제조 현장은 이미 많은 것을 자동으로 움직인다. 컨베이어는 정해진 속도로 가동하고, 로봇 팔(Robot Arm)은 입력된 궤적을 반복한다. 제조 최후방을 담당하는 검사 장비는 설정된 기준에 따라 양품·불량을 자동으로 찾아낸다. 그러나 이것만으로는 차세대 제조 인프라 ‘자율제조(Autonomous Manufacturing)’가 완성됐다고 볼 수 없다. 자동화(Automation)는 정해진 명령을 수행하는 단계고, 자율화(Autonomous)는 현장에서 발생하는 변수를 감지하고 다음 행동을 판단하는 것이기 때문이다.

 

이 차이는 예외 상황에서 드러난다. 대상물이 정해진 위치에서 벗어나거나, 결함 데이터가 부족한 상황. 그리고 각종 시스템이 서로 다른 언어로 움직이면 공정은 다시 작업자의 판단에 기대게 된다. 자율제조가 운영 프로세스의 문제로 넘어가는 이유다. 결국 로봇과 자동화 장비를 들여놓는 것만으로 공장이 스스로 움직이지는 않는다는 점이 핵심 문제의식이다.

 

피지컬 AI(Physical AI) 운영 플랫폼 업체 이에이트의 류제형 최고기술책임자(CTO)는 이를 관통하는 메시지를 전했다. 그는 “자동화와 자율화는 완전히 다른 형태다. 자동화는 시키는 일을 잘하는 것이지만, 자율 시스템은 중간중간 스스로 의사결정을 하는 기술 접근법이 필수”라고 말했다. 다종·이기종 시스템이 연결돼야 현장이 자율화에 가까워질 수 있다는 화두를 던진 것.

 

이처럼 자율제조의 본질은 현장 정보를 얼마나 빠르게 읽고 정확하게 판단할 수 있는가다.

 

< 인식 > 물리적 학습 모델의 현장성...‘제조 유연성’을 보장하는 시각 인프라

 

자율제조의 첫 관문은 보는 능력이다. 다만 여기서 ‘본다’는 뜻은 카메라로 화면을 찍는 수준에서 더욱 나아가야 한다. 로봇과 같은 장비가 집어야 할 물체의 위치·기울기·상태·표면·장애물 등을 감지하는 과정이 필요하다. 여기에 검사 장비가 결함의 모양·위치를 비롯해, 양·불의 경계를 구분해야 한다. 현장을 읽지 못하는 장비는 움직일 수는 있어도 판단할 수 없다.

 

취출(Picking)·조립·검사·분류 등 공정에서 이 차이가 더 드러난다. 대상물이 항상 같은 위치에 놓이고, 조명이 일정하면서도, 제품 방향이 정해져 있다면 기존 자동화로도 충분하다. 그러나 실제 제조 현장은 이렇게 고정돼 있지 않다. 작업자는 언제든 결함을 놓칠 수 있고, 규칙 기반(Rule-based) 검사는 사람이 설정한 기준 밖의 불량 앞에서 한계를 드러낸다.

 

3차원(3D) 로봇 비전(Vision) 기술 업체 픽잇의 한국 지사 픽잇코리아가 제시한 3D 비전 검사 방법론은 이 지점에서 자율제조의 ‘첫 번째 감각’으로 등장했다. 송대성 픽잇코리아 과장은 비전의 진화에 대해 ▲눈이 없는 단순 반복 로봇 ▲평면 위 제품을 보는 2차원(2D) 비전 ▲3D 비전과 피지컬 AI가 결합된 단계로 나눴다.

 

 

그는 “자율제조를 위해서는 공간을 이해하는 ‘3D 지능’, 상황에 따라 판단할 수 있는 ‘피지컬 AI’, 작업자 개입 없이 기계를 제어하는 제로터치(Zero-touch) 운영이 필요하다”고 역설했다. 이때 피지컬 AI는 인공지능(AI)이 물리적 환경을 직접 학습·적응해, 로봇·설비·시스템이 실제 공간에서 자율적으로 문제를 해결하고 인간과 협력하도록 구현하는 기술 방법론이라는 게 이론적 정의다. 쉽게 말해 AI가 물리 환경 속 하드웨어와 결합하는 기술이다.

 

그에 따르면, 여기서 3D 비전의 역할은 좌표를 찍어주는 장치 그 이상이다. 로봇이 행동 가능한 장면을 만드는 과정이다. 2D 비전이 평면에 놓인 대상을 읽는 데 강점을 보였다면, 3D 비전은 부품이 뒤섞인 운반 상자(Bin), 높이가 다른 작업물, 난반사가 있는 표면, 다양한 조명 환경 등을 다룬다.

 

송 과장은 “부품이 흐트러져 있거나 높이가 다르고, 난반사나 조명 변화가 있는 환경에서는 2D 비전보다 3D 비전이 훨씬 안정적으로 제품을 인식할 수 있다”고 짚었다.

 

이 가운데 그가 지목한 자동화의 문제는 기술 자체보다 실패 조건이다. 투자수익률(ROI) 회수 기간 전에 전용 설비가 노후화되고, 단일 품목 생산을 전제로 구축한 시스템이 제품 변화에 대응하지 못하는 순간 자동화는 다시 비용이 된다는 주장이다.

 

이 때문에 3D 비전은 유연성을 확보하는 장치로 제시됐다. 제품이 정렬돼 있지 않아도 물체의 3D 포인트 클라우드(3D Point Cloud)를 확보하고, 전처리를 거쳐 로봇이 집을 수 있는 위치와 접근 경로를 만든다. 이는 수많은 점의 위치 좌표를 모아 물체의 입체적인 형상을 시각화하는 데이터 체계다. 이 접근은 작업자 위치를 전환하고 위험 공정을 줄이는 방식으로, 자동화가 현장에 도입되는 모습을 구현한다.

 

반면 뉴로클도 AI 기반 비전검사 소프트웨어의 필요성을 내세웠다. 이들이 겨냥한 현장의 눈은 품질을 판정하는 요소다. 로봇이 물체를 잡기 위해 공간을 읽어야 한다면, 제조라인은 제품의 상태를 읽어야 한다. 검사 공정은 생산라인의 최후방에 놓이지만, 자율제조 관점에서는 가장 먼저 확보돼야 할 판단 루프이기도 하다. 불량을 제대로 읽지 못하면 공정 문제가 어디에서 터졌는지 알 수 없고, 다음 조치도 시스템 안에서 자동으로 이어지기 어렵다.

 

이홍석 뉴로클 대표이사는 육안 검사와 룰베이스 검사의 한계를 짚었다. 육안 검사는 작업자 상태와 숙련도에 따라 기준이 다르고, 룰베이스 검사는 사람이 이미지 특징값·한도값을 설정해야 한다는 것이다. 이 방식은 정형화된 결함에는 대응 가능하지만, 형태가 일정하지 않은 비정형 결함을 잡는 데 한계를 갖는다는 분석도 이었다.

 

 

이 대표는 AI 딥러닝(Deep-learning) 비전검사의 강점을, 비정형화된 불량까지 잡아낼 수 있다는 점으로 정리했다. 그는 논점을 확대해 “아무리 좋은 AI 딥러닝 기술이라도 제조업 현장의 문제를 해결하지 않으면 의미가 없다”고 전했다.

 

그러면서 “실제 비전검사 도입 현장에서는 모델 최적화, 양질의 결함 데이터 부족, 레이블링 시간, 예상하지 못한 신규 불량이 동시에 병목으로 나타난다”고 덧붙였다. 수율이 높은 공정일수록 불량 데이터는 오히려 부족하고, 결함이 적게 발생할수록 AI가 배워야 할 사례도 줄어든다는 설명도 부연했다.

 

이 때문에 뉴로클은 AI 비전 모델 학습과 실시간 검사 장비 연동 런타임(Luntime)을 관장하는 소프트웨어 기법을 핵심 흐름으로 제시했다. 전자인 ‘뉴로티(Neuro-T)’는 이미지를 기반으로 레이블링과 모델 생성을 수행하고, 그 뒤 ‘뉴로알(Neuro-R)’은 학습된 모델을 실제 검사 장비에 탑재해 실시간 판정을 맡는다. 검사 모델을 만드는 단계와 생산라인에서 가동하는 단계를 나눠, AI 비전검사를 현장 워크플로(Work flow) 안으로 적용하는 구조다.

 

데이터 부족 문제에 대한 접근도 주목받았다. 회사는 소수의 결함 이미지를 바탕으로 가상 결함 이미지를 생성하는 생성형 모델과, 정상 이미지만 학습해 비정상을 찾아내는 비지도 학습 모델을 함께 제안했다. 결함이 충분히 쌓이기를 기다리는 기존 방식에서 벗어나, 부족한 결함 데이터를 보완하거나 정상 패턴에서 벗어난 이상을 찾아내는 방식이다.

 

이렇게 보면 자율제조의 ‘눈’은 두 갈래로 나뉜다. 하나는 로봇이 움직일 공간과 대상을 읽는 눈이고, 다른 하나는 제품의 상태와 결함을 읽는 눈이다. 다만 보는 능력만으로 자율제조가 완성되기 힘들다. 비전이 만든 좌표와 AI가 판정한 불량 정보는 인프라 내 다른 시스템과 연결돼야 한다.

 

< 데이터 > 흩어진 공정 로그에 관계 부여하기 “지능형 추론 근거 수립이 관건”

 

로봇과 검사 장비가 현장을 감지하기 시작하면, 다음 문제는 그 정보가 어디로 흘러가느냐다. 카메라가 물체 위치를 잡고, AI 검사 모델이 불량을 판정해도 그 결과가 현장 내 시스템과 연결되지 않으면 판단은 공정 안에 녹아들지 못한다. 데이터는 쌓였지만 서로 관계 맺지 못하고, 시스템은 존재하지만 각자 자기 일만 하는 상태다.

 

자율제조가 자동화에서 실현되기 어려운 이유와도 연결된다. 자동화는 특정 장비가 정해진 명령을 반복하면 성립한다. 그러나 자율제조는 장비 사이에서 발생한 정보를 해석하고, 다음 조치를 선택하며, 그 결과를 다시 현장으로 되돌리는 구조를 요구한다. 한 공정에서 생긴 이상이 다음 공정의 판단으로 이어져야 한다.

 

피지컬 AI 운영 플랫폼 기업 E8(이에이트)가 꺼낸 온톨로지 AI(Ontology AI)는 이 문제를 데이터의 관계로 풀어냈다. 류제형 CTO가 앞서 자동화와 자율화의 차이를 언급하며, “제조 현장은 자동차 주행처럼 하나의 형태(Form-factor)와 하나의 목적만으로 이뤄지지 않는다”면서 “로봇, 물류 장비, 공정 설비, 검사 장비 등이 서로 다른 목적과 데이터 구조를 가진 채 움직인다”는 메시지를 전한 것이 그 배경이다.

 

문제는 이미 관련 데이터가 곳곳에 있지만 서로 연결돼 의미를 만들지 못한다는 데 있다. 이와 관련해 류 CTO는 “서로의 데이터를 연결하고 관계를 지어주는 구조”로 온톨로지의 개념을 설명했다. 현장 데이터가 어떤 맥락에서 축적됐고, 그 연결 대상은 뭔지, 이것이 무슨 상태를 의미하는지 정의돼야 자율 시스템의 판단 근거가 된다는 관점이다.

 

 

이 관점에서 온톨로지는 대상·장비·작업·상태·원인·결과 등 공장 안의 관계로 연동하는 방법론에 가깝다. 예를 들어, 물류 로봇이 멈췄을 때 그 사실만 기록하면 로그(Log)에 그친다. 그러나 어느 구간에서 멈췄는지, 어떤 작업을 수행 중이었는지, 앞뒤 공정은 어떤 영향을 받는지, 대체 경로가 있는지 등이 연결돼야 시스템은 다음 행동을 선택할 수 있다.

 

이에이트가 제시한 방향은 이 관계 구조 위에 에이전트 AI(Agent AI)를 적용하는 방식이다. 기존에는 로봇 제어 시스템, 물류 상위 운영 시스템, 현장 장비가 각각 도입됐다. 여기에 에이전트 시스템을 올려 상황을 해석하고, 필요한 지시를 다시 제어단으로 내려보내는 순환 구조를 만들겠다는 구상이다.

 

관련해 류 CTO는 목적이 정의되면 에이전트가 실험 계획을 세우고, 실험과 데이터 정제, 데이터 검증, 부족한 데이터 보충까지 수행하는 구조를 언급했다. 그는 “이 대목에서 자율제조는 작업자의 판단을 없애는 기술이 아니라 작업 판단 근거를 구조화하는 기술로 고도화된다”며 “작업자가 경험으로 파악하던 이상 징후, 공정 간 영향, 물류 병목, 설비 상태를 데이터 관계 안에 넣어야 한다”고 강조했다. AI 에이전트가 단순 질의응답을 하는 것이 아니라 현장 조건을 실행 가능한 조치로 구현할 수 있다는 주장이다.

 

 

제조 인공지능 전환(AX) 인프라 기술 업체 트리니오는 같은 문제를 현업으로 적용했다. 이창민 트리니오 사업총괄은 기업의 AI 도입 성패에 대해, 현업의 일을 얼마나 빠르게 시스템으로 연결하고, 도입 성과를 검증하느냐에서 갈린다고 봤다.

 

제조기업이 매일 쓰는 데이터가 전사적자원관리(ERP)·제조실행시스템(MES)을 비롯해, 각종 문서에 쌓여 있지만, 실제 업무는 여전히 조회·취합·입력·보고서 작성에 묶여 있다는 진단이. 디지털 전환(DX)의 역설도 이와 연결해 설명했다. ERP·MES를 도입했음에도 현업은 다시 문서·수기로 데이터를 재입력한다는 지적이다. 시스템은 도입됐지만 업무 방식은 여전히 작업자에게 의존하는 셈이다.

 

이 총괄은 “DX·AX로 가는 과정에서의 과제는 현업이 시스템을 더 쉽게 쓸 수 있는 구조를 만드는 데 있다”고 짚었다. 이 총괄은 AX를 복잡한 시스템을 현업이 쉽게 쓰는 새로운 업무 인터페이스로 설명했다. 현장 내 자율화가 로봇·설비의 판단이라면, 사무·운영 영역의 자율화는 작업자가 매번 눌러야 했던 메뉴와 정리해야 했던 파일을 AI가 업무 흐름으로 전환하는 인프라라는 뜻. 생산 계획 변경, 전표 처리, 월말 보고, 원가 변동 분석처럼 공장 운영을 지탱하는 사무 작업이 자동화되지 않으면 현장 데이터는 의사결정 속도로 이어지기 어렵다는 강조점이다.

 

 

다만 그에 의하면, 각 현장 맞춤형 AI 도입은 여전히 비용·시간의 장벽을 갖는다. 이 총괄은 “다양한 조직에 최적화된 AI를 도입하려면 업무 파악, 데이터 정리, 시스템 연동, 검증 등이 필요하고, 이 과정이 긴 프로젝트로 커질 수 있다”고 지적했다. 초기 구축 부담이 커질수록 맞춤형 AI는 대기업의 선택지로만 남는다는 것이 그의 설명이다. 제조 AX가 확산되려면 공급사 역시 업무 분석, 시스템 연결, 검증 과정 등을 간소화하는 역량을 갖춰야 한다는 뜻이다.

 

자율제조는 데이터를 보는 단계에서 멈추지 않고, 그 데이터가 왜 발생했는지, 무엇과 연결되는지, 다음 조치가 무엇인지까지 이어갈 때 비로소 판단하는 공장에 가까워진다.

 

< 운영 > 미세 공정의 불량률을 가르는 변수는? 성분 분리 차단과 재혼합 메커니즘

 

인식·데이터가 자율제조의 앞단을 만든다면, 마지막 관문은 ‘운영’이다. 현장을 보고, 데이터를 연결하고, AI가 판단하더라도 그 결과가 품질 이력, 물류 흐름, 소재 관리, 부품 재사용 체계로 연결되지 공장은 다시 사람의 기억·경험에 기대게 된다.

 

이 단계에서 공정이 스스로 다음 행동을 선택하려면 무엇보다 현장 데이터의 물리적 신뢰도가 담보돼야 한다. 고정밀 계측 솔루션 업체 파로크레아폼 아미텍코리아의 김건아 지사장은 “스마트 팩토리(Smart Factory) 응용 자동화와 AI 알고리즘을 논의하기 전에 어떤 정확도를 가진 신뢰성 있는 데이터를 넘겨줄 수 있는지가 관건”이라고 목소리를 높였다.

 

기존 샘플링 품질 측정은 숙련 엔지니어가 제품 형상과 공정 특성을 바탕으로 원인을 추적하는 수기 방식에 의존해 전수검사 요구를 충족하기 어려웠다. 이 대목에서 비접촉식 레이저 3D 측정 기술은 프로그램 작성 이후 반복 측정과 낮은 숙련도 의존성을 강점으로 삼는다. 이를 통해 제품 형상을 빠르게 읽고 편차를 줄여 공정 최적화의 기준점을 다지는 역할을 수행한다.

 

 

이렇게 확보된 고정밀 품질 데이터는 사람·기계가 유기적으로 합을 맞추는 운영 프로세스의 표준화로 이어진다. 지능형 자동화 물류 시스템 구축사 카덱스코리아는 제조·물류 현장의 자율화가 피지컬 AI나 휴머노이드 로봇(Humanoid Robot)과 같은 차세대 기술에서 곧장 구현되지 않는다고 분석했다.

 

장익진 컨설턴트는 “실제 현장은 인력 부족과 물동량 변동, 다품종 소량 생산, 재고 증가, 공간 부족이 동시에 발생하는 복합적 환경”이라고 진단했다. 이어 “자동화 설비 도입에 앞서 현장 근로자와의 인식 일치, 작업 공정 재교육, 프로세스 표준화가 선행돼야 하드웨어가 소화 가능한 형태의 운영 체격이 갖춰질 것”이라고 해법을 제시했다.

 

그는 최소·평균·최대 물동량을 고려해 일부 공정부터 시범 운영한 뒤 사업계획에 맞춰 단계적으로 확산하는 실증(Pilot) 운영을 로드맵으로 꼽았다. 사측이 전면에 내세운 보관 자동화와 자동 분류 시스템부터 작업자가 있는 곳으로 로봇이 물건을 나르는 ‘GTP(Goods-to-Person)’ 솔루션이 이러한 운영 기반의 구체적 형태로 공론화됐다. 이는 공장·물류창고 안에서 재고가 쌓이고 위치를 찾지 못해 재생산하는 악순환을 끊어내는 출발점이 된다.

 

이러한 운영 표준화는 공정 깊숙한 곳에 있는 미세 소재의 관리 영역에서 더욱 정밀하게 작동한다. 고정밀 엔지니어링 업체 알파글로벌의 김상규 대표이사는 자동차 전장, 철도 전자, 방위 산업, 우주항공 등 높은 신뢰성을 요구하는 영역의 공정을 예로 들었다.

 

그는 “핵심 소재인 솔더 크림은 금속 파우더와 로진, 첨가제 등이 섞인 페이스트 특성상 보관 상태에 따라 성분이 분리되기 쉽다”며 “사용 전 균일하게 재혼합하는 공정을 거쳐야만 솔더링 불량을 원천 차단할 수 있다”고 강조했다.

 

미세 공정에서 발생하는 솔더볼이나 쇼트 현상은 향후 운행 중 진동과 맞물려 치명적인 제품 신뢰성 문제로 이어지기 때문이다. 공정 신뢰도의 마지막 퍼즐을 소재 관리에서 찾아야 한다는 논리다.

 

 

마지막으로, 이러한 소재·공정의 제어 결과물은 전사적인 부품 데이터 자산화로 연결되며 운영 순환 구조를 완성한다. 글로벌 디지털 엔지니어링 플랫폼사 알텐코리아는 설계, 구매, 제조, 품질 부서가 각기 다른 시스템을 바라보며 생기는 데이터 장벽(Data Silo)에 주목한다. 여기에 발주 오류, 설계 변경 인증 이슈를 해결하는 부품 관리 시스템의 필수성을 강조했다.

 

양한원 부장은 “AI 기반 지능형 부품 관리 시스템은 설계 형상 정보와 속성을 자동으로 추출해 라이브러리를 구성한다”며 “품번을 기준으로 파편화된 정보를 병합함으로써 기존 부품의 재사용을 유도할 수 있다”고 설명했다.

 

이를 통해 설계 단계부터 대체품 탐색과 단가 분석을 최적화하고, 부서 간 데이터 사일로를 허무는 전주기 운영 지향점을 분명히 했다는 분석이다.

 

 

결국 자율제조는 공정이 실행한 결과가 다시 품질·물류·소재·부품 데이터로 환류하는 순환고리를 요구한다. 이 과정에서 측정값, 보관 이력, 소재 상태, 부품 속성이 유기적으로 통합해 공장에 경험으로 축적되는 과정이 중요할 것으로 전망된다.

 

한편, 이러한 통합 문제의식을 담은 ‘2026 AI 자율제조혁신 컨퍼런스 in 부산’은 지난 1일부터 이틀간 부산 해운대구 소재 전시장 벡스코 내 컨퍼런스룸에서 열렸다.

 

헬로티 최재규 기자 |