디지털 지식전문가 조형식의 지식마당

‘필연적인 것(The Inevitable)’의 저자 케빈 켈리는 미래의 12가지 필연적인 미래 중 두 번째로 ‘필연 미래는 모든 것에 인지화된다’고 짚었다. 수동에서 자동화로 그리고 AI를 통한 인지화(cognifying)된다는 것이다. 모든 것들이 사람처럼 생각하거나 지능을 가진다는 것이다. 그것은 모든 것에 인공지능(AI)이 붙는다는 것이다. 제조 산업에서도 이것은 피할 수 없는 필연적 미래인 것이다.

2017년은 인공지능의 통치 첫 해라고 할 수 있으며, 그 후 모든 것이 가속화되었다. 의료에 의한 질병 진단과 같은 AI 혁신은 끊임없이 부상하고 있다. 이미지 분석, 자율주행 자동차, 안면 인식 지불 및 무인 슈퍼마켓. AI는 비즈니스를 혼란에 빠뜨리고 기업의 새로운 군비 경쟁이 시작되었다. 

2017년 AI 분야에 대한 인수 합병 및 투자 규모는 220억 달러에 달했으며, 이는 2016년 구글 알파고가 이세돌을 물리치기 전의 26배에 달했다. 구글 CEO 순다르 피차이에 따르면, AI는 아마도 인류가 일한 것 중 가장 중요할 것이다. 전기나 불보다 더 심오한 것으로 생각한다. 맥킨지(McKinsey) 글로벌 연구소는 마케팅, 공급망 관리에 AI를 적용하고 새로운 판매 방법의 효율성을 높임으로써 향후 20년 동안 2조 7000억 달러의 경제적 가치를 창출할 수 있다고 말한다. 

그림 1. 인공지능의 능력

그러나 일반인에게 인공지능의 정의는 아직도 애매모호할 수 있다. 인간의 지능을 디지털 환경의 소프트웨어로 만든 것이라고 할 수 있는데, ‘인간의 지능’이라는 정의 자체가 불분명하다. 학문적으로 연구된 인공지능의 범위는 네 가지로 정의할 수 있다. 전산 소프트웨어를 이용해서 인간처럼 생각하거나 행동하는 것(thinking humanly, acting humanly), 논리적으로 생각하거나 논리적으로 행동하는 것(think rationally, acting rationally)이다.

인공지능의 기본 정의는 인지(cognition), 지각(perceptivity), 이해(understanding), 학습(learning), 추론(reasoning), 결정(decision) 등 인간의 지능을 소프트웨어적으로 흉내내는 것에서 출발했다. 인공지능의 기본 분야로는 예측(prediction), 기계학습(machine learning), 심층학습(deep learning), 검색(searching), 최적화(optimization), 추론(reasoning), 감성처리(sensibility processing), 자연어 이해(natural language understanding), 지식표현 및 축적(knowledge representation and accumulation) 등이 있다.

또한 응용분야는 게임(game), 고장예측 및 진단분석(fault prediction and diagnosis analysis), 지능형 로봇(intelligent robot), 음성인식(speech recognition), 패턴인식(pattern recognition), 지능형 차량(intelligent vehicle), 전문가 시스템(expert system) 등 무궁무진하다.

그림 2. 산업 인공지능의 정의

산업용 인공지능(industrial AI)의 정의는 무엇일까? 산업용 인공지능의 정의는 기업의 물리적 운용(physical operation)과 물리적 시스템(physical systems)에 연관된 모든 인공지능이라고 할 수 있다. 여기서 물리적 운영에는 물류(logistics), 자산관리와 유지보수(asset management and maintenance), 생산과 조립(production and assembly), 시설(facilities) 등이 있으며, 물리적 시스템은 차량군(fleet), 센서와 디바이스(sensors and devices), 기계도구(machine tools), 산업용 로봇(industrial robots), 생산라인(production line), 개발 자산과 기반(develop assets and infrastructure), 공기조화기술(HVAC) 등이 있다. 

표 1. 인공지능과 산업용 인공지능의 차이점

산업용 인공지능의 가치를 보면 시간 경과에서 최고의 성능을 보여준다. 전문가의 경험(expert’s experiences)은 어느 시점에서 단절되어 버린다. 그리고 규칙 기반의 전문가 시스템(rule based expert systems) 역시 지속적인 업그레이드가 필요하다. 기계학습 역시 과거 데이터 기반에 의존하기 때문에 최적의 성능을 보여주지 못한다. 

그림 3. 산업 인공지능의 성능

산업용 인공지능과 일반 인공지능은 다른 분야와 유사하게 학문적 지식은 공유하지만 서로 많은 점이 다르다. 현재 일반 인공지능 전문가들이 산업분야에서 인공지능 적용에서 고전하는 이유이다.

그러면 우선 산업용 인공지능의 가치와 시장은 어떤 것이 있을지 알아야 한다. ‘산업 인공지능(Industrial AI)’이라는 책의 저자인 제이 리(Jay Lee)는 산업 정보 시스템의 정의에 대해서 학계와 산업계의 의견이 다르다고 짚었다. 일부는 산업 인공지능을 특정 기술이나 솔루션으로 정의하려고 시도했지만, 산업 시스템에 필요한 인공지능의 종류와 같은 몇 가지 근본적인 문제를 무시한다고 한다.  

우선 이전의 방법으로 아직 해결되지 않은 문제와 과제가 무엇일까? 그것을 산업용 인공지능이 해결할 수 있을까? 하는 것이다. 이런 질문을 정리해 보면, 일반적으로 사분면 그래프를 사용하여 제조 시스템의 문제를 분류할 수 있다. 한 면은 문제가 가시적이거나 보이지 않는 것으로 분류할 수 있고, 다른 한 면은 문제를 해결할 것인가 아니면 문제를 피하거나 예방할 것인가이다.  

우선 산업용 인공지능 분야에서 문제 해결 유형을 4가지로 분류해 본다. 우리는 문제가 발생할 때까지 기다렸다가 또는 눈에 보이면 해결하거나, 아직 보이지 않는 동안 문제가 발생하기 전에 피할 수 있다. 예를 들어 기계식 절삭 블레이드가 파손될 때까지 기다렸다가 교체하거나, AI를 사용하여 남은 수명을 분석하고 진동이나 기타 데이터에 따라 중단되기 직전에 교체하는 것의 차이점이 있다.

그림 4. 산업 인공지능의 4가지 기회 공간과 전략 그리고 방법론

• ① 공간은 발생한 적이 있는 문제를 해결해야 하는 것: 지속적인 향상과 표준작업을 통한 문제 해결
• ② 공간은 발생한 적이 있는 문제를 회피해야 하는 것: 새로운 부가 가치를 위해서 새로운 지식과 기술을 활용 
• ③ 공간은 발생한 적이 없는 문제를 해결해야 하는 것: 발생한 적이 없는 문제에 새로운 방법이나 기술을 활용
• ④ 공간은 발생한 적이 없는 문제를 회피해야 하는 것: 발생한 적이 없는 문제를 스마트한 정보를 사용해서 가치 창조 
• ① 공간에서 ② 공간으로 이동하는 방법론: TPS(도요타 생산방식), Lean, 6-Sigma
• ② 공간에서 ③ 공간으로 이동하는 방법론: 고장진단 및 건전성관리(PHM: Prognotics and Health Management), Machine Learning, Data Mining
• ③ 공간에서 ④ 공간으로 이동 방법론: Digital Twin, CPS

현업에서 제조 시스템의 지능형 변환을 위한 기술 요소는 데이터 기술(DT), 플랫폼 기술(PT), 분석 기술(AT), 운영 기술(OT)의 네 가지 구분할 수 있다. 산업용 AI가 성공하려면 생산 공정의 실시간 데이터를 센서와 프로그래밍 가능한 로직 컨트롤러(PLC) 및 기타 시스템을 통해 수집하고, 산업용 사물 인터넷(IIoT)의 메커니즘과 결합하여 산업용 AI 인프라를 효과적으로 개발해야 한다.

그림 5. 애플리케이션의 범위

산업 인터넷 기술의 미래 방향은 경험 기반 의사 결정에 대한 의존에서 데이터 중심 또는 증거 기반 의사 결정으로 나아가면서 산업 프로세스 및 제품을 혁신하는 것이다. 이 과정을 통해 산업용 인공지능이 전통적인 산업 시스템의 디지털화를 향상시키는 데 중요한 역할을 할 것으로 예상된다. 

전통적인 AI의 원동력은 인간의 활동, 사회 및 금융의 다양한 요구에서 비롯되며, 사회적 요구와 관심에 의해 구동되는 새로운 응용 프로그램을 생성하는 것이다. 반면 산업 AI는 엔지니어링 시스템의 신뢰성, 정확성, 효율성 및 향후 최적화를 개선하기 위해 수렴적으로 작동하는 포괄적이고 체계적인 방법론이다.
 
현재 산업용 AI는 기계 모니터링, 운송 연료 효율, 엔진 건강 관리, 유전 및 정유 안전 및 신뢰성 관리, 건강 관리 시스템의 원격 유지 관리와 같은 분야에서 산업 전반에 걸쳐 점차 적용되고 있다. 그러나 이러한 발전에도 불구하고, 시스템 엔지니어링 개념은 지속 가능한 지식 전달의 기초와 마찬가지로 여전히 부족하다.

기사 내용은 PDF로도 제공됩니다.