중소 제조업체, AI 활용해 린 운영과 효율성 제고

인공지능(AI)은 제4차 산업혁명(Industry 4.0)의 핵심 요소로 널리 인식되고 있습니다. AI가 다음 산업 혁명 단계에 어떻게 통합될지는 아직 불확실하지만, 대부분 사람과 기계, 정보 기술 간의 연결성을 높여 제조업체가 공정을 최적화하고 문제를 예측할 수 있게 할 것이라는 데 동의합니다.

시간과 자본이 부족한 중소 제조업체(SMM)는 신기술을 테스트하기 어렵습니다. 그렇다면 AI가 자사 조직에 미칠 영향을 어떻게 평가하고, Industry 4.0에 대비하는 데 어떤 역할을 할 수 있을까요?

제조업계가 방향을 정할 때까지 기다리는 것은 선택지가 아닙니다. 1년, 2년, 5년의 지체는 제조업체를 뒤처지게 만들 수 있습니다. 지금 행동해야 하지만, 나아갈 길은 명확하지 않습니다.

이 문제를 해결하는 한 가지 방법은 많은 SMM이 이미 수용한 지속적인 전환, 즉 린 제조(Lean Manufacturing) 관점에서 AI를 평가하는 것입니다.

인공지능으로 '지속적'인 지속적 개선 실현

린 철학의 핵심은 지속적 개선입니다. 이는 지속적인 변화에 대한 의지입니다. 린을 실천하려면 개선 기회가 포착되었을 때 신속하게 실행할 수 있도록 언제든 변화할 준비가 되어 있어야 합니다.

린 개선은 개입(intervention)을 통해 진행됩니다. 공정에서 문제가 발견되면 작업이 중단되고, 팀원들이 모여 관찰하고 결론을 내리고 판단을 내려 근본 원인을 해결하는 조치를 취합니다. 이 간헐적인 운영 방식이 현재 린이 작동하는 방식이지만, 이 정지-시작 리듬은 지속적 개선이라는 개념과 근본적으로 모순됩니다. 다만 이것이 현재로서는 인간적으로 가능한 최선입니다.

작업을 중단하지 않고 린 운영을 수행할 수 있다면 어떨까요? 관찰, 결론 도출, 판단, 조치라는 린의 기본 프로세스 대부분을 작업이 진행되는 동안 수행할 수 있다면, 린 프로세스를 더 '지속적'으로 만들 수 있지 않을까요? 이것이 제조 현장 규모에 관계없이 AI가 제공하는 주요 약속 중 하나입니다.

린 운영, AI로 어디서 시작할까

인공지능은 데이터 세트에서 학습하는 알고리즘부터 공상과학 영화에 나올 법한 로봇까지 광범위한 기술을 포괄하는 방대한 분야입니다.

중소 제조업체가 주로 관심을 가져야 할 AI 유형은 머신러닝(Machine Learning)이라는 하위 분야입니다. Amit Manghani가 '머신러닝 입문(A Primer on Machine Learning)'에서 정의한 바에 따르면:

Manghani는 머신러닝의 네 가지 유형을 설명하며, 이들이 모두 린 제조에 적용 가능하다고 봅니다. 단, 중소 제조업체가 컴퓨팅 파워에 투자해 데이터 분석에 필요한 데이터를 확보한다는 전제하에서입니다:

1. 지도 학습(Supervised Machine Learning)
2. 비지도 학습(Unsupervised Machine Learning)
3. 반지도 학습(Semi-Supervised Machine Learning)
4. 강화 학습(Reinforcement Machine Learning)

이 네 가지 머신러닝을 린 제조에 적용할 기회를 좀 더 자세히 살펴보겠습니다:

1. 지도 학습

지도 학습에서는 알고리즘이 들어오는 데이터를 분석하여 미리 정의된 기준을 충족하는 데이터에 레이블을 부여합니다. 린 제조업체는 관련 부품 데이터를 기록하여 알고리즘에 제공할 수 있다면, 복잡한 부품의 품질 관리를 자동화하는 데 이 기법을 활용할 수 있습니다.

2. 비지도 학습

비지도 학습에서는 알고리즘이 참고할 정답이 없습니다. 대신 데이터가 누적되는 대로 관찰하고 평가하여 패턴을 식별하고 새로운 레이블을 생성합니다. 이 유형은 린 제조업체가 생산 기계 또는 네트워크로 연결된 일련의 기계에서 비정상적인 동작을 모니터링하여 고장을 예측하는 데 활용할 수 있습니다.

3. 반지도 학습

이름에서 알 수 있듯 반지도 학습은 지도 학습과 비지도 학습을 혼합합니다. 일부 데이터에는 기존 레이블이 있고, 다른 기준은 인간의 감독 하에 알고리즘이 시간이 지나며 개발합니다. 반지도 학습 시나리오는 반복적인 부품 생산을 최적화하여 부품 폐기와 공정 폐기를 모두 없애는 데 유용할 수 있습니다.

4. 강화 학습

강화 학습 시나리오에서 알고리즘은 가능한 행동 중 가장 높은 보상을 가져올 행동을 예측합니다. 린 전환 과정에 있는 SMM은 이 유형의 머신러닝을 활용해 그들이 구상하는 공정 중심의 변화를 위한 다양한 경로를 평가할 수 있습니다.

머신러닝, 린 제조를 보완하다

머신러닝에 초점을 맞추면, 기업 규모에 관계없이 대부분의 제조업체에 유용하고 접근 가능한 AI 응용 분야가 있음을 알 수 있습니다. 경우에 따라 이미 설치된 기계 센서, 기존 IT 및 운영 기술(OT) 인프라에서 수집된 데이터 형태로 퍼즐 조각이 이미 존재할 수도 있습니다.

SMM이 AI 응용 분야를 고려하기 시작할 때, 이러한 시나리오가 인간의 일자리를 자동으로 위협하지 않는다는 점을 기억하는 것이 중요합니다. 오히려 이 아이디어들은 직원에게 실시간 정보와 현장 문제 해결 및 실행을 위한 더 나은 도구를 제공함으로써, 근로자 권한 부여형 린 프로세스를 보완하는 방식으로 추구될 수 있습니다.

유용한 비유는 현재의 자동차 센서 기술입니다. 이는 인간 운전자의 인지와 지각을 보완합니다. 이 기술은 안전을 개선할 뿐만 아니라, 도로 위 모든 사람의 행동을 조율함으로써 전체 주행 시스템의 마찰을 줄여줍니다. 이렇게 자동차 안전 기술은 누구도 운전이라는 방정식에서 배제하지 않습니다. 운전을 더 안전하고 효율적인 경험으로 만들어 줄 뿐입니다.

이 관점을 취하면, 인공지능은 린 도구 상자의 또 다른 도구로 볼 수 있습니다. 다만 매우 강력할 잠재력을 지닌 도구라는 점이 다릅니다.