[목 차]

AI 전환에도 순서가 있다

 

01 AI의 출발점, 스마트공장

02 문제 인식과 사건 특정

03 숫자와 데이터의 조건

04 수집의 범위와 지속 가능성

05 기록 연결의 설계

06 가시화의 발견과 한계

07 규칙과 AI의 경계

08 숙련 판단의 데이터화

09 AI가 작동하는 조건과 역할

10 AI 도입, 결정에서 실행으로

 

[본 문]

기초 단계든 고도화 단계든, 수집하는 데이터가 생산 실적에 머물러 있다면 수준이 높아져도 공정 안을 들여다보는 능력은 달라지지 않는다. 가시화는 생산 실적의 실시간 모니터링이 아니다. 공정의 상태를 보는 것이다. 어느 공정에서 조건이 흔들리기 시작하는지, 어떤 변수들이 겹칠 때 결과가 달라지는지가 데이터로 잡혀 처음으로 눈에 들어오는 것, 그것이 가시화다. 이 가시화가 갖춰진 공장만이 “어떤 조건이 겹쳤을 때 불량이 나는가”라는 질문에 답할 수 있고, 그 질문이 데이터로 만들어져 있어야 AI가 학습할 재료가 생긴다. 수준표의 판단 기준을 바꾸는 것이 목표가 아니다. 중소기업의 고도화 인식 구조를 공정의 상태를 데이터로 볼 수 있는 구조로 만드는 것이 목표다. 그 구조가 갖춰지지 않은 채 수준만 높아진 공장은, AI 도입을 앞에 두고 여전히 같은 자리에 서 있게 된다.

－01_“AI의 출발점, 스마트 공장” 중에서

 

현장에서 자주 듣는 말이 있다. “데이터는 많은데 어떻게 써야 할지 모르겠다.” 과장이 아니다. 자료는 넘치고 시스템도 적지 않은데, 막상 문제 하나를 설명하려 하면 사람이 다시 흩어진 자료를 손으로 맞춰야 한다. 어떤 값은 저장되지 않았고, 어떤 값은 다른 자리에서 다른 이름으로 불리고, 어떤 값은 끝내 품질 결과와 이어지지 않는다. 그래서 숫자는 많은데 질문 하나에 답하는 데 며칠이 걸린다. (…) 이런 공장에 부족한 것은 데이터의 양이 아니다. 저장, 일관성, 결과 대응이라는 세 조건 가운데 어딘가가 끊겨 있을 뿐이다. 새 기술을 들이기 전에 먼저 물어야 할 것은 그래서 정해져 있다. 우리 공장의 숫자는 저장되고 있는가. 일관된 기준으로 채워지고 있는가. 그 기록은 최종 품질과 손실 결과까지 이어져 있는가. 이 세 질문에 막힘없이 답할 수 있는 공장의 숫자만이 진짜 데이터다.

－03_“숫자와 데이터의 조건” 중에서

 

세 사례를 관통하는 한 가지 사실이 있다. 가시화의 형태는 기술의 수준이 결정하는 것이 아니라, 공장이 반복하는 문제의 성격이 결정한다는 것이다. 실시간으로 공정 이상을 잡아야 하는 공장과, 품질 원인을 거슬러 올라가 설명해야 하는 공장은 같은 데이터를 갖고 있어도 가시화의 무게중심이 달라야 한다. 그 무게중심을 잘못 잡으면 화면은 많아지는데 정작 필요한 순간에 데이터가 쓰이지 않는 공장이 된다. 엑셀과 그래프만으로도 많은 것이 보이기 시작하지만, 모든 발견이 그 정도에서 끝나는 것은 아니다. 조건이 하나나 둘일 때 선명하던 패턴은 변수가 셋, 넷, 다섯으로 늘면 금세 흐려진다. 같은 조건처럼 보이는데 결과가 다르게 나오고, 여러 요소가 동시에 얽히면서 한 가지 이유로는 설명되지 않는 순간이 온다.

－06_“가시화의 발견과 한계” 중에서

 

네 가지 역할 모두에 공통으로 걸쳐 있는 전제가 하나 더 있다. 수치는 자동으로 기록되지만, 숙련된 담당자가 왜 그 순간 그런 판단을 내렸는지는 어디에도 저절로 적히지 않는다는 것이다. (…) 수치만 쌓인 공장과, 그 수치가 왜 나왔는지의 이유까지 함께 남아 있는 공장 사이에는 결정적인 차이가 있다. AI는 숫자는 학습할 수 있지만, 그 숫자가 왜 나왔는지는 데이터로 남겨져 있지 않으면 끝내 알지 못한다. 암묵지의 형식지화가 독립된 AI 기술이 아니라 네 가지 역할 모두의 학습 기반이 되는 이유가 여기에 있다. 사람의 판단을 데이터로 옮기는 일은 AI 도입의 부속 작업이 아니라, AI가 실제로 작동하기 위한 가장 인간적인 준비다.

－09_“AI가 작동하는 조건과 역할” 중에서