현장(Shop Floor)의 AI 에이전트: 제조 분야에서의 활용처와 결정론(Determinism)이 반드시 승리해야 하는 지점

한 공장 관리자가 우리에게 타당한 질문을 던졌습니다. "모두가 공장 현장에 AI를 도입하라고 말합니다. 하지만 AI가 실제로 어디에 위치해야 하며, 어디에서 누군가를 다치게 하거나 제품 한 배치를 폐기하게 만들까요?" 이는 정확히 올바른 프레임워크입니다. 현장(Shop floor)에서 "AI 에이전트 (AI agent)"와 "제어 시스템 (control system)" 사이의 경계는 스타일의 선택 문제가 아닙니다. 그것은 안전과 품질의 경계입니다. 부주의하게 이 경계를 넘는다면 그 비용은 단순히 당혹스러운 수준이 아니라 물리적인 손실로 이어집니다.

우리는 명확한 답을 내놓을 수 있을 만큼 충분한 제조 관련 작업을 수행해 왔습니다. AI 에이전트는 공장에서 실제적이고 가치 있는 위치를 차지합니다. 다만, 그것이 과장 광고(hype)에서 암시하는 위치는 아닐 뿐입니다. 우리가 선을 긋는 방식은 다음과 같습니다.

엄격한 규칙: 결정론(Determinism)이 기계를 제어한다

물리적으로 움직이거나, 가열하거나, 절단하거나, 투여하거나, 기계를 멈추는 모든 것은 결정론적 제어(deterministic control) — 즉, 매번 동일한 동작을 수행하는 PLC, 안전 인터록(safety interlocks), SCADA 로직 — 에 의해 관리되어야 합니다. 확률론적 언어 모델(probabilistic language model)은 토크 명령을 내리거나 안전 정지(safety stop)를 무시할 권한이 없습니다. 이는 모델이 나빠서가 아니라, 실패 모드가 압착기 손상이나 작업자 부상일 때 "대체로 정확함"이라는 기준은 잘못된 기준이기 때문입니다. 제어 계층은 결정론적 상태를 유지해야 합니다. 이것은 확고한 원칙입니다.

그렇다면 에이전트는 어디에서 제 역할을 할까요? 기계 내부가 아닌, 기계 주변입니다

현장에서 에이전트의 가치는 정보 계층(information layer)에 있습니다. 즉, 생산을 둘러싼 복잡하고, 언어 중심적이며, 인간을 상대하는 작업들입니다:

"3번 라인이 왜 멈췄나요?"라는 질문에 답변하기: 유지보수 로그, 최근 알람, 그리고 매뉴얼을 읽고 가능한 원인을 평이한 언어로 설명할 수 있는 에이전트는 기술자가 원인을 찾는 데 소요되는 20분의 시간을 절약해 줍니다. 이는 인간에게 정보를 제공할 뿐, 라인에 직접적인 영향을 미치지는 않습니다.
유지보수 우선순위 결정 (Triaging): 센서 트렌드와 서비스 이력을 학습한 에이전트는 "7번 펌프의 베어링이 지난 두 번의 고장 직전과 유사한 패턴을 보이고 있습니다"라고 표시하고 작업 지시서(work order) 초안을 작성할 수 있습니다. 계획 담당자가 이를 승인합니다. 에이전트는 정보를 표면화하고, 인간이 결정합니다.
암묵지(Tribal knowledge)의 검색 가능화: 수십 년간 쌓인 수리 방법, 기계의 특이 사항, "12번 기계의 요령" 같은 지식들은 은퇴를 앞둔 숙련공들의 머릿속이나 여기저기 흩어진 PDF 파일 속에 존재합니다. 해당 코퍼스(corpus)를 기반으로 하는 에이전트는 30년 경력 베테랑의 지식을 신입 사원이 새벽 2시에도 검색할 수 있는 형태로 변환해 줍니다.
서류 작업 처리: 교대 보고서, 컴플라이언스(compliance) 문서, 품질 기록 등 — 에이전트는 원시 데이터(raw data)로부터 이를 초안 작성하고 구조화할 수 있으며, 관리자가 최종 승인합니다. 이는 순수하게 시간을 돌려받는 일이며, 물리적 위험은 전혀 없습니다.

비전과 품질: 검사자를 보조하고, 자동화의 관문 역할을 수행하라

결함 탐지를 위한 AI 비전(AI vision)은 진정으로 유용하며 점점 더 성숙해지고 있습니다. 하지만 앞서 언급한 경계선을 유념하십시오. 모델을 사용하여 인간 검사자에게 의심스러운 부품을 '표시(flag)'하도록 하는 것은 리스크가 낮고 가치가 높습니다. 모델이 '자율적으로' 부품을 거부하거나 승인하게 하거나, 이에 대응하여 공정 파라미터(process parameters)를 조정하게 하는 것은 다른 차원의 리스크를 가집니다. 이제 오독(misread)은 폐기물 발생이나 결함 제품 출하로 이어집니다. 보조(assist)부터 시작하십시오. 시간이 흐르면서 측정 가능한 정확도를 통해 자율성을 획득하되, 안전이나 사양(spec)에 결정적인 모든 사항에 대해서는 결정론적 규칙(deterministic rule)을 최후의 보루로 유지하십시오.

소프트웨어에게 적대적인 환경인 현장을 위한 계획

현장(Shop floor)은 데이터 센터가 아닙니다. 연결성이 끊기기도 합니다. 기계들은 오래된 산업용 프로토콜(industrial protocols)을 사용합니다. 작업자가 스테이션에서 기다리고 있을 때는 지연 시간(Latency)이 매우 중요합니다. 클라우드 모델과의 빠른 왕복(round-trip)이 필요한 에이전트는 네트워크에 작은 문제가 생기는 순간 모든 사람을 좌절시킬 것입니다. 이를 고려하여 설계하십시오. 공격적으로 캐싱(cache)하고, 우아하게 성능을 저하시키며(degrade gracefully), 에이전트를 사용할 수 없을 때도 현장이 이전과 정확히 동일하게 계속 돌아가도록 만드십시오. 왜냐하면 에이전트는 애초에 핵심 경로(critical path)에 있었던 것이 아니기 때문입니다. 이 마지막 지점이 잘 설계된 시스템을 판가름하는 기준입니다.

구체적인 사례

한 고객은 "라인을 운영하는 AI"를 원했습니다. 그들에게 실제로 필요했던 것, 그리고 우리가 구축한 것은 라인 옆에 자리 잡은 에이전트였습니다. 이 에이전트는 기계 알람과 유지보수 이력을 흡수하여, 모호한 오류 코드가 무엇을 의미하는지, 지난번에는 무엇으로 해결했는지, 어떤 예비 부품을 가져와야 하는지 등 작업자의 질문에 일상적인 언어로 답변했습니다. 다운타임(Downtime)이 줄어든 이유는 무언가 자율적인 것이 기계에 직접 닿았기 때문이 아니라, 진단이 빨라졌기 때문입니다. 제어 시스템은 언제나 그랬듯 정확히 결정론적(deterministic)인 상태를 유지했습니다. 에이전트는 사람을 더 빠르게 만들었고, 기계는 안전하게 유지되었습니다.

올바른 질문

공장 현장에서는 "AI가 무엇을 제어할 수 있는가?"라고 묻지 마십시오. 대신 "어떤 결정과 정보가 느리고, 수동적이며, 언어 집약적인가? 그리고 그중 어떤 것을 인간과 결정론적 시스템이 금속(기계)을 확고하게 통제하는 동안 에이전트가 가속화할 수 있는가?"라고 물으십시오. 이에 대해 정직하게 답한다면 실질적이고 지속 가능한 가치를 얻을 수 있습니다. 이 경계를 무시한다면, 왜 제어 시스템이 애초에 결정론적이어야만 하는지에 대한 매우 값비싼 교훈을 얻게 될 것입니다.

Shanti Infosoft 소개: Shanti Infosoft는 16개 이상의 산업 분야에서 700개 이상의 프로젝트를 수행한 CMMI Level 5 AI 개발 기업입니다. 우리는 팀이 AI 아이디어에서 신뢰할 수 있는 프로덕션급 소프트웨어로 나아갈 수 있도록 돕습니다 - shantiinfosoft.com | AI integration services.

만약 여러분이 현장(shop floor)에서 AI 에이전트가 도움이 되는 영역과 결정론(determinism)이 반드시 승리해야 하는 영역 사이에서 고민하고 있다면, 저희가 여러분의 운영 방식에 맞춰 그 경계선을 그릴 수 있도록 도와드릴 수 있습니다. 저희 팀과 상담하세요.

Rishabh Jain은 Shanti Infosoft의 디렉터이며, 이곳의 팀은 실제 비즈니스 운영을 위한 AI 에이전트와 자동화 솔루션을 구축합니다.