개요 AI 모델은 아무리 정교해도 환경이 변하면 성능이 반드시 저하될 수밖에 없다. 최초 완벽에 가까운 정확도를 갖추고 있었다 하더라도 조명 각도부터 소재 반사율, 금형의 마모, 계절별 온습도에 이르기까지 끊임없이 변하는 실제 공정과정에서 차이가 발생하게 되기 때문이다. 이러한 이유로 제조 AI의 진정한 가치는 ‘배우는 공장(Learning Factory)’에 있다. 아무리 잘 보는 AI라고 하더라도 변화에 적응하려면 한 번의 학습으로 끝나는 구조가 아니라 지속적으로 배우고 보정하는 구조(Continuous Learning Loop)를 가져야 한다는 것이다. 이 구조의 핵심이 바로 데이터 루프(Data Loop)다. 그러나 딥러닝의 성능은 단순히 데이터의 ‘양’으로만 결정되지는 않는다. 무의미하거나 부정확한 데이터는 학습 효율이 떨어지고 모델이 불안정해지는 결과가 발생한다. 제조 AI의 본질은 ‘양’이 아니라 ‘정확도’와 ‘전달 구조’에 있다는 것이다. 다시 말해 AI가 어떤 피드백을 얼마나 빠르고 정확하게 받아들이는가가 핵심이다. 제조 AI 학습의 3단계 순환 구조 제조 AI의 정확도를 위해 학습 과정은 아래와 같은 순환형 구조로 설계되어야 한다. 첫째,
[헬로티] 인피니언 테크놀로지스는 650V CoolSiC Hybrid IGBT 디스크리트 제품군을 출시한다고 밝혔다. ▲출처 : 인피니언 CoolSiC Hybrid 제품군은 650V TRENCHSTOP 5 IGBT 기술과 유니폴라 구조의 쇼트키 배리어 CoolSiC 다이오드를 결합했다. 우수한 스위칭 주파수와 낮은 스위칭 손실로 DC-DC 파워 컨버터와 PFC (역률 보상)에 적합하다. 주요 애플리케이션은 배터리 충전 인프라, 에너지 저장 솔루션, 태양광 인버터, 무정전 전원장치 (UPS), 서버 및 텔레콤 SMPS 등이다. CoolSiC Hybrid IGBT는 IGBT와 프리휠링 SiC 쇼트키 배리어 다이오드를 패키지에 통합해, 동작 시 거의 일정한 dv/dt 및 di/dt 값으로 스위칭 손실을 크게 낮춘다. 표준 실리콘 다이오드 솔루션과 비교해서 Eon은 최대 60퍼센트, Eoff는 최대 30퍼센트까지 낮춘다. 또한 출력 전력 요구는 그대로이면서 스위칭 주파수를 40퍼센트까지 높일 수 있다. 스위칭 주파수를 높이면 수동 부품의 크기를 줄일 수 있으므로 BOM (bill of materials) 비용을 낮출 수 있다고 인피니언은 전했다. 또한 쇼트키 배리어