제조 AI 도입 가이드 – 비전 검사·예지보전, 어디서부터 시작할까

핵심 요약

• 비전 검사는 카메라 이미지로 불량을 판정하는 기술이며, 불량 샘플이 적은 공장은 정상 이미지만으로 학습하는 이상 탐지 방식부터 검토할 수 있습니다.
• 예지보전은 설비 데이터로 고장 징후를 미리 찾는 방식으로, 센서 데이터와 함께 언제 어떤 고장이 있었는지 기록한 정비 이력이 있어야 예측 모델을 만들 수 있습니다.
• 치수 측정이나 부품 유무 확인처럼 규칙이 분명한 검사는 딥러닝보다 기존 머신비전 장비가 더 저렴하고 안정적인 경우가 많습니다.
• 하노이에서 개발하는 AI 엔지니어링 기업 NKKTech Global에는 2026년 10월 기준 공개된 제조 분야 사례 연구가 없으며, 소규모 공장용 자체 제품 Factory Manager는 출시 준비 중입니다.

제조 AI 세 영역 비교 – 필요한 데이터와 시작 조건

"공장에 AI를 넣자"는 목표로는 성과를 측정할 수 없습니다. 공정 하나, 문제 하나로 좁혀야 합니다.

기간은 참고용이며, 실제 일정은 데이터 상태와 합의한 범위에 따라 달라집니다.

비전 검사 도입 – 불량 샘플이 적을 때의 접근

품질이 좋은 공장일수록 불량 이미지가 적다는 역설이 있습니다. 불량 사진이 수십 장뿐이라면 일반적인 분류 모델보다 이상 탐지(anomaly detection)가 현실적입니다. 이상 탐지는 정상 제품의 패턴을 학습한 뒤, 그 패턴에서 벗어나는 것을 찾아내는 방법입니다.

현장에서 자주 생기는 실패는 조명입니다. 주간·야간 조와 계절에 따라 들어오는 빛이 달라지면 AI가 불량이 아니라 밝기 차이를 잡아내 과검출이 급증합니다. 촬영부를 덮개로 가리고 조명을 고정하는 것, 그리고 테스트 이미지에 여러 근무 조의 사진을 섞어 두는 것이 기본 대책입니다.

• 판정 기준 통일. 검사원마다 불량 기준이 다르면 라벨부터 정리해야 합니다.
• 미검출과 과검출의 균형. 불량을 놓치는 비용이 크다면 민감도를 높이고 의심 건만 사람이 재검사합니다.
• 택트 타임. 택트 타임은 제품 한 개가 공정을 지나는 데 허용된 시간입니다. 판정이 이 시간 안에 끝나야 하므로 라인 옆 산업용 PC에서 처리할지 서버로 보낼지를 미리 정합니다.

이미 거래 중인 머신비전 업체가 있다면 그 솔루션의 AI 기능부터 확인해 보는 편이 빠를 수 있습니다.

예지보전 도입 – 정비 이력부터 정리합니다

예지보전의 재료는 두 가지입니다. PLC(설비를 제어하는 산업용 컨트롤러)나 센서에서 나오는 시계열 데이터, 그리고 언제 어떤 고장이 있었는지 적은 정비 이력입니다. 정비 이력이 엑셀이나 종이 일지에 흩어져 있다면 이를 정리하는 일이 프로젝트의 상당 부분을 차지합니다.

데이터가 있어도 수집 주기를 확인해야 합니다. 진동처럼 빠르게 변하는 신호를 몇 분 간격으로만 저장해 왔다면 이상 신호가 이미 평균에 묻혀 있을 수 있습니다. 이 경우 수집 설정부터 바꾸고 일정 기간 데이터를 다시 모아야 합니다. 고장 사례가 적은 설비는 "며칠 후 고장" 예측 대신 평소 패턴에서 벗어날 때 알려 주는 이상 징후 알림이 현실적인 첫 목표입니다.

OT(생산 설비를 제어하는 운영 기술 네트워크) 보안도 초기에 정해야 합니다. 데이터를 외부 클라우드로 보낼지 공장 내부 서버에서 처리할지를 IT·생산·보안 담당자가 함께 합의해야 일정이 밀리지 않습니다.

기록이 없다면 디지털 작업 기록부터

AI는 기록된 데이터만 학습할 수 있습니다. 작업지시와 재고가 종이와 화이트보드로 관리된다면 AI보다 기록 체계가 먼저입니다. 작업지시, 재고, 이력 추적이 디지털로 남아야 이후 불량 원인 분석이나 수요 예측의 데이터가 됩니다. 저희는 이런 현장 기록을 휴대폰·태블릿과 QR 스캔으로 남기는 소규모 공장용 자체 제품 Factory Manager를 준비하고 있으며, 2026년 10월 기준 아직 출시 전이라 운영 실적이나 성과 수치는 없습니다.

수작업을 시스템으로 옮긴 공개 사례 연구로는 제조가 아닌 일본 이커머스 기업(NDA)의 레거시 현대화가 있습니다. 22주 동안 진행해 수작업 운영 90% 감소, 이관 중 다운타임 0을 보고했습니다(사례 보기). 업종이 다르므로 제조 현장 성과의 근거가 아니라, 수작업 업무를 데이터로 바꾸는 방식의 참고 자료로 보시면 됩니다.

문서가 이미 디지털로 있다면 생성형 AI의 효과를 비교적 빨리 확인할 수 있습니다. 작업표준서·설비 매뉴얼 검색, 과거 품질 이슈에서 비슷한 불량 찾기, 고객 클레임 회신 초안 작성 같은 업무입니다. 이런 기능은 보통 RAG로 만듭니다. RAG는 사내 문서를 먼저 검색한 뒤 그 내용을 근거로 AI가 답하게 하는 방식이며, 구조는 RAG 구축 서비스에서 볼 수 있습니다.

한 라인 파일럿 – 범위와 지원 사업

파일럿은 "A라인 외관 검사에서 스크래치 미검출을 줄인다"처럼 한 문장으로 정의하고, 현재 미검출률이나 비계획 정지 시간을 먼저 기록해 둡니다. MES(생산관리시스템)·ERP 연동과 다른 라인 확장은 2단계로 미룹니다.

비전 검사와 예지보전은 카메라·조명·센서 설치나 데이터 수집이 먼저 필요한 경우가 많습니다. 파일럿 일정은 장비가 준비된 시점부터 세는 것이 현실적이며, 장비 준비 여부와 비용 부담을 누가 질지도 범위를 정할 때 함께 합의해야 합니다.

정부 지원도 확인해 볼 만합니다. 중소벤처기업부의 스마트공장 관련 지원 사업 공고는 스마트제조혁신추진단 사이트에 올라오며, 자격과 조건은 공고마다 다릅니다. 저희와의 소통은 영어로 진행되고 한국어 화면·문서는 프로젝트별로 협의해 준비하며, 베트남은 한국보다 2시간 늦습니다. 한국 기업 안내는 한국어 페이지에 있습니다.

자주 묻는 질문

제조 AI 도입 비용은 보통 얼마인가요? 업체와 범위에 따라 크게 다릅니다. 한 라인·한 불량 유형으로 좁힌 파일럿과, 여러 라인 확장이나 MES·ERP 연동이 들어간 본 개발은 예산 규모가 전혀 다르므로 범위를 먼저 고정한 뒤 견적을 비교하세요. 카메라·조명·센서가 새로 필요하다면 준비 여부와 비용 부담도 범위 협의 때 함께 확인해야 합니다.

불량 데이터가 적어도 AI 비전 검사가 가능한가요? 가능한 경우가 있습니다. 정상 이미지로 학습해 평소와 다른 패턴을 찾는 이상 탐지 방식을 쓰면 불량 샘플이 적어도 시작할 수 있습니다. 다만 조명과 촬영 조건을 고정하고, 의심 건은 사람이 재검사하는 구조로 운영해야 합니다.

공장 데이터를 외부 개발사에 넘겨도 괜찮을까요? 넘길 데이터의 범위, 보관 위치, 접근 권한, 계약 종료 후 삭제 방법을 계약 전에 정하면 위험을 줄일 수 있습니다. 민감한 공정 데이터는 공장 내부 서버에서 처리하거나 필요한 항목만 익명화해 전달하는 방법도 있습니다.