[기경학회 AX칼럼] 제조AX 강국, AI모델 전에 데이터 인프라부터

현장 AI-Ready 제조 지식 축적·순환 인프라가 향후 경쟁력 핵심

대한민국은 세계적인 제조 강국이다. 반도체, 자동차, 조선, 철강, 디스플레이 등 다양한 산업에서 세계 최고 수준의 경쟁력을 확보해 왔다. 이러한 경쟁력은 우수한 생산기술과 숙련된 현장 인력, 그리고 수십 년 동안 축적한 제조 노하우에서 비롯됐다.

그러나 AI 시대에는 제조 경쟁력을 만드는 핵심 요소가 달라졌다. 앞으로 제조 경쟁력은 얼마나 뛰어난 AI 모델을 도입했느냐보다 얼마나 많은 제조 데이터를 확보하고, 이를 AI가 학습할 수 있는 형태로 축적했는가에 달려 있다. AI는 결국 데이터를 지식으로 녹아들게 학습하는 기술이다. 아무리 뛰어난 생성형 AI나 산업용 AI 모델을 도입하더라도 제조 현장 데이터가 충분하지 않다면 AI 성능은 한계가 있다. 결국 AI성능 수준은 AI 모델 학습에 사용한 데이터 품질 수준을 넘어서기 어렵다.

제조 현장은 매일 엄청난 양의 데이터를 만들어낸다. 설비 센서 데이터, PLC 제어 데이터, 품질 검사 결과, 생산 조건, 공정 변수, 작업 이력, 유지보수 기록, 에너지 사용량 등 수많은 정보가 실시간으로 생성된다. 여기에 작업자의 숙련도와 설비 운용 노하우, 불량 발생 시의 대응 경험과 같은 암묵지까지 더하면 제조 현장은 그 자체로 거대한 지식 저장소라고 할 수 있다.

하지만 제조 현장 데이터는 대부분 흩어져 있다. 서로 다른 설비와 제조사마다 데이터 형식이 다르고, MES와 ERP, 품질 시스템을 각각 별도로 운영하는 경우도 많다. 아직도 일부 현장에서는 중요한 정보가 종이로 된 작업일지나 개인 컴퓨터에 저장된 엑셀 파일에만 남아 있으며, 숙련자의 경험은 사람의 기억 속에만 존재하기도 한다. 이렇게 흩어진 데이터는 AI가 이해할 수도, 학습할 수도 없다. 제조 AX가 어려운 이유는 AI 모델이 부족해서가 아니라 AI가 학습할 제조 지식이 체계적으로 축적하지 않았기 때문이다.

이춘오 KT AX사업부문 팀장

여기서 중요한 것은 데이터를 단순히 많이 모으는 것이 아니다. 제조 데이터를 생산 시점과 설비 정보, 공정 조건, 품질 결과와 서로 연결하고, 의미와 맥락을 갖춘 AI-Ready 제조 지식으로 관리해야 한다. 예를 들어 한 가지 불량 사례도 어느 설비에서, 어떤 작업자가, 어떤 공정 조건에서 생산했고 이후 어떤 조치가 이루어졌는지까지 연결될 때 비로소 AI는 원인을 추론하고 개선 방안을 제시할 수 있다. 결국 제조 AX의 핵심 자산은 데이터 자체가 아니라 맥락을 가진 제조 지식이다.

한국 제조업이 AI-Ready 제조 지식을 확보하려면 무엇보다 데이터를 지속적으로 축적하고 순환시키는 인프라를 선행 구축해야 한다. 공장 곳곳에 설치된 센서와 설비에서 발생하는 데이터를 안정적으로 수집하는 산업용 통신망, 대규모 데이터를 저장하고 통합 관리하는 클라우드, 지연시간을 최소화하며 실시간 AI 추론을 수행하는 엣지 컴퓨팅, 그리고 데이터를 표준화하고 관리하는 소프트웨어 플랫폼을 단일 체계로 연결해야 한다. 이 구조가 갖춰져야 데이터는 일회성 기록이 아니라 지속 축적하는 제조 자산이 된다.

특히 제조업에서는 데이터를 학습에 한 번만 사용하고 끝나는 것이 아니다. 제조 생산을 계속하는 한 새로운 데이터는 매일 생성되며, AI는 그 데이터를 다시 학습해 더욱 정확한 품질 예측과 이상 탐지, 공정 최적화를 수행한다. 다시 그 결과는 현장에 적용하고 새로운 데이터가 만들어진다. 즉 제조 AX는 데이터가 발생하고, 학습되고, 다시 현장으로 환류되는 선순환 구조가 지속적으로 돌아갈 때 비로소 완성된다.

이러한 흐름은 중국에서도 확인할 수 있다. 중국은 최근 생성형 AI 경쟁뿐 아니라 제조 데이터 인프라 구축에도 대규모 투자를 이어가고 있다. 공업정보화부(MIIT)는 '5G+ 산업인터넷(工业互联网)' 정책을 통해 산업용 5G와 엣지 컴퓨팅을 제조 현장에 빠르게 확산시키고 있으며, 5G 기반 공장 수천 곳을 구축해 설비 데이터를 실시간으로 수집하고 활용하는 기반을 마련하고 있다. AI를 먼저 도입한 것이 아니라, AI가 활용할 제조 데이터를 먼저 흐르게 만든 것이다. 이러한 데이터 기반 위에서 AI 품질검사, 예지보전, 자율 생산 등 다양한 제조 AI 서비스를 빠르게 확산하고 있다.

우리나라 역시 세계 최고 수준 제조 경쟁력을 보유하고 있다. 이제 필요한 것은 새로운 AI 모델 도입이 경쟁이 아니라, 제조 현장에서 발생하는 방대한 데이터를 새로운 제조 자산으로 인식하는 것이다. 이를 위해서는 데이터를 안전하게 연결하는 통신 인프라와 확장성 높은 클라우드, 실시간 처리를 위한 엣지 컴퓨팅, 그리고 제조 데이터를 AI-Ready 지식으로 관리하는 소프트웨어 플랫폼을 함께 구축해야 한다. 그래야만 수십 년 동안 축적한 제조 노하우가 특정 개인의 경험에 머무르지 않고 제조 역량을 담은 디지털 자산으로 축적될 수 있다.

제조 AX의 경쟁력은 결국 AI 모델의 크기가 아니라 제조 데이터의 깊이에서 나온다. 그리고 제조 데이터의 깊이는 클라우드, 통신, 엣지로 이어지는 인프라 위에서 비로소 만들어진다. 제조 AX에 성공하려면 모델보다 먼저 데이터를 잘 모아야 하고, 데이터를 모으기 전에 먼저 데이터를 AI-Ready 제조 지식으로 축적하고 순환시키는 인프라를 갖춰야 한다. 앞으로 제조업의 승자는 가장 뛰어난 AI 모델을 확보한 기업이 아니라, 데이터 인프라를 잘 갖춰서 가장 많은 제조 지식을 축적하고 이를 바탕으로 AI 모델을 끊임없이 개선하는 기업이 될 것이다.

*본 칼럼 내용은 본지 편집방향과 다를 수 있습니다.