제조업 현장의 AI 도입 현실과 한계: 6시그마 품질과 딥러닝의 간극
산업 현장의 AI 도입 현황과 과제
최근 인공지능이 많이 등장하면서 세상이 빠르게 변화하고 있습니다. 저는 이미지 관련 전공을 하였고, 현재 이미지 관련 회사에서 일하고 있습니다.
산업 현장에서 인공지능과 관련된 회의론이 있는데, 제가 생각하기에 산업 현장에서는 인공지능 딥러닝을 도입하고 싶어 하지만 이해도가 낮아 회의적인 시각이 존재하고 있습니다.
우선 제조업에서 종사하셔서 품질 관리 하시는 분은 6시그마에서 요구하는 정확도를 원합니다.
하지만 딥러닝에서 그정도 성능을 달성하기는 어려운 실정입니다.
6시그마와 품질 관리
6시그마는 1987년 모토로라에서 시작된 품질 경영 혁신 방법론입니다. 제조 공정에서 발생하는 불량품을 최소화하고 품질을 향상시키기 위한 체계적인 접근 방식입니다.
6시그마의 품질 기준
* 허용 불량률: 백만 개당 3.4개
* 정확도: 99.99966%
일반적인 품질 관리에서는 약 백만개당 3,4개의 불량률을 원합니다.
따라서 그것에 상응하는 정확도를 요구를 합니다.
또한 하루 생산량 역시 중요하기 때문에 아래와 같은 속도를 요구합니다.\
산업 현장의 요구사항
속도 요구사항
* 일반 속도: 1초당 3개 처리 (300ms)
* 고속 처리: 1초당 10개 처리 (100ms) ~ ( 10-30ms 까지 요구)
* 딥러닝 기준 이미지 크기: 640 pixel
* 고해상도 카메라 약 : 5M - 10M (약 평균 2000 -3000pixel)
실제 딥러닝 속도는 다양합니다.
하지만 산업에서는 고해상도 카메라를 쓰고 전처리 그리고 기기 작동 시간까지 포함한 시간이기 때문에 딥러닝의 처리 속도는 더 작아집니다.
딥러닝 모델의 실제 성능
따라서 실제 산업에서 이미지 딥러닝 요구 조건은 약 98% ~ 99.9% 까지 다양하게 요구합니다.
| 환경 | 정확도 | 백만개 당 불량 수 |
|---|---|---|
| 논문 실험 | 99.43% | 5,700개 |
| 실제 현장 (상) | 99.4% | 6,000개 |
| 실제 현장 (중) | 99.2% | 8,000개 |
| 설명을 위한 예시 | 99.0% | 10,000개 |
| 설명을 위한 예시 | 90.0% | 100,000개 |
따라서 100만개 기준으로 90%면 약 10만개가 오류이고 99%이면 약 만개가 잘못 검출 됩니다.
그만큼 버려야 하는 상황이기에 제조업에서 일하신 분들은 6시그마에서의 정확도를 요구합니다.
하지만 논문에서 나오는 것들은 아직 정확도 99,9996%의 정확도인 모델은 아직 없습니다.
> **용어 설명**
> * IOU (Intersection Over Union): 객체 검출의 정확도를 측정하는 지표로, 예측 영역과 실제 영역의 겹치는 정도를 나타냅니다.
> * 패턴 매칭: 미리 저장된 패턴과 입력 이미지를 비교하여 유사도를 측정하는 전통적인 이미지 처리 방식입니다.
현재 산업 현장의 상황
일반적인 제조업 현장에서는 위와 같은 오류율을 받아들이기 어려워합니다. 그래서 여전히 기존의 패턴 매칭 방식을 계속 사용하고 있습니다.
패턴 매칭의 한계:
* 작은 환경 변화에도 정확도가 떨어짐
* 검사 가능한 영역이 한정적
* 새로운 패턴 추가가 어려움
이러한 한계를 보완하기 위해 현재는 딥러닝과 패턴 매칭을 함께 사용하고 있는 실정입니다.
또한 각 기업마다 딥러닝을 극대화 시킬수 있는 조명 및 환경(정렬, roi 지정) 등을 이용하여 고객사의 성능을 맞출려고 노력중입니다.
현실적인 문제점
높은 정확도 요구
산업 현장에서 요구하는 정확도:
* 목표 정확도: 99.9993% 또는 99.99%
* 현실적으로 달성이 매우 어려운 수준
비용 문제
* 검사 장비 가격: 5,000만 원 ~ 2억 원 그 이상 (보통 장비 가격에서 소프트웨어 즉 인공지능 가격을 낮추려 합니다.)
* 인건비 vs 장비 도입 비용의 장기적 비교
산업 트렌드 변화(학습의 어려움)
최근 산업의 트렌드를 보면 다품종 소량 생산으로 바뀌고 있습니다.
즉 매년 새로운 제품 라인업(예시, 에플, 삼성, 엔비디아 등등)이 되므로 생산 제품을 다시 설계하고 검사 장비를 맞추어야 합니다.
따라서 이 때문에 딥러닝이 제조 현장에서 많은 주목을 받았지만
반대로 딥러닝이 학습에 다양하고 많은 데이터를 얻어야 하는 단점을 가지고 있었어
실제 산업 현장에서 적용이 힘들고 위의 말대로 정확도를 그만큼 받쳐주지 못하고 있는 실정입니다.
이는 아까 말한 패턴 매칭이 못하는 역할을 딥러닝을 하기를 원하기에 딥러닝 도입하지만
패턴 매칭 만큼 정확도와 속도를 못 이기기 때문에 실제 산업 현장에서는 딥러닝의 회의론이 돌기 시작했습니다.
실제 간단한 주조 제품(b2b 제품)도 약 종류만 100가지가 넘고 검사 defect( 보통 scratch , 파힘등) 은 실제 통과 가능한 scratch와 구분히 힘든 상황입니다.(딥러닝 관점에서, 물론 패턴매칭이 힘들어 딥러닝 도입과정 검토 했던 것입니다.)
소프트웨어 제공 업체는 주어진 환경에서 보장된 성능을 제공 하고 싶어합니다. (어쩔수 없이 보수적으로 접근할수 밖에 없습니다.)
하지만 고객은 더 다양한 제품 그리고 정확도 그리고 속도를 요구하여 그것을 충족시키가 어려운 실정입니다.
또한 2-3년 뒤에 완전 다른 제품군을 생산하기에 기기와 제품을 업그레이드를 시켜야 하는 상황이 오면 그만큼 비용 지불이 고객사에서는 부담이 되는 실정입니다.
결론
현재 산업 현장에서는 딥러닝 도입에 대한 고민이 계속되고 있습니다. 인건비 절감과 속도 향상이라는 장점이 있지만, 높은 정확도 요구사항과 초기 투자 비용이라는 현실적인 걸림돌이 존재합니다.
따라서 아직 까지는 사람을 더 쓸려는 관점이 많습니다.
이는 공장을 해외로 이주하는 이유와 같은 맥락 같습니다.
아직 해결해야 하는 관점이 많지만, 아직 이미지 관련되어서는 인공지능이 발전의 한계가 생기고 있는 실정입니다.