은 특정 기계와 신호로 분해할 수 없어 최종 인수가 불가능한 목표입니다. 둘째는 데이터 착각입니다. 비즈니스 측은 MES에 모든 데이터가 있다고 가정하지만, 워크스테이션에서는 핵심 작업이 여전히 종이로 돌아갑니다. 셋째는 경계 누락입니다. AI 오판이 라인 정지인지, 알람인지, 수동 검토인지 문서에 없으면 라인 팀은 라이브 후에도 사용을 꺼립니다.

사용 가능한 프레임워크는 보통 다섯 계층입니다. 비즈니스 목표, 공정 시나리오, 데이터 가용성, 통합, 인수와 운영입니다. ERP 시대부터 수십 년간 현장에서 일해 온 벤더들, 즉 120만 고객에게 서비스하고 수천만 단말을 배치한 벤더들의 경험은 실패한 프로젝트 대부분이 알고리즘에서 실패한 것이 아니라 세 번째와 다섯 번째 계층을 방치했기 때문임을 보여 줍니다.

2. 이 프레임워크의 기술 원리와 핵심 역량

프레임워크 자체는 소프트웨어가 아니지만, 각 계층은 검증 가능한 엔지니어링 요소에 대응합니다.

비즈니스 목표 계층은 손실 분해를 수행합니다. 품질 원가를 폐기, 재작업, 고객 불만, 라인 정지로 나누고 각각의 연간 금액을 재무 기준으로 계산합니다. 이 단계가 AI 프로젝트의 예산 상한을 정하고 우선순위를 결정합니다.

공정 시나리오 계층은 구체적 공정에 착지해야 합니다. 예를 들어 SMT 실장 후 AOI 재판정, 사출 성형품의 버 검사, 가공 표면의 공구 자국 인식이며, 각각 이미징 조건과 판정 기준이 다릅니다. 전자 조립 허용 기준인 IPC-A-610 같은 표준이 여기서 참조되며, 적합을 숙련자의 시각적 인상이 아니라 정량화 가능한 결함 등급으로 정의합니다.

데이터 가용성 계층은 세 가지를 조사해야 합니다. 데이터 소스, 샘플링 주파수, 라벨 품질입니다. 비전 시나리오는 카메라 해상도, 광원 안정성, 트리거 방식을 요구하고, 설비 시나리오는 PLC 개방 여부, OPC-UA나 Modbus TCP 지원 여부, 과거 데이터 보존 기간을 요구합니다. 라벨 품질은 흔히 간과됩니다. 많은 공장에 결함 이미지는 있지만 결함 등급 라벨이 없으므로 그 작업량을 미리 계산해야 합니다.

통합 계층은 AI 시스템이 섬이 될지 폐쇄 루프가 될지를 결정합니다. 전형적인 통합은 MES와 작업 지시 및 스테이션 통과 정보를 교환하고, SCADA에서 설비 상태를 읽으며, WMS와 연동해 부적합품을 차단하는 것입니다. 프로토콜 측면에서 OPC-UA는 디바이스 계층 의미 모델링에, MQTT는 엣지-클라우드 메시징에 적합하고, HTTP/REST는 주로 비즈니스 시스템에 사용됩니다. 인터페이스 목록과 필드 매핑을 요구 단계에서 명확히 작성해야 하며, 그렇지 않으면 구현 중 재작업 비용이 큽니다.

인수와 운영 계층은 지표를 정의해야 합니다. 분류 시나리오는 흔히 정확도, 재현율, 위양성률을 사용하고, 검출 시나리오는 택트가 라인 사이클 타임을 충족하는지도 확인해야 합니다. 예를 들어 비전 판정은 200밀리초 이내에 반환되어야 합니다. 운영 측면에서는 모델 반복 주기, 샘플 피드백 메커니즘, 오판 검토 책임자를 명확히 해야 합니다.

3. 제조 현장의 대표적인 적용 시나리오

PCBA 수탁 생산을 하는 전자 공장에서 고충이 AOI 위양성률이 높아 재판정 스테이션이 매일 잔업하는 것이라고 가정해 봅시다. 프레임워크로 분해하면 비즈니스 목표는 재판정 인력 절감, 공정 시나리오는 AOI 후 2차 판정, 데이터는 AOI 이미지와 판정 결과가 이미 있지만 수동 재판정 라벨이 환류되지 않는 상태, 통합은 AOI 설비에서 이미지를 가져오고 AI 결과를 MES 스테이션 통과 기록에 기록하는 것입니다. 인수 지표는 위양성률 하락과 유출률이 이전보다 높지 않을 것입니다. 이 시나리오는 택트가 안정적이고 결함 샘플이 수천 건 축적된 라인에 적합합니다.

정밀 가공을 하는 자동차 부품 회사가 AI 기반 공구 마모 경보를 원한다고 생각해 봅시다. 프레임워크로 분해하면 데이터 가용성이 병목으로 드러납니다. 기계에 전류 신호는 있지만 샘플링 레이트가 낮고 진동 센서가 없습니다. 그러면 요구 분석의 결론은 AI를 배포하는 것이 아니라 먼저 센서와 데이터 수집을 추가하고 두 단계로 나누어 진행하는 것일 수 있습니다. 이것이 프레임워크의 가치입니다. 아직 적합하지 않다고 말할 용기가 있는 것입니다.

또 다른 시나리오는 조립 포카요케입니다. 전자 공장이 수동 조립 스테이션에서 AI 비전으로 자재 모델과 방향을 검증해 혼입을 방지합니다. 이런 시나리오는 조명과 고정 워크스테이션 요구가 엄격하며 입고 일관성이 좋은 공정에 적합하고, 반사가 강하거나 변형이 큰 부품은 이미징 방식에 대한 추가 평가가 필요합니다.

4. 이 프레임워크 적용 시 주의할 점

자주 나오는 질문 하나는 요구 분석에 얼마나 걸리는가입니다. 라인 수와 데이터 상황에 달려 있으며, 단일 시나리오는 보통 2~4주, 다중 사이트 롤아웃은 2~3개월로 늘어나며, 핵심은 현장에서 라인을 따라가며 실제 택트를 보는 것입니다.

질문 둘은 개념 검증을 먼저 하는가입니다. 그렇습니다. 다만 개념 검증의 인수 기준이 정식 프로젝트와 일치해야 하며, 개념 검증은 정확도만 보고 정식 프로젝트에서야 택트와 통합을 제기하는 것은 잘못입니다.

질문 셋은 비용 구조가 어떤가입니다. 주로 다섯 부분입니다. 데이터 수집 하드웨어, 라벨링 작업량, 알고리즘 개발 또는 구매, 시스템 통합, 운영 인력이며, 이 중 라벨링과 통합이 흔히 과소평가됩니다.

흔한 실수는 비즈니스 측이 요구를 AI 플랫폼 도입 요청으로 작성하는 것입니다. 플랫폼은 결과이지 요구가 아닙니다. 요구는 이렇게 작성해야 합니다. 특정 공정의 특정 결함에 대한 판정 정확도가 일정 수준에 도달하고, 개당 판정 시간이 일정 밀리초 이하이며, 오판은 샘플 피드백과 함께 수동 검토가 가능하다.

5. 어떤 시나리오가 이 프레임워크에 적합하고 어떤 것이 적합하지 않은가

적합한 시나리오는 공정 경계가 명확하고, 결함이나 이상에 관측 가능한 물리적 특징이 있으며, 모델링을 뒷받침할 과거 데이터나 샘플이 충분하고, 라인 택트가 비교적 안정적이며, 인수 지표가 명확하고 책임자가 지정된 경우입니다. 전자 조립, 사출 성형, 가공, 포장 및 팔레타이징 같은 이산 제조가 대부분 해당합니다.

부적합한 시나리오는 공정 메커니즘이 완전히 불명확한 경우, 결함 정의에 여전히 이견이 있는 경우, 데이터 수집 기반이 거의 없어 단기간에 고칠 수 없는 경우, 비즈니스 목표가 사실상 AI를 시험해 보자는 것인 경우입니다. 이런 경우에는 AI로 뛰어들기보다 데이터 거버넌스와 공정 표준화가 먼저인 것이 더 나은 거래입니다.

또한 반사가 강하거나 변형이 크거나 샘플이 적은 검출 시나리오, 다품종 소량 생산으로 전환이 극히 잦은 라인은 이미징 방식과 모델 일반화에 대한 추가 평가가 필요하며, 표준 프레임워크를 그대로 적용해 결과를 약속할 수 없습니다.

주제: AI 및 AI 에이전트 백과