⑤ 데이터 부족, 산업태스크의 특수성 등으로 인공지능 구현 한계
◯ 최근 빅데이터를 기반으로 한 인공지능 기술이 많은 현업의 문제를 해결하고 있음. 막대한 양의 데이터가 가지는 복잡한 탐색 공간에서 최적의 해답을 이끌어냄으로써 많은 분야에서 전문가 지식 기반의 알고리즘 성능을 뛰어넘고 있음. 하지만 이러한 컴퓨터 비전, 자연어 처리 분야의 괄목할 만한 발전에는 해당 태스크(task)의 일반성(generality)이 크게 기여함
◯ 하지만 산업계에서의 인공지능의 활용은 활용 가능한 데이터 기반 방법론의 관점에서 좀 더 제한되는 측면이 있음. 예를 들어, 특정 설비의 상태를 진단하기 위한 인공지능 모델의 학습데이터는 해당 설비 또는 최소한의 유사성을 가지는 장비들로부터 제한적으로 취득되며 학습에 충분한 양을 확보하기 어려움. 이는 인공지능이 풀고자 하는 태스크가 특수(specific)하기 때문에 발생하는 차이이며, 따라서 이를 일반 인공지능과 구분하여 ‘산업인공지능’으로 부름. 산업인공지능은 기존의 인공지능에 산업 도메인의 지식을 다양한 형태로 적용한 기술을 일컬으며, 해당 산업 분야에 특히 높은 성능을 발휘하도록 개발됨
고장진단 및 예측 기술과 산업인공지능의 단계
■ Level 1 : 전처리, 인자 추출, 진단 모두 도메인 지식 기반으로 수행. 결과의 해석이 용이하지만, 개발 비용이 높으며 성능 최적화가 어려움
■ Level 2 : 전처리와 인자 추출 단계를 인간 전문가가 직접 설계하고, 진단 및 예측을 인공지능 알고리즘으로 수행, Neural Networks(NNs), Support Vector Machine(SVM), k-Nearest Neighbor(kNN), Decision Tree 등의 섈로러닝(shallow learning)을 주로 사용
■ Level 3(산업인공지능) : 고장 진단 및 예측 기술의 전반을 인공지능으로 구현. 딥러닝을 통하여 특성 추출, 분류 및 예측을 한 번에 학습
◯ 최근까지도 산업계에서는 공장 등에서 수집된 데이터를 단순한 통계학적 전처리만을 거친 후 바로 딥러닝에 학습하는 방법이 주로 사용되어 왔으나, 업계마다 판이하게 다른 데이터의 형태, 특성 등에 의해 어려움을 겪고 있음
◯ 딥러닝은 산업계에서도 바로 적용될 수 있을 것으로 예상되었지만, 산업현장에서 유래되는 데이터의 부족 및 태스크의 특수성은 인공지능의 한계를 보여주었으며, 이를 해결하기 위한 도메인 전문가 지식 기반 전처리의 필요성이 부각
⑥ 가상 모델 시각화에만 편중되어 있는 디지털 트윈
◯ 산업분야에서 디지털 트윈의 적용 범위는 설계, 제조(생산), 판매, 운영 및 유지보수 등의 단계에서 최적화, 성능관리, 고장진단, 예지정비 등 매우 다양함
- 관심 대상에 따라 부품, 제품, 시스템, 공정, 공장 또는 공급망 전체를 범위로 디지털 트윈이 구축되어 활용될 수 있음
※ (제조) 제품 설계, 운영 감시, 작업량·로드 예측, 생산 손실 예측, 고장 진단·예측
※ (항공 및 전력) 프로펠러, 터빈 등 기계의 고장 진단, 예측
※ (자동차) 차량의 성능 분석, 고객에게 맞춤식 경험 제공
제조공정 디지털 트윈 모델
※ 출처 : 딜로이트, KB경영연구소 재구성
◯ 디지털 트윈 이슈
- 국내는 모델링 물리·공학적 모델과 운용 논리·절차 기반의 모델링 및 시뮬레이션 기술과 경험 부족
- 특히 공정, 플랜트 등을 대상으로 디지털 트윈이 필요한 경우는 연속시간 모델과 이산사건 모델이 결합된 하이브리드 형태의 모델링 능력이 요구됨
- 제조 산업분야로부터 적용되면서 발전하고 있는 디지털 트윈 응용에서는 가상 모델의 모습을 시각화해주는 기능에 편중되어 있음
(시사점)
산업현장에서 AI를 적용하려면 일반 AI와 다른 접근이 필요하다.
제조 설비 데이터는 특정 장비와 공정에서 제한적으로 수집되기 때문에 데이터가 부족하고, 태스크도 현장별로 매우 특수하다. 따라서 단순히 딥러닝 모델을 적용하는 방식만으로는 성능을 확보하기 어렵고, 도메인 전문가 지식, 전처리, 특징 추출, 물리 모델을 결합한 산업인공지능 체계가 필요하다. 또한 디지털 트윈은 현재 가상 모델 시각화에 치우친 경우가 많지만, 실제 가치는 설계·생산·운영·유지보수 전 과정에서 최적화, 고장진단, 예지정비를 수행할 때 나온다. 결국 국내 기업은 보여주는 디지털 트윈을 넘어 물리·공학 모델, 운용 논리, 실시간 데이터를 결합한 실행형 디지털 트윈 역량을 확보해야 한다.
댓글 쓰기