오늘은 우리나라 이야기를 해볼까 합니다. 아직은 대부분의 사례가 대기업 위주가 많은것 같지만, 플랜트와 조선산업에 DX,AI 적용에 힘쓰고 계신 두 전문가의 이야기를 가져왔어요. 서울대학교 교수이자 '원프레딕트'의 대표인 윤병동 교수님, 그리고 조선해양공학의 권위자인 우종훈 교수님이 그 주인공이에요.
데이터는 쌓여있는데 쓸모가 없다고요?
많은 공장이 "우리도 데이터 많다"고 자부하지만, 막상 AI를 돌리려고 하면 쓸 데이터가 없어서 당황한다고 합니다. 윤병동 교수님은 현장의 데이터를 AI 레디(AI-Ready) 데이터로 만드는 것이 핵심이라고 강조해요. 공장에서 나오는 날것의 데이터는 노이즈도 많고 시간대도 제각각이라 AI가 바로 이해할 수 없거든요.
이를 해결하기 위해 원프레딕트는 '사이클론(Cyclone)'이라는 자동화 솔루션을 개발했어요. 예전에는 데이터 과학자들이 일일이 수작업으로 했던 정제, 맥락화 작업을 자동화해주는 도구죠. 키워드만 넣으면 필요한 데이터를 식별해오는데, 이 과정이 선행되어야만 비로소 AI가 사고하고 판단할 수 있는 기반이 마련되는 겁니다.
라면 공장 5분 정지가 억대 손실로 이어지는 이유
구체적인 사례를 보면 AI의 위력이 더 실감 나요. 여러분이 자주 드시는 라면 공장의 경우, 공정이 딱 5분만 멈춰도 모든 재료를 전량 폐기해야 하거든요. 그래서 지금까지는 '과잉 정비'가 일상이었죠.
하지만 AI 파운데이션 모델을 도입하면 상황이 달라져요. 설비의 이상 징후를 사전에 정확히 예측해서 정비 시점을 최적화할 수 있거든요. 이 외에도 지하에 매설된 펌프 모터의 손상을 지상에서 미리 알아내거나, 배터리 조립 공정의 불량을 예측하는 등 AI는 이미 실질적인 돈을 벌어다 주는 '비즈니스 도구' 로 자리 잡고 있어요.
예쁘기만 한 디지털 트윈은 이제 그만
(디지털 트윈: 현실 세계에 존재하는 사물이나 시스템을 가상 세계에 똑같이 구현한 한 것)
조선산업의 스마트 야드(Smart Yard) 이야기도 흥미로워요. 우종훈 교수님은 그동안의 디지털 트윈이 '보여주기식'에 그쳤다는 점을 날카롭게 지적합니다. 정작 "그래서 지금 어떤 결정을 내려야 해?"라는 질문에는 답을 못했다는 거에요. 결국 결정은 사람이 해야 했으니까요.
그래서 이제는 심층 강화학습을 활용한 AI 에이전트가 필요해졌어요. 시뮬레이션 환경에서 AI가 수많은 시행착오를 겪으며 스스로 최적의 해답을 학습하게 만드는 거죠. 예를 들어, 조선소의 복잡한 일정 계획, 자재 라우팅, 공간 배치 등을 여러 명의 AI 에이전트가 서로 협력하며 실시간으로 결정해주는 방식이에요. 사람이 직관으로 결정하던 것보다 훨씬 빠르고 정확한 결과가 나오고 있죠.
진짜 문제는 '기술'이 아니라 '사람의 지식'
하지만 넘어야 할 산도 분명해 많은 것 같아요. 조선소 현장 이나 플랜트 현장의 전문가들이 가진 엄청난 노하우, 즉 암묵지가 아직 디지털화되어 있지 않다는 점이에요. 우 교수님은 "우리나라가 미국보다 AI 생산성이 떨어지는 이유는 지식 자산화가 부족하기 때문"이라고 뼈 때리는 조언을 남겼습니다.
현장의 지식을 구조화하는 온톨로지(Ontology) 구축이 필수적인데, 이게 전문가 인터뷰만 수년이 걸릴 정도로 고된 작업이거든요. 하지만 LLM(거대언어모델) 같은 기술을 공학적 최적화에 접목하면 이 속도도 빨라질 수 있어요. 결국 태생부터 AI가 의사결정을 내리도록 설계된 AI 네이티브 공장만이 미래 경쟁력을 가질 수 있다는 것이 두 분의 공통된 결론이에요.
*온톨로지: '컴퓨터가 이해할 수 있도록 만들어진 지식의 지도(Map)' 또는 '지식의 설계도'
엘린의 인사이트
윤병동 교수님은 AI 팩토리를 수출한다면 관세 경쟁에서도 자유로울 수 있고, 사업에 부가가치를 높일 수 있다고 말했어요. 이말을 들으면서 저는 제사촌 동생의 회사가 생각 났어요. 이 회사는 핸드폰베터리 생산 설비를 해외에 구축해주는 작은 기업이에요. 기존 EPC 능력에 AX,AI를 접목한다면 공장 운영시 필요한 AI 운영시스템을 함께 구독형으로 새로운 수익구조를 창출할 수 있겠다는 생각이 들었어요. 마치 제 첫번째 뉴스레터 사례인 아사히 철공처럼 새로운 비지니스로 확장이 가능 한 것이죠. 하지만 그러 기업으로 다시 태어 나려면, 우선 우리가 시급하게 해결해야 할 것들이 있겠지요.
- AI 도입의 첫 단추는 'AI 레디 데이터' 날것의 데이터를 AI가 즉시 활용할 수 있도록 정제하고 맥락을 부여하는 플랫폼 구축 하는것이 우선화 되어야 합니다. 그러나 지금 작은 기업의 상황에서는 파편화 되어 있는 데이터를 디지털로 변환 시키고 정제하고 필터링 하는 작업부터라도 시작해야 겠지요.
- 모니터링을 넘어 '실시간 최적 의사결정'이 되어야함. 단순히 상태를 보여주는 디지털 트윈에서 벗어나, AI 에이전트가 직접 해답을 제시하는 구조를 만들어야 합니다.
- 현장의 암묵지를 구조화된 지식으로 전환해야 합니다. 전문가의 머릿속에만 있는 노하우를 데이터베이스화하고 온톨로지로 정의하지 않으면 AI는 반쪽짜리에 불과하거든요.
하루 아침에 이 모든 것들이 요즘 유행 하는 말처럼 '딸깍'은 안되겠지만, 일론머스크가 예언 했듯이 한국이 소멸되지 않으려면, 그래서 우리 기업들이 생존하려면, 지금부터 조금씩이라도 준비 해야 하지 않을까 생각합니다.
여러분의 의견은 어떠신가요?
(본 콘텐츠는 26년 1월 19일 캐드앤 그래픽스 의 DX 와 AI로 재도약하는 플랜트 조선산업의 미래에서 다루어진 핵심 내용을 바탕으로, 저의 개인적인 실무 경험과 주관적인 인사이트를 더해 재구성한 것입니다. 유익한 정보 공유를 목적으로 각색하였음을 밝힙니다.)
엘린의 개발 로그
이미 경험치가 있는 전문가들의 이야기를 들으니, 내가 준비하면서 느꼈던 점이 훨씬 깊게 와 닿았어요. 제작사의 스케줄을 넣으면 자동으로 데이터를 읽어야 하는데, 기존 스케줄은 엑셀 파일이지만 그림에 가깝다 보니 AI가 인지 자체를 못하는 어려움이 있어요. 이 문제를 해결 하기 위해서는 스케줄 표현 방식을 좀 더 정량적인 스케줄 데이터가 필요하다고 판단 되었습니다. 현장에서는 스케줄을 AI가 알아볼 수 있는 스케줄을 수정하라고 한다면, 아예 쓰지 않으려고 하지 않겠지?하는 생각에 오늘도 Gemini와 해결책에 대해 티키타카를 해 봅니다. 궁극적으로는 정량적 스케줄 작성으로 유도 해야 겠지만요.
의견을 남겨주세요