AI가 제조업을 만나면 이렇게 변한다? AI가 변화시킨 산업 현장 속 AI기반 제조 솔루션은? (한국생산기술연구원 이상아 박사 2부)

안될과학 Unrealscience
147 팔로워
우리 실생활에 쓰이는 많은 제품들!
과연 그 제품들은 어떻게 만들어지는 것일까?
제품이 만들어지기 위해 사용되는 6대 뿌리 기술
과연 그 뿌리기술에는 어떤 것들이 있는지
한국생산기술연구원 이승미 박사님과 함께 알아봅니다!
◆ 2024 신상 굿즈 블록 피규어 키링 + 포스터 출시
모어사이언스 스토어에서 만나볼 수 있습니다!
https://smartstore.naver.com/morescience
#제품 #사출 #성형 #제조 #압출 #생산기술연구원 #이상아박사
◆ Thanks to
편집 : 권다혜
Studio : 서울스트리밍스테이션
Guest : 한국생산기술연구원 이상아 박사
◆ 안될과학-모어사이언스 스마트스토어 (과학굿즈)
https://smartstore.naver.com/morescience
◆ 안될과학 인스타그램
https://www.instagram.com/unreal.science
◆ 안될과학 커뮤니티
https://cafe.naver.com/unrealscience
◆ 안될과학 문의
E-MAIL : [email protected]
그러면은 여기서 혹시 이제 왼쪽
그림에서 결함이 어디 있는지 좀
기공이 어디 있는지 보이시나요 이거
안 보이는 전혀 안 보이는 그렇죠 야
우리 감독님 짱이다 오
이걸 인사 시간 도왔습니다 여러분의
시간을 낭비해 드리 느리지만 쿨랑
과학 랩 미트입니다 반갑습니다
교수님들 반갑습니다
반갑습니다네 이제 이게 앞에 말씀드린
뿌리 기술에 대한 이미지인데 보시면은
씨 어떤 생각이 좀 드시나요 빡세요
아 맞습니다 이게 이제 주조 굉장히
이제 금속을 녹일 정도니까 엄청
온도가 높잖아요 그리고 아까 이제
알루미늄 떡 잘리 있이 잘리는 것도
보셨을 정도로 이렇게 막 좀
위험하기도 하고 그리고 좀 뭐 도금
작업하는 사진도 보시면 알겠지만
이렇게 공기도 좀 좋지 않은 경우가
많고네 그리고 뭐 프레스 같은 거도
막 하중이 엄청 큰 작업이다 보니까네
위험하 기도 하고 이제 거기다가 또
이게 어떤 숙련된 작업자에게 의존을
많이 하는 그런 작업들이 그러다
보니까 이런 제조 업체를 경영하시는
분들이 이런 작업들을 좀 자동화하고
지능화 하려고 하는 수요가
높아요음 왜냐면은 이제 요즘
정부에서도 안전 문제를 되게 중요하게
생각을 하고 있고 저런 위험한
작업장에서 사람을 좀 최소한으로 두고
싶으신 거죠 그렇죠 그리고 또 추가로
요즘 이제 인구 감소 문제가 있잖아요
아 그렇죠 그니까 이제 생산성 쪽에도
문제가 있고 하다 보니까 그때 또
현장에 어떤 숙련된 노동자분들 조금
은퇴할 시기가 됐다고 하더라고요
그러다 보니까 이제 인공지능을
이용해서 생산성을 높이는 방법에 대한
고민들을 많이들 하고 계시는 거죠
사실 4차 산업
혁명이라는게 2016년도에 클라우드
슈바이 세계 경제 포럼에서 처음
사용한 단어지만 사실 제조 쪽에서는
이미 독일이
2011년부터 인더스트리 4.0
이라고 해서이 스마트 팩토리로
대표되는 이런 정책을 진행을 하고
있었거든요 선두주자 맞습니다
그러니까이 제조 쪽은 요즘 뭐
인공지능이 안 쓰이는 분야가 없지만
그래도 제조 쪽은 더 오픈 마인드로
그런 것들을 적용을 하려는 움직임들이
좀 많은 분야다 이런 얘기를 먼저 좀
해 드리고 싶고 그래서 뭐 뿌리 기술
중에 하나인 주조 기술의 아
인공지능을 적용한 연구를 한번 소개를
해 드려 보도록 하겠습니다 좋습니다네
주조로 여러 가지 제품은 을 만드는데
자동차 부품도 많이 만들거든요 자동차
부품 중에 변속기가 있어요 기어기어
어 그죠 컨버터 네네 그래서 얘를
감싸는 하우징을 이제이 주조를 통해서
만드는데 자동차 한 대가 많으면은
수백만 대가 팔린다고 하더라고요
그래서 이제 뭐 이런 제품을 한
업체에서만 만드는게 아니니까 한
업체가 수백만 개를 만들진 않겠지만
그래도 수만에서 수십개 정도는 만든단
말이에요 그러면은 이제 일일 이거를
뭐 이렇게 모양도 복잡한 제품인데 뭐
여러 공정을 거쳐 가지고 만드는
것보다 한 방에 만드는게 좋겠죠네
그래서 이제 주조가 이런 경우 이제
좀 적절한 공정법이 될 수 있을 것
같고요 근데 이렇게 제품이 만들어지고
나면은 불량품인지 아닌지를 검사를
해야 되잖아요 그죠 제일 중요하죠
분량이 겉에 있으면은 그냥 사람이
이렇게 눈으로 보면 되는데 이제 속에
있으면은 어떻게 찾을 가 있을까요
속에 있는 분량 아 저는 이거 그렇게
하고 있는 걸로 알고 있거든요 몇
개를 따서 아
잘라보고 그 중에 뭐 몇 개가
불량품이 나오는지를 따져보는 거
맞습니다 그래서 예전에는 진짜 이거를
잘라서 그렇게 했다고 하더라고요 너무
아깝죠 그죠 잘랐는데 이상이 없어
그러면 생 제품 하나 버린 거잖아요
그렇죠 그렇죠 그렇죠 그래서 어 막
댓글에 올라오는데 NDT에 왔습니다
그래서 분량 검사를 하는데 이제
사람도 뼈가 부러지거나 하면은 병원가
가지고 레 엑스레일 찍는 것처럼
제품도 이제 검사를 위해서 이런 선을
이용해서 시티를 아 찍습니다 오호
해서 왼쪽 위에 저기 보시는 것처럼
X 선의 소스가 되는 레이저 건이
있고요네 얘가 이제 제품 주의를
360도를 돌아가면서 촬영을 하고
단면을 단면 촬영을 하고 그 단면들을
모아서 3로 만드는 거죠 맞습니다음
아 가운데 보이시는 것처럼 3D
이미지를 만들어요네 그래서 내부를 볼
수 있는이 과정을 리컨스트럭션이라고
하는데 그래서이 3D 이제 이미지가
나오면 얘를 이제 x 방향으로
착착착착 쪼개가면서 쓱 넘겨 가면서
불량이 있는지 살피고 또 y 방향으로
착착착착 넘겨가면서 살피고 Z
방향으로도 위아래 쪽으로도 이게 정말
정확하게 저희 의사 선생님들이 이제이
시티 넘기면서 뭐 종양이나 어떤
병변이 있는지 살피는 거랑 뭐 거
완전히 똑같은 그런 과정이라고 볼 수
있을 것 같습니다 네네 그러면은
우리가 이런 과정을 통해서 찾고 싶은
주조 결함이 어떤 것이 있을 것이냐
하면은 제일 대표적인게 기공 분량이
있습니다 아 공기방울 들어가는구나 아
공기방 비슷한데요 이제 저희가 이제
현무암 생각하면 구멍이 빵빵 뚫려
있잖아요 근데 그 비슷하게 그죠
골다공증 저런 표현을 왜이 비유를
생각을
못했을까 그것처럼 구멍이 크지는
않지만 작은 구멍들이 주조품는 무조건
생길 수밖에 없거든요네 이게 없을
수는 없어요 근데 이제 중요한 거는이
수랑 위치 왜냐면은 이게 좀 두툼하고
뭐 두께가 두꺼운데 기공이 많이
있으면은 그 상관없거든요 근데 좀
부품이 얇은데 와인 잔이라고 치면은이
와인 손잡이 부분 이런데 기공이 많이
있다 이러면은 강도에 문제가 되고
그렇죠 이제 나사를 박아야 되는
부분에 있다 이러면 또 문제가 될
수도 있고 그리고 또 결정적으로
표면에 있으면은 이게 제품을 사는
사람이 좀 마음에 안 들 수 있잖아요
그죠 그죠 그죠네 그러다 보니까
이제이 기공이 그런 데에서 발생을
하면은 불량품이 된다음 그래서 여기가
과학 채널이니 조금 과학적인 얘기로
넘어가서 기공이 왜 생기는지 넘어가
보자면은 콜라 뜯는 순간에 탄산이 막
올라오잖아요 그죠 왜
올라오느라 콜라 속에 기체가 녹을
수가 있는데 얘가 올라오는 거죠
기체가 올라오는 거죠 따는 순간 이제
압력이 낮아지면서 기체가 더 이상
녹아 있지 못하고 빠져나오는 거거든요
액체에서 그랑 비슷하게 얘를 이제
틀에 부으려고 녹여야 되잖아요 액체로
만들어야 되는데 이제 초콜릿 녹이듯이
이렇게 녹이거나 같은 데다가 그때
이제 액체로 녹이는 와중에이
알루미늄이 공기 중에 분하고 반응을
해서 알루미늄 옥사이드 아는 걸
만드는데 이게 아까 화면에 오른쪽에
있는 화학식이 알루미늄 옥사이드
있니다음 근데 수분이랑 반응을 한다
했잖아요 공기에서 그러면 수분의
화식이 어떻게 되죠 H2 근데
오른쪽에 알루미늄 옥사이드 화학식을
보면은 h 없구나 h
없습니다가 어디로 갔느냐 알루미늄에
녹아 있습니다 알루미늄 액체 속에
걔들이 이제 기공이 되는 거예요 수석
기체들이 기포를 만들어서 구멍을
만드는구나네 맞습니다 그래서이 액체
알루미늄이 굳으면서 얘를 천천히
굳히면 괜찮아요 밑에서부터 천천히
굳히면 기포들이 이렇게 이렇게 위로
해서 표면을 통해서 나갈 수가
있잖아요음 근데 그럴 시간이 없어요
왜냐면 막 수만 개 만들어야 되고
이렇게 다 놔두고 이렇게 시키고 있을
시간이 없기 때문에 빠르게 시키다
보면은 수소 기체들이 빠져나가지
못하고 굳어서 기공이 되는 거죠네 음
그래서 기공이 생겨서 이런 것들을
이제 3D 우리 아까 시티 촬영하듯
찍어 가지고 이제 그 기공이 생기는지
안 생기는지를 확인을 하는 거죠
맞습니다네 이제 기공 결함 말고 크랙
결함이라 것도 있는데 항상 생기죠 뭐
금형에서 빼내다가 힘을 잘못 졌다거나
근데 요거는 기공이 다르게 반드시
생기는 거는 아니고 피할 수는 있는
결함인 그래서 기공보다 빈도가 낮다고
하고요 그래서 이제이 연구를 수행하신
분들도 요쪽은 이제 데이터를 많이 못
얻었다고 하시더라고요 어 AI n
데이터가 많이 필요한데 크랙은
데이터가 생각보다 잘 안 생기니까
많이 모지를 못했군요 맞습니다 예
이제 앞에 말씀드렸듯이 결함을 검사할
때 이제 숙련자 분들이이 단면을
이렇게 쫙 넘겨 가면서 검사를 한다고
했잖아요 근데 아까 제품을 막 수만
개 이렇게 만든다고 했으니까 이걸 다
검사를 할 수가 없거든요 그렇죠 여기
이제 어려운 이유가 일단 시티를
찍는데 시간이 굉장히 많이 걸립니다
이게 이제 아까 얘가 제품 주의를
360도를 돌면서 이렇게 단면을
촬영한다고 했는데 이제 상식적으로
게를 촘촘하게 단면을 많이 촬영을
할수록 더 정확한이 3D 모델이
만들어지겠죠 이게 이제 보통
그래가지고 막 1,000번 넘게
이거를 찍어 0점 몇 도식 이렇게
바고 가면서 천장 넘는 사진을 찍는데
너무 오래 걸리지 않아요 한 30에서
한시간 정도 이제 제품 따라 차이는
있는데 그 정도 걸린다고 하는데
문제는 근데 그것뿐이 아니라이 시티
장비가 되게 비싸거든요 근데 장비
자체가 그냥 비싸고 끝나면 괜찮은데이
레이저 컨이 소모품이라고 해요 소모품
주제에 또 비싸요 그니까 많이 찍으면
그 소모품이 빨리 달아 가지고 그것도
또 비싸지는구나 카메라 카메라 생각
카메라도 비싸고 안에 필름도 비 필
비싼 거 맞습니다 그래서 얘가 이제
소모품 주제에 막 억이 넘게 비싸다고
하니까 얘를 이제 또 찍으면 찍을수록
그게 또 돈이 되는 거죠 아음 근데
뭐 장비도 그렇지만 사람 입장에서도
슬라이드가 막 수천장 수백장 되는데
이거를 이렇게 사람이 하나하나 다 볼
수가 없는 거죠 이제 상당한 피로도가
있는 거죠 왜냐면이 기공이 작으면이
시티 이미지 기준으로 픽셀이 10픽셀
막 이하라고 하거든요 그러니까 되게
작은 거죠 아까 처음 이제 기공 교랑
보여 드린 것도 뭔가 제가 화질이 안
좋은 걸 가져온게 아니라 기공 자체가
작아서 화질이 안 좋은 사진처럼
보이는 그런 걸 가져온 건데 그래서
여기다 왠지 이런 어려움이 있으니까
인공지능을 쓰면은 좀 좋을 것 같죠
왠지 느낌이 인공지능을 쓰면은 사진도
적게 찍고 그걸로 왜 요즘 그런 거
있잖아 인공지능 어떤 사진 가지고 그
주위에 있는 걸 쫙 만들어 내고
그래서 사진도 적게 찍으면 그거를
3로 금방 구현해 내고 그걸 바탕
기공도 찾아내고 약간 이런 건가
맞습니다 그래서 어려운 점을 이제
말씀을 드렸다는 거는 그거를 이제
인공지능이 해결한다는 그 그 얘기를
드리려고 하는 건데 AI 어떻게
활용할지 가장 직관적으로 이제 생각할
수 있는게 이미지에서 결함을 찾아주는
거를 인공지능이 해 주는 거죠 이미지
결함을 찾아주는 인공지능 모델을 만들
수가 있겠습니다네 이제 모델링 방법은
이제 여러 가지가 있을 수 있겠지만
제가 소개해드리려는 는이 연구에서는
여기 이제 보이시는 것 같은 이제
CNN이라고 이미지를 처리하는데 좋은
그런 방송인가
아키텍처를 죄송해요 아 맞습니다네
CNN이라는 컨볼루션 뉴럴 네트워크전
요걸 이용해서 이제
피처를 추출을 하고 이미지의 중요한
특징들을 추출을 해서 그 피처에서 터
컨브넷이라는이 CNN 거꾸로 뒤집은
이제 네트워크를 이용해서 다시
이미지를 복원을 하는음 그런 모델을
사용을 했습니다네 그래서 복원된
이미지에서 결함이 있는 부분만 숫자
1 결함이 없는 부분은 숫자 0이
되도록 이미지를 복원을 하는 그런
기술을 적용을 했거든요 그러면은
여기서 혹시 이제 왼쪽 그림에서
결함이 어디 있는지 기공이 어디
있는지 보이시나요이 안 보이는 전혀
안 보이는 그죠 어디 어디 있는 거지
아 저기 왼쪽 아구나 우리 다 같이
찾아봐요 아 왼쪽 아래 좀 아 제이야
우리 감독님 짱이다 오 이걸 예
맞습니다 우와 자 인공지능을 이용했을
때 아 저래가지고 저기
딱음 그 결과물이 저런 식으로
나오도록 어 이제 학습을 시키는 거죠
우와 그렇군요 그래서 이제 그런
식으로 학습된 모델을 작업자분들이
이제 사용하시는 프로그램에 넣어
가지고 완성한게이 영상이 되겠고요
와음 간하게 진짜 쉽겠다 이러면이
프로그램 자체는 이제 원래 있는 상용
프로그램 이라고 하는데 여기에 이제
개발된 딥러닝 모델을 기공 검출을
위한 어떤 그가 다 기공이나 그걸로
집어 넣은 거고 저게 이제 색깔별로
기공 크기를 나타내는 뭐 그런
거거든요 그래서 이제 2d 검출된
기공을 3d 또 보일 수 있게 위치가
아까 중요하다고
했으니까음 이제 위치랑 이런 것들을
잘 나오게 해서 실제 작업자분들이
결함 검사를 쉽게 좀 할 수 있도록
한 그런 연구내용이 되겠습니다네
그렇게 이제 했고 또 그거 말고도
인공지능을 또 적용을 할 수 있는
방법이 이제 시티 이미지의 해상도를
높이는데 사용을 할 수가 있는데 어
아까 말씀드렸다시피 얘가 선명한
이미지를 얻으려면이 단면을 진짜 많이
찍어야 된다고 말씀하셨죠 1천번 넘게
찍어야 되는데 근데 얘를 만약에 뭐
1의 1만 찍어도 된다는 거는 바로
이제 비용을 1 시간을 1 감소를
시킨다는 거 그예 엄청난 메리트가
있는 기술이 되겠죠 그래서 이때
인공지능 기술 중에 슈퍼
레솔루션이라는 초 해상도라는 또
기술이 있어요 이제 그런 기술을
여기다가 활용을 할 수가 있는 거죠
어 그래서 완전히 촘촘하게 찍지
않아도 성기게 찍어도 AI 기술로
그거 저화질의 사진을 화질을 높인
다음에 거기서 결함을 찾아낸다 어
이게 핵심이네요 맞습니다 그래서 이제
이게 왼쪽 위에부터 찍은 단면 수에
따른 시티 이미 의 변화인데 1440
이면은 0.25도 이렇게 돌아가면서
찍은 거거든요 보시면은 이제 적게
가장 선명한 이미지가 되겠고 물론 뭐
저거보다 더 찍으면 더 선명해질 수도
있겠죠 근데 그다음에 이제 반씩
이렇게 단면 수를 줄여가면서 45개
면은 이제 140장 다 32
1이거나 로는 기공을 찾기가 좀
어려워 보이는 그런 이미지가
되겠습니다 그래서 조금 복잡해 보일
수 있는 어 많이 복잡해 보
페이지인데 튼요 요런 아키텍처를
사용을 했다 그래서 좋은 학교에서
발표된 좋은
모델이고요네 그걸 수정해서 사용을
했는데 간단하게만 말씀을 드리자면
인공지능 모델을 구성하는 블럭 종류가
여러 가지가 있는데 앞에 말씀드린
CNN 있고 또 뭐 어떤 이제
순차적인 데이터 처리하는데 좋은
rnn이라는 그런 어 인공지능 블록도
있고 근데 그중에서 비교적 최근에
발표가 됐는데 최근 연구자들이 정말
좋아하는 블록이 있는데 그게
트랜스포머라쳇 트랜스포머라쳇
[음악]
봐보시면 맨 위에 줄이 인풋이 그요
인풋을 보시면은 노이즈가 꽤 껴
있습니다 그리고 아웃풋은 인공지능을
통해서 노이즈를 제거를 한 거고 이제
GT 그라운드 트루스 해서 정답지
여기서는 140장 a 단면을 이용해서
어 만든 제일 깨끗한 이미지가 되겠죠
그래서 보시면은 이제 완벽하지는
않지만 이게 상당히 이미지가 정답지
비슷하게 GT 정답지 보면은 그러니까
세밀하게 140번 찍은 이미지라고
보면은 인풋을 설기에 찍었는데도
이거를 AI 돌려서 비교를 해봤더니
어 진짜로 찍은 사진과 별 차이가
없더라 아웃풋과 GT 봤을 때 어
지금 인풋 자체는 좀 더 적게 찍은
거죠 아까
GT다는 근데 훨씬 적게 찍은 거죠
AI 돌려서 렇게 만들 수 있다
그래서 일단 뿌리
기술에 있어서 인공지능을 이제 적용한
예시를 말씀을 드렸는데이 제조 분야가
인공지능 자체를 개발 라는 난이도는
다른 분야에 비해서 그렇게 높지는
않을 거거든요 그냥 뭐 음성 인식이나
뭐 채치 PT 같이 그런 고급 기술이
들어갈 필요는 없는 그런 분야인데
다만 이제 어디다가 어떤 기술을
적용을 할지 그걸 이제 매치시키는게
되게 중요한 분야인 거 같고요 제조는
그리고 그거를 실제 작업자 이제
베네핏으로 이어질 수 있도록 해주는
작업이 되게 중요한 분야고 그렇기
때문에 또 현장 지식을 가지신 분들과
되게 협업이 되게 중요 중요한
분야다음 이렇게 좀 말씀을 드릴 수
있을 것 같고요 좀 스마트 팩토리에
대해서 그래서 좀 얘기를 드리고
싶은데요 이제 스마트 팩토리라는
단어가 사실 살짝 피로감이 조금 있는
단어예요 왜냐면은 얘기가 나오기
시작한지 오래됐는데 그럼에도 불구하고
스마트 팩토리라고 할 때 떠오르는
공장이나 회사가 있으신가요 저희가
어떤 정말 미래적이고 자동화가 다
되는 그런게 현실세계 에서 딱
떠오르지는 못하잖아요 아 그렇죠
우리가 생각하는 인공지능이 타주는
로봇이 타주는 커피는 막 진짜이
사람이 막 이렇게 해가지고 쫙 해서
나올 줄 알았지만 현실은
뭉이 이거 이거 이거 이거 이거 이거
하잖아 저는 그 언 어디지 아 그
고속도로 그 휴게소에 하나 있는데 그
친구는 운행을 하는 적이 별로 없어
계속 이러고 있어
혼자서 괴리감이 아직 조금 있는
단어인 거 같고요 뭐 앞에 말씀드린
그 검사기 술 같은 것도 그게
적용된다고 해서 스마트 팩토리
이까라고 하면은 좀 부족한 느낌이
들잖아요 그래서 이제 왜 스마트
팩토리는 우리한테 이렇게 멀게
느껴지는지 대해서 좀 얘기를 드려
보려고 하는 건데네 그걸 위해서 일단
스마트 팩토리가 뭔가 일단이 스마트
팩토리에 대해서 얘기하시는 사람마다
좀 각양각색일 수 있는데 일단 그래서
공신력 있는 정부 기관에서 내놓은
자료를 좀 가져와 봤고요 그래서 총
5단계로 분류를 했어요 그래서 첫
번째는 일단 데이터 자체가 관리가
돼야 되고 그렇죠 수기로 이렇게
하거나 이런 데서 이제 전산화가 되고
또 저장이 되고 하고 그리고 두 번째
단계에서는 그거를 실시간으로 볼 수
있어야 되고 세 번째 단계에선 그
데이터가 분석을 할 수 있어야 되고
그리고네 번째 단계에서는 이제 분석
결과를 바탕으로 공장을 운영을 하고
그리고 나서야 5단계에서 이제
인공지능이 들어가는 거거든요네 우리가
생각하는 그런 인공지능 들어간 스마트
팩토리는 이런 최종 단계인 건데 사실
스마트 팩토리라고 하면 범위가 이렇게
넓은 거죠음 14 단계가 스마트
팩토리가 아닌게 아니라 그래서
대부분의 제조 업체가 이게 중간
단계도 어렵고 기초 단계도 안 된데도
사실 많이 있거든요네 그럴 수 있을
것 같아요 그러니까 이런 현실하고
자꾸 이제 미디어 이런 데서 보여주는
그런 모습하고 좀 저희가 괴리감을 좀
느끼는 거죠음 단 앞에 말씀드린 그
예시에서는 이제 검사 이렇게
단계에서만 부분적으로 AI 적용이
되는 거였는데 사실 제품이 하나
만들어지려면 설계부터 제품 만든
공정과 공정을 수행하는 설비 그리고
이제 여기서 이제 물류라는 거는 뭐
택배 같은게 아니라 공장 내에서
만들어지는 제품들을 이제이 공정에서
저 공정으로 옮겨야 되잖아요 공장내
물류를 얘기를 하는 건데 이런 전
단계에 있어서 다 지능화 이런게 돼야
되는데이 하나하나가 사실 인공지능을
적용하고 지능화를 하는 거에서 쉽지가
않은 일이거든요 저희가 이제
기계공학자 하면은 제가 이제 기계
쪽을 전공을 했어서 하는 말인데
거기도 이제 유체 역학이 있고
열역학이 있고 이렇게 다 따로
있잖아요 그것처럼이 스마트 요거
하나하나 검사 설계 설비 공적이
하나하나가 장르 든요 근데이 하나를
바꾸기도 어려운데 우리는 이제이
모든게 다 돼서 그런 걸 꿈꾸니까 뭐
그 예시로 그 다음 페이지 한번 보여
주시면은 예시로 물류 에 있어서라고
이제 무인 운반차 기술 요것도 하나의
장르인 거잖아요 이런 자율 운반 기술
자체가이 또 이것뿐 아니라 물류
자동화에 있어서 이제 얘는 이제 그냥
옮기는 거면 협동 로봇이라고 하는
이런 거에 대한 기술도 되게
필요하고요 다음 설비에 있어서는 또
설비에서 중요한 또 그런 기술 중
하나가 고장 진단 음이라는 건데이 그
그래프가 좀 어려워 보이지만 짧게
말하면 언제 고장날지 예측을 하는
거예요
아 왜냐면은
고장이 난 다음부터는 이제 생산을
중단해야 되는데 그거 다운 타임이라고
하는데 길어질수록 손해를 보는 거니까
고장 날 거 같으면은 미리 이제 부품
사다 놓고 뭐 그렇게도 할 수 있고
그리고 뭐 아까 이런 금영 같은
공구는 소모품이 언젠가는 바꿔야
되거든요 이걸 이제 지금은 보수적으로
제품 몇 개 만들면 바꾸고 이렇게
하지만 이걸 좀 더 정교하게 바꾸는
시기를 예측할 수 있으면 낭비를 막을
수 있으니까 그죠 그래서 설비 부분에
에서는 또 이런 phm이 또 하나의
장르고 전 세계적으로 이것만 또
연구하시는 분들이 되게 많은 거죠음
예를 들어서 올림픽을 하는 거야
올림픽을 하는데 뭐 축구 분야 전문가
있을 거고 또 양궁 분야 팬싱 분야
이렇게 다 전문가가 있어서 그 하나
딱 돼서 올림픽이 돼야 되는데 그
하나하나 다 모든게 적용하기가 지금
쉽지가 않은 상태라는 거죠 맞습니다
올림픽 비유로 치자면 금메달 리스트만
모아 놔야지 이제 스마트 공장이 되는
거예요 그렇죠 그 그 다음 페이지가
이제 그런 말씀을 드리고 싶어서 준비
메달들 모아놔야지 우리가 어떤 이미지
생각하는 것과의 매칭이 되는 그런
기술이 완성이 된다 그렇죠 근데
이거가 쉽지가 않죠 특히 이미 공장
있는 이걸 바꾸는게
어렵잖아요요 진짜로 자동차만 해도
내형 기관 프레임 그대로 놔두고
전기차 만드면 한계가 있잖아요
프레임부터 바꿔서 다시 설계를 해야
되듯이 좀 어렵다고만 계속
말씀드렸는데 조금 그래도 근접할 게
좀 언급이 되는 그런 공장이 있어요
오 이게 현대자동차 싱가포 공장인데
아 기존 공장을 이렇게 바꾸는 건는
어렵다 했잖아요 요거는 이제 설계
때부터 아예 염두를 두고 뭐 이렇게
만든 거 같더라 여기 이제 아까
말씀드린 그런 이제 나 amr 그것도
이제 비슷한 그런 물류 로봇인데 그런
거를 이용한 스마트 물류도 들어가
있고 그리고 이제 디지털 트윈
들어보셨나요 지털 2인 공장이랑
똑같은 가상
공장을이 전산상에 만들어서 그걸
이용해서 공장을 운영을
하는음 그런 기술도 들어가 있고 가상
머신을 돌리는 거지음 오 맞습니다음
괜찮다 그리고 제일 재밌는게 이게 어
이제 제품을 그래서 다 만들면 옥상에
트랙이 있어서 자동차 공장이 오 옥상
이상로 예 바로 그렇게 시험 평가를
하는 뭐 그렇게 설계가 됐다라고
쌍이다 만들어 놓은 거 되게 좀
획기적이다 근데 사실 제조업이라는 거
자체가 물론 대기업들이 하고 있는
것들도 있지만 밑에 중소 기업들
그다음에 약간 벤처 기업들이 이끌어
온 것들이 있잖아요 예를 들어
대기업이 뭔가를 제조를 하려 그러면
사실 다 하청이 가고 실질적인 일들은
그 밑에 조그만 기업들이 하는데 또
대기업은 이걸 적용하고 저걸 적용하고
하면은 또 밑에 기업들은 그걸 또 못
따라가고 약간이 조화가 잘 이루어져야
될 거 같아요 지금 현장에 보면은
되게 중요한 말씀인 거 같아요 짜
왜냐면은 맨 위에서는 뭐 AI 뭐
뭐고 돈이 많으니까 뭐 투자를 한다
한 한 정작 일을 해야 되는 데서는
그 시스템이 구축이 안 돼 있었으면
맞습니다 근데 대기업이 아닌
기업들에서 이런 스마트 공장이 어려운
이유는 꼭 돈 때문에 문제는 또
아니에요 돈 돈 말고도 다른 또
문제들이 있습니다 뭐죠 어떤 거죠
이런 문제들이 좀 있거든요 뭔지 잘
이것만 봐서 모르시겠지만지 아 그
데이터 자체가 AI 사용하려면 일단
정보 기반이 있어야는데 데 그 정구
자체가 부족할 수도 있는 건가 오
맞습니다
어 그래서 이런 문제들이 어떤
문제들인랑 그걸 해결하기 위한 또
AI 기술 이렇게 묶어 가지고 얘기를
하면서 오늘 마무리를 좀 해보도록
하겠습니다네 좋습니다 먼저 묵지 아는
거는요 다른 말로 하면 노하우 노우
노하우 그요 이게 현장에서 작업하시는
분들이 뭐 어떤 교과서적인 지식이나
그런 걸 가지고 작업을 하시는
분들이 노하우가 있는 거 딱 이럴
때에서이 정도 뜯고이 정도 무게가
느껴지면 이때 뽑아라 막 이런 것들이
있잖아요 맞습니다 대충 열기와 숲도
손으로 만 손으로 느껴지고 막 이런
것들 그래서 이런 분들의 이런
노하우는 일단 데이터화를 하기도
어렵고 이게 전수를 하기도 어렵거든요
그렇기 때문에 경영하시는 분들이
인공지능을 좀 대체를 하고 싶어 하는
수요가 있으시기 한데 이거를 조금
대응 할 수 있는 인공지능 기술이
설명 가능한 인공지능이 될 것 같고요
어 설명 가능한 인공지능을 이제
xai 고도 하거든요 익스플레인 AI
약자로 이게 뭐냐면 여기 이제 그림에
너무 잘 설명이 나와 있는데 그냥
일반적인 인공지능이 얘가 개야
고양이야 물어봤을 때 고양이입니다
이제 확률까지 알려줘요 95% 확률
고양이입니다라고 한다면은 이제 설명
가능한 인공지능은 얘가 왜 고양인지
아지도
알려줍니다이 설명 가능한 인공지능은
어떤 노하우 자체 에 대한 데이터가
아니라 그냥 인풋과 아웃풋에 대한
데이터만 있어도 요런 설명들을 자기가
출현을 해서 만들어 내 주는 그런
기술이에요 그래서 이제 좀 암묵지의
대한 것 때문에 인공지능 적용이
어려울 경우에 좀 생각을 해 볼 수
있는 그런 기술이 되겠습니다 그다음은
데이터 문제인데 아까 이제 어 랩장
님이 말씀해 주셨듯이 데이터를 얻기가
제조 현장이 쉽지가 않거든요 뭐
저희가 얼굴 인식 데이터나 사람 얼굴
이런 데이터는 사실 인터넷 찾아봐도
쉽게 얻을 수가 있잖아요 근데 이제
제조 현장의 데이터는 일단 조금
신뢰하기 어려운 경우가 많고 왜냐면은
현장 작업자분들 테 데이터를 위해서
뭔가 이제 추가 작업을 한다는 거는
이제 말 그대로 추가 작업이니까 완전
전산화가 잘 돼 있지 않은 데서는
이제 직접 이렇게 작업할 때마다 이제
키인 해 주거나 뭐 적거나 이렇게
치거나 해 해 줘야 되는데 그런
작업들의 정확도도 좀 떨어지고 그리고
아까 시티 예시에서 말씀드렸듯이
데이터 레이블링을 레이블링이라는게
인공지능 학습을 표지하는 거죠네
시키려면 데이터에 대한 정답지를
만들어야 되잖아요 근데이 정답지를 뭐
얼굴 인식이나 개고양이 사진은 일반
사람들도 다 정답지를 만들 수가 있단
말이에요 개 사진 고양이 사진 아무나
다 구별할 수 있으니까 근데 이런
기공 같은 거 찾는 거는 일반
사람들이 하다 보면은 실수할 수도
있고 그래서 데이터를 모으기가 좀
제조 현장은 어렵 죠음 보안 문제도
있고 그렇기 때문에 이제 인공지능
적용이 좀 어렵다라고 보는 시각도
있는데 인공지능이 요즘 너무 발전을
하다 보니까 그런 것들에도 다 대응을
할 수 있는 또 기술들이 많이
나왔어요 그래서 다른 것도 있겠지만
저는 이제이 초고대 AI 스몰 데이터
AI 아는 걸 꼽아 봤고 이제 스몰
데이터 AI 아는 거는 말 그대로
이제 데이터가 좀만 있어도 인공지능을
학습시킬 수 있는 그런 기술이든
그래서 이런 기술도 있다 런 거
사용을 해 볼 수도 있겠고 초거대
AI 아는 거는 채지 PT 같은
거거든요 채지 PT 설명드리면 조금
더 안 와닿을 수 있을 거 같아서
지금 자료 화면에 그 이미지를
준비한게 얘가 세그먼트 니싱이라는
모델인데 아까 세그멘테이션
말씀드렸잖아요 이게 픽셀도 아니고
물체를 이렇게 구별해 주는 거여서
이렇게 이제 펭귄들을 다 하나하나
구분 낼 수 있는 거죠 다 해 놨잖아
근데 이게 내가 따로 이미지를 추가로
학습을 안 시켜도 이게 이제 웹에서
서비스가 되고 있는데 아무 사진이나
내가 올려서 저 펭귄 탁 찍으면
알아서 딱 이렇게 해 줘요 어 이제
이런 모델이 제조 데이터를 대상으로
만들어진다고 하면 사실 이제 결함
사진 기공 사진 처음에 딱 주면은
이제 그때부터 알아서 찾아 준다던가
요런 거 가능할 수도 있는 거죠
그래서 요거는 조금 초고대 AI 쪽은
어떻게 보면 조금 더 미래의 그건데
그러니까 현재 레벨에서는이 스몰
데이터 AI 좀 접근해 볼 수 있겠고
이제 길게 봤을 때는 초고대 AI
이런 거를 좀 해 해볼 수가 있다네
거고요 보안 문제는 따로 말씀 안
들려도 될 정도로 너무 중요하죠
그렇죠 그죠 우리 저게 돈인데
맞습니다 돈인데 돈이자 거의 생존의
문제 이제 업체들에서는 그리고
데이터라는 거는이 업체의 노하우와
그게 담긴 자산이란 말이에요 그러니까
얘를 인공지능 적용하겠다고 이제
보통은 자체적으로 할 능력이 안네
외부에 준다 너무 마음이 안 좋은
거죠 그죠 이럴 때 해볼 수 있는
인공지능 방법이 연합 학습이라는게
있어요음 이게 뭐냐면 학습하는 서버가
따로 있고이 로드라는게 이제 각각의
공장이나 업체라고 보시면 되거든요
그러니까 얘들은 자기들이 학습을 공장
내에서 돌려서 모델에 대한 정보만
서버한테 주는 그런 방식이거든요
그래서 이제 결론만 말하면이
데이터가이 사이트 공장을 안 떠나도
되는 방식으로도 인공지능 학습을 할
수가 있다음 요런 방법을 사용을 하면
그렇죠 데이터가 일단 유출이 되면 안
되니까 내가 서버에서 메인 서버에서
필요한 자료만 너네가 그거를 어떤
숫자로는 뭐 이미지로는 그렇게만
전달을 해라 나머지 모든 정보는
너네가 갖고 있고 일단 너네가 분석을
해라 약간 이런 거죠음 맞습니다
데이터는 안 나가도 데이터가 공장을
떠나지 않아도 인공지능 모델을 만들
수가 있다음 이런 식으로 이제 보안
문제도 좀 대응을 할 수가 있다
마지막으로는 현장 적용에 대한
어려움인데 현장이 저희 사무실 같지
않거든요 아무 사진이나 한번 찾아서
넣어 봤는데 단 기계들도 너무 많고네
그래서 전력량 같은 것도 계산이 이미
되어 있을 수도 있고 그리고
작업자들도 움직이다가이 걸리적거려서
안 되고 작업 환경도 안 좋기 때문에
전산 장비가 들어갔을 때 뭐 잘
오랫동안 작동을 할 것이냐 그렇죠
그것도 그렇고 그래서
현장에가서 아는 GPU 들어가 막
빵빵한 슈퍼컵 놔두면서 막 인공지는
이렇게 돌릴 수 있는 상황이 잘 안
된단 말이 이에요 그렇다고 해서 안
되냐 이게 아니라 이제라는 기술이
사용을 하면 AI 거는 클라우드에 좀
반대말로 생각하시면 되거든요 그래서
클라우드 컴퓨팅은 렌으로 연결돼서
어떤 서버에서 계산을 돌려서 다시
말단에가 결과를 보내 주는 그런
방식이라면 기존에 저희
핸드폰에 담겨 있는 뭐 이런 시이나
빅스비 같은 것도 다 클라우드
방식이었아요 이제 최근에 물론
갤럭시가 막 온디바이스 갤럭시
근데 엣지 방식은 이제 그 말에서
모든 계산이 이어지는 거라서 인터넷을
연결할 필요가 없다는 특징도 있지만
또 엄청 모델이 경량화 돼가지고
가볍게 빠르게 뭐 이렇게 엄청 비싼
막 GPU 없어도 현장에서 돌릴 수
있는 그런 기술이 되겠습니다 그래서
이제 현장 적용할 때 이런 기술들을
통해서 대응을 할 수가 있다 이런
문제가 되겠습니다네 오늘 요렇게
인공지능의 제조 우리 주위의 모든
물건들을 만드는데 어떻게 사용이
되는지에 대해서 설명을 해주신 이상아
박사님께
아 박수드립니다 감사합니다 인사할
시간도 많습니다 여러분의 시간을
낭비해 드래 느리지만 쿨랑과 랩
미팅이었습니다 감사합니다 교수님들
감사합니다
