Panasonic Industry는 제조 분야에서 인공지능을 사용하는 일이 특정 모델이나 기성 도구를 선택하는 것에서 시작되는 것이 아니라, 신뢰할 수 있는 운영 데이터베이스를 구축하는 것에서 시작된다고 봅니다. MONOist Japan에 게재된 기사에 따르면, 이 회사는 10년 넘게 생산 라인 데이터와 관련 지식을 공정 개선에 활용할 수 있는 구조로 전환해 왔습니다.
이러한 경험은 1969년에 설립된 회사에서 비롯되었으며, 이 회사는 여러 제품 중 알루미늄 전해 커패시터를 생산합니다. 이러한 부품은 전기자동차, 인공지능 애플리케이션, 통신 인프라를 비롯한 분야에서 사용됩니다. 이와 관련해 회사는 생산 개선을 위해 제조 라인의 차이, 자원 확보, 수요 규모 변화에 대응해야 한다고 말합니다.
인공지능보다 앞선 데이터
약 10년 전에는 2010년 이전에 도입된 노후 생산 장비의 거의 절반이 데이터를 직접 수집할 수 없었습니다. 이에 Panasonic Industry는 데이터를 제공할 수 있는 장비를 도입하고, 기존 생산 라인에 프로그래머블 로직 컨트롤러(PLC)를 설치하는 작업을 진행했습니다.
기사에 따르면 이 과정으로 600개가 넘는 생산 라인에서 데이터를 수집할 수 있게 되었습니다. 표준화는 일반적인 지표에만 국한되지 않았습니다. 생산 품질, 장비 결함률, 제품 결함, 규모와 관련된 결함은 물론 생산 효율 등 여러 운영 지표의 데이터를 정리할 수 있게 되었습니다.
측정에서 운영 지식으로
회사는 데이터 수집 자체를 목적이라고 보지 않습니다. 모든 장비에서 데이터를 이용할 수 있으면 운영 조건을 분석하고 문제의 원인을 파악할 수 있으며, 장비와 공정의 성능을 비교할 수도 있습니다. Panasonic Industry는 데이터를 작업자들이 축적한 지식과 연결하며, 실무적으로 중요한 질문은 직원들이 하는 일과 공정 성능의 변화 사이의 관계를 어떻게 이해할 수 있는가라고 봅니다.
기사에 따르면 회사는 현장 경험을 재사용 가능한 형태로 전환하는 방식으로 운영 지식 체계를 구축하고 있습니다. 이는 지식이 특정 개인에게만 종속되지 않도록 하기 위한 것입니다. 이러한 점은 특히 고객마다 제품 사양과 생산 방식이 달라지고 수천 가지의 설정 및 운영 절차가 필요할 수 있는 제조 환경에서 중요합니다.
실제로 무엇이 달라지는가?
실질적인 변화는 인공지능을 독립적인 도구로 사용하는 방식에서 벗어나 장비 데이터 및 운영 지식과 통합하는 데 있습니다. 기사에서는 Panasonic Industry가 공정을 지원하기 위해 인공지능 에이전트를 비롯한 기술을 활용하기 시작했다고 설명하지만, 이러한 단계는 데이터 인프라를 구축하고 성과 지표를 표준화한 이후에 이루어졌습니다.
여기서 가장 중요한 점은 인공지능이 데이터의 부재나 데이터 정의의 불일치를 보완하지 못한다는 것입니다. 장비 데이터에 접근할 수 없거나 고장과 생산 품질을 설명하는 통일된 방법이 없는 공장은 인공지능 모델을 선택하는 단계에 이르기 전부터 제약에 직면하게 됩니다. 반면 Panasonic Industry의 경우 600개가 넘는 생산 라인의 디지털화가 공정 분석과 지식 자동화 확대의 기반을 마련했습니다.
기사 내용은 모든 생산 문제가 해결되었다거나 인공지능 에이전트가 인간의 전문성을 대체하게 되었다는 것을 입증하지는 않습니다. 그러나 데이터 수집, 데이터 표준화, 현장 지식과의 연결, 그리고 제조 공정에서의 인공지능 활용이라는 명확한 경로를 제시합니다. 이 경로의 효과는 데이터 품질, 지식 모델링의 정확성, 결과를 운영 의사결정으로 전환하기 전에 작업자들이 이를 검증할 수 있는 역량에 달려 있습니다.