산업 인공지능

산업 인공지능 또는 산업 AI는 일반적으로 산업과 비즈니스에 인공지능을 적용하는 것을 말한다. 컴퓨터화된 시스템이 인간의 지능을 필요로 하는 작업을 수행하도록 구축하는 최첨단 연구 분야인 범용 인공지능과 달리, 산업 AI는 고객 가치 창출, 생산성 향상, 비용 절감, 현장 최적화, 예측 분석[^5] 및 인사이트 발굴을 위해 산업 현장의 문제점을 해결하는 데 이러한 기술을 적용하는 것에 더 중점을 둔다.[^6]

인공지능과 머신러닝은 최근 몇 년간 여러 요인으로 인해 생산 현장에서 데이터를 활용하는 핵심 수단이 되었다: 더 저렴해진 센서와 자동화된 데이터 수집 프로세스, 더 복잡한 작업을 더 빠른 속도와 더 낮은 비용으로 수행할 수 있는 컴퓨터의 강력해진 연산 능력, 더 빨라진 연결 인프라와 데이터 관리 및 컴퓨팅 파워 외주를 위한 더 접근하기 쉬운 클라우드 서비스가 그것이다.[^1]

분류

생산 영역에서 산업 AI와 머신러닝의 가능한 응용 분야는 일곱 가지 적용 영역으로 나눌 수 있다:[^2]

• 시장 및 트렌드 분석
• 기계 및 장비
• 내부 물류
• 생산 공정
• 공급망
• 건물
• 제품

각 적용 영역은 생산에서의 구체적인 AI/ML 시나리오를 기술하는 세부 적용 시나리오로 더 세분화할 수 있다. 일부 적용 영역은 생산 공정과 직접적인 관련이 있는 반면, 다른 영역은 물류나 공장 건물과 같은 생산 인접 분야를 다룬다.[^2]

공정 설계 및 혁신 적용 시나리오의 한 예로 협동 로봇이 있다. 협동 로봇 팔은 인간 작업자가 시연한 동작과 경로를 학습하여 동일한 작업을 수행할 수 있다.[^7] 데이터 기반 머신러닝을 통한 예측 및 예방 정비는 기계 및 장비 적용 영역의 대표적인 적용 시나리오이다.[^2]

과제

완전히 가상의 시스템에서는 ML 응용이 이미 오늘날 널리 보급되어 있는 것과 대조적으로, 실제 생산 공정은 가상 세계와 물리적 세계 간의 상호작용을 특징으로 한다. 데이터는 센서를 사용하여 기록되고 컴퓨팅 장치에서 처리되며, 필요한 경우 행동과 결정은 액추에이터나 인간 작업자를 통해 다시 물리적 세계로 변환된다.[^8] 이는 생산 공학 시스템에서 ML을 적용하는 데 있어 주요 과제를 야기한다. 이러한 과제는 공정, 데이터 및 모델 특성의 결합에 기인한다: 생산 영역의 높은 신뢰성 요구 사항, 높은 위험과 손실 가능성, 다수의 이질적인 데이터 소스, 그리고 ML 모델 기능의 불투명성은 실제 생산 공정에서 ML의 보다 빠른 도입을 저해한다.

특히, 생산 데이터는 다양한 양식, 의미론 및 품질을 포함한다.[^3] 또한, 생산 시스템은 동적이고 불확실하며 복잡하고,[^3] 공학 및 제조 문제는 데이터는 풍부하지만 정보는 희소하다.[^9] 이 외에도 다양한 사용 사례와 데이터 특성으로 인해 문제에 특화된 데이터셋이 필요하며, 이를 확보하기가 어려워 이 분야의 실무자와 학술 연구자 모두에게 장애가 된다.[^4]

공정 및 산업 특성

생산 공학 분야는 첨단 기술의 도입과 기존 공정에의 통합에 있어서 상당히 보수적인 산업으로 간주될 수 있다. 이는 예를 들어 추가적인 비계획 가동 중단이나 불충분한 제품 품질 등으로 인한 공정 효율성 저하의 잠재적으로 높은 경제적 피해에서 비롯되는 생산 시스템의 높은 신뢰성 요구 때문이다. 또한, 가공 장비와 제품의 특수성은 다양한 공정에 걸친 광범위한 도입을 방해한다. 기술적 이유 외에도, ML의 소극적 도입은 해당 분야 전반에 걸친 IT 및 데이터 과학 전문 인력의 부족에 의해 가속화된다.[^2]

데이터 특성

생산 공정에서 수집되는 데이터는 주로 실제 세계에서 제품, 공정 또는 환경의 상태를 추정하기 위해 빈번하게 샘플링하는 센서에서 발생한다. 센서 판독값은 노이즈에 취약하며 불확실성 하에서 현실의 추정치만을 나타낸다. 생산 데이터는 일반적으로 다수의 분산된 데이터 소스를 포함하여 다양한 데이터 양식(예: 시각적 품질 관리 시스템의 이미지, 시계열 센서 판독값, 또는 횡단면 작업 및 제품 정보)을 생성한다. 데이터 수집의 비일관성은 낮은 신호 대 잡음비, 낮은 데이터 품질, 그리고 데이터 통합, 정제 및 관리에 대한 막대한 노력을 초래한다. 또한, 생산 장비의 기계적 및 화학적 마모의 결과로 공정 데이터는 다양한 형태의 데이터 드리프트에 영향을 받는다.

머신러닝 모델 특성

ML 모델은 입출력 관계의 복잡성과 불투명성으로 인해 블랙박스 시스템으로 간주된다. 이는 시스템 동작의 이해 가능성을 낮추고, 따라서 공장 운영자의 수용도 역시 저하시킨다. 투명성의 부족과 이러한 모델의 확률적 특성으로 인해 기능적 정확성에 대한 결정론적 증명을 달성할 수 없어 생산 장비의 인증을 복잡하게 만든다. 본질적으로 제한 없는 예측 동작으로 인해 ML 모델은 오류가 있거나 조작된 데이터에 취약하며, 견고성과 안전성의 부족으로 생산 시스템의 신뢰성을 더욱 위협한다. 높은 개발 및 배포 비용에 더하여, 데이터 드리프트는 높은 유지보수 비용을 유발하며, 이는 순수하게 결정론적인 프로그램에 비해 불리하다.

생산 환경에서의 데이터 과학 표준 프로세스

ML 응용 프로그램의 개발 – 사용 사례의 식별 및 선택에서 시작하여 응용 프로그램의 배포 및 유지보수로 끝나는 – 은 표준 프로세스 모델로 조직할 수 있는 전용 단계를 따른다. 프로세스 모델은 개발 프로세스를 구조화하고 다음 단계로 진입하기 위해 각 단계에서 충족해야 하는 요구사항을 정의하는 데 도움을 준다. 표준 프로세스는 범용 프로세스와 도메인 특화 프로세스로 분류할 수 있다. 범용 표준 프로세스(예: CRISP-DM, ASUM-DM, KDD, SEMMA, 또는 팀 데이터 과학 프로세스)는 일반적으로 유효한 방법론을 설명하며, 따라서 개별 도메인에 독립적이다.[^10] 반면 도메인 특화 프로세스는 특수한 응용 분야의 고유한 특성과 과제를 고려한다.

생산 환경에서의 머신 러닝 파이프라인은 CRISP-DM 모델에서 영감을 받아 엔지니어링 및 생산 기술 분야에 적용되도록 특별히 설계된 도메인 특화 데이터 과학 방법론이다.[^11] 엔지니어링에서 ML의 핵심 과제 – 프로세스, 데이터, 모델 특성 – 를 해결하기 위해, 이 방법론은 특히 사용 사례 평가, 공통 데이터 및 프로세스 이해 달성, 데이터 통합, 실제 생산 데이터의 데이터 전처리, 그리고 실제 ML 응용 프로그램의 배포 및 인증에 중점을 둔다.

산업 데이터 소스

산업 환경에서 대부분의 인공지능 및 머신 러닝 응용 프로그램의 기반은 해당 분야의 포괄적인 데이터셋이다. 이러한 데이터셋은 사용되는 모델을 훈련하기 위한 기초 역할을 한다.[^3] 컴퓨터 비전, 음성 인식 또는 언어 모델과 같은 다른 도메인에서는 광범위한 참조 데이터셋(예: ImageNet, Librispeech,[^12] The People's Speech)과 공개 인터넷에서 수집한 데이터[^13]가 이 목적으로 자주 사용된다. 높은 기밀성 요구사항[^4]과 데이터의 높은 특수성 때문에 산업 맥락에서는 이러한 데이터셋이 거의 존재하지 않는다. 따라서 인공지능의 산업 응용은 종종 데이터 가용성 문제에 직면한다.[^4]

이러한 이유로, 산업 응용에 적용 가능한 기존 공개 데이터셋은 종종 정부 기관이나 대학과 같은 공공 기관과 기업이 주최하는 데이터 분석 대회에서 유래한다. 이 외에도 데이터 공유 플랫폼이 존재한다. 그러나 이러한 플랫폼 대부분은 산업에 초점을 맞추지 않으며, 산업 데이터 소스에 대한 필터링 기능이 제한적이다.

같이 보기

*운영 인공지능

---

Here is the translated Markdown:

참고 문헌

[^1]: Schatsky, David. 인지 기술: 비즈니스를 위한 실질적 기회. Deloitte Review

[^2]: Krauß, J.. 생산 기술의 최전선. Springer International Publishing. (2023)

[^3]: Wuest, Thorsten. 제조업에서의 머신러닝: 장점, 과제 및 응용. (2016년 1월)

[^4]: Jourdan, Nicolas. 지능형 유지보수 및 품질 관리를 위한 머신러닝: 기존 데이터셋 및 관련 사용 사례 검토. (2021)

[^5]: 석유 및 가스 산업에서 AI를 활용한 다운타임 감소

[^6]: Sallomi, Paul. 인공지능의 주류화. The Wall Street Journal - CIO Journal - Deloitte

[^7]: 협동 로봇이란 무엇을 의미하는가?

[^8]: Monostori, L.. 제조업에서의 사이버 물리 시스템. (2016-01-01)

[^9]: Lu, Stephen C-Y.. 고급 엔지니어링 자동화를 위한 지식 합성 및 통합 과제에 대한 머신러닝 접근법. (1990-01-01)

[^10]: Azavedo, Ana. KDD, SEMMA 및 CRISP-DM: 병렬적 개요. (2008)

[^11]: Krauß, Jonathan. 생산 기술의 최전선. Springer. (2019)

[^12]: Panayotov, Vassil. 2015 IEEE 국제 음향, 음성 및 신호 처리 학술대회 (ICASSP). (2015)

[^13]: OpenAI. GPT-4 기술 보고서. (2023)