Challenge

• 파우치형 배터리는 표면 형상의 자유도가 높아 불량의 형태를 특정하기 어려움. 이 때문에 기존 룰 베이스 검사는 물론, 분류나 분할 같은 딥러닝 모델 기반의 결함 검사도 활용하기 어려움
• 글로벌 진출시 한국과 동일한 숙련 검사 노동자를 구하기 어려워 검사 자동화 도입 요구됨 

Approach

• LISA의 2단계 접근법
• (1) ‘이상탐지(Anomaly Detector)’ 알고리즘으로 정상 데이터만으로 모델 학습(비지도 학습) 및 불량 판별 → 미검 최소화
• (2) 사람 리뷰어가 불량 판정 데이터 가운데 정상 데이터를 라벨링(분류, 분할 알고리즘 활용) → 과검 최적화

Full Story

쉽게 손상되는 파우치형 배터리의 자동 검사 툴 부재 

전기자동차에 들어가는 배터리 가운데 파우치형 배터리가 있습니다. 배터리 소재를 쌓아 올린 뒤 알루미늄 호일처럼 얇은 소재로 겉을 포장한 형태죠. 언뜻 서류봉투처럼 생겼습니다. 내부 공간이 꽉 들어차 있어서 에너지 밀도가 높고, 디자인 변경이 수월하다는 장점이 있죠. 

문제는 이 배터리의 결함 검사를 자동화하기 어렵다는 데 있습니다. 앞서 언급했듯 표면 소재가 얇기 때문에 조금만 힘이 가해져도 쉽게 구겨지거나 찍힘/긁힘이 생깁니다. 즉, 표면 형상의 자유도가 굉장히 높아서 불량의 형태를 특정하기가 어렵죠.

이 경우, 양/불량 판정 규칙을 정해놓고 검사를 수행하는 기존의 룰 베이스 솔루션은 활용이 불가능합니다. 수백 수천, 어쩌면 수만 개의 규칙을 입력해야 할테니까요.

분류(Classification), 분할(Segmentation) 등의 딥러닝 모델 베이스의 결함 검사 AI도 활용하기가 어렵습니다. 마찬가지로, 불량의 범주를 정확히 정의하기 어렵기 때문이죠. 

파우치형 배터리를 생산하는 K사에서는 지금까지 숙련 인력이 3교대로 돌아가며 육안 검사를 진행했는데요. 해외 시장에 진출하면서는 더 이상 그렇게 할 수 없었습니다. 한국과 동일한 숙련 노동자를 구하기 어렵다는 문제에 봉착한 겁니다. 인건비도 너무 비싸고요.

검사 자동화를 더는 미룰 수 없었습니다.  

2단계 접근법(비지도학습 -> 리뷰 -> 지도학습)으로 셀 수 없이 많은 불량 케이스에 대응 

산업용AI 솔루션 LISA의 이상탐지(Anomaly Detection) 알고리즘을 활용하면 정상 데이터 만으로 모델을 학습시킨 뒤 양불 판정을 수행할 수 있습니다. 불량 데이터를 따로 만들지 않아도 되죠.  

품질 검사와 모델 학습은 2단계로 이뤄집니다. 먼저 정상 데이터만으로 이상탐지 모델을 학습(Unsupervised Learning) 시킨 뒤, 결함검사를 합니다. 학습시킨 정상 데이터를 약간이라도 벗어난 모든 여집합의 데이터를 전부 결함이라고 판별해 냅니다. 요컨대, 불량인데 불량으로 걸러내지 못하는 ‘미검’을 최소화시키는 단계입니다.

하지만 이 중에 정상 범주에 해당하는 것도 있습니다. 이를 ‘과검’이라고 합니다. 아직은 모델이 너무 예민한 상태인 거죠. 

그리고는 사람 리뷰어가 그 데이터가 실제 결함인지 아닌지 확인하고 양/불량 여부를 라벨링 해줍니다. 그 데이터로 두 번째 학습을 시켜줍니다(Supervised Learning). 여기서는 분류, 분할 딥러닝 알고리즘이 활용됩니다. 이 과정을 반복하면 과검도 차차 줄어들게 되면서, 모델의 정확도가 높아집니다. 

LISA(Look In Smart with AI)는 제조 환경을 관제하고 제품의 품질을 관리할 수 있는 AI 솔루션입니다. 산업현장에서 수집한 다양한 형태의 데이터를 활용해 이상 탐지(Anomaly Detection) 알고리즘으로 비지도 학습을 수행합니다. – Image Credit : AHHA Labs

• 불량의 형태를 특정하기 어려워 기존 룰 베이스 검사 수립이 불가능한 공정에 AI 검사 도입
• 검사 자동화를 통한 인건비 절약
• 검사 안정화 기간 67% 단축(3개월 → 2주)

아하랩스의 산업용 AI LISA를 활용하면, 특히 신규 라인에 적용시 검사 안정화 기간을 기존 대비 1/6 수준으로 줄일 수 있습니다. 앞서 언급한 2단계 접근법 덕분입니다.

기존 지도학습 기반의 AI 검사 툴들은 모델이 학습을 완료하고 양불 검사를 제대로 해내기까지 최소 3개월이 걸렸습니다. 정상 데이터와 비정상 데이터를 각각 상당량씩 학습해야 하기 때문이죠.

그러나 LISA의 이상탐지 알고리즘은 정상 데이터만으로 2주 만에 미검 0% 우선 달성이 가능합니다. 이후 지속적인 추가 학습을 통해 과검을 줄여나갑니다.

요컨대, 보다 조기에 결함 검사를 자동화할 수 있게 됩니다.  

Future

진짜 AI가 알아서 운영해주는 MLOps 플랫폼 구축 

아하랩스는 또 다른 목표를 향해 달려가고 있습니다. K사와 컨설팅을 진행하는 과정에서 MLOps 플랫폼을 실제 ‘운영’ 하는 데 사람 전문가의 개입이 너무 많이 필요하다는 페인 포인트를 알게 됐거든요.

MLOps 기업들이 흔히 ‘완전 자동화’를 내세우지만, 사실 진짜 중요한 의사결정들은 여전히 경험 많은 숙련 AI 엔지니어가 내려야 합니다. 예를 들면, 어떤 데이터셋을 얼마나 더 학습시켜야 모델의 완성도가 높아지는가 하는 것들입니다.

AI 전문가가 없어서 자동화된 MLOps 플랫폼을 활용하는데, 이걸 활용하려면 AI 전문가가 필요한 거에요. 역설이죠.  

2024년 상반기에 출시될 LISA SaaS 플랫폼은 진정한 의미로 자동화된 MLOps 플랫폼을 지향합니다.

예를 들면, 모델 개선을 위해 추가로 학습해야 할 데이터셋과 분량 등을 AI가 추천해줍니다. 기존에는 숙련된 AI 엔지니어가 해야 했던 주요 의사결정을 LISA가 대신해주는 거죠.

고객사 입장에서는 문자 그대로 누구나 AI를 활용할 수 있게 됩니다. 진정한 의미의 활용이요. 

참고 : 배터리 시장에서 파우치 타입을 주목해야 하는 이유