대형언어모델(LLM; Large Language Model)이 제조업을 혁신하는 방법
![Artificial,Intelligence,3d,Robot,Programming,Computer,Interface,In,Futuristic,Cyber ai llm rag 대형언어모델, 검색증강생성](https://ahha.ai/wp-content/uploads/2024/07/ai-llm-rag.jpg)
Industry 5.0, 디지털 전환(DX), 끝없는 기술 발전으로 정의되는 시대에 제조 분야는 혁신의 문턱에 서 있습니다. 이러한 변화의 핵심에는 단연 AI가 있는데요.
특히 챗GPT로 대변되곤 하는 대규모 언어 모델(LLM, Large Language Model)은 제조 현장을 엄청나게 변화시킬 잠재력이 있는 것으로 기대됩니다.
이번 아티클에서는 복잡한 인간의 언어와 각종 도메인 지식을 학습하고 생성하는 능력으로 유명한 LLM이 제조 분야에서 어떤 역할을 할 수 있는지 자세히 알아보겠습니다.
대규모 언어 모델(LLM)이란?
LLM은 방대한 데이터 세트를 학습하는 생성형AI 모델입니다. 챗GPT(Generative Pretrained Transformer)가 대표적이죠. 트랜스포머(Transformer) 아키텍처를 활용해 주어진 프롬프트(사용자가 언어 모델에 입력한 질문이나 요청)를 이해하고 콘텐츠 요약, 번역, 예측, 생성 등을 할 수 있습니다. 트랜스포머는 딥러닝 인공신경망 중 하나로, 순환신경망(RNN)의 한계를 극복하기 위해 만들어졌습니다.
(1) 순환신경망(RNN)
RNN은 직렬처리로 순서에 맞게 학습하는 특징이 있어요. 가령 왼쪽에서 오른쪽으로, 정해진 방향대로 언어를 처리하죠. 이 때문에 단어의 거리가 멀수록 관계를 잘 파악하지 못해 오역이 자주 발생했습니다.
(2) 트랜스포머
반면 트랜스포머는 ‘셀프 어텐션(Self-Attention)’이라 불리는 방식을 사용합니다. 병렬처리를 통해 하나의 단어를 문장의 다른 모든 단어와 비교하는 방식이라, 단어들 간의 관계를 아주 잘 파악해 냅니다. 즉, 입력이 아무리 길어도 중요한 모든 부분에 주의(Attention)를 기울일 수 있게 만든 것이죠.
LLM은 인간의 언어인 자연어뿐만 아니라 생물학의 언어인 단백질 구조, 컴퓨터의 언어인 기계 코드도 이해합니다. 그리고 이 지식을 사용해 새로운 코드를 짜거나 신약 후보 물질을 제안할 수 있습니다.
![생성형AI 알고리즘 가운데 대규모 언어 모델 트랜스포머 아키텍처의 원리를 설명하는 그림](https://ahha.ai/wp-content/uploads/2023/11/생성형AI-1-1024x744.png)
RNN은 직렬처리로 순서에 맞게 학습합니다. 이 때문에 단어의 거리가 멀수록 관계를 잘 파악하지 못합니다. 반면 트랜스포머는 ‘셀프 어텐션(Self-Attention)’이라 불리는 방식을 사용합니다. 병렬처리를 통해 하나의 단어를 문장의 다른 모든 단어와 비교합니다. 단어들 간의 관계를 아주 잘 파악해 냅니다. – Image Credit: AHHA Labs
제조 분야 LLM 활용 예시
이렇게 다재다능한 LLM을 활용하면 제조 분야에서도 AI의 잠재력을 상당히 끌어낼 수 있습니다. 복잡한 생산 프로세스를 최적화하고, 운영 효율을 향상해 비용을 절감하는 등 다양하게 활용할 수 있죠. LLM은 지난 아티클에서 살펴본 설명 가능한 AI(XAI)와도 매우 밀접한 관계가 있습니다. 뛰어난 언어 능력을 바탕으로 AI 모델과 사람 사용자 간의 가교 역할을 하기 때문입니다.
(1) 생산 효율 향상
각종 디지털 센서와 검사장비 등이 연결된 스마트팩토리에서는 실시간으로 방대한 양의 비정형(Unstructured) 데이터가 생성됩니다. LLM은 이러한 데이터를 해석하고 학습함으로써 인간이 놓치기 쉬운 이상 패턴을 감지하거나, 실시간 데이터를 분석해 최적의 생산 조건을 제시할 수 있습니다. 제조 기업은 생산 효율을 크게 높이고, 원자재 및 에너지 낭비를 줄일 수 있습니다.
(2) 예측 유지보수/공급망 최적화
LLM은 과거 데이터를 기반으로 미래 시나리오를 예측하는 데 유능합니다. 이를 제조 맥락에서 생각해보면 설비의 과거 고장 데이터를 기반으로 미래의 고장 확률 예측과 유지보수 전략 제공을 기대할 수 있죠. 비효율적인 정기 유지보수 대신, 설비 별 맞춤 예측 유지보수가 가능해집니다. 이를 통해 예기치 못한 다운타임을 최소화하고, 유지보수 비용도 절감할 수 있죠.
또한, 과거 매출 데이터, 실시간 운송 정보, 현재 재고, 생산 데이터, 경제 지표 등을 분석해 수요를 예측할 수도 있습니다. 이를 통해 생산 계획을 수립하고 공급망을 최적화할 수 있죠. LLM이 가진 언어 능력을 기반으로 고객 주문과 발주를 처리하는 시스템을 개발할 수도 있습니다.
(3) 품질 관리 강화
지속적인 학습과 패턴 인식을 통해 생산 공정 초기에 자주 발생하는 공정 불확실성이나 제품 결함 등 산업 이상을 감지하는 데 유용하게 쓰일 수 있습니다. 이러한 조기 감지 및 대처를 통해 품질을 높게 유지하고 고객 만족도를 향상시킬 수 있습니다. 특히 이미지를 이해하는 LVLM(Large Vision Language Model)을 활용하면 품질 비전검사 분야를 더욱 고도화할 수 있을 것으로 기대됩니다.
또한, LLM 활용시 기존 산업용AI와 비교해 가장 큰 장점은 사람 담당자와 실시간으로 소통하며 문제를 해결하거나, 문서 내의 특정 정보를 검색해서 제공할 수 있다는 점입니다. 자세한 품질 보고서를 자동으로 생성하고 인사이트를 제공하도록 활용할 수도 있습니다.
(4) 의사소통 간소화
LLM은 제조 기업 내 다양한 부서 간의 교량 역할을 할 수 있습니다. 복잡한 기술 언어를 이해하고 이를 번역해 쉬운 언어로 생성하는 아주 좋은 능력을 가지고 있기 때문이죠. 이 능력을 빌리면 제조 프로세스 가장 앞 단에 있는 선행 연구팀부터 기획팀, 설계팀, 시험팀, 생산팀, 품질팀, 마케팅 및 영업팀까지 기술 지식 수준에 관계없이 모든 구성원이 정보에 접근할 수 있게 됩니다. 더 나은 의사소통과 협업을 촉진할 수 있으며, 이는 생산성 향상으로 이어집니다.