[헬로티]

 

산업 AI는 OT와 IT의 융합에서 중요한 역할을 할 것이다. 그리고 앞으로 더 많은 AI 적용 사례가 나올 것이며, 특히 클라우드 상에서 AsA Service 형태로 제공하는 사례도 더욱 많아질 것으로 보인다. 이번 하노버메세 2021에서도 거의 모든 분야에서 AI가 등장하고 있었다. 지난 4월, 산업 AI와 데이터, 그리고 Gaia-X에 대해 마키나락스 윤성호 대표와 SAP 정대영 본부장이 ‘하노버산업박람회 2021 심포지엄’에서 강연한 내용을 토대로 하노버메세 2021이 주는 시사점을 정리했다.

 

 

반도체 생산라인은 제조업 중에서 가장 고도화된 생산라인이라고 할 수 있다. 업계에 따르면 반도체 생산라인을 구축하는 데 16조 원 정도 들며, 인프라를 제외한 장비 가격만 약 10조 원에 달한다. 반도체 제조업체들은 고도화된 장비를 사용함에도 불구하고 여전히 수율이나 예기치 못한 장비 고장, 최적화 등에 많은 고민을 안고 있다. 그래서 최근에는 인공지능(AI) 기술을 활용해서 이러한 문제를 해결하려는 시도들이 점점 늘고 있다.

 

우선, 공장을 보면 수백 억 개 이상의 장비들이 연결되어 있고, 그 연결된 장비들을 통해서 엄청난 데이터들이 쏟아져 나온다. 또한, 수백에서 수천 억 개에 달하는 매개 변수들을 효과적으로 학습할 수 있는 딥러닝 기술을 활용하고 있다. 제조업들은 데이터와 인공지능 기술 결합을 통해서 23% 매출 증가와 18% 비용 절감을 할 수 있을 것으로 기대하고 있다. 업계는 제조업에서의 인공지능 시장은 연평균 40% 이상 가파르게 성장하며 2025년에는 17조 원에 달할 것으로 예상한다.

 

산업 AI란

 

산업 AI란 무엇인가? 이해를 돕기 위해 소비자 중심의 AI와 산업 AI를 비교하여 살펴보겠다. 먼저, 소비자 중심의 AI는 인간 지능과 관련된 작업에 집중하는 것을 목표로 한다. 소비자 중심이다 보니 인간이 해석할 수 있는 사진, 비디오, 음성, 텍스트나 개인 정보 보호 문제 등을 대상으로 한다. 애플리케이션도 언어 번역, 자율주행, 비디오 감시 등 다양하게 쓰이고 있다.

 

반면, 산업 AI는 인간의 지능으로 거의 다룰 수 없는 수율 향상, 최적화와 같은 산업 문제에 주로 집중한다. 예를 들면, 장비 고장의 경우 센서 데이터가 한두 개라면 사람이 보고 진단할 수 있지만 1000개, 10000개 이상이 되는 순간 인간의 지능이 제약될 수밖에 없다. 그것을 AI로 해결하겠다는 것이다. 더 나아가 장비에서 나오는 데이터를 AI로 분석해 예지 정비나 결함 감지, 프로세스 최적화까지 이루는데 사용될 수 있다.

 

그러면 산업 AI를 활용해서 어떤 일들을 할 수 있을까? 여기에는 크게 4가지로 분류해볼 수 있다. 첫째, 예지 보전(Predictive Maintenance)이다. 예상치 못한 장비의 고장을 최소화하는 것을 목표로 하고 있다. 둘째, 품질검사(Quality Inspection)이다. 불량을 AI로 잡아내겠다는 것이다. 셋째, 제어와 최적화(Control & Optimization)이다. 예를 들면, 제조 디자인단의 최적화, 운영의 최적화, 프로세스의 최적화, HVAC(공조시스템)의 최적 제어 등에 활용될 수 있다. 넷째, 예측분석(Predictive Analysis)이다. 즉, 수요를 예측하다든지 발전을 예측하는 것을 말한다.

 

이처럼 AI의 활용 분야가 매우 넓다 보니 이번 하노버메세에서도 거의 모든 분야에서 AI가 등장하고 있었다. 가장 대표적인 사례가 클라우드이다. AI를 위해서 클라우드를 써야 되는 이유를 3가지로 살펴볼 수 있는데, 첫째 많은 양의 일(Heavy workload), 둘째 데이터 집약성(Data intensiveness), 셋째 확장성(Scalability)을 들 수 있다.

 

오픈AI라는 미국 인공지능 연구소에서 발표한 내용을 보면, 최근 3~4개월 사이에 컴퓨팅 양이 두 배씩 증가하고 있으며, 회로의 집적도 또한 빠른 속도로 높아지고 있다. 그런 측면에서 AI와 클라우드는 분리해서 생각할 수 없다.

 

이번 하노버메세에서도 아마존, 구글을 비롯한 선도 클라우드 업체들이 참가하여 관련 제품과 서비스를 소개했으며, 클라우드 에코 시스템 구축을 위해 파트너사와의 협력 사례도 적극 소개하는 등 산업 클라우드 경쟁이 심화되는 모습을 볼 수 있었다.

 

 

대표적인 산업 AI 적용 사례

 

아마존웹서비스(AWS)는 단순히 클라우드 컴퓨팅을 위한 인프라 제공을 넘어 산업 AI 솔루션을 직접 만들기 시작했다. 지난해 12월, 아마존웹서비스는 5가지 새로운 머신러닝 서비스인 △아마존 모니트론(Amazon Monitron), △아마존 룩아웃 포 이큅먼트(Amazon Lookout for Equipment), △AWS 파노라마 어플라이언스(AWS Panorama Appliance), △AWS 파노라마 SDK(AWS Panorama SDK), △아마존 룩아웃 포 비전(Amazon Lookout for Vision)을 발표했고 하노버메세 2021에서 그 솔루션에 대한 사례를 소개했다.

 

구글 클라우드는 AI 기반 Visual Inspection(AIVI)이 적용된 사례를 공격적으로 소개했다. 대표적인 예로, LG CNS는 구글 클라우드 AI 솔루션을 접목해 불량 탐지의 정확성을 99% 높였다. 구글은 또 직접 만든 Pre-trained ML Models & AutoML을 활용해서 기존 사람이 모델을 만드는데 걸린 시간이 7일이었다면 두세 시간으로 줄이고 모델 성능도 6% 이상 올릴 수 있었다고 한다. 이 외에도 생산과정을 지능화하는 것을 넘어 제품을 지능화하려는 시도도 있었다.

 

SAP 또한 파트너사가 개방형 플랫폼(BTP)을 기반으로 산업 특화 솔루션을 개발, 공급하여 기업의 디지털 트랜스포메이션을 신속하고 비용 효과적으로 지원할 수 있도록 하고 있다. 솔루션 사례를 보면, SAP는 혼자서 모든 애플리케이션을 만들지 않고 파트너사와 함께 제품을 만들어 공급하는 플랫폼 에코 전략을 펼치고 있다. 예를 들면 Supply Chain Risk Visibility, Visual Operation Intelligence, MobileFirst for iOS Part Expert 등을 AI나 머신러닝 툴을 이용하여 파트너사들과 함께 작업을 하고 있다.

 

SAP 애플리케이션이 적용된 실제 사례를 보겠다. 2015년에 설립된 벨기에 스타트업 Arkite는 SAP 산업 클라우드 파트너이다. 이 회사는 사물과 작업자 행동을 파악하는 시스템과, 작업 내용 및 위치를 안내해주는 시스템을 볼보자동차, 포드, 벤틀러, 다이킨 등의 생산라인에 적용하여 휴먼 에러를 예방하고 작업 데이터 저장 및 추적, 작업자 스킬 다기능화 등 높은 효과를 구현했다.

 

그 외 자동차업체나 부품업체에 적용된 사례도 있다. SAP는 자동차 생태계의 데이터/서비스 플랫폼을 개발, 제공하고 있다. DVH(Digital Vehicle Hub)는 자동차와 관련된 모든 데이터(마스터, 거래, 활용 등)를 관리하고 완성차, 데이터 딜러, 부품업체 등이 데이터를 공유하고 협력하며 새로운 비즈니스 모델을 만드는 기반이 되고 있다. 특히, 올해 Gaia-X가 본격 추진되면서 유럽에 있는 자동차업계 간의 데이터를 서로 공유하기로 한 얼라이언스가 결성되고 있는데, 앞으로 그러한 모습들이 더 많아질 것으로 보인다.

 

 

산업 AI와 지속성

 

선도 기업들은 지속성에 대해 많은 관심을 가지고 있다. 최근 보고된 자료에 따르면 유럽의 제조회사들이 순환경제를 잘 실현하여 연간 100조 원까지 절약할 수 있었다고 얘기한다. 구글 같은 IT 기업들도 이런 지속성에 대해서 얘기하기 시작했다. 그러면 지속성에서 AI 역할은 무엇인가?

 

구글 클라우드는 ‘AI와 순환경제’라는 보고서에서 여러 가지 사례들을 소개하고 있다. 그중 가장 인상 깊었던 사례가 바로 데이터센터에 전력을 줄일 수 있는 AI 기술이다. 이 내용은 이미 몇 년 전에 구글의 인공지능 자회사인 딥마인드가 구글과 협력해서 데이터센터에 전력 에너지 소비를 40%까지 낮추었다고 소개된 바 있다. 이번 하노버메세에서는 좀 더 구체적인 내용들을 담았다. 데이터센터에서 나오는 수많은 데이터를 인공지능이 학습하며, 그 학습 과정에서 데이터센터 전체 에너지 효율과 연결해서 가까운 미래에 에너지 소비를 줄일 수 있는 모델을 만들고, 거기서 나온 결과 값들을 활용해서 데이터센터를 다시 조정함으로써 데이터센터 쿨링시스템에 사용되는 전력을 줄일 수 있는 방향으로 에너지 절감을 달성했다는 것이다.

 

다음으로 올해 가장 핫한 주제는 ‘데이터 주권’과 ‘Gaia-X’이다. Gaia-X를 한 마디로 정의하면 연합 데이터 인프라로 유럽의 데이터 주권을 획득하겠다는 것이다. 여기서 재미있는 표현이 ‘연합(Federated)’인데, 이게 인공지능과는 어떤 연관이 있는지 살펴보겠다.

 

Gaia-X 위에서 인공지능을 활용할 수 있는 방안은 많이 있겠지만, 최근 주목받고 있는 것이 연합학습(Federated learning)이다. 연합학습을 연구하고 있는 대표적인 기업이 구글이다. 구글이 연합학습을 시작한 계기는 이렇다. 먼저, 소비자 데이터가 매우 민감하다 보니 소비자 데이터를 데이터센터로 가져와서 생성된 데이터 그대로 있게 하고 그 모델을 다시 소비자에게 보내서 학습시킨 후에 모델을 좀 더 났게 만든 다음 소비자에게 전달하는 방식을 사용했다. 다시 말해, 탈중앙화 되어 있는 데이터를 그대로 유지하되 모델을 움직임으로써 중앙에 있는 모델의 성능을 높이는 방식이 바로 연합학습이다.

 

이와 함께 CCM(Collaborative Condition Monitoring), 즉 협력 측정 모니터링에 연합학습 방식이 중요하게 사용될 것이다. 데이터를 소유하는 대부분의 주체들은 데이터 공유를 원치 않는다. 그런 점에서 연합학습 방식을 사용하면 장비의 이상 탐지나 예지정비를 위한 AI 모델을 만들 때 제조회사들이 사용하는 데이터들을 공유하지 않으면서도 연합작전을 펼칠 수 있다.

 

산업 AI 시장 전망

 

산업 AI의 시장 전망은 크게 3가지로 요약할 수 있다. 첫째, 산업 AI는 OT와 IT의 융합에서 중요한 역할을 할 것이다. 예를 들면, 장비의 고장을 예측하는 과정에서 센서 데이터(OT)는 모니터링을 위한 머신러닝 모델(IT) 구축에 꼭 필요한데, 이러한 예지정비에 산업 AI가 사용된다.

 

둘째, 앞으로 더 많은 AI 적용 사례가 나올 것이다. 장비는 더욱 세분화되고 고도화될 것이기 때문에 특정 장비를 대상으로 하는 예지정비 솔루션들이 나올 것으로 예상되며, 또한 클라우드 상에서 As A Service 형태로 제공하는 사례도 더욱 많아질 것으로 보인다. 그리고 품질검사를 위해 AIVI 보급 역시 시간문제이며, 가장 기대되는 제어와 최적화는 강화학습이나 유전 알고리즘 등을 활용해서 새로운 응용들이 발굴될 것으로 보고 있다. 이러한 새로운 응용은 단순히 제조 과정을 효율화하는 데 그치지 않고 제품을 똑똑하게 만드는 데까지 사용된다. 제품을 만드는 디자인 단부터 제품을 생산하는 생산단, 그리고 제품 자체의 제품단까지 AI 적용 사례들은 점점 많아질 것이다. 하노버메세 2021을 둘러본 시장 전문가들 또한 앞으로 3~5년 안에 거의 모든 회사들이 AI를 사용하게 될 것이라는 전망을 하고 있다.

 

셋째, MLOps는 솔루션 제공 업체와 제조업체 모두에게 중요한 과제가 될 것이다. MLOps(Machine Learning Operation)는 AI 기술이 오퍼레이션 측면에서 매우 고도화된 소프트웨어 기술을 요구한다. 그러다보니 AI 모델을 만드는 것까지는 쉽게 할 수 있지만, 실제로 AI를 탑재하거나 생산 현장에 적용했을 때 AI를 구동시켜줄 수 있는 소프트웨어 기술이 아직 부족하다. 이것은 단순히 솔루션 프로바이더들뿐만 아니라 AI를 적용하려는 제조사들에도 큰 도전이다. MLOps 관련해서, 지난 2월에 MLReef라는 회사가 머신러닝 도구 및 플랫폼 환경(ML tools & platforms landscape)을 발표했다. 그 내용을 보면, 각각의 영역에 수많은 회사들이 솔루션을 만들고 있는 것을 알 수 있다. 그만큼 MLOps가 매우 복잡하다는 방증이다.

 

그러면 우리 기업들은 어떻게 해야 AI를 잘 할 수 있을까? AI 프로젝트는 문제를 정의해서 수집하고 이를 분석해서 모델링하고 배포까지, 그리고 배포 이후 모델 업데이트까지의 과정이 매우 복잡하기 때문에 프로젝트 진행이 쉽지 않다. 때문에 단계별로 너무 완성도를 높이려는 시도는 바람직하지 않다. 데이터 수집 및 모델링 적용까지 완성도가 낮더라도 최대한 빠르게 가보는 것이 어느 부분에 문제가 있는지 파악할 수 있는 좋은 방법이 될 수 있으며, 시스템 복잡도에 관련된 것은 가능하면 직접 개발보다는 외부업체의 솔루션을 활용하는 방법이 더욱 효과적일 것이다.