19차시. 산업에서 활용되는 빅데이터 비즈니스 - 3

차시목표
1. 제조 분야에서 활용되고 있는 데이터 비즈니스의 기술 동향을 살펴본다.
2. 스마트 팩토리 개발에 필요한 데이터와 각국의 정책 동향을 기반으로 스마트 팩토리의 주요 이슈에 대한 해결책을 제시할 수있다.
3. 제조 분야에 AI 기술이 도입될 때 생기는 문제점과 적용 분야를 알아본다.

주요내용
1. 스마트 팩토리 학습하기
2. 스마트 팩토리의 활용 학습하기
3. 스마트 팩토리의 추진 이슈 학습하기
4. 인공지능과 접목한 제조업 학습하기
5. 인공지능의 도입·개발·운영·적용

 

■ 산업에서 활용되는 빅데이터 비즈니스 - 3

1. 스마트 팩토리

● 스마트 팩토리의 개요
- 1차 산업혁명이 인간의 노동 방식과 생활 방식의 근본적인 변화가 동인이 되어 기계 기술을 탄생시켰다면, 4차 산업혁명은 3차 산업혁명의 발전 과정에서 이루어진 인공지능과 산업인터넷 기술의 발전을 기반으로 합니다. 

이러한 기술 발달을 배경으로 제조와 생산 및 서비스 시스템의 변화가 일어나고 있는 현시기를 ‘4차 산업혁명’의 시대라고 일컫습니다. 

4차 산업혁명의 기반 기술 중에서 빅데이터, 클라우드, 인공지능, 산업인터넷과 같은 최신 기술을 활용해 제조 기업의 고도화를 이끄는 것이 ‘스마트 팩토리 (Smart Factory)’입니다.

● 인공지능과 제조업 접목
- 제조 데이터는 직관적인 해석이 어려워 기술의 도입에 제약이 많다. 

- 제조업 특성상 수율과 안전이 중요하여 인공지능 기술의 운영이 쉽지 않다. 

- 다양한 적용 분야가 생겼고 급속한 기술 발달로 시장 규모도 커지고 있다.. 

 

● 공장 자동화(Factory Automation)와의 차이점
① 자동화된 공장은 일관된 공정에 따라 제품을 생산합니다. 

반면에 스마트 팩토리에서는 각 공정 단계의 설비나 장비 간에 이루어지는 센서 정보의 교환을 통해 모듈별로 제조 공정을 달리할 수 있습니다. 

② 기존 공장은 일정하게 규정된 생산 경로를 따라 자재를 운반해야 합니다. 

반면에 스마트 팩토리에서는 생산 경로를 유연하게 활용하므로 자재를 운반하는 경로도 이에 맞추어 달라질 수 있습니다. 

③ 기존 공장은 중앙집권적인 제어 체계를 가지고 있으나, 스마트 팩토리에서는 각 모듈이 자율적인 프로세스를 진행하는 수평 분산형 체계를 가집니다. 

이때 각 설비와 자재의 상태 정보와 위치 정보를 실시간으로 공유합니다. 

 

2. 스마트 팩토리의 활용

- 4차 산업혁명의 기반 기술 중에서 빅데이터, 클라우드, 인공지능, 산업인터넷과 같은 최신 기술을 활용해 제조 기업의 고도화를 이끄는 것이 스마트 팩토리 이다. 

 

● 스마트 팩토리의 활용 방향
- 데이터 마이닝(Data Mining), 머신 러닝(Machine Learning), BI(Business Intelligence) 등의 데이터 분석 기술이 고도화됨에 따라 데이터 분석에 대한 관심이 커지고 있습니다. 

기업이나 공장에서는 축적된 데이터를 활용하여 변화의 기회를 만들어 내거나 위험 요소를 줄이며 자산의 효율성을 높입니다. 

제조 분야에서는 일찍이 설계 및 생산 과정에 자동화와 정보 시스템 등을 도입했습니다. 

이에 따라 데이터를 분석하고 그 결과를 활용하여 제품의 품질과 공정의 효율성을 높이고 있습니다. 

● 데이터 분석을 활용하는 스마트 팩토리의 도입 예
① 데이터 분석(Analytics) 

- 제조 공정에 대한 예측과 분석을 통해 성과를 내는 기업이 증가하고 있는 추세입니다. 

산업의 성숙화에 따른 시장의 포화와 기술의 평준화에 따른 하드웨어적 성장의 한계는 제조 기업에게 한계를 직면하게 했습니다. 

이에 차별성 획득과 경쟁력 강화를 위해 데이터 분석의 도입을 고려하게 되었고, 많은 기업들이 성공 사례를 남겼습니다. 

○ BMW
- i3 생산 공장은 스마트 팩토리의 전형적인 사례입니다. i3 생산 공장은 스마트 팩토리를 이용하여 생산 과정 중에서 발생하는 이상을 조기에 식별합니다. 

또 보증 기간에 청구되는 이상 건수의 감소를 목표로 삼아 데이터 분석 기술을 도입합니다. 

그 결과 품질 문제의 원인을 신속하게 식별하여 차량당 1.1%에서 0.85%로 품질 보증 청구율이 감소되었습니다. 

㉯ 베스타스(Vestas) 베스
 타스 사는 풍력 발전 터빈 및 풍력 단지 설비 제조업체입니다.

베스타스는 최적의 풍력발전소 부지를 선정하기 위해 데이터를 수집하여 분석했습니다. 

그결과 27 km2 단위에 이르던 선정 후보지의 넓이가 10 m2 수준으로 감소될 수 있었습니다. 

또 기상예측 정보에 대한 반응 시간도 한 주에서 한 시간으로 줄이는 효과를 달성하게 됩니다. 

 

② 클라우드(Cloud) 

- ‘제조 속의 인공지능(AI in Production)’이라는 보고서에는 AI의 도입이 공장운영 시스템에 효과적일 것이라고 설명합니다. 

다만, 제조 공장이 인공지능을 도입하여 성과를 내기 위해서는 ICT 분야의 전문가들과 협업하는 것이 중요한데, 대부분의 제조 공정은 전문 인력이 없거나 부족한 상태입니다. 

이러한 문제를 해결하기 위해 클라우드 스마트 팩토리의 구현을 선택할 수 있습니다.
클라우드를 통해 서버의 인프라, 플랫폼, 분석 인프라를 제공받을 수 있어 스마트 팩토리 도입의 진입 장벽을 낮출 수 있습니다.

○ 지멘스(Simens)

- 지멘스 사의 ‘마인드스피어(MindSphere)’는 공장 설비의 각종 데이터를 산업 인터넷으로 측정하고, 이를 클라우드 서비스에서 의미 있는 정보로 가공하여 제공하는 시스템입니다. 

독일 지멘스의 암베르크 공장은 75%의 자동화 수준에 이르렀으며 연간 1,000여 종류의 제품을 1,200만 개씩 생산합니다. 

다품종 생산 체계와 설계 및 주문 변경에도 24시간 내에 99.7%의 제품 출시가 가능합니다. 

불량률은 100만 개당 약 11.5개에 불과합니다. 

 

③ 플랫폼(Platform) 

- 제조 기업들은 적정의 생산 계획, 생산성의 개선, 품질 향상 등을 해결하기 위해 산업인터넷이나 빅데이터, 인공지능 등의 기술을 적극 도입하고 있습니다. 

이는 플랫폼 경제로의 전환을 암시합니다. 스마트 팩토리 구축의 핵심 열쇠는 플랫폼입니다. 

플랫폼의 연결성을 통해 지식과 정보를 공유하며 협업 체계를 이루어 스마트 팩토리를 구축할 수 있습니다. 

○ 보쉬(Bosch) 

- 자동차 전장 제품을 생산하는 보쉬(Bosch) 사는 열악한 제조 환경을 극복하기 위해 스마트 팩토리를 도입하여 환경을 개선했습니다. 

이는 제조 환경의 극복뿐만 아니라 경쟁에 대비하고자 하는 취지도 있었습니다. 게다가 생산 공정에서 제어를 위해 산업인터넷과 CPS를 구현했습니다. 

또 스마트폰을 활용한 유지 기능 등의 솔루션을 개발했고 이 노하우를 축적하여 기술 판매자의 역할도 수행하고 있습니다. 

 

3. 스마트 팩토리의 추진 이슈

● 커넥티드 팩토리(Connected Factory)의 구축이 요구됩니다. 공정 간의
- 연계를 제어하기 위해 주요 설비의 공정 데이터를 실시간으로 통합하고 분석 해야 합니다. 

하지만 설비의 경우에는 제조사별로 포맷이 상이하기 때문에 이를 통합하고 실시간 데이터베이스를 운영하기 위해서는 대규모 투자가 필요합니다. 

● 스마트 팩토리의 도입을 위한 이니셔티브를 확립해야 합니다. 커넥티드 팩
- 토리의 구축이 선행되어야 하지만 막대한 투자비를 정당화할 수 있어야 하기때문입니다. 

다. 통합 미들웨어(Middleware)와 표준화를 위한 협의가 필요합니다.

설비 제조사별로 데이터 포맷이 달라 데이터 통합을 위한 미들웨어 개발에는 상당한 규모의 투자가 필요합니다. 

 

4. 인공지능과 접목한 제조업

- 제조 데이터는 직관적인 해석이 어려워 기술의 도입에 제약이 많습니다. 

제조업 특성상 수율과 안전이 중요하여 인공지능 기술의 운영이 쉽지 않습니다. 

하지만 인공지능 기술을 도입하는 제조 기업들이 늘어나면서 다양한 적용 분야가 생겼고 급속한 기술 발달로 시장 규모도 커지고 있습니다. 

 

● 제조업에서 인공지능 도입의 도전
- 제조업에 인공지능을 도입해 실제로 제조 현장에 적용한 성공 사례는 많지 않습니다.

인공지능 기술의 성공적인 도입 사례는 B2C 산업의 선례가 대표적입니다. 

예를 들어, 구글 포토는 인공지능 딥러닝 기술을 이용하여 사진의 분류를 스스로 할 수 있게 되었습니다. 

하지만 제조업과 B2C가 사용하는 데이터와 인공지능 기술의 도입 목적과 응용 분야는 다릅니다. 

B2C에서는 인공지능을 인간을 대체할 수 있는 작업을 대신하는 용도로 많이 활용합니다. 

 

5. 인공지능의 도입·개발·운영·적용

● 도입 단계
- 대부분의 초기 도입 기업은 ‘Test & learn’을 목적으로 R&D 프로젝트만을 테스트하려는 경향이 있습니다.

알파고와 같은 B2C의 성공 사례를 통해 경영진은 인공지능의 도입 효과에 대해 큰 기대감을 가질 수 있습니다. 

다만, 시장 초기이기 때문에 인공지능이 적용된 제조업은 신기술 도입의 위험성이 존재합니다. 

인공지능 기술은 계속해서 발전을 거듭하고 있습니다. 

 

● 인공지능의 개발 단계

① 데이터의 불균형
- 제조업은 비정상 데이터를 찾아내기가 어렵습니다. 

하지만 데이터 분석을 위해서는 정상 데이터와 비정상 데이터가 모두 필요합니다. 

비정상 데이터가 많지 않은 까닭은 이것이 곧 생산 장비의 셧다운(Shutdown)이 많거나 제품의 이상이 많음을 의미하기 때문입니다. 

그런 기업은 생존할 수 없으므로 운영이 잘되고 있는 기업에서 비정상 데이터를 찾아내기가 어려울 수밖에 없습니다
이러한 데이터의 불균형은 데이터 분석을 어렵게 만드는 원인 중의 하나입니다.

② 데이터의 노이즈
- 부정확한 데이터가 섞이는 것을 데이터 노이즈라고 하며, 데이터 노이즈는 분석하는 데 어려움을 초래하게 됩니다. 

제조업의 데이터는 장비에 달려 있는 다양한 센서에서 생성되며, 하루에도 수 기가바이트 분량의 데이터가 생성됩니다. 여기서의 문제점은 데이터가 항상 정확하게 생성되지 않는다는 것입니다. 

데이터의 정확도를 떨어뜨리는 문제에는 통신 네트워크의 오류, 센서에 영향을 줄 정도의 높거나 낮은 온도, 센서 자체의 오류 등이 있습니다. 

 

● 인공지능의 운영 단계

① 기존 시스템과의 통합
- 제조 시스템은 수율, 환경의 안전과 직결되어 있어 새로운 시스템의 도입은 보수적이면서 안전한 방법으로 접근해야 합니다.

인공지능 시스템을 도입하고자 한다면 아마존 웹 서비스, 마이크로소프트 애저와 같은 클라우드 서비스나 시스템과 결합하는 것이 시스템 운영을 좀 더 수월하게 해 줄 것입니다. 

하지만 제조업은 B2C의 수준보다 보안 요구 사항이 높기 때문에 클라우드 도입에 소극적입니다. 

② 잦은 제조 환경의 변화와 모델 성능의 저하
- 제조업의 제조 환경은 계속해서 바뀌며 공정 방법이 달라집니다.

모델의 부분 변경 사항이나 신규 모델 출시에 따라 동작이 변화하고 공정이 달라지기 때문입니다. 

환경이 바뀌면 데이터가 달라지고 또 모델이 바뀌므로 모델의 성능을 지속적으로 유지하기가 어렵습니다.

부정확한 데이터가 섞이는 것을 데이터 노이즈라고 하며, 데이터 노이즈는 분석하 는 데 어려움을 초래하게 된다. O
[해설]
부정확한 데이터가 섞이는 것을 데이터 노이즈라고 하며, 데이터 노이즈는 분석하는 데 어려움을 초래하게 됩니다.
제조업의 데이터는 장비에 달려 있는 다양한 센서에서 생성되며, 하루에도 수 기가바이트 분량의 데이터가 생성됩니다.
여기서의 문제점은 데이터가 항상 정확하게 생성되지 않는다는 것입니다.
데이터의 정확도를 떨어뜨리는 문제에는 통신 네트워크의 오류, 센서에 영향을 줄 정도의 높거나 낮은 온도, 센서 자체의 오류 등이 있습니다.

데이터 마이닝, 머신 러닝, BI(Business Intelligence) 등의 데이터 분석 기술은 고도화되는 반면 데이터 분석에 대한 관심은 줄어들고 있다. X
[해설]
데이터 마이닝(Data Mining), 머신 러닝(Machine Learning), BI(Business Intelligence) 등의 데이터 분석 기술이 고도화됨에 따라 데이터 분석에 대한 관심이 커지고 있습니다.
기업이나 공장에서는 축적된 데이터를 활용하여 변화의 기 회를 만들어 내거나 위험 요소를 줄이며 자산의 효율성을 높입니다.

제조 데이터는 직관적인 해석이 어려워 기술의 도입에 제약이 많다. O
[해설]
제조 데이터는 직관적인 해석이 어려워 기술의 도입에 제약이 많습니다.
제조업 특성상 수율과 안전이 중요하여 인공지 능 기술의 운영이 쉽지 않습니다.
하지만 인공지능 기술을 도입하는 제조 기업들이 늘어나면서 다양한 적용 분야가 생겼 고 급속한 기술 발달로 시장 규모도 커지고 있습니다.