공장의 맥락 읽고 스스로 검증한다…원프레딕트가 짚은 산업 AI의 조건

|스마트투데이=김나연 기자| 겉으로 보기엔 완벽하게 통제된 것처럼 보이는 공장도 안으로 들어가면 다르다. 수많은 설비가 쉼 없이 돌아가고 사방에서 방대한 데이터가 쏟아지지만, 정작 중요한 판단은 여전히 사람의 경험과 감에 기대는 경우가 많다. 

원프레딕트는 산업 AI의 도입은 공장 내부에 흩어져있는 데이터의 맥락을 엮고, 판단의 주체를 전환하며, 실행 구조를 재설계하는 혁신이라고 설명한다. 산업 AI의 승부는 단순히 AI 모델 하나를 잘 만드는 데서 갈리지 않는다는 것이다. 

원프레딕트는 생산 현장에 산재한 데이터를 어떻게 유기적으로 연결하고, 그 기반 위에서 AI가 어떤 논리적 판단을 내리며, 그 결과값을 다시 어떻게 스스로 학습하게 만드느냐에 따라 제조 혁신의 성패가 판가름 난다고 진단했다.

판단의 중심이 사람에서 AI로 옮겨간다

성민석 원프레딕트 부사장은 기존 스마트팩토리를 두고 “인간이 조작하는 대로만 움직이는 과거의 자동차와 비슷하다”고 말했다. 인간이 과거의 경험과 노하우를 바탕으로 촘촘하게 규칙(Rule)을 짜놓으면, 기계는 오직 그 테두리 안에서만 움직이는 제한적 수준의 자동화에 머물렀다는 뜻이다.

원프레딕트가 말하는 'AI 네이티브 팩토리(AI Native Factory)'의 개념은 바로 이 지점에서 기존 스마트팩토리와 궤를 달리한다. 원프레딕트의 AI 네이티브 팩토리는 공장의 코어에 자리 잡은 AI가 24시간 설비와 공정의 데이터를 들여다보고, 문제가 생기면 무엇이 문제인지, 원인이 무엇인지, 어떻게 고쳐야 하는지를 먼저 정리해 사람에게 실행을 넘기는 구조를 의미한다. 

성 부사장은 이를 알파고와 아자황의 관계에 빗댔다. 그는 “AI가 24시간 데이터를 보고 문제가 발생하면 스스로 판단해 사람에게 지시를 내리는 구조가 핵심”이라며, "과거 알파고가 계산한 수를 아자황이 바둑판에 두었듯, 공장에서도 AI가 판단을 내리고 사람은 그것을 현실에서 실행하는 역할로 바뀌고 있다"고 설명했다.

공장 설비를 환자에, AI를 주치의에 대입하면 의사결정 구조의 변화가 더 명확히 보인다. 성 부사장은 “의사가 환자의 상태를 보고 원인을 진단한 뒤 약과 처방을 내리듯, 산업 AI도 공장 설비와 공정의 아픈 곳을 24시간 감지하고 원인을 좁혀 조치 방향까지 제시하는 단계로 가고 있다”고 말했다.

그렇다면 현재 제조 현장의 AI 도입 수준은 어떨까. 성 부사장은 “현재 현장에서 AI 도입 수준을 자동차의 자율주행에 빗대면, 주행보조(ADAS) 기능을 이제 도입하고 있는 단계”라고 설명했다. 앞차와의 거리나 차선 이탈을 감지해 운전자를 돕는 수준처럼, 공장에서도 AI가 자동화된 진단 레포트를 통해 먼저 보고하고 사람은 이를 받아 확인하고 실행하는 단계라는 것이다. 자동차보다 훨씬 복잡하고 변수가 많은 산업 현장에서 사람의 개입이 거의 없는 완전 자율 제조 단계까지 가려면 시간이 더 필요하다는 게 성 부사장의 판단이다.

공장의 맥락을 읽지 못하면 AI도 무너진다

제조 현장에서는 동일한 설비를 가동하더라도 공정의 맥락이 바뀌면 판단 기준 역시 완전히 달라져야 한다. 성 부사장은 이 복잡한 한계를 직관적인 라면 공장 비유로 풀어냈다. 그는 “라면 공장에서 평소 일반 신라면을 만들다가 신라면 블랙으로 생산 레시피를 바꾸는 순간, 기계의 물리적인 상태는 같아도 가동 모드와 공정의 맥락은 달라진다”며 “물리 데이터 하나만 보고 학습한 기존 AI는 그런 변화를 제대로 읽지 못한다”고 설명했다. 정해진 문제 만을 해결하도록 설계된 AI는 미리 정의되지 않은 문제 앞에서 무용지물이 된다는 설명이다. 

이에 원프레딕트는 진정한 산업 AI가 작동하기 위한 필수 전제조건으로 '멀티모달(Multi-modal) 데이터 생태계'를 꼽는다. 성 부사장은 "공장 안팎에 흩어진 다양한 형태의 데이터를 통합적으로 봐야 진짜 맥락이 보인다"며 "여기에 정비 작업자가 현장에서 남긴 수기 자연어 기록까지 함께 읽어내야 온전한 분석이 가능하다"고 강조했다. 자율주행 자동차가 내부 상태 데이터뿐만 아니라 레이더나 카메라로 주변 환경까지 함께 인식해야 안전하게 달릴 수 있듯, 제조업 AI 또한 역시 단일한 설비 데이터만 보고 접근해서는 답을 낼 수 없다는 게 성 부사장의 판단이다.

원프레딕트가 짚어낸 산업 AI의 기술적 해자는 데이터의 통합이 아닌 '결과의 자가 검증'에 있다. AI가 직접 내린 진단과 처방이 실제 현장에서 유효했는지 스스로 검증하고 재학습하는 '폐루프(Closed-loop)' 생태계 구축이 핵심 요소라는 설명이다. 성 부사장은 "AI가 예측한 대로 설비가 실제로 고쳐졌는지 다시 평가해야 한다"며 "결과가 맞았다면 재학습하고, 틀렸다면 오류를 수정해 끊임없이 진화하는 구조가 핵심"이라고 말했다.

원프레딕트가 정의하는 산업 AI는 단순히 텍스트와 숫자를 더 많이 읽어내는 고용량 모델이 아니다. 쉴 새 없이 변하는 공장의 맥락을 여러 층위의 멀티모달 데이터로 입체적으로 읽어내고, 자신의 판단이 실제 현장에서 적중했는지 다시 돌아와 검증하는 시스템이다. 성 부사장은 이 폐루프가 맞물려야만 산업 AI가 비로소 현장의 실질적인 변화를 견인할 수 있다고 강조했다.

100번 중 2번의 이상을 잡아내는 순간

산업 AI의 실질적 효용은 대규모 불량이 발생하기 직전의 미세한 편차에서 입증된다. 생산 라인의 로봇은 100번의 공정을 정상적으로 수행하다가 어느 순간 한두 번의 미세한 오차를 내기 시작한다. 문제는 이 오차가 즉각적인 설비 중단으로 이어지지 않는다는 점이다. 겉으로는 공정이 정상 가동되는 것처럼 보이지만, 이런 편차가 누적되다보면 최종 검수 단계에서 라인 전체의 대규모 불량 판정으로 이어질 수 있다.

성 부사장은 “로봇이 100번 정상 작동하다가 어느 순간 2번 정도 실수하기 시작하는 순간이 있다”며 “AI는 그 순간을 먼저 포착해 작업자에게 알려주고, 더 큰 불량으로 번지기 전에 선제 조치를 하게 만든다”고 말했다. 원프레딕트가 말하는 산업 AI의 핵심 가치는 이 짧은 전조 현상을 데이터로 잡아내는 데 있다.

육안 확인이 어려운 지하 매립 모터 펌프나 대형 석유화학 플랜트의 컴프레서 등 핵심 설비 역시 동일한 과제를 안고 있다. 이 설비들은 한 번 가동이 중단되면 복구에 막대한 비용이 투입된다. 원프레딕트의 AI는 바로 이 지점, 즉 사태가 현실화하기 직전의 구간을 타깃으로 삼는다. 성민석 부사장은 원프레딕트의 산업 AI는 단순한 현상 보고 시스템이 아니라, 문제 발생과 실제 피해 사이의 골든타임을 확보하는 기술이라고 강조했다.

원프레딕트가 분석한 산업 AI의 성립 조건은 명확하다. 단순한 룰 기반의 자동화를 뛰어넘어 산재한 데이터를 통합하고, 폐루프를 통해 결과를 재학습하며, 실제 운영 회의와 실행 구조를 바꾸는 단계까지 나아가야 한다는 의미다.