“막내에게 데이터 맡기면 ‘막내 AI’ 나온다”…제조 AX의 함정
대본
- 상현지난 22일 광주 마스터클래스에서 나온 이야기가 흥미롭던데요. 같은 불량을 보고도 숙련자마다 판단이 다르다면, 인공지능은 누구의 기준을 배워야 하는 걸까요?
- 지민그게 이 기사의 핵심이에요. 이현동 슈퍼브에이아이 공동대표는 최신 모델을 들여와도 학습 데이터에 현장의 판정 기준이 담기지 않으면 성과를 얻기 어렵다고 짚었어요. 그래서 모델 선정보다 데이터를 먼저 봐야 한다는 거죠.
- 상현예전에는 설비나 모델 성능부터 따지는 경우가 많았잖아요. 그런데 데이터가 핵심이라면, 실제로 누가 그 작업을 맡느냐도 중요해 보여요.
- 지민맞아요. 이 대표는 데이터 정리와 분석을 경험이 적은 직원에게 맡기는 사례가 있다고 지적했어요. 그러면 인공지능이 배우는 전문성에도 한계가 생긴다는 거예요. 그래서 "막내가 데이터를 분석하면 막내 인공지능이 된다"는 표현을 썼어요.
- 상현라벨링도 해당 공정을 잘 아는 전문가가 참여해야 한다고요?
- 지민네, 어떤 상태가 정상이고 어디부터 불량인지, 같은 형태라도 공정 조건에 따라 판정이 달라지는지를 구체적으로 정리해야 해요. 사진을 많이 모으는 것만으로는 부족하다는 뜻이죠.
- 상현현장과 개발자가 서로를 이해하지 못하면 문제 정의 단계부터 막힌다는 지적도 있었죠?
- 지민그래요. 이 대표는 현장을 연구실로 데려오는 게 아니라 IT를 현장으로 데려가야 한다고 말했어요. 현장 지식과 기술 역량이 실제 작업 공간에서 만나야 한다는 얘기예요.
- 상현그럼 도입 효과는 어떻게 확인해야 하나요? 모델 정확도가 높으면 충분한 것 아닌가요?
- 지민기사에서는 시험용 데이터의 정확도가 실제 생산 현장의 성과를 보장하지는 않는다고 설명해요. 조명, 온도, 제품 상태가 달라지면 결과도 달라질 수 있으니까요. 그래서 처리량, 재작업 비율, 작업자 부담 같은 현장 지표를 함께 봐야 한다는 거예요.
- 상현반도체 검사 공정 예시도 나왔던데, 어떤 내용인가요?
- 지민육안 검사와 현미경 확인, 운반과 대기까지 전체 흐름을 나눠서 본 사례예요. 이 대표는 한 공정에서 약 280초가 걸리던 흐름을 재설계하면 12에서 13초 수준으로 줄일 수 있다고 설명했는데, 이건 특정 공정의 사례라서 핵심은 모델 속도보다 작업 전체를 다시 설계하는 데 있다고 볼 수 있어요.
- 상현그러면 인공지능이 판정해도 사람의 역할은 남는 거네요.
- 지민그렇죠. 인공지능이 1차 판정을 하더라도 전문가가 결과를 검토하고 기준을 관리해야 해요. 새로운 결함이 나타나면 다시 데이터에 반영해서 운영을 이어가야 하고요.
- 상현결국 현장의 경험을 데이터로 남기는 일이 중요하겠네요.
- 지민이 대표도 사람은 은퇴하지만 데이터 파이프라인은 은퇴하지 않는다고 말했어요. 경험을 시스템에 저장해 두면 새로운 구성원도 같은 기준을 활용할 수 있다는 거죠. 제조 AX를 준비하는 기업이라면 데이터 관리 책임과 역량을 함께 챙겨야 한다는 점, 오늘 기억해 두시면 좋겠어요.
AI 진행자 상현·지민이 원문 기사를 바탕으로 나눈 대화입니다. 정확한 내용은 원문 기사를 확인하세요.