현재 제조업은 미래형 제조 시스템으로의 진화를 앞두고 있다. 과거 숙련공의 감에 의존해 공정 조건을 맞추고 품질을 관리하던 시대는 이제 명확한 한계에 부딪혔다. 이러한 숙련공마저 이제는 부족한 실정이다. 이 같은 인력난과 더불어, 글로벌 공급망 불안정 및 규제 강화, 지정학적 리스크 심화, 시장 요구 다변화, 에너지 가격 변동성 증대 등 현시점 제조업에는 다양한 거림돌이 존재한다.

 

아울러 제조 시스템 내부에서도 다양한 문제가 지적되고 있다. 개별 장비는 똑똑해졌지만, 이들이 서로 유기적으로 소통하지 못하는 단절된 시스템은 데이터의 막대한 잠재력을 활용하지 못하게 하는 요인으로 분석된다. 운영기술(OT)과 정보기술(IT)이 분리된 기존 제조 환경은 사이버 보안의 취약성을 야기하며, 이는 전체 시스템의 안정성을 위협하는 불안 요소가 됐다.

 

이처럼 제조업은 더 이상 '생산성'이라는 단일 목표만으로 경쟁력을 확보할 수 없는 복합적인 위기에 직면했다.

 

 

제조업의 도전 과제, 업계 전문가가 제시한 ‘넘어야 할 산’은?

 

이달 5일 열린 ‘제8회 자율제조 월드 쇼(2025 Autonomous Manufacturing World Show 이하 AMWS)’에서는 각 분야 전문가가 현재 제조업이 직면한 문제와 해결 과제에 대해 각자의 시각을 기반으로 짚어냈다.

 

최윤서 뉴로메카 마스터는 협동 로봇(Collaborative Robot, 코봇)이 그동안 중소 제조 공정 자동화에 기여했지만, 이 과정에서 기존 코봇이 가진 고질적인 한계를 지적했다. 그는 특히 로봇이 사람의 안전을 위해 충돌이 발생하면 즉시 작업을 멈추도록 설정된 점이 한계로 작용한다고 설명했다.

 

이는 펜스 없이 로봇을 운영하기 위한 안전 인증을 필수로 받아야 하고, 이것이 연결돼 생산성 저하나 공정 중단으로 이어진다는 문제점을 염두에 둔 것이다. 나아가 “용접(Welding) 등 고난도 작업에서 로봇의 물리적 제약이 여전히 존재한다”며 “생산성·경제성 측면에서 휴머노이드 로봇(Humanoid Robot) 또한 아직은 연구 단계에 머물러 있어, 실제 산업 자동화에 적용하기에는 많은 난관이 있다”고 덧붙였다.

 

허명준 인터엑스 최고브랜드책임자(CBO)는 제조업 현장에서 인공지능(AI) 도입 시 직면하는 다층적인 난관을 분석했다. 그는 AI가 학습하고 판단하는 데 필수적인 제조 데이터의 부족 및 불균형, 방대한 데이터에 정확하게 정보를 입히는 ‘레이블링(Labeling)’ 작업의 어려움 등을 핵심 한계로 꼽았다.

 

이는 불량품 데이터와 같은 특정 상황에서 필요한 데이터가 희소하거나, 데이터 형태가 다양해 표준화하기 어렵기 때문에 발생하는 문제다. 그는 또 개발된 AI 모델이 특정 환경에서는 문제없이 작동하지만, 타 공장·제품에 적용될 때 성능이 저하되는 확장성·범용성 부족도 상용화의 큰 걸림돌이라고 강조했다. 그러면서 “방대한 양의 비정형 데이터 처리, 기존 시스템과의 연동 문제, AI 추론 결과의 신뢰성 확보 등이 중요하다”고 언급했다.

 

손대식 유비씨 센터장은 생산 인프라가 자동화에서 지능화·자율화로 진화하는 과정에서의 허들에 주목했다, 제조 현장 내 프로세스·시스템 제어 권한이 사람에서 AI·로봇 등으로 전환되는 ‘제어 주체’의 변화가 손 센터장이 꼽은 핵심적인 변화다. 그는 현재 AI가 보조적인 역할을 하고 최종 제어 권한은 여전히 사람이 가지고 있지만, 추후 완성될 차세대 제조 시스템은 기계가 스스로 제어권을 가지고 움직여야 함을 역설했다.

 

그는 이를 위해 AI·로봇 등 기계의 자율적인 판단과 행동에 대한 ‘검증·책임의 소재’가 분명해야 한다고 피력했다. 또 기존 생산 시스템 시뮬레이션 솔루션 시장의 한계점도 언급했다. 이러한 솔루션은 고가인 경우가 많아, 중소·중견기업이 초기 도입 비용에 대해 부담을 느끼고 있다는 평가다.

 

아울러 시뮬레이션을 가동하기 위한 데이터 학습 난이도가 높아, 사용자는 전문가에게 의존해야 한다는 점도 허들로 지목했다. 이와 함께 단순한 공정 관리용 ‘문서 파일’과 복잡한 공정 분석을 위한 전문 ‘시뮬레이션 툴’ 사이의 공백 또한 해결해야 할 난관이라고 분석했다. 실제 현장에서 시뮬레이션 기술이 폭넓게 활용되기 어렵다는 것이 그의 주장이다.

 

 

김일중 카이스트(KAIST) 센터장은 중소·중견 제조 기업이 AI를 도입·활용하는 데 겪는 현실적인 어려움을 제시했다. 그는 육체 노동의 비중이 큰 현장에서 AI 도입에 대한 지식 부재가 존재하며, AI 시스템을 운영할 전문 인력 부족과 숙련공의 노하우를 AI가 학습하는 과정에서 난관이 발생한다고 평가했다.

 

특히 AI 기반 결함 탐지 시스템 구축 시 필요한 불량 데이터가 절대적으로 부족하다는 점도 한계로 지목했다. 이는 앞서 허명준 CBO가 언급한 것과 같은 문제점이다. 그러면서 학계의 연구 결과와 달리, 실제 산업 현장에 적용 시 발생하는 성능 괴리 또한 큰 문제라고 설명했다. 이는 AI 모델이 학습한 가상 환경과 실제 생산 현장의 복잡하고 예측 불가능한 변수들 사이의 차이에서 비롯된다.

 

그는 인간의 시청각 능력과 감에 의존하던 기존 품질 검사 방식의 한계점을 극복하기 위한 AI 기술의 필요성을 강조하기도 했다. 결과적으로, 현실적인 데이터 확보의 어려움이 여전히 제조 AI 도입의 큰 도전 과제임을 의미한다.

 

이택민 한국기계연구원 실장은 디지털 트윈(Digital Twin, DT)과 AI 기반 차세대 제조 시스템을 구축하는 과정에서 발생하는 기술적 난제를 조명했다. 그는 생산 현장에서 발생하는 방대한 실시간 데이터를 수집하고 전처리하는 과정의 복잡성을 주요 과제로 꼽았다.

 

그에 따르면, 이 데이터들은 센서 종류, 설비 특성 등에 따라 다양한 형태를 띠고 있고, 정제·분할·융합·동기화·표준화 등 작업이 매우 복잡하고 많은 시간과 비용을 요구한다. 또한 특정 장비나 공정에 맞춰 개발된 AI 모델이 다른 환경에서는 제대로 작동하지 않는 ‘범용성 부족’도 실제 현장 적용 시 큰 장애물이 된다고 설명했다.

 

이는 매번 새로운 현장에 맞춰 AI 모델을 재학습해야 하는 비효율로 이어진다. 그는 나아가 설비 예지보전 분야에서는 예측의 핵심인 고장 데이터가 매우 희소하다는 점이 예측 정확도를 높이는 데 근본적인 어려움으로 작용한다는 점도 강조했다.

 

실제 고장이 발생하는 경우가 드물어, AI가 충분한 고장 사례를 학습하기 어렵기 때문이다. 이 실장은 이러한 데이터 관련 문제와 모델의 범용성 한계가 AI 기반 유지보수 시스템 구축에 있어 해결해야 할 중요한 과제임을 밝혔다.

 

이 같은 제조업의 다양한 요구에 대한 해답으로 자율제조(Autonomous Manufacturing)가 급부상하고 있다. 이는 AI·로봇·DT 등 첨단 기술의 유기적 융합을 통한 품질 최적화, 생산 다운타임(Downtime) 최소화, 효율성 극대화 등을 정조준하는 미래형 제조 시스템이다. 이를 통해 제조업의 원초적인 목적 달성을 꾀할 수 있을 것으로 보인다.

 

자율제조로의 한계 돌파 가능성은? 로봇·AI·DT가 던지는 혁신 방법론

 

 

이날 포럼에서 앞선 전문가들이 한자리에 나서 제조업 난제 해결을 위한 혁신 기술을 공개했다. 이 자리에서 데이터 통합을 기반으로 한 AI·로봇·DT 등 각 분야의 최신 솔루션이 제시됐다. 이들은 제조업의 다음 미래를 위한 구체적인 로드맵과 성공 사례를 선보였다. 이를 통해 예측 불가능한 제조 시스템 내 변수와 데이터의 벽에 갇힌 제조 인프라의 개선 방향성이 심층적으로 논의됐다.

 

< Robotics >

 

뉴로메카는 작업자의 직관에 의존한 기존 공정의 한계를 넘는 로봇 기반 자율화 시스템을 강조했다. 로봇이 스스로 상황을 인지하고, 물리적 환경 및 작업자와 직접 상호작용하는 고도화된 기술, 즉 인간·로봇 상호작용((HRI) 기술의 핵심인 ‘물리 세계 인터랙션’으로의 진화를 혁신점으로 내세웠다.

 

이는 AI가 물리적 세계를 인식·이해하며 직접 행동하는 ‘피지컬 AI(Physical AI)’의 필수적인 구현 요소로, 엔비디아 CEO 젠슨 황(Jensen Huang)이 언급한 ‘AI의 다음 단계’와도 연결된다.

 

뉴로메카 2세대 협동 로봇은 다양한 센서를 통해 충돌을 예측하고 회피 궤적을 실시간으로 생성해 최적의 작업을 수행한다. 속도·가속도·힘을 포함한 사람의 복잡한 작업을 최대 20개의 시연 데이터로 학습해, 모방학습(Imitation Learning)을 거쳐 다양한 작업을 수행할 수 있도록 개발됐다. 여기서 모방학습은 기존 공정에서 작업자의 동작·프로세스를 그대로 모사하는 기술이다.

 

 

뉴로메카는 이를 기반으로, 조선·철강 분야에서 이동성·유연성을 확보하고, 무인화에 대응하기 위한 로봇 플랫폼을 개발 중이다. 대칭형 협동 로봇, 사족 보행 로봇 등이 이에 해당된다.

 

아울러 AI 비전 기반 인식 지능을 강화해, 3차원(3D) 카메라로 용접선을 자동 인식하고 용접 품질을 스스로 검사하는 기술이 소개됐다. 이는 컴퓨터지원설계(CAD) 데이터 없이도 정확한 용접선 인식을 가능하게 하는 기술이다. 사측은 AI를 이용해 용접 조건을 자동으로 결정하고, 작업 지시를 학습하며, 자율 용접을 수행하는 지능 확보를 목표로 기술을 고도화하는 중이라고 밝혔다.

 

< Artificial Intelligence >

 

인터엑스는 조직 내 데이터가 각 부서·시스템에 고립돼 서로 공유·활용되기 어려운 상태인 ‘데이터 사일로(Data Silo)’를 타파하고, 이를 AI에 통합하는 방법론을 공유했다. 이를 위해 기존 수치 및 텍스트 데이터 외에 비디오·오디오·코드·이미지 등 다차원 데이터를 통합하고, 이미지·텍스트를 동시에 이해하는 ‘비전언어모델(VLM)’을 발전시켜야 함을 강조했다. 이를 통해 광범위한 데이터 추론이 가능하다는 게 사측 설명이다.

 

인터엑스는 데이터를 쉽고 자동으로 처리하기 위해, 온톨로지(Ontology)와 시맨틱(Semantic)이라는 방법론을 채택한다. 이 둘은 AI가 데이터를 정확히 이해하도록 지식 개념과 그 관계를 체계적으로 정의하고, 의미를 부여하는 핵심 기술로 활약한다.

 

인터엑스는 이러한 기술을 통합해 제조업 특화 생성형 AI(Generative AI)를 개발·공급하고 있다. 이러한 제조업 특화 거대언어모델(LLM)은 사람의 언어로 소통하는 파운데이션 모델로, 의사 결정권자가 AI를 활용해 위험을 줄이고, 기업 운영 및 소통을 효율화하도록 돕는다.

 

이는 AI 모델과 도구·지침을 연결하고, 워크플로를 설계해, 스스로 판단하고 목표를 달성하는 AI 에이전트(AI Agent)로 대표된다. 이를 통해 반복 업무를 자동화·단순화하고, AI의 추론 능력을 향상시킬 것으로 기대받는다. 이러한 AI 에이전트 도입은 신입 직원이 업무에 적응하는 것을 돕고, 업무 속도를 단축시키는 역할을 한다. 또 새로운 사용자 경험을 제공해, 전체 직원의 지식 수준을 높이고 생산성을 향상시킨다.

 

인터엑스 측은 AI 에이전트의 움직임을 실시간 추적하고, AI가 정보를 찾아 답변을 만들 때 정확도·신뢰성을 높이는 ‘어드밴스드 RAG(Advanced Retrieval Augmented Generation)’ 기법을 기술에 도입하고 있다. 이는 AI가 사실이 아닌 정보를 만들어내는 환각 현상(Hallucination)을 방지하고, 조직 내부의 민감 데이터를 안전하게 활용하는 데 솔루션을 제시한다.

 

 

카이스트는 중소 제조업체의 AI 적용을 위한 AI 제조 플랫폼 ‘캠프(KAMP)’를 제조 경쟁력 확보 방안으로 제시했다. 캠프는 AI 분석 목적에 기반 6억 개 이상의 실제 공정 변수 데이터를 제공한다. 이는 각 현장에 맞는 AI 개발의 근본적인 데이터 부족 문제를 해결하는 데 기여했다고 평가받는다.

 

또한 사용자가 코딩 없이도 AI 알고리즘을 선택하고 빠르게 결과를 예측할 수 있는 노코딩(No-coding) 방식의 분석 지원 도구를 제공해, 현장 적용 가능성을 가속화했다. 이날 포럼에서 예시로 든 사례는 ▲AI 기반 품질 검사 및 최적 공정 예측 ▲내화물 비파괴 검사 AI 도입 ▲페트병 제조 공정 품질 검사 및 자동 포장 등에 의한 불량률 감소 레퍼런스다.

 

여기서 나아가 카이스트는 진동·열·소리 데이터 분석을 통해 설비 고장 징후를 사전에 감지·예측하는 설비 예지보전 AI 시스템을 개발하고 있다. 더불어 생성형 AI 기반의 데이터 생성 기법을 활용해 불량 데이터 부족 문제를 극복하는 방안도 선보였다. 이를 통해 제조 이미지 데이터를 생성하고, 기존 AI 공정에 결합하여 AI 성능을 최적화할 수 있다.

 

여기에 모델을 지속 개선·강화하는 피드백 루프(Feedback Loop)를 활용해, AI의 약점을 새로운 AI로 보완하는 기법도 소개됐다. 이는 시간과 환경 변화에 따른 성능 저하 문제까지 해결할 것으로 기대받는다. 카이스트는 이러한 방식으로 지속 가능한 AI 강화 시스템을 구축할 수 있다고 강조했다. 연구원은 지금까지 캠프를 통해 약 400개 업체를 지원했고, 8만 건 이상의 제조 AI 데이터셋(Dataset)을 제공했다.

 

< Digital Twin >

 

유비씨는 앞서 공장 지능화에서 자율화로 나아가는 가장 큰 이슈로 '제어 주체'의 변화를 지목한 바 있다. 이 과정에서 오토파일럿에서 FSD(Full Self-Driving)로 넘어가는 테슬라(Tesla)의 자율주행 기술 고도화 사례를 빗대어 설명했다.

 

이 과정에서 제조 특화 시뮬레이션 기술을 통해 방대한 데이터를 학습하고, 가상 환경에서 시스템의 신뢰성을 확보해 제어권을 작업자에서 기계로 이양하는 단계의 중요성을 역설했다.

 

유비씨는 이를 위해 고가·고난이도의 기존 시뮬레이션 툴의 한계를 개선하고, 중소기업도 쉽게 접근 가능한 제조 공정 시뮬레이션 솔루션 ‘옥토퍼스 시뮬레이터(Octopus Simulator)’를 선보였다.

 

이 시뮬레이터는 시스템 다이내믹스(System Dynamics), 이산 사건 시뮬레이션(DES), 에이전트 기반 모델링(ABM) 등 다양한 시뮬레이션 방법론을 활용한다. 이는 복잡한 공정 분석 및 예측을 가능하게 한다.

 

특히 한글 매뉴얼, 기술 지원, 맞춤화(Customized) 용이성, 기존 툴과의 연동, 서비스형 서프트웨어(SaaS) 기반 커뮤니티 생태계 지원 등을 통해 시뮬레이션의 대중화를 추구한다. 사측은 생산 외 경영 관리, 영업 마케팅, 연구 개발, 물류 최적화, 환경 안전 등 직무에서 시뮬레이션이 필수 도구가 되어야 함을 강조한다.

 

한국기계연구원은 복잡한 전처리 과정을 AI 또는 프로그래밍으로 자동화하는 AI 기반 데이터 전처리 자동화를 핵심 해결 방안으로 내놨다. 또한 AI가 스스로 모델링 파라미터를 세팅하고, 최적의 AI 모델을 자동으로 완성하는 AI 기반 모델링 자동화 개발도 함께 추진한다. 이 기술은 딥러닝(Deep Learning) 레이어 수 및 노드 개수를 결정하는 등 과정을 통해 AI 모델을 자동 구축한다.

 

연구원은 실제 장비와 DT 모델을 실시간으로 연동해 데이터를 수집하고, AI가 모델링·분석·예측·최적화 등 전 과정을 자율적으로 수행하는 시스템을 구축한다고 설명했다. 이 시스템은 현장 및 설비에서 발생하는 실시간 데이터를 분석해 장비의 이상 징후를 감지·진단하는 예지보전 및 이상 감지 AI 모델 개발에도 활용된다.

 

또 특정 장비에 학습된 AI 모델이 다른 장비나 환경에도 적용될 수 있도록 ‘자가 지도 사전 학습(Self-supervised Pre-training)’ 및 ‘전이 학습(Transfer Learning)’ 기술을 활용한다. 이를 통해 AI 모델의 확장성·적용성 확보를 노린다.

 

연구원은 시뮬레이션 기반 DT 명령 시스템도 새로운 방향성으로 제시했다. 이 시스템은 DT 환경에서 실제 장비에 최적화된 실험을 진행하고, 설비에서 수집된 데이터를 AI가 스스로 학습해 성능을 개선하는 순환 구조를 갖추는 점이 특징이다.

 

이를 통해 가속 수명 시험 평가 기술과 AI 연동으로 고장 데이터 부족 문제를 해결하고, 예측 정확도를 높이는 연구를 진행할 수 있고, 이는 곧 고장 데이터 희소성을 극복하는 방향으로 나아갈 수 있다.

 

헬로티 최재규 기자 |