TECH CONTRIBUTION SERIES ④ — SMART FACTORY → DARK FACTORY
검사 결과를 확인하는 AI 에서, 결과가 발생하기 전에 최적 조건을 계산하는 AI 로
3초 요약
- 예측은 미래 시점과 행동을 함께 정의해야 한다 / 무엇을 몇 분·몇 공정 뒤에 예측하고, 언제 어떤 변수를 바꿀지 명확해야 한다.
- 정확도보다 데이터 누출과 운영 지연을 먼저 확인한다 / 결과 이후에 생성된 변수나 늦게 도착한 데이터는 높은 성능을 만들어도 현장에서 사용할 수 없다.
- AI Guidance는 예측을 조정값으로 바꾼다 / 목표와 현재 예측값의 차이를 계산하고 안전 범위 안에서 감량·유지·증량 방향을 제시한다.
검사 자동화와 공정 예측은 출발점이 다르다
영상검사는 현재 제품이나 설비의 상태를 판정한다. 공정 예측은 아직 나타나지 않은 품질과 설비 상태를 계산한다. 불량이 완성된 뒤 검출하면 유출은 막을 수 있지만 이미 투입된 원재료와 시간, 에너지를 되돌릴 수 없다. 반대로 결과가 확정되기 전에 품질 편차를 예측하면 공정 조건을 조정해 불량 자체를 줄일 수 있다.
예측 모델의 목표는 단순히 미래 숫자를 맞히는 것이 아니다. 작업자가 조치할 수 있는 충분한 시간을 확보하고, 변경 가능한 변수와 연결해 공정 결과를 목표 범위로 유도하는 것이다. 따라서 모델 개발 전에 예측 대상, 예측 시점, 조정 가능 변수, 허용 오차, 실행 주체를 함께 정의해야 한다.
예측 문제는 다섯 가지 질문으로 정의한다
- 무엇을 예측할 것인가 / 최종 품질값, 불량 확률, 설비 이상 점수, 에너지 사용량 등 목표를 수치로 정한다.
- 얼마나 앞서 예측할 것인가 / 작업자가 확인하고 설비 조건을 바꿀 수 있는 최소 선행시간을 정한다.
- 어떤 데이터가 그 시점에 존재하는가 / 결과 이후에 생성되는 값과 미래 정보를 입력에서 제외한다.
- 무엇을 바꿀 수 있는가 / 속도·온도·압력·투입량·시간처럼 실제 제어 가능한 변수를 구분한다.
- 어떤 실패를 허용할 수 있는가 / 오차 범위, 안전 제한, 수동 전환과 예외 처리 기준을 정의한다.
그림 1. 공정 데이터에서 AI Guidance 로 이어지는 예측·최적화 흐름 출처: 아이티브 AI 재구성
높은 정확도를 만드는 가장 위험한 오류: 데이터 누출
데이터 누출은 예측 시점에는 알 수 없는 정보를 학습이나 입력에 포함하는 문제다. 예를 들어 최종 검사 결과와 동시에 계산되는 보정값, 작업 종료 후 확정되는 투입량, 품질 판정 이후 기록된 작업자 조치값을 입력에 사용하면 테스트 성능은 높아질 수 있지만 실제 운영에서는 값을 얻을 수 없다.
| 구분 | 잘못된 구성 | 올바른 구성 |
|---|---|---|
| 시간 기준 | 전체 데이터를 무작위로 섞어 학습·평가 | 시간 순서 또는 생산 Lot 기준으로 미래 구간 분리 |
| 입력 변수 | 결과 이후 생성되는 값 포함 | 예측 시점 이전에 확정된 변수만 사용 |
| 중복 데이터 | 동일 제품·연속 샘플이 학습과 평가에 동시에 존재 | Lot·설비·기간 단위 그룹 분리 |
| 운영 지연 | DB 에 늦게 들어오는 값을 실시간 입력으로 가정 | 실제 수집·전송 지연을 포함해 검증 |
| 모델 선택 | 테스트 세트로 반복 튜닝 | 검증 세트로 선택 후 테스트는 최종 1 회 평가 |
제조 데이터는 시간적으로 연속되고 동일한 설비와 제품이 반복되기 때문에 일반적인 무작위 분할만 사용하면 성능이 과대평가되기 쉽다. 모델이 과거와 유사한 샘플을 기억하는 것인지, 새로운 기간·강종·제품·설비 조건에서도 재현되는지 분리해 확인해야 한다.
모델 평가는 하나의 점수가 아니라 오차의 구조를 본다
그림 2. 시계열 실제값과 예측값 비교 예시 ※ 기술 설명용 합성 데이터
| 지표 | 의미 | 현장 해석 |
|---|---|---|
| MAE | 오차 절대값의 평균 | 평균적으로 품질값이 몇 단위 벗어나는지 직관적으로 확인 |
| RMSE | 큰 오차에 더 큰 패널티를 주는 지표 | 간헐적인 대형 오차가 중요한 공정에 적합 |
| R2 | 분산을 모델이 설명하는 비율 | 범위가 좁거나 분포가 바뀌면 단독 해석에 주의 |
| 규격 이탈 재현율 | 실제 이탈 중 모델이 사전에 감지한 비율 | 불량 방지 목적에서 중요한 운영 지표 |
| False Alarm | 정상인데 조치를 요구한 비율 | 작업자 피로와 불필요한 조건 변경에 직접 영향 |
| 선행시간 | 결과 확정 전에 확보한 시간 | 모델 출력이 실제 조치 가능한지 결정 |
평균 오차가 작더라도 규격 경계에서 오차가 커지거나 특정 제품·작업반·설비에서 편향이 발생할 수 있다. 전체 성능과 함께 강종·제품·설비·작업반·기간별 성능을 분리하고, 규격 이탈 구간과 정상 구간의 성능을 따로 확인해야 한다.
예측·가상센서·영상검사가 함께 적용될 때 성과가 커진다
World Economic Forum 이 2026 년 소개한 Huafon Chongqing Spandex 는 AI 기반 고정밀 공정 최적화, 가상 센싱, AI 영상검사, 디지털 트윈, 로봇, IoT 와 빅데이터 분석을 포함한 62 개 디지털 애플리케이션을 적용했다. 그 결과 품질 결함률은 35% 감소했고, 노동 생산성은 60%, 순이익률은 113% 증가했다.1
그림 3. 공정 최적화·가상센서·영상검사를 결합한 생산시설 성과 출처: World Economic Forum, 2026
이 수치는 AI 예측 모델 하나만의 효과가 아니라 여러 디지털 활용사례와 운영 혁신을 결합한 결과다. 그러나 자율 제조에서 예측이 독립된 분석 보고서가 아니라 가상 센서, 영상검사, 디지털 트윈, 공정 제어와 연결되어야 한다는 점을 보여준다.
가상 센서는 측정하기 어려운 값을 간접 추정한다
모든 품질값을 실시간으로 직접 측정할 수 있는 것은 아니다. 분석실 결과가 수십 분 뒤에 나오거나 센서가 고온·분진·진동 환경에서 안정적으로 동작하지 않을 수 있다. 가상 센서(Virtual Sensor 또는 Soft Sensor)는 온도, 압력, 투입량, 전류, 시간과 같은 주변 공정 데이터로 직접 측정이 어려운 품질값을 추정한다.
가상 센서의 목적은 실제 센서를 무조건 대체하는 것이 아니다. 측정 주기 사이의 공백을 보완하고, 이상 가능성이 높은 시점을 선별하며, 실측값이 도착하기 전에 조기 대응 시간을 확보하는 데 있다. 실측 결과가 들어오면 예측값과 비교해 편향과 Drift 를 감시해야 한다.
AI Guidance 는 예측값을 공정 조건으로 변환한다
| 단계 | 입력 | 처리 | 출력 |
|---|---|---|---|
| 1. 상태 추정 | 현재 공정·설비·원재료 데이터 | 결측·이상치 처리, 상태 특징 계산 | 현재 상태 벡터 |
| 2. 결과 예측 | 현재 상태 + 공정 이력 | 품질값·불량 확률·설비 상태 추론 | 미래 결과와 불확실성 |
| 3. 목표 비교 | 예측값 + 목표 규격 | 목표와 편차, 위험도 계산 | 조정 필요 여부 |
| 2. 결과 예측 | 변경 가능 변수 + 제약조건 | 시뮬레이션·최적화·규칙 결합 | 감량·유지·증량 또는 추천값 |
| 2. 결과 예측 | 추천값 + 승인·인터록 | 작업자 가이드 또는 제한 제어 | 실행 이력과 결과 피드백 |
추천값은 단순히 예측 모델의 반대 방향으로 움직이는 값이 아니다. 변수 간 상호작용, 응답 지연, 설비 한계, 제품 규격과 안전 범위를 함께 고려해야 한다. 따라서 AI Guidance 에는 예측 모델뿐 아니라 제약조건, 공정 규칙, 최적화 로직, 승인 체계가 포함된다.
운영 단계에서 관리해야 할 모델 Drift
- 데이터 Drift / 원재료·제품·설비 조건 분포가 학습 시점과 달라지는 현상이다.
- 성능 Drift / 입력 분포 변화가 실제 예측 오차와 규격 이탈 감지율 저하로 이어지는 현상이다.
- 개념 Drift / 같은 입력과 결과의 관계가 설비 교체·공정 변경·계절 영향으로 바뀌는 현상이다.
- 운영 Drift / 작업자가 추천을 사용하지 않거나 다른 방식으로 개입해 모델과 실제 운영이 달라지는 현상이다.
Drift 는 모델을 재학습하면 끝나는 문제가 아니다. 공정 변경 이력, 센서 교정, 데이터 품질, 사용자 승인율을 함께 기록해야 원인을 구분할 수 있다. 모델 버전별 성능과 배포 시점, 적용 공정 범위를 관리하고, 기준을 벗어나면 자동 제어를 중단하고 권고 모드로 낮추는 운영 정책이 필요하다.
PoC 성공 기준은 모델 정확도가 아니라 운영 의사결정이다
| 영역 | PoC 핵심 KPI | 예시 판단 기준 |
|---|---|---|
| 모델 | MAE·RMSE·규격 이탈 재현율·False Alarm | 기존 판단 대비 오차 감소, 이탈 사전 감지 가능 |
| 시간 | 데이터 지연·추론시간·선행시간 | 조정 가능한 시점 전에 결과 제공 |
| 현장 | 추천 사용률·승인율·개입 횟수 | 작업자가 이해하고 반복적으로 활용 |
| 품질 | 불량률·재작업·편차·공정능력 | 도입 전 기준선 대비 통계적으로 유의한 개선 |
| 운영 | 모델 가동률·결측률·Drift 경보 | 장기간 안정적인 데이터와 서비스 유지 |
핵심 결론
공정 예측 AI 의 가치는 미래 숫자를 맞히는 데서 끝나지 않는다. 결과가 확정되기 전에 조치 시간을 확보하고, 변경 가능한 변수와 안전 제약을 연결해 품질 편차를 줄일 때 비로소 공장의 두뇌가 된다.
글을 마치며
참고자료 및 출처
※ 본문의 외부 수치와 사례는 기관·기업의 공식 공개자료 및 제공된 제품 브로셔를 기준으로 정리했습니다. 직접 제작한 그래프와 도식은 원문의 수치 또는 기술 구조를 아이티브 AI 가 시각적으로 재구성한 것입니다.
참고문헌
- NIST, “2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing”. 참고 내용: 산업 빅데이터, 예측, 디지털 트윈, 설명 가능성·신뢰성·안전 과제. 링크
- NIST, “Data Analytics for Smart Manufacturing Systems”. 참고 내용: 제조 데이터 분석을 의사결정과 행동으로 연결하는 피드백 루프 및 통합 필요성. 링크
- NIST, “Considerations and Recommendations for Data Availability for Data Analytics for Manufacturing”. 참고 내용: 제조 분석을 위한 데이터 품질·신뢰성·효율·형식의 중요성. 링크
- 아이티브 AI, 「AI 솔루션 소개」. 참고 내용: 과거와 현재 공정 데이터로 미래 결과를 추론하고 최적 조건을 제시하는 AI Guidance 방향. 링크
※ 실제값-예측값 그래프는 모델 평가 방법을 설명하기 위한 합성 데이터이며 특정 고객 또는 프로젝트의 성능이 아닙니다.