클라우드 기반 스마트팩토리 - 사례들

이 글은 제가 NIA [한국지능정보사회진흥원]의 2025년 4월호에 기고한 글입니다. 원본 글 '2025년 AI 현황 보고서 리뷰'를 이곳 브런치에서도 공유합니다.들어가며 지난 세 편의 글을 통해 클라우드 컴퓨팅 환경의 한 축인 스마트팩토리에 대해 살펴보았다. 이번 글에서는 실제 현장에서 마주치는 문제들과, AI를 활용해 이를 어떻게 해결하고 있는지에 대한 사례들을 소개하고자 한다.몇 년 전부터 유행한 디지털 전환(Digital Transformation, DX) 노력 덕분에 많은 현장이 디지털 기반으로 변화했지만, 여전히 해결되지 않은 문제들이 존재한다. 오히려 장비가 늘어나면서 관리 복잡도가 증가하거나, AI의 품질을 전문적으로 다룰 인력을 확보하지 못해 DX의 효과를 충분히 누리지 못하는 경우도 많았다.통계청에 따르면 2023년 초 기준으로 인공지능을 도입한 기업 중 92%가 실패를 경험했으며, 그 중에서도 예측 정확도가 기대에 못 미쳐 효과를 보지 못한 경우가 전체의 48%에 달한다고 한다. 그림 1. 스마트공장 도입 기업의 애로사항(통계청) 각 현장마다 고유한 도메인과 다양한 상황이 존재하며, 이를 해결하기 위해 현장 운영 기업과 여러 AI 스타트업이 협업하고 있다. 이번 글에서는 필자가 함께하고 있는 인이지의 사례를 중심으로, 실제 현장에서 인공지능을 활용해 해결해온 문제들을 정리해보려 한다.산업용 AI를 주로 다루는 인이지에서는 위의 그림 1에서 보이는 주요 애로사항, 특히 예측 정확도 향상과 현장 실효성 강화에 대한 경험을 축적해왔다. 물론 여전히 풀어야 할 과제들이 많지만, 그간의 사례들이 타산지석이 되길 바라는 마음으로 이 글을 쓴다. 품질 측정과 불량품 판별스마트팩토리 현장에서 가장 오래전부터 해결이 시도되어온 문제 중 하나는 완제품의 품질을 측정하고 불량품을 판별하는 일이다. 과거에는 작업자가 중간 또는 최종 결과물을 육안으로 판별하던 방식이 일반적이었으나, 최근에는 고화질 카메라와 다양한 센서를 활용해 자동으로 합격/불합격을 구분하는 방식으로 진화하고 있다. 이러한 시스템에서는 이미지 분류 분석에 특화된 합성곱 신경망(CNN) 기반의 딥러닝 모델을 주로 사용하며, 비교적 전통적인 지도 학습 방식이 적용된다. 예측 성능을 평가하기 위해서는 혼동 행렬(Confusion Matrix) 을 기반으로 특이도(Specificity), 민감도(Sensitivity), 정확률(Precision), 음성 예측도(NPV), 긍정 오류율(FPR), 부정 오류율(FNR), 정확도(Accuracy), F1 점수 등 다양한 지표를 사용하여 모델의 품질을 관리하고 평가한다.그림 2. 혼동 행렬의 예이러한 분류 방식은 스마트팩토리는 물론 다양한 산업 현장에서 오래전부터 사용되고 있지만, 실제 구현 단계에서는 다음과 같은 여러 실무적인 문제에 직면하게 된다: 정확도에 대한 높은 요구: 불량품 발생 시 라인을 멈추는 등 큰 비용이 수반되기 때문에, 매우 높은 수준의 예측 정확도가 요구된다. 리소스 병목: 고화질 이미지 처리로 인해 네트워크나 스토리지에 병목이 발생할 수 있다. 실시간 추론의 한계: 초당 수많은 제품을 판별해야 하는 경우, 연산 속도와 지연 시간이 중요한데, 이를 위해 온디바이스 추론이 필요하지만 연산 자원이 부족한 경우도 많다. 불균형 데이터 문제: 불량품의 수가 극히 적을 경우, 전통적인 지도 학습 방식으로는 충분한 학습이 어려워진다. 데이터 증강(augment)의 한계: 불량 데이터를 임의로 증강해 학습에 활용하는 경우, 실제 불량과 차이가 발생해 오히려 모델의 정확도가 떨어질 수 있다. 이처럼 품질 측정 분야에서는 기술적 접근은 명확해 보이지만, 현실에서는 다양한 제약과 상황적 문제들을 함께 고려해야 한다. 시계열 예측 (Time Series Forecasting)제조 현장은 크게 연속 공정과 배치 공정으로 나뉜다. 연속 공정은 원료가 투입되면 24시간 내내 멈추지 않고 흐르며 최종 제품이 생산되는 방식으로, 마치 끊임없이 흐르는 강물과 같다. 반면, 배치 공정은 빵을 한 판씩 굽는 것처럼 일정량의 제품을 한 번에 생산한 후 다음 공정을 준비하는 형태이다. 연속 공정은 대량 생산과 균일한 품질에 적합하며, 배치 공정은 다품종 소량 생산에 유리하다. 이 중에서도 연속 공정에서는 시계열 예측이 핵심 기술로 꼽힌다.시계열 예측은 생산 효율성과 품질 관리의 핵심 요소로, 특히 24시간 중단 없이 운영되는 연속 공정에서는 그 중요성이 더욱 크다. 설비 고장이나 품질 이상은 막대한 경제적 손실로 이어질 수 있기 때문에, 시계열 분석을 통해 공정 변수의 패턴을 파악하고 미래의 동향을 예측하는 것이 중요하며, 이를 통해 다음과 같은 효과를 기대할 수 있다: 문제의 조기 감지 생산 파라미터 최적화 예측 기반 유지보수 계획 수립 에너지 및 탄소 소모 최소화 예를 들어, 적정 온도에 도달하지 못한 소재는 이후 불량품으로 이어질 수 있으며, 동일한 제품을 생산하면서도 효율적인 온도 변화를 만들어 내며 에너지 효율을 높이거나 탄소의 소모를 줄이는 등의 개선도 가능하다.실무에서는 여러 예측 기법을 함께 비교·분석하고 조합하여 사용하는 경우가 많으며, 대표적인 시계열 예측 방법은 다음과 같다. ARIMA (Autoregressive Integrated Moving Average) : 자기 회귀 모델과 이동 평균 모델을 결합하여 시계열 데이터의 추세와 계절성을 분석하고 예측한다. 지수 평활법 (Exponential Smoothing) : 과거 데이터에 가중치를 두되, 최근 데이터에 더 높은 가중치를 부여하는 방식으로, 다양한 변형 모델이 존재한다. Prophet : 페이스북에서 개발한 라이브러리로, 결측치와 이상치에 강하며, 휴일 같은 특수 이벤트의 영향도 모델링할 수 있다. LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit) : 딥러닝 기반의 순환 신경망(RNN)으로, 복잡한 패턴과 장기 의존성 학습에 적합하다. 시계열 예측은 단순히 주식 가격을 예측하는 것과 유사해 보일 수 있지만, 제조 현장에서는 다음과 같은 고유한 난점이 추가된다: 민감도 차이 : 온도 1도의 차이라 해도, 30도에서와 1000도에서의 1도는 품질에 미치는 영향이 크게 다르다. 원인-결과의 구분 : 예측에서는 시계열상 선행(원인)과 후행(결과)의 구분이 필수적이며, 이를 구분하지 못하면 잘못된 제어가 이뤄질 수 있다. 학습 어려움 : 생산 전체를 중단할 정도의 이상치는 빈도 자체가 낮기 때문에, 데이터 기반으로 학습하기가 어렵다. 장기 주기성 반영의 한계 : 연간 주기성을 반영하려면 최소 1년 이상의 데이터가 필요하며, 이 또한 현실에서는 쉽지 않은 과제다. 시계열 예측은 그 자체로도 복잡한 기술이지만, 제조 현장에서는 더욱 정교한 모델 설계와 현장 지식의 결합이 필수적이다. 단순한 수치 예측을 넘어, 공정 전반의 최적화를 위한 기반 기술로서 자리 잡아가고 있다. 설명 가능 인공지능 (eXplainable AI)현장에서 인공지능은 예측, 가이던스 제공, 자동 제어 등의 역할을 수행하며, 숙련된 운전원들의 결정을 보조하는 동시에 때로는 그들과 의사결정 경쟁을 벌이기도 한다. 이런 상황에서 “왜 이런 판단을 내렸는가?”라는 질문에 답할 수 있어야 하며, 이와 같은 요구에서 등장한 개념이 바로 설명 가능 인공지능(eXplainable AI, XAI)이다. XAI는 인공지능 모델이 어떤 근거로 특정 예측이나 판단을 내렸는지를 사람이 이해할 수 있는 방식으로 설명해주는 기술이다. 설명 가능 인공지능은 일반적으로 기존에 학습된 모델을 입력으로 받아, 그 판단 과정을 여러 기법을 통해 추가 분석하여 설명을 생성한다. 또는, AI가 추론을 수행할 때 동시에 설명도 함께 출력되도록 설계되기도 한다.그림 3. 설명가능 인공지능의 개념예를 들어, 인이지에서 제공하는 이지 스튜디오에서는 온도 예측과 같은 시나리오에서, 최종 예측 결과에 어떤 입력 변수들이 얼마나 영향을 미쳤는지를 시각화하여 설명한다. 이를 통해 현장의 운전원은 단순한 예측값이 아니라, 그 판단의 근거를 함께 확인할 수 있다.그림 4. 이지스튜디오의 설명 가능 인공지능 결과 예제현장에서는 이러한 설명 기능이 단순히 “이해를 돕는 도구”를 넘어서, 실제로 운전원들의 신뢰 확보와 결정 수용성 향상에 중요한 역할을 한다. 따라서 설명 가능한 인공지능은 현장 인터뷰를 바탕으로 한 사용자 경험 설계와 함께, 이를 위한 별도의 HMI(Human-Machine Interface) 및 응용 프로그램으로 구현되는 경우가 많다.XAI는 단순히 기술적 설명을 제공하는 것이 아니라, 사람과 AI가 협력하기 위한 신뢰의 다리 역할을 하며, 스마트팩토리의 실효성과 활용성을 크게 높이는 중요한 기술 중 하나로 자리 잡고 있다. 인이지의 실제 적용 사례인공지능 스타트업 인이지는 다양한 산업 도메인에서 생산성(Productivity), 품질(Quality), 원가(Cost), 납기(Delivery) 등의 주요 지표를 중심으로 여러 적용 사례를 만들어 왔다. 각 도메인마다 특성이 다르기 때문에, 인이지는 현장의 숙련된 운전원들과 긴밀히 협력하며 문제를 정의하고, 그에 맞는 인공지능 솔루션을 함께 개발해 왔다. 이 과정에서 인공지능은 단순한 기술 도입을 넘어, 현장의 실질적인 문제 해결 파트너로 자리 잡고 있다.아래에는 인이지가 실제로 인공지능을 적용했던 철강, 시멘트, 정유 등의 산업 현장에서의 사례들을 소개한다.그림 5. 철강-제강 공정 전기로의 생산성 개선 사례 그림 6. 시멘트-소성로 공정 품질 개선 사례 그림 7. 정유-탈황공정의 품질 개선 사례 맺으며기존 제조 현장은 이미 디지털 전환, 이른바 스마트팩토리를 통해 큰 변화를 겪어왔다. 하지만 그 이후에도 현장에서는 여전히 다양한 문제들이 정의되고 있으며, 이는 각기 다른 방식으로 해결을 요구하고 있다.RE100과 같은 탄소 규제 대응, 다품종 배치 공정에서의 품질 유지, 인건비 조절이 핵심인 물류 운영, 그리고 원자재 가격 예측과 같은 과제들은 대표적인 예다. 이들 문제는 단순히 기술 적용만으로 해결되지 않으며, 현장의 맥락을 반영한 정교한 접근이 필요하다.이에 따라 인공지능을 활용한 도전들이 활발히 이루어지고 있으며, 이는 문제를 재정의하고, 보다 실질적인 해결책을 찾기 위한 노력의 일환이다. 이러한 시도들은 이제 기술의 가능성을 넘어, 현장의 실제 요구를 충족시키기 위한 중요한 과정으로 자리 잡고 있다. 그리고 우리는 이러한 도전들을 함께 고민하고 응원해야 할 때다.

클라우드 기반 스마트팩토리 - 이슈들

이 글은 제가 NIA [한국지능정보사회진흥원]의 2025년 3월호에 기고한 글입니다. 원본 글 '2025년 AI 현황 보고서 리뷰'를 이곳 브런치에서도 공유합니다.들어가며지난 두 편의 클라우드 기반 스마트팩토리에 대한 소개에 이어 이번 회에서는 현장에서 실제로 부딪히는 문제들을 정보통신의 관점에서 몇몇 사례를 들어 이야기 해 보겠다. 아래 내용들은 필자가 함께 하는 인이지를 비롯한 여러 회사들이 제조 공정 관련한 과제들을 수행하면서 만난 문제들과 이들을 해결하려는 방법들에 대한 내용들이다. 제조 산업에서도 스마트팩토리라는 키워드를 중심으로 여러 혁신의 노력들이 모이고 있고, 클라우드를 이용한 기술은 효율성과 유연성을 극대화하는 데 중요한 역할을 하며, 정보통신 업계에서의 노하우들을 다양하게 적용하면서 그 영향력을 넓혀 가고 있다. 특히 클라우드를 이용한 방법을 통해서는 다음과 같은 이득을 기대할 수 있다. 데이터 기반 의사 결정 유연성과 확장성 비용 효율성 디지털 전환(DX)의 가속화 이는 일반적으로 쓰이는 의미의 IT 시스템 도입과 이전으로 인한 이득과 같은 맥락이지만, 스마트팩토리는 현장의 물리적인 변화와 공정의 특성들을 고려할 때 단순한 IT 시스템 이전과는 다른 추가적인 복잡한 문제들이 발생한다. 물리적 한계와 엔트로피 문제 실시간 운영과 신뢰성 문제 데이터 관리의 어려움 디지털 전환과 문제 해결 가능성 이번 회에서는 이 추가적인 내용들에 대해 조금 더 구체적으로 살펴보겠다. 물리적 한계와 엔트로피 문제기존의 데이터센터 중심의 IT 환경과는 달리, 스마트팩토리는 물리적 환경과 밀접하게 연결되어 있으며, 다양한 기계적 요소와 데이터가 실시간으로 상호작용하는데, 이는 예상치 못한 물리적 한계와 엔트로피 문제를 야기할 수 있다.스마트팩토리는 제조 현장의 특성 상 생산 라인의 변화, 기계 설비의 교체, 센서 추가 등 물리적 변화가 빈번하게 발생한다. 이러한 변화는 데이터 흐름과 시스템 아키텍처에 직접적인 영향을 미치며, 클라우드 환경과의 통합을 복잡하게 만든다. 예를 들어, 새로운 센서를 추가할 때마다 데이터 수집 및 처리 시스템을 재설정해야 하고, 생산 라인 변경 시 데이터 분석 모델을 수정해야 하는 등. 이러한 물리적 변화에 유연하게 대응하지 못하면 시스템의 효율성이 저하되고 운영 비용이 증가할 수 있다.또한 스마트팩토리는 다양한 기계와 센서, IT 시스템이 복잡하게 연결된 시스템이다. 전선으로 연결되어 빛의 속도로 연결되는 환경이 아니라 어느 곳에서 어떤 연료를 투입하면, 몇미터 떨어진 곳의 온도가 몇 분 후에 어떻게 변하는 등의 주변의 상황들이 통제되지 않는 상황이 생기고, 대기의 온도, 습도 등에 따라 예기치 않은 변화들이 생기기도 한다. 시간이 지남에 따라 장치가 마모되거나 유지보수의 부담이 늘어나는 등 열역학 제2법칙인 엔트로피 증가의 법칙과 유사한 현상이 일어나게 되는데, 이로 인해 시스템의 안정성이 저하되고 오류 발생 가능성이 높아지며, 이는 생산 효율성 저하와 직결된다.실제로 디지털 전환을 도입하려는 많은 제조 현장의 경우 온도와 습도 등의 환경이 많은 영향을 미치기 때문에, 온프레미스 시스템을 구성하기 위해서도 오차 없이 사용 가능한 장비들의 사용이 필요하고, 여기에 특히 클라우드 환경을 도입할 경우, 온프레미스 시스템과의 연동, 데이터 동기화, 네트워크 안정성 등 추가적인 유지보수 요소가 발생하는데, 클라우드 도입의 이점을 제대로 누리기 위해 이들로 인한 복잡성을 효과적으로 관리해야 한다. 이후 데이터가 모여서 분석을 하는 경우, 도면이나 공정 같은 현장의 지식이 없이 센서 데이터만으로는 분석의 한계가 생긴다. 시멘트나 철강 등의 공정을 생각한다면 물리적으로 수십 미터 떨어져 있는 데이터들이며, 센서들 사이에 어떤 간섭이 있는지, 바람은 잘 통하는지, 하루에 몇 번씩 청소를 하는지 등의 내용들이 고려되어야 현장의 문제에 접근할 수 있게 된다. 마찬가지로 용해로 시계열 온도 예측 같은 경우, 900도 온도를 맞추기 위해서 850도인 현재 상황에서 용해물질에 어떤 재료를 얼마만큼 넣으면 몇 분 후에 온도가 올라가는지 등 데이터로 모아 놓기에 어려움이 많고, 산업공학, 기계공학, 화학공학 등의 정보들이 도메인 지식들을 익힌 후에 더 나은 분석을 할 수 있는 경우가 많다. 실시간 운영과 신뢰성 문제스마트팩토리는 고도의 자동화와 데이터 기반 운영을 통해 생산성을 극대화하는 것을 목표로 하는데, 이러한 목표를 달성하기 위해서는 실시간 운영과 시스템의 높은 신뢰성이 필수적이다. 하지만 스마트팩토리 환경은 다양한 변수와 복잡성으로 인해 실시간 운영과 신뢰성을 확보하는 데 어려움을 겪을 수 있다.스마트팩토리는 24시간, 365일 가동되는 경우가 많은데, 이는 생산 효율성을 극대화하고 시장 수요에 신속하게 대응하기 위한 필수적인 조건이다. 따라서 예기치 않은 시스템 다운타임은 생산 차질, 납기 지연, 고객 신뢰도 하락 등 심각한 문제를 야기할 수 있다. 특히, 실시간 데이터 처리와 제어가 중요한 생산 라인에서는 단 몇 분의 다운타임도 재가동하는 비용을 포함한 큰 손실로 이어질 수 있다. 따라서 스마트팩토리는 시스템의 안정성을 최우선으로 고려해야 하며, 다운타임 발생 시 신속하게 복구할 수 있는 체계를 구축해야 한다. 예를 들면 용해로 재시작 재가동 등의 일들은 일반 컴퓨터 재부팅보다 훨씬 더 준비해야 할 게 많으므로 이런 점이 고려가 되어야 한다. 또한 시스템의 신뢰성을 높이기 위해서는 이중화 시스템 구축이 필수적이고, 환경에 따라서 데이터 백업, 네트워크 이중화, 서버 이중화 등 다양한 방법을 통해 시스템 장애에 대비해야 한다. 자원들이 유기적으로 연결되어 있는 클라우드 환경에서는 상대적으로 이중화 혹은 다중화 지원이 용이하지만, 온프레미스 환경에서는 이를 지원하기 위해 네트워크 장비나 실제 서버들의 추가적인 설치와 운영이 필요하다. 온프레미스에 저장되어 있는 데이터를 클라우드에 저장하고 운영하는 것은 추가적인 네트워크 연결을 도입하는 것이기에 이로 인한 위험도 있게 되므로, 실시간 데이터 처리 및 중요 데이터는 온프레미스에 저장하고, 분석 및 장기 데이터는 클라우드에 저장하는 하이브리드 모델을 많이 고려한다. 이러한 하이브리드 모델은 데이터 처리 속도와 안정성을 동시에 확보할 수 있으며, 엣지 컴퓨팅을 활용하여 실시간성이 요구되는 데이터의 경우 추가적인 데이터 이동을 절약함으로써 현장에서 필요한 데이터 처리 속도를 향상시킬 수 있다. 그림 1. 고가용 시스템 네트워크 구조 예제스마트팩토리는 수많은 스마트 센서를 통해 데이터를 수집하고 분석하는데, 클라우드 기반 스마트 센서는 네트워크 연결이 필수적이므로, 안정적인 네트워크 환경을 구축해야 한다. 주변의 환경에 영향을 받기에 유무선 네트워크 장애는 센서 데이터 수집 및 전송에 문제를 일으킬 수 있고, 스마트 센서는 민감한 생산 데이터를 수집하므로, 데이터 보안을 강화해야 한다. 각각의 센서 혹은 시스템이 노출되는 형태이므로 데이터 암호화, 접근 제어, 보안 프로토콜 적용 등을 통해 데이터 유출 및 해킹을 방지해야 하고, 마지막으로 수많은 스마트 센서를 효율적으로 관리하고 유지보수해야 하는데, 원격 관리, 자동 업데이트, 센서 상태 모니터링 시스템 등을 통해 센서 관리 효율성을 높여야 한다. 데이터 관리의 어려움: 저장과 조회의 균형스마트팩토리는 생산 과정에서 발생하는 방대한 양의 데이터를 효율적으로 관리하는 것이 핵심이다. 현장에서 일어나는 모든 데이터가 관리 대상이기에 데이터의 양이 기하급수적으로 증가함에 따라 저장과 조회에 대한 어려움이 발생하고, 효율적인 데이터 관리 전략이 필수적이다.스마트팩토리에서 생성되는 데이터는 실시간 데이터와 장기 분석용 데이터로 나눌 수 있다. 실시간 데이터는 생산 라인 제어, 품질 검사 등 즉각적인 응답이 필요한 데이터이며, 온프레미스에 저장하는 것이 유리한 반면, 장기 분석용 데이터는 생산 공정 최적화, 설비 예지 보전 등에 활용되며, 클라우드 스토리지를 활용하는 것이 좋다. 클라우드는 이 확장성에 대해 확실한 강점이 있어, 이후 효율적으로 저장하고 처리할 수 있다. 전사적 자원관리(ERP: Enterprise Resource Planning)의 내용과 같이 현장 바깥의 정보들과 같이 사용하는 경우 훨씬 유용하게 쓰일 수 있다.스마트팩토리에서 생성되는 데이터는 많게는 초당 수백, 수천 건의 고화질 대용량 데이터들이 이용되기도 하는데, 이를 다루기 위해서 데이터 처리 성능이 중요하다. 데이터를 모으는 시스템과 읽는 시스템이 자원을 공유하기에 그 사이에서 오는 문제가 생기기도 한다. 실제 조회가 필요할 경우 제대로 운영하기 위해 알맞은 데이터베이스를 선택하고, 인덱스 설정, 쿼리 최적화 등을 통해 대응해야 하는데, 데이터를 이동시키는 데 드는 자원이 원래 시스템을 운영하는 데 방해가 되지 않아야 하고, 본래 시스템이 주어진 역할에 지장이 없도록 운영해야 한다.데이터 양이 증가함에 따라 저장 비용이 기하급수적으로 증가할 수 있다. 예를 들어 이미지를 통한 불량 탐지의 경우 불량률이 적어질 수록 중복된 정상 이미지들이 불필요하게 쌓이는 상황이 생기기도 하고, 모든 것들을 저장해야 한다고 하면 데이터 백업 등에도 추가적인 노력과 비용을 들여야 한다. 대용량 데이터를 실시간으로 처리하는 것은 클라우드 환경에서도 기술적으로 어려운데, 온프레미스에서도 분산 처리 시스템, 인메모리 데이터베이스, 엣지 컴퓨팅 등 다양한 방법들을 도입해야 한다.이처럼 스마트팩토리의 데이터 관리는 저장 위치 결정, 읽기/쓰기 성능 최적화, 저장 비용 및 처리 성능 한계 극복 등 다양한 어려움을 내포하는데, 이러한 문제를 해결하기 위해 먼저 현장을 이해한 후에 데이터의 특성과 사용 목적에 맞는 데이터 관리 전략을 수립하고, 최신 기술을 적극적으로 활용해야 한다. 디지털 전환과 문제 해결 가능성디지털 전환은 스마트팩토리의 생산성과 효율성을 향상시키기 위한 핵심 전략으로, 클라우드는 디지털 전환의 중요한 요소로 작용하며, 데이터를 중앙에서 실시간으로 분석할 수 있도록 지원한다. 이를 통해 공정 최적화와 이상 탐지가 가능하며, 공장 운영의 자동화를 가속화할 수 있다. 다양한 장점에도 불구하고, 현장의 문제를 풀어 낼 수 있는가 라는 문제에 많은 고민들이 있다.온도를 재는 아날로그 센서의 경우 고온고압의 환경을 센서가 버티지 못하는 경우도 있고, 최근의 화두인 탄소 수치의 경우 가상의 새로운 장치들이 필요하다. 제품의 완성도는 화면으로 100% 잡히지 않는 경우도 많고, 농도는 샘플링에 의존할 수밖에 없고, 물성은 완제품으로부터만 얻을 수 있는 경우가 대부분이다. 각각의 사례들이 데이터로 디지털화 되었다고 해도 세상의 물리와 화학은 이진 수학으로 떨어지지 않는 부분도 많고, 통계와 예측은 신뢰구간과의 끊임없는 싸움이다.앞의 여러 이슈들을 겪은 후 데이터가 모인 후에는, 실제 문제를 정의하고 풀어 나가는 마지막 단계에 오게 되고, 이 경우 인력 문제로 귀결이 된다. 이미 제조 현장은 소수의 인원이 오랜 세월의 노하우로 운영을 하고 있고, 그 문제를 데이터로 풀려 하는 인력들과 거리가 있어 많은 현장에서 디지털 전환을 했음에도 실질적인 이득을 얻기 힘들다는 현실과 닿아 있다. 이 거리가 좁혀진 후에는 시계열 예측 혹은 설명 가능 인공지능 등이 추가적인 가치를 창출해 낼 수 있겠으며, 필자가 속한 인이지를 비롯해 많은 인공지능 관련 업체들이 기존의 제조산업 업체들과 문제를 정의하고 풀어 나가고 있다.그림 2. 인이지의 산업용 공정 효율 최적화 솔루션 예제 맺으며클라우드 기반 스마트팩토리는 분명 제조업의 혁신을 가속화하고 생산성을 극대화할 수 있는 강력한 도구이지만, 앞서 살펴본 바와 같이, 물리적 한계, 실시간 운영의 신뢰성, 데이터 관리의 어려움 등 해결해야 할 과제들이 산적해 있다. 이러한 문제들을 극복하기 위해서는 단순히 기술을 도입하는 것을 넘어, 현장의 특성을 깊이 이해하고, 데이터 기반의 의사 결정을 통해 지속적인 개선을 추구하는 노력이 필요하다.또한, 스마트팩토리를 포함한 디지털 전환은 기술적인 변화뿐만 아니라, 조직 문화와 인력의 변화를 수반한다. 현장의 경험과 지식을 데이터 분석 및 활용 능력과 결합하여 시너지를 창출하는 것이 중요하겠으며, 클라우드 기반 스마트팩토리가 진정한 가치를 발휘하기 위해서는 기술, 사람, 그리고 조직의 조화로운 발전이 필수적이라 하겠고, 이 요소들이 다 고려되었을 때 비로소 디지털 전환이 되었다 할 수 있겠다.

클라우드 기반 스마트팩토리 - 용어들

이 글은 제가 NIA [한국지능정보사회진흥원]의 2025년 2월호에 기고한 글입니다. 원본 글 '2025년 AI 현황 보고서 리뷰'를 이곳 브런치에서도 공유합니다.들어가며지난 회에 이어, 이번 회에는 스마트팩토리를 정보통신의 관점에서 접근하는 과정에서 맞이하게 되는 여러 용어들에 대해 정리해 보겠다. 대부분 필자가 과제들을 접하면서 처음 접한 용어들이고, 모든 것들을 다루지는 못하겠지만, 각각 다양한 역사와 의미들이 있어 정리한다. 정보통신 영역에서 인터넷 서비스들 혹은 플랫폼 산업들에서 경험이 있는 분들께서 스마트팩토리 관련 프로젝트들을 접할 때 간략한 도움이 되면 하는 바램이다.전통적 의미의 제조, 공장 영역은 정보통신이 보급되기 훨씬 전부터 다양한 노력들이 있어 왔었고, 최근까지도 디지털 변환(digital transformation)이라는 화두 아래에 여러 가지 시도들이 있어 왔다. 몇몇 용어는 30년전에 이미 쓰고 있던 것들도 있고, 최신 경향에 맞는 새로운 용어들도 섞여 쓰이고 있다. 마치 TCP/IP가 1970년대에 만들어진 TCP/IP, 1989년에 만들어진 HTTP가 아직도 쓰이지만, 각종 API 들은 2000년에 만들어진 JSON 방식으로 소통되고, 2006년에 소개된 아마존의 EC2를 기본으로 각종 클라우드 서비스가 운영되고 있는 것과 닮아 있다 하겠다. 통합 관리 시스템제조 혹은 공정은 공장 현장을 포함한 회사 전체에서 진행되는 프로젝트의 일부로 간주가 되게 되며, 실제 운영을 하는 것을 기준으로 이전, 이후에 여러 가지 종류의 시스템이 도입해 사용하고 있다. 이는 ANSI/ISA-95 에서 표준으로 정리하고 있으며, 아래 그림 1과 같은 형태로 관련 사항을 설명할 수 있다. 자동화 피라미드(Automation Pyramid) 라고 부른다.그림 1. 자동화 피라미드 전사적 자원 관리(ERP, Enterprise Resource Planning)ERP 시스템은 기업이 인사, 회계, 생산, 물류, 재고 관리 등 다양한 비즈니스 프로세스를 하나의 통합된 시스템에서 관리할 수 있도록 도와주는 소프트웨어 솔루션을 이야기한다. 이는 기업 내 여러 부서에서 생성되는 데이터를 중앙에서 통합하여 실시간으로 공유할 수 있게 하며, 이를 통해 업무 효율성을 높이고 의사 결정 과정을 개선할 수 있다. 또한, 수작업을 줄이고 프로세스를 자동화하여 운영 비용을 절감할 수 있으며, 기업의 성장과 확장에도 유연하게 대응할 수 있도록 지원하고, 이들이 스마트팩토리 시스템에서 참조하는 중요한 데이터에 해당한다. 대표적인 ERP 솔루션으로는 SAP, 오라클 ERP, 마이크로소프트 다이나믹스 등이 있으며, 기업의 규모와 필요에 따라 맞춤형으로 도입하여 사용한다. 제품 수명 주기 관리(PLM, Product Lifecycle Management)PLM은 제품의 아이디어 단계부터 설계, 개발, 생산, 유통, 유지보수, 폐기에 이르기까지 전 과정의 데이터를 체계적으로 관리하는 시스템을 이야기한다. 이는 제품 관련 정보를 중앙에서 통합 관리하여 개발 시간 단축, 비용 절감, 품질 향상, 규제 준수 등을 지원하고, 협업을 강화하여 효율적인 제품 개발을 가능하게 하며. 제품과 관련된 모든 정보를 중앙 집중화하여 관리함으로 효율을 높이는 것을 목표로 한다. 특히, CAD(컴퓨터 지원 설계), PDM(제품 데이터 관리) 등의 기술과 연계하여 설계 변경 사항을 추적하고 제품의 이력을 체계적으로 관리할 수 있어, 제조업, 자동차, 항공, 전자 산업 등에서 널리 활용된다. 제조 실행 시스템(MES, Manufacturing Execution System)MES는 생산 현장에서 발생하는 모든 활동을 실시간으로 관리하고 제어하는 시스템을 이야기한다. 구체적으로, 작업 일정 관리, 작업 지시, 품질 관리, 생산 실적 집계, 설비 관리 등 다양한 기능을 수행하여 생산 효율성을 극대화하는 것을 목표로 하며 아래의 특징과 목표를 가진다. 실시간 데이터 수집 및 분석: 생산 현장의 데이터를 실시간으로 수집하고 분석하여 문제 발생 시 즉각적인 대응을 가능하게 한다. 작업 지시 및 관리: 작업자에게 필요한 정보를 제공하고 작업 진행 상황을 추적하여 생산성을 향상시킨다. 품질 관리 강화: 생산 과정에서 발생하는 품질 관련 데이터를 수집하고 분석하여 불량률을 감소시키고 제품 품질을 향상시킨다. 생산 효율성 향상: 생산 설비의 가동률을 높이고 생산 시간을 단축하여 생산 효율성을 극대화한다. 추적 및 이력 관리: 생산 과정에서 발생하는 모든 데이터를 기록하고 추적하여 문제 발생 시 원인 분석 및 재발 방지에 활용한다. 앞의 ERP 등과 연계되어 수행이 되고, 대개 정보통신 관점에서 스마트팩토리를 접할 때 제일 먼저 만나는 용어이기도 하다. 생산 감시 제어 및 데이터 수집 시스템(SCADA, Supervisory Control and Data Acquisition)SCADA는 산업 환경에서 다양한 장비와 시스템을 모니터링하고 제어하는 데 사용되는 소프트웨어 및 하드웨어 시스템을 이야기한다. 이는 주로 대규모 생산 공정, 전력망, 수처리 시설 등에서 실시간 데이터를 수집하고, 이를 통해 장비의 상태, 생산 과정, 환경 조건 등을 감시하는데, 원격으로 모니터링하며 시스템을 제어하고, 이상 징후를 감지하며, 경고 및 알림을 제공하여 운영자가 신속하게 대응할 수 있도록 한다. 또한, 이 과정에서 수집된 데이터들은 이후 분석하여 성능을 최적화하고, 장비 고장을 예방하며, 생산 효율성을 향상시킬 수 있는 곳에 이용한다. SCADA는 넓은 지역에 분산된 시스템을 사용하기 위해 만들어진 시스템으로 PLC(Programmable Logic Controller), RTU(Remote Terminal Unit) 등의 장비와 연결되어 실시간 데이터 흐름을 관리하며, 산업 자동화와 운영의 핵심 역할을 수행한다. 공급망 관리(SCM, Supply Chain Management) / 창고 관리 시스템(WMS, Warehouse Management System)SCM은 원자재의 조달, 생산, 유통, 소비자에게 제품을 전달하는 전반적인 공급망 과정을 관리하는 시스템으로, 이 시스템의 목표는 공급망의 각 단계를 최적화하고, 원활한 흐름을 유지하여 비용을 절감하고 서비스 품질을 향상시키는 것으로, 이를 위해 생산 계획, 재고 관리, 물류 등 다양한 활동을 계획하고 조정한다.반면, WMS는 창고 내에서의 물류 흐름을 최적화하고 관리하는 시스템으로, 제품의 입고, 보관, 출고, 재고 상태 등을 실시간으로 추적하고 제어한다. WMS는 창고 공간의 효율적 사용과 정확한 재고 관리를 지원하며, 제품의 이동 경로와 상태를 실시간으로 파악하여 작업 효율성을 높인다.SCM과 WMS는 서로 밀접하게 연관되어 있으며, 함께 작동하여 전체 물류와 공급망 효율성을 극대화하는 데 중요한 역할을 한다. SCM이 공급망의 큰 그림을 관리한다면, WMS는 창고 내에서 물류 활동이 원활하게 이루어지도록 세부적으로 관리한다. SCM을 통해 물류 경로와 공급 계획이 최적화되면, WMS는 창고에서의 입출고 및 재고 관리를 개선하여 실시간으로 정확한 데이터를 제공하고, 이 데이터를 기반으로 SCM 시스템이 보다 효과적으로 공급망을 조정할 수 있도록 한다. 이를 통해 기업은 전체 물류 비용을 절감하고, 서비스 품질을 높이며, 재고를 효율적으로 관리할 수 있다. 산업용 통신 프로토콜산업용 통신 프로토콜을 이용해서는 크게 데이터 수집, 데이터 교환, 장치 제어 등을 수행할 수 있고, 네트워크 연결 상태, 각각 장치들의 지원 여부, 혹은 현장의 디지털 변환 상태 따라 다양한 상태가 지원된다. 오랜 시간을 거치며 표준을 만들어 연결하려는 노력을 많이들 해 왔지만, 여전히 다양한 솔루션들이 오랜 역사들과 함께 이용되고 있다. 모드버스(Modbus)모드버스(Modbus)는 1979년 모디콘(Modicon, 현재 슈나이더 일렉트릭)에서 개발한 직렬 통신 프로토콜로, 산업 자동화 분야에서 널리 사용된다. 간단한 구조와 쉬운 구현, 낮은 비용으로 인해 다양한 산업용 장치 간의 통신에 활용되며, 특히 PLC(Programmable Logic Controller)와 함께 사용하기 위해 개발했다. 특정 PLC를 제어하기 위해 특정 레지스터에 특정 값을 쓰는 형태로 대개 처음 접하게 된다.모드버스는 마스터-슬레이브(Master-Slave) 방식으로 작동하며, 마스터 장치가 슬레이브 장치에 요청을 보내고 슬레이브 장치가 응답하는 형태로 통신한다. 다양한 버전이 존재하며, 대표적으로 직렬 통신 기반의 모드버스 RTU/ASCII와 이더넷 기반의 모드버스 TCP/IP가 있다. 개방형 프로토콜이며 로열티가 없어 산업 환경에서 폭넓게 사용된다.아래 그림 2. 는 같은 기능을 다른 프로토콜로 구현한 예제로, “주소 2번 PLC의 00033번부터 12개의 코일을 읽어오고, 00040번과 00042번 코일은 '활성화', 나머지는 '비활성화' 상태로 응답받음”이 풀어져 있다. 그림 2. 모드버스 프로토콜 예제 필드버스(Fieldbus)필드버스는 산업 자동화 시스템에서 장치들 간의 데이터 통신을 위한 디지털 네트워크 프로토콜이다. 전통적인 아날로그 방식의 연결 대신, 필드버스는 디지털 통신을 사용하여 센서, 액추에이터, 제어 장치 등 다양한 장치들을 네트워크로 연결하는데, 이를 통해 실시간 데이터 전송과 제어가 가능하며, 복잡한 배선 작업을 줄여 효율적인 시스템 구성이 가능하다. 주로 메타 프로토콜로 접하게 되고, 실제로는 각기 다른 산업 환경에 맞춰 설계된 프로피버스(PROFIBUS), 디바이스넷(DeviceNet), 파운데이션 필드버스(Foundation Fieldbus)등을 사용하게 된다. 아래 그림 3에서처럼 다양한 프로토콜이 있으며, 고속의 데이터 전송, 높은 신뢰성, 확장성 등을 제공하여 자동화 시스템의 성능을 향상시키는 데 중요한 역할을 한다. 그림 3. 다양한 필드버스 프로토콜들 파워링크(Powerlink)파워링크는 고속 이더넷 기반의 실시간 통신 프로토콜이다. 주로 이더넷 파워링크(Ethernet Powerlink)라고 부르며, 장비 간의 실시간 데이터 통신을 지원하는 데 초점을 맞춘 프로토콜이다. 데이터 전송 지연을 최소화하고, 높은 우선순위의 데이터를 실시간으로 처리할 수 있는 기능을 제공하며, 이를 통해 PLC, 센서, 액추에이터 등 다양한 장치들이 서로 실시간으로 데이터를 교환하고, 분산 제어 시스템을 구성할 수 있다. 기존 이더넷 기술을 활용하면서도 실시간 처리와 고속 통신을 지원하는 점에서 유용하다. OPC(Open Platform Communications)OPC는 산업 자동화 분야에서 다양한 장치와 소프트웨어 간의 데이터 교환을 표준화하기 위한 기술로 주로 SCADA 시스템, PLC, DCS(분산 제어 시스템, Distributed Control System)와 같은 다양한 제어 시스템 간에 데이터를 교환하는 데 사용된다. 마이크로소프트의 OLE(Object Linking and Embedding) 기술을 기반으로 하여, 제조업체들이 서로 다른 하드웨어 및 소프트웨어 환경에서 호환되는 시스템을 구축할 수 있도록 지원한다. 현장에 이미 설치되어 있는 컴퓨터들이 윈도우즈로 되어 있을 경우 만날 확률이 많이 높아진다. OPC는 크게 OPC 클래식(Classic)과 OPC UA(Unified Architecture)로 나뉘는데, OPC 클래식은 주로 윈도우즈 환경에서 COM/DCOM 기술을 기반으로 작동하며, OPC UA는 플랫폼 독립적인 서비스 지향 아키텍처로 더 높은 보안성과 확장성을 제공한다. 연관된 다양한 오픈소스들을 접할 수 있고, 최근의 스마트 팩토리 및 산업용 IoT 환경에서 핵심적인 역할을 하고 있으며, 다양한 산업 분야에서 데이터 통합 및 상호 운용성을 향상시키는 데 기여하고 있다.MQTT(Message Queuing Telemetry Transport)MQTT는 주로 사물 인터넷(IoT) 환경에서 사용되는 경량 메시징 프로토콜이고, 자원이 제한적인 환경, 예를 들어 대역폭이 좁거나 전력 소비를 최소화해야 하는 상황에서 효율적으로 작동하도록 설계되어 있다. 데이터를 전송하는 목적을 가진 센서들을 고려한 가장 널리 쓰이는 프로토콜이다.MQTT는 발행/구독 모델을 사용하여 데이터를 주고 받는다. 발행자(publisher)가 특정 주제(topic)에 메시지를 게시하면, 구독자(subscriber)가 해당 주제를 구독하여 메시지를 수신하는 형식으로, 각종 클라우드용 솔루션들이 적극적으로 구현하고 있고, 이른 이용해서 다수의 장치가 효율적으로 통신할 수 있도록 하며, 낮은 전력 소비와 높은 신뢰성을 특징으로 한다. 따라서 IoT 센서 데이터 수집, 원격 제어, 스마트 홈 등 다양한 분야에서 널리 사용되고 있고, 최근에 각종 스마트센서들에서 이용하는 프로토콜이기도 하다.아래 그림 4는 두 개의 클라이언트가 브로커를 통해 각자 필요한 메시지를 구독하고 발행하는 예제를 나타낸다. 주요 클라우드 서비스들은 안정적으로 메시지 중계 서비스를 가지고 있고, 이를 이용해서 데이터를 흐르게 할 수 있다. 그림 4. MQTT 데이터 흐름 예제 맺으며클라우드 환경에 새로이 처음부터 구현한다고 하면 최신 프로토콜들과 시스템을 쓰면 수월하겠지만, 현업에서는 대개 기존의 것들이 운영되고 있는 사유들이 있고, 대개 보수적인 시각으로 점진적으로 도입 등이 이루어지게 된다. 다음 호에서는 실전에서 맞닥뜨리는 문제들을 사례들과 함께 이야기 나누어 보도록 하겠다.

AI에게 물어 보기 - 빅터 웸반야마 다쳤어 ?

열심히까지는 아니라도 종종 하이라이트 위주로 NBA 를 즐겨 보는데, 작년부터 응원하던 어린 선수 하나가 올스타 시즌 이후 안 보이길래 궁금했다. Victor Wembanyama 라는 선수이고, 물론 하이라이트 위주이지만, 이전에 못보던 신기한 농구를 보여 줘서 응원하면서 보긴 했는데.. AI 들에게 무슨 일 있었나 물어봄. "빅터 웸반야마 다쳤어?" 오늘의 채점 포인트. - Bing 검색 대신 Bing copilot.- 미국 뉴스를 한글로 물어 본 것임.- 한글로도 그렇지만 영어 이름이 스펠링이 만만치 않음. 그래서 영어로도 제대로 못 물어 보고 nickname 으로 물어 봄. "is victor wemby hurt?"- 일단 기대는 단답형 yes / no , 궁금한 건 어떤 병 ? 언제까지 농구 팀은 ? - 결과 페이지에 reference 들이 요즘 뉴스들이 잘 올라오는지.- 모두 무료 플랜 사용 중. - 부록으로는 어제 모바일에서 볼 때랑 다르네..? 요약 먼저 copilot = Clova > Liner > Perplexity > google > Gemini > Chatgpt > Naver > wrtn = Claude영어로 물어보면 답을 더 잘들 해 준다. authority 있는 한글 문서들이 잡히면 좋겠다. copilot ( 10/10 )예상치 못한 깔끔한 답.유튜브나 블로그가 아닌 뉴스 링크들이 참조된 점도 인정.영어도 군더더기 없음.참고로 'unfortunately' 한 마디 들어가 있어서 훨씬 부드러운 느낌. 이건 위 한글 답변도 마찬가지. '부상은 아니지만' 이라는 문구는 따뜻함이 느껴짐.. Clova ( 10 / 10 )깔끔한 답변. 오늘의 공동 1등참고로 아래는 하루 전 결과. 어제 이 글을 썼으면 최하위 ( 0/10 ). 다른 사람을 지칭하는 치명적 오류. 하루만에 달라지다니 개선인지 어딘가가 튄 건지... 아직 사용자 입장에서 마음 놓고 쓰기에 아슬아슬함. Liner ( 9.5 / 10 )reference 들 잘 모았음.굳이 묻지 않은 병에 대해 너무 가르치려 들어서 약간의 감점. 영어로는 팀 임팩트가 그래도 위에 나옴. Perplexity ( 9 / 10 )정답들을 잘 보여 주지만, 모든 링크들이 다 뉴스는 아님. 사족들..이미지들은 전부 irrelevant 한 것임. 자리만 잡아 먹는 eye-catching 이 과함. 그래도 정답 위주의 설명이라 감점은 조금만.한글 질문에 "?"를 붙인 거 같은데, 여기서는 빠져 있음. 옥의 티. 이건 감점 안 함.영어 질문에는 영어 문서들을 찾아서 한글로 번역해서 보여줌. 구글 다닐 때 제대로 구현하고 싶었던 CLIR 의 절반이 여기서 되는 듯. 역시 LLM. Google( 7.5/10 )한글은 그럭저럭.. 쭈욱 훑어 보니 그런가 싶은 정도.유튜브가 없으면 어쩔 뻔 했으며, 일단 저건 믿어도 되나 ? 싶음.영어는 조금 더 나음. 불필요한 내용 없고, 뉴욕 타임즈가 올라왔으니 인정. Gemini ( 7 / 10 )한글로 물어 보니 모른다고 함영어로 물어 본 건 완변한 정답.ChatGPT ( 6 / 10 )한글 결과는 잘못된 뉴스. 모른다고 하는 것보다 더 나쁨.출처는 클릭도 안 됨. 그런데, 영어는 모범 답안. Naver ( 5/10 )네이버 블로그에서 적당히 추출. 두번째 글 하나만 연관 있어 차분히 둘러 보면 그런갑다 정도..? 굳이 영어로 해 보진 않음. claude ( 2/10 )모른다고 깔끔한 사과. 2024년 10월까지로 제한 있음. 영어라고 다르지 않음. wrtn ( 2/10 )깔끔하게 모른다고 하면서 참고 자료들 엉망으로 붙어 있음. 지면 광고인가 ? 화면의 절반 이상이 불필요한 것으로 차 있지만, 추가 감점을 하진 않았음. 영어도 마찬가지. 질문을 알아듣기는 하는 거 같은데... https://brunch.co.kr/@chaesang/110

혼자 해 보는 서비스 분석 - AI에게 물어 보기 - 아이브의 신곡에 들어가는 ...

샘플링은 어떤 곡이야 ? 요새 든 사소한 버릇 / 준직업병 증상 중 하나로.. 내가 이미 알고 있는 것을 AI 나 검색 엔진들도 알고 있는지 확인하는 버릇이 생겼다. AI들이 이미 내가 모르는 것을 많이 알고 있어서 그걸 복수하려는 알량한 자존심 정도로 해 두자.한국에 오면 K-pop 음악들이 조금 더 잘 들리고, 최근에 자주 들리는 음악으로 아이브의 신곡으로 ATTITUDE ( https://www.youtube.com/watch?v=38xYeot-ciM ) 건강한 아이들이 춤추고 노래하는 걸 보는 건 에너제틱해서 그 자체로도 좋고, 가끔씩 아이들과 대화 소재로도 좋아서 열심히 따라잡는데, 이 노래는 듣는 내내 80년대 후반 팝송으로 영어를 배운 내 기억 속에서 노래 하나가 떠올라서 AI 들에게 테스트. 이미 35년 전의 노래라니.. 쩝... 질문은 "아이브의 신곡에 들어가는 샘플링은 어떤 곡이야 ?"채점 포인트들은 1. 단답형이니 정답을 알려 주는가 ? Suzanne Vega's "Tom's diner"2. 여러 히트곡이 있을 진데, 신곡이 이 노래를 이야기해 주는가 ?3. 불필요한 것들을 보여 주는가 ? 오늘의 순위는Gemini > ClovaX > GetLiner > ChatGPT = Perplexity = Google > Naver > wrtn > Claude Gemini ( 10/10 )원하는 정보에 군더더기 없는 답변 ClovaX ( 9.5/10 )답변은 깔끔하나 '디너'가 아니라 '다이너'. 옥의 티 감점. GetLiner ( 8/10 ) 위의 답은 정답이나, 중간에 After Like 이야기. 이건 2년 넘은 노래 이야기라 감점. ChatGPT ( 7/10 ) After Like, Supernova Love 등의 불필요한 내용들. 예전 노래로 논란이 있었는지 내가 궁금해 해야 해 ? Perplexity ( 7/10 )설명은 맞는데, 클릭할 만한 reference 들이 관련 없는 내용들. 이렇게 꾸미기도 쉽지 않았을 텐데... 답변만 보면 꽤 ChatGPT 랑 닮아 있는 거 같음. Google ( 7/10 )질문이 기존 검색에 친절하진 않지만, 클릭할 것들이 질문에 대한 답에 매우 근접하고, 다른 노래들이 없음. Youtube boosting 이 없었으면 더 높은 점수가 되었을 거고, 첫번째 웹 링크는 잘 검색된 결과여서 다른 AI 엔진들이 이걸 끌어 올리는가 아닌가로 품질이 결정되었을 듯. Naver ( 6/10 )블로그에서 영끌해서 올린 결과. 하나는 다른 노래 이야기라 구글 대비 감점. wrtn ( 4/10 )틀린 노래. 어거지 답변. '또한'을 붙인다고 답변이 되지 않음. 어거지 답변에 대한 추가 감점.reference 들로 충분한 거 같은데 랭킹이 틀어져 아마도 잘못된 답이 나왔고, 한편, 유튜브 썸네일을 이미지 검색 결과 ? 이건 선 넘은 거 아닌가 ? Claude ( 2/10 )솔직한 답변이지만, 요즘이 어떤 세상인데 뭐랄까 성의가 없달까 ? 잠깐.. 난 아이브를 물어봤는데, 왜 Aespa ? 이건 선 넘은 거 아닌가 ?

혼자 해 보는 서비스 분석 - Deepseek 얼마나 많이 쓰길래 ?

흥하다 해서... 얼마나 ??? 여러 가지 의미로 세상을 떠들썩하게 하고 있는 딥씨크(Deepseek) 이야기 간단히 해 본다. ChatGPT 이후에 나온 단일 서비스로 가장 시끄러운 건 맞다 싶고. 여러 사람들이 이야기를 섞으면서 과하다 싶을 정도의 정보량들… 어떻게 만들었을까 궁금하긴 하지만, 내가 저런 것까지 알아야 할까 싶은 것들까지... 외부인 입장에서 함부로 이야기하기엔 조심스러운데, 구글 검색 열심히 몇 번 써 봤다고 구글 검색 전문가라 하는 거 아닌가 하는... 밖에서 볼 수 있는 자료들로 간단하지만, 최선을 다 해 본다. 일단 미국 앱스토어 1등이라는 뉴스가 오랫동안 자꾸 언급되면서 일어나는 불편함에서 시작한다. (e.g. 중국 AI 딥시크, 챗GPT 제치고 미국 앱스토어 1위···증시 충격 ) 요즘에는 이제 made in China 등의 이슈도 있어 조금 시들하다 하는데, 그래서 얼마나..?? 라는 질문으로 시작.앱 순위먼저 오늘 자(2/12/2025) 미국 앱스토어 차트와 Playstore 순위. 생산성 범주만. 초기의 급한 유명세는 빠지기 시작하고 있는 듯하고.. 살짝 주춤한 정도..? 엇그제부터 2-3등 하고 있는 거 같음. 참고로 한국 안드로이드에서는 순위에 안 보임.차트 순위는 비밀에 해당하는 거니까… 미국에서 ChatGPT를 잡았다.. 까지는 이제는 옛 뉴스 혹은 오버.Similarweb 무료 버전 일단 (잠재적) 경쟁자들부터.. 지난 28일간 daily usage. 그런데... 생각보다 gemini 가 이렇게 잘 하고 있다고..?선두권 나라들에서도 모두 gemini 가 매우 우세. 여기에 deepseek 추가하면.잠깐.. 보정이 필요하다. 14일 정도가 포함된 거니 x2 하면 950M . 중국을 빼고, 나머지 나라들을 x2 한다 치면… 미국에서도 Gemini의 2배 , 이외의 나라에서는 훨씬 더 큰 점유율.이제 ChatGPT 에 도전해 보자.같은 공식 적용하면… 갈 길은 많이 높다. US, UK 역시 !! 간단한 요약ChatGPT 의 벽은 높다. 미국에서 hype 은 먼저 빠지는 듯. 다음 달에 보자..그래도 단숨에 2등이라니… !! https://brunch.co.kr/@chaesang/108

(부트캠프 소개) Kernel360 프로그램 4기 - 코치 참여

패스트캠퍼스에서 진행는 "Kernel360 프로그램 4기 : 백엔드 심화 부트캠프"에 자그마한 도움이 되면 하는 마음으로 참여하게 되었습니다. 지난 3기까지 엣지가 있는 프로젝트들이어서 약간의 부담과 긴장이 있습니다.기업과 교육의 거리를 좁히는데 도움을 줄 수 있으면 하는 마음이고, 2/19 까지 모집 마감에 2/24 부터 12주 일정입니다. 주변에 관심 있으신 분들께 전해지면 합니다. https://kernel.fastcampus.co.kr/pro_backend

AI 들에게 물어보기 - 노래 가사

"글렌 메데이로스의 nothing's gonna change ..." 오며가며 추천에 떠서 유튜브 복고맨 을 보게 되며 80-90 음악들로 다시 refresh 되는 일들이 있었고, 그 중 몇몇 노래들은 당시 어설프지만 영어를 배우게 해 준 고마운 노래들이어서(?) AI 서비스들에게 가사를 물어 보았다. 여전히 얕은 기량이지만, 문장으로도 예뻤던 기억들도 있다.알아듣고 기뻐하던 가장 오래된 기억의 노래로 Glenn Mediros 의 Nothing's gonna change my love for you 에 대한 이야기들도 있었고, 며칠 전 저녁 먹는 식당에서 들리길래 이것저것 해 보았다. 깔려 있는 앱들이 다 한글 영어 음성 지원이 되고, 말로 해서 꽤 알아 듣는 모양새들이었지만, 이 글을 만들기 위해 데스크탑에서 다시 해 보고 정리. 때마침 저작권 이슈도 언급되기도 해서 ( “AI 추격조에 데이터 개방… 저작권료 차후 계산 파격 필요” [뉴스 투데이] ) 몇 개 해 봄. 이번부터는 네이버와 더불어 클로바x 도 참전... 많이 복잡해 졌는데, 개인적/주관적이지만 오늘의 기준사용자인 내가 '정확한 가사'를 볼 수 있는가 ? 출처는 믿을만 한가 ? 친절한가 ? 질문은 "글렌 메데이로스의 nothing's gonna change my life for you 가사 써 줘"결과는 구글 검색 > Liner > 네이버 = Bing > 클로버x > Perplexity > ChatGPT = Claude > WRTN > Gemini 구글 검색 ( 10 / 10 )Knowledge Panel 에 특화된 쿼리여서 공정성 시비가 있을 수 있음 인정.한 페이지 넘게 가득 할애하는 이전에 못 보던 용기까지.발매 년도 1987. 이것도 정답. 이 노래는 1986년에 녹음되어 1987년에 발매되었다 함. 원곡도 아니니 이정도는 인정.늠름한 출처까지.. Liner ( 8/10 )결과 페이지 포맷팅 감점. 노래 가사가 한 줄씩 한 페이지 너머 이렇게 itemized item 로 보이는 거는 많이 불편함. 맨 위 결과인 블로그 페이지는 찜찜하지만, 벅스가 보이면 인정, 랭킹 아쉬움.네이버 ( 6/10 )링크 클릭하면 되긴 함. 네이버 블로그들 Bing ( 6/10 )링크 클릭하면 되긴 함. 역시 여기도 블로그들 클로바x ( 5.5/10 ) 일단 안 된다고 함. 가끔씩(!) 블로그 링크 보여 줌.Perplexity ( 5/10 ) 못 가르쳐 주겠다면서 뭘 이렇게나 많이..?영어가 많다고 영어로 답을 ?링크들은 전부 unofficial links. ChatGPT ( 4/10 )못 가르쳐 주겠다는데.. 굳이 요약을...? 왜...? Claude ( 4/10 )못 가르쳐 주겠다는데.. 그래도 안내 해 줌.. WRTN ( 3/10 )못 가르쳐 주는데, 그 중 제일 불친절함. 맨 마지막 문장은 심지어 조롱 같음. Gemini ( 2/10 )가사를 틀리게 보여 줌. 그래서 최하위 점수.심지어 아래 출처 링크는 404. 조금은 진지하게... Gemini 는 구글 검색 안 쓰나 ? 총평AI 서비스의 최대 적은 저작권 ?? 정말 ? 저작권이라는 두리뭉실한 이름으로 여러 가지 의미로 쓰이지 싶은데... 구글 검색이 추구하는 방향으로 출처와 credit 을 authorship 형태로 존중하는 방향으로 진행되어야 하지 않을까 ? 각각 서비스들 MOE 등등 할 거면 구글 검색보다는 잘 하자 ?

클라우드 기반 스마트팩토리 - 입문 ( 디지털서비스 이슈리포트 2025-1호 )

이 글은 제가 NIA [한국지능정보사회진흥원]의 2025년 1월호에 기고한 글입니다. 원본 글 '2025년 AI 현황 보고서 리뷰'를 이곳 브런치에서도 공유합니다. 들어가며 스마트팩토리(smart factory)는 첨단 정보통신기술(ICT)을 활용하여 제조 공정 전반을 자동화하고 최적화하는 제조 환경을 말한다. 기존의 전통적 공장이 인간의 노동력을 중심으로 운영되었다면, 스마트팩토리는 사물인터넷(IoT), 로봇공학, 빅데이터, 인공지능 등을 결합하여 공정의 효율성을 극대화한다. 이는 단순한 자동화된 공장을 넘어선 개념으로 실시간으로 생산 현황을 모니터링하고 최적의 의사결정을 내리는 것을 목표로 하며, 이를 통해 불량률 감소, 에너지 효율화, 생산 원가 절감 등 다양한 효과를 얻을 수 있으며, 나아가서는 다품종 소량생산과 같은 유연한 제조 환경에도 효과적으로 대응할 수 있게 된다.클라우드 기술은 스마트팩토리를 구현하는 데 있어 필수적인 요소로 자리잡고 있다. 방대한 양의 생산 데이터를 저장하고 분석하기 위해서는 강력한 컴퓨팅 자원과 많은 저장 공간이 필요하며, 클라우드는 이러한 요구를 충족시킬 수 있는 최적의 솔루션으로 다음의 특징들을 가진다. 데이터 저장 및 분석: 생산 현장에서 발생하는 방대한 양의 데이터를 클라우드에 저장하고, 빅데이터 분석 기술을 활용하여 유용한 정보를 추출한다.AI 활용: 클라우드 기반 AI 서비스를 활용하여 예지 보전, 품질 예측 등 고급 분석을 수행한다. 유연한 확장성: 필요에 따라 컴퓨팅 자원을 유연하게 확장하거나 축소할 수 있어 비용 효율적인 시스템 운영이 가능하다.협업 환경 구축: 다양한 사용자가 클라우드 기반 플랫폼을 통해 실시간으로 협업하며 생산 과정을 관리할 수 있다. 클라우드는 스마트팩토리의 핵심적인 역할을 수행할 수 있으며, 제조업의 디지털 전환을 가속화하는 데 기여하고 있다. 본 글에서는 스마트팩토리를 위한 입문으로 운영의 핵심 요소들과 클라우드 기반 솔루션들을 소개한다. 주로 IoT 관련 서비스 제품들이 표준화되어 이용된다. 스마트팩토리 운영의 핵심 요소 1. 데이터 수집 및 관리데이터를 어떻게 다루는가가 스마트팩토리의 핵심으로, 데이터의 실시간 수집과 통합 관리가 필수적이다. 이를 위해 생산 설비, 작업자, 원자재, 제품 등 공장 내 모든 요소로부터 발생하는 데이터를 신뢰성 있게 수집하고 통합하는 체계가 갖춰져야 한다. 산업용 IoT 센서, 스마트 디바이스, 통신 네트워크 등의 인프라가 체계적으로 구축되어야 하며, 이렇게 수집된 데이터는 표준화된 형태로 저장되고 관리되어야 한다. 데이터 정제와 처리 기술이 필수적이고, 이 데이터들은 해당 기업의 핵심 자산이기에 철저한 보안 체계를 갖추는 것도 중요하다. 2. 실시간 모니터링 및 예측 분석스마트팩토리는 단순히 데이터를 수집하는 데 그치지 않고, 이를 기반으로 실시간 모니터링과 예측 분석을 수행한다. 이를 통해 공정 중 발생할 수 있는 문제를 조기에 감지하고, 장비의 이상 상태나 품질 결함을 미리 예측하여 신속히 대응할 수 있다. 의미 있는 인사이트를 도출하고 미래를 예측할 수 있어야 하고, 빅데이터 분석 기술과 AI 기술을 활용하여 설비 고장 예측, 품질 예측, 수요 예측 등을 수행할 수 있으며, 이를 통해 선제적인 의사결정이 가능해 진다. 3. 제어 및 생산 공정 최적화수집된 데이터를 바탕으로 생산 현장의 상황을 파악하고, 문제가 발생했을 때 신속하게 대응할 수 있는 체계가 필요하다. 유기적으로 연동된 MES(Manufacturing Execution System)나 SCADA(Supervisory Control And Data Acquisition) 같은 제조 실행 시스템이 구축되어야 하며, 이는 불필요한 다운타임을 줄이고, 생산성을 향상시키는 데 큰 역할을 한다.더 나아가서는 유연하고 적응력 있는 생산 체계를 통해 공정 효율성을 높인다. 공정 최적화를 통해 고객의 요구사항에 맞춘 대량 맞춤형 생산과 같은 새로운 제조 패러다임을 가능하게 하고, AI와 머신러닝 기술을 활용하여 다양한 생산 공정 최적화를 이룰 수 있다. 4. 협업 및 연결성스마트팩토리는 다양한 장비와 시스템이 서로 원활히 통신할 수 있도록 높은 수준의 연결성을 요구한다. 위의 유기적으로 연동된 데이터에 더해 전사적 자원 관리(ERP) 시스템, 공급망 관리(SCM) 시스템 등과의 통합은 공장의 전반적인 운영 효율을 높이고, 부서 간 협업을 강화한다. AWS 의 IoT 서비스AWS 에서는 IoT 관련해서 다양한 솔루션을 이용할 수 있는데, 스마트팩토리를 구현하는 방법으로 먼저 엣지 디바이스에서 정보들을 관리하는 솔루션들을 아래 그림 1의 솔루션들을 이용할 수 있다.그림 1. AWS IoT 디바이스 솔루션들이들을 클라우드에 연결하는 방식으로 아래 그림 2.의 솔루션들을 이용할 수 있다.,그림 2. AWS IoT 클라우드 연결 솔루션들마지막으로, 관리자 혹은 사용자의 시각에서 이 데이터들을 운영하기 위해 아래 그림 3. 의 솔루션들을 사용할 수 있다. 이후에는 모여진 데이터들은 AWS 의 일반적인 서비스들과 도구들을 이용해서 사용할 수 있다.그림 3. AWS IoT 분석 솔루션들아래 그림 4는 AWS IoT 그린그래스, AWS IoT 코어, AWS IoT 디바이스 디펜더, AWS Iot 디바이스 매니지먼트를 이용해서 연결되어 운영되는 사례의 구조를 나타낸다. 그림 4. 일반적인 AWS IoT 연결 예제 애저(Azure)의 IoT 서비스마이크로소프트의 애저에서도 IoT를 위한 제품들이 준비되어 있고, 아래 그림 5와 같은 레퍼런스를 볼 수 있다. 엣지 디바이스에서 모이는 데이터들이 애저 IoT 허브(Hub) 를 통해서 클라우드에 모이게 되고, 데이터의 성격에 따라 스트림 데이터를 위한 서비스 혹은 메시지를 위한 서비스 등으로 나누어 저장되고, 관리된다. 이후에도 역시 일반적인 서비스들과 도구들을 이용해서 사용할 수 있다.그림 5. 일반적인 애저 IoT 연결 구조 구글 클라우드 플랫폼(GCP)의 IoT 서비스구글 클라우드 플랫폼도 IoT 관련해서는 유사한 방식을 지원한다. 아래 그림 6은 산업계에서 널리 쓰이는 메시징 표준인 MQTT 방식의 메시지를 이용해서 엣지 디바이스들로부터 메시지들을 클라우드에 전송하는 예제를 나타낸 그림이다.그림 6. GCP에서 IoT 제품 연결 예제 맺으며지금까지 스마트팩토리를 고려하며 주요 클라우드업체의 IoT 서비스들을 간단히 훑어 보았다. 특별한 서비스를 이용하지 않고, 엣지 디바이스 용 솔루션을 따로 고려하지 않더라도 일반적인 방식으로 클라우드에 연결해서 처리하는 경우들도 있고, 일반적인 공장들은 맞춤형으로 구현해야 하는 부분들이 많아서 클라우드 솔루션들을 바로 적용하기 힘든 경우가 대부분이다.스마트팩토리를 새로 도입하거나 기존의 온프레미스 환경에서 클라우드로 고려할 경우 여러 가지를 고려해야 하지만, 사물 인터넷 서비스들을 이용해서 클라우드 기반으로 구축할 경우 아래의 장점들이 있다. 빠른 구축: 기존 IT 인프라 구축에 비해 빠르고 간편하게 스마트팩토리를 구축할 수 있다. 높은 확장성: 사업 규모가 변화하더라도 유연하게 시스템을 확장하거나 축소할 수 있다. 낮은 초기 투자 비용: 하드웨어 구매 비용을 절감하고, 필요한 만큼의 자원만 사용하여 비용 효율성을 높일 수 있다. 다음 회에는 여러 방식으로 스마트팩토리에 접근하는 과정에서 맞이하는 이슈에 대해 사례를 나누어 보겠다.

인공지능과 추천 시스템 - 마치며 - 2024. 12.

들어가며2024년 2학기 KAIST 경영대학원에서 Digital Finance MBA 과정에서 개설된 ‘인공지능과 추천시스템' 강의를 마쳤다. 3학점 16주의 일정이 끝났고, 작년에 강의를 끝냈을 때에 느꼈던 아쉬움에 더해서 두번째 기회였음에 따라 오는 추가적인 아쉬움들이 든다. 금융의 영역과 문제 풀이의 본질인 공학의 테두리 안에서, 인공지능과 추천이라는 주제를 다른 트랙처럼 운용하려 했고, 제품과 서비스로서의 문제 정의와 풀어 나가려는 접근 등을 같이 고민하려 했다. 과목의 이름이 주는 방대함과 위압감은 생각 이상이었고, 변화하는 시대의 이슈들을 따라가고자 하니, 구현에 대한 공통적인 실습을 줄이는 방식으로 타협을 하게 되었다. 준비한 것들교재 같이 읽기 - 박태웅의 AI 강의교재 같이 읽기 - 추천 시스템 입문 코드 따라 하기 - MovieLens , 추천 알고리즘 - 기본 구현들, openAI news creation추석 맞이 클립 모아 보기stateof.ai 2023, 2024 같이 보기특강 - Google(Playstore)에서 과제 런칭하기특강 - Search Quality with Google 특강 - Lessons from Google Search특강 - Big Acquisitions / Nest / Subscriptions / US Life기말 발표 주제 선정, 발표 자료 리뷰, 발표 리뷰 준비했지만 못했던 것들교재 같이 읽기 - GPT-4 를 활용한 인공지능 앱 개발교재 같이 읽기 - 금융 전문가를 위한 머신러닝 알고리즘코드 따라 하기 - 추천 알고리즘 - 복잡한 구현들, Deep Learning 특강 - 인이지와 Digital Transformation with XAI Stat 들 77명의 수강생 ( 디지털금융MBA 46명, 정보경영 20명, 프로페셔널 MBA 6명, 카이스트MBA 3명,임팩트MBA 1명, 경영공학부 1명 ) 4번의 remote 수업, 2번의 online 수업44개의 기말 과제 1번의 간담회 형식의 치맥 작년과 달랐던 점들 직장을 다니면서 주경야독을 하는 학생들과 전업 학생들이 완전하게 둘로 갈려 있었음. 기말 과제들에 공을 들여 이야기를 했는데, 학생들이 다른 과제의 이야기들에 관심을 가지지 않았음. 아무 주제로 면담 신청을 열어 놓았는데, 아무도 신청을 하지 않았음. 띄엄띄엄 학생들을 볼 수밖에 없는 제약이 있기도 했지만, 학기를 진행하며 작년과 너무 다른 분위기들에 많이 흠칫하게 되었다. 침체되어 있는 업권의 불편한 분위기가 그대로 내려오고 있는 게 아닌가 하는 생각이다. 마무리하며강의 평가 결과로는 타 과목 대비 낮은 점수가 나왔는데, 특히 작년보다 그다지 나아지지 못했다는 아쉬움이 있다. 전업으로 하시는 다른 과목 교수님들보다 높이 나올 수 없다는 결과는 여전히 당연하다 생각하고 있고, 특히 이 과목은 학생들이 금융과 IT의 양 극단에 있어서 적절한 강의 대상을 정하기 어려웠을 거라는 책임교수님의 예상과도 일치하는 많이 놀랍지는 않은 결과였다. 작년의 경험에 조금의 노력을 더했지만, 부족함이 많이 지적되는 결과라 하겠고, 모두를 만족시키지 못한 것에 대한 욕심, 너무 살살(?) 했던 것에 대한 아쉬움, 미안함 등이 있지만, 이 자료들이 쌓여서 올해도 내년 강의에 잘 이용이 되면 하는 바램으로 올해는 여기 까지로 마무리하자 싶다.여러 물리적인 제약들에도 불구하고, 개인적으로는 너무 소중한 경험이었고, 다시 한 번 기회를 더 주신 책임교수님과 학과 사무실 분들, 완벽했던 수업조교 들께 감사한 마음을 전한다. 수업 시간을 함께 한 학생들께도 고마움을 전하고 앞으로도 좋은 영향을 끼치기를, 그리고 인연이 계속되기를 기대한다.