Business Challenges: 제조업에 생성형 AI를 도입 시 데이터 활용 역량, 보안 등의 문제 존재

 

 생성형AI는 제조업에 있어 설계 단계부터 생산 프로세스 개편에 이르기까지 혁신을 일으킬 수 있는 잠재력을 가지고 있습니다. 생성형 AI를 도입한 제조 기업들은 어떤 이점을 누릴 수 있을까요?

 

 

제조업에서 생성형AI 활용 시 기대효과

생산 최적화

 생성형 AI는 생산 프로세스를 분석하고 최적화하는 데 도움을 줄 수 있습니다. 예를 들어, 생산 라인의 효율을 높이고 재고를 최소화하여 비용을 절감할 수 있습니다.

 

고장 예측과 유지보수

 생성형 AI 기술은 센서 데이터를 실시간으로 분석하여 장비의 고장을 예측하고 예방할 수 있습니다. 이를 통해 예기치 못한 고장으로 인한 생산 중단을 최소화할 수 있습니다.

 

데이터 기반 의사 결정

 대량의 데이터를 분석하여 경영진이 전략적인 의사 결정을 내리는 데 도움이 됩니다. 생산 과정에서 발생하는 데이터를 분석하여 생산량을 예측하고 재고를 최적화하는 등의 결정을 내릴 수 있습니다.

 

 

 

생성형 AI 도입 시 제조 기업들의 고민

  제조업에 생성형 AI를 도입함으로써 얻을 수 있는 다양한 이점에도 불구하고, 도입을 망설이게 하는 몇 가지 문제점들이 있습니다. 대표적으로 수치에 대해 분석하고 정확한 결과를 이용하여 활용 방안을 세우고 성과를 내야 하는 것에 대한 어려움이 있으며 이외에도 생성형 AI의 제조업계 용어에 대한 특화성 부족, 마지막으로 내부 자료인 데이터가 노출 철저하게 지켜야 하는 보안 등이 있습니다.

 

Solutions: 문제점을 보완하여 제조업에 맞는 생성형AI를 적용한 제조 D사

 SK㈜ C&C는 앞서 언급된 제조업 생성형 AI 도입의 한계와 리스크를 보완하며 신뢰도와 활용도를 높인 솔루션을 제공하려 노력하고 있습니다. 

제조 D사에 적용한 ‘생성형 AI기반 이상 진단 서비스’ 솔루션이 대표적인 예인데요. 해당 솔루션은 생성형 AI 기반 플랫폼을 통해 제조 현장에서의 장비 및 설비 이상 징후를 감지하고 분석부터 보고서 작성, 담당자에게 메일 보고 등 장애 대응 과정을 종합적으로 지원합니다. 

 특히, 이상 진단 중 가장 시간이 많이 소요되는 고장 분석 및 보고서 제작에 중점을 두고 있습니다. 고장 발생 후 유사 사례 데이터 분석을 생성형 AI로 신속히 수행하여 대응 방안 제시 시간을 크게 단축하였습니다. 

 

 생성형 AI를 제조업에 도입할 때의 문제점들을 SK㈜ C&C는 어떻게 극복하였는지 소개하겠습니다.

 

 

Benefits: 정확도를 올리는 RAG와 AI 성능을 높이는 sLLM 활용

 

RAG – 사용자 질의와 관련된 정보 검색 및 결과 생성

 제조업이 생성형 AI를 도입하기 어려운 이유 중 하나는 실무에서 제조 관련 전문 지식에 특화된 용어를 사용하기 때문입니다. 

 이를 해결하기 위해 SK㈜ C&C는 기업 내부 지식을 활용할 수 있도록 ‘RAG(Retrieval-Augmented Generation)’ 아키텍처를 활용하기로 했습니다. RAG는 사용자의 질의와 관련된 내부 지식을 검색해와서 결과를 생성합니다. RAG를 활용하는 것은 답변의 정확도를 높이기 위한 가장 확실한 방법입니다. 

 RAG를 사용하면 생성형AI의 도입을 주저하는 이유 중 하나인 ‘환각(hallucination) 현상’을 해결할 수 있습니다. 환각 현상은 기존에 학습된 데이터만을 참고해 확률적으로 가장 그럴듯한 문장을 생성하는 구조인 탓에 잘못된 정보를 마치 사실인양 풀어내는 경우를 말합니다.

 SK㈜ C&C는 RAG를 통해 이상 진단 후 생성형AI를 사용해 장애 보고서를 작성하는 ‘장애 보고서 자동 생성’ 솔루션을 개발했습니다. 

sLLM – 미세한 조정 과정을 통해 AI의 성능을 높임

 SK㈜ C&C는 ‘장애 보고서 자동 생성’ 솔루션에 RAG 뿐만 아니라 sLLM(소형언어모델) 기반의 생성형AI를 활용하여 장애 현황을 표현한 문장을 입력해 생성형AI를 학습시켰습니다.

 sLLM(소형언어모델)은 그 이름에서부터 알 수 있듯이, 기존 LLM(대형언어모델)에 비해 파라미터의 수가 비교적 크기가 작은 언어 모델을 뜻합니다. 하지만 놀랍게도 성능은 그대로거나 더 뛰어납니다. 그 비결은 Finetuning *때문인데요. 언어 모델의 성능은 파라미터 수뿐만 아니라 학습 데이터의 양과 품질에 영향을 받는데, Finetuning은 이 데이터의 품질을 목적에 알맞게 튜닝합니다. 즉, 미세한 조정 과정을 통해 AI를 더 잘 작동하게 만듭니다.

 ‘장애 보고서 자동 생성’ 솔루션의 sLLM(소형언어모델)은 과거의 유사한 보고서나 문맥을 파악한 다음, 현재 데이터에 맞게 문서를 생성합니다. 파라미터 수가 작으니 용량과 운영 비용 역시 적습니다. 물론 데이터 역시 기업내부서버(On-premise)로 구동되어 보안을 철저하게 유지할 수 있었습니다. 

*Finetuning: 사전 학습 모델에 도메인 특화 데이터를 추가 학습시켜 맞춤형 모델로 업데이트하는 것

 

 

한계를 극복한 제조 D사의 ‘장애 보고서 자동 생성’ 솔루션

 이렇게 만들어진 제조 D사의 ‘장애 보고서 자동 생성’ 솔루션에는 해당 솔루션은 아래와 같은 특징을 가지고 있습니다. 

 1. 자체 검색 모델(Retrieval Model)에 ‘RAG’ 아키텍처를 활용하여 높은 검색 정확도를 확보했습니다. 이상 발생 시 유사 사례에 대한 검색 정확도는 78%입니다.

 2. 제조 특화 보고서 생성을 위해 벡터 DB 기반의 sLLM fine-tuning을 진행하는 도메인 특화 모델이 적용되었습니다. 

 3. 오케스트레이션*을 통해 데이터를 관리하기 때문에 보고서 데이터 추가 및 모델 재학습 프로세스가 간편해집니다.

 

D사는 SK㈜ C&C의 기술을 적용한 솔루션을 통해 생성형AI가 자동으로 효율적이고 정확도 높은 장애 보고서를 생성할 수 있게 되었습니다.

* 오케스트레이션: 여러 개의 컴퓨터 시스템, 애플리케이션 및/또는 서비스를 조율하고 관리하는 것

 

 

수많은 노하우와 경험을 가진 SK㈜ C&C와 함께 생성형 AI를 도입하세요!

 SK㈜ C&C는 자체적으로 개발한 솔루션을 통해 생성형 AI의 제조업 도입을 성공적으로 해내며 제조업의 디지털 전환에 앞장서고 있습니다. 

 데이터 관리, 제조업 특화성, 보안 등 많은 장벽들에 두려움을 느끼는 제조 기업들을 위해 SK㈜ C&C는 아이디어 도출부터 비즈니스 모델 발굴까지 기업 맞춤형으로 AI 도입을 지원하고 있습니다. 수많은 노하우와 경험을 기반으로 좋은 아이템을 발굴하고, 원하는 결과가 나올 수 있도록 생성형 AI를 구축· 운영하는 여정에 여러분과 함께 하겠습니다. 

 

---

 

아이디어 도출부터 비즈니스 모델 발굴까지

AI 서비스의 노하우를 기업 맞춤형으로 지원