머신러닝으로 제조업 배출가스 줄여 기후변화에 맞서다

기후변화는 인류에 상당한 위협을 가하며, 미래 세대 몫으로 미룰 문제가 아닙니다. 2050년까지 온실가스 배출이 거의 완전히 제거되지 않으면, 세계는 지구 온도 측면에서 파국적 결과에 직면할 것입니다. 많은 산업이 배출 감축 조치를 취했지만, 친환경 솔루션 모색 비용이 높다는 잘못된 추정 때문에 여전히 이 방향 전환을 꺼리는 경향이 있습니다.

제조, 물류, 건축 자재는 온실가스 배출 선두 주자들입니다. 천연자원보호협회(NRDC)에 따르면 미국 상위 15개 식음료 기업이 매년 호주 전체보다 더 많은 온실가스를 배출합니다. 그러나 머신러닝(ML) 도입으로 이 산업은 긍정적 기후 영향을 미칠 유리한 위치에 있습니다.

ML은 기술 진보의 강력한 도구로 찬사받지만, 글로벌 식량 부족 해결에 쓰이는 동안 다른 환경 목적에 어떻게 쓰일지 규명하려는 노력은 부족했습니다. 공장 내 ML은 다양한 부문에서 에너지 효율 제고, 공급망 간소화, 생산 품질 개선을 통해 전 지구적 배출 감축에 기여할 수 있습니다.

에너지 소비 절감

공장에서 흔히 발견되는 문제는 기계가 필요 출력 대비 과도한 용량으로 가동된다는 점입니다. 많은 공장이 개별 기계 전력 소비를 줄여도 성능에 영향 없이 훨씬 더 효율적이 될 수 있습니다. 어떤 기계가 특정 속도로 라인을 돌리는 데 최대 전력 소비의 25%만 필요하다면, 다양한 ML 기법이 전력과 생산 데이터를 연관 지어 이를 포착해, 기계가 노후해도 최적 설정을 유지하도록 전력 설정을 최적화할 수 있습니다.

발전소의 경우 ML을 열화상 이미징과 결합해 플랜트 어느 부분이 과도한 온도인지 판별하고, 그 부분에 가동 전력을 조절할 수 있습니다. 공장이 전력 소비에 유사한 원칙을 적용하면 효율이 더 높아집니다. 한 가지 방법은 공장의 난방·환기·공조(HVAC) 시스템을 간소화하는 것입니다. 잠재적으로 큰 투자가 될 수 있지만, 공장은 ML을 이용해 다양한 에너지원 하에서 생산 출력과 전력 소비를 시뮬레이션해, 석탄·석유·가스 대신 저탄소 에너지로 산업 공정을 재설계하기 쉽게 만들 수 있습니다.

에너지 소비 외에도, 공장은 ML로 불량품을 생산 전에 포착해(예: 컴퓨터 비전으로 라인 초기에 제품 결함 발견, 이력 데이터로 오류 원인 사전 예측) 스크랩(Scrap)을 대폭 줄일 수 있습니다. 이는 다양한 이점을 낳습니다: 동일 처리량 생산에 더 적은 시간 소요, 불량 처리량에 낭비되는 시간 감소, 스크랩 상품 생산 배출 감소. 1억 달러 규모 공장의 스크랩을 10% 줄이면, 자동차 2,000대를 1년간 도로에서 없애는 것과 맞먹는 배출 감축 효과가 있습니다. 이는 공장에서 사소해 보이는 변화가 배출 수준에 엄청난 영향을 줄 수 있음을 보여줍니다.

공급망 최적화

많은 공장에서 제품이 과잉 생산되거나 과잉 재고로 쌓입니다. 이는 생산을 통한 자원 낭비일 뿐 아니라, 배송과 보관 부담으로 배출을 늘립니다. ML은 수요 예측으로 이를 줄일 수 있습니다. 식품 산업 예에서, 제품이 상하기 직전인지 식별해(정량 알고리즘으로 유통기한 추적, 또는 컴퓨터 비전으로 색 변화 추적해 상함 임박 감지) 수확 후 손실을 줄일 수 있습니다. 이런 방식으로 공급망을 간소화해 보관 부담을 줄이면, 수요가 있을 때 적절한 제품이 출하되어 더 높은 비율의 제품이 판매될 수 있습니다. 이론적으로 ML은 지리, 기업 연령 등 범주 기반 공급업체 네트워크 구축을 도와, 어떤 공급업체를 선택할지 의사결정 과정을 알고리즘으로 사고하도록 도울 수도 있습니다.

컴퓨터 비전 같은 ML 기법은 공장이 제품 품질을 '등급화'하고 문서화하는 것도 가능케 합니다. 널리 인정받는 표준에 따라 이 등급을 수행하면 공급업체가 제품에 인증 수준을 부여할 수 있어, 잠재 고객에게 신뢰를 주고 도달 시장을 확대합니다. 예컨대 미중 간 철강 고관세로 철강이 제3국을 경유해 출하되곤 하는데, 이는 최종 고객의 최종 품질 보장을 약화시킵니다. 공급업체 또는 고객 측 ML 기반 검사·인증으로 미국 철강 사용자가 더 많은 국가에서 철강을 조달하기 쉬워집니다.

공정 정제

많은 제조 부문이 생산 공정에서 소재 낭비와 에너지 손실을 겪습니다. 예컨대 철강 생산에선 성형 중 많은 수정과 열전달이 일어나 상당한 에너지 손실을 낳습니다. 철강 1톤 생산당 공급망 전반에서 1.8톤 CO2가 배출되며, 시멘트와 철강 생산에서 전 지구 온실가스의 9%가 나옵니다. 플라스틱 생산 공장에선 금속만큼 재활용이 안 돼 소재 미재활용 폐기물이 많이 나옵니다.

이 두 생산 유형이 스크랩과 폐기물 감축 측면에서 가장 극적인 변화를 볼 수 있습니다. 많은 스타트업이 추가 비용으로 제시하는 그린 솔루션에 초점 맞추기보다, 스크랩과 폐기물 감축을 이 산업들의 주된 인센티브로 삼아야 하며, 이는 다시 에너지 절감과 더 지속가능한 생산으로 이어집니다. 지속가능성과 청정에너지 솔루션은 여유 있는 공장의 사치품이 아니라, 효율성 제고의 부산물로 봐야 합니다. 명시적 청정에너지 솔루션 경로로 가지 않아도, 공장은 수율을 높일 수 있습니다. 필요한 것보다 적은 에너지 쓰는 건 그저 좋은 관행입니다.

ML은 제조 공정 정제를 돕고, 이는 효율 개선, 에너지 소비 감소, 배출 감축으로 이어져 기후변화 대응에 기여합니다. 이는 제조 부문 탈탄소화, 아직 태동기인 일부 ML 기술 발전, 사회 전체 혜택으로 귀결될 것입니다.

아르준 챈더(Arjun Chandar)와 헌터 애쉬모어(Hunter Ashmore)는 인더스트리얼ML(IndustrialML Inc.)의 공동 창업자들입니다.