제조업과 AI의 만남
전통적으로 제조업은 다른 산업에 비해서 디지털화의 비율이 낮은 산업이었다. 특히 AI의 정확도가 낮고 데이터 분류 체계가 확립되지 않은 2010년대까지만 해도 불량품의 구분이 제대로 이루어지지 않았기에 더욱 디지털보다 아날로그 방식이 더 적합하였다. 그러나 2010년대 후반부터 정확도가 높은 딥러닝 AI의 개발이 이루어지면서 제조 공정 자동화, 수요 예측, 생산품의 결함 확인 등 기존에 수많은 인력이 들어가는 작업들에 대해 AI를 활용한 대체가 가능해졌다.
하이퍼클로바X와 삼성전자
하이퍼클로바X는 네이버의 클로바X 기반의 기업용 초대규모 AI로 초기에는 e커머스의 제품 추천이나 챗봇과 같은 대화형 활동이 주를 이루었다면 지금의 하이퍼클로바X는 이용 기업에서 제공하는 데이터들을 바탕으로 교육, 의료, 물류, 제조업 등의 영역으로까지 활동범위를 늘려가고 있다.
그중 제조업은 하이퍼클로바X가 진출한 분야 중 가장 눈에 띄는 성장을 보여주고 있는 분야이다. 중앙일보에 따르면 2023년 9월 네이버와 삼성전자는 메모리 반도체 생산과 개발에 하이퍼클로바X를 활용하기로 파트너 협약을 체결했다. 네이버의 방대한 데이터와 삼성전자 내부의 데이터들을 활용하여 AI를 학습시키고 이를 통해 고도화된 AI 반도체를 개발하기 위해서다. 또한 12월부터 삼성전자 DS부문 전반에 걸쳐 하이퍼클로바X를 활용하기로 하였다.
삼성전자의 AI를 활용한 반도체 제조 공정
삼성전자는 하이퍼클로바X 도입 이전부터 AI 도입을 통해 스마트 팩토리라는 이름으로 제조 공정을 디지털화하려는 계획을 세워왔다. 다음은 삼성전자가 하이퍼클로바X 도입을 통해 스마트 팩토리를 구성하기 위한 계획들이다.
1. 비디오 분석을 통한 제조 공정 개선
기존의 제조 공정에서의 제조 라인 결함이나 오류는 발견하거나 즉시 해결하는 것이 불가능하였다. 특히 라인의 결함이 아주 미세하여도 생산에 큰 차질이 생기는 반도체 공정의 경우 이런 문제가 더 크다. 이런 문제들을 해결하기 위해 스마트 팩토리에서는 3D 이미지와 비디오 분석이 가능한 AI를 활용하기로 하였다. 스마트 팩토리에서 AI는 지속적으로 제조품과 공정을 모니터링하여 기존에 머신러닝을 통해 학습한 데이터들을 바탕으로 결함과 오류를 감지한다. 이를 통해 AI는 제조 라인에 속도를 높일지 낮출지, 혹은 생산을 중단할지 자동으로 명령을 내리고 공장 관리자에게 관련 내용을 전달한다. 또 이 과정에서 생긴 불량품들을 다른 생산품과 다른 곳에 배치하여 불량품 검수를 원활하게 진행할 수 있게 도와준다.
2. 공장 내 자산 추적
대규모 생산 공장에서의 인력 및 재고자산의 관리는 많은 비용과 인력이 소모되는 작업이다. 특히 화재나 지진과 같은 자연재해나 공장 내 산업재해와 같은 긴급상황에서 인력과 자산의 위치에 대한 정보는 가장 우선시 되어 수집해야 하는 정보이다. 스마트 팩토리에서 AI는 수많은 디바이스와 센서들을 통해 모든 인력과 재고자산들에 위치 태그를 부착하여 실시간 위치를 쉽게 파악할 수 있다. 이러한 과정을 통해 기존보다 더 적은 비용을 지출하여 대규모 공장의 인력과 재고자산을 관리할 수 있으며 앞서 언급했던 도난, 자연재해, 산업재해와 같은 긴급상황에서 더 효율적으로 상황을 통제할 수 있는 환경을 구성할 수 있다.
3. 자동화된 운송차량 통제
기존의 공장에서는 지게차와 같은 운반 차량을 사람이 직접 조종하여 창고에 생산품을 저장하였다. 이 과정에서 산업재해로 인해 사람이 다치거나 사망하는 사고가 발생하면서 기업에서는 AI를 기반으로 한 자동 운반 차량(AGV)를 요구하게 되었다. AI 기반의 AGV는 사람의 직접 조종이 없어 재해 속에서 인명피해의 위험을 제거하고 필요한 인력과 비용을 획기적으로 감소시킬 수 있다.
AI가 AGV 차량을 통제하여 필요한 제조 라인에 원자재를 운반하거나 생산된 생산품을 창고로 운반하는 등 물류 이동 전반에 걸쳐 AI가 활용된다.
마무리
삼성전자와 하이퍼클로바X의 협업 사례를 조사하며 학습하면서 제조업에서 AI의 활용이 이미지 및 비디오 분석 기능이라는 특정한 기능에 집중 되었다는 것을 알게되었다. 예를 들어 불량품 검수 과정이나 제조 라인의 오류나 결함 발견, AGV 차량 통제 등, 제조업에서 중요하게 여겨지는 것이 대부분 카메라 같이 디지털 이미지나 비디오 정보를 수집하는 기기를 활용하고 수집한 정보를 토대로 관리자에게 알리거나 자동으로 공장을 통제하는 모습을 보여준다.
컴퓨터 비전
디지털 이미지나 비디오에서 정보를 추출하고 가공하는 공정의 전반을 컴퓨터 비전이라고 한다. 컴퓨터 비전에서 데이터를 활용하기 위해 가장 먼저 해야하는 것은 객체 인식(Object Detection)이다.
객체 인식을 위해서는 다음과 같은 과정을 갖는다.
1. 이미지를 픽셀 그리드로 저장하여 픽셀의 색상을 RGB 조합으로 저장한다.
2. 노이즈와 기타 아티팩트를 제거하고, 크기를 조정하거나 명암을 조정한다.
3. 이미지에서 객체를 인식하기 위한 특징점을 찾아낸다.
4. 찾아낸 특징점을 바탕으로 이미지나 영상 내에서 그리드를 통해 인식한 물체를 표시한다.
이러한 과정을 통해 객체 인식이 가능하며 최근에는 CNN 기술의 등장으로 더 정확한 객체 인식이 가능해졌다.
CNN(Convolutional Neural Network)
CNN은 이미지와 같은 격자형 구조를 가진 데이터를 처리하기 위해 특별히 설계된 인공 신경망의 일종이다. CNN은 이미지의 패턴을 학습하여 객체를 식별하는데, 두 개의 신호를 받아 세번째 신호를 생성하는 컨볼루션 연산을 기반으로 작동한다. 이 작업을 다른 필터를 적용하여 여러번 반복해 다양한 특징점을 식별할 수 있게 학습할 수 있다.
내용출처: https://www.thedatahunt.com/trend-insight/computer-vision
'Study > 데이터산업 백서' 카테고리의 다른 글
| 데이터 활용으로 인한 농업 분야의 변화 - 에그태그(Agtech) (1) | 2023.11.22 |
|---|---|
| 뱅크샐러드의 마이데이터 활용 분석 (0) | 2023.11.07 |
| 기업 NVIDIA의 의료 분야 메타버스 "Clara" (0) | 2023.11.07 |
| 금융 산업에서 고객에게 가치 있는 서비스를 제공할 때 활용되는 CNN (0) | 2023.11.06 |
| Xarvio - 바이오매핑을 이용하는 농업 컨설팅 서비스 (0) | 2023.11.05 |
