AI 도입 전략이 확실해야
제조 데이터, 목적부터 정해야…로봇 학습과 공장 운영에 필요한 기록은 다르다.
로봇에는 작업 영상·동작 궤적·성공과 실패 기록, 공장에는 설비 가동·재공품·공정별 대기 시간이 중요
[KMB NEWS] 로봇 팔이 가공 물을 집어 기계에 넣는 법을 배우는 데 필요한 데이터와, 공장 장이 생산라인에서 작업 물이 밀리는 이유를 찾는 데 필요한 데이터는 다르다. 같은 공장에서 나온 기록이라도 쓰임새가 달라지면 수집 항목과 기록 방식, 성과를 판단하는 기준도 달라진다. 국내 제조 현장에 축적된 데이터를 AI 경쟁력으로 이어 가려면, 먼저 그 데이터로 어떤 문제를 해결할지 정해야 한다.
로봇 학습에는 ‘어떻게 움직였고, 결과가 어땠는가’
로봇 팔에 가공 물을 집어 장비에 넣고 꺼내는 작업을 학습 시키려면 작업 영상, 가공 물의 위치와 자세, 로봇의 관절 각도와 이동 궤적을 함께 기록해야 한다. 물체를 제대로 집었는지, 작업 도중 놓쳤는지, 어떤 조건에서 실패했는지도 남겨야 한다. 가공 물의 위치나 작업 환경이 달라져도 로봇이 동작을 수행할 수 있는지 판단하려면 여러 조건에서 수집한 기록이 필요하다.
이 과정에서 얻은 데이터는 운영에도 활용할 수 있다. 영상과 동작 기록에서 작업 한 회에 걸린 시간과 성공률을 산출하면, 작업 조건에 따라 생산 속도나 실패 빈도가 어떻게 달라지는지 살펴볼 수 있다. 로봇의 동작을 학습시키는 원시 기록과 운영자가 판단에 쓰는 지표는 같은 자료에서 나와도 역할이 다르다.
공장 운영에는 ‘어디에서 멈추고, 무엇이 쌓이는가’
생산라인의 병목을 줄이려는 공장에는 설비 가동·정지 시각, 고장 이력, 공정별 처리량, 재공품 수량과 대기 시간이 중요하다. 어느 설비가 멈춘 뒤 앞 공정에 작업물이 쌓이고 뒤 공정에 투입할 물량이 부족해졌는지 시간 순서대로 확인하면, 정비 우선순위나 생산 계획을 조정할 근거를 얻을 수 있다.
이 기록은 설비 이상을 예측하거나 생산 계획을 지원하는 AI의 학습에도 쓰일 수 있다. 다만 제품, 설비 구성, 공정 순서가 다른 공장에 같은 모델을 적용하려면 추가 검증이 필요하다. 가령 두 공장이 모두 ‘비가동’을 기록하더라도, 한 곳은 제품 교체에 걸린 시간을 포함하고 다른 곳은 고장 정지만 집계한다면 수치를 그대로 비교하기 어렵다. 여러 공장의 데이터를 함께 쓰려면 상태 코드의 정의를 맞추고 설비와 공정의 맥락도 기록해야 한다.
데이터 수집 계획은 성과를 어떻게 확인할 지에서 출발
거대 언어 모델(LLM)이 주로 언어를 처리하는 데 비해, 로봇 제어나 공정 운영에 쓰이는 AI는 물체의 위치, 설비 상태, 작업 순서 등 물리적 조건 속에서 성능을 확인해야 한다. 로봇 학습이 목적이라면 새로운 위치나 자세에서도 작업을 성공하는지 살피고, 공장 운영 개선이 목적이라면 대기 시간과 비 가동 시간이 실제로 줄었는지 확인하는 식이다.
제조 데이터 사업의 첫 질문은 구체적이어야 한다. 로봇이 어떤 작업을 더 잘 수행하게 할 것인가. 생산라인에서 어느 구간의 정체를 줄일 것인가. 이 질문에 답할 수 있어야 필요한 데이터를 정하고, 수집한 기록이 현장에서 어떤 성과로 이어졌는지 평가할 수 있다.
그림 설명 | 로봇이 적재 동작 학습과 공장 운영 효율화에 필요한 데이터의 차이. 제공자 설명에 따르면 KAIST 제조 AI 수업 자료를 바탕으로 게시용으로 제작한 이미지다.
){kind=small}
){kind=small}
){kind=small}
){kind=small}