올해 산업계는 코로나19와 미ㆍ중 무역 갈등으로 어려움을 겪고 있다. 어려운 경제 상황 속에서도 산업계의 디지털 혁명은 대세다. 제조업에서 AI응용 시 어려움과 극복방안을 조현보 포스텍 산업경영공학과 교수와 정기욱 헝다 신에너지기술그룹 박사의 의견을 듣고 지면에 정리한다.

원인과 극복 방안 3가지 접근

①협업조직ㆍ분석조직 간 인센티브 설계

②AI모델 개발 과정에서의 인프라

③AI모델 과정에서의 인프라

AI추진체 편제 방안

가상형 CoE 네트워킹ㆍ협력 집중

연합형 CoE 과제 발의권 현업 유지

중앙 집중형 업무조정권 CDO 보유

AI 자원을 선별적으로

투여하기 위해서는

협조할 인센티브가

설계돼야 한다

AI 추진체를

어떻게 편제할

것인가가

중요한 결정사항이다

　파일럿의 연옥 (Pilot Purgatory)
 

　‘딥러닝 기반의 비전 검사 적용 → 품질검사 정확도 99.7% 달성!’ 제조기업에서 AI기술 응용을 통해 기대되는 예시적 효과이다. 이와 같이 AI 기술을 활용해 제조업의 난제들을 해결하는 다양한 성공 사례가 보고되고 있다. 다만, 사업적 기여가 가능한 수준으로 규모를 키우고 확산하는데 대부분의 제조기업이 어려움을 겪는다. 실제로 글로벌 컨설팅 기업 맥킨지는 70퍼센트 이상의 제조기업이 AI를 시범적으로 작은 범위에서만 운용하고 실제 양산에 적용하지 못하는 파일럿의 연옥에 빠져있음을 지적하고 있다.

　본 글에서는 제조기업이 AI응용 시 파일럿의 연옥에 빠지는 원인과 이에 대한 극복 방안을 공유하고자 한다. 또한 기업 성숙도에 따른 조직 내 AI 추진체의 편제 방안을 제시한다.

　AI응용 시 통상적인 고충 및 극복방안

　첫째, 현장 엔지니어와 데이터 분석가 간 상호 인센티브 설계다.

　특히 AI응용을 통한 업무 자동화는 현업 부서 입장에서 마냥 반길 수 있는 것이 아니다. 이에, 성공적인 AI 적용에 대한 이익과 책임 모두를 공유할 수 있는 추진체 및 절차가 필요하다. 제한적인 AI자원을 효과적으로 (선별적으로) 투여하기 위해서라도 문제 선정과 구체화 과정에서 현업이 적극적으로 협조할 만한 인센티브가 설계되어야 한다. 때때로, AI조직에게 과제 선정에 대해 지나친 권한을 부여한 일부 기업이 문제의 경중과 우선순위를 오판하는 사례를 필자도 직접 목격한 바 있다. 현업은 새로운 기술 기반으로 혁신에 도전할 수 있도록, 분석 조직은 이를 충실히 지원할 수 있도록 최고경영진이 추진체와 절차에 대해 깊이 고민 해야한다.

　둘째, AI모델 개발 과정 자체이다. AI모델이 개발되기 위해서는 당연히 양질의 데이터가 확보되어야 한다. 양질 데이터 확보를 위해서는 장비로부터 데이터를 취득하고 레이블링 하는 등 부수적인 업무가 수반된다. 통상 데이터 전처리로 표현되는 본 업무에 대해 현장 엔지니어와 데이터 분석가 간 명확한 역할 분담이 되어야 한다. 전처리로부터 분석 및 검증이 통일된 환경에서 수행될 수 있도록 인프라가 제공되어야 한다. 양질의 데이터가 지닌 가치는 매우 크다. 다만, 세상에 공짜 점심은 없다.

　셋째, AI모델 운영이다. 제조 현장에는 4M(Man, Machine, Material, Method)이 항상 변하고 있다. 장비 변동, 공정 개선, 규칙 변경, 재료 교체, 제품 변경 등 4M이 변하더라도 AI모델이 지속적으로 성능을 보장해야한다. 실제 AI모델이 파일럿 단계에서 성공하더라도 양산 적용 시 어려움을 가장 많이 겪는 부분이다. 양산 상황에서 완벽하게 운영되도록 모든 변수를 고려하여 AI모델을 개발할 수는 없다. 게다가 특정 인원 (분석 조직)만 AI모델을 만들 수 있기 때문에, 자주 다시 만드는 것은 쉽지 않다. 최근에는 AutoML (기계학습 등 데이터 분석 과정을 자동화 하는 것)등 이러한 어려움을 해결하기 위한 연구가 진행되고 있지만 실제 적용은 제한적이다. AI모델이 제조실행시스템 (MES) 등 기존 시스템과 연계가 자동화 되어 있지 않다면, 4M 변경 시 기존 모델의 업데이트에 많은 시간이 소요된다.

　또, 업데이트 된 모델을 수백 대 혹은 수 천 대에 달하는 설비에 재배포하는 것 또한 많은 기술적 절차적 어려움을 내포한다. 24시간 가동 중인 공장의 경우 생산의 중단 없이 모델 업그레이드 또한 가능해야 한다. 언급된 어려움의 극복 방안의 핵심에는 현업 부서의 AI모델 유지보수가 있다. 운영 단계로 돌입한 AI모델에 대해서 만큼은 분석 조직이 아닌 현업 부서가 모델 성능에 대한 지속적인 보고를 받고 자체적인 모델 업데이트를 할 수 있어야 한다. 즉, 개발 과정을 지원하기 위한 환경 (Development Infrastructure)의 구축뿐만 아니라 운영 과정 또한 이에 걸맞는 환경 (Operation Infrastructure)의 구축이 필요하다. 이를 통해 선 순환적이며 지속 가능한 AI모델의 운영이 가능하다.

　AI 추진체 편제 방안

　현업 조직과 밀접한 관계를 유지하면서도 첨단의 분석기술 내재화 및 전문성 배양이 필요한 AI 추진체를 기업 내 어떻게 편제 할 것인가가 또한 중요 결정 사항이다. 제조 뿐만 아니라 전 업무 영역 (영업, 구매, 연구개발, 생산, 인사 ) 등과 제한된 분석 자원을 공유할 것인지도 통상적인 고민이다. 기업의 성숙도 및 문화에 따라 고려 가능한 편제안은 아래와 같다.

　△가상형 CoE (Center of Excellence) : 수요에 따라 각 현업 부서에 분석 전문가를 분산 배치 하고 육성한다. 데이터의 소유 및 과제 발굴 권한은 현업 부서에 주고 CoE는 가상 조직으로 운영, 전문가 간 네트워킹 및 협력 촉진에 집중한다.

　△연합형 CoE : 각 현업 부서에 분석가를 육성 (초~중급), 고급 전문가 자원은 중앙 운영 (CoE) 현업과 CoE가 과제를 공동 수행하며 도메인 지식과 분석 방법론을 상호 보완하되, 과제 발의권은 현업 부서에 유지 시킨다.

　△중앙 집중형 (Chief Data Office) : 전사 분석 전문가를 전원 CDO 소속으로 운영함. CDO주도로 분석 과제 발굴 및 실행한다. 현업 부서의 데이터 소유권을 CDO가 보유하고, 분석결과에 따른 업무조정권도 CDO가 보유한다. CDO책임지는 분석결과에 대해 오직 CEO에게 직접 보고하고 평가 받는다.

　결론

　제조기업이 AI 응용 시 파일럿의 연옥에 빠지는 원인과 극복방안을 다음 세 가지로 정리하였다. 1) 현업 조직과 분석 조직 간 인센티브 설계 2) AI모델 개발 과정에서의 인프라 3) AI모델 운영 과정에서의 인프라. 추가로, AI가 기업의 성공적인 혁신동력으로 자리잡기 위한 3가지 편제안을 설명하였다. 각각의 편제안은 분석 인원의 배치뿐만 아니라 데이터 소유권, 과제화 기준 및 절차 그리고 성과의 배분 방안을 설명하고 있다. AI 기술 자체의 첨단성과 우수성도 분명 추구되어야 한다. 나아가 AI가 기업의 변화와 혁신 동력으로 자리잡기 위해서는 일하는 방식에 녹아 들어야 하며 이를 위해 필요한 제반 및 고려사항 들에 대한 초기적 경험을 공유하였다.

정리= 류한열 기자