왜 제조 AI는 어려운가
일반 AI가 다루는 텍스트나 이미지와 달리, 제조 현장은 지연, 관성, 비가역성이 지배하는 물리 공정이다. 온도를 올리면 품질이 바뀌지만, 그 결과는 수십 분 뒤에나 나타난다. 설비가 잘못된 방향으로 움직이는 순간, 돌이킬 수 있는 '롤백(Rollback)'은 없다. 결국 최종 검사 결과가 나오기 전까지는 '지금 공정이 잘 돌아가고 있는지' 그 누구도 확신할 수 없다.
이 거칠고 불확실한 환경에서 숙련공은 어떻게 판단하는가. 그들은 소음, 진동, 색상, 냄새 같은 오감의 신호를 종합하여 경보가 울리기도 전에 이상을 감지해 낸다. 수치로 명쾌하게 설명할 수는 없지만 몸이 기억하고 있는 직관적인 판단 기준, 이것이 바로 암묵지(Tacit Knowledge)다.
"암묵지는 단순히 동작을 모방하는 것이 아니라, 상황별 판단 기준과 조작 패턴의 압축이다."
AI가 암묵지를 배우는 방법
숙련공에게 "왜 그렇게 조작하셨어요?"라고 물으면 십중팔구 "그냥 느낌이 그래서요"라는 답이 돌아온다. 말로 표현할 수 없다고 해서 데이터마저 존재하지 않는 것은 아니다. AI는 숙련공이 실제로 어떤 설비 상태에서 어떤 조작을 했고, 그 결과가 어땠는지 기록된 데이터를 통해 배운다. 상태(State) → 행동(Action) → 보상(Reward) → 맥락(Context). 이 네 가지 연결 고리를 촘촘히 쌓아 올릴 때, 비로소 숙련공의 숨겨진 행동 패턴이 드러나기 시작한다.
① Soft Sensor: 보이지 않는 품질의 실시간 추정
품질 검사 결과는 보통 실험실 분석을 거쳐 1시간 이상 뒤에야 나온다. 그 신뢰할 수 없는 시간 동안 공정은 멈추지 않고 계속 돌아간다. Soft Sensor는 온도, 압력, 유량, 진동 등 실시간으로 측정 가능한 변수들을 입력받아, 아직 나오지 않은 '미래의 품질값'을 '지금 이 순간' 실시간으로 예측한다. 숙련공이 "지금 느낌이 쎄한데"라고 말하는 그 예민한 촉을 정량적인 수치로 번역해 주는 도구다.
② BM(Boltzmann Machine): 정상의 감각 지도
숙련공은 '정상 상태'의 느낌을 온몸으로 기억한다. BM은 이 감각을 수학적인 에너지 지형도(Energy Landscape)로 시각화한다. 오직 정상 공정 데이터만을 학습시키면, 학습 영역을 벗어난 이상 상태가 발생했을 때 에너지 레벨이 급격히 높아진다. 이때 AI는 "이 상태는 낯설다"며 경고를 보낸다. 이상 탐지의 기준을 인위적인 규칙(Rule)으로 규정하는 것이 아니라, 정상 패턴 자체에서 스스로 도출해 내는 방식이다.
③ IRL(역강화학습): 숨겨진 보상 기준의 복원
숙련공은 '훌륭한 제어'가 무엇인지 논리적인 수식으로 정의하지 않는다. 역강화학습(Inverse Reinforcement Learning)은 이 과정을 뒤집어 접근한다. 숙련공이 조작한 행동의 궤적을 관찰하고, 해당 행동이 가장 합리적인 선택이 되기 위해 존재해야만 하는 '보상 함수(Reward Function)'를 역산한다. "수율 0.92, 안전성 0.81, 원가 절감 0.74"처럼 숙련공이 머릿속으로 미세하게 저울질하던 무형의 우선순위들이 마침내 정교한 숫자로 복원된다.
④ SAC(Soft Actor-Critic): 단 하나의 정답이 아닌 유연한 레퍼토리
실제 공정은 매 순간 변화무쌍하다. 원료의 로트(Lot) 편차, 날씨, 설비의 노후도에 따라 단 한 번도 동일한 조건은 주어지지 않는다. 베테랑 숙련공은 환경 변화에 맞춰 유연하게 조작법을 바꾼다. SAC는 엔트로피(Entropy)를 극대화하는 방식을 통해, 단 하나의 절대적인 최적 경로가 아닌 '다양하고 안전한 대안 경로'들을 동시에 학습한다. 덕분에 예상치 못한 이례 상황(Anomaly)에 맞닥뜨려도 상황에 맞는 유연한 조작을 선택할 수 있다.
왜 Foundation Model로는 부족한가
ChatGPT와 같은 거대 기초 모델(Foundation Model)은 수억 개의 세상사 패턴을 꿰뚫고 있다. 하지만 우리 공장 설비 특유의 미세한 진동 주파수, 이번에 들어온 원료의 온도별 점도 변화, 이 생산 라인에서만 발생하는 고유한 드리프트(Drift) 경향성까지는 알지 못한다. 이미 학습된 거대 모델은 훌륭한 출발점일 뿐이며, 결국 현장 데이터로 진행하는 미세 조정(Fine-tuning)이 핵심이다. 여기에 표준작업절차서(SOP)와 매뉴얼을 연결하는 RAG(검색 증강 생성) 기술을 접목하고, 실시간 센서 스트리밍 데이터를 결합해야 비로소 현장에서 즉각 작동하는 '살아있는 제조 AI'가 완성된다.
안전 없이는 자율도 없다
AI가 아무리 정교하게 판단하더라도, 현장에서 사람에게 신뢰를 얻지 못하면 무용지물이다. 그래서 반드시 'Safety Gate'가 필요하다. AI의 제어 추천안은 [허용 범위 검증 → 인간의 최종 승인 → 실행 → 모니터링 → 이상 시 즉시 롤백]의 단계를 거쳐야 한다. 오류가 발생했을 때 안전한 상태로 복귀하는 절차(Failsafe)가 정의되지 않은 자동화는 그 자체로 재앙이다. 숙련공의 암묵지를 AI에 담아내는 정교한 기술도, 결국 철저한 안전 장치와 결합할 때에만 비로소 가치를 지닌다.
결국 남는 질문
과연 암묵지를 AI가 완전히 배울 수 있을까? 답은 '조건부 가능'이다. 현장의 데이터가 충분히 정제되어 쌓이고, 상태·행동·결과가 유기적으로 연결되어 기록되며, 도메인 전문가(Domain Expert)가 AI의 학습 결과를 지속적으로 검증할 수 있을 때에 한해서다. 이 까다로운 조건들을 갖춘 공장에서만, AI는 숙련공의 고귀한 판단력을 24시간 지치지 않고 작동하는 지속 가능한 시스템으로 확장해 나갈 것입니다.
그리고 그 위대한 출발은 생각보다 사소한 곳에 있습니다. 지금 현장에서 숙련공이 응시하고 있는 모니터 화면, 그의 손끝이 닿는 조작 파라미터, 그리고 그 직후 흘러나오는 제품의 검사 결과를 끈기 있게 연결해 저장하는 것. 그 누적된 데이터야말로 우리가 추적하고자 하는 '암묵지의 선명한 그림자'이기 때문입니다.