제조업에 이상 탐지(Anomaly Detector) AI를 적용해야 하는 이유

제조 현장에 AI 도입이 가속화되고 있습니다. 2023년 제조업 분야 AI 시장 규모는 32억 달러로 평가되었고, 2028년까지 208억 달러에 이를 것으로 예상됩니다. 이 기간 동안 연평균 성장률(CAGR)은 45.6%에 달하는데요. 최근 몇 년 새 AI가 급격하게 발전하면서 제조업에서도 AI를 통한 공정 자동화, 효율 향상, 수율 향상, 다운타임 최소화 등에 대한 수요가 계속해서 높아지고 있기 때문입니다. 아하랩스 팀은 최근 다양한 산업 분야의 AI 도입 프로젝트를 함께하면서 이 같은 트렌드를 몸소 느끼고 있습니다.

룰 베이스 VS. 지도학습 VS. 비지도학습

그런데 제조업에 도입되는 AI라고 해서 다 같은 것이 아닙니다. 가장 큰 분류로는 지도학습(Supervised Learning)과 비지도학습(Unsupervised Learning)이 있습니다.

(1) 지도학습이란?

라벨이 있는 데이터를 사용해 모델을 학습시키는 방법입니다. 여기서 ‘라벨’이란 입력 데이터에 대한 정답 또는 출력 값을 의미합니다. 예를 들어, 자동차와 로봇의 사진이 주어졌을 때 각각의 사진에 ‘자동차’ ‘로봇’ 등으로 라벨이 붙어 있는 경우를 말하죠. 분류(Classification), 객체 탐지(Object Detector), 분할(Segmentation)과 같은 다양한 객체 인식 딥러닝 모델이 활용되고 있으며, 높은 정확도가 큰 장점입니다.

(2) 비지도학습이란?

라벨이 없는 데이터를 사용해 모델을 학습시키는 방법입니다. 입력 데이터에 대한 정답이 없기 때문에 모델이 데이터의 패턴을 스스로 학습합니다. 대표적으로, 금융 거래나 설비 데이터에서 이상 징후를 탐지(Anomaly Detection)합니다. 라벨링 리소스를 절감할 수 있고, 새로운 이상 패턴을 발견할 수 있다는 것이 큰 장점입니다.

(3) 그렇다면 제조 현장에는 어떤 학습법이 활용되고 있을까?

제조 현장에는 주로 지도학습 AI가 먼저 적용됐습니다. 생산 라인에 AI를 도입하면 기존 ‘룰 베이스’* 시스템과 비교해 더 유연한 적용이 가능하고 복잡한 태스크도 더 효과적으로 처리할 것으로 기대되는 상황에서, 비지도학습보다 정확도가 높고 기술 컨트롤이 용이했기 때문입니다. 실제로 많은 산업용 AI 기업들이 지도학습 AI로성장해 왔습니다.

• 룰 베이스(Rule-Based) : 사전 정의된 규칙과 조건을 사용하여 입력 데이터를 처리하고, 그 결과에 따라 특정한 결정을 내립니다. 예를 들어, “만약 제품 크기의 오차가 ##cm 이상으로 커지면 경고알람을 전송하라”와 같은 명시적 규칙이 있습니다. If 조건문을 사용해 결정을 내리거나, 여러 규칙을 계층적으로 구성한 결정 트리를 이용해 복잡한 의사결정을 내릴 수도 있습니다. 정확도가 높고 시스템의 의사결정 과정이 투명하다는 장점이 있지만, 사전에 정의된 규칙에 의존하기 때문에 새로운 상황이나 예외적인 상황에 잘 대응하지 못할 수 있다는 단점도 있습니다.

하지만… 제조 현장에서 지도학습 AI를 지속하기 어려운 이유

그러나 도입 수 년이 흐른 지금은 지도학습만으로는 제조 현장에서 AI를 지속 운영하기 어렵다는 고객 목소리(VoC)가 커지고 있습니다.

(1) 라벨링 문제

무엇보다 데이터 라벨링이 너무 고통스럽기 때문입니다. 특히 제조업에서는 결함 검출 같은 작업을 위해 고도로 정밀한 라벨링이 요구되기 때문이죠. 공정과 제품이 지속적으로 변화한다는 문제도 있습니다. AI 모델을 지속적으로 업데이트 해야 하는데, 이는 곧 새로운 데이터 수집과 라벨링을 해야 한다는 의미입니다.

(2) 재검수 문제

또 AI가 추론한 결과를 사람이 일일이 검수해야만 하는 일이 비일비재하게 발생했습니다.

요컨대 인건비를 줄이고 생산 효율을 높이기 위해 AI를 도입했는데, 거꾸로 AI를 운영하기 위해 사람을 더 많이 투입해야 하는 구조가 되어버린 것입니다.

그런데 이러한 문제의 상당 부분을 비지도학습으로 극복할 수 있습니다.

비지도학습 : 공정 및 제품 변화에 유연하게 대응

(1) 라벨링 없이도 학습

비지도학습은 라벨링 자체가 필요 없기 때문에 모델을 매우 빠르게 만들어 적용할 수 있습니다. 지도학습은 새롭게 등장한 오류나 걸러내지 못하는 데 비해 비지도학습은 학습한 정답 외의 것들을 모두 이상치로 걸러내기 때문에 더 유연하고 범용적인 활용이 가능합니다. 시간이 흐르며 데이터가 쌓이고 학습이 반복될수록 지도학습 못지않은 예측 정확도를 달성할 수 있고요.

(2) 데이터 및 모델 드리프트 모니터링 용이

최근 AI 지속가능성을 위해 데이터 및 모델 드리프트 모니터링이 더욱 중요해지는 추세인데요. 여기에서도 비지도학습이 강점을 보입니다. 예를 들면 데이터 품질 저하가 라벨링 오류로부터 비롯되곤 하는데, 비지도학습은 이런 문제를 예방할 수 있습니다. 사전 정의된 규칙이나 라벨에 의존하지 않기 때문에 예기치 않은 패턴 변화를 더 잘 감지할 수 있습니다.

(3) 최근 트렌드는 비지도학습

산업용 AI 기업 대다수가 최근 기술 포트폴리오에 비지도학습 Anomaly Detector를 추가하는 추세입니다. 그간의 경험을 통해 수요자는 물론 공급자도 룰 기반 시스템이나 지도학습 모델만으로는 제조 현장에서 AI를 효과적으로 사용하기 어렵다는 점을 깨달은 것이라고 볼 수 있습니다.

(4) 일찍이 앞선 아하랩스의 비지도학습 Anomaly Detector 모델

아하랩스는 VoC가 들려오기 수 년 전부터 이러한 지도학습의 한계를 인지하고 있었습니다. 그리고 비지도 Anomaly Detector 기술 개발에 집중했습니다. 경쟁사 대비 훨씬 많은 시간과 노력을 투자한 것입니다.

그 결과, 산업용 MLOps 플랫폼인 LISA라는 제품을 일찍이 갖추게 되었습니다. LISA는 정상 데이터만으로 모델 생성이 가능한 Anomaly Detector 뿐만 아니라, Classification, Object Detector, Segmentation, OCR 등 다양한 모델을 기본 제공하며, 이러한 모델을 조합해 생산 현장의 매우 복잡한 문제도 해결할 수 있습니다. 또 경쟁사의 툴은 대부분 이미지 데이터만 처리할 수 있는데요, 아하랩스 솔루션은 이미지, 비디오, 시계열 데이터 등 다양한 정형/비정형 데이터로도 이상 탐지가 가능합니다.

“아하랩스는 수 년 전부터 Anomaly Detector로 제조 현장의 실제 문제를 해결해온 레퍼런스를 갖추고 있습니다”

(1) 형태를 특정하기 어려운 결함 검출

한 제조 기업은 생산 라인에 LISA를 도입했습니다. 해당 제품은 표면 소재가 얇아 불량의 형태를 특정하기 어려운데요, LISA의 Anomaly Detector를 활용해 무궁무진한 결함을 성공적으로 검사하고 있습니다. 통상 3개월이 걸리는 검사 안정화 기간을 2주로 단축하면서 만족도가 높았습니다.

(2) 제조 라인 로봇의 실시간 이상 감지

고객사의 설비 내 로봇 동작을 모니터링 하는 데에도 LISA가 도입됐습니다. 이미지 기반의 Anomaly detector, 그리고 단일 모델만으로는 이렇게 복잡한 태스크를 수행하기가 불가능한데요. 아하랩스 팀이 그간의 경험을 바탕으로 Object Detector+Anomaly Detector 조합 모델을 생성해 제공했습니다. 고객사는 영상 데이터 기반의 LISA Anomaly detector를 이용해 다양한 이상 상황에 대한 테스트에서 100% 이상 탐지를 해낼 수 있었죠.

(3) 데이터 드리프트 모니터링

LISA는 검사 이미지의 패턴을 학습해 데이터의 품질이 떨어지는지 여부, 즉 데이터 드리프트를 모니터링하는 데에도 활용되고 있습니다. 처음에 고객사는 데이터 드리프트 탐지 기술에 대해 반신반의하였는데요. 최근 생산 자재 변경에 따른 데이터 드리프트를 솔루션이 실제로 발견해 냈습니다. 이제 고객사는 아하랩스의 솔루션에 두터운 신뢰를 보내고 있으며, 현재 확대 적용을 검토하고 있습니다.

(4) 과검 데이터 추천 및 이력 관리

많은 기업들이 AI가 추론한 결과를 육안으로 재검(미검 및 과검 적발)하느라 많은 인력과 비용을 투입하고 있는 실정입니다. 아하랩스의 비지도학습 기술을 이용하면 이 역시 손쉽게 자동화할 수 있습니다. 한 이차전지 제조 고객사는 아하랩스 솔루션으로 과검 데이터를 자동으로 추천받고 그 이력을 관리하고 있습니다.

비슷한 문제로 고민하고 있던 또 다른 제조 기업 고객사는 아하랩스 기술력에 대한 신뢰감으로 해결책을 제시해달라고 먼저 요청해 왔습니다. 이렇게 시작된 프로젝트에서 LISA는 기존 룰 베이스 시스템이 정상으로 판정한 이미지 데이터로부터 잠재 결함(미검)을 새롭게 찾아냈으며, 단 하루만에 수천 장의 이미지를 자동 재검하고 가성 결함(과검)에 해당하는 이미지를 98.3% 정확도로 분류해냈습니다.

마치며

현재 많은 고객사들이 아하랩스의 솔루션을 신뢰하고 적극 활용하고 있으며, 그 결과 높은 효율을 경험하고 만족감을 유지하고 있습니다. 요컨대 아하랩스 팀은 우수한 비지도학습 기술력과, 경쟁사가 갖지 못한 다수의 성공사례 경험을 이미 갖추고 있습니다.

제조 현장에 AI 신규 도입을 고려하고 계시거나, 기존에 도입한 AI가 현장의 문제를 해결하지 못해 고민이 깊으시다면 지금 바로 문의 주세요.

AI 기술력 + 제조 도메인 지식 + 풍부한 현장 경험을 모두 갖춘 아하랩스가 돕겠습니다.