인공지능(AI)은 제조 산업을 혁신하는 강력한 도구로서 그 가치를 지속적으로 입증하고 있습니다. 1부에서 논의했듯이, 기존 AI와 생성형 AI(GenAI)는 여러 면에서 유사하지만, 각각 다른 목표, 결과물 및 성과를 달성하도록 설계된 도구를 제조업체에 제공합니다.

이번 파트에서는 ​​기존 AI와 GenAI가 어떻게 협력하여 운영자와 유지보수 담당자에게 필요한 정보를 필요한 시점에 정확하게 제공하는지 심층적으로 살펴봅니다. 또한 이러한 도구가 디지털 트윈, 데이터 분석, 지속가능성, 생산성 및 품질 관리에 가져다주는 부가가치에 대해서도 강조합니다.

## 자산 유지보수

기존 AI는 오랫동안 자산 유지보수 분야에서 중요한 도구로 활용되어 왔습니다. 일반적으로 제조 자산에서 수집된 방대한 양의 과거 데이터를 기반으로 학습되며, 실시간 데이터에서 패턴을 감지할 수 있습니다. 이러한 패턴은 운영자와 유지보수 담당자가 잠재적인 문제를 사전에 파악하고 해결하는 데 도움을 줍니다.

AI는 실시간 데이터를 기반으로 구체적인 예측을 수행하여 유지보수 활동을 적절한 시기에 수행할 수 있도록 합니다. 수년간 전통적인 AI는 예방, 예측, 처방 및 상태 기반 유지보수를 지원하는 핵심 기술 중 하나였습니다.

하지만 전통적인 AI 결과는 운영자와 유지보수 팀이 해석하고 실행하기 어려울 수 있습니다. 바로 이 지점에서 GenAI가 등장합니다.

GenAI는 전통적인 AI와 함께 작동하여 데이터 결과와 패턴 분석을 해석하는 데 도움을 줍니다. GenAI는 분석 결과를 운영자와 유지보수 팀이 쉽게 이해할 수 있는 용어로 요약합니다. 이를 통해 운영자는 문제점과 해결 방법을 명확하게 파악할 수 있습니다.

GenAI는 작동 설명서, 수리 설명서, 기술 도면 및 기타 장비 관련 자료를 분석합니다. 전통적인 AI가 식별한 특정 패턴을 사용하여, 운영자와 유지보수 담당자가 상황을 명확하게 이해하고 적절한 시정 조치를 취할 수 있도록 상세한 도면과 단계별 유지보수 지침과 같은 맥락에 맞는 콘텐츠를 생성합니다.

이는 전통적인 AI와 GenAI가 협력하여 운영자와 유지보수 담당자에게 필요한 정보를 필요한 시점에 정확하게 제공하는 훌륭한 사례입니다.

## 디지털 트윈

디지털 트윈은 실제 제조 자산, 생산 라인 또는 공장의 작동 가능한 컴퓨터 기반 복제본입니다. 그 목적은 실제 운영을 최대한 정확하게 반영하는 것입니다. 디지털 트윈은 종종 동적인 실시간 모델이며, 특히 제조 장비의 설계, 운영 및 유지 관리에 매우 유용합니다. 전통적인 AI와 GenAI를 결합하면 그 효과는 더욱 커집니다.

제조 운영 및 교육 측면에서 디지털 트윈은 장비 및 생산 라인 운영을 최적화하고 작업자 교육을 지원합니다. 전통적인 AI 및 GenAI와 결합하면 실시간 의사 결정을 가능하게 하는 강력한 도구가 됩니다.

전통적인 AI는 장비 데이터를 분석하여 운영 비효율성을 파악합니다. 그런 다음 GenAI는 이러한 통찰력을 해석하여 엔지니어링 도면, 운영 절차 및 운영 매뉴얼을 참조하여 작업자에게 명확한 지침을 제공합니다.

## 데이터 분석

제조업은 항상 풍부한 데이터의 원천이었지만, 너무 많은 데이터 때문에 무엇이 중요하고 무엇이 중요하지 않은지 구분하기 어려운 경우가 많습니다. 다행히 전통적인 AI는 지도 학습 및 비지도 학습을 통해 상당한 발전을 이루었습니다. 하지만 데이터 과학자가 아닌 사람들에게는 결과가 너무 방대하게 느껴질 수 있습니다. 마치 결과를 이해하기 위해 또 다른 AI 계층이 필요한 것처럼 말이죠.

GenAI는 이러한 기존 AI가 생성한 결과를 해석하고 명확하게 설명할 수 있습니다. 무슨 일이 일어나고 있는지, 왜 일어나고 있는지, 다음에 무슨 일이 일어날 가능성이 높은지, 그리고 무엇을 해야 하는지를 명확히 설명하여 운영자, 감독자, 관리자 및 엔지니어가 이해하고 조치를 취할 수 있도록 돕습니다.

## 지속가능성

에너지 및 공공요금 사용, 폐기물 및 배출물 관리 측면에서 진정한 지속가능성을 달성하는 것은 매우 어렵습니다. 제조 시설의 거의 모든 공간에서 에너지나 공공요금을 소비하거나 배출물, 폐기물을 발생시키기 때문입니다.

기존 AI는 이러한 방대한 양의 데이터를 입력받아 실시간으로 에너지 및 공공요금 사용을 최적화하고 배출물과 폐기물을 최소화합니다. 하지만 이러한 최적화에도 불구하고 상황을 완전히 이해하기는 어렵습니다. 너무 많은 데이터와 너무 많은 결정이 동시에 이루어져 대부분의 사람들이 빠르고 쉽게 이해하기 어렵기 때문입니다.

GenAI는 바로 이러한 격차를 해소합니다. 이 시스템은 기존 AI 출력값을 명확하고 실행 가능한 인사이트로 변환하여 운영자와 관리자가 현재 상황, 조치 사항, 의사 결정 내용, 그리고 이러한 결정이 에너지 사용, 공공요금, 배출량 및 폐기물에 미치는 영향을 이해하도록 돕습니다. 이해하기 쉬운 요약 정보를 제공하여 전체적인 상황을 파악하고 정보에 기반한 조치를 취할 수 있도록 지원합니다.

## 생산성 및 품질 관리

제조업에서 품질 관리는 매우 복잡한 작업입니다. 목표는 최고 품질의 제품만 출하하면서 시설을 최고 효율로 운영하는 것입니다. 기존에는 제조업체들이 품질 향상을 위해 생산 속도를 늦추거나, 품질 저하의 위험을 감수하고 생산 속도를 높이는 두 가지 선택지 중 하나를 택했습니다.

이제 기존 AI는 이러한 프로세스를 혁신하는 데 도움을 주고 있습니다. 데이터를 수집하고 잠재적 결함을 나타내는 데이터 패턴을 감지하여 품질 관리 테스트 및 검사를 수행할 수 있습니다. 또한 생산 활동에서 생성되는 방대한 양의 데이터를 분석하여 비효율성을 파악하고 운영을 최적화합니다. 이러한 기능들을 결합하면 AI는 품질과 생산성을 동시에 최적화할 수 있습니다. 더 많은 데이터와 튜닝이 필요하지만, 그 이점은 충분히 투자할 가치가 있습니다.

GenAI는 이러한 결과를 분석하여 작업자가 이해하기 쉽게 만들어 줍니다. 기존 AI의 경우, 품질이나 생산성을 개별적으로 또는 동시에 최적화하는 것이 상당히 복잡할 수 있습니다. GenAI는 결과를 명확하게 설명함으로써 이러한 복잡성을 해결합니다. 무슨 일이 일어나고 있는지, 왜 일어나고 있는지, 그리고 품질과 생산성을 원하는 수준으로 유지하기 위해 어떤 조치를 취해야 하는지에 대한 구체적인 정보를 제공합니다.

## 결론

기존 AI와 GenAI는 기술, 운영 방식 및 목표가 다르지만, 제조 분야에서 함께 사용될 때 훨씬 더 강력한 힘을 발휘합니다. 가장 효과적인 응용 분야 중 일부는 두 가지를 통합한 경우이며, 이를 통해 상당한 성과를 거둘 수 있습니다. 오늘날의 제조 환경에서 기업은 적응하고 발전할 준비를 해야 합니다. 기존 AI와 GenAI의 융합은 이러한 변화를 이끄는 핵심 동력이 될 것입니다.