• 장치산업 : 생산수단으로 각종 대규모 장치를 설치함으로써 경상적(經常的)인 생산이 가능한 산업. 경영상 양산(量産, mass production)으로 비용 절감 효과가 크나, 거액의 자본을 필요로 함.
광업, 석유 및 가스 생산, 화학품 제조 기업들은 AI 도입에 있어 아직 첫발을 떼는 단계에 있다. 하지만 다른 선도 산업 부문에서 얻은 교훈을 잘 활용한다면 그 간극을 좁힐 수 있을 것이다.
인공지능(AI) 기술은 여러 산업 부문에서 그 강력한 가치 창출 능력을 입증해 왔다. 하지만 광업, 석유 및 가스 생산, 화학품 제조 등과 같은 연속 공정 과정이 필요한 부문에서의 AI 기술 도입은 다소 더딘 속도로 진행됐다. 이 말은 곧, AI를 도입한다면 이들이 얻을 수 있는 이점은 무궁무진하다는 것을 의미한다. 장치산업 기업들이 성공적으로 AI 기술을 접목한다면 더 획기적인 가치 창출이 가능하다. AI 도입을 가장 먼저 시도한 중공업 부문을 예시로 살펴보면, 효율성, 처리율(스루풋), 폐기물 절감 및 기타 지표에서 15% 이상의 이득을 챙길 수 있다.
장치산업 고객사 다수와 협력해온 경험을 토대로 BCG는 AI 도입을 통한 가치 창출 솔루션을 3단계로 정리했다. 첫째는 적합한 데이터를 수집하는 것, 둘째는 데이터의 가용성과 접근성을 확대하는 것, 그리고 셋째는 기업 문화를 쇄신하여 새로운 작업 처리 방식을 수용하는 것이다. AI의 기술력은 오랜 기간 검증을 거쳐왔으며 날이 갈수록 강력해지고 있다. 기업은 이제 AI 기술을 활용할지, 혹은 포기하고 경쟁사에 기회를 빼앗길지 결정해야 한다.
AI의 발전으로 점점 더 드러나는 현 방식의 어려움
여태껏 연속 공정 기업들이 AI 도입을 미뤄온 데는 이유가 있다. 첫 번째는 다양한 변수의 물질적 상관관계에 의존하는 복잡한 공정 과정의 특성상 모델링이나 데이터 분석이 어렵다는 점이다. 데이터는 항상 부족하기 때문에 많은 기업에서는 숙련된 기술자들의 직관에 의존하여 작업을 진행한다. 또한 데이터가 있더라도 품질이 낮거나, 공정 과정 전반의 통합 데이터가 아닌 장비별로 나뉜 경우가 더 많다.
동시에, 공정 과정의 고유한 특성으로 인해 데이터 분석으로 개선할 수 있는 점이 많은 것도 사실이다. 공정 과정 내 인풋과 아웃풋 간 과학적 상관관계를 파악하면 적절한 개입을 통해 원하는 방향으로 결과를 낼 수 있고, 이에 따라 발생한 변화는 시간 흐름에 따라 측정이 가능하다. 나아가 시작과 끝이 명확한 일괄 공정과 달리 연속 공정 과정은 모델링, 신속 테스팅, 개설 및 증설 등이 가능하다. 이 같은 점은 물리적인 인과 관계없이 AI로 크게 이득을 얻은 마케팅 등 다른 분야와 대조되는 부분이다.
지난 5년간 AI 기술 역량은 컴퓨터 및 최첨단 기술의 발전으로 크게 향상했다. AI는 더 이상 입증이 필요한 실험적인 기술이 아니다. 예를 들어, 확률을 사용해 인과관계를 추론하는 베이지안 분석 기법(Bayesian analytics)은 기업의 고질적인 데이터 부족을 해결할 수 있다. 머신러닝 알고리즘은 현재 사용되는 공정 모델의 연속적인 개선을 가능하게 한다. 이는 지속해서 데이터를 창출하는 연속 공정에 매우 유리한 이점이다. 저렴한 클라우드 컴퓨팅 기술은 복잡한 최적화 알고리즘 해결 시간을 현저히 단축해 실시간 해결을 가능하게 한다. 4차 산업혁명을 거치며 기업들은 연속 공정 전반에 센서를 설치하였는데, 이를 최첨단 알고리즘 개발을 위한 자원으로 사용할 수도 있다.
장치산업 부문 다수가 현재 티핑포인트에 서 있다. 향후 5년 내 최첨단 머신러닝 및 최적화 알고리즘이 빠르게 확산할 것이며, 장치산업의 기술 강자가 우위를 점하게 될 것이다.
결론적으로 어려움이 있긴 하지만, 최근 AI 기술의 발전을 감안한다면 큰 문제는 아니다. 장치산업 부문 다수가 현재 티핑포인트에 서 있다. 향후 5년 내 최첨단 머신러닝 및 최적화 알고리즘이 빠르게 확산할 것이며, 장치산업의 기술 강자는 우위를 점하고, 약자는 결국 도태될 것이다.
성공을 위한 3단계 전략
기업들은 대개 AI 도입 후 성숙 과정에서 단계별로 점진적인 발전을 이루지만, 어떤 경우에는 비약적으로 성장할 수도 있다. (보기 참조) 첫 단계는 1~2개의 공정 과정을 시각화함으로써 통계 및 표시를 직관적으로 이해할 수 있게 만드는 것이다. 다음은 현존하는 데이터를 활용해 기본 AI 기술을 사용, 소수 케이스에 적용하여 즉각적인 효과를 도출하는 것이다. 기업이 조직 역량을 구축함과 동시에 실시간 AI 시스템을 도입해 기술자들의 작업 처리를 돕게 하고, 점진적으로 알고리즘에 운영 전반의 조정 권한을 넘겨야 한다. 최종 단계는 폐쇄회로 AI를 구축하는 것으로, 이때부터 기술자는 이상 상황이 감지되었을 때만 개입하게 된다.
AI 접목 초기 단계일수록 임시방편을 내세워 당장 사용할 수 있는 데이터를 먼저 활용하는 경향이 있다. 하지만 실시간 솔루션 개발을 위해서는 기업이 견고한 데이터 전략을 구축해야 한다. 이를 위해 기업은 다음 세 가지 질문에 답변할 수 있어야 한다.
[1] 적합한 데이터를 수집하고 있는가?
대체로 제조 기업은 다량의 데이터를 보유하고 있지만, 정작 신뢰도가 높고 사용할 만한 데이터는 부족하다. 따라서 첫 번째 과제는 공정 과정에서 생산되는 데이터 중 관련도 높은 데이터를 적절한 정확도로 수집하고 있는지, 또한 전체 공정 과정과 상응하는 방향으로 취합하고 있는지 파악하는 것이다. 관련도 높은 데이터란 공정 과정의 핵심성과지표(key performance indicator, KPI), 원료 특성과 같은 외부 변수, 컨트롤 레버 등을 포함한다.
데이터의 정확성도 중요하지만, 정확성과 적시성 사이의 적절한 균형을 맞추는 것도 필요하다. 이를테면, 특정 변수를 측정하기 위해서는 온라인 센서로 자동 측정하는 방법과 실험실에서 직접 측정하는 방법의 하나를 선택해야 한다. 일반적으로 실험실 측정은 온라인 센서보다 높은 정확도 대비 낮은 측정 빈도를 가지지만, 대신 훨씬 많은 양의 노동력이 요구된다. 공정 모델 수정이 목적이라면 높은 데이터 정확도가 우선시되어야 하므로 직접 측정이 일반적이다. 반면, 실시간 의사결정을 위해서는 온라인 센서가 최선책이다.
나아가 연속 공정은 작업 순서 및 지체시간에서 비롯되는 각종 문제에 노출되어 있다. 상위 순서에서 만들어진 변경은 하위 순서까지 진행되었을 때 비로소 측정할 수 있기 때문에, 인풋과 아웃풋 사이의 상관관계를 파악하는 데 어려움이 있다. 기업은 시설에 최첨단 통계 분석법을 도입해 한 지점에서 만든 변경과 하위 순서에서 포착된 변동 간의 상관관계를 산출할 수 있는 역량을 키워야 한다.
예를 들어, 남미 소재의 한 비금속 광업 기업은 다양한 분석 모델을 활용해 공정 과정을 모니터링했지만, 투입되는 원석에 대한 데이터가 부족한 탓에 분석 모델이 기대에 부응하지 못했다. 이 문제를 해결하기 위해 해당 기업은 원석 채광 장비와 더불어 공정 과정 주요 지점마다 RFID 데이터를 수집해 원석에 대한 정보를 더욱 정밀하게 분석했다. 풍부한 고품질 데이터를 확보한 해당 기업은 들어오는 원석의 품질을 더욱 정확하게 예측할 수 있어 분석 모델의 정확도를 향상할 수 있었다.
[2] 데이터의 접근성 및 가용성이 확보됐는가?
적합한 데이터 수집이 이루어졌다면 다음 과제는 해당 데이터가 적시 · 적소에 전달되도록 하여 공정 과정의 효율을 높이는 것이다. 이 역시 데이터 수집과 마찬가지로 유지보수, 저장 및 보존에 상당한 어려움이 있다.
예컨대, 일부 시설은 스스로 데이터를 수집하는 맞춤형 기기 및 센서를 가동하는데, 이때 수집된 정보가 중앙 데이터베이스로 온전히 송신되지 않을 수도 있다. 또 어떤 경우에는 센서를 새로 부착하거나 제거할 때 데이터 수집이 중단되어 데이터 취합 및 최적화에 차질을 빚을 수 있다. 더 심한 경우, 장비나 부품, 혹은 공정 과정 레이아웃이 시간이 흐름에 따라 변경되어 데이터 수집 작업 전체가 일그러질 수 있다. 연속 공정 과정은 여러 변수 간 상호작용이 늘 발생하기 때문에, 장비 하나를 업그레이드할 때마다 다른 장비들이 영향을 받아 생산 품질에 영향을 주게 된다.
이 같은 문제를 없애기 위해서는 견고한 데이터 관리 파이프라인을 구축해야 한다. 즉, 센서가 포착하는 데이터를 주기적으로 저장하고, 전반적인 공정 과정 및 장비에 변화를 주는 특정 상황이 자동 기록되게끔 하여야 한다.
센서가 포착하는 데이터를 주기적으로 저장하고, 전반적인 공정 과정 및 장비에 변화를 주는 특정 상황이 자동 기록되게끔 만들어 견고한 데이터 관리 파이프라인을 구축해야 한다.
이상적으로, 수집된 데이터는 하나의 클라우드 플랫폼에 모아 데이터에 대한 접근을 쉽게 만들고, 기술자가 직관적으로 사용할 수 있는 환경을 조성해야 한다. 네트워크 연결성이 문제가 된다면 시설 내 직접 저장하는 방법도 고려할 수 있다. 결론적으로 공정 과정을 운영하는 데에 데이터의 중요성을 이해하고, 데이터 전문 팀을 구성해야 기업의 전체 데이터 전략을 성공할 수 있다.
북미 소재의 한 구리 광업 기업은 부유선별(flotation) 프로세스를 도입해 원석 공정 과정의 효율성을 제고했다. 실시간 과정 피드백을 얻기 위해 해당 기업은 엑스선(X-ray) 온 스트림 분석기(on-stream analyzer, OSA)를 도입해 산출물의 구리 농도를 측정했다. 이때 OSA 제공 업체가 구리 농도 측정 알고리즘을 함께 제공했는데, 기업은 제공 업체의 측정 모델이 정확하지 않다는 사실을 발견했다. 이에 이들은 엑스선 원자료를 참고하여 자체 측정 모델을 개발하였고, 결과적으로 더 향상된 정확도로 실시간 측정이 가능하게 되었다.
[3] 적정한 기업 문화 및 운영 체계를 갖추었는가?
고품질 데이터를 확보하고 있다고 해도, 변화를 수용할 수 있는 기업 문화가 받쳐주지 않는다면 AI 혁신은 성공하기 어렵다.
연속 공정 기업은 겉보기에 엔지니어링 중심으로 운영되다 보니, 최첨단 분석 시스템에 대한 거부감이 낮을 것으로 예상할 수 있다. 그러나 간혹 연속 공정 현장에서는 탈중앙적 운영 체계를 채택해 현장 근로자들이 높은 자율성을 가지고 작업에 임하는 경우가 있다. 또한 엔지니어를 비롯해 자타공인 전문가로 여겨지는 공정 기술자들은 알고리즘의 투입에 회의를 느낄 수도 있다. 나아가 기존 엔지니어링 작업 방식은 물리적 시스템에 대한 정교한 이해와 확실한 결정을 높이 평가해왔는데, 이는 최첨단 AI 머신러닝 기술의 확률론적 접근법과는 대척점을 이룬다.
기업과 현장 내에 AI 수용성을 제고하기 위해서는 기술자들에게 AI 시스템이 도출한 권고사항을 거부할 권리를 주는 것이 좋다. 특히 AI 기술 도입 단계에서는, 초기 기술자들에게 높은 자율성을 보장해주고 알고리즘이 신뢰를 얻을 만한 성과를 내기까지 기다려주어야 한다. 경영진은 기술자들의 결정에 있어 AI는 그저 하나의 데이터를 제공할 뿐이라는 인식을 심어주고, 이것이 기술자의 전문성을 대체하기 위한 것은 결코 아니라는 사실을 강조해야 한다. 신기술을 설명할 때 알고리즘의 기술적 우월함이 아닌, 단순함과 투명성을 강조하는 것도 좋다.
경영진은 기술자들의 결정에 있어 AI가 그들의 전문성을 대체하기 위한 것이 아닌, 그저 하나의 데이터를 제공할 뿐이라는 인식을 심어주어야 한다.
아마도 가장 어려운 과제는 확률론적 사고방식을 수용하고, 새로운 시도를 장려하는 기업 문화를 조성하는 일일 것이다. 확률론적 모델을 통한 결정이 때론 틀릴 때도 있겠지만, 전반적으로는 맞을 때가 훨씬 더 많다. 새로운 모델은 현장에 도입되기 전까지 절대 완벽할 수 없다. 따라서, 경영진은 평균적으로 작업 성과를 높여주지만, 때로는 틀릴 수도 있는 새로운 시스템 도입에 있어 기술자에게 책임을 묻지 않을 것이라는 확실한 메시지를 전달해야 한다.
________________________________________
장치산업의 연속 공정에 있어 AI 기술은 엄청난 잠재력을 깨워주는 역할을 할 것이다. 넘어야 할 산이 없는 것은 아니지만, 본 아티클에서 소개된 바와 같이 모든 어려움에 대한 해결책은 존재한다. 최첨단 기술은 이미 높은 수준으로 발전했기 때문에, 전문적인 팀과 함께한다면 새로운 솔루션의 현장 도입은 높은 확률로 성공할 수 있을 것이다. 가장 중요한 단계는 바로 사람과 기술에 대한 투자를 늘리고, 기업 비전에 대한 명확한 메시지를 전달해 AI 혁신을 실현해내는 것이다.
