"제조AI 성공하려면…콘텐츠별 데이터 축적·공유가 관건"

[울산 산학연관 전문가 좌담회-상] 현장 특성 반영한 맞춤형 개발 전략 필요

◇◇·◇울산지역이 글로벌 AI 수도를 선언하고, 비상 중이다. 핵심 축은 자동차와 조선, 화학 산업이다. 현대자동차와 HD 현대미포, SK에너지 1, 2차 밴드를 포함해 3만 개의 제조업체가 동력이다. 최근 SK그룹은 AWS와 합작해 울산 미포 산업단지 내에 7조원을 들여 대규모 AI 데이터센터 구축을 추진 중이다. 울산이 제조AX 전환을 어떻게, 무엇을 할 것인지에 대한 방향과 대응에 대한 고민을 시작했다.지디넷코리아는 이에, 산학연관 전문가를 모아 정부 정책과 지역 사업 방향 등에 대해 심도있게 논의하는 장을 마련했다.[편집자주]

◆글싣는 순서

<상> 산업현장서 제조AX 들여다보니

<하> 제조AI 한국이 1등 하려면…

◆참석자(가나다순)

-김대환 울산대학교 SW성과확산센터장

-김정완 에이테크 대표

-박현철 울산정보산업진흥원(UIPA) 디지털융합본부장

-유대승 한국전자통신연구원(ETRI) 울산지능화융합연구실장

-이용진 한주라이트메탈 대표

-정수진 정보통신산업진흥원(NIPA) 지역AX본부장

(사회 : 박희범 지디넷코리아 과학전문 기자)

최근 울산서 제조AI 현안을 논의하는 전문가 좌담회가 개최됐다. 왼쪽부터 김대환 울산대학교 SW성과확산센터장, 박현철 UIPA 본부장, 정수진 NIPA 본부장, 유대승 ETRI 실장, 이용진 한주라이트메탈 대표, 김정완 에이테크 대표.

◇사회=정부가 제조AI, 제조AX전환을 가속화하고 있다. 울산은 지역적 특색이 뚜렸하다. 자동차, 조선, 화학을 근간으로 AX 실증에 적합한 아이템이 많을 것 같다. AX 전환을 위해 현재 가장 시급한 것은 무엇인가.

◇김대환(울산대학교 SW성과확산센터장)=데이터를 잘 모으는 것이 가장 중요하다. AI 모델을 만드는 일은 당장 이뤄질 일은 아니다. 제조라는 건 실제 뭔가 만드는 작업이다. 따라서 액션 데이터들이 모여야만, 그 다음 단계인 AI를 얘기할 수 있다. 아마존이나 메타, 구글 성공 요인은 이미 수많은 백데이터를 확보하고 있다는 것이다.

제조 데이터를 어떤 센서로, 어떤 형태로 빨리 모을 것이냐가 가장 첫 번째 할 일이다.

◇김정완(에이테크 대표)=제조업체의 습성을 먼저 잘 이해해야 할 것이다. 제조 데이터는 모두 같지 않다. 산업별·공정별로 AI 활용 전략이 달라져야 한다. 제조 데이터에는 공정 장비 데이터 뿐 아니라 비용 정보 등 민감한 요소가 포함돼 있어, 기업들이 데이터를 쉽게 제공하지 않는 구조적 이유가 존재한다.

따라서 표준화를 위해 반드시 필요한 데이터와 기업의 요구에 따라 별도로 분리 및 관리해야 하는 데이터로 나눠야 할 것이다.

산업별 특성에 따라 필요한 AI 형태도 다르다. 울산 제조업 사례를 보면, 조선·자동차·석유화학 등 업종별 데이터 구조와 생산 방식이 상이하다. 조선업은 모든 선박이 일종의 맞춤형 제품이기 때문에, 동일 공정을 반복하는 경우가 거의 없다. 따라서 고도로 커스터마이즈된 AI가 필요하다. 자동차 산업은 연간 10만~100만 대 단위의 대량 생산 구조이므로, 확산형(범용) AI 모델이 효과적이다.

이처럼 제품 생산 방식이 다르면 필요한 AI 모델의 구조와 데이터도 달라진다. AI 학습을 위해서는 산업별·기업별 데이터 목표를 명확히 설정하고, 각 제조 현장의 특성에 맞춘 맞춤형 개발 전략이 필수적이다.

정수진 정보통신산업진흥원 지역AX본부장(왼쪽)과 박현철 울산정보산업진흥원 디지털융합본부장.

◇이용진 한주라이트메탈 대표=어려운 문제다. 제조 현장에서 AI를 적용하려면 데이터 확보가 필수인 걸 잘 안다. 하지만 기업들은 실제 데이터를 쉽게 제공하거나 공유하려 하지 않는다. 이유는 암묵지(숙련자의 노하우)가 데이터화되면 리스크가 발생하기 때문이다. 암묵지가 데이터화 되면 기업의 핵심 기술·품질 관리 방식·생산 경쟁력이 노출된다.

특히, 하도급 구조에서 데이터 노출은 ‘약점 노출’과 같다. 데이터가 공개되면 대기업 또는 상위 발주처가 하도급 업체의 역량·한계·취약점을 파악할 수 있고 이는 가격 협상력 약화, 거래 조건 불리, 품질 책임 강화 등으로 이어질 수 있다.

내부 데이터는 곧 기업의 ‘생존 정보’다. 기업들은 자신들이 수행하는 업무 과정 자체를 그대로 보여주는 데이터 공개가 기술·경쟁력·노하우가 모두 드러나는 것이라 느낀다. 따라서 중소기업 입장에서는 데이터를 요구하는 것 자체를 부담·위협으로 인식한다.

그렇기 때문에 기업들은 이런 AI 기반 시뮬레이션 전략을 좋아하지 않고, 적극적으로 도입하려 하지 않는다. 또한 AI는 본질적으로 ‘사람 대체’ 요소가 있다. 울산처럼 노동조합 영향력이 큰 지역에서는 노사 합의 없이 AI 전환을 추진하기가 사실상 어렵다.

◇사회=울산은 제조AI를 어떻게 적용해야 한다고 보나.

◇이용진=울산은 제조AI에서 최적의 조건을 갖고 있는 도시다. 조선, 석유화학, 자동차 전부 다 대기업을 중심으로 형성돼 있다. 제조AI 포커스가 대기업을 중심으로 탑다운으로 내려오는 것이 현재로는 가장 효율적이라는데 공감한다. 각종 지원이나 정책 방향이 우선 대기업을 통해 밑으로 내려가는 것이 맞지 않나 생각한다.

이유는 대기업 2차, 3차 밴드들과 중소기업이 AI를 적용하는데 첫 번째 걸림돌은 데이터 구축이다. 사람이 하는 부분이든, 장비나 기계가 하는 부분이든 이를 센서가 어떻게 할지 등에 관해 대기업은 이미 구축이 다 돼 있는 상태다. 특히, 석유화학의 경우 이미 추론모델이나 최적화 모델을 통해 결과를 얻었기 때문에 대기업을 중심으로는 밴드 아래까지 산업화 제조 AI를 구축하는 것이 가능하다.

그러나, 작은 기업이나 풀뿌리 제조 현장에서는 아직 준비가 충분히 되어 있지 않다.

이용진 한주라이트메탈 대표(왼쪽)와 김정완 에이테크 대표.

제조 AI 적용은 중소 제조기업(하위단계)에서의 AI 적용 노력과 상위 대기업·선도 제조업체가 추진하는 AI 활용 모델이 상호 수렴하는 형태로 가야 한다.

기업 가운데 AI를 바로 적용해 시험해 볼 수 있는 곳은 20~30% 정도로 판단한다. 아직은 생산, 품질, 공정의 많은 부분이 사람의 경험·직관·현장 노동에 의존하는 형태가 많다.

◇정수진(정보통신산업진흥원 지역AX본부장)=대한민국은 AI개발, 정부전략, 인프라, 제도, 운영환경 등에 비춰봤을 때 세계 6위권이다. 이것을 세계 3대 강국으로 만들자는 것이 정부 목표다. 이를 위한 정부 전략 가운데 가장 중요하게 생각하는 부분 중에 하나가 바로 제조 AI다.

LLM(대형언어모델) 등은 이미 오픈AI 등 해외 기업들이 선제적으로 시장을 장악했다. 그런데 제조AI는 아직 1등이 없다. 우리는 1등 할 수 있는 제조역량 및 경험을 보유하고 있기 때문에, 정부도 여기에 포커스를 맞추고 있다. 현재 지역에서 하고 있는 피지컬 AI사업들도 모두가 그의 일환으로 하는 일이다.

◇사회=데이터 문제를 어떻게 해야 하나.

◇김대환=제조AI를 위한 여러 가지 비정형 데이터를 어떻게든 최대한 많이 모아야 한다. 이를 모으기 위한 노하우를 쌓는 작업들을 해나가야 한다. 그렇지 않으면 돈만 투입하고, 허둥지둥대다 또 지나갈 것이다.

현대중공업은 현대자동차 등에서 일반적인 AI모델이 많이 나오고 있다. 일반 회사들은 품질 관리 측면에서 많이 적용하고 있다. 실제 제조 기업 입장에서는 B2B에 해당하는 사업 마케팅 모델로 나가야 한다고 본다. B2B 모델을 만들기 위해선 공공 데이터보다 민간 영역 데이터 부터 모으는 게 향후 5년, 또는 10년 내 가장 급선무라고 생각한다.

데이터가 모여진 뒤에서야 AI 모델이 개발될 것이다. 최소 5년 이상은 되어야 제조 AI에 관련한 모델이 나오기 시작할 것이다.

김대환 울산대학교 SW성과확산센터장(왼쪽)와 유대승 한국전자통신연구원 울산지능화융합연구실장.

◇박현철 울산정보산업진흥원(UIPA) 디지털융합본부장=오랫동안 조선 해양 부분을 맡아 일을 해왔는데, 생산 부분에서 데이터를 그렇게 공개하려 하지 않는다. 특히 가장 심한 부분이 자동차와 조선이다. 그나마 괜찮은 데가 화학이다.

AI는 생산과 관련해 보조수단으로 적용돼야 한다고 생각한다. 또 수요자 입장에서 보면 AI의 목적성 부분을 명확히 했으면 좋겠다.

조선 쪽 얘기를 좀 더 하면, 선박 만드는 회사들은 해운 운항에 관한 데이터는 절대 안내놓는다. 이건 기업의 영업 비밀이랑 똑같은 것이다. 운항 코스와 엔진 데이터 공개는 어렵다고 하더라.

선박 데이터 수집은 2018~2019년부터 시작했는데, 이를 안전운행 등에 적용해 에너지관리시스템(EMS) 쪽을 해보려 했는데, 데이터를 안 줘 정부차원에서 그냥 배를 만들었다. 올해부터 환경규제 대응 솔루션이라고 해서 선박 15척의 운항 데이터를 뽑고, 최종적으로 3년 뒤에는 60척 운항 데이터를 모을 계획이다.

그런데, 진흥원이 이 같이 데이터를 모으더라도 상호 공유하는 것은 어렵다. 굉장히 민감하다. 그래서 이를 데이터 제공기업과 솔루션 개발 기업 간 상호 의존적 관계로 풀어가려 한다.

◇사회=실제 AI 기업 적용 노력과 상황에 대해 설명해달라.

◇이용진=노동·고용 문제 해결 없이 제조 AI 전환을 추진하기 어렵다는 현실이 있다.

현재 서울, 부산, 울산 등지에 있는 10여 개 공급업체를 만나 AI 적용을 검토 중인데, 최근 깜짝 놀란 사실이 있다. 중국은 이미 제조 AI 모델을 개발, 적용했더라. 중국이 AI 도입을 빠르게 진행할 수 있는 이유는 해고가 자유로운 노동구조에 있었다. 기업이 대규모 인력 감축을 할 수 있어 AI 전환 속도가 매우 빠르다.

중국은 또 기업들이 생산한 데이터를 국가 차원에서 공유할 수 있다. 정부가 데이터를 수집하고, 이를 다시 산업 전반에 확산시키는 방식으로 막대한 제조 데이터 축적이 가능하다.

박현철 UIPA 디지털융합본부장과 김대환 울산대학교 SW성과확산센터장, 유대승 ETRI 울산지능화융합연구실장(왼쪽부터)이 좌담회에 앞서 토론 방향을 상의했다.

이미 중국은 저만치 앞서간 상태다. 미국은 파운데이션 모델(LLM) 등 범용 AI기술에서 앞서고 있다. 그러나 미국은 제조 AI 분야에서는 거의 기반이 없다. 공장 데이터가 부족하다.

한국은 어떤가. 이제 한국의 제조 시스템과 AI를 접목해서 중국을 견제할 수 있다는 얘기를 한다. 그런데 풀뿌리 R&D나 중소기업 주도의 자금 지원 방식으로는 중국 수준의 제조 AI 생태계를 만들기 어렵다. 정부의 명확한 정책 방향과 대기업 주도의 추진 체계가 현실적으로 맞는 것 같다.

◇사회=NIPA가 보는 데이터 구축과 AX 전환에 대해 설명해달라.

◇정수진=NIPA는 최근 피지컬 AI관점의 데이터 구축에 관심을 가지고 있으며, 사업 내에도 반드시, 필수로 포함돼 있다. 경남에서 추진 중인 피지컬AI 프로젝트의 경우 핵심요소 중 하나로 제조 공정에서 발생하는 물리 데이터를 수집하는 데 초점이 맞춰져 있다.

경남 프로젝트에서 올해 PoC(개념검증)를 진행 중인데, 이론적으로 필요하다고 판단한 데이터와 실제 산업 현장에서 확보 가능한 데이터 간 격차가 예상보다 훨씬 컸다. 기업들은 데이터를 외부에 제공해야 한다는 부담도 느끼고, 의사결정이 되더라도 정작 어떤 방식으로 데이터를 수집해야 하는지 조차 모르는 상황이다.

이런 고민을 해소하기 위해 연구진들이 방법을 찾는 중이다. 센서 등 다양한 방법을 활용해 추진하고 있는 데이터 축적이 내년 경남에서 시작하는 사업의 중요한 포인트가 될 것이다. 이 데이터가 표준화된 형태로 적절히 축적될 경우, 일명 ‘물리 AI(Physical AI)’ 프로젝트 전반에 폭넓게 활용될 수 있을 것으로 기대한다.

한편 그동안 우리나라가 축적된 데이터는 품질이 매우 낮아 활용이 어렵다는 지적도 있다. 기존 데이터를 완전히 배제할 수는 없지만, 활용 가능한 부분은 선별하고 부족한 지점은 보완하는 작업이 향후 큰 숙제가 될 것으로 본다. NIPA도 그런 측면에서 데이터 관련 사업을 AI의 기술고도화의 매우 중요한 한 축으로 가져가고 있다.

◇사회=데이터 외에 제조AI를 하는 데 있어 필요한 것이나 어려운 점이 있나.

◇유대승 한국전자통신연구원(ETRI) 울산지능화융합연구실장=데이터 공유가 참 어렵다. 어디까지 보호하고, 어디까지 공유해야 하는지 경계선도 모호하다.

대화중인 이용진 한주라이트메탈 대표와 정수진 NIPA 지역AX본부장, 김정완 에이테크 대표.(왼쪽부터)

기업이 데이터를 제공하지 못하거나 제공을 꺼리는 이유는 크게 두 가지다. 하나는 정체성과 핵심 데이터 노출에 대한 우려다. 협력사나 발주처 등 ‘수요기업’에게 자사의 노하우, 공정 특성, 가치가 담긴 데이터가 그대로 노출될까 두려워 데이터를 제공하지 않는 경우가 많다. 이는 특정 기업만의 문제가 아니라 전반적으로 나타나는 공통적인 현상이다.

두 번째는 AI 서비스 사용 시 데이터 유출 우려다. 챗GPT 같은 AI 서비스를 사용할 때 입력한 데이터가 외부에 공개되거나 기업의 기밀이 그대로 노출될 것이라는 불안이 있다. 이 때문에 기업들이 챗GPT(또는 젠AI)를 적극적으로 활용하지도 못한다.

◇김정완=제조 데이터 보호 플랫폼을 만들어 본 경험이 있다. 제조 기업들은 데이터를 자산으로 인식한다. 데이터의 정확한 가치나 활용 가능성에 대한 확신이 부족한 데다, 외부로 공개될 경우 어떤 위험이 발생할지 불안감이 커 쉽게 데이터를 쉽게 공유하지 않는다.

하지만 제조 기업이 AI 솔루션 개발을 위해 데이터를 제공해야 하는 상황이 늘어나면서, 새로운 인식 전환이 일어나고 있다. 기업이 데이터를 제공하면 AI 솔루션 기업은 이를 활용해 해당 기업 맞춤형 솔루션을 개발, 다시 공급하는 방식이다. 데이터를 제공하는 기업이 동시에 AI 솔루션의 ‘수요기업’이 되는 구조다. 데이터 제공(수요)과 AI 솔루션 공급(공급)이 서로 맞물려 움직이는 형태다.

기업간 데이터 공개 및 공유위해 제조 데이터 보호 플랫폼 구축 제안

제조 기업이 데이터를 공개한다고 해서 그 데이터가 제3자에게 활용되기를 기대하는 것이 아니라, 오직 자신들에게 필요한 솔루션을 만들어 다시 돌려받기 위한 목적으로 데이터를 제공하는 것이다.

이를 해결하기 위한 대안으로 제조 데이터 보호 플랫폼을 검토해 볼 만하다. 이 플랫폼의 핵심 원리는 데이터 제공 기업과 데이터 기반 솔루션을 요구하는 기업 간의 계약 관계를 블록체인 기반으로 관리하는 것이다.

◇유대승=파운데이션 모델이 학습하는 데이터는 원본(raw) 형태로 저장되는 것이 아니라 벡터화된 형태로 변환되기 때문에 다시 원본으로 복원될 수 없다. 즉, 학습된 결과물은 다양한 언어·패턴을 통합한 ‘표현 집합’이며, 원천 데이터 유출 위험은 크지 않다는 점이 기술적으로 확인되고 있다.

그럼에도 기업들은 데이터 제공에 강한 거부감을 보이고 있다. 일각에서는 기업이 공개하는 데이터가 실제로는 가치 없는 데이터에 가깝다는 지적도 나온다.

현장 적용을 위해서는 파운데이션 모델 학습 방식 자체도 재정의가 필요하다는 의견도 있다. 지금처럼 다양한 데이터셋을 한 번에 학습시키는 구조로는 실제 제조 환경의 복잡성을 반영하기 어렵다는 것이다. 실제 공정 단계별로 데이터를 분할해 순차적으로 학습해야 하며, 경우에 따라서는 특정 센서(라스터 마이크 등) 단위로 모델을 따로 학습시키는 구조가 필요하다.

데이터센터와 컴퓨팅 자원이 현장 가까이에 위치해야 한다는 조건도 점점 중요해지고 있다. 이는 데이터가 생성된 원천 공간에서부터 수집·전처리·학습까지의 일련 과정이 지역 내에서 보장돼야 한다는 의미다.

지자체 데이터 인프라 구축은 정부 사업과 중복 아니라 필수 조건

또한 각 지자체가 요구하는 데이터 인프라 조건을 단순히 중복으로 볼 것이 아니라, 지역 내 데이터 생성–수집–처리–학습을 보장하기 위한 필수 요건으로 이해해야 한다.

◇박현철=데이터를 의외로 많이 주는 분야도 있다. 화학 쪽이다. SK에너지 같은 경우는 산업 안전 분야에서 데이터를 주고, AX랩을 UIPA에 구축해 지원해주는 부분이 있어서 사살상 데이터 확충 사업도 고려하고 있다.

데이터를 모을 때 목적성에 맞게 모델을 만들어야 하는데 초기엔 그런 부분을 생각 못한 점이 있다.

자동차의 경우는 1, 2차 협력사들에 10년 전부터 데이터를 달라고 졸랐는데, 원가 항목 등 때문에 결국 못받았다. 조선 분야는 변화가 느껴진다. 스토리지 서버 자체를 현대 중공업 같은 경우 10년 전에는 직접 관리하고 운영했는데, 지금은 클라우드를 이용해 아마존 등에 외주를 준다.

기업들의 데이터에 대한 인식이 점차 달라지고 있다고 느낀다.

◇사회=울산이 특별히 잘할 수 있는 것과 애로 사항에 대해 얘기해 달라.

◇김정완=울산은 데이터가 현장에 있다는 것이 강점이다. 제조 기업에 데이터 받은데 10년 걸린 경우도 있었다. 그런 측면서 상호간 신뢰와 릴레이션십도 중요하다. 또 하나는 사업 평가가 좋으면, 가점이나 혜택이 있었으면 한다. 산업기술평가원은 우수 트랙이라는 것이 있다. 우수 기업 풀을 만들어 과경쟁을 막는 것도 좋을 것 같다.

데이터 관련해서 한마디 하자면, 대기업 연구소에서 생성된 원천 데이터는 협력사 단계로 내려가면서 변형되거나 가공되는 경우가 많기 때문에, 정확한 AI 모델을 만들기 위해서는 가장 먼저 대기업 연구소가 보유한 정보·데이터를 확보하는 과정이 필수적이다.

"울산이 제조AI에서 가장 먼저 해야할 일은 부품 품질관리"

이를 기반으로 학습된 데이터를 제대로 이해한 뒤에야, 2·3차 협력업체가 활용할 수 있는 형태로 AI 시스템을 개발할 수 있다. 이 같은 애로도 해결할 방법을 찾아야 할 것이다.

◇김대환=울산이 가장 잘할 수 있는 제조AI는 아직 없다고 생각한다. 그런데 뭘 가장 먼저 해야하느냐고 얘기한다면, 부품 품질 관리를 꼽고 싶다.

대기업 전반에 AI를 적용하는 과정은 구조적으로 매우 복잡하며, 대규모 모델이 필요해 구현 난이도가 높다. 현재 구조에서는 모든 기업이 대기업 수준의 초대형 AI를 도입하기 어렵다.

따라서 현실적으로 가장 먼저 해야 할 일은 개별 기업이 우수한 QS(Quality system)를 갖추고, 이를 기반으로 대기업에 신속하게 제품을 공급·납품할 수 있는 체계를 만들도록 지원하는 것이다. 이것이 대기업에 빨리 빨리 납품하고, 인력은 좀 적게 들이면서 중소기업이 살아 남을 수 있는 방향이라고 생각한다.

◇유대승=울산은 피지컬 AI를 잘할 수 있다. 앞으로 자동차와 조선이 위기라고 볼 수 있다. 특히, 조선은 사이클상 현재는 수주 경기가 좋지만 조만간 위기가 올 것이다. 중국에 어느 정도 다 따라잡힌 상황이라 경제적인 향후 전망은 정말 안좋다.

이를 해결하기 위한 방법이 조선이나 자동차 제조사들의 AI 자율제조 첨단 생산체계로의 전환이다. 지금까지 데이터를 내놓지 않던 조선과 자동차 쪽에서 내놓고 있다.

현재 ETRI는 글로벌 톱 전략연구단 사업으로 자동차 부문 휴머노이드 연구를 하고 있다. 수요처 손들라고 하면 자동차와 조선 관련 기업이 가장 적극적이다.