[IT동아]
인류 역사에서 산업혁명은 어느 시대보다도 많은 발명품과 신제품을 탄생시켰다. 사람들은 베틀, 증기 엔진, 전기 또는 포드 모델 T(Ford Model T) 등이 개척한 대량 생산은 경외하지만, 이러한 놀라운 제품들의 영감이 된 메커니즘과 프로세스는 간과하곤 한다. 장비 유지보수, 품질보증 및 공급망 최적화와 같이 흔한 제조 관행에서 찾아볼 수 있는 소소한 혁신을 생각해보라. 이런 혁신은 100년 전이나 지금이나 산업과 제조 공정에 있어 매우 중요한 요소지만, 현재 글로벌 시장에서 요구되는 규모와 복잡성에 맞춰 성공적으로 수행하기란 결코 쉬운 일이 아니다. 데이터와 머신러닝의 융합 덕분에, 제조업의 오래된 관행은 이제 재창조될 준비가 됐다.
기업 환경에서는 매일 엄청난 양의 데이터가 생성되어 클라우드에 저장되고, 이러한 자산을 사용하여 거의 모든 프로세스를 재고하고 있다. 데이터로부터 좀더 많은 통찰력을 얻고 궁극적으로 정보에 입각한 의사결정을 더 빠르게 내리기 위해, 제조, 에너지, 광산, 운송, 농업 분야 기업들은 엔지니어링, 설계, 생산 및 자산 최적화, 공급망 관리, 예측, 품질관리, 스마트 제품 및 기계 등과 같은 워크로드 개선을 위한 새로운 기술을 활용하고 있다. 운영 효율성에서 품질관리 또는 그 이상에 이르기까지, 기업들이 머신러닝을 활용해 산업 프로세스를 재고하는 네 가지 주요 방법은 다음과 같다.
장비 예지 정비
오늘날 많은 산업/제조 업체가 직면한 흔하지만 중요한 과제는 장비의 지속적인 유지보수다. 이전부터 장비 유지보수는 대부분 대응적(기계 파손 후)이거나 예방적(기계 파손을 방지하기 위해 정기적으로 수행)이었기에 비용이 많이 들고 효율도 높지 않았다. 이런 경우 가장 좋은 솔루션인 예지 정비는 언제 장비에 유지보수가 필요할지 예측할 수 있게 도와준다. 다만 대부분의 기업은 자체 솔루션을 구축하는데 필요한 인력과 전문 지식이 부족하다.
사진 설명: Amazon Monitron은 비정상적인 장비 상태를 감지하기 위해 센서, 게이트웨이 및 머신러닝 서비스로 구성된 종단간 기계 모니터링 솔루션을 고객에게 제공합니다.
발전 장비, 솔루션 및 서비스 기업인 'GE파워(GE Power)' 등은 예지 정비 구현을 앞두고 있다. 센서와 머신러닝 등을 활용해 기계 진동이나 온도의 비정상적 변동을 감지해 통보하는 엔드투엔드 시스템이 등장한 것이다. 이 기술을 통해 GE파워는 자사 장비 등에 신속하게 센서를 설치하고 클라우드의 실시간 분석에 연결함으로써, 예지적, 처방적 유지보수 관행으로 전환할 수 있었다. 적용 규모가 확대되면서 GE파워는 이 시스템을 활용해 수많은 센서를 직접 접촉할 필요 없이 원격으로 업데이트하고 유지할 수 있게 됐다.
글로벌 조선소인 '삼성중공업'에서는 아마존 S3 기반의 데이터 레이크를 사용하여 스마트 선박에서 수집한 정보를 저장한다. 스마트 배송 시스템은 아마존 일래스틱 컴퓨트 클라우드(Amazon EC2), 아마존 관계형 데이터베이스 서비스(Amazon RDS), 아마존 S3, AWS 키 매니지먼트 서비스(KMS) 및 AWS 클라우드트레일(CloudTrail)을 포함한 AWS 서비스를 통해 육지에서 바다로 수집된 선박 관련 데이터를 통합한다.
또한 아마존 레드쉬프트(Amazon Redshift)를 사용하여 선주를 위한 애프터 마켓 고객 서비스를 개선하는 빅데이터 분석 선박 항법 시스템도 구축했다. 아마존 폴리(Amazon Polly) 및 아마존 렉스(Amazon Lex)를 포함한 AWS 머신러닝 서비스를 사용해 고객에게 선박 상태에 대한 실시간 알림을 제공하고, 아마존 수메리안(Amazon Sumerian)을 사용해 육상 기반 교육 및 시뮬레이션을 진행하기 위해 선박 조종석의 가상 복제본을 생성한다.
컴퓨터 비전으로 이상 감지
장비가 제대로 작동하는지 확인하는 것도 중요하지만, 그 장비가 생산하는 제품의 품질을 보장하는 것 역시 중요하다. 산업 공정의 육안 검사는 일반적으로 사람이 수행하는데, 그러다 보니 착오가 발생하거나 일관되지 않을 수 있다. 품질관리 개선을 위해 각 기업은 컴퓨터 비전으로 결함을 지속 식별하는 속도와 정확성을 향상시키려 하고 있다.
그동안, 여러 장벽으로 인해 머신러닝 기반의 시각적 이상 감지 시스템을 구축, 배포 및 관리할 수 없었는데, 이제 시간당 수천 개의 이미지를 처리하여 결함과 이상 징후를 포착한 다음, 기준과 다른 이미지를 보고하고 적절한 조치를 취하게 하는 저비용의 높은 정확도의 감지 솔루션을 활용할 수 있게 됐다.
스웨덴 가정용 식품 제조업체인 '다프가드(Dafgards)'는 초당 2개 씩 굽고 포장되어 생산되는 전자레인지용 피자인 '빌리스 팬 피자(Billy’s Pan Pizza)'에 컴퓨터 비전 기술을 적용했다. 이전에도 피자에 치즈가 적절히 뿌려졌는지를 확인하는 머신 비전 시스템을 설치했지만, 이는 여러 개의 토핑이 있는 피자의 결함은 감지하지 못했다. 이제는 컴퓨터 비전 기술을 활용한 새로운 머신러닝 서비스를 활용해 쉽고 비용 효율적으로 검사 성능을 확장할 수 있다. 이 시도는 성공적인 결과를 낳았고, 다프가드는 컴퓨터 비전 기술을 다른 종류의 피자와 햄버거, 키슈와 같은 제품 라인으로도 확대했다.
한국의 글로벌 타이어 전문기업인 '한국타이어앤테크놀로지'는 AWS를 활용하여 연구개발 성과를 가속화했다. 이 기업은 AWS 데이터베이스 마이그레이션 서비스(DMS), AWS 글루(Glue), AWS 다이렉트 커넥트(Direct Connect), 아마존 S3, 아마존 엘라스틱 맵리듀스(EMR), 아마존 레드쉬프트, 아마존 아테나(Amazon Athena) 및 아마존 세이지메이커(Amazon SageMaker) 등을 활용하여 각 머신러닝 단계 내 무거운 작업들을 제거하고 타이어 성능을 최적화한다. AWS Cloud를 통해서는 타이어의 연비, 제동력, 내구성을 결정하는 새로운 고무 화합물을 개발하는데 필요한 시간을 이전 온프레미스 환경 대비 50% 이상 단축할 수 있었다. 덕분에 연구원과 개발자는 화합물 설계와 같은 핵심 업무에 좀더 집중하게 됐다.
운영 효율성 향상
많은 산업/제조업체들도 효율성을 최적화하고 운영을 개선하려 컴퓨터 비전 기술 적용을 고려하고 있다. 요즘 기업들은 수동으로 산업 현장에서 비디오 피드를 검토해 시설에 대한 액세스를 인증하고, 출하 검사를 실시하며, 누출 또는 기타 위험한 상황을 감지한다. 그러나 이를 실시간으로 처리하는 건 어려울 뿐만 아니라 오류가 발생하기 쉽고 비용이 많이 든다.
기존 IP카메라를 컴퓨터 비전 모델이 포함된 스마트 카메라로 업그레이드하려는 기업들도 있지만, 비용이 많이 들어갈 뿐더러 스마트 카메라로도 짧은 대기 시간과 높은 정확도를 달성하는 게 어려울 수도 있다. 대신, 기존의 온프레미스 카메라에 컴퓨터 비전 기술을 추가할 수 있는 하드웨어 어플라이언스를 사용하거나, 소프트웨어 개발 키트(SDK)를 활용해 의미 있는 컴퓨터 비전 모델을 실행할 새로운 카메라를 구축할 수 있다.
글로벌 에너지 회사인 'BP'는 전 세계 18,000개의 서비스 스테이션에 컴퓨터 비전 기술 도입을 계획하고 있다. BP는 컴퓨터 비전 기술을 활용해 연료 트럭의 시설 출입을 자동화하고, 정확한 순서로 이행되었는지 검증하려 노력하고 있다. 또한 충돌 위험이 있는 경우 작업자들에게 경고하고, 동적 제외 구역에서 이물질을 식별하고, 기름 누출을 탐지하는 데도 도움이 될 수 있다.
공급망 최적화를 위한 예측
오늘날의 현대적 공급망은 제조사, 공급사, 물류 및 유통 업체의 복잡한 글로벌 네트워크로, 고객 수요나 원자재 수급 변동, 휴무일, 이벤트, 나아가 날씨 같은 외부 요인을 감지하고 이에 적응하는 정교한 방법을 필요로 한다. 이런 변수를 올바르게 예측하지 못할 경우 비용이 많이 들고, 프로비저닝의 초과 또는 미달로 인해 투자 낭비가 발생하거나 고객 환경이 저하될 수 있다. 미래를 예측하기 위해, 기업들은 머신러닝을 사용해 데이터를 분석하고 정확한 예측을 제공해, 운영 비용 및 비효율성을 줄여 리소스 및 제품 가용성을 높이며 제품을 더 빨리 공급하고 비용을 절감할 수 있도록 하고 있다.
대만 소재의 세계 최대 전자 제품 제조업체인 '폭스콘(Foxconn)'은 코로나19 팬데믹으로 인해 고객 수요, 공급 및 생산능력의 전례 없는 변동성에 직면했을 때 머신러닝 기술의 도움을 받았다. 폭스콘은 정확한 순주문 예측값을 생성하기 위해 멕시코 공장에 대한 수요 예측 모델을 개발했다. 이 머신러닝 모델을 사용해 예측 정확도를 8% 증가시켜, 시설당 연간 553,000달러의 비용을 절감하는 동시에 노동력 낭비를 최소화하고 고객 만족도를 극대화할 수 있었다.
산업 환경, 제조 제품, 물류 및 공급망 운영을 향상할 수 있는 머신러닝의 잠재력으로, 프로세스를 좀더 쉽고, 빠르고, 정확하게 만들기 위해 머신러닝 기술을 찾는 기업이 점점 늘어나고 있다. 클라우드의 실시간 데이터 분석과 머신러닝 기술 결합을 통해 기업들은 계속해서 이상을 실현하고 다음 산업혁명에 박차를 가하는 것이다.
글 / 아마존 머신러닝 부분 부사장 스와미 시바수브라마니안(Swami Sivasubramanian)정리 / IT동아 이문규 (munch@itdonga.com)
