제조업에서 데이터 과학자 없이 데이터 과학 활용하기

* 본 아티클의 원문은 2023년 4월 18일 Google Cloud 블로그(영문)에 게재되었습니다.

팬데믹으로 인한 경제 변동, 공급망 부족, 경제와 정치적 불확실성, 기후 변화는 모두 수십 년 동안 이어진 제조업의 일자리 관련 논쟁을 더욱 심화시켰습니다. 제조업에는 어떤 일자리가 있으며, 어떤 인력이 필요할까요? 제조업체에서 일하고 싶은 사람이 있을까요? 업계가 구인난을 겪는 이유는 무엇일까요? 사라진 일자리가 회복되기는 할까요?

유럽 위원회에 따르면 2013년부터 2019년 사이 유럽 연합 전역에서 약 750,000개의 제조업 일자리가 사라졌습니다. 2021년 Deloitte의 연구팀은 미국 역시 불안정한 상황이라고 지적했습니다. 연구팀에 따르면 전년도에 약 500,000개의 제조업 일자리가 결원 상태임에도 그보다 더 많은 수의 공장 일자리가 사라졌습니다. 이후 공장 관리자들이 처한 상황은 갈수록 나빠졌습니다. 미국 세인트루이스 연방준비은행이 실시한 조사에 따르면 2021년 말을 기준으로 구인 중인 제조업 일자리 수가 900,000개에 달합니다. 이 빈자리는 지금까지도 거의 채워지지 않은 채 유지되고 있습니다.

특히 유념해야 할 한 가지 문제는 제조업이 비약적으로 발전함에 따라 고도로 자동화된 데이터 기반 기계를 다루는 데 필요한 기술 수준도 함께 높아지면서 많은 기존 근로자들이 가진 전문성 이상의 역량이 요구된다는 점입니다.

Google Cloud의 사이먼 플로이드 제조 및 운송 산업 부문 이사는 최근 인터뷰에서 “오래 전에 설립된 공장이라 해도 할아버지 세대, 심지어는 우리 아버지 세대의 공장과는 다릅니다."라고 말했습니다. “제조업의 가장 까다로운 질문에 답변하는 데 사용할 수 있는 방대한 양의 데이터가 있습니다.”

인공지능, 고급 분석, 기계 최적화 또는 예측 유지보수는 모두 데이터 운영이라는 견고한 기반이 없으면 작동할 수 없습니다. 아울러 이 데이터를 기반으로 작업할 수 있는 작업자도 필요합니다.

"데이터는 제조업체가 하는 모든 작업에서 가장 중요합니다."라고 Google Cloud의 찰리 쉐리던 제조, 자동차, 에너지 부문 글로벌 기술 이사는 말했습니다. “탄탄한 데이터 기반이 없으면 AI 기반 최적화를 포함하여 가치를 더하는 사용 사례를 구축하기 어렵습니다. 기업들은 이제 산업용 데이터 클라우드라는 개념 자체에 초점을 맞추 시작했습니다."

여기에 초점을 두면서 데이터를 최대한 활용할 수 있는 인력이 요구되고 있습니다. 이에 따라 제조업 엔지니어에게 요구되는 기술이 데이터 과학자에 더 가까워졌습니다. 2020년에 데이터 기술 플랫폼 QuantHub는 북미 지역에서만 다양한 업계에 걸쳐 250,000명의 데이터 과학자가 부족한 것으로 추산한 바 있습니다. 항상 기술 허브에 위치해 있지는 않은 제조업체의 경우 문제가 더 심각합니다.

“많은 제조업체에서 데이터 과학 역량을 키우고자 할 때 두 가지 요소로 인해 제약을 받습니다."라고 플로이드 이사는 말했습니다. “이러한 업체의 데이터 플랫폼은 데이터를 활용할 공통된 방법이 없는 여러 세대의 기존 시스템으로 구성되어 있습니다. 조직 전반의 많은 직책이 데이터 과학을 유용하게 사용할 수 있도록 데이터 과학을 범용화할 수 있는 현대적 도구가 필요합니다.”

다행히 클라우드 기능은 단순히 데이터를 수집하는 단계를 넘어 이제는 데이터 과학에 대한 전문 지식이 없이도 고급 작업을 수행할 수 있을 만큼 강력한 방식으로 데이터를 구성하고 분석할 수 있는 수준에 이르렀습니다.

제조업에서 데이터 과학의 역할

제조업에서 활용되는 데이터 과학은 비즈니스 인텔리전스와 공장 운영이라는 두 가지 일반적인 범주로 나눌 수 있습니다.

비즈니스 인텔리전스 측면에서 데이터 과학자는 다른 많은 업계에서와 마찬가지로 수요 예측, 재고 관리, 가격 최적화, 예측 분석을 수행합니다. 데이터 과학은 기업이 현재 비즈니스에서 일어나는 일을 파악하고 앞으로 닥칠 일을 예측하여 더 많은 정보에 근거한 더 나은 의사 결정을 내릴 수 있도록 도와줍니다.

제조업체에 보다 밀접한 측면을 살펴보자면 데이터 과학은 운영상의 프로세스를 개선하는 데 도움이 될 수 있습니다. 오늘날 공장의 로봇과 기타 머신은 센서가 장착되어 있어 엔지니어에게 그 어느 때보다 많은 데이터가 제공되고 있습니다. 이 정보를 최적화하고 운영에 활용할 수 있게 만들면 제조업체가 비즈니스를 혁신할 수 있는 엄청난 기회가 열립니다.

“이러한 기계에서 방대한 데이터를 수집할 수 있습니다."라고 쉐리던 글로벌 기술 이사는 말했습니다. “수백만 또는 수십억 개의 데이터 포인트를 연결할 수 있습니다.”

데이터 과학은 다음을 포함한 많은 영역에서 공장 운영을 개선하는 데 도움이 될 수 있습니다.

• 모니터링: 기계의 문제를 신고하여 다운타임과 폐기물을 줄입니다.
• 최적화: 프로세스에서 처리량과 품질을 개선하기 위한 최적의 지점을 파악합니다.
• 분석: 장애의 근본 원인을 파악하고 기계의 개선 속도를 높입니다.
• 공급망 관리: 공장 현장에서 필요한 모든 원자재를 부족하거나 지연되는 일 없이 확보할 수 있습니다.
• 자동화 및 인공지능: 데이터 과학을 토대로 품질 보장을 위한 외관 검사 AI를 구현하거나 기계 성능을 최적화하고 보정하는 등의 자동화를 구축할 수 있습니다.
• 예측 유지보수: 기계가 장애를 일으킬 가능성이 있는 시점과 장애 양상을 예측할 뿐만 아니라 라인의 품질과 안정성도 개선할 수 있습니다.
• 시뮬레이션: 시각화와 시나리오 생성에 디지털 트윈을 사용하여 잠재적 의사 결정이 미칠 영향에 대한 데이터를 얻을 수 있습니다.

“데이터에 대한 가시성을 확보하고, 공장의 운영 성과를 기계 수준의 기능과 운영 관점 모두에서 제대로 파악하는 것이 중요합니다."라고 쉐리던 글로벌 기술 이사는 말했습니다. "Google Cloud는 현장 기술자부터 다양한 작업자에 이르기까지 모두가 박사 학위 없이도 데이터 과학자 역할을 할 수 있도록 노력하고 있습니다." 

엔지니어가 데이터 과학 작업을 수행하도록 지원

세계적인 차량용 시트 및 내장 부품업체로 시장을 선도하는 F.S. Fehrer Automotive는 하루에 최대 10,000개의 폼 부품을 생산할 수 있는 생산 라인을 보유하고 있습니다. 각 부품이 생성하는 데이터 포인트는 약 2,000개에 이릅니다. 몇 년 전 Fehrer는 매일 다루기 어려울 정도로 많은 데이터가 생성되고 있다는 사실을 발견했습니다.

“생성할 수 있는 데이터의 양이 워낙 방대해서 제대로 저장할 수 없는 상황이었습니다."라고 Fehrer의 토비아스 리델 중앙 운영 서비스 부문 이사는 말했습니다. “생산 라인에서 다양한 대규모 데이터를 얻을 수 있지만 데이터 전문 지식 없이 프로세스 엔지니어의 경험만 있었기 때문에 데이터를 제대로 분석할 수 없었습니다.”

지난 수년간 Fehrer는 생산 지표를 개선하고 품질을 최적화하기 위해 운영 자동화에 투자했습니다. Fehrer는 2010년경 데이터를 정리하고 운영화하기 위한 여정에 나섰습니다. 독일 지방 대학의 응용과학 학부와 협력하면서 스프레드시트를 사용하여 기계 데이터를 저장하는 방식으로 백지 상태부터 시작했습니다.

Fehrer는 확장을 통해 수요를 충족하고 데이터에 잠재된 가능성을 실현하기 위해서는 구식 시스템에서 벗어나야 한다는 것을 알았습니다.

Fehrer는 Google Cloud의 Manufacturing Data Engine과 더불어 비즈니스 인텔리전스 플랫폼인 Looker를 사용하여 생산 전반에서 데이터 스트림을 수집하고 파악하기 위한 조치를 취했습니다. 현재 이 회사는 생산 라인 중 하나를 아우르는 파일럿 프로젝트를 운영 중이며 앞으로 몇 년 이내에 전 세계 운영에 전면 확대한다는 목표를 세웠습니다. 

'작업자의 작업 범위 확대'

목표는 숙련된 프로세스 기술자에게 생산 데이터를 간편하게 확인하고, 파악하고, 분석할 수 있는 역량을 부여하여 업무를 더 쉽고 효율적으로 수행할 수 있도록 돕는 것입니다. 기본적으로 Manufacturing Data Engine 파일럿은 엔지니어들이 마치 데이터 과학자와 흡사하게 작업할 수 있는 역량을 부여합니다.

“Fehrer는 더욱 다양한 작업자가 제조 프로세스에 액세스할 수 있도록 지원하는 솔루션을 찾고 있었습니다."라고 리델 이사는 말했습니다. “또한 기계 데이터와 효율성 간의 실제 연관성을 발견할 수 있는 솔루션을 찾고자 했습니다.”

요약하면, 이 파일럿은 작업자가 처리 중인 작업에 사용하는 소프트웨어에서 제공되는 정보와 지침을 토대로 실시간 운영 및 장기적인 전략적 의사 결정을 개선하도록 돕는다는 목표 아래 실시되고 있습니다.

“이른바 예측 품질을 구현할 방법을 모색하고 있습니다."라고 리델 이사는 말했습니다. “관련 센서 값이 특정 비정상 영역으로 이탈하는 시점을 파악해서 불량 부품이 생산되기 전에 작업자에게 경고를 보낼 수 있는 방법을 찾고자 합니다. 특정 센서 값이 바뀌면 기계가 자동으로 설정을 변경하는 기능을 몇 년 내에 개발할 수 있을 것으로 기대합니다.”

Fehrer는 데이터 운영이 성숙 단계에 이르면 더 많은 분석, 자동화, 인공지능을 적용해서 프로세스를 개선하는 것을 그 다음 단계로 추진할 계획입니다. 이 회사는 광학 검사의 효율성을 개선하기 위해 Google Cloud의 Visual Inspection AI를 사용한 파일럿 프로젝트를 시작했습니다. AI와 운영의 향상으로 데이터 수집이 개선되면 자동화와 AI 기능이 더 나아지는 선순환 구조가 형성될 수 있습니다.

“Visual Inspection AI를 사용하는 목적은 장비에 대한 기술 노하우를 전파하고 어느 한 사람에 의존하는 관행을 탈피하여 경험에만 의존하지 않고 데이터를 활용함으로써 보다 견고한 프로세스를 구축하는 것입니다.”라고 리델 이사는 말했습니다.

고급 인공지능 통합

Fehrer와 같은 기업은 몇 년 전과 비교해서 더 쉽게 공장 현장에서 AI를 확장할 수 있게 될 것입니다. 근래 데이터베이스 관리, AI, 머신러닝의 발전 덕분에 데이터 과학자와 엔지니어 역할을 수행하기가 더 쉬워졌습니다. 예를 들어 엔지니어는 항상 처음부터 새로 AI/ML 알고리즘을 구축할 필요가 없습니다. 자동화된 머신러닝(AutoML)을 사용하면 머신러닝 전문 지식이 많지 않은 개발자도 고품질의 모델을 학습시킬 수 있습니다. 데이터 모델이 드리프트하기 시작하면 머신러닝 운영(MLOps)이 지속적인 모니터링과 최적화를 제공하여 배포된 모델을 보정할 수 있습니다.

기존 시스템은 동적 기능이 부족하고 이상 감지에 일괄 작업을 사용하는 경우가 많아 장비 문제의 조기 징후에 대한 대응이 느립니다. Google Cloud의 TimeSeries Insights API는 방대한 양의 고빈도 스트리밍 데이터에 대해 지연 시간이 매우 짧은 감지를 제공하도록 설계된 첨단 이상 감지 솔루션의 한 예입니다. Manufacturing Data Engine의 일부인 TimeSeries Insights API를 사용하면 제조업체가 장비 규모에 관계없이 실시간 모니터링 및 이상 감지로 전환할 수 있습니다.

업계 전체가 공장에서 AI를 활용할 수 있는 가능성을 이제 막 탐색하기 시작했습니다. 견고한 데이터 기반은 제조업체가 AI 이니셔티브의 효과를 높이는 데 도움이 될 수 있습니다.

"데이터를 기계 상태 예측, 재고 추산과 같은 AI 기반 기능에 유용한 방식으로 정리할 수 있습니다."라고 플로이드 이사는 말했습니다. "머신러닝을 기반으로 하는 인공지능 또는 고급 분석을 적용할 수 있는 실용적인 적용 사례가 많습니다."

제조업체가 클라우드 기술을 활용하여 데이터에서 가치를 창출하는 방법에 대해 자세히 알아보려면 Google Cloud의 '데이터와 AI: 제조업체가 규모에 따라 혁신하는 데 클라우드가 도움이 되는 방식' ebook을 읽어보세요.