수단이 목적이 되는 리스크
― AI를 최대한 활용하기 위해서는 그 가치를 본질적으로 이해할 필요가 있습니다.

미국의 글로벌 경영 컨설팅 회사인 Accenture는 2018년에 세계 6개국(일본, 중국, 프랑스, 독일, 이탈리아, 미국)기업 500개사를 대상으로 AI의 활용에 관한 조사를 실시했습니다. 이 결과에 따르면 응답 기업 중 약 70%는 AI가 자사의 미래에 미치는 영향력을 인식하고 본격적인 준비를 표명하였습니다. 그러나 실제로 다음의 도입 단계로 이행한 기업은 불과 16%에 불과하였으며 실제로 대규모 AI솔루션을 전개한 기업은 2%에 불과하였습니다. 즉, AI 활용을 추진한 기업들 대부분은 성과를 내지 못하고 실패했다는 결과를 얻었습니다.

실패의 이유는 여러가지 입니다. 단순히 "AI솔루션"을 도입하는 것만으로 문제가 해결된다고 믿었던 것, 혹은 도입에 필요한 예산이나 기술력을 잘 이해하지 못했던 것, 수집한 데이터의 성질이나 분석·응용에 관한 이해가 결여되어 있었던 것 등을 들 수 있습니다. 실패의 배경에는, 공통되는 2개의 근본 원인이 있습니다. AI란 무엇인가 하는 본질을 이해하지 못하고 있는 것, 그리고 목적에 달성하는데 필요한 적절한 방안을 마련하지 못했다는 것입니다.

"저에게 AI란, 기계에 지능을 부여하는 것에 전념하는 활동입니다. 그리고 지능의 자질이란 자신이 처한 환경하에서 어떻게 적절하게 선견지명을 가지고 작용할 수 있는가에 따라 결정됩니다."
Nils J. Nilsson, Kumagai Professor of Engineering (Emeritus), Stanford University

제조업에서 AI의 잠재력에 대한 기대가 크다고 합니다. 에너지와 자원 비용은 계속 상승하고 있으며, 특히 통계와 패턴인식, 빅데이터 플랫폼과 관련된 세계적인 기술 진보에 힘입어 새로운 업체들이 시장에 진출하고 있습니다. 기업은 경쟁력을 유지하기 위해 지속적으로 비용과 품질을 최적화해야 합니다.

어떤 종류의 금융 투자를 하기 전에, 기업은 그것의 목표를 세우고, 광범위한 도메인 지식을 가진 사람들을 참여시킬 필요가 있습니다. AI는 제품이 아니라 기계가 인간의 인지 과정을 모방할 수 있는 능력을 개발하고, 더 많은 데이터를 이용할 수 있게 되면서 지식을 쌓고 확장시킬 수 있게 하는 과학입니다. 그러나 제조 공정에 대해 심층적인 지식을 가진 사람들이 없이는 수집된 데이터를 분석하거나 효과적으로 적용할 수 없습니다.

AI와 제조업 영역 지식의 결합으로 공장 운영 진단 및 예측 정비를 용이하게 하여 귀중한 자산을 보호하고 운영 효율성을 높이는 솔루션을 만들 수 있습니다. 데이터를 그 자체 이상으로 가치를 부여할 수 있도록 해석하려면 상당한 경험과 도메인 지식이 필요합니다. AI를 이해하고 AI 기반 솔루션을 능숙하게 개발하고 통합하는 기업은 점점 더 경쟁이 치열해지는 글로벌 환경에서 경쟁력을 확보할 수 있을 것입니다.

최적의 툴 선택이 AI 솔루션의 가치를 높인다
― YOKOGAWA는 제조 분야의 방대한 전문성과 경험을 활용해, AI 베이스의 툴을 적절히 선택하여 고객에게 새로운 가치를 제공합니다.

압력 감지 반도체 부품 제조를 담당하는 YOKOGAWA 코마가네 공장은 나가노 현에 있습니다. 반도체 제조에는 수백 가지의 공정이 수행됩니다. 미세한 공정들로 이루어지며, 이러한 공정 중 일부가 내부적으로 진행됨에 따라 품질관리가 핵심 이슈 중 하나입니다. 이 때문에 코마가네 공장에는 데이터 수집을 위한 프로세스마다 수많은 센서가 설치되었고, 데이터가 처리되는 과정을 모니터링 하면서 조업 상황을 판단하고 있습니다. 그러나 품질에 영향을 미치는 공정들이 너무나 많기 때문에 이들 공정의 데이터를 분석하여 복잡한 결과를 검출하는 과정에서 미세한 변수까지 파악하는 것은 인간이 수행할 수 있는 능력을 넘어선 것이었습니다.

그러한 상황을 해결하기 위한 방안의 하나로 최근 고조되고 있는 AI 디지털 기술에 대한 회사 내 기대감이 높아졌습니다. 그러나 제품 및 제조 장비의 정비 담당자와 같은 기술자들은 디지털 기술의 기능과 가능성에 대해 충분히 알지 못했기 때문에 어떤 문제까지 해결할 수 있는지 알지 못했습니다. 마찬가지로 R&D 직원들은 자신의 기술이 어디에 가장 잘 활용될 수 있는지 정확히 알 수 없었습니다. 그래서 각 부서는 다양한 AI 활용을 위하여 부서 간의 상당한 정보와 의견 교환을 진행하였습니다.

각 부서는 AI 등 신기술로 해결해야 할 이슈를 파악하기로 했으며 성능 중심 관리 프로토콜인 SQDC(안전, 품질, 제공, 비용)의 관점에서 접근하여 주요 문제를 분리했고, 그 후 우선순위 정했습니다. AI를 이용해 해결할 가능성이 가장 높은 문제점을 선정하고, 가장 적합한 AI 기술을 바탕으로 해결책을 개발하기 시작했습니다. 부서 간의 협업을 강화하여 목표를 명확히 하고, 공동 혁신을 통하여 최적인 플랫폼의 확립을 목표로 추진하게 되었습니다.

"AI에 있어서 가장 큰 위험은, 인간이 AI를 이해하기에는 너무 이르다고 결론을 내리는 것입니다"
Eliezer Yudkowsky, Co-founder and Research Fellow, Machine Intelligence Research Institute

코마가네 공장에서는 YOKOGAWA가 개발한 AI 기반의 분석 툴을 사용해 제조 공정 데이터에 대한 품질 분석을 실시하고 있습니다. 상태 확인을 목적으로 설치한 센서의 신호를 이용해 값을 계산하여, 품질에 영향을 미칠 수 있는 복잡한 변동을 나타내기 위해 다차원 분석 툴을 도입했습니다. IIoT 대용량 데이터 처리를 통해 특정 값과 그 전기적 특성 사이의 인과관계가 발견되어, 반도체 특성에 영향을 미치는 요인을 밝혀낼 수 있었습니다. 생산라인 데이터와 품질 사이에 새로운 상관관계가 발견되었으며 AI 기반 분석 도구는 대량의 데이터에서 중요한 항목을 식별하고 이전에 중요하지 않다고 여겨왔던 데이터에서 중요성을 찾는 데 도움을 주었습니다.

IIoT의 통해 생성되는 데이터는 계속 증가하여 처리 속도를 능가할 것이지만, AI는 다차원적이고 복잡한 분석을 통해서 쉽게 처리할 수 있을 것으로 예상하고 있습니다. AI는 인간이 인식하지 못하는 변화를 개별 특성을 이용하여 해석하게 됩니다. 게다가 AI는 제품 및 공장 검사에서 이미징을 사용하고 외부 온도와 운영 예측의 변동을 판독해 에너지를 절약하는 플랜트 운용에 활용하는 등 보다 광범위한 규모로 적용되기 시작했습니다.

그러나 AI는 어디까지나 도구이기 때문에 인간이 지금까지 얻어온 방대한 경험이나 지식을 입력해야만 합니다. 그 가치를 최대한으로 끌어내기 위해서는 폭넓은 전문지식을 갖추고 해석 작업을 이해하고 있는 사람들이 서로 제휴하면서 AI를 교육해야 합니다. 필요한 작업을 제대로 실행할 수 있도록 결과를 이해하기 위해 필요한 경험이나 통찰을 주는 것이 중요합니다. AI의 이용을 효과적 구현하고 세계적으로 보급시켜 가기 위해서는 인간이 모종의 중개역을 맡아야 합니다

YOKOGAWA는 나가노 공장에서 달성한 결과 등의 사례 경험을 축적하고, 내부 공동 혁신 구조를 강화함으로써, 공장에서 실용화할 수 있는 보강 학습 알고리즘의 개발을 목표로 하고 있으며 회사의 방대한 도메인 지식과 산업 경험을 활용하여 고객과 공동 혁신을 추진하여 공정·운용 개선뿐만 아니라 품질의 안정화, 설비에 대한 예측 정비 등에 전략적으로 AI를 적용할 예정입니다. 이를 통해 고객에 대한 신속하고 유연한 경영의 성과를 거둘 수 있는 것이 가능해지리라 생각하고 있습니다.