ChatGPT가 등장한 이후로 AI 관련 뉴스들이 쏟아져 나오고 있습니다. ChatGPT는 많은 사람들이 AI를 바라보는 관점 자체를 완전히 바꾸게 했고, 예전에는 AI가 해결하지 못할 거라고 생각했던 많은 영역이 이제 가능하다고 믿게 했죠. 모두가 AI를 말하고 있는 상황 속에서 AI 도입 속도를 내지 못하고 있는 기업 내 AX담당자는 조바심이 날 수밖에 없습니다.

AI 패러다임을 바꾼 Chat GPT의 등장

AI 패러다임을 바꾼 Chat GPT의 등장

AI는 전문가를 채용하거나 솔루션을 도입한다고 해서 바로 생기는 기술은 아닙니다. 기업이 특정 영역에서 AI를 접목해서 잘 활용하고 있다면 데이터 기반 혁신의 연장선에서 특정한 수준에 도달했다고 볼 수 있습니다. 그렇다면 지금 막 AI 도입을 준비해 산업의 지능화를 추진하려는 기업은 어떻게 AI를 시작해야 할까요? 성공적으로 AI 도입을 끝마친 기업들은 어떤 공통점이 있을까요? 제조, 반도체, 에너지, 유통, 공공 등 다양한 산업 도메인과 협업해 본 마키나락스의 경험을 바탕으로 만든 산업 지능화 추진 가이드를 공유합니다.

 

AI 성공 사례를 보는 관점을 정립하세요

디지털 트랜스포메이션(Digital Transformation, DT)은 기업이 필요한 정보나 데이터를 디지털 형태로 수집하고 분석 및 활용한 결과로 비즈니스 가치를 창출했습니다. 결과적으로 지능화하는 단계로 이어지고 마지막은 AI와 만나게 되는데요. 그렇기 때문에 AI Readiness(준비도)는 데이터 활용 수준과 비례합니다. 기업이 가지고 있는 문제를 해결하기 위해서 필요한 데이터를 모아보는 노력이나 분석해 보는 시도를 해보지 않았고, 데이터 자체보다는 인간의 경험이나 직관을 더 맹신하고 있다면 AI가 주는 장점들에 공감하거나 이해하기는 쉽지 않습니다.

AI Readiness(준비도) ∝ 데이터 활용 수준

AI Readiness(준비도) ∝ 데이터 활용 수준

예를 들어 A기업에서 글로벌 기업이 AI를 도입해서 코스트를 절감했던 사례를 알게 되어 벤치마킹하기 위해서 동일한 AI솔루션을 도입합니다. 그런데 A사에서는 같은 솔루션이 잘 적용되지 않거나 성능을 발휘하지 못하는 상황을 확인하게 됩니다. 원인을 분석해 보니 A사가 보유한 데이터가 충분히 정리되지 않았다는 사실을 발견합니다. A사는 현장 엔지니어들을 수집해서 몇 년 간의 데이터를 레이블링하고 정제하는 작업을 하게 됩니다. 그 결과 AI 모델의 성능을 높이게 되고 현장에 적용할 수 있게 되죠. 다른 라인에 적용해 보면 처음 겪었던 문제가 또 발생합니다. 이번에는 보다 빨리 데이터 문제라는 걸 알게 돼요. 하지만 그 시간과 비용을 다시 투자할 엄두가 나지 않습니다. ‘AI 해봤는데, 쇼윈도 기술이더라.’ 이런 결론을 내리고 이전으로 돌아가게 됩니다. 사실 산업 현장에서는 빈번하게 발생하는 사례입니다.

이런 실수를 반복하지 않기 위해서는 AI 성공 사례를 바라보는 관점이 중요합니다. 성공 사례 자체에 집중하기보다는 AI 성공 사례를 만든 기업의 데이터 준비도와 성공으로 이끈 요인들을 이해하는 과정이 필요합니다. AI 성공 사례를 벤치마킹해서 같은 AI 솔루션을 도입해도 각 기업이 처한 상황에 따라서 해야 할 일의 범위와 양은 천차만별일 수밖에 없기 때문입니다. 만약 우리 기업의 데이터 활용 수준이 AI 성공 사례 기업보다 낮다면, 그것을 파악하고 준비를 시작하는 것만으로도 성공했다고 평가할 수 있습니다.

 

AI 도입 목표와 내재화 수준을 정의하세요

 

적절한 AI 도입 영역은?

적절한 AI 도입 영역은?

AI 성공 사례를 보는 관점을 정리했고, 우리 기업의 데이터 활용 수준이 어느 정도 올라왔다고 판단한다면 비즈니스 임팩트와 실현 가능성을 고려해서 적절한 AI를 도입과 활용 전략을 수립해야 합니다. 그래프를 보면 기업에서 실질적으로 실행할 수 있는 선택지는 A와 B임을 알 수 있습니다. 실제로 실현 가능성이 높으면서 비즈니스 가치가 높은 과제는 거의 존재하지 않고, 실현 가능성이 작고 비즈니스 임팩트가 낮다면 고려할 필요가 없습니다. 결과적으로 실현 가능성이 작지만 구현이 됐었을 때 가치가 굉장히 높은 A와 실현 가능성 임팩트는 작지만, 실현 가능성이 높은 B 영역이 적합합니다.

A영역은 보통 굉장히 도메인 특화된 AI입니다. 예를 들어 연구소의 핵심 업무 설계 효율성을 높일 수 있는 AI, 구매 부서의 중요한 원재료 가격을 예측하는 AI 등이 있습니다. A영역은 기업의 핵심 경쟁력으로 이어질 수 있어 기업은 일정 부분 내재화를 고려해야 합니다. 더불어 다른 기업과 다른 방식으로 구현해서 차별화하고 자사의 경쟁력으로 만드는 전략이 필요합니다. 당연히 A영역의 AI 시도들은 투자 관점 봐야 합니다.

B영역은 cross-functional한 성격을 갖습니다. 기업 내 결재 프로세스 단순화, 문서화 자동화, 용이한 정보 탐색 등이 있습니다. B영역의 AI 효과를 높이려면 기업에서 직접 개발하기보다 외부 AI 솔루션이나 AI 서비스를 도입하는 방향이 좋습니다. 다만 이때 기업의 프로세스나 레거시 정책과 딱 들어맞지 않아도 가능한 범위 내에서 수정해서 빠르게 적용하는 편이 좋습니다. 외부 AI 솔루션을 추가로 개발하거나 수정한다면 비효율이 발생하기 때문입니다. 종합적으로 살펴보면 기업은 A영역에 해당하는 AI를 찾고 도입 전략을 확보하는 일이 가장 중요합니다.

 

실행력과 추진력을 보장해야 합니다

AI를 잘하는 기업들이 마지막으로 하는 고민은 실행력을 담보할 수 있는 체계입니다. 결국 일은 사람이 합니다. AI 도입 실행 주체를 세우는 데 있어서 개개인이 갖고 있는 역량이나 열정보다는 조직과 KPI 관점에서 접근하는 것이 굉장히 중요합니다. 담당자가 누군지 교통 정리가 제대로 되지 않는다면 불필요한 내부 경쟁이 발생해 비효율로 이어질 수 있습니다. 추진 능력을 잘 만드는 회사들은 이런 부분들을 KPI 관점에서 잘 설계하는 접근을 선택했습니다.

정책, 프로세스, 템플릿 등 시스템적인 접근 필요

정책, 프로세스, 템플릿 등 시스템적인 접근 필요

AI를 도입하는 시도는 실패 가능성을 배제하기 굉장히 어렵습니다. 그러나 성공과 실패 여부와 무관하게 AI 도입 과정에서 얻게 되는 경험이나 노하우들을 잘 축적할 수 있는 기반이나 체계를 마련하는 일이 필요합니다. 보통 AI 모델로 문제를 해결한 활동을 했다면 학습된 AI 모델과 AI 모델 관련 코드를 얻게 됩니다. 이 결과물을 새로운 담당자나 타 팀에서 실행이나 재연했을 때 대부분의 경우 에러를 겪게 됩니다. 그러면 재활용이 어렵다고 판단하고 새롭게 다시 연구를 시작하는 일들이 반복됩니다. 사용 모델의 종류, 파라미터 설정, 데이터 기간 설정, 전처리 방식 등이 종합적으로 어떤 실험을 통해서 만들어졌는지 정확하게 추적이 되고 재현이 돼야지 동일한 결과를 얻게 됩니다. 중간에서 이런 요소들이 누락되면 실험 결과들을 재현하기가 굉장히 어렵게 되는 거죠. 이런 비효율을 없애려면 일하는 과정에서 정책, 프로세스, 템플릿 등 시스템적인 접근이 필요합니다.

 

AX가 실현된 미래 산업의 모습은?

 

AX 전개 방향, 최종 모습(End-Image)

AX 전개 방향, 최종 모습(End-Image)

AI는 거스를 수 없는 시대의 흐름이 됐습니다. 최근에는 산업 전반에 AI를 적용하는 AX(AI Transformation)도 떠오르고 있는데요. AX가 실현된 산업의 미래 모습은 어떨까요? AI 모델들은 현장에 있는 모든 설비와 장비에 적용되어서 인사이트를 도출하는 형태가 될 겁니다. 많은 AI 모델이 운영은 지금보다 훨씬 더 비용 효율적인 체계가 갖춰지게 됩니다. 분석 및 모델 개발 단계에서는 지금처럼 AI 전문가들이 아니라 현장을 잘 알고 있고 도메인 지식을 갖고 있는 엔지니어들이 쉽고 편하게 데이터를 분석하고 AI 모델을 만들 수 있는 모습을 갖추게 될 겁니다.

마키나락스 AI 플랫폼 Runway

마키나락스 AI 플랫폼 Runway

마키나락스는 현재 AI 준비도가 낮은 기업도 언젠가는 모두 AI를 쓸 수밖에 없을 거라고 예상합니다. 그래서 기업이 AI 시스템 체계를 지원해 주는 엔터프라이즈 AI 플랫폼 Runway를 제공하고 있습니다. AI 플랫폼 위에서는 AI를 전문가들이 자유도 높게 AI 모델을 만들 수도 있고, AI 관련 지식은 부족하지만 데이터를 잘 해석할 수 있는 현장 전문가들이 블록을 연결하는 방식으로 AI 모델을 만들 수도 있습니다. 이렇게 만들어진 AI 모델들을 클릭 몇번으로 재학습을 하고 파라미터를 바꾸는 등 효율적으로 AI 모델을 운영할 수 있는 기반들을 제공하고 있습니다.

지금 AI 도입을 시작하려는 기업들을 위한 가이드를 요약하자면 지금 우리 기업이 가능한 범위에서 개선할 수 있는 영역과 수준을 잡고, 빠르게 추진할 수 있는 체계를 만드는 과정이 필요합니다. 시스템적 체계는 기업이 내재화하는 방향보다 마키나락스의 Runway와 같은 엔터프라이즈 AI 플랫폼을 통해 다른 기업과 다른 방식으로 AI를 구현해서 차별화하고 자사의 경쟁력으로 만드는 전략을 실행하시길 바랍니다. 마키나락스의 엔터프라이즈 AI 플랫폼 Runway를 활용해 보고 싶다거나 고민이 있으신 분들은 마키나락스와 상의해 주세요. 마키나락스가 여러 산업 현장에서 얻은 실질적인 AI 성공 사례와 경험을 바탕으로 함께 고민하고 방법을 제안해 드리겠습니다.

 

*이 포스팅은 2024 스마트 제조 대전망 온라인 컨퍼런스에서 마키나락스 허영신 CBO가 발표한 'AI in Action : 제조 지능화 추진 가이드'를 정리했습니다. 영상에서 보다 자세한 내용을 확인할 수 있습니다.

YouTube video

우리는 인공지능(AI)이 열어 줄 새로운 시대의 문 앞에 서 있습니다. 특히 제조 산업은 AI로 전에 없던 변화를 준비하고 있습니다. 제조업의 발전 역사를 살펴보면 수작업에서 자동화 공정으로의 전환은 큰 도약이었고, 전사적 자원 관리 시스템(Enterprise Resource Management System)의 등장은 기업 성과 측정을 디지털화하는 제조 생산성의 혁신이었습니다.

그 중심에는 대규모 언어 모델(Large Language Models, LLM)과 생성형 AI가 있습니다. LLM은 전통적으로 코딩과 AI에 관여도가 낮았던 도메인 전문가와 현장 엔지니어의 진입 장벽을 크게 낮추고 있습니다. 단순히 진입 장벽을 낮추는 역할만 하는 건 아닙니다. 산업 전반에 걸쳐 노동 시간의 40%가 LLM의 도입으로 영향을 받을 수 있으며 이는 일하는 방식과 조직 문화와 같은 기업 내 역학 관계에도 큰 영향을 미칠 것입니다.

연관 콘텐츠

AI가 제조업에 미치는 영향은?

AI는 ISA-95 표준을 따르는 전통적인 자동화 프레임워크를 모든 단계에서 혁신하며 제조업의 근간을 재편하고 있습니다. 새로운 제조 자동화 시대가 예고한 생산성 증가와 혁신적인 생산 방식은 모두 AI가 주도할 것입니다. 이를 위해서는 로보틱스를 중심의 하드웨어 자동화와 소프트웨어 자동화의 통합이 AI를 기반으로 이뤄져야 합니다.

하지만 AI 도입은 풀기 어려운 숙제입니다. 특히 그동안 장비와 생산 공정에 숙련된 작업자의 직관에 의존하고 디지털화와 내재화를 준비하지 못한 제조 기업이라면 더욱 어렵습니다. 그럼에도 AI 도입은 선택이 아닌 필수입니다. AI는 작업자 간 숙련도 차이로 발생하는 문제를 해소할 뿐만 아니라 숙련된 작업자가 처리하기 어려운 복잡한 문제도 빠르게 해결해 주기 때문입니다. 데이터 기반의 의사결정은 물론 제조업의 지속 가능성과 경쟁력을 강화할 수 있습니다.

LLM: 인간과 기계의 연결고리

LLM은 인간과 기계 사이를 연결해 줍니다. 인간이 공정 및 장비와 ‘대화’할 수 있는 환경을 제공합니다. LLM은 제조 데이터의 방대한 양을 자연어로 해석해 데이터에 기반한 의사 결정을 촉진하고, 향후 생산 및 관리에서 자연어를 사용할 수 있는 길을 열어줍니다.

AI와 인간은 서로 나눈 대화를 통해 함께 똑똑해 집니다. LLM이 보편화된 제조 환경에서는 AI가 인간 전문성을 증폭시켜 협업 환경을 조성하고, 이전에 접근할 수 없거나 이해할 수 없었던 데이터에서 얻은 통찰을 바탕으로 더 빠르고 정확한 의사결정이 가능하게 해줍니다.

제조 분야에서 AI의 역할은 단순한 자동화를 넘어서 제어 최적화와 같은 분야로 확장할 수 있습니다. AI가 방대한 데이터 세트를 분석해 제조 공정의 효율성을 높이고 비용을 절감해 운영을 원활하게 하며 자원 낭비를 최소화합니다. 이러한 AI 기술 발전의 중요성을 일찌감치 알아챈 첨단 제조 기업의 75%가 공학 및 R&D 전략에서 AI 도입을 우선시하고 있습니다. 이를 통해 AI가 미래 제조 분야 혁신을 위한 핵심 기술임을 파악할 수 있습니다.

기계부터 AI 플랫폼까지 제조 공장의 모든 계층을 포괄하는 산업용 대형 언어 모델은 전체 운영을 관리하고 최적화할 수 있습니다.

기계부터 AI 플랫폼까지 제조 공장의 모든 계층을 포괄하는 산업용 대형 언어 모델은 전체 운영을 관리하고 최적화할 수 있습니다.

제조업에서 AI를 성공으로 이끄는 방법

AI와 LLM이 제조업을 완전히 혁신하려면 도메인에 맞춤화되어야 합니다. AI를 제조업의 복잡하고 특수한 도메인에 적절하게 반영하려면 제조에 특화된 LLM이 필요한데요. 이를 위해서는 올바른 데이터 소스에 도메인을 연결하고 각 제조 기업이 정의한 문제와 프로세스에 맞는 효과적인 프롬프팅 도구 개발도 함께 진행되어야 합니다 .

도메인 특성을 반영한 AI 솔루션은 실용적이고 다양한 제조 환경의 세부적인 요구를 해결할 수 있습니다. 이는 제조 산업에서 산업용LLM(industrial LLM) 또는 도메인별 LLM이 필요함을 알려줍니다.

도메인별 맞춤화 외에도 제조에 AI를 성공적으로 적용하려면 표준화된 개발 및 운영 프로세스가 필요합니다. AI 기술 구현을 위한 공통 프레임워크와 프로토콜을 구축하는 것은 다양한 시스템과 플랫폼 간의 호환성, 상호 운용성 및 보안을 보장하는 데 매우 중요합니다. 또한, 표준화는 제조 기업의 쉽고 빠른 AX(AI Transformation) 여정을 돕습니다.

AI 잠재력을 극대화하기

제조 분야에서 AI가 가져올 혁신의 끝은 무엇일까요? AI가 불러올 변화를 전부 짐작할 수 없을 만큼 AI가 가진 잠재력은 무궁무진합니다. 이런 변화의 흐름에 자연스럽게 올라 타기 위해서는 조직 전체를 AX하기 위한 이니셔티브가 필요합니다. AI 개발 및 운영 과정을 표준화하고, AI가 제공하는 장점을 완전히 활용할 수 있는 기반을 마련하는 일이 무엇보다 중요합니다.

AI는 전 세계 모든 산업을 혁신적으로 바꿀 겁니다. 특히 제조 현장에서는 데이터화 되지 않은 작업자 간 숙련도 차이를 표준화하고, 인간이 전부 다룰 수 없는 방대한 데이터베이스를 관리하며 인간이 풀 수 없는 문제를 해결합니다. 이외에도 아직 발견하지 못한 혁신을 가능하게 해주지 않을까요? AX로 향하는 여정은 복잡하고 어렵습니다. 하지만 AI가 불러올 혁신을 생각하면 충분히 도전해 볼 만한 가치가 있습니다.

*해당 콘텐츠는 마키나락스에서 작성한 WEF의 Why Large Language Models are the future of manufacturing를 국문화했습니다.

다른 제조 기업들은 AI를 어떻게 적용하고 있는지 궁금하신가요? 동차, 배터리, 화학, 에너지 등 보다 구체적이고 실질적인 AI 성공 사례는 마키나락스 Use Cases 페이지에서 확인할 수 있습니다. AI가 불러올 제조업 혁신을 마키나락스와 함께 시작하세요. 마키나락스의 AI 전문가가 함께 고민하고 방법을 제안해 드리겠습니다.