[67]'서비스 AI'없는 스마트팩토리는 무용지물

[박정수 성균관대 스마트팩토리 융합학과 겸임교수] 스마트팩토리의 핵심 역량은 제조현장 데이터 분석을 통한 진단, 예측과 최적화를 달성하기 위한 데이터 애널리틱스(DA: Data Analytics)이다.

우리는 이를 일반적으로 데이터 관리 기술이라고 한다. 데이터를 통해 다양한 핵심성과지표(Key Performance Index; KPI)의 기준을 잡고, 멀티 스케일의 실시간적 진단, 예측 및 최적화 모델의 개발과 더불어 운영 최적화(Optimized Control)를 가능하게 한다.

과거 통계학적인 접근(SPC)에 의한 운영관리 수준에서 밝혀낼 수 없었던 것을 데이터 애널리틱스는 현장 데이터를 통해, 감지하지 못하고 보이지 않던 제조 오류 및 문제점을 밝혀낼 수 있게 되었다. 즉 시스템 의존적인 제조 운영 수준에서 또 다른 상관관계를 찾아내고 학습시키며 분석하는 인공지능 기반 스마트팩토리 고도화를 통해 인과관계를 밝혀 냄으로써, 문제 해결 및 성능 향상이 가능해지고 있다.

이를 가능하게 하는 핵심에는 정형데이터뿐만 아니라 비정형 데이터까지 포함하는 빅데이터 활용 기술이 있기 때문이다. 최근 정보통신기술의 발달로 빅데이터 활용기술을 통한 데이터 범위의 확장성이 점점 더 커지고 있으며 실효성 또한 높아지고 있다. 그것이 바로 인공지능 기술을 활용한 새로운 서비스의 창출에 의한 새로운 수익원, 즉 “Service AI”이다.

Service AI는 사물 인터넷(IoT) 센싱기술을 통한 감지 역량과, 인간 스스로의 현장학습과 인공지능 기술을 활용한 엄청난 양의 학습역량의 승수효과, CPS(Cyber Physical System)를 기반으로 시공을 초월한 실시간 의사결정 역량과 기하급수적으로 늘어나는 의사결정의 횟수와 초정밀성, 그리고 빅데이터 기반 행동 인터넷(Internet of Behaviors)에 의해, 점점 더 유연해지는 고객과 시장에 대한 대응력을 강화시킨다. 그러므로 “Service AI”는 내부 및 외부 서비스 환경에서 가치를 지속적으로 제공하는 기술 구성의 총체이며 새로운 기능을 창출하는 발전소이고, 이는 스마트팩토리의 궁극적인 목적이다.

제조 현장의 사람과 기계, 그리고 제품으로 구성되는 제조 요소는 많은 양의 데이터를 생성하고 있다. 최근 들어 사물 인터넷(IoT) 센싱기술을 통한 감지 능력 향상은 빅데이터를 생성시키고 있으며, 그것을 활용하기 위해서 인공지능 기술을 적용해야 한다. 즉 빅데이터 활용기술은 인공지능 기술을 제조 업무에 적용시켜 새로운 “Service AI”를 구현시키는 것이 스마트팩토리 고도화의 핵심이다.

빅데이터로 인해서 제조 데이터의 시간, 소스 및 형식의 다양성이 더 확대되고 있기 때문에, 인간의 근면성만 가지고는 데이터에 내장되어 있는 상관관계를 물리적으로 감지하고, 학습하며, 의사결정을 하고 행동화로 연결시키는 것이 점점 더 불가능해지고 있다. 그래서 인공지능의 기계학습(ML)을 활용해서 실효성을 향상시키는 것이 합리적이다. 왜냐하면 “Service AI”의 중요한 속성은 민첩성(Agility & Velocity)에 있기 때문이다. 그래서 CPS(Cyber Physical System), Digital Twin, XR(확장형 현실)을 인공지능과 융합시켜 새로운 수익원을 찾아내는 지속 가능성 관리가 스마트팩토리의 궁극적인 목적이다.

아래 그림은 MAPE-K(Monitor-Analyze-Plan-Execute over Shared Knowledge) 피드백 루프(feedback Loop)의 내용으로, 자율 및 자가 적응 시스템을 위한 가장 영향력 있는 참조 제어 모델이다. MKL(MAPE Knowledge Loop)라고도 한다.



위 그림은 앞서 말했듯이 자율 및 자가 적응 시스템 (autonomic and self-adaptive systems)을 위한 제어 모델(Control Model)이다. 기본적으로 사물 인터넷(IoT)은 다양한 객체와 환경을 연결하기에, 이를 통해 IoT를 동적으로 변경할 수 있다. 따라서 이러한 제조 환경을 수정할 수도 있다. 이를 위해 런타임(run time) 시 다른 요구사항의 출현을 동적으로 고려하는 자체 적응형 소프트웨어, 즉 동적 환경의 요구 사항을 충족하기 위해 인공 지능 학습 기술을 활용하여 행동을 데이터 기반으로 조정할 수 있어야 한다. 그것이 바로 기술적인 측면에서는 CPS(Cyber Physical System)이고, 기능적인 측면에서는 “Service AI”이다.

아래 그림은 시스템의 AI 지원 관리 및 학습을 위한 MAPE-K 루프(MKL)를 보여주고 있다.

출처: Artificial Intelligence as a Service (AI-aaS) on Software-Defined Infrastructure,2019,IEEE 재인용: 성균관 대학교 스마트팩토리 융합학과 박정수 교수

이와 같이 “Service AI”를 실현시키기 위해서는 제조 데이터의 특성에 대한 이해가 절실하다. 어쩌면 우리는 우리도 모르는 사이에 쓰레기를 투입(GIGO: garbage-in garbage-out)하고 엄청난 성과를 기대하고 있는지도 모른다. 기존의 관계형 데이터베이스 기반의 시스템으로는 스마트팩토리가 요구하는 성능을 달성하기가 용이하지 않기 때문에, 이를 해결하기 위한 분산형 데이터 베이스 시스템과 제반 데이터 처리 기술들, 소위 빅데이터 인프라의 적용이 필수적이다. 따라서, 빅데이터 인프라와 융합된 데이터 애널리틱스, 즉 빅데이터 애널리틱스 (Big Data Analytics; BDA)와 인공지능의 학습 및 분석 기술은 최적의 생산계획 및 제어를 위해 시기적절하고 정확한 의사결정을 가능하게 하는 필수 기술이다.

인공지능 기반 스마트팩토리 고도화 수준에서는 통계 혹은 데이터마이닝 기법으로부터 공정제어변수(입력변수)와 KPI(출력변수)간 유의미한 상관성을 도출하고, 제조 공정에 제어변수를 입력했을 때 예상 KPI(Key Performance Indicator)를 출력하기 위한 구조체, 알고리즘(사용방법과 절차) 및 수식 등을 활용한 예측모델(Forecasting model)이 아닌 예지모델(Predictive model)이 가능해야 한다.

또한 스마트팩토리의 목적측면에서는 예지 모델(Predictive Model)을 활용하여 KPI(핵심성과지표)향상을 위한 최적 공정제어변수 산출을 가능하게 하는 구조체, 알고리즘(사용절차) 및 수식 등을 활용한 최적화 모델(Optimization model), 즉 운영 최적화(Optimized Control)가 가능해야 한다.

궁극적으로 스마트팩토리는 제조산업의 지속 가능한 경쟁우위를 실현시키는 경영철학이자 제조 전략이다. 이미 온 미래의 경쟁 요소와 차별화 전략은 “Service AI”의 제공가치에 의해 좌지우지될 것이다. 그러므로 스마트팩토리 구현을 통해서 고객과 시장에 제공해야 할 서비스 제공방식“AI-aaS(Artificial Intelligence as a Services)”을 혁신하는 것이 인공지능 기반 스마트팩토리 고도화이다.