데이터와 AI로 제조업 혁신: 업계 과제 극복하기

제조업은 빅데이터와 AI를 통해 상당한 진전을 이룰 수 있지만, 산업의 복잡한 과제로 인해 도입이 지연되고 있습니다.

"제조업에서는 품질을 지속적으로 개선하면서 비용을 줄이고 생산성을 높여야 하는 압박을 받습니다."라고 분석 소프트웨어 및 솔루션 리더 SAS는 말합니다. 이는 디지털 시대에도 여전히 사실이며, 기술 발전이 그 어느 때보다 이 과제를 더 효과적으로 해결하기 위해 공모해 왔습니다.

단순히 살펴봐도, 디지털 전환으로 흔들린 모든 산업 중 최근 몇 년간 제조업만큼 눈에 띄고 극적으로 변한 산업은 드뭅니다. 헨리 포드(Henry Ford)의 인력 집약적 생산 라인에서 현대 공장의 점점 더 사람 없는 환경으로의 여정은 빅데이터의 출현으로 크게 가속화되었습니다. 제조 운영, 장비 및 기계, 판매 패턴, 수요 변동에서 정보를 수확하면 리더들이 더 큰 효율성, 산출량, 안전을 위해 전략을 세울 수 있습니다. 최소한의 인간 개입으로 더 높은 생산성, 수익성, 신뢰성을 내는 스마트 팩토리라는 인더스트리 4.0 비전은 엄청나게 매력적이지만, 이 목표를 실현하는 데는 극복해야 할同样巨大한(同様に巨大な - similarly enormous) 과제들이 따릅니다.

데이터의 물결

2018년 선도적인 컨설팅 및 아웃소싱 서비스 제공업체 카프제미니(Capgemini)는 제조업이 빅데이터를 통한 운영 개선 잠재력이 가장 큰 산업 중 하나라고 식별했으며, 그 채택이 지속적인 비즈니스 성공에 필수적이라고까지 말했습니다. "빅데이터 분석이 더 이상 '있으면 좋은 것(nice to have)' 옵션이 아니므로, 기업은 플랜트 효율성을 개선하고 통찰을 생성할 올바른 기회를 식별해야 합니다."라고 카프제미니는 2018년 11월 블로그 게시물에서 말했습니다. "빅데이터 분석은 기업이 점점 더 복잡한 환경에서 성공하는 데 필요한 경쟁 우위를 제공할 것입니다."

IoT 기반 기술과 5G의 초당 기가비트 전송 속도를 활용하는 운영의 경우 기하급수적으로 증가하는 방대한 데이터 볼륨과 함께 엄청난 복잡성이 옵니다. 조직은 광범위한 데이터 세트의 가치를 집중적으로 파악할 뿐만 아니라, 그 잠재적 가치가 더 새롭고 관련성 높은 데이터에 의해 대체되기 전에 실행 가능한 통찰로 전환해야 합니다. 종종 원시 데이터는 다른 시스템의 텔레메트리와 결합되어야 그 가치를 추출할 수 있으며, 이 노하우는 인간 수준에서 얻기 어렵습니다.

AI의 필요성

전 세계적으로 훈련된 데이터 과학자는 수요가 높고 공급이 부족하며, 심지어 최고의 데이터 분석가 팀이 있어도 조직 데이터의 진정한 가치는 복잡한 분석에 소요되는 긴 시간, 인간 오류 가능성, 깊이 고려된 데이터 구현 전략의 필요성 뒤에 잠겨 있습니다. 즉시성과 정확성, 특히 광범위한 데이터 기술 격차에 대한 필요성은 또 다른 신흥 기술인 인공지능(AI)으로 해결할 수 있습니다.

특정 운영 니즈에 맞춤화된 알고리즘 계산과 분석은 더 정확하고 빠르게 이용 가능한 결과를 산출해, 기업이 데이터를 효율성과 생산성을 개선하는 정보에 입각한 행동으로 전환하고, 실시간 수요에 맞춰 운영을 확장하고, 안전을 개선하게 하며, 전문성 부족이 야기하는 문제를 근절하면서 가치를 구축합니다. AI는 예측 유지보수를 통해 문제가 발생하기 전에 포착할 수도 있는데, 이는 AI가 제공하는 정확성 약속 없이 상당한 인력과 시간 할당을 필요로 합니다.

"예측 유지보수는 IoT, 빅데이터, 분석이 상당한 영향을 미치는 영역 중 하나입니다."라고 올리버 와이트 EAME(Oliver Wight EAME) 파트너 데비 히튼-보웬(Debbie Heaton-Bowen)은 말합니다. "1990년대에 시작되었지만, 첨단 기술의 출현으로 예측 유지보수 능력이 최근 '슈퍼차지(supercharged)'되었습니다. 특히 스마트 팩토리가 현실이 되는 제조 부문에서 그렇습니다. 예기치 않은 다운타임과 부실한 유지보수는 기업에 수백만 달러 비용을 초래할 수 있지만, IoT 지원 센서는 기계가 점검이 필요할 때를 감지해 더 심각한 결함이 발생해 비용이 많이 드는 혼란을 야기하는 것을 방지합니다. 예측 유지보수는 인간 눈으로는 놓치는 오류를 식별할 뿐만 아니라, 기계 수명 연장, 서비스 비용 절감, 운영 효율성 증대로 더 건전한 수익을 위한 데이터 기반 의사결정만을 내립니다."

다른 곳에서 로보틱스는 업계에서 상당한 약속을 보여주는 또 다른 트렌드이며, 제조 공정에 배포될 때 AI는 그들의 가치 제안에 필수적입니다. "올바르게 통합되면 이 로봇 유닛은 사람들의 기술과 강점을 증폭시켜 직장 효율성을 높이고 직원 경험을 개선할 수 있습니다."라고 IT 서비스 리더 코그니전트(Cognizant)의 제조 및 물류 CDO 프라사드 사티아볼루(Prasad Satyavolu)는 말합니다. "이들은 이미 제조 조직 전반에 배포되고 있습니다. 기존 조립 라인에서 쇼크 업소버 장착이나 고기 절단부터, 광활한 컨테이너 야드를 순찰하는 보안 요원의 눈이 되는 드론까지. 이를 통해 새로운 자율 동료들이 인간을 더 높은 가치의 작업에 집중할 수 있게 해줍니다. MIT 연구자들은 BMW에서 인간-로봇 팀이 인간이나 로봇만 단독으로 일할 때보다 약 85% 더 생산적임을 발견했습니다." AI는 이렇게 기술 격차를 동시에 해소하고 숙련된 근로자가 더 가치를 더할 수 있는 작업에 집중할 시간을 극대화할 수 있습니다.

AI 도입의 과제

명확한 기회에도 불구하고, 경영 컨설팅 맥킨지(McKinsey)는 AI 도입이 제조 산업에서 현저히 느리다고 지적합니다. "AI 기술이 공급망과 관리 기능에 실질적 개선을 가져왔지만, 지금까지 생산 현장에는 거의 존재하지 않았습니다."라고 맥킨지는 말하며, 이러한 느린 채택이 부분적으로 전문성과 지식 인력에 대한 과도한 의존에서 기인했다고 지적합니다. 이는 AI가 이 전문성을 덜 반복적인 공정으로 전환할 수 있는 능력을 고려하면 다소 아이러니합니다. 숙련된 인력에 대한 의존 자체가 업계에서 AI 통합을 가속화해야 할 이유입니다.

"운영자 자격의 변동이 성과뿐만 아니라 이익에도 영향을 미칠 수 있으므로, AI의 지식을 보존, 개선, 표준화하는 능력은 더욱 중요합니다."라고 맥킨지는 말합니다. "게다가 AI는 복잡한 운영 설정 결정을 스스로 내릴 수 있으므로, 운영자 인재 유치와 유지에 어려움을 겪는 시장에서 예측 가능하고 일관된 산출물을 신뢰성 있게 제공할 수 있습니다."

이 인적 자본 의존과 함께, 많은 공장은 인터넷 이전의 레거시 기계에 의존하며, 지난 20년간 도입된 것들도 오늘날의 데이터 수확 기술과 호환되게 하려면 어느 정도 수정이 필요합니다. 한편, 가장 영향력 있는 데이터 세트 소싱, 해석, 구현 방법에 대한 질문은 회사뿐만 아니라 부서와 팀별로도 다릅니다.

연구 회사 넬슨홀(NelsonHall)은 MES(제조 실행 시스템) 채택이 이 복잡성을 더욱 증가시킨다고 지적합니다. MES는 수년간 기업이 운영을 디지털화하고 데이터에 더 쉽게 접근할 수 있게 했지만, 각 시설의 고유한 MES 깊은 맞춤화는 분석 소프트웨어 같은 다른 기술과의 호환성과 통합을 상당한 과제로 만듭니다. "MES가 가져오는 어려움은 맞춤화 수준이 높아 업그레이드가 어렵고 비용이 많이 든다는 것입니다."라고 넬슨홀은 말합니다. "또한 MES는 플랜트 생산을 통제하므로 중요 시스템이며 엄격한 개발, 구현, 테스트, 롤아웃이 필요합니다. 즉, 메인프레임 애플리케이션과 비슷합니다: 실행 중인 한 아무도 너무 깊게 건드리고 싶어 하지 않습니다." 이 문제를 우회하는 것은 다쏘(Dassault), 지멘스(Siemens), PTC 같은 업체가 제공하는 보완 시스템 추가로 종종 이루어지며, 많은 운영자가 기술 인프라를 간소화하고 슬림화해 유연성과 민첩성을 높이려 하는 곳에 또 다른 복잡성을 더합니다.

과제 히드라(Hydra) 해결하기

분명히 제조 데이터를 성공적으로 활용하는 과제는 거대합니다: 전략, 텔레메트리, 통합, 전문성, 레거시 인프라는 각각 인더스트리 4.0으로의 원활한 이동을 촉진하기 위해 해결되어야 합니다. AI만으로는 데이터 기반 기술이 제조업을 인더스트리 4.0으로 이끌 헤드아치를 해결할 수 없습니다. 산업용 IoT, 로보틱스, 디지털 트윈, 예측 유지보수는 모두 빅데이터와 AI로 가능해진 강력한 현대화 도구로 급속히 견인력을 얻었지만, 선배들과 마찬가지로 각각 진정한 성공을 위해 상당한 전략적 고려가 필요합니다. 인간의 손길과 운영 정렬이 핵심입니다.

"성공적인 데이터 주도 전환 전략은 조직 문화, 고객, 직원, 기술을 포함한 다양한 요소에 대한 포괄적 시각을 고려해야 합니다. 이는 고립된 이니셔티브로 달성될 수 없으며, 대신 비즈니스 리더로부터 직접적인 집중, 중장기 계획, 후원, 투자가 필요합니다."라고 코그니전트(Cognizant)의 제조, 물류, 에너지 및 유틸리티 부문 VP 겸 총괄 로히트 굽타(Rohit Gupta)는 말합니다. "제조업체는 현재 디지털 성숙도 수준을 평가하고, 비즈니스와 기술적 과제를 이해하며, 이 디지털 패러다임에서 번영할 로드맵을 명확히 구상해야 합니다. 이는 반복적 접근이어야 하며, 확장 가능하고 지속 가능한 성장을 지원하고 조직 내 데이터 역량을 명확한 마일스톤과 함께 구축하는 기반을 개발하는 방향으로 작동해야 합니다."

외부 도움은 큰 가속기이며, SAS, 맥킨지, 카프제미니 등은 기술적, 전략적 격차를 해소하며 기업과 제조 강자들이 스마트 미래로 도약하도록 도왔습니다. 결국 오늘날의 기술 생태계는 아웃소싱에 더 큰 초점과, 날이 갈수록 세분화되는 기술 공간에서 외부 전문성이 종종 우월하다는 지식에 기반합니다. 제조업은 깊이 복잡하고 한 사이즈가 모든 것에 맞을 수 없지만, 데이터와 AI 공간의 리더들의 전문성을 활용하는 것이 과제를 극복하고 인더스트리 4.0의 엄청난 잠재력을 여는 데 확실합니다.