제조 AI 도입 실패하는 이유 3가지: 데이터 클리닝과 도메인 지식의 부재

제조 현장에 AI를 도입하는 것은 일반적인 IT 서비스에 AI를 입히는 것보다 훨씬 까다롭습니다. 현장 엔지니어이자 PM의 시각에서, '제조 AI가 실패하는 결정적인 이유 3가지'를 핵심 위주로 정리해 보겠습니다.

---

1. 데이터 클리닝의 부재 (Garbage In, Garbage Out)

AI는 학습한 데이터만큼만 똑똑해집니다. 제조 현장의 원천 데이터는 생각보다 훨씬 '지저분'합니다.

• 설명: 센서 오작동으로 인한 튀는 값(Outlier), 통신 오류로 인한 누락 값, 장비 교체 전후의 데이터 변화 등이 걸러지지 않고 AI에 들어가면, AI는 잘못된 규칙을 학습하게 됩니다.
• 예제:
  • 상황: 절삭 공구의 마모도를 예측하는 AI를 개발 중.
  • 문제: 작업자가 기계를 잠시 멈추고 칩(Chip)을 제거하는 시간 동안에도 센서는 '공회전 데이터'를 수집함.
  • 결과: AI는 공회전 중인 낮은 부하 데이터를 '정상 가공'으로 오해하여, 실제 가공 시 발생하는 부하를 제대로 예측하지 못함.
• 해결책: 가공 중인 데이터와 비가공 데이터를 분리하는 '전처리(Preprocessing)' 과정이 필수입니다.

---

2. 도메인 지식(현장 지식)의 부재

데이터 과학자가 현장(Domain)을 모르면, 데이터의 숫자가 의미하는 물리적 현상을 해석할 수 없습니다.

• 설명: 단순히 "숫자가 올라가면 위험하다" 식의 접근은 위험합니다. 특정 공정에서는 열이 올라가는 것이 정상일 수도 있고, 오히려 특정 구간에서 온도가 유지되는 것이 불량의 신호일 수도 있습니다.
• 예제:
  • 상황: 사출 성형기의 불량률을 예측하는 AI 모델.
  • 문제: AI 모델러가 '금형의 온도'와 '원료의 습도'가 성형에 미치는 물리적 영향(도메인 지식)을 무시하고 단순히 시간대별 데이터만 분석함.
  • 결과: 외부 날씨나 계절에 따른 변수를 반영하지 못해 겨울철에는 잘 맞던 AI가 여름철에는 엉터리 예측을 내놓음.
• 해결책: 현장 숙련공의 노하우를 '피처 엔지니어링(Feature Engineering)' 단계에 녹여내야 합니다.

---

3. 현장 실시간성 및 확장성 고려 부족 (Edge vs Cloud)

실험실(PC)에서 잘 돌아가는 모델이 실제 공장(Edge)에서는 무용지물이 되는 경우가 많습니다.

• 설명: 0.1초 단위로 돌아가는 CNC 기계에서 AI 판독 결과가 1초 뒤에 나온다면 이미 사고가 발생한 뒤입니다. 또한, 한 대의 기계에서 성공한 모델이 옆 동네 다른 제조사 기계에서는 작동하지 않는 '범용성' 문제도 큽니다.
• 예제:
  • 상황: 엣지 컴퓨터에 탑재한 AI가 실시간으로 G코드를 보정하여 정밀도를 높이려 함.
  • 문제: 모델이 너무 무거워(Heavy) 추론 속도가 기계의 연산 속도를 따라가지 못함.
  • 결과: 기계가 AI 신호를 기다리느라 멈칫거리는 '병목 현상'이 발생하여 생산성이 오히려 저하됨.
• 해결책: 모델 경량화와 함께 현장 하드웨어(엣지 컴퓨터)의 성능을 고려한 '임베디드 AI 구현' 능력이 필요합니다.

---

💡 요약 및 PM을 위한 한 줄 평

"제조 AI의 성공은 화려한 알고리즘이 아니라, 현장 사투리(데이터)를 표준어(정제된 데이터)로 번역하고, 현장의 상식(도메인)을 수식으로 구현하는 PM의 기획력에 달려 있습니다."