공장을 위한 실시간 연속 AI로 이동

TOKYO - "스마트 제조"에 대한 신념을 맹세한 모든 기업은 AI에 대한 희망을 서약하고 있습니다.

이 멋진 신세계에는 "학습" 플랫폼을 설정하고 클라우드 서비스 제공업체에 연락하는 비용과 함께 고가의 AI 시스템에 대한 막대한 투자가 필요합니다. 거대한 계획은 기계가 이전에 알려지지 않은 것을 학습하고 알아낼 수 있도록 빅 데이터 수집으로 시작됩니다.

그것이 이론입니다.

그러나 현실 세계에서는 많은 기업이 AI를 구현하기 어렵다고 생각합니다. 일부는 AI에 대한 경험이 부족하거나 AI를 최대한 활용하기 위한 사내 데이터 과학자 케이블의 부족을 탓합니다. 다른 사람들은 설치된 AI 시스템의 개념 증명을 확립할 수 없다고 불평합니다. 어쨌든 제조업체는 AI가 "만들면 올 것이다"라는 거래가 아니라는 사실을 깨닫기 시작했습니다.

Renesas Electronics를 입력하십시오.

일본 칩 회사는 글로벌 공장 자동화 시장에서 선도적인 위치를 주장합니다. OT(Operation Technology)의 세계에 '실시간 연속 AI'를 제안합니다. 이 접근 방식은 정보 기술(IT) 세계에서 자동화를 촉진하기 위해 빅 데이터 회사에서 종종 제안하는 "통계 AI"와 크게 대조됩니다.

더 큰 이미지를 보려면 클릭하십시오.

IT를 위한 통계적 AI와 OT를 위한 지속적인 AI(출처:Renesas)

르네사스(Renesas)의 산업 솔루션 사업부 총괄 부사장 겸 제너럴 매니저인 요코타 요시카즈(Yoshikazu Yokota)는 EE Times와의 인터뷰에서 임베디드 AI가 OT의 결함 감지 및 예측 유지보수에 매우 중요하다고 말했습니다. 주어진 시스템이나 프로세스에서 이상이 나타나면 임베디드 AI가 "로컬에서 실시간으로 결정을 내릴 수 있다"고 그는 설명했다. Renesas는 3년 전에 "AI at endpoints"에 대한 아이디어를 제안했으며 자체 Naka 반도체 팹에서 실험하기 시작했습니다.

Yokota는 "우리의 계획은 OT에서 실시간 추론을 가능하게 하는 동시에 끝점에서 AI 기능을 점진적으로 증가시키는 것입니다."라고 말했습니다.

Renesas의 부사장 Yoshikazu Yokota는 OT에서 실시간 추론 제공에 중점을 둘 계획입니다. (사진:EE Times)

Renesas는 초기 단계의 AI를 공장 현장에 도입함으로써 현재 자체 AI 구현에 대한 개념 증명을 완료하고 AI에 대한 투자 수익을 이해하는 데 어려움을 겪고 있는 고객을 돕기를 희망합니다.

OT에 AI를 적용해야 하는 경우
Renesas의 산업 솔루션 사업부 전략 및 계획 부서의 선임 이사인 Mitsuo Baba는 특정 문제(예:생산 라인)가 이미 식별되었을 때 AI를 OT에 가장 잘 적용할 수 있다고 말했습니다.

예를 들어 공장에서 특정 이상 현상을 감지할 수 있을 만큼 경험이 풍부한 고도로 숙련된 운영 관리자가 있다고 가정합니다. Baba는 제조 프로세스의 모든 단계를 확인하기 위해 이 관리자를 보내는 대신 "AI를 사용하여 생산 결함 중 비정상적인 상황이 언제 어디에서 나타나기 시작하는지 선을 그리고 정의할 수 있습니다."라고 말했습니다. AI는 생산 라인을 지속적으로 모니터링하여 작은 제품 결함이 다음 생산 단계로 넘어가지 않도록 주의 깊게 관찰할 수 있습니다.

이러한 공장 자동화의 예에서 AI는 사전 식별된 문제를 기반으로 한 번만 훈련하면 됩니다. AI 추론은 클라우드로 돌아가지 않고 실시간으로 엔드포인트 장치에서 실행됩니다. Baba는 일반적으로 클라우드에서 최대 300MB의 데이터를 처리해야 하는 학습과 추론을 모두 수행하는 통계적 AI와 비교하여 30KB의 데이터가 엔드포인트 추론에 충분하다고 말했습니다.

간단히 말해서 Renesas는 MCU에서 수행할 수 있는 AI 추론을 옹호하고 있습니다.

르네사스는 기존 생산 라인을 새로운 AI 지원 기계로 교체하는 것보다 비용이 많이 드는 기존 생산 장비에 부착할 수 있는 'AI 유닛 솔루션' 키트를 제안하고 있다.

Baba는 Renesas가 Nvidia와 같은 AI 칩 회사에 도전할 계획이 없다고 말했습니다. Baba는 "우리의 목표는 추론에 필요한 데이터가 너무 작아서 기존 MCU/MPU에서도 실행할 수 있는 임베디드 AI의 새로운 시장 부문을 주도하는 것입니다."라고 말했습니다.