SK플래닛 정성욱 부장(사진. 여기에)

 

SK텔레콤과 SK플래닛이 협력해 인공지능(AI) 및 빅데이터 기반의 스마트 팩토리 사업을 본격화한다.

SK플래닛은 지난 6월 KINTEX에서 개최된 금속산업대전에 참가해, SK텔레콤 및 일본 도시바와의 협력을 통해 개발한 다이캐스팅 불량률 검수 및 불량률 최소화에 적합한 ‘스마트 팩토리 AI 솔루션’을 선보였다.

SK 스마트 팩토리 AI 솔루션은 이미 국내 다이캐스팅 분야 1위 업체인 코다코 외에도, 현대·기아자동차 샤시 부품 협력사인 B사와 진행한 PoC를 통해, 불량률을 낮추고 생산비용을 절감할 수 있는 솔루션이라는 점을 입증했다.

전시장에서 SK플래닛 정성욱 부장을 만나 SK 스마트 팩토리 AI 솔루션의 특징과 사업전략에 대해 들어봤다.

 

Q. 지금 전시장에서 소개하고 있는 스마트 팩토리 AI 솔루션은 어떤 솔루션인가?

A. 스마트 팩토리가 사업영역이 많다. AI 기술을 가지고 산업계에 어떻게 도움을 줄 수 있을까 고민을 하다가, 주단조 분야 생산제품의 양·불량을 빠르게 판단하는 걸 솔루션화 해보자는 방향을 잡고 다이캐스팅(Die-Casting) 영역에서 솔루션을 내놓았고, 이와 함께 용접·스탬핑(Stamping) 분야에서 불량을 판별하는 솔루션을 내놓았다.

다이캐스팅(Die-casting)은 주조 특수 공법 중 하나로, 생산된 제품의 내부불량을 식별하기가 어렵다는 특징이 있다. 우리 SK플래닛과 SK텔레콤은 일본 도시바와의 협력을 통해 다이캐스팅 불량률 검수와 최소화에 적합한 솔루션을 개발하고, 국내 다이캐스팅 분야 1위 업체인 코다코에 기술검증(PoC)을 완료했다. PoC 결과, 코다코의 불량률은 기존 15%에서 3% 수준으로 떨어졌고, 제품 생산규모에 따라 수십억 원에서 수백억 원을 절감할 수 있게 됐다.

 

Q. SK플래닛에서 AI 알고리즘 자체를 개발하나?

A. 그렇다. 스마트 팩토리 AI 솔루션 말고도 우리가 하는 일이 여러 가지 있다. 그 가운데 하나로 아직까지 시장에 많이 알려져 있지 않지만, 수집된 센서 데이터를 딥러닝 기반 인공지능 기술로 데이터를 분석하고 이상을 감지하는 인공지능 딥러닝 기반 IoT 센서 솔루션 사업을 하고 있다. 실내 공기질이나 대기질, 차량 내 공기질, 주차 등의 데이터를 딥러닝 기반으로 분석해 이상을 감지하고 실시간 모니터링용 웹서비스를 제공하고 있다.

 

Q. 주단조를 타깃으로 한 이유는 무엇인가?

A. 우리는 AI 분야에서 신생기업이다. 재작년에 SK가 일본 도시바에 지분투자를 하면서 일본기업과 기술교류가 있었고, 도시바는 도시바기계 등 기계 분야의 공장과 회사가 있어서, 주단조 분야의 데이터수집이 용이한 부분이 있었다. 따라서 첫 시작을 다이캐스팅으로 하게 됐고, 도시바가 자동차 및 자동차 부품 고객이 많다 보니까, 우리도 자연스럽게 이쪽에 수요가 많다는 걸 인지하게 됐고, 한국에서도 마찬가지로 주단조 분야의 스마트 팩토리 AI 솔루션을 보급하고 있다.

 

Q. 스마트 팩토리 AI 솔루션은 IoT 센서를 이용하나?

A. 센서를 쓰는 경우가 있고, 센서를 안 쓰고 직접 설비에서 데이터를 가져오는 경우가 있다.

 

Q. 통신은 꼭 5G를 활용하는 건 아닐 것 같은데?

A. 지금은 LTE로 하고 있는데, 5G로 하려고 하는 건 5G가 속도가 빠르고 지연이 없기 때문이다. 기업들이 데이터를 수집하고 가공하기 위해서는 서버들이 많이 필요하게 되고, 판단결과를 실제로 공장현장에 적용한다고 했을 때 인프라가 필요한데, IT기업들은 인프라가 잘 되어 있지만 공장들은 인프라에 투자하기가 어렵다. 그래서 바로 모뎀에 꽂아서 클라우드에 올린 다음에 클라우드에서 분석하고, 그 결과를 바로 내려줘서 데이터가 실시간으로 왔다갔다 해야 하기 때문에, 향후에는 레이턴시(latency)가 적은 5G를 최적의 통신으로 보고 있다. 지금 우리가 적용하려고 하는 것도 5G 모뎀을 통해서 클라우드 상에서 판단결과가 내려가서, 제품이 나옴과 동시에 결과를 알려 주는 것이다.

 

Q. IoT 센서는 어떤 종류들이 있나?

A. 센서는 전문제조업체들과 협력을 한다. 대기질 분석의 경우, 미세먼지 센서나 이산화탄소 센서 등 여러 가지 센서를 사다 쓰고, 센서 제조업체와 협력해서 센서 데이터를 클라우드로 올리는 것부터 시작해서, 센서 데이터가 클라우드에 올라가면 그 데이터를 분석해서 적합한 센서값을 만들어낸다든지 하는 작업을 한다.

 

예를 들어서 ‘RB Insight’라는 SK플래닛의 산업용 인공지능 플랫폼이 있다. 센서 데이터를 모니터링 하다보면 센서가 가끔씩 오동작할 때가 있는데, 오동작한 걸 보고 정말로 문제가 있는 건지 아니면 잠깐 값이 튄 건지 이런 것들을 판단해서 알려준다. 관리자 입장에서 봤을 땐 무조건 이상알람이 떴다고 해서 현장에 바로 가는 게 아니라, 확실하게 문제가 있는 것에 대해서만 가보라고 알려주는 역할을 한다. RB Insight는 그런 센서의 이상감지를 하는 플랫폼으로 활용을 하고 있고, 이것도 같은 AI 기술을 가지고 불량판단을 해보고 있는 거다.

 

용접 분야에 AE센서를 쓰는 이유는 용접의 불량을 판단할 때 보통 숙련자들이 용접 소리를 들어보고 용접이 잘 됐다 안 됐다를 판단을 한다. 보통 귀로 들리는 소리로 판단을 하는데, 사람이 듣는 주파수대역이 있고 못 듣는 주파수대역이 있다. AE센서는 소리를 주파수로 전환해주기 때문에 뭔가 이상이 있는 부분을 쉽게 파악할 수 있다. 이것도 역시 값이 튀었다고 해서 무조건 불량이라고 보는 게 아니라, 인공지능 모델이 계속 보고 확실하게 불량인지를 정확하게 판단하는 식으로 모델을 만들었다.

 

Q. 용접 쪽에는 AE센서 말고 어떤 센서를 쓰나?

A. 크게 두 가지다. AE 센서랑 비전센서를 쓴다. 용접부위를 찍었을 때 표면에 나타나는 불량들은 카메라로 많이 잡아내고, 용접이 안에까지 못 들어가는 내부불량의 경우는 AE센서가 주된 역할을 한다.

 

Q. SK텔레콤 스마트 팩토리 전용 5G 라우터도 있던데.

A. 일반 고객들이 쓰는 5G 단말은 작년에 상용화가 됐고, 이건 산업용으로 만든 모뎀이다. 산업용에 맞게끔 28기가헤르츠를 활용하도록 구현이 되어있다.

 

Q. SK플래닛이 이번 전시회에 출품한 이유는 무엇인가?

A. 서두에 얘기한 것처럼, 현재 국내 두 개 기업과 PoC(Proof of Concept)를 하고 있다. 다이캐스팅 솔루션은 1차 결과가 나와서 2차 실시간 판별하는 걸 구축 중에 있고, 용접 솔루션은 결과치의 정확도를 올리는 작업을 하고 있다. 이번 전시회에 나온 주된 목적은 이 솔루션이 어느 정도 구체화가 되어 있기 때문에, 많은 기업들에게 소개를 해서 PoC를 하기 위해서다.

 

Q. 다이캐스팅 분야의 스마트 팩토리 시장 규모를 크게 본 건가?

A. 다이캐스팅 분야는 시장이 큰 걸로 알고 있고, 앞으로 다이캐스팅 주조로 많이 갈 건데 공통된 문제점이 제품생산이 빨라지면 불량검사가 그걸 못 따라간다는 점이다. 지금은 개별불량 판단을 못하니까 로트단위로 제품을 샘플링해서 엑스레이나 CT를 찍으면서 불량유무를 판단하는데, 만약 불량이 발견되고 심각한 수준이라 판단할 경우 로트 전체를 모두 폐기하는 방식으로 품질관리를 하고 있다. 그렇게 하게 되면 일정수준 이상의 품질관리는 되겠지만, 불필요하게 낭비되는 제품이 많아진다. 그러나 이 솔루션은 제품 하나하나 생산 직후에 불량판별 결과를 알려주니까, 생산량을 늘리면서 품질관리도 효율적으로 같이 할 수 있다.

 

Q. 스마트 팩토리 AI 솔루션의 시장을 어떻게 확대해 나갈 계획인가?

A. 기업에게 최대한 부담이 적도록 국가의 스마트 팩토리 지원사업을 활용해서, 정부에서 50% 지원을 받고 기업에서 50% 투자를 해서, 우리 솔루션을 시범 적용해보는 방향으로 시장을 확대해 나가는 전략을 전개하고 있다.

 

Q. 이 AI 솔루션은 룰(Rule) 베이스인가?

A. 룰 베이스가 아니다. 룰 베이스는 사람이 알고 있는 지식으로 판단하기 때문에 걸러낼 수 있는 불량이 정해져 있는데, 우리 솔루션은 딥러닝을 써서 학습을 시키기 때문에 룰 베이스보다 훨씬 정확하다.

 

Q. 샘플링이 최소한 어느 정도 필요한가?

A. 처음에 이 모델을 학습시키려면 기본적으로 이건 불량이야, 이건 정상이야 하는 식의 라벨링 데이터들이 필요하다. 공장에서 제품이 생산될 때 제품 하나하나마다 일련번호를 부여하고, 후속 공정 단계에서 그 제품에 대해서 불량으로 파악이 되면 제품의 일련번호와 해당 불량유형의 라벨링 데이터를 서버로 올려달라고 요청을 한다. 트레이서빌리티(Traceability)라고도 얘기하는데, 제품 하나하나마다 정상이냐 불량이냐가 일정기간 쌓여져야 비소로 모델 학습이 가능하게 된다. 특히 기업 입장에서는 새로운 제품을 만들 때는 당연히 불량률이 높다. 그런 새로운 제품을 만들 때 이런 솔루션을 쓰게 되면 빨리 불량원인을 파악하여 해결하고 불량을 줄일 수 있다는 이점이 있다.

 

트레이서빌리티를 하기 위해서 몇 가지 어플리케이션을 개발했다. 이건 다이캐스트에 쓰는 앱인데, 앱을 만들어서 스캔을 하게 되면 어떤 불량인지를 선택해서 자세하게 올려보내도록 요청을 한다. 왜 이렇게 자세하게 해야 하냐면 우리 제품은 불량이 났을 때 “불량이에요”가 아니라 “크랙 불량이다”, “리크불량이다”와 같이 구체적으로 알려주기 위해서다. 이렇게 하려면 처음부터 정확하게 해야 된다. 일정 기간 이런 불량 데이터를 수집하면 그때부터 AI모델이 학습할 수 있는 준비가 된 거다.

 

앞서 얘기한 코다코에 적용할 때는 2만 개의 생산데이터를 기준으로 학습을 했다. 불량 라벨링 데이터는 1400개 정도가 있었고, 1400개의 불량 라벨링 데이터와 2만 개의 생산 데이터를 가지고 우리가 계속 학습을 시켜서 결과를 얻었다.

 

실제로 수집된 많은 데이터가 있는데, 이 가운데 예를들어 라인데이터만 가지고 모델을 만들어보고 때론 파형데이터만 가지고 모델을 만들어 보면서 정확도를 평가하고 있다. 어떻게 보면 당연히 여러 유형의 데이터를 많이 섞을수록 정확도는 올라가는데, 다만 기업 입장에서는 이의 데이터를 수집할 수 있는 인프라를 추가로 갖춰야 하는 부담감이 있기 때문에, 우리는 비용대비 효율적인 모델을 실전에 배치하는 걸 목표로 삼고 있다. 처음에는 그런 데이터를 수집하더라도, 나중에 실제로 적용을 할 때는 라인 데이터 같은 경우는 설비에서 바로 데이터를 추출하기 때문에 가장 쉽게 가져올 수 있는 데이터이니까, 이런 데이터 위주로만 모델을 만든다든지 하는 방법을 쓴다.

 

제품을 하나씩 찍어내는 걸 샷이라고 하는데 이 샷이 한 번 발생하게 되면 샷과 관련된 데이터가 쭉 나오며 데이터 항목들이 대단히 많다. 그런 것들을 샷별로 관리하고 있고, 어떤 불량이 나오게 되면, 특정불량으로 데이터 생산조건을 분류해서 거기서 특정불량에 대한 학습을 더 심층적으로 하게 된다.

 

용접로봇에서 나오는 신호 데이터는 용접 시작, 용접 끝밖에 없다. 그런데 AE(Acoustic Emission)센서를 추가로 달면 용접작업 시의 신호들을 용접부위 단위로 수집하여 분석할 수 있다. 셀의 맨 끝에 가면 항상 작업자가 육안으로 검사를 하고, 이상하다고 판단되는 부위에 보수용접을 한 후 제품을 다음단계로 이동시킨다. 대다수의 회사들이 자사의 용접공정은 불량이 거의 없다고 얘기를 하지만, 보수용접을 하는 이유는 불량이 있기 때문에 하는 거다. 그래서 우리는 어떤 부위에 보수용접을 했으며, 파악된 용접부위의 불량유형 정보를 기록, 저장하게 되면 해당 불량유형에 대한 것만 모아서 학습을 진행하여 불량판별 모델을 만들게 된다. 나중에 AE센서의 데이터가 들어왔을 때 크랙불량이 발생했을 때와 조건이 유사하다고 학습된 불량판별 모델이 결정하면 해당 제품의 용접부위에는 크랙불량이 존재할 가능성이 높고, 이의 불량예측 점수는 94점이라든가 하는 식으로 수치화된 정보가 나오게 된다. 이게 우리 솔루션의 핵심적인 구조다.

 

Q. AI 솔루션을 주단조나 용접 외에 다른 분야에도 적용할 수 있을 텐데.

A. 우리도 순차적으로 다른 분야로 확장해 나가려고 한다. 카메라를 이용해서 반도체 표면에 필름이 밀착이 잘 안 됐다든가 하는 불량판단을 하는 작업도 해 볼 계획이다. 이건 하이닉스도 노력하고 있고, SK케미칼에서도 노력을 하고 있다. 화학공장 같은 데는 공장 전체 설비 쪽에서 데이터가 들어온다. 그런 데이터들을 보면서 뭔가 이상하다, 설비의 긴급점검이 필요하다는 식으로 공장 자체의 프로세스 최적화를 하는 부분도 계획하고 있다.

 

Q. 올해 스마트 팩토리 AI 솔루션을 몇 군데나 적용할 계획인가?

A. 다이캐스팅 관련해서 최소한 5 군데에서 10 군데 정도는 해보고 싶다.

 

Q. 경영주들은 항상 ROI를 생각하는데, SK 스마트 팩토리 AI 솔루션은 어느 정도 지나면 ROI를 회수할 수 있나?

A. 고객이 1억 원을 투자해서 6개월 만에 ROI를 회수할 수 있다. 1억 원인데 설비가 100대다 이러면 어렵고.

인공지능 스피커를 써도 자기 목소리를 잘 알아듣도록 하기 위한 학습이 필요하듯이, 우리 솔루션도 제품마다 최적화돼야 하는 것이 필요하다. 우리도 계속 노력하고 있는 것이 AI 솔루션이니까 기본모델이 있고, 새로운 제품이 오면 조금씩 반영해서 빠르게 적용해 볼 수 있도록 최적화된 모델을 만드는 것이다. 여러 제품에 공통적으로 사용할 수 있는 공통된 모델을 통해 도입비용 자체를 낮출 수 있도록 하는 것이 숙제다.

 

1억 원이 적은 비용은 아니다. 1억 원을 투자해서 최대한 많은 설비에서 불량률 감소와 양품생산 증대의 효과를 가져갈 수 있도록 해주는 게 우리의 숙제라고 생각한다. 일본의 다이캐스팅 방식과 우리나라의 다이캐스팅 방식은 다르다. 현장에 있는 사람들이 최적화해서 쓰는 요소들이 많다 보니까, 우리도 그걸 반영해서 우리나라의 생산환경에 더욱 최적화된 모델을 만들 생각이다.

 

이 솔루션에서 가장 중요한 건 먼저 불량예측 판별 모델이 만들어져야 되는데, 제품생산이 많을수록 데이터가 빨리 쌓인다. 우리가 했던 A 사는 1.5 개월에 2만 개 정도가 됐다. 우리가 수집해서 분석하는 데까지 3개월이 걸렸고, 이 모델을 실제 적용하는데 3개월 해서 총 6개월 안에 끝내는 걸 생각하고 있다. 데이터 량에 달렸다. 처음에 공장에서 생산량이 많고 불량이 발생한 거에 대해서 데이터라벨링을 잘 해주면, 2주~3주 만에 데이터가 다 나오니까 데이터 분석하는 시간은 한 달이 안 걸린다. 그리고 기본모델이 있고, 그 모델을 제품에 맞게 튜닝을 해서 가는 거라, 시간은 처음부터 하는 것보다 줄어든다. 공장마다 여건은 달라질 수 있다.

 

Q. 향후의 기술 포트폴리오에 대해 얘기해 줄 수 있나?

A. 다이캐스팅과 용접 분야를 하고 있는데 스탬핑 쪽은 자연스럽게 AE센서로 갈 거고, 팩토리 쪽의 비전으로 불량을 판단하는 영역도 시작하고 있다. 다이캐스팅 설비 같은 경우는 도시바기계로 시작을 했는데, 다른 제조사들과 협력을 해서 확장해 나갈 계획이다.

 

Q. 다이캐스팅이나 용접분야는 첨단산업이 아니기 때문에, 고객들이 AI에 익숙하지 않을 것 같은데.

A. 고객들이 스마트 팩토리를 한다고 했을 때 가장 많이 검토하는 게 MES와 ERP다. 이것도 중요하다. 이게 끝나고 나면 AI로 생산성을 높일 수 있는 걸 같이 해야 되는데, 아직 이런 쪽의 솔루션이 많이 없는 상황이다. MES나 ERP를 먼저 해야 하는 기업들은 그걸 먼저 하는 것이 맞고, 그게 끝난 기업들은 우리 솔루션을 통해 많은 이점을 얻을 수 있다는 점을 설명하고 있다. 하지만 MES와 ERP가 도입되지 않은 고객사도 이 솔루션을 바로 도입해서 사용하는 것도 가능하다.