데이터 기반 AI 인공지능, 제조업 혁신의 핵심 열쇠
모델보다 데이터 준비에서 먼저 갈리는 제조 AI
정부는 2026년 10월 '중소제조 피지컬 AI 확산 전략'을 발표하면서, 디지털 전환(DX)으로 쌓은 제조데이터를 바탕으로 AI 전환(AX)을 이어가겠다는 방향을 내놓았습니다. 2030년까지 중소 제조기업 3만 곳의 디지털 전환과 그중 6,000곳의 AI 도입을 지원하는 계획입니다.
정책의 순서가 보여주듯 제조 AI는 데이터 위에서 작동합니다. 센서와 설비가 매일 기록을 남겨도 시간 기준이 맞지 않거나 값이 빠져 있으면, 모델은 그 데이터에서 의미 있는 패턴을 찾지 못합니다.
이 글에서는 데이터 기반 AI가 무엇을 판단하는지에서 출발해 AI가 쓸 수 있는 데이터의 품질 요건, 비용이 실제로 발생하는 지점, 도입이 멈추는 실패 패턴, 운영 방식 선택 기준까지 차례로 살펴봅니다.
데이터 기반 AI는 어떤 데이터로 무엇을 판단하는가
제조 현장의 AI는 과거 데이터에서 정상과 이상의 경계를 학습하고, 새로 들어오는 데이터가 어느 쪽에 가까운지 판단합니다. 그래서 어떤 판단을 맡길지에 따라 준비해야 할 데이터가 달라집니다.
- 예지보전: 진동·온도·압력 같은 설비 시계열 데이터로 고장 징후와 잔여 수명을 추정합니다.
- 품질 검사: 양품·불량 이미지를 학습해 검사 라인에서 결함을 판별합니다.
- 공정 최적화: 공정 조건과 수율 데이터를 함께 분석해 품질에 영향을 주는 변수를 찾습니다.
학습 방식은 "정답 라벨"이 있는지에 따라 갈립니다. 2025년에 발표된 예지보전 체계적 리뷰는 고장 유형이 표시된 데이터로 학습하는 지도학습이 고장 분류에서 좋은 결과를 보였지만, 품질 좋은 라벨 데이터를 확보하는 데 비용이 많이 들고 산업 현장에서는 현실적으로 어려운 경우가 많다고 정리했습니다. 라벨을 구하기 어려운 현장에서는 정상 데이터의 패턴만 학습한 뒤 그 패턴에서 벗어나는 값을 찾는 비지도 이상탐지가 대안으로 쓰입니다.
그래서 라벨을 확보할 수 있는지는 도입 초기에 가장 먼저 확인할 조건입니다. 고장이 드물게 발생하는 설비라면 "고장 데이터가 충분히 쌓일 때까지 기다리는" 방식보다 이상탐지로 시작하는 편이 현실적입니다.
AI가 쓸 수 있는 데이터의 네 가지 품질 요건
데이터가 많다고 해서 바로 학습에 쓸 수 있는 것은 아닙니다. 2025년 스마트 제조 데이터 품질 리뷰는 센서 데이터가 실시간으로 생성되고 형식이 다양하며 결측·불일치 같은 결함이 생기기 쉽다는 점을 지적하고, 제조 환경에서 특히 중요한 품질 차원으로 정확성·적시성·완전성·일관성 네 가지를 꼽았습니다.
| 품질 차원 | 현장에서 나타나는 문제 | 점검 방법 |
|---|---|---|
| 정확성 | 이상치, 노이즈, 허용 범위를 벗어난 값 | 설비별 정상 범위를 정하고 벗어난 값의 비율 확인 |
| 완전성 | 센서 고장·통신 단절로 빠진 값 | 정해진 수집 주기 대비 실제 수집 건수 비교 |
| 적시성 | 발생 시점과 전달 시점 사이의 지연, 오래된 데이터 | 설비별 데이터 유효 시간을 정하고 지연 시간 측정 |
| 일관성 | 시스템 간 단위·시간 기준·설비 코드 불일치, 중복 기록 | 단위·타임스탬프·설비 코드 규칙을 정해 위반 건수 확인 |
여러 시스템의 데이터를 하나로 합칠 때 문제가 되는 것은 일관성입니다. 같은 설비에 달린 온도 센서 두 개가 서로 다른 단위로 기록하거나 MES와 PLC의 시간 기준이 어긋나 있으면, 두 데이터를 합치는 순간 학습용 데이터가 왜곡됩니다. 리뷰는 이런 일관성 규칙을 설비를 잘 아는 현장 전문가와 함께 정해야 실제 설비 간 관계를 제대로 반영할 수 있다고 봤습니다.
같은 리뷰는 수집·저장은 되지만 분석되지 않고 남는 데이터를 "다크 데이터"로 설명합니다. 형식이 맞지 않거나 시스템끼리 연결되지 않아 쌓아만 두는 데이터가 많다면, 새 센서를 다는 것보다 기존 데이터를 정리하는 일이 먼저입니다.
비용은 어디서 발생하는가: 견적에서 빠지기 쉬운 운영 비용
AI 도입 예산을 잡을 때는 솔루션과 서버 비용이 먼저 눈에 들어옵니다. 실제로는 데이터를 학습 가능한 상태로 만드는 작업과 도입 후 모델을 유지하는 작업에서도 비용이 계속 발생하고, 이 부분이 초기 견적에서 빠지기 쉽습니다.
| 비용 항목 | 발생 시점 | 주요 내용 | 놓치기 쉬운 이유 |
|---|---|---|---|
| 데이터 수집 인프라 | 초기 | 센서 추가, 노후 설비 연결, 현장 네트워크 | 기존 설비와의 연결 범위가 착수 후에 드러남 |
| 데이터 정제·라벨링 | 초기~운영 | 결측·이상치 처리, 불량 이미지 라벨 작업 | 현장 인력이 들이는 시간이 비용으로 잡히지 않음 |
| 시스템 연계 | 초기 | MES·ERP·정비 관리 시스템과의 연동 | 솔루션 견적과 연계 개발이 별도 항목으로 나뉘기도 함 |
| 모델 유지·재학습 | 운영 | 공정·자재 변경 후 성능 점검과 재학습 | 도입 이후에 생기는 비용이라 초기 예산에서 빠짐 |
| 연산 자원 | 운영 | 엣지 장비 유지, 클라우드 사용료 | 데이터 양이 늘어날수록 증가 |
앞서 소개한 예지보전 리뷰는 확산을 늦추는 요인으로 불완전하거나 불균형한 데이터, 데이터 형식 표준의 부재, 복잡한 모델의 높은 연산 부담을 들었습니다. 실제 현장 검증 단계에서는 배포 비용과 기존 설비와의 통합 문제를 풀어야 한다고 봤습니다.
비용 부담과 관련된 정책 변화도 살펴볼 만합니다. 2026년 10월 전략은 정부 지원사업에서 생성되는 제조데이터를 가치평가해 자산화하고, 지원사업에서 데이터를 현물로 인정해 기업의 현금 부담을 덜어주는 방안을 담았습니다. 지원사업 참여를 검토 중이라면 공고 단계에서 자사 데이터가 어떤 기준으로 인정되는지 확인할 필요가 있습니다.
데이터 보안과 무결성: 오염된 데이터는 잘못된 판단으로 이어진다
AI 도입으로 설비 데이터가 공장 밖 클라우드나 외부 협력사로 이동하면 보안 범위도 넓어집니다. 데이터가 밖으로 새는 문제뿐 아니라, 데이터가 조작되거나 왜곡되어 모델이 잘못 판단하는 문제까지 살펴야 합니다.
예지보전 리뷰는 하드웨어 결함이나 사이버 공격으로 센서 데이터가 왜곡되면 모델 성능이 떨어지고 고장을 놓치거나 잘못 예측할 수 있다고 정리했습니다. 산업 환경이 위장·재전송·서비스 거부 공격에 노출되어 있다는 점도 짚었습니다.
- 접근 권한 분리: 설비 제어망과 데이터 분석망의 권한을 나누고, 외부 협력사의 접속 범위를 명시합니다.
- 무결성 확인: 수집 단계와 저장 단계의 데이터 건수를 비교해 누락이나 적재 오류를 찾습니다.
- 계약 조건 정리: 데이터 소유권, 학습 모델의 재사용 범위, 계약 종료 후 데이터 처리 방식을 문서로 정합니다.
산업 자동화·제어 시스템 보안에서는 IEC 62443 계열 국제표준이 널리 참조됩니다. 네트워크를 구역으로 나누고 구역 사이의 통신 경로를 통제하는 방식이 중심이므로, 공급사가 이런 구조를 어떻게 설계에 반영하는지 확인하면 보안 수준을 가늠하는 데 도움이 됩니다.
도입이 멈추는 지점: 실패에서 확인되는 점검 포인트
예지보전 리뷰가 분석한 60편의 연구 가운데 40편은 실제 운영 환경에서 실시간 알림과 정비 작업지시까지 연결된 단계였습니다. 리뷰는 이를 고무적인 결과로 평가했지만, 4편은 실제 공장 데이터를 사후 분석하는 데 그쳤고 16편은 시험 설비·시뮬레이션·공개 데이터셋 검증에 머물렀습니다. 이 수치는 연도별 피인용 수를 기준으로 선별한 연구를 분석한 결과로, 산업 전체의 도입률을 뜻하지는 않습니다. 다만 실험 단계의 성능이 그대로 현장 성과로 이어지지는 않는다는 점은 확인할 수 있습니다.
리뷰에서 반복적으로 지적된 한계를 현장 관점으로 옮기면 다음 네 가지 점검 포인트로 정리됩니다.
첫째, "높은 정확도"의 함정입니다. 고장 데이터가 정상 데이터보다 훨씬 적은 불균형 상태에서는 모델이 거의 모든 경우를 정상으로 판정해도 정확도가 높게 나옵니다. 리뷰는 정상·고장 데이터 비율을 밝히지 않고 정확도만 제시한 연구가 적지 않다고 지적했습니다. 공급사 제안서를 검토할 때도 정확도 하나보다 고장을 놓친 건수와 잘못 울린 경보 건수를 함께 확인해야 합니다.
둘째, 실험 환경과 실제 라인의 차이입니다. 통제된 환경에서 학습한 모델이 설비 종류와 운전 조건이 다양한 현장에서는 성능이 떨어진다는 점이 반복해서 보고됩니다. 파일럿 검증은 시험 데이터가 아니라 실제 생산 라인의 데이터로 진행해야 합니다.
셋째, 판단 근거가 보이지 않는 경보입니다. 리뷰는 판단 과정을 설명하기 어려운 모델이 정비 결정을 내려야 하는 실무자의 신뢰를 얻기 어렵다는 점을 과제로 꼽았습니다. 경보와 함께 어떤 센서 값이 근거가 되었는지 보여주는 화면 설계가 필요합니다.
넷째, 도입 후 방치입니다. 공정 조건이나 자재가 바뀌면 데이터 분포가 달라지고 모델 성능도 떨어집니다. 실제 운영 단계까지 간 연구들은 데이터 변화가 감지되면 모델을 다시 학습시키는 구조를 갖추고 있었습니다.
엣지·클라우드, 내재화·외부 협력: 운영 방식 선택 기준
실제 운영에 성공한 사례들의 공통 구조는 운영 방식을 정할 때 좋은 기준이 됩니다. 리뷰에 따르면 이들 사례는 현장(엣지)에서 수집한 데이터를 개방형 프로토콜로 중앙에 보내는 파이프라인, 데이터 변화가 감지되면 재학습되는 모델, 정비 담당자가 이해할 수 있는 설명 기능, 예측 결과를 정비 관리 시스템의 작업지시로 바로 연결하는 구조를 공통으로 갖추고 있었습니다.
데이터를 어디서 처리할지는 판단에 필요한 속도와 데이터 양으로 정합니다.
- 엣지 처리: 즉시 판단이 필요한 검사·이상 감지에 적합하며, 공장 밖으로 나가는 데이터를 줄일 수 있습니다.
- 클라우드 처리: 여러 설비·라인의 데이터를 모아 학습하고 모델을 개선하는 작업에 적합합니다.
- 혼합 운영: 현장 판단은 엣지에서 하고, 재학습과 장기 분석은 클라우드에서 나눠 맡습니다.
내재화와 외부 협력은 사내 역량을 기준으로 판단합니다. 데이터 엔지니어가 없다면 외부 전문 기업과 협력하되, 데이터 정의와 품질 규칙만큼은 설비를 아는 내부 인력이 맡는 편이 좋습니다. 협력사가 바뀌더라도 데이터 자산과 규칙은 회사에 남기 때문입니다.
공공 인프라를 활용하는 방법도 있습니다. 2026년 10월 전략은 기존 인공지능 제조플랫폼(KAMP)을 '제조AI 24'로 고도화하고, 데이터 수집·표준화에서 자산화, AI 모델 개발, 현장 재적용과 환류로 이어지는 선순환 체계를 만들겠다고 밝혔습니다. 기업 역량에 따라 AI 기반이 부족한 기업은 기초역량부터, 기반을 갖춘 기업은 AI 활용 고도화를 단계별로 지원한다는 방향도 제시했습니다.
데이터 준비 수준이 AI 도입 범위를 정한다
제조 AI의 성과는 어떤 모델을 고르느냐보다, 데이터가 정확하고 빠짐없이 제때 같은 기준으로 쌓이는지에서 먼저 갈립니다. 비용은 솔루션 구매보다 정제·연계·재학습 같은 운영 단계에서 계속 발생하고, 실패 원인으로는 불균형 데이터, 실험실 수준의 검증, 판단 근거가 보이지 않는 경보, 도입 후 방치가 반복해서 지적됩니다.
첫걸음으로는 AI를 적용하고 싶은 설비 한 대를 정하고, 그 설비에서 지금 쌓이는 데이터를 네 가지 품질 요건으로 점검해 보기를 권합니다. 시간 기준과 단위가 맞는지, 빠진 구간이 얼마나 되는지 확인하면 필요한 투자 범위와 출발점을 가늠하는 데 도움이 됩니다.
참고문헌
- Peixoto, T., Oliveira, B., Oliveira, Ó., Ribeiro, F. "Data Quality Assessment in Smart Manufacturing: A Review." Systems, MDPI. 2025.03.31. https://www.mdpi.com/2079-8954/13/4/243.
- Tsallis, C., Papageorgas, P., Piromalis, D., Munteanu, R.A. "Application-Wise Review of Machine Learning-Based Predictive Maintenance: Trends, Challenges, and Future Directions." Applied Sciences, MDPI. 2025.04.28. https://www.mdpi.com/2076-3417/15/9/4898.
- 중소벤처기업부. "중소 제조현장에 피지컬 AI 확산…2030년까지 5조 원 이상 투입." 대한민국 정책브리핑. 2026.10.29. https://www.korea.kr/news/policyNewsView.do?newsId=148974541.
본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.