올해 하노버메세에서 가장 주목받은 화두 중의 하나가 인공지능(AI)이었다. 인공지능은 제조업에서 여전히 투자 단계로 보이지만 다양한 영역에서 기반 기술로 사용되고 있다. 또한, 사용하기 쉬운 인공지능이 올해 중요한 화두가 되면서 인공지능의 운영과 관리(MLOps)가 중요해지고 있다. 2022 독일 하노버메세 Insght Wrap-up 세미나에서 MakinaRocks 윤성호 대표가 ‘하노버메세에서 본 인공지능’을 주제로 발표한 내용을 정리했다.

많은 기업들은 4차 산업혁명 시대 핵심 가치로 지능화에 주목한다. 실제로 하노버메서 2022에서 가장 뜨거운 주제가 인공지능(AI)이었다. 머신러닝을 사용하면 많은 양의 데이터를 기반으로 예측을 수행할 수 있다. 인공지능의 이 분야는 패턴 인식을 기반으로 하며 경험에서 지식을 독립적으로 끌어낼 수 있는 능력을 가지고 있다. 이러한 이유로 이 기술은 산업 공정에서 중요한 키워드로 자리를 잡았다.

인공지능 5가지 트렌드

하노버메세를 통해 본 비즈니스 관점에서의 인공지능 트렌드를 정리하면 크게 5가지로 요약해볼 수 있다.

첫째, 파트너십이다. 하노버메세 2022에서 눈에 뛴 점은 어떤 특정 영역에서 기업 간 경쟁하는 양상을 보이는 듯하지만 흥미롭게도 부스 내에서는 파트너들 간에 협업 사례를 소개하며 합종연횡이 이루어지고 있었다. 실제로 아마존 부스에는 40% 이상이 아마존과 파트너십을 맺고 있는 회사들이 다양한 인공지능 기술을 선보이고 있었다.

둘째, 인공지능은 제조업에서 여전히 투자 단계이다. 기업은 인공지능이 장비의 고장을 예측하거나 생산성을 최적화하는 등 미래 제조업에서 중요한 역할을 할 거라고 믿는다. 하지만 인공지능의 도입을 살펴보면 여전히 상황이 녹록치 않다. 전시회 기간 열린 컨퍼런스에서도 이러한 점을 관심 있게 다루었다. 특히 눈에 띄는 건 600개 이상의 기업을 대상으로 설문조사한 내용을 발표했는데, 인공지능을 도입하기에는 많은 부분에서 개선이 필요하다는 점과 현장에는 아직도 OT와 IT 영역의 융합이 큰 과제라고 얘기한다. 그럼에도 불구하고 기업들은 인공지능 도입을 시도한다. 인공지능을 도입한 기업이 그렇지 않은 기업보다 기업 효율성 측면에서 더 높은 성과를 거두고 있기 때문이다.

셋째는 거의 모든 영역에서 인공지능 기반 기술이 사용되고 있다. 대표적인 인공지능 사례를 보면, 먼저 마이크로소프트는 인력 혁신, 애자일 팩토리, 서플라이 체인, 커스터마이제이션, 이노베이션 등 모든 요소요소에 인공지능 기술을 사용하고 있다. 지멘스 또한 인공지능을 도입해서 장비의 유지관리를 선제적으로 하고 있으며, 예측적으로 대응해서 예기치 못한 장비의 가동 중단을 줄이겠다고 얘기한다. 공장자동화 솔루션 기업으로 잘 알려진 훼스토는 이번 하노버메세에서 생체공학 로봇 기술을 뽐냈는데, 이 로봇에는 인공지능이 적용되었다. 훼스토는 2018년 소프트웨어 회사 리졸토(Resolto)를 인수하면서 인공지능 소프트웨어 역량을 키워오고 있다.

넷째는 사용자를 고려한 쉬운 인공지능이 만들어지고 있다. 인공지능이 하는 일이 광범위해지다 보니 제조업에서 인공지능은 어떤 사람들이 사용하게 되고 어떤 형태의 인공지능이 중요할 것인가가 큰 화두가 되고 있다. 그 와중에 ‘No code/Low code’가 이번 하노버메세에서 중요한 키워드로 주목을 받았다. 예를 들어, 인공지능 기술 관련 지멘스는 오토메이션 엔지니어나 데이터 사이언티스트들이 ‘사용하기 쉬운’(easy-to-use) 툴을 강조하고 나섰다.

다섯째는 인공지능 운영/관리(MLOps)가 중요해지고 있다. MLOps(Machine Learning Operation)는 올해 처음 등장한 키워드이다. 이해를 돕기 위해 MLOps가 어떤 것인지 간략하게 살펴보겠다.

MLOps가 주목받는 이유

지난 3~4년간 다양한 프로젝트를 통해서 운영되고 있는 인공지능 모델은 약 1,000개가 넘고, 현재 이 시간에도 현장에 적용되어 특정 테스크를 수행하고 있다. 그런데 인공지능의 연구자인 스탠퍼드대학교 앤드류 응 교수는 제조업에서 인공지능 도입이 왜 어려운가를 얘기했다. 그는 소비자 소프트웨어 인터넷에서는 소수의 머신러닝 모델을 훈련하여 10억 명의 사용자에게 서비스를 제공할 수 있지만, 제조 분야에서는 각각 제조사들의 특정 문제를 풀기 위한 특화된 인공지능 모델이 요구된다고 했다. 즉, 10,000개의 제조업체엔 10,000개의 맞춤형 인공지능 모델이 필요하다는 것이다. 예를 들어, 장비 불량을 산출하는 인공지능의 경우 자동차의 부품이냐, 스마트폰의 화면이냐에 따라서 사용하는 데이터와 인공지능 모델이 다를 수 있다. 때문에 하나의 인공지능 모델로 두 가지 문제를 해결하기 어렵다.

그러면 소비자 인공지능(Consumer AI)과 산업 인공지능(Industrial AI)은 어떤 점이 다른가. 소비자 인공지능은 다양한 소비자 활동에서 나온 데이터들을 활용하기 때문에 기계학습을 할 수 있는 데이터들이 많이 존재하지만, 산업 인공지능은 산업별 특화되어 기계학습을 위한 데이터가 부족한 경우가 일반적이다. 또한, 소비자 인공지능은 전담 AI팀이 존재하지만, 제조업 같은 산업 인공지능은 AI 전문 인력을 확보하는 것이 어렵다.

이런 문제를 어떻게 하면 극복할 수 있을까. 먼저, 인공지능 도입이 되는 과정을 살펴볼 필요가 있다. 머신러닝 라이프사이클을 보면 인공지능이 어떻게 특정 문제를 정의하고 활용되는지 전체 과정을 알 수 있다. 우선, 문제를 정의하고 데이터 수집 및 분석한 다음에 머신러닝 모델링을 한다. 마지막으로 인공지능을 실제 시스템에 탑재하게 되는데, 이러한 과정이 순차적으로 진행된다.

그런데 실제 인공지능이 개발되는 모습을 보면, 데이터를 분석하다가 문제 정의를 다시 하기도 하고, 모델링 중 데이터가 부족해서 다시 데이터를 수집하기도 한다. 또 모델을 배포했는데 다시 모델링을 한다거나 전체 과정이 피드백을 바탕으로 비선형적으로 이루어지게 된다. 이러한 비선형 프로세스상에서 인공지능 개발의 가장 어려움 중의 하나가 바로 인공지능 운영 환경과 개발 환경이다.

우리가 생각하는 인공지능 시스템은 ML 코드와 ML 모델이 있으면 잘 돌아갈 거라 기대하지만, 인공지능을 배포하고 운영하고 동작시키기 위해서는 인공지능 코딩 이외에도 다양한 소프트웨어 기술이 필요하다. 그래서 인공지능을 도입하고 운영하기 위해서는 시스템이 기본적으로 복잡해질 수밖에 없다. 이러한 복잡함 때문에 인공지능을 잘 개발했더라도 인공지능 운영 시스템까지 탑재하는 데는 많은 시간이 걸린다. 따라서 인공지능을 실험하고 개발하고 운영하는 전 과정을 체계화하는 MLOps(Machine Learning Operations)이 각광을 받고 있다.

기업 사례

Team MakinaRocks는 지난 4년간 100여 개 이상의 제조 회사를 만나 30여 개 이상의 프로젝트를 진행하면서 머신러닝 개발과 운영 전 과정을 체계화했다. 또한, MLOps 소프트웨어를 개발하여 인공지능을 도입하려는 회사들이 효율적으로 개발할 수 있도록 돕고 있다.

실제로, 링크(Link) 경우는 데이터 사이언티스트들이 많이 활용하는 노트북 위에 익스턴트 형태로 개발됐고, 커뮤니티 버전으로 공개해서 모델 개발 주기 전반에 걸쳐 보다 원활한 흐름과 더 나은 경험 제공하고 있다. 그리고 인공지능을 운영하고 유지보수 하기 위해서는 복잡한 프로세스 기능이 필요한데, 런웨이(Runway)는 그런 프로세스를 단순화했으며, 모델 배포나 모니터링 및 재교육 과정도 간단해졌다.

현재 이 제품은 로봇팔 이상 감지, 멀티 로봇 작업 및 모션 플래닝, RL 기반 EMS 제어, 태양광 발전 예측, 반도체 장비 고장 시간, 폴리머 반응기 정지 분석, 리튬 이온 배터리 잔여 수명 예측 등 다양한 영역에서 적용되고 있으며, 실제로 인공지능을 도입하고 운영하기 위한 실험에 6개월 걸리던 시간을 4주로 단축할 수 있었으며, 모델을 배포하고 운영하는 데는 10개월을 8주로, 개선 사이클은 수개월에서 몇 분으로 크게 줄였다. 따라서 앞으로는 MLOps 관련 기술들이 인공지능에 있어서 필수적으로 적용될 것이다.

헬로티 임근난 기자 |