알림마당

McKinsey 사례연구: 장치산업에서의 인공지능 응용

AI in Production : A game chagner for manufacturers with heavy assets

출처: AI in Production: A game chagner for manufacturers with heavy assets, McKinsey

(https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/ai-in-production-a-game-changer-for-manufacturers-with-heavy-assets?cid=other-eml-alt-mip-mck&hlkid=4ab289b76efd4c96b50e552b995030c4&hctky=10056112&hdpid=0cd7d0b9-5dd8-410c-b30e-c9cf3f3b1f47)

McKinsey는 유럽의 시멘트 제조기업에 인공지능 AI (Aritificial Intelligence) 기법을 적용하여 생산 분야에서 큰 성과를 창출한 사례를 바탕으로, 대규모 설비 투자가 필요한 장치산업에서의 인공지능 응용에 대한 시사점 관련 보고서를 발표하였습니다.

전통적으로 장치산업은 대규모 투자에 따른 수익성 확보를 위해 생산성 향상에 관심을 기울여왔고, 이제 인공지능 기술의 발전으로 장치산업 제조현장에서의 인공지능 기술 접목에 대해서도 관심을 가지게 되었습니다. 인공지능 기술이 스마트폰, 스피커 등과 접목하여 일반소비자의 생활에 직접적 영향을 미치고 있는 반면 전통적 제조산업에서의 성공적 사례는 아직 많지 않은 현실에서, 본 보고서는 시멘트 제조기업에서의 성공적인 AI 응용 사례를 바탕으로 산업에서의 인공지능 접목 방안에 대해 시사점을 제공하고 있습니다.

중공업이나 장치산업과 같이 대규모 설비 투자가 필요한 산업에서는 공장 자체를 디지털화하고 중앙집중형 관리 시스템을 구축하는데 많은 노력을 기울여왔습니다. 그러나, 여전히 현장에서의 의사결정은 오랜 경험을 통해 노하우를 가진 숙련된 현장전문가에 대한 의존도가 높고, 현장전문가의 노하우에 기반한 수작업으로 공장이 운영되는 경우가 대부분입니다. 현장전문가가 은퇴할 경우 이에 대한 대응 방안이 문제가 되고, 전문가별 역량 차이에 따른 생산성 편차가 높은 것도 문제가 되고 있습니다. 이에 따라 인공지능을 활용하여 전문가 역량과 상관없이 과거 운영 실적 등을 바탕으로 운영 관련 의사결정 문제를 학습하고 일관된 의사결정을 내릴 수 있도록 지원하는 인공지능 기반 생산성 향상 프로젝트에 대한 관심이 증가하고 있습니다. 더욱이 소프트웨어 기술 및 하드웨어 성능이 향상됨에 따라 인공지능 기술의 성과도 크게 좋아지고 있어 인공지능 기술을 적용하기에 좋은 환경이 구축되고 있습니다.

McKinsey의 경우 2016년 초 유럽의 시멘트기업에 인공지능을 접목한 생산성 향상 프로젝트를 진행하였습니다. 신규 설비 설치 및 소프트웨어 업그레이드를 통해 각각 8% 및 2%의 생산성이 향상되었으나, 해당 시멘트기업은 더 높은 생산성 향상을 원하였습니다. 이에 따라 시멘트 제조 공정의 핵심 프로세스에 대해 실시간으로 최적 의사결정을 지원하는 과제가 시작되었고, 내부의 운영 실적 데이터를 바탕으로 인공지능 기술을 적용하였습니다. McKinsey가 적용한 인공지능 기술 개발 및 적용 프로세스는 다음과 같습니다.

-수백개의 프로세스 변수에 대해 수백만 라인의 데이터 확보

-고급 분석 기술을 적용하여 데이터 분석 시행

-자동화 프로세스별로 분석된 데이터를 연결 / 매핑 (Mapping)

-뉴럴네트워크 기술 등을 활용하여 오프라인 최적화 시스템 개발 및 테스트

-온라인 최적화 시스템으로 업그레이드 및 자동화 프로세스와 연결

-실시간 온라인 최적화 시스템을 통해 핵심 설비를 사람의 개입없이 자동으로 관리

McKinsey는 시멘트기업에 대한 인공지능 프로젝트를 통해 11.6%의 생산성 향상이라는 성과를 창출하였다고 합니다.

시멘트기업에 대한 인공지능 프로젝트 추진 후 McKinsey는 인공지능 기술의 산업 현장 적용에 있어 가장 중요하는 것은 적재적소에 적합한 인력을 활용하는 것이었다고 결론을 내렸습니다. 인공지능 프로젝트 추진에 있어 필요한 인력은 다음과 같이 정의될 수 있습니다.

-프로젝트 매니저 (Project Manager) 및 인공지능 전문가 (AI Creation Expert) : 프로젝트 매니저는 인공지능 전문가에게 현장의 목소리 및 노하우를 전달하는 통역의 역할을 담당하게 되며, 변화 관리를 이끌어나가게 됩니다. 프로젝트 매니저는 인공지능 전문가와 함께 현장의 노하우를 인공지능 시스템에 녹여내는 역할을 담당합니다.

-현장 전문가 (Domain Expert) : 프로세스 및 제조 엔지니어와 같이 제조 현장을 이해하고, 제조 과정의 노하우를 이해하고 있는 현장 전문가를 활용하여 인공지능 기반 실시간 최적화 시스템의 학습을 진행하게 됩니다. 현장 전문가는 인공지능 시스템 과정 전반에서 실제 현장과 인공지능 시스템 사이의 간격을 좁히는 역할을 담당하게 됩니다.

-IT 및 데이터 전문가 : 회사 내부에 강력한 IT 및 데이터 전문가 그룹을 운영해야 합니다. 컴퓨터 과학, 데이터베이스, 데이터 구조, 모델링, 통계, 분석기법, 수학 등을 전공한 전문가 그룹이 복잡한 현장 문제를 인공지능 시스템으로 모델링하는 것을 지원하게 됩니다.

기본적으로 인공지능 기반 의사결정 체계를 구축하기 위해 데이터 시각화, 데이터 정제, 데이터 분류, 데이터 모델링과 같은 빅데이터 분석 관련 노하우를 가지고 있는 고위 임원이 전체 프로젝트를 이끌어가는 것이 중요함에 따라 이러한 C-레벨 임원을 확보하는 것이 프로젝트 추진의 성패를 좌우할 수 있으나, 만약 이러한 최고 전문가를 확보하기 어려울 경우 오픈 소스 소프트웨어를 적극 활용하여 어느 정도 간극을 좁힐 수 있습니다. R이나 Python과 같은 오픈소스 소프트웨어와 함께 최근 도입되고 있는 인공지능 설계 도구들은 시간이 많이 소요되는 데이터 시각화, 정제, 분류 등의 작업을 손쉽게 할 수 있도록 자동화된 시스템을 제공합니다. 이러한 인공지능 설계 도구들이 인공지능 관련 최고 전문가 레벨 임원이 없다 하더라도 빅데이터 분석을 이해하는 사내 전문가 그룹이 어느 정도 문제를 해결하는데 도움이 되고 있습니다.

구글이나 아마존과 같이 인공지능의 잠재력을 알아보고 초기부터 투자한 기업들은 이미 경쟁상대를 따돌리고 탁월한 성과를 창출하고 있습니다. 장치산업과 같이 대규모 설비 투자가 불가피한 산업에서 인공지능 기반 시스템을 도입하지 않을 경우 그에 따른 기회비용은 매우 높다고 볼 수 있습니다. 장치산업에서는 이미 다양한 현장의 데이터가 실시간으로 확보되고 있기 때문에 인공지능 기술을 접목한 실시간 최적화 시스템을 도입할 경우 성과가 매우 높을 것으로 예측할 수 있습니다.