[제조AI] 제조업에 인공지능을 도입하려면?

제조업에 AI를 도입하기 위해서는 기술 자랑보다 문제 해결 능력이 중요하며, 많은 AI 프로젝트가 실패하는 이유는 현장 이해 부족과 부적절한 데이터 사용 때문이다. 성공적인 AI 프로젝트는 제조 현장의 이슈를 파악하고, 적절한 기술과 리소스를 응용하는 능력에 달려 있다. 이를 위해 실제 사례 연구, 이론 학습, 업계 소통이 필요하다.

스탯

Sep 01, 2024

최근 제조업에 AI를 도입하고자 하는 시도가 늘고 있다. 기업이고 정부고 모두가 시도하고 있다.

그런 소식을 들으면 제조업에 종사하고 있는 사람으로서 대한민국이 인공지능의 필요성을 제조업에서도 절실히 느끼고 바뀌고 있다고 생각하게 된다.

제조업의 많은 회사들이 일 할 사람을 구하기도 힘들 뿐더러 기업과 직원의 생산성이 그 다음 단계로 넘어가기 힘든 상황이 됐다.

이걸 타파하기 위한 가장 좋은 해결책은 역시 데이터 분석과 인공지능 도입일 것이다.

한편으로는 걱정이 되는 부분도 있다. 잘못된 인공지능 적용이다. 정확히는 인공지능 적용 실패다.

[8월29일] 기업의 AI 프로젝트 80%가 실패하고 헛돈만 날리는 이유

기업들이 본격적으로 인공지능(AI)을 도입한 지 일년이 넘었습니다. 국내에서도 지난해 말부터 이런 추세가 시작됐습니다.AI 스타트업을 만나보면 불과 몇개월 전과는 분위기가 많이 다르다고 합니다. 이제는 용어 설명으로 시간을 끄는 일은 없으며, AI에 대한 이해도가 높아졌다고 합니다.이런 상황에서 미국의 대표적인 싱크탱크인 랜드 연구소(RAND Corporation)가 최근 흥미로운 보고서를 내놓았습니다. 제목은 'AI 프로젝트 실패의 근본 원인과 성공 방법'입니다.랜드 연구소는 AI 프로젝트의 80% 이상이 실패하며, 이는 다른 I

https://www.aitimes.com/news/articleView.html?idxno=162934

[8월29일] 기업의 AI 프로젝트 80%가 실패하고 헛돈만 날리는 이유

"성과 없는 애널리틱스, 개선 없는 머신러닝" AI/ML 프로젝트가 실패하는 이유

데이터 애널리틱스와 머신러닝은 실질적인 비즈니스 가치를 제공하지만, 목표를 달성하는 프로젝트는 거의 없다는 보고서 결과가 발표됐다. 애널리틱스와

https://www.itworld.co.kr/topnews/344460

"성과 없는 애널리틱스, 개선 없는 머신러닝" AI/ML 프로젝트가 실패하는 이유

국내외 상관없이 많은 AI 프로젝트 중 다수가 실패하고 있다. 위에 첨부한 자료들은 해외 연구소나 사례들을 종합한 이야기를 하고 있지만, 회사에서 일하면서 만나는 고객사들은 그간 AI를 한다는 기업들에게 하도 데여서 처음부터 불신의 눈으로 우리를 쳐다본다.

그리고 고객사의 이야기를 들으면 비싼 돈 내고 무용지물 시스템을 샀다는 그 심정이 이해도 가고 이전 프로젝트와 비슷한 일을 해야 하는 사람으로서 부담도 좀 된다.

AI 프로젝트 중에서 성공적인 결과를 만든 경우는 정말 드물다. 그리고 그 소수의 사례들만 엄청나게 강조가 되면서 많은 사람들이 인공지능을 도입하면 대단한 결과를 낼 수 있을 거라고 생각하게 만들고 프로젝트 이후에는 그들을 크게 실망시킨다.

앞으로는 이런 기술들을 성공적으로 도입하는 것을 지향해야 한다고는 생각한다. 하지만 현장과 문제에 대한 충분한 이해나 기술 적용에 대한 충분한 검토 없이 대단한 학술지에 게재된 모델링 방법을 선전하면서 현장에 적용해봤자 대부분의 프로젝트는 실패할 수밖에 없다.

충분한 역량과 리소스가 없는 상황에서 국가 R&D 사업이나 제조업 회사와의 AI 프로젝트를 하게 된다면 그냥 데이터에 pytorch나 tensorflow 기반의 ML/ DL 모델 적용 한 번 하고 Metric이 잘 나왔다고 보고서 한 번 쓰는 것 수준 밖에 되지 않게 된다.

적용 이후 MLOps 관점에서 모델은 어떻게 재학습을 하고 꾸준한 퍼포먼스를 보이는지, 모델 검토는 어떻게 하는지, 업그레이드는 어떻게 할 수 있을지, 이것을 어떻게 회사 역량으로 내재화할 수 있는지, 고객사가 AI 도입으로 어떤 이득을 보거나 그들의 고객사에게 어떤 가치를 제공할 수 있는지 등을 따져야 한다. 모든 건 수익성이 있어야 지속될 수 있다.

이런 생각을 하는 경우는 좀 독특한 경우인 것 같고 현실은 정말 딴판이라는 것도 알아야 한다.

최근 주변 사람들의 동료 이야기를 들으면 모델을 이미 하나 고정하고 사용할 데이터가 잘못됐다고 투덜되는 경우라던가, 고객사의 상황보다는 데이터만 보면서 어떤 모델링 방법을 쓸지만 찾는 동료들이 종종 있다고 한다.

아무래도 IT나 금융 분야의 데이터가 아니다 보니 비교적 데이터가 잘 안 갖춰져있고 AI 도입 이전에 DX부터 우선 정비해야 할 것 같은 회사가 정말 많기 때문에 개인적으로 공감되는 부분도 없지 않아 있다.

그래도 데이터를 떠나서 그런 자세는 AI 프로젝트를 성공시키는 것과는 약간 거리가 있는 것 같다는 생각을 한다.

왜냐하면 비교적 간단한 방법 만으로도 고객사의 문제를 해결해주거나 니즈를 충족시킬 수 있는 솔루션을 만들 수 있는 경우가 많은 것 같기 때문이다.

그렇게 되면 나나 회사는 많은 리소스를 쓰지 않고 가성비 좋은 결과를 뽑아낼 수 있고 고객사는 만족스런 결과를 얻어낼 수 있기 때문이다.

물론 내 취향이지만 회사는 내 개인 연구실이 아니다.

돈 받고 일하는 사람으로서 회사의 리소스를 최적으로 활용하며 문제를 해결하는 게 가장 중요하다.

그래서 Simple is Best다.

그리고 간단한 방법 혹은 모델링을 적용하더라도 그것이 올바르게 적용되었는지, 결과가 적절한지 해석하는 데 있어 전문적인 지식들이 종합적으로 반영돼야 하며 그것을 문제 해결을 위해 적절하게 응용하는 것 또한 문제 해결을 위한 실무자의 중요한 역량이다.

그런 상황에서 단순히 멋진 모델링 방법 하나 있다고 앞서 언급한 많은 부분들이 마법처럼 다 해결될 것이라고 생각되지 않는다.

제조업의 성공적인 AI 프로젝트를 위해선 학술지에 기재된 멋있어 보이는 기술이나 데이터를 많이 확보하는 것에만 초점을 두어선 안 된다.

제조 현장의 이슈를 파악하고 문제 해결 솔루션을 만들기 위해 나와 회사가 가지고 있는 기술과 리소스를 적절하게 응용 및 적용하는 능력이야말로 진정으로 AI 프로젝트를 성공적인 결과로 이끌 것이다.

이렇게 글을 쓰고 나니 AI 개발자인 나는 무엇을 더 노력하고 가꿔나가면 좋을까?

실제 적용 사례 연구하기

꾸준한 이론 학습

업계 지인들과 지속적인 소통

See more posts

[독서] 낙원은 창백한 손으로

July 28, 2024

[독서] 물리학자는 두뇌를 믿지 않는다

July 9, 2024

[제조AI] 제조업에 인공지능을 도입하려면?

More articles

[독서] 낙원은 창백한 손으로

[독서] 물리학자는 두뇌를 믿지 않는다