당신은 주제를 찾고 있습니까 “제조 ai 사례 – [네이버클라우드] AI 기반 스마트 제조 기술과 사례 / 김용민 솔루션 아키텍트“? 다음 카테고리의 웹사이트 ppa.maxfit.vn 에서 귀하의 모든 질문에 답변해 드립니다: https://ppa.maxfit.vn/blog/. 바로 아래에서 답을 찾을 수 있습니다. 작성자 NAVER Cloud Platform : 네이버 클라우드 플랫폼 이(가) 작성한 기사에는 조회수 475회 및 좋아요 6개 개의 좋아요가 있습니다.
- 제너럴 모터스: 로봇 고장 파악 …
- 제너럴 모터스: 제품 설계 알고리즘 구현 …
- 노키아: 조립라인 모니터링 영상 프로그램 …
- 아우디: 영상인식 시스템 …
- 다농: 수요 계획 및 예측 시스템
제조 ai 사례 주제에 대한 동영상 보기
여기에서 이 주제에 대한 비디오를 시청하십시오. 주의 깊게 살펴보고 읽고 있는 내용에 대한 피드백을 제공하세요!
d여기에서 [네이버클라우드] AI 기반 스마트 제조 기술과 사례 / 김용민 솔루션 아키텍트 – 제조 ai 사례 주제에 대한 세부정보를 참조하세요
\”AI 기반의 스마트한 제조 기술 트렌드, 여기에 모두 모았습니다.\”
– 네이버클라우드 김용민 솔루션 아키텍트
스마트한 제조 기업으로 업그레이드되고 싶으신 기업은 주목! 지금 바로 적용할 수 있는 네이버 클라우드 플랫폼의 AI 기술 상품을 알려드립니다.
네이버클라우드의 제조 세미나를 다시 만나보세요.
✅ Manufacturing on NAVER Cloud Platform
✅ 9월 16일 오전 10시에 진행된 세미나 영상입니다.
#제조업 #DT #네이버클라우드플랫폼
✨ Manufacturing on NAVER Cloud Platform 공식 홈페이지
https://micro.ncloud.com/manufacturing/
💡제조기업을 위한 네이버 클라우드 플랫폼
https://www.ncloud.com/solution/industry/manufacturing
제조 ai 사례 주제에 대한 자세한 내용은 여기를 참조하세요.
제조AI 적용 Use-Case – 인공지능 중소벤처 제조 플랫폼
IoT 무선진동센서를 이용한 단조프레스 고장 징후 데이터 분석 및 AI적용 사례. 2021-05-24; (주)고원금속. 뿌리-소성가공. AI를 통한 식품제조 품질분석·품질예측 …
Source: www.kamp-ai.kr
Date Published: 10/24/2022
View: 4761
인공지능과 제조업의 만남: 10가지 사례
BMW는 인공지능을 이용하여 생산설비에서 실시간으로 불량품을 감지하는 솔루션을 개발하고 이를 도입했음 – BMW의 공장에서 AI 솔루션이 방금 생산된 차량 데이터를 …
Source: www.lotis.or.kr
Date Published: 11/13/2021
View: 6525
제조 분야의 인공지능 성공 사례와 교훈 – Korea IT Times
인공지능(AI)은 제조업체 경쟁력의 판도를 바꿀 수 있다. 효율성 향상, 비용 절감, 품질 개선 및 가동중지 감소 등 이런 잠재적 이점은 물론 기술부족 …
Source: www.koreaittimes.com
Date Published: 7/5/2021
View: 3216
프레스 벤딩 공정 데이터 분석 및 AI 적용사례 – 제조 AI Use Case
인터엑스는 주조, 금형, 소성가공, 용접, 표면처리, 정밀화학, 전기전자 등 다양한 산업 분야의 제조 빅데이터 분석과 AI 적용 사례를 만들어 가고 있습니다.
Source: interxlab.com
Date Published: 10/17/2021
View: 8552
산업별 AI혁신 사례 살펴보기(1) – velog
제조 분야에서의 인공지능. 1) 스마트팩토리. 제조 생산을 위한 데이터의 수직적 통합 및 네트워크화된 제조 시스템을 갖춘 공장; 제조 공정 및 운영 …
Source: velog.io
Date Published: 10/16/2022
View: 9496
다양한 산업 분야의 인공지능(AI) 및 딥러닝(DL) 성공사례
제조, 철강, 자동차, 인프라 사업군을 비롯한 다양한 산업 분야에서 인공지능 및 딥러닝을 성공적으로 적용한 국내외 사례들을 알아본다. AI 프로젝트 …
Source: icnweb.kr
Date Published: 3/2/2021
View: 7214
제조업 10의 2020 개 이상의 AI 사용 사례 / 애플리케이션
인공 지능(AI), 머신 러닝(ML) 및 예측 분석과 같은 스마트 팩토리 디지털 기술을 통해 제조업체는.
Source: zephyrnet.com
Date Published: 1/22/2021
View: 2950
제조 혁신의 상징, 스마트팩토리 “AI 뒷받침 없으면 발전 없다”
스마트팩토리, 생산성 향상 위한 데이터 제공. AI 기술 활용 없으면 단순 자동화에 그칠 뿐 특정 사례 대응하는 AI 솔루션 및 인재 필요
Source: www.e4ds.com
Date Published: 4/25/2021
View: 472
주제와 관련된 이미지 제조 ai 사례
주제와 관련된 더 많은 사진을 참조하십시오 [네이버클라우드] AI 기반 스마트 제조 기술과 사례 / 김용민 솔루션 아키텍트. 댓글에서 더 많은 관련 이미지를 보거나 필요한 경우 더 많은 관련 기사를 볼 수 있습니다.
![[네이버클라우드] AI 기반 스마트 제조 기술과 사례 / 김용민 솔루션 아키텍트](https://i.ytimg.com/vi/d4SFGCMzFAk/maxresdefault.jpg)
주제에 대한 기사 평가 제조 ai 사례
- Author: NAVER Cloud Platform : 네이버 클라우드 플랫폼
- Views: 조회수 475회
- Likes: 좋아요 6개
- Date Published: 2021. 10. 7.
- Video Url link: https://www.youtube.com/watch?v=d4SFGCMzFAk
AI로 제조업을 개선하는 10가지 방법
제조업에서 가장 선도적인 인공지능(AI) 혁신 프로젝트는 기계 관리와 품질이다. 제조업에서 AI 구현의 29%는 기계와 생산 자산 관리에 있다. 글로벌 IT컨설팅 업체 캡제미니(Capgemini) 연구팀은 기계와 장비가 고장 날 가능성이 높은 시기를 예측하고, 정비(조건별 정비)를 실시하기에 최적의 시기를 권고하는 것이 오늘날 제조에서 가장 많이 사용되는 AI 활용 사례라고 밝혔다.
사람의 경험, 통찰력, AI 기술을 결합해 비용 절감, 이익 보호, 차별화를 위한 새로운 방법을 발견하고 있다. 제조업체들은 예외 없이 어려운 경제 시대에 계속해서 성장해야 하는 도전에 직면해 있다. 보스턴 컨설팅 그룹의 최근 연구 ‘포스트 위기 하의 세계의 AI 활용 기업의 향상’을 보면, 14%의 기업이 매출 증가와 이윤을 모두 증가시킬 수 있었다.
포브스는 캡제미니가 정리한 2020년 제조업을 향상시키는 10가지 방법을 사례를 통해 제시했다. 최근 발간한 ‘제조업에서 AI 스케일링: 실무자 관점 연구’와 4개월간 제조업체와의 인터뷰 등을 바탕으로 작성했다.
1. 제너럴 모터스: 로봇 고장 파악
제너럴 모터스는 조립 로봇에 장착된 카메라의 이미지를 분석해 공급자의 도움을 받아 로봇 부품 고장 징후를 포착한다. 시스템 시범 테스트에서 7000여 대의 로봇에서 72건의 부품 고장 사례를 발견해 예상치 못한 정전이 발생하기 전에 문제를 파악했다.
2. 제너럴 모터스: 제품 설계 알고리즘 구현
제너럴 모터스는 오토데스크와 협력해 머신러닝 기법으로 최적화된 제품 설계를 제공하는 생성 설계 알고리즘을 구현했다. 2018년 5월 제너럴 모터스는 적층제조 성공을 위해 오토데스크 생성 설계 소프트웨어를 채택했다. 최근 안전벨트 브래킷 부품에 대한 시제품 제작 테스트 결과, 기존의 8개 부품 디자인보다 40%나 더 가볍고, 20%나 더 강한 싱글피스 디자인이 나왔다.
3. 노키아: 조립라인 모니터링 영상 프로그램
노키아는 머신러닝을 이용해 생산 공정에서 불일치가 있을 경우 조립 작업자에게 알리는 영상 응용 프로그램을 도입했다. 핀란드 오울루 공장에서 조립 라인 과정을 모니터링하는 비디오 애플리케이션을 출시한 것이다. 실시간으로 문제가 시정될 수 있도록 운영자에게 프로세스의 불일치를 경고한다.
4. 아우디: 영상인식 시스템
자동차와 소비재 산업에서 실시간으로 이미지를 분석해 제품 품질 검사를 완료하는 것도 제조업체가 엄격한 규제 요건을 준수하는 데 도움이 된다. 고해상도 카메라 가격이 지속적으로 하락하고 AI 기반 영상인식 소프트웨어와 기술은 지속적으로 개선되고 있다. 이 두 가지 요인으로 실시간 인라인 검사가 속속 도입되고 있다. 아우디는 선도적으로 인골슈타트 프레스샵에 딥러닝 기반 영상인식 시스템을 탑재했다.
5. 다농: 수요 계획 및 예측 시스템
수요 예측 정확도 향상은 여러 산업에 걸쳐 명확한 결과를 보이고 있는데, 소비자 패키지 상품 제조업체가 타 산업보다 앞서고 있다. 프랑스의 다국적 식품 제조회사 다농 그룹은 수요 예측 정확도를 높이기 위해 머신러닝 시스템을 사용한다. 그들은 머신러닝으로 마케팅, 판매, 회계 관리, 공급망, 재무 전반에 걸쳐 계획을 개선해 보다 정확한 예측을 이끌어 내고 있다.
또, 제품 판매촉진 수요를 충족하고 채널 또는 가맹점 단위 재고에 대한 목표 서비스 수준도 달성했다. 이 시스템으로 예측오류 20% 감소, 매출 손실 30% 감소, 제품 노후화 30% 감소, 수요기획자 업무량 50% 감소의 실적을 보였다.
사진=셔터스톡
6. 탈레스 에스에이: 고속철도 노선 유지 보수
여러 산업에 전자 시스템을 공급하는 선도업체 탈레스 에스에이는 유럽 전역의 고속 철도 노선에 대한 예방적 유지보수를 예측하기 위해 머신러닝을 사용한다. 이 회사는 수천 개의 센서, 열차 부품 및 유럽 대륙 횡단 철도 시스템의 서브시스템 현황에 대한 과거 및 현재 데이터를 수집한다. 데이터를 활용해 잠재적 문제점을 예측하고 특정 부품을 언제 교체해야 하는지 파악할 수 있는 AI 알고리즘을 개발해 이 과정에서 높은 신뢰성을 확보했다.
7. BMW 그룹: AI기반 이미지 매칭 기술
BMW 그룹은 AI를 사용해 생산 라인의 부품 이미지를 평가함으로써 품질 표준으로부터의 편차를 실시간으로 포착할 수 있다. BMW그룹 딘골핑 공장 최종 점검 구역에서는 AI 애플리케이션이 차량 주문 데이터와 신규 생산 자동차의 지정 모델의 영상을 실시간 비교한다.
일반적으로 승인된 모든 조합 뿐만 아니라 4륜 구동 차량의 “xDrive”와 같은 지정 모델 및 여타 등록번호판은 이미지 데이터베이스에 저장된다. 지정이 누락된 경우처럼 실시간 영상과 주문 데이터가 일치하지 않으면 최종 검사 팀에서 통보받는다. BMW그룹은 생산에 사용되는 AI 알고리즘을 오픈소스 플랫폼에서 공유하고 있다.
8. 슈나이더 일렉트릭: 예측 IoT 분석 솔루션
슈나이더 일렉트릭은 마이크로소프트 애저(Azure) 머신러닝 서비스와 애저 IoT 엣지를 기반으로 예측 IoT 분석 솔루션을 개발했다. 이를 통해 작업자의 안전을 개선하고 비용을 절감하며 지속가능성 목표를 달성했다. 이 회사 데이터 과학자들은 언제 어디서 정비가 필요한지 예측하는 모델을 만들기 위해 유전 데이터를 사용한다.
데이터 과학자는 자동화된 머신러닝 기능을 사용해 최적 머신러닝 모델을 지능적으로 선택하고 머신 모델 하이퍼 파라미터를 자동으로 조정해 시간을 절약하고 효율성을 향상시킨다. 이 솔루션을 활용했을 때, 이틀 만에 10-20% 효율성을 높이는 결과를 보였다.
9. 닛산: 차량 디자인에 AI 활용
닛산은 차세대 모델 시리즈의 출시 시간 단축 목적으로 AI를 활용해 실시간으로 신모델을 설계하는 AI를 시범운영 중이다. 닛산은 이 프로그램을 드라이브스파크라고 부르며, 4년째 존속하고 있다. 닛산 디자이너들은 이 시스템을 사용해 완전히 새로운 모델을 만들고 있다. 기존 모델의 수명주기 연장에도 AI를 활용했다.
10. 캐논: 고급 자산 결함 인식 시스템
캐논은 제조 센터에 새로운 수준의 품질 관리를 제공하는 고급 자산 결함 인식 시스템을 개발했다. 캐논은 머신러닝, 컴퓨터 비전, 예측모델링 등 인적 전문성과 통찰력, AI 기법을 접목해 고정밀 기계 부품 테스트의 정확성과 효율성을 높이고 있다. 캐논의 제조 부품은 산업용 방사선 촬영(X선 영상)과 영상을 이용해 정밀하게 검사해 각 부품과 내부 구조의 무결성을 검증한다.
보조 결함 인식 기술 시스템은 컴퓨터 비전과 머신러닝을 통해 검사된 부품의 이미지를 지능적으로 분석하고, 사람의 눈으로 놓칠 수 있는 결함이라도 자동으로 식별한다. 기술의 정확성도 학습하고 개선할 수 있다.
인공지능과 제조업의 만남: 10가지 사례
제조업 관계자들이 과거에 비해 더 많이 인공지능에 투자하고 있음
– 코로나 시국에도 불구하고, 제조업 관계자들은 인공지능을 통해 자사의 제품을 차별화하면서도 생산 원가를 낮추어 제품 마진을 지키려고 노력 중임 – 보스턴컨설팅그룹(BCG)의 최근 연구 결과인 “포스트-위기 상황에서 AI 기반 기업들의 실적 증가” [1]에 의하면, 최근 역사에 일어난 네 번의 글로벌 위기 상황에서, 14%의 기업들의 실적 및 이윤 폭이 증가함 – 기업들은 인공지능을 다양한 방식으로 활용하고 있음. 특히, 실시간 모니터링을 통해 데이터를 수집한 다음, 인공지능 모델을 훈련하는 방식으로 제조업의 다양한 과정에 인공지능 솔루션을 적용할 수 있음 – Capgemini는 최근 “인공지능과 제조업 작업: 실무자의 관점을 중심으로” [2]라는 연구에서 제조업 기업들이 어떻게 인공지능을 활용하고 있는지 총 10개의 사례를 수집함 [3]
첫 번째, 제너럴 모터스 (General Motors)의 장비 관리 솔루션
– 제조업에서 가장 인기가 많은 인공지능 솔루션은 설비 예지 보전 및 작업 설비 정비시간 예측 솔루션임 – 제너럴 모터스의 솔루션은 조립 로봇에 탑재된 카메라를 이용해 로봇 부품 고장 사전 징후를 탐지함 – 해당 시스템의 파일럿 테스트 결과, 7천 개가 넘는 로봇 중에서 72건의 부품 고장 사례를 탐지했고 사전 감지를 통해서 작업 다운타임을 최소화함
두 번째, 제너럴 모터스 (General Motors)와 오토데스크 (Autodesk)의 만남
– CAD 디자인을 할 때 사용할 수 있는 제약 조건 하 최적화 로직 솔루션을 개발함 – 제너럴 모터스의 디자이너들이 다양한 제약 조건 (재질, 생산 방법, 탑재 기능)을 제시하면, 오토데스크의 디자인 소프트웨어가 무게 및 다양한 제품 규격에 맞춘 설계를 출력함 – 실제로 자동차의 안전벨트 브래킷 부품을 해당 소프트웨어로 설계해본 결과, 기존의 설계보다 40% 가볍고 20% 더 견고한 디자인이 완성됨
세 번째, 노키아 (Nokia)의 영상 기반 작업 오류 탐지 시스템
– 노키아는 핀란드에 있는 자사 생산설비를 모니터하는 머신러닝 기반 영상 어플리케이션을 출시함 – 공정 담당자에게 생산 설비 과정에서 생긴 특이사항을 알려줌으로써 실시간으로 이상 상황에 대처할 수 있음
네 번째, 아우디 (Audi)의 이미지 분석 솔루션
– 이미지 분석 관련 AI 기술의 발달과 고화질 카메라의 가격 하락으로 기업들이 이미지 기반 인공지능 솔루션을 부담 없이 도입할 수 있음 – 특히, 이미지 분석을 기반으로 한 작업공정의 실시간 모니터링이 큰 인기를 끌었음 – 아우디는 실제로 딥러닝 기술을 활용한 영상 인식 시스템을 자사의 프레스 공장에 도입함
다섯 번째, 다논 (Danone)의 수요 예측 프로그램
– 다논은 프랑스 기반의 다국적 식품기업이며, 최근 머신러닝을 이용하여 수요 예측 정확도를 크게 향상시키려고 노력 중임 – 머신러닝을 이용해서 다양한 부서(마케팅, 공급사슬, 재무, 판매 등)간의 협업 효율을 올려주고, 나아가 수요 예측 정확도를 향상시키고 있음 – 머신러닝 솔루션을 도입한 이후, 수요 예측 실패 사례는 20% 감소하였으며, 매출 감소는 30%가 줄었으며, 제품 노후화를 30% 줄이고, 수요 예측 관계자의 업무 부담량을 50% 줄였음
여섯 번째, 탈레스 에스에이 (Thales SA)의 고속철로 예지보전 솔루션
– 탈레스 에스에이는 전자부품 회사이며, 유럽의 대륙간 고속철로에 설치된 자사의 센서로 다양한 정보를 수집하고 있음 – 센서로 수집한 데이터를 가지고 높은 정확도로 고속철로 수명 예측 및 예방적 유지보수를 돕는 인공지능 알고리즘을 개발함 – 해당 알고리즘의 도입으로 철도회사들은 예측하지 못한 철로 폐쇄를 사전에 막을 수 있게 되었음
일곱 번째, BMW의 생산 설비 모니터링 솔루션
– BMW는 인공지능을 이용하여 생산설비에서 실시간으로 불량품을 감지하는 솔루션을 개발하고 이를 도입했음 – BMW의 공장에서 AI 솔루션이 방금 생산된 차량 데이터를 주문 내역과 비교하고, 미리 서버에 저장된 이미지 데이터베이스와 생산된 제품을 비교함으로써 차량이 기준에 부합하는지 확인함 – 해당 기술과 같은 인공지능 솔루션을 BMW는 오픈-소스 플랫폼에 공유하고 있음
여덟 번째, 슈나이더 일렉트릭 (Schneider Electric) IoT 애널리틱스 솔루션
– 마이크로소프트의 머신러닝 서비스를 이용하여 근로자 안전 개선, 가격 절감, 및 안전성 개선을 하고 있음 – 슈나이더의 데이터 과학자들은 유전에서 수집한 데이터를 이용하여 정비가 필요한 부분을 예측하는 머신러닝 솔루션을 개발하고 있음 – 마이크로소프트의 Azure의 머신러닝 서비스를 배포한 후, 작업 효율이 10~20%가 향상되었음
아홉 번째, 닛산 (Nissan)의 인공지능을 이용한 디자인 솔루션
– 닛산 디자이너들은 DiveSpark라는 프로그램을 이용하여 산업 기준과 규격에 맞는 신규 모델을 디자인하는 알고리즘을 개발하고 있음 – 이뿐만 아니라, 인공지능을 이용하여 기존 모델들의 수명을 늘리는데 사용하고 있음
열 번째, 캐논 (Canon)의 불량품 검사 시스템
제조 분야의 인공지능 성공 사례와 교훈
By Katie Rapp
케이티 랩, 에디터/ 미국 국립표준기술연구소
인공지능(AI)은 제조업체 경쟁력의 판도를 바꿀 수 있다. 효율성 향상, 비용 절감, 품질 개선 및 가동중지 감소 등 이런 잠재적 이점은 물론 기술부족을 극복하는데 도움을 준다. 인공지능은 대형 제조사만을 위한 것이 아니다. 고부가가치나 비용 효율적인 AI 솔루션은 많은 소규모 제조업체들이 인식하는 것보다 더 쉽게 접근할 수 있다.
최근 미국의 MEP National Network™/Modern Machine Shop 웹 세미나에서, 사우스캐롤라이나 MEP 네셔널네트워크의 앤디 카와 델타브라보 설립자 겸 CEO인 릭 오페디사노가 “제조 분야의 인공 지능: 실제 성공 사례 및 교훈”을 발표했다.
.이날 행사에서 릭 오페디사노는 Precision Global, Metromont, Rolls-Royce, JTEKT, Elkem Silicones 등 여러 제조업체와 협력한 AI 사용 사례에 대해 설명했다. 델타브라보는 2017년부터 약 90개 프로젝트를 진행하며 무엇이 가장 잘 작동하는지를 배우고 특히 소규모 제조업체를 대상으로 상당한 ROI(투자수익률)를 산출하고 있다. AI 프로젝트는 장비 가동 시간을 개선하고 품질과 처리량을 높였으며 폐기물을 줄였다. 다음은 성공적인 AI 구현, 잠재적인 함정 및 모범 사례를 파악하고 몇 가지 전문 팁을 공유했다.
AI와 머신러닝
사람들은 종종 AI와 머신러닝이라는 용어를 같은 의미로 사용하지만, 그것들은 매우 다르다. 머신러닝은 서로 다른 소스의 데이터를 한데 모아 데이터가 어떻게 작동하는지, 왜, 그리고 어떤 데이터가 다른 데이터와 상관 관계가 있는지에 대해 이해하는 데 도움을 준다
데이터에 있는 역사적 증거를 가지고 다양한 선택 사이의 확률과 과거에 어떤 선택이 분명히 더 잘 먹혔는지 알려줌으로써 특정 문제를 해결하는 데 도움이 된다. 이 모든 것의 관련성, 특정 결과의 확률 및 이러한 결과의 미래 가능성을 알려준다.
AI는 기계 학습이 제공하는 권장 사항에 대해 조치를 취하는 것이다. 뜨거운 스토브에 비유를 하자면, 뜨거운 스토브 쪽으로 손을 갖다 대면 뇌가 과거의 경험과 손가락의 얼얼함으로부터 일어날 수 있는 일과 해야 할 일을 알려준다. 이것이 바로 기계 학습과 같은 이치다. AI는 화상을 입기 전에 손을 뒤로 당기게 하는 기술력이다.
AI를 채택하는 이유
제조 환경에서 AI를 사용하는 것은 인간이 할 수 있는 것보다 더 빠르고 정확하게 실행 가능한 결정을 내리기 위해 데이터를 사용하는 것을 의미한다. 예측과 이상 징후 또는 이상 징후를 이해하기 위한 두 가지 특정 영역이 있다.
제조과정에는 예측이 가치를 창출할 수 있는 부분이 있다. 데이터를 둘러싼 의사결정과 프로세스에 대한 과거 데이터와 컨텍스트가 충분하다면 예측을 개발할 수 있는 가능성이 높다.
왜 같은 기계에서 같은 입력이 때때로 다른 결과를 가져오는가? 가끔 이해하고 싶은 제조 시나리오가 있는건가? 한 대의 기계에서 나오는 데이터는 인간 분석가가 대응하기 힘들 수 있으므로 AI가 도울 수 있는 부분이다. 또한, 제조 시스템은 전체론적이며 공정의 일부에서 하나의 측정 기준은 동일한 공정의 다른 부분과 관련이 있다. 한 영역만 보고 있다면 다른 영역에서는 무슨 일이 일어나고 있는지 어떻게 알 수 있을까? AI가 해결책이 될 수 있다.
AI가 재정적 영향을 미치는 영역
예측이 가능한 정비: 유지보수 로그에서 과거 기록 데이터를 가져오면 과거의 문제를 해결한 사항을 토대로 향후 페이로드(payroad) 시 기계가 어떻게 동작할지, 수정해야 하는지, 수정 시기, 이유 및 방법을 예측할 수 있다. 이를 통해 다운타임을 크게 줄일 수 있다.
예측이 가능한 품질: 고장을 예측하고 줄이면 상당한 비용 절감 효과를 얻을 수 있다.
스크랩 감소: 메트릭스를 사용하여 제품 사양 전반의 동작을 예측하면 스크랩을 최소화하고 제품 품질을 극대화할 수 있다.
생산량/처리량 증가: 기계 또는 프로세스가 더 이상 지정된 사양을 충족하지 못할지 여부와 시기를 예측하면 사전에 사양으로 돌아가 품질 통과를 줄이는 데 필요한 작업을 수행할 수 있다.
생산량/처리량 증가: 기계나 프로세스가 지정된 규격을 더 이상 충족하지 못할지 여부와 시기를 예측하면 사전에 기계나 프로세스를 사양으로 되돌리는 데 필요한 작업을 사전에 수행하여 품질 통과를 줄일 수 있다.
수요 및 재고 예측: 플랜트 운영 및 생산 이면의 데이터를 완벽하게 이해하면 중요한 부품의 수요와 이동을 예측할 수 있어 상당한 재고 절감 효과를 얻을 수 있다.
모범 사례 및 잠재적인 함정
제조업에 AI 솔루션을 도입하는 것과 투자가 정당한지에 대해서는 회의적인 시각이 많다. 성공적인 AI 구현은 문제(problem), 페르소나(persona), 프로세스(process) 라는 세 가지 P로 귀결됩니다.
인공지능이 풀기에 적합한 문제를 신중하게 정의해야 한다. 리더십, 운영, IT/기술, 디지털 전환 및 재무 담당자를 포함한 적절한 인력이 필요하다. 이들은 각각 AI를 성공적으로 채택하는 데 핵심적인 역할을 한다. 그리고 프로세스 – AI의 문제를 해결하는 올바른 방법을 식별하는 접근 방식이 필요하다. 문제를 해결할 데이터가 존재하는지 이해해야 한다.
새로운 기술이 출시되면, 하나의 생산 라인에서 AI를 시범 운영하는 것과 같은 파일럿으로 시작하는 것이 합리적이다. 반복을 생성하고 발생하는 모든 문제를 해결한 다음 파일럿을 다른 시스템이나 다른 라인으로 확장할 수 있다. 기술을 점진적으로 확장하면 매우 비용 효율적일 수 있기 때문에, 소규모 제조업체의 경우 큰 비용이 발생하지 않는다. 집을 지을 때처럼 ROI에 초점을 맞추는 것을 생각하는 것 이 필요하다. ROI는 지하실을 판다고 나오는 게 아니다. ROI는 그 기반 위에 구축하는 모든 것에서 나온다. AI를 구현할 수 있는 기반을 구축하여 즉각적인 수익을 기대할 수는 없다.
기업이 AI를 구현할 준비가 되었는지 어떻게 알 수 있나? 다리가 3개 달린 의자라고 생각하면 된다. 이 세개의 다리가 모두 갖춰져 있지 않으면 성공할 수 없다.
상부에서 주도권: 데이터를 사용하여 비즈니스를 개선하려는 기업의 주도권과 상부에서 데이터를 활용해 비즈니스를 더 좋게 만들려는 최우선 순위가 없으면 효과가 없을것이다.
데이터 수집에 투자: 회사에서 사람들이 데이터를 저장하고 관심을 갖는 일관된 방식으로 데이터를 수집하는 데 투자하지 않으면 효과가 없을 것이다.
고통을 찾고 이득을 찾아라: 계획되지 않은 다운타임, 폐기 또는 처리량과 같은 특정 문제의 구체적인 재정적 영향을 정량화할 수 있나? 그렇지 않으면, 작동하지 않을 것이다.
전문가 팁
마지막으로 델타브라보가 경험을 통해 배운 AI를 성공적으로 구현하기 위한 고난도 프로 팁 몇 가지를 소개한다.
우수 센터 지정: 여러군데 있는 중소 제조업체는 AI 파일럿을 위한 우수 센터를 하나 선택해야 된다. 단일 라인으로 단일 사이트에 AI를 배포한 다음 더 많은 사이트로 확장하기 전에 2-3 라인으로 확장한다. 다음 실행리드 이름을 지정한다. 공급업체와 소통하고 이러한 노력을 통해 업무를 수행하는 담당자를 한 명씩 지정한다.
단위 경제성 파악: AI 구축 시 최소한의 유지보수를 통해 CPU와 메모리, 디스크 등을 결합해 가상 장비를 제공하는 컴퓨팅 자원에 쉽게 접근할 수 있어 모두가 클라우드를 이야기한다. 클라우드 공급자가 알려주지 않는 것은 그들이 돈을 버는 방식이다. 그들은 데이터를 매우 저렴하게 저장하지만 컴퓨팅 리소스를 사용하기 시작하면 훨씬 더 비싸진다. 다양한 클라우드 제공업체 또는 스토리지 솔루션 중에서 가장 비용 효율적인 방식으로 확장할 수 있는 기능이 필요하다.
기술적 록인에 경계: 단일 클라우드 공급자에 모든 데이터를 저장하는 경우, 마이그레이션하기가 번거롭고 비용이 많이 든다. 빅테크는 들어가기는 쉽지만 빠져나오기는 어렵다는 사실을 명심해야 할 것이다. 특정 공급자에 올인하지 말아야 한다..
모든 사이즈가 다 맞는 것은 아니다: 사전 구축된 예측 유지 보수 솔루션을 약속하는 공급업체가 있으며, 고객은 데이터를 연결하기만 하면 된다. 그러나 믿을 수 없다. 필요한 솔루션은 프로세스를 이해하고 우선순위에 따라 조정하는 것을 기반으로 한다. 미리 제작된 모델은 묘책이 아니다. 당신은 결국 돈을 더 쓰고 다시 돌아가게 될 것이다.
진행을 위한 큰 기회: 화려한 머신러닝 모델을 구상하고 사용법을 알아내는 것 말고도 훨씬 더 많은 것들이 있다. 이 기능을 통해 운영 담당자뿐만 아니라 조직의 모든 사람이 더 똑똑해질 수 있다. 예를 들어 머신러닝은 스프레드시트 프로세스를 자동화하여 매일 새로 고쳐지는 분석 화면에서 데이터를 시각화하고 언제든지 확인할 수 있다.
미래의 경쟁력을 갖추기 위해서는 중소제조업체는 첨단제조기술 분야에 역량을 집중하는 것이 시급하다. 고부가가치나 비용 효율을 높일 수 있는 AI 솔루션을 도입하는것은 생각보다 어렵지 않게 접근할 수 있다.
저작권자 © Korea IT Times 무단전재 및 재배포 금지
산업별 AI혁신 사례 살펴보기(1)
본 포스팅은 elice의 2021 NIPA AI 온라인 교육을 듣고 개인 공부를 위해 정리한 것입니다.
1. 제조/IoT 산업 내 AI 혁신과 스마트팩토리
제조 분야에서의 인공지능
1) 스마트팩토리
제조 생산을 위한 데이터의 수직적 통합 및 네트워크화된 제조 시스템을 갖춘 공장
제조 공정 및 운영 데이터와 통합
2) 산업 자동화
ICT와 기계 기술 등을 활용하여 정해진 툴에 의해 자동 운전 이 가능
이 가능 제조 공정 자동화를 통한 인건비 및 운영비 절약
스마트팩토리
오작동 모니터링 (설비 혁신)
기계 설비의 오작동율은 환경(제조율, 습기, 온도 등)에 따라 다르다.
따라서 특정 센서 1~2개만으로 오작동을 예측하기에는 정확도에 한계가 따른다.
👉 다양한 데이터에 기반한 AI를 사용하여 한계를 극복, 오작동 시점을 예측할 수 있다! 제품 성능 모의 실험 (품질 혁신)
Digital twin이라고도 한다.
실제 공장을 만들어 제품 생산을 테스트하는 데에는 막대한 시간과 비용이 소모된다.
데이터에 기반한 가상의 공장에서 모의 실험을 진행하여 제품 개발, 제품 개선, 유지 보수 등을 진행할 수 있다. 🎈 지멘스의 전사 통합 자동화 플랫폼 TIA
지멘스는 독일의 유럽 최대 엔지니어링 회사로 제품 설계 – 생산 계획 – 생산 엔지니어링 – 생산 – 서비스 에 이르는 제조 과정을 통합한 TIA(Totally Integrated Automation, 전사 통합 자동화)로 digital twin을 실현하였다.
지멘스는 지난 20여년간 생산량을 13배 증가시켰으며, 인력은 그대로 유지하면서 제품 불량률을 0.000 9 % 수준으로 떨어뜨렸다. 데이터 기반 의사결정 최적화 (운영 혁신)
스마트팩토리 내에서 창출되는 빅데이터 분석을 통하여 의사 결정을 최적화할 수 있다.
데이터 기반의 최적 운영 스케쥴링 등을 통해 전력 사용량 절감 등의 활용이 가능하다.
공정 자동화
공정 효율 증대
AI 기술을 활용하여 기존에 사람이 발견하지 못했던 비효율 등의 발견이 가능하다.
데이터 분석을 통해 병목 및 개선이 필요한 지점을 찾아 공정을 최적화시킬 수 있다.
👉 분석에 기반하여 이를 최적화할 수 있는 인공지능 솔루션을 적용할 수 있다. 재고 관리 및 물류 자동화
데이터화 된 물류 자원을 공유하여 수요 및 공급을 예측하는 기술을 말한다.
사람의 도움 없이 하차, 검수, 적재, 분류, 상차에 대한 물류 전 과정을 자동화할 수 있다.
👉 기업의 수익성 개선에 큰 영향
인공지능 적용을 위해 필요한 점
해당 도메인에서의 확실한 목표 확립 ← 우리 회사에 맞게! 데이터 분석 전문가와의 지속적인 커뮤니케이션
↑ 데이터 분석 전문가를 통해 얻어낸 Insight를 산업에 전개하는 것은 관리자와 경영진의 몫! 인공지능에 필요한 데이터를 확보할 수 있는 환경 조성
↑ 데이터가 없는 데이터 분석과 인공지능도 존재하지 않는다. 데이터 수집은 매우 중요!
실습✍ 데이터 확인하고 머신러닝 모델 학습하기
복잡한 현대 반도체 제조 공정은 일반적으로 센서 및 공정 측정 지점에서 수집된 신호 혹은 변수 모니터링을 통해 일관된 감시를 받는다.
그러나 이러한 모든 신호가 특정 모니터링 시스템에서 똑같이 가치가 있는 것은 아니다! 측정된 신호에는 유용한 정보, 관련 없는 정보 및 노이즈의 조합이 포함된다.
제조 과정에서 나올 수 있는 공정 이상을 머신러닝을 사용하여 예측해보자
실습 데이터
반도체를 제조하는 공정에서 590개의 센서가 시간 별로 기록한 데이터 샘플 1,567개
데이터 테이블은 592개의 column(1개의 시간 데이터, 590개의 센서, 1개의 테스트 통과 결과)과 1,567개의 row(행)로 구성되어 있다.
Pass/Fail 칼럼은 타임 스탬프 별로 간단한 통과 실패율을 나타내며 여기서 –1은 통과(정상)에 해당하고 1은 실패(이상)에 해당한다.
위 데이터를 기반으로 머신러닝 학습을 수행, 불량 반도체가 제조될 수 있는 공정 이상 유무를 예측해보자.
실습 코드
ma.preprocess() 를 사용하여 데이터를 읽고 처리하는 과정을 수행해보세요. ma.train(x_train_us, y_train_us) 를 사용하여 학습을 수행시켜보세요.
import machine as ma def main ( ) : “”” 지시사항 1번. 데이터를 읽고 처리하는 코드를 작성해보세요. “”” x_train_us , x_test_us , y_train_us , y_test_us = ma . preprocess ( ) “”” 지시사항 2번. 학습을 수행시켜보세요. “”” model = ma . train ( x_train_us , y_train_us ) if __name__ == “__main__” : main ( )
실습✍ 학습 모델 평가하기
재현율(recall score) : 모델이 실제 예측할 값을 얼마나 정확히 예측(재현)했는지를 설명하는 지표로 재현율을 확인하는 것은 모델이 얼마나 정확히 값을 예측하는지를 평가하는 것이다. 높은 재현율은 높은 신뢰도를 수반한다.
d e f e c t p defect_p defectp=정확히 예측한 불량품 수량
d e f e c t r defect_r defectr=실제 불량품 수량
r e c a l l s c o r e = d e f e c t p d e f e c t r recall\,score = \frac{defect_p}{defect_r} recallscore=defectrdefectp
특성 중요도(feature importance) : 인공지능 모델이 기계의 이상 작동을 감지하는 데에 어떤 센서가 가장 중요했는지를 나타낸다.
예측 정확도 결과를 출력
실습 코드 : ma.evaluation()
import machine as ma def main ( ) : “”” 지시사항 1번. 예측 정확도 결과를 출력해보세요. “”” ma . evaluation ( ) if __name__ == “__main__” : main ( )
👉 103번과 163번 센서가 공정 이상을 탐지하는데 가장 중요한 것을 알 수 있다.
실습✍ 공정 이상 예측하기
이전 실습의 학습 결과를 통하여 103번 센서의 관측 값이 중요하다는 것을 알았다.
103번 센서의 값을 조절 했을 때 공정 이상이 발생할 지를 학습된 인공지능 모델을 사용하여 예측하여 보자!
103번 센서의 관측치 값 분포도
실습 코드
None을 지우고 103 번 센서의 관측치 값을 직접 입력하고자 합니다. value_103_sensor에 정상 범위의 값-0.02이상 0이하를 입력하세요.
import machine as ma def main ( ) : “”” 지시사항 1번. 103번 센서값인 아래의 value_103_sensor 값을 바꾸어보세요. “”” value_103_sensor = – 0.01 ma . predict ( value_103_sensor ) if __name__ == “__main__” : main ( )
👉 공정 이상이 발생하지 않을 것으로 예측되었다.
만약 이상치를 넣는다면 어떻게 될까? 1.5 입력
import machine as ma def main ( ) : “”” 지시사항 1번. 103번 센서값인 아래의 value_103_sensor 값을 바꾸어보세요. “”” value_103_sensor = 1.5 ma . predict ( value_103_sensor ) if __name__ == “__main__” : main ( )
👉 공정 이상이 발생할 것으로 예측되었다.
이렇듯 이상 탐지 알고리즘을 제조 현장에서 활용하면 센서 데이터로부터 실제 어떤 공정 이상이 발생할 지 미리 예측하고 파악할 수 있기 때문에 관리자는 적절한 조치를 취해 최악의 손실이 일어나는 것을 방지할 수 있다.
수강 후 느낀 점
제조업 10의 2020 개 이상의 AI 사용 사례 / 애플리케이션
인공 지능 (AI), 기계 학습 (ML) 및 예측 분석과 같은 스마트 팩토리 디지털 기술은 제조업체가 생산성을 높일 수 있도록합니다. 또한 스마트 기술은 직원이 스마트 한 작업을 수행 할 수 있도록합니다.
Tractica의 연구 보고서에 따르면, 제조 회사는 현재 환경에 적당한 속도로 꾸준히 AI 기술을 도입하고 있습니다. Market Intelligence에 따르면 AI 서비스, 하드웨어 및 소프트웨어 서비스에 대한 전 세계 연간 제조 산업 투자는 2.9 년 2018 억 달러에서 13.2 년까지 2025 억 달러로 증가 할 것으로 예상됩니다. 제조 부문에서 AI 사용을 늘리면 생산 프로세스 비용이 절감되고 운영 효율성이 향상됩니다.
반면, 제조 시장의 인공 지능은 1.0 년 2018 억 달러에서 17.2 년까지 2025 억 달러로 예상 기간 동안 49.5 %의 복합 연 성장률 (CAGR)로 발전 할 것으로 예상됩니다. 빅 데이터 기술의 거대한 접근성과 벤처 캐피탈 투자의 성장은이 산업 시장에서 AI 개발을 촉진하는 주요 요인입니다.
이 블로그에서 우리는 제조에서 인공 지능의 가장 좋은 사용 사례 몇 가지를 포착했습니다. 아래 세션을 살펴 보자.
제조업 분야의 10 대 AI 사례
# 1 품질 점검
제조 장비의 일부 내부 결함은 눈으로 쉽게 찾을 수 없습니다. 경험이 풍부한 전문가조차도 제품의 결함을 감지 할 수 없었습니다. 인공 지능 및 기계 학습 기술 덕분입니다. 기계에서 가장 작은 결함을 감지 할 수 있습니다.
스마트 알고리즘은 지능형 알고리즘을 사용하여 기계의 생산성을 지속적으로 모니터링하고 오류가있는 경우 오류를 발견합니다. AI 기반 검사 도구는 완전 자동화 된 결함 탐지 프로세스를 제공합니다. 제조 분야의 지능형 장치 결함 탐지 도구는 장비 성능과 품질을 모니터링합니다. 미세 결함은 제조 과정에서 AI 도구를 사용하여 식별됩니다.
따라서 AI 지원 시스템은 제품 결함을 식별하고 모두 표시하며 인간 전문가에게 경고를 보냅니다.
# 2 장비 고장 예측
제조업체는 여러 가지 방법으로 기계 / 제품 고장으로 어려움을 겪고 있습니다. 제품은 외부에서 완벽 해 보일 수 있지만 일단 사용하면 손상 될 수 있습니다. 그렇습니다. 기계에 발생하며 제조업체에게 큰 손실을 가져옵니다.
인공 지능 기반 도구 및 기계는 제품의 테스트 방법 및 기능에 대한 방대한 데이터를 사용하여 효율적으로 테스트해야하는 특정 영역을 식별합니다.
# 3 장비 예측 유지 보수
장치의 예측 유지 관리를 통해 제조업체는 장치 손상 오버 헤드를 피할 수 있습니다. ML 사용강화 된 예측 분석 솔루션기계 유지 보수 서비스가 필요한시기를 예측할 수 있습니다. 머신 러닝은 예기치 않은 다운 타임을 예방할 수있는 가장 뛰어난 기술 중 하나입니다.
분석 솔루션, 클라우드 및 사물 인터넷 (IoT) 센서뿐만 아니라 제조 산업 현대화에 중요한 역할을합니다. 유지 보수를 더 잘 예측하기 위해 기계에 내장되어 향후 발생할 장비 문제를 극복합니다.
많은 제조 회사가 인공 지능의 이점을 활용하고 있습니다. LG, 롤랜드 부시, 지멘스 등
USM의 AI 지원 제조 솔루션은 제조 공정 전반에 걸쳐 자동화를 제공합니다. 제조를위한 AI 서비스 및 응용 프로그램은 스마트 제조 작업을 달성하는 데 도움이됩니다.
기술팀은 고객 요청의 깊이를 이해합니다. 우리는 제조 산업의 시스템과 프로세스를 개선하기 위해 AI 기반 모빌리티 솔루션을 제공했습니다. AI 솔루션은 고객이 장비의 내부 상태를 제공하는 데 도움이되었습니다.
# 4 디지털 쌍둥이
AI는 인프라, 제품 또는 서비스를 완전히 가상화하는 데 도움이됩니다. 제조 장치의 가상 표현 프로세스를 디지털 트윈이라고합니다. 센서 및 카메라와 같은 데이터 수집 도구를 사용하여 제조 환경의 물리적 표현이 완전히 가상화됩니다.
디지털 트윈이 제대로 작동하려면 장비의 데이터를 수집하는 센서와 같은 모든 스마트 구성 요소를 통합해야합니다. 클라우드 연결을 사용하면 스마트 구성 요소에서 생성 된 데이터가 수집, 저장 및 처리됩니다. AI 기반 시스템에는 방대한 양의 데이터가 필요하므로 Ai 시스템은 클라우드에서 데이터를 검색하여 회사에서 사용할 수 있습니다.
# 5 공급망 관리
공급망 관리에 인공 지능의 사용이 급격히 증가하고 있습니다. 이 기술은 공급망 관리 작업에서 추진력을 얻고 있습니다. 머신 러닝, 자연어 처리, 컴퓨터 비전, 로봇 및 음성 인식은 공급망 관리 작업을 더욱 스마트하게 만듭니다.
AI에는 공급망 관리에 여러 응용 프로그램이 있습니다. 그들은 다음을 포함합니다 :
• 부서 간 강력한 커뮤니케이션 채널 구축
제조 산업을위한 USM의 공급망 관리 솔루션은 단일 플랫폼에서 기업의 다양한 관리 스트림을 제공합니다. 따라서 팀 간의 최상의 커뮤니케이션 채널은 전반적인 비즈니스 성과를 향상시키는 데 도움이됩니다.
• 창고 관리 및 물류
인공 지능 도구 및 앱은 창고 관리 및 물류 운영을 최적화 할 수 있습니다. 제품 저장에서 배송 및 수신에 이르기까지 AI를 사용하여 모든 것을 분석 할 수 있으며 AI 지원 장치 및 도구는 차량 운영을 효율적으로 관리 및 추적 할 수 있습니다.
• 물류 용 자율 주행 차 개발
제조 분야의 인공 지능은 자율 주행 차량의 형태로 다음 단계로 나아가고 있습니다. 유통 센터를보다 효율적으로 관리하기 위해 제조 회사는 물류 운영을 자동화하기 위해 AI 기반 자율 주행 차량에 투자하고 있습니다.
따라서 인공 지능 로봇 및 도구와 함께 자율 주행 차량은 인간 운전자에 대한 의존성을 줄입니다. 인공 지능 기술 덕분입니다.
물류 운영을위한 USM AI Mobility 솔루션 대단합니다. 인공 지능 솔루션이 제공하는 기능을 살펴보면 다음과 같습니다.
# 6 예측 제품 수요
예측 분석을 사용하는 인공 지능 시스템은 제품 수요를 효율적으로 예측할 수 있습니다. 제조를위한 AI 툴은 다양한 소스에서 데이터를 수집하고이를 바탕으로 제품 수요를 정확하게 예측할 수 있습니다.
# 7 재고 관리
제조 분야의 인공 지능 앱을 사용하면 주문 기록을 관리하고 새로운 재고를 삭제 / 추가 할 수 있습니다. 여기서는 머신 러닝 기술에 대해 이야기해야합니다. 공급, 수요 및 재고 관리에 사용되는 가장 중요한 기술 중 하나였습니다.
# 8 가격 예측
머신 러닝 알고리즘은 제품 가격의 과거 데이터를 사용하고 다양한 경쟁사 제품 가격의 가격 구조를 분석하여 제품 가격을 예측할 수 있습니다. 경쟁력있는 가격은 항상 회사에 더 많은 이익을 제공합니다.
# 9 제조 분야의 로봇 공학
우리는 제조 공정에서 로봇의 사용을 잘 알고 있습니다. 기계가 인간보다 더 효율적으로 수행 할 수 있다는 사실입니다. 물론, 그들은 인력의 지원이 필요합니다. 그러나 어떤 식 으로든 기계는 인간이 작업을 수행하는 것보다 훨씬 빠릅니다. 제조를위한 AI 기반 로봇은 프로그래밍없이 반복적 인 작업을 수행합니다. 이는 제조업체를위한 최고의 AI 및 ML 응용 프로그램 중 하나입니다.
# 10 고객 관리
제조 고객을위한 AI 응용 프로그램은 고객을 현명하게 관리하여 영업, 생산성 및 비즈니스 성과를 높이는 데 도움이됩니다. 예, 제조에 스마트 AI 앱을 사용하면 서비스 제공 업체가 고객 문제를 신속하게 이해하고 해결하고 경험을 개인화 할 수 있습니다.
고객 서비스에서 AI 서비스 및 솔루션의 이점을 살펴 보겠습니다.
빠른 응답 시간
개인화 된 경험
CRM (고객 관계 관리) 도구를 사용하여 관계 개선
고객 데이터를 사용하여 정보에 입각 한 의사 결정
인공 지능은 제조의 미래인가?
100 % 그렇습니다. 인공 지능은 제조 산업의 미래가 될 것입니다. 제조뿐만 아니라 모든 산업 분야의 게임 체인저입니다. AI 기술은 이제 모든 비즈니스에보다 쉽게 접근 할 수 있습니다.
제품 수요 증가에 따라 AI, ML 등과 같은 새로운 기술을 채택하기 위해 제조 산업은 항상 개방 될 것입니다. 프로세스 최적화, 저렴한 오버 헤드, 높은 생산성, 신속한 의사 결정 및 개선 된 고객 서비스, 조작.
제조 산업을위한 USM의 AI 서비스 및 솔루션에 대한 자세한 정보를 얻으십시오. 제조 분야의 AI 솔루션이 비즈니스에 도움이 될 수 있는지 살펴 보겠습니다.
출처 : https://www.usmsystems.com/ai-in-manufacturing-use-cases/
제조 혁신의 상징, 스마트팩토리
스마트팩토리, 생산성 향상 위한 데이터 제공
AI 기술 활용 없으면 단순 자동화에 그칠 뿐
특정 사례 대응하는 AI 솔루션 및 인재 필요
▲ 스마트팩토리 확산은 제조업 성장으로 이어진다 [사진=픽사베이]
▲ 포스코는 국내 유일의 등대공장이다 [사진=포스코]
▲ 이통3사는 5G 보급을 목적으로 스마트팩토리 사업에
뛰어들고 있다 [그림=KT]
제조업은 국내 경제의 핵심이다. 우리나라는 미국, 중국, 독일, 일본과 함께 세계 5대 제조 국가로, 이들 중 제조업이 전체 산업에서 차지하는 비중이 2017년 기준 30.4%로 가장 높다. 기관과 기업의 관심이 스마트팩토리로 쏠리는 이유다.스마트팩토리의 성공적인 보급은 국내 제조업 역량, 국가 경쟁력 향상의 발판이 될 수 있다. 정부는 스마트팩토리를 기획과 설계, 생산, 유통과 판매에 이르는 제조과정 전부나 일부 과정에 IoT, AI, 빅데이터 같은 정보통신기술(ICT)을 적용해 기업의 생산성과 제품의 품질 등을 높이는 지능형 공장으로 정의한다.제조업의 자동화는 현재도 꾸준히 이뤄지고 있다. 자동화는 제조과정에서 사람의 개입을 최대한 줄이고 기계의 역할을 늘리는 것이다. 결과적으로는 무인 공장을 지향한다. 흔히 스마트팩토리는 자동화와 다르다고 한다. ICT 기반의 공장이 스스로 고객 맞춤형 제품을 기획하고 생산한다는 것인데, 실현 가능한 것일까?구매 결정자가 인간이므로 제품의 기획과 설계는 인간 고유의 영역이다. 스마트팩토리는 인간이 고객 맞춤형 제품을 만들 수 있도록 제조, 물류, 판매 과정에서 축적되는 데이터를 가공해서 제공하는, 앞서 설명한 정의보다 제한적인 역할을 할 수밖에 없다. 이조차도 자동화보다는 훨씬 나아간 단계이며, 달성하기 어렵다.제조과정 데이터는 센서가 수집한다. 시중엔 다양한 종류가 센서가 있지만, 빛, 힘, 소리, 전기, 온습도 등 물리적 상태를 포착하는 형태가 많다. 이들은 인터넷에 연결되어 공장 설비의 운영 데이터 수집과 이상 징후 파악 역할에는 탁월하나, 제품 관련 데이터를 얻으려면 객체의 상태를 인식하는 AI 시스템이 필요하다.이미지 센서 등과 결합한 AI 시스템은 생산 중인 신품을 양품의 데이터와 비교하여 품질을 검증한다. 이뿐만 아니라 AI 기술은 제조 전 과정에서 활용할 수 있다.산업통상자원부는 스마트팩토리 수준을 기초, 중간 1, 중간 2, 고도화의 4단계로 나눴다. 기초 단계의 스마트팩토리는 생산정보 디지털화 및 제품 생산 이력 관리 등이 가능한데, AI 기술이 활용되지 않는다. 생산정보 실시간 수집과 분석이 가능한 중간 1단계, 시스템을 통한 생산공정 제어가 가능한 중간 2단계, 제조 全 과정 통합과 맞춤형 제품 생산이 가능한 고도화 단계는 AI 기술이 필수적이다.중소벤처기업부 등 정부 9개 부처는 2018년, 2022년까지 중소기업에 스마트팩토리 3만 개를 보급하고 운영 인력도 10만 명으로 늘릴 것이라 밝혔다. 정보통신산업진흥원(NIPA)에 따르면, 2019년 기준으로 고도화 단계에 도달한 공장은 없었고, 기초 단계의 공장 비중은 76.4%에 달했다. 단순 자동화에 그친 것이다. 2021년 1월 기준으로 보급 사업에 따른 전국의 스마트팩토리 숫자는 19,799개다.대기업 사정도 다르지 않다. 2019년부터 맥킨지와 세계경제포럼(WEF)은 4차 산업혁명 기술을 활용한 제조 공장을 ‘등대공장’이란 이름으로 선정하고 있다. 현재 전 세계에는 69곳의 등대공장이 있으며, 국내에는 포스코 한 곳뿐이다. 중기부는 이를 벤치마킹해 ‘K-스마트등대공장’ 사업을 시작해 10곳을 선정했으나, 성과를 평가하는 WEF와 달리 계획을 평가하여 중복 지원 사업이란 비판을 받았다.스마트팩토리 도입이 어려운 이유는 AI 솔루션과 전문가가 부족하기 때문이다.산업연구원은 지난 4월, 283개 사를 대상으로 하는 ‘기업의 AI 활용 실태조사’를 발표했다. 이들 중 53%는 AI 도입 및 활용의 애로사항으로 ‘적합한 기술을 보유한 인력 고용의 어려움’을 꼽았다. 32.2%는 자금 문제, 25.1%는 인프라 문제, 16.6%는 기존 직원 훈련 문제를 이유로 들었다. 통계청에 따르면, 2019년 기준으로 국내 13,255개 기업 중 AI 기술을 사업에 도입한 곳은 409개에 그쳤다.AI 솔루션과 전문가가 확보돼도 실제 현장에 적용하기도 쉽지 않다. 각 기업은 저마다 사업 분야와 방식이 다르므로, 어디에 AI 솔루션을 활용해야 효과가 날지를 파악해야 한다. 제조업만 하더라도 전자, 철강, 식품, 조립 등으로 업종이 나뉘며, R&D, 자재 관리, 제작, 판매, 서비스 등의 공정을 각자의 방식으로 운영 중이다.스마트팩토리 연계를 위한 데이터 표준화와 프로토콜 동일화는 중심을 잡아줄 기관이 있으면 된다지만, 각 스마트팩토리 운영은 언제까지나 특화될 수밖에 없다. 특화된 공장에는 특화된 AI 모델이 적용돼야 하는데, AI 전문성이 없는 현장 전문가와 현장 전문성이 없는 AI 전문가는 특화된 AI 모델을 만들기는 어렵다.인력과 자금 부족은 기업들의 AI 도입에 큰 걸림돌이며, 두 조건이 충족돼도 자사에 특화된 AI 모델 개발은 여전히 어렵다. AI 기술 기업과의 협업이나 그들의 솔루션을 사용하는 것으로 이러한 어려움을 어느 정도 해소할 수 있다.5G 이동통신 기술의 응용처를 모색 중인 SK텔레콤, KT, LG유플러스 등 국내 이동통신 3사는 스마트팩토리를 그 대상으로 낙점하고 관련 사업을 전개하고 있다.SKT ‘메타트론 그랜드뷰’는 AI, 클라우드 기반 구독형 스마트팩토리 서비스다. 실시간 모니터링, 설비 이상 및 고장 알람, 3~6개월 데이터 축적 이후 설비 특화 AI 분석 모델링 등의 서비스를 지원한다. 동양, 성신콤프레샤 등이 사용 중이다.KT는 자사의 ‘팩토리메이커스’ 플랫폼과 한화 기계 부문의 협동 로봇 3종 제품을 연동한 신규상품을 3분기 중 출시할 계획이다. U+는 지난 7월, AI 전문 업체인 원프레딕트와 공장 설비의 고장과 장애를 미리 진단하고 점검하는 스마트팩토리 솔루션을 출시했다. 또한, 물류, 도시 관련 기술 업체들과도 MOU를 맺고 있다.이통3사는 향후 시장 확대 국면에서 영향력을 유지하고 시장 장악력을 높이기 위해 스마트팩토리 분야에서 제공할 수 있는 솔루션을 최대한 많이 확보하고 있다.매스웍스는 ‘매트랩(MATLAB)’과 ‘시뮬링크(Simulink)’ 같은 공학용 소프트웨어의 AI 기능을 신규 릴리스 발표 때마다 강화하여 AI 전문가가 아니더라도 AI 모델을 만들고, 훈련할 수 있도록 한다. 또한 사례에 맞게 개발한 모델의 C, C++, HDL, PLC, CUDA, 자바(Java), 파이썬(Python) 등의 코드 생성과 배포를 지원한다.슈나이더 일렉트릭은 지난 7월, ‘에코스트럭처 머신’ 플랫폼과 ‘에코스트럭처 머신 어드바이저’ 솔루션을 국내 시장에 공개했다. 이 ‘MS 애저’ 클라우드 기반 설비 디지털화 솔루션은 원격 장비 관리와 트랙킹, 데이터 분석 기능을 제공해 공장의 운영을 지능화한다. 국내 기업인 엔아이티코리아는 자사의 집진기를 판매할 때, 함께 제작한 해당 솔루션 기반의 관리 솔루션을 고객에게 제공하고 있다.LS 일렉트릭은 자사의 ‘테크스퀘어’ 스마트팩토리 플랫폼을 기반으로 제조 기업별 맞춤형 서비스를 공급하고 있으며, 대·중소기업·농어업협력재단과 대·중소 상생형 스마트팩토리 구축지원을 위한 상생협력 33억 원 출연 협약도 체결했다.자일링스는 AI 기반 사업을 전개하기로 한 기업이 최신 AI 기술을 쉽게 기존 장비에 적용할 수 있도록 도메인별 특화 아키텍처(Domain Specific Architecture; DSA)를 탑재한 FPGA 제품을 공급하고 있다. 또한, 이를 뒷받침하는 ‘텐서플로(TensorFlow)’, ‘파이토치(Pytorch)’ 같은 AI 프레임워크와 C++, 파이썬을 지원하는 ‘바이티스(Vitis™)’ 통합 소프트웨어 플랫폼도 제공한다.독일의 ‘인더스트리 4.0’, 미국의 ‘첨단제조 파트너십 2.0’, 일본의 ‘소사이어티 5.0’, 중국의 ‘중국 제조 2025’ 정책 등 제조 강국들의 제조업 혁신에 속도를 내고 있다. 팬데믹에 따른 비대면, 원격 제어 기조도 이를 가속했다.우리도 이에 뒤처져선 안 되나, 전 세계 69개 등대공장 중 단 한 곳만이 국내에 있다는 것이 현재 대한민국 제조업이 처한 현실이다.제조업은 자동화에서 자율화로 나아가고 있으며, AI 기술은 그 핵심이다. AI 인재 육성안과 그들을 위한 일자리, 그리고 제조업계의 다수를 차지하는 중소기업들이 편하게 사용할 수 있는 AI 제품과 솔루션, 그리고 서비스의 개발이 시급하다.
키워드에 대한 정보 제조 ai 사례
다음은 Bing에서 제조 ai 사례 주제에 대한 검색 결과입니다. 필요한 경우 더 읽을 수 있습니다.
이 기사는 인터넷의 다양한 출처에서 편집되었습니다. 이 기사가 유용했기를 바랍니다. 이 기사가 유용하다고 생각되면 공유하십시오. 매우 감사합니다!
사람들이 주제에 대해 자주 검색하는 키워드 [네이버클라우드] AI 기반 스마트 제조 기술과 사례 / 김용민 솔루션 아키텍트
- 제조
- 제조업
- 제조기업
- 제조솔루션
- 제조세미나
- 스마트팩토리
- 디지털트랜스포메이션
- DX
- DT
- digital transformation
- manufacturing
- 네이버클라우드
- 네이버 클라우드 플랫폼
- 클라우드
- 제조 클라우드
- 4차산업혁명
- 웨비나
- 스마트제조
- 인공지능
- AI
- AI 솔루션
YouTube에서 제조 ai 사례 주제의 다른 동영상 보기
주제에 대한 기사를 시청해 주셔서 감사합니다 [네이버클라우드] AI 기반 스마트 제조 기술과 사례 / 김용민 솔루션 아키텍트 | 제조 ai 사례, 이 기사가 유용하다고 생각되면 공유하십시오, 매우 감사합니다.