같은 제품의 결함을 보고도 숙련자마다 불량 여부를 다르게 판단한다면 인공지능(AI)은 누구의 기준을 배워야 할까. 최신 AI 모델을 도입하더라도 학습 데이터에 현장의 전문성과 일관된 판정 기준을 담지 못하면 기대한 성과를 얻기 어렵다. 제조업의 인공지능 전환(AX)을 시작할 때 모델 선정에 앞서 살펴야 할 문제다. 이현동 슈퍼브에이아이 부대표는 지난 22일 광주에서 열린 ‘전남광주 최고경영자 AX 마스터클래스’에서 ‘제조 AX 트렌드와 주요 혁신 사례’를 주제로 강연하며, 현장의 판단 기준을 데이터로 정리하는 작업의 중요성을 강조했다. AI 공급기업이 기술을 제공하더라도 어떤 문제를 해결하고 무엇을 정답으로 볼 것인지는 제조기업이 책임지고 정해야 한다는 설명이다. 이 부대표는 과거 철강기업에서 엔지니어로 일했던 경험을 소개했다. 수십 년간 같은 현장에서 일한 전문가들도 동일한 결함을 서로 다르게 진단하는 모습을 봤다는 것이다. 작업자 개인의 경험에 의존하던 판단을 AI에 맡기려면, 그동안 명확히 드러내지 않았던 기준부터 합의해야 한다. 그러나 실제 AI 프로젝트에서는 데이터 정리와 분석을 경험이 적은 직원에게 맡기는 경우가 있다고 지적했다. 숙련자의 지식이
최근 전략적 희토류 금속의 가격이 수요 증가와 공급량의 한계 때문에 급격히 상승하고 있어 국제적으로 희토류 자원 확보 전쟁이 진행되고 있다. 희토류 금속 중 일부는 매장량의 한계로 수요를 감당하기 어려워 전략적 광물로 분류되고 있다. 특히, 미국 에너지성은 공급 부족 위험도를 기준으로 이러한 원소 중 5개 성분을 중대전략물질(Critical Strategic Material)로 분류하고 확보 방안에 대한 다양한 연구를 수행하고 있다. ⓒGetty images Bank 미국 에너지성(DOE)은 Yttrium(Y), Europium(Eu), Neodymium(Nd), Terbium(Tb), Dysprosium(Dy)을 가장 중요한 단기 및 중기 Critical 물질로 분류하고 있다. 이러한 물질들은 중장기적으로 수요에 대한 공급 방안 확보가 어려운 물질로, 전 세계적으로 새로운 공급원 확보를 위한 노력이 필요한 상황이다. DOE 분석에 따르면 전략광물 16개 중 8개가 희토류 금속이며, 전략적 광물로 선정된 희토류 금속은 자성, 광학특성 및 촉매특성 등을 가지고 있는 매우 가치가 큰 물질이다. 전기자동차, LED 조명 및 풍력발전 등 청정에너지산업 분야의 핵심적