스마트폰, 노트북, TV처럼 우리가 매일 사용하는 기기들에는 수백, 수천 개의 부품이 사용됩니다. 작은 부품 하나라도 정확한 규격과 성능을 유지하지 못하면 제품 전체의 안정성과 신뢰성까지 영향을 미칠 수 있습니다. 그렇기에 전자 부품 제조 산업에서는 아주 미세한 오차도 놓치지 않는 정밀한 품질 검사가 무엇보다 중요합니다.
AI는 전자 부품의 품질을 정밀하게 검증하고 표준화하는 제조 현장의 핵심 기술입니다. 국내 주요 제조 기업들이 일찍부터 자체 AI 개발팀을 꾸리고 현장 엔지니어들을 AI 개발·운영 인력으로 전환하며 AX(AI Transformation)를 추진하고 있는 이유이기도 합니다. 하지만 복잡한 AI 운영 환경은 AX 실행 과정에서 많은 어려움을 만듭니다. 이때 MLOps(Machine Learning Operations) 기반의 AI 플랫폼은 어떤 역할을 했을까요? 마키나락스 고객사인 세계적인 전자 부품 제조 기업의 인터뷰를 통해 정리했습니다.
Why MakinaRocks Runway?
“폐쇄망·보안·인프라까지 모두 고려해야 하는 상황에서 AI 경험이 많지 않은 구성원도 쉽게 운영 환경을 구축할 수 있는 MLOps 기반 AI 플랫폼으로 Runway가 가장 적합하다고 판단했습니다.”
마키나락스 Runway를 도입한 전자 부품 제조 기업은 일찍부터 AI 기반 품질 검사 모델을 자체적으로 개발해 오고 있습니다. AI는 전자 부품 생산의 여러 공정에서 촬영된 고해상도 이미지를 분석해 부품의 크기·특성·이상 여부를 자동으로 판별해 품질과 생산성을 동시에 높여주고 있는데요.
AI 시스템은 ML 코드뿐 아니라 데이터·인프라·리소스·모니터링이 유기적으로 연결된 복합적 운영 프로세스임을 보여주는 구조도. Source: Google, “Hidden Technical Debt in Machine Learning Systems,” 2015.
AI가 적용되는 생산라인이 늘어나면서 실제 운영해야 하는 AI 모델의 수도 빠르게 증가했습니다. 공정 조건과 부품 특성이 다양하고 품질 기준도 자주 바뀌다 보니 품목별로 다른 AI 모델이 필요하기 때문입니다. 여기에 AI 운영 경험이 많지 않은 구성원이 많은 조직 특성상, 모델 환경 설정이나 자원 배분 같은 운영 업무가 특정 인력에게 집중되는 어려움도 생겼습니다.
실제 산업 현장에서 작동하는 AI 시스템은 모델보다 데이터를 준비하고 배포하고 모니터링하는 운영 작업이 훨씬 더 큰 비중을 차지합니다. 모델 버전 관리·자원 관리·성능 모니터링 등 관리해야 할 요소의 복잡도가 커지면서 기업은 안정적이고 표준화된 MLOps의 필요성을 더욱 명확히 느끼게 되었습니다. 더불어 폐쇄망·보안 요건·온프레미스 인프라 등 제조 기업 특유의 제약을 동시에 충족하는 MLOps가 필요했습니다. 여러 요소를 종합적으로 검토한 결과 수십 개의 품질 검사 AI 모델을 안정적으로 학습·배포·운영할 수 있는 플랫폼으로 마키나락스의 Runway를 선택했습니다.
현장 전문가도 AI 전문가가 되는 운영 환경
“예전에는 모델 배포나 자원 설정이 필요할 때마다 ‘이거 좀 올려주세요’라고 담당자 한 명에게 요청해야 했습니다. 지금은 Runway가 이런 과정들을 자동화해 줘서 각자 필요한 인퍼런스 환경을 직접 생성해 운영할 수 있게 됐습니다.”
현장 전문가가 AI 업무로 전환되는 AX는 제조 기업이 경쟁력을 확보하는 데 중요한 전략입니다. 하지만 AI 운영 인프라의 복잡성은 이러한 전환을 어렵게 만들곤 합니다. 전자 부품 제조사에서도 설계, 재료, 하드웨어 등 다양한 배경을 가진 현장 전문가들이 AI 조직으로 합류하며 AX를 가속화하고 있는데요. GPU 서버 설정, 실행 환경 구성, 라이브러리 설치와 같은 작업은 컴퓨터사이언스 지식이 익숙하지 않은 구성원에게 큰 부담이 될 수밖에 없었습니다. 그 결과 모델 배포나 자원 설정 같은 운영 업무가 특정 담당자에게 집중되는 구조가 반복되었습니다.
Runway 도입 이후에는 이러한 구조가 개선되었습니다. Runway는 GPU 자원 자동 배정, 실행 환경 자동 구성, 충돌 없는 Job 스케줄링, 웹 기반 학습·모니터링 환경을 제공하며 복잡한 서버 환경을 직접 다루지 않아도 모델 학습과 실험이 가능합니다. 이에 따라 현장 전문가도 동일한 환경에서 모델을 쉽고 안정적으로 학습·배포할 수 있게 되었고 팀 전체의 실험 속도와 접근성이 크게 높아졌습니다. Runway는 운영 표준화를 통해 AI 역량이 특정 인력에 의존하는 구조에서 벗어나도록 지원하며 현장 전문가가 AI 실무자로 성장할 수 있는 기반이 되었습니다.
대규모 제조 환경에서도 끊김 없이 안정적인 인퍼런스
Runway 추론 서비스에 배포된 개별 모델의 자원 모니터링 기능
“저희 목표는 인퍼런스가 끊기지 않고 안정적으로 내부 AI 시스템이 서비스되는 환경을 만드는 것입니다. Runway와 연동해 운영하면서 실제로 그런 구조를 갖춰가고 있습니다.”
제조 공정에서 생성되는 방대한 이미지 데이터를 실시간으로 분석하려면 AI 모델이 안정적이고 빠르게 추론을 수행할 수 있는 기반이 필요합니다. 전자 부품 제조 기업의 내부 AI 시스템에서는 월 단위로 수십만 장 이상의 이미지가 처리되기 때문에, 추론 결과가 지연되거나 일관성이 떨어지면 품질 검사 판단에 직접적인 영향을 줄 수 있습니다.
Runway는 기업의 내부 AI 시스템과 연동되어 품질 검사 모델의 추론을 처리하고 있습니다. 내부 AI 시스템에서 이미지가 들어오면 Runway에 연결된 모델이 즉시 추론을 수행해 결과를 반환하는 구조로 다양한 공정과 제품군에 걸쳐 운영되는 여러 품질 검사 모델이 안정적으로 작동할 수 있도록 돕습니다. 또한 모델 버전과 변경 이력을 자동으로 관리해 운영의 일관성을 유지하고, 공정별 모델이 동시에 운영되는 복잡한 제조 환경에서도 빠르고 안정적인 품질 판단이 가능하도록 지원합니다.
제조 데이터 품질을 완성하는 Runway Annotation Studio
데이터의 정확한 어노테이션은 이미지 기반 AI 모델의 성능을 좌우하는 핵심 요소입니다. 전자 부품 이미지처럼 한 장에 수많은 객체가 포함되고 공정별 특성이 달라지는 환경에서는 라벨의 정밀도와 일관성이 특히 중요합니다. 이러한 데이터 구축 작업이 MLOps 환경과 연결되면 라벨·버전·작업 기준을 일관된 흐름에서 관리할 수 있어 대규모 제조 데이터셋을 안정적으로 운영할 수 있는 기반이 마련됩니다. Runway Annotation Studio는 이러한 제조 현장의 요구를 반영해 마키나락스가 개발한 산업 특화 어노테이션 소프트웨어로 Runway와 연동해 사용할 수 있는 확장형 애플리케이션입니다.
“Runway Annotation Studio를 도입하기 전에는 각 엔지니어가 로컬 환경에 세그멘테이션 모델을 설치해 놓고 별도의 툴로 객체를 하나씩 지정하는 방식으로 어노테이션을 진행했습니다. 지금은 이미지를 클릭하면 해당 객체의 경계를 자동으로 따주는 세그멘테이션 기반 어노테이션 기능을 활용해 전보다 훨씬 빠르고 일관된 데이터 구축이 가능해졌습니다. ”
Runway Annotation Studio는 사용자가 복잡한 설정 없이 빠르게 어노테이션 작업을 시작할 수 있는 환경을 제공합니다. 또한, Runway Annotation Studio를 통해 생성된 데이터셋은 모델 학습과 운영 단계에 연결할 수 있는데요. 이를 통해 데이터 구축과 모델 운영을 하나의 통합된 워크플로우로 이어갈 수 있는 기반을 마련할 수 있었습니다.
대규모 AI 운영 환경을 위한 거버넌스
잘 도입한 MLOps는 AI 운영의 안정성과 협업 효율을 동시에 높여줍니다. 전자 부품 제조 기업이 Runway 도입 전에는 모델이 각 엔지니어의 개인 로컬 환경에 존재해 해당 PC가 꺼지면 품질 검사 시스템 전체가 영향을 받았습니다. 이제는 AI 모델이 Runway에서 관리되기 때문에 생산 라인에서 사용하는 모델도 안정적으로 서빙할 수 있고 모니터링을 통해 상태를 쉽게 파악할 수 있게 되었습니다.
Runway는 인원 변동이 잦은 조직에서도 운영 품질을 유지할 수 있는 체계를 제공합니다. 새로운 담당자가 합류해도 동일한 파이프라인과 작업 맥락을 그대로 이어받을 수 있어 인수인계 부담이 크게 줄어들었습니다. AI 경험이 적은 구성원에게도 작업 내용을 설명하고 공유하기가 훨씬 쉬워졌습니다.
복잡한 제조 AI 운영 환경, Runway를 추천합니다!
Runway는 저희처럼 AI 환경 구축이나 운영 체계를 정비하는 데 어려움이 있었던 조직에 특히 도움이 되는 플랫폼이라고 생각합니다. GPU 서버 설정이나 실행 환경 구성처럼 기반을 갖추는 과정이 쉽지 않은 회사라면 Runway의 장점을 더 크게 느끼실 수 있을 것 같습니다. AI 경험이 많은 팀에서도 실험 관리와 운영 흐름이 정돈되면서 효율이 높아지는 부분이 분명히 있을 것으로 생각합니다.
무엇보다 Runway는 각 기업의 상황과 공정 특성에 맞춰 유연하게 적용할 수 있다는 점이 큰 강점입니다. ATTENTION 행사에도 갔었는데요, 같은 Runway를 사용하고 있음에도 회사마다 완전히 다른 플랫폼처럼 보일 정도로 활용 방식이 다양했습니다. 이는 현장 요구에 맞춰 자연스럽게 확장할 수 있는 구조 때문이라고 생각합니다. 저희도 필요한 기능이나 환경이 있을 때마다 마키나락스 담당자분께서 빠르게 가이드를 주셔서 많은 도움을 받았고, 이런 경험을 바탕으로 다른 제조 기업에도 Runway를 추천하고 싶습니다.
