제조 · 의료 현장 적용
산업 특화 AI는 현장에서 무엇을 바꾸나
제조 현장과 의료기관이 AI를 볼 때 던지는 질문은 "얼마나 똑똑한가"가 아닙니다. "우리 공정과 판독 업무에 어떻게 얹히는가"입니다. 이 페이지는 MakinaRocks와 Lunit 사례를 중심으로, 산업 특화 AI가 실제로 다루는 업무 문제를 정리합니다.
무엇을 비교하게 되는가
산업 특화 AI를 검토할 때 성능 지표만 나란히 놓으면 판단이 어렵습니다. 같은 모델이라도 설비 로그가 어느 주기로 쌓이는지, 판독 시스템에 결과가 어떤 형태로 들어가는지에 따라 쓸모가 달라집니다. 이 페이지는 MakinaRocks와 Lunit이라는 두 사례를 축으로 삼아, 업무 문제를 먼저 정의하고 그 위에 도구를 얹는 순서로 정리합니다.
기업용 AI 도입 검토에서 자주 뒤로 밀리는 항목도 함께 짚습니다. 데이터 축적 수준, 기존 시스템과의 연동 경계, 결과를 승인하는 사람의 위치, 그리고 확산 단계의 비용과 권한입니다.
제조 · 설비 데이터
제조 현장의 문제는 문서 요약이 아니다
공장에서 발생하는 문제는 설비 데이터, 이상 징후, 공정 편차에 가깝습니다. MakinaRocks는 한국의 산업 AI 스타트업으로 소개되며, 제조 현장의 데이터와 설비 문제를 AI로 다루는 데 강점이 있습니다. 고장 예측, 공정 최적화, 원인 분석 같은 업무에 초점을 둡니다. 사내 문서 작업에 쓰는 범용 도구와는 출발점이 다릅니다.
범용 생성형 AI에 익숙한 담당자일수록 이 차이를 먼저 확인하는 편이 좋습니다. 문서 요약 도구는 입력이 사람이 쓴 글이지만, 설비 AI의 입력은 센서 시계열과 설비 이력입니다. 질문의 형태부터 다르기 때문에 같은 잣대로 비교하면 판단이 흔들립니다.
고장 예측이 실제로 하는 일
설비가 멈추기 전에 신호를 잡는 것이 목표입니다. 센서 데이터의 패턴 변화를 읽고 이상 징후를 표시하는 방식이 일반적입니다. 여기서 중요한 것은 예측 자체보다 그 결과가 정비 일정과 어떻게 연결되는지입니다. 예측이 현장 작업 순서에 반영되지 않으면 도입 효과가 체감되지 않습니다.
신호 감지
설비에서 나오는 진동·온도·전류 값의 평소 흐름을 기준선으로 잡고, 기준선에서 벗어나는 구간을 표시합니다.
정비 연결
이상 징후가 정비 담당자의 작업 목록으로 넘어가야 예측이 일정이 됩니다. 알림만 남고 순서에 반영되지 않으면 확인되지 않은 채 쌓입니다.
결과 검증
예측이 맞았는지 틀렸는지 현장에서 기록되어야 다음 기준선 조정이 가능합니다. 이 기록이 없는 파일럿은 확산 근거를 남기지 못합니다.
주의할 지점
알림이 잦으면 현장이 알림을 무시하기 시작합니다. 임계값을 너무 낮게 잡으면 정작 중요한 신호가 묻힙니다.
공정 최적화와 원인 분석
같은 설비라도 조건에 따라 결과가 달라집니다. 어떤 파라미터 조합이 수율에 영향을 주는지 찾아내는 작업이 공정 최적화입니다. 원인 분석은 불량이 발생했을 때 어떤 조건이 겹쳤는지 거슬러 올라가는 과정입니다. 두 업무 모두 데이터가 축적되어 있어야 의미가 생기므로, 기존 설비 데이터 관리 수준이 도입 전제가 됩니다.
공정 최적화
조건 조합과 수율의 관계를 찾는 일
온도, 압력, 속도처럼 공정에 걸리는 조건은 여러 개가 동시에 움직입니다. 어느 조합이 결과에 영향을 주는지 정리해 두면 작업 조건을 조정할 때 근거가 생깁니다. 실험을 줄이고 기록을 늘리는 방향의 접근입니다.
원인 분석
불량이 난 시점의 조건을 되짚는 일
불량이 발생했을 때 그 시각의 설비 상태, 투입 자재, 작업자 교대 시점을 함께 놓고 겹치는 조건을 찾습니다. 이력이 남아 있지 않으면 추정에 그칩니다.
두 업무 모두 설비 데이터 관리가 이미 되어 있다는 전제 위에서 움직입니다. 로그가 흩어져 있거나 주기가 들쭉날쭉하면 분석보다 정리에 시간이 먼저 들어갑니다.
의료 AI는 워크플로에 얹혀야 의미가 있다
Lunit은 의료 영상과 암 진단 보조 AI로 알려진 한국 기업이며, Lunit INSIGHT와 Lunit SCOPE가 핵심 제품군으로 언급됩니다. Fujifilm, GE Healthcare, Philips 등과의 협력이 보도됐습니다. 의료기관 입장에서는 정확도 외에 기존 판독 흐름에 어떻게 통합되는지가 도입 판단의 핵심입니다. 별도 시스템을 하나 더 여는 방식은 현장에서 오히려 부담이 됩니다.
판독 보조 도구가 결과를 따로 보여 주고 판독의가 다시 옮겨 적어야 한다면, 시간은 오히려 늘어납니다. 검사 목록에서 결과가 어디에 붙는지, 누가 최종 판단을 서명하는지가 도입 전에 정해져 있어야 합니다. 영상의학과와 정보시스템 부서가 같은 화면을 두고 이야기할 수 있는지도 확인 항목입니다.
검사 종류마다 적용 범위가 다르기 때문에, 어떤 검사에 먼저 붙일지 우선순위를 정하는 편이 낫습니다. 전 부서 동시 적용보다 한 검사군에서 시작해 판독 흐름을 확인하는 순서가 현실적입니다.
도입 전 점검
도입 전에 확인할 데이터 조건
산업 AI는 데이터가 있어야 작동합니다. 설비 로그가 어느 주기로 쌓이는지, 라벨이 붙어 있는지, 과거 불량 이력이 남아 있는지를 먼저 봅니다. 이 조건이 안 맞으면 모델을 들여도 초기 학습 단계에서 시간이 더 걸립니다. 도구 선택보다 데이터 정비가 먼저라는 말이 여기서 나옵니다.
설비 로그 축적 주기
초 단위로 남는지, 분 단위 집계로 남는지에 따라 잡을 수 있는 이상 징후의 해상도가 달라집니다. 주기가 일정하지 않으면 기준선을 세우기 어렵습니다.
라벨 존재 여부
어떤 상태가 정상이고 어떤 상태가 이상인지 표시된 기록이 있는지 확인합니다. 라벨이 없으면 현장 담당자가 기준을 다시 정의하는 작업이 앞에 붙습니다.
과거 불량 이력 보존
불량이 발생한 시점의 조건이 함께 남아 있는지 봅니다. 결과만 남고 조건이 없으면 원인 분석에 쓸 수 있는 폭이 좁아집니다.
정비 기록과의 연결
예측 결과가 실제 정비 이력과 대조될 수 있어야 다음 기준 조정이 가능합니다. 두 기록이 다른 시스템에 흩어져 있으면 대조 작업이 수작업으로 남습니다.
범용 생성형 AI와 같이 쓰는 방법
MakinaRocks 같은 산업 AI와 ChatGPT 같은 범용 도구는 경쟁 관계가 아닙니다. 설비 이상 대응 보고서 초안은 범용 도구로 쓰고, 이상 징후 탐지는 산업 AI로 처리하는 식으로 역할을 나눌 수 있습니다. 두 도구를 같이 쓸 때는 데이터가 어디로 흐르는지를 먼저 정해야 합니다. 이 경계가 흐리면 보안 검토에서 문제가 생깁니다.
실무에서는 세 가지를 문서로 남겨 두는 편이 좋습니다. 어떤 데이터가 산업 AI 쪽에 남는지, 어떤 요약문이 범용 도구로 넘어가는지, 그 요약문에 설비 식별 정보가 포함되는지입니다. 경계를 정해 두면 도구를 추가할 때마다 보안 검토를 처음부터 다시 하지 않아도 됩니다.
역할 나누기
-
이상 징후 탐지
센서 시계열과 설비 이력을 다루는 산업 AI 쪽에 둡니다.
-
대응 보고서 초안
정형화된 문장 작업은 범용 생성형 AI로 처리합니다.
-
검토와 승인
두 결과를 사람이 대조하고 승인하는 단계는 그대로 남습니다.
현장 담당자가 실제로 묻는 것
"설비를 멈추지 않고 붙일 수 있나", "기존 MES나 판독 시스템과 연동되나", "누가 결과를 확인하고 승인하나"입니다. 모델 성능표에는 나오지 않는 질문들입니다. 이 질문에 답이 없으면 파일럿은 끝나도 확산으로 이어지지 않습니다. 도입 검토 단계에서 이 세 가지를 먼저 적어두는 편이 낫습니다.
중단 없이 붙일 수 있는가
설비를 세우지 않고 데이터를 읽을 수 있는 경로가 있는지 확인합니다. 별도 계측기를 추가로 달아야 한다면 설치 창을 언제 잡을지가 함께 정해져야 합니다.
기존 시스템과 연동되는가
MES, 정비 관리, 판독 시스템 중 어디에 결과가 들어가는지 정합니다. 결과를 사람이 옮겨 적는 구조라면 그 단계의 부담을 먼저 계산에 넣어야 합니다.
누가 확인하고 승인하는가
이상 징후를 확인하는 담당자와 최종 판단을 내리는 사람을 미리 정합니다. 승인 절차가 없으면 알림은 책임 없이 흘러갑니다.
확산 단계에서 다시 검토할 것
파일럿이 끝나면 여러 라인이나 여러 부서로 넓히는 단계가 옵니다. 이때 비용 구조와 권한 관리가 다시 문제가 됩니다. 사용량이 늘면 비용도 늘고, 사용자가 늘면 접근 권한도 복잡해집니다. 이 두 항목을 초기 설계에 넣어두면 확산 단계에서 재설계하는 일을 줄일 수 있습니다.
사용량 기준 비용 배분
라인별, 부서별로 어디에 얼마가 붙는지 나눌 기준을 정해 둡니다. 기준이 없으면 확산 이후 비용 문의가 총액 단위로만 돌아옵니다.
접근 권한 등급
조회만 하는 사용자와 결과를 승인하는 사용자를 나눕니다. 설비 데이터와 판독 데이터는 요구되는 권한 수준이 다릅니다.
모델 재학습 주기
설비가 바뀌거나 공정 조건이 바뀌면 기준선도 다시 잡아야 합니다. 재조정을 누가 언제 하는지 정해 두면 성능 저하를 늦게 발견하는 일을 줄입니다.
자주 나오는 질문
제조업에서 생성형 AI보다 산업용 AI가 유리한 이유는 무엇인가요?
제조 현장의 문제는 문서 요약보다 설비 데이터, 고장 예측, 공정 최적화에 가깝기 때문입니다. MakinaRocks 같은 산업 AI는 이 업무에 초점을 둡니다. 사내 문서 작업이라면 범용 생성형 AI가 더 빠른 출발점이 됩니다.
의료 AI는 실제 병원 업무에 어떻게 적용되나요?
Lunit의 Lunit INSIGHT와 Lunit SCOPE가 의료 영상과 암 진단 보조에 쓰이는 것으로 언급됩니다. Fujifilm, GE Healthcare, Philips 등과의 협력이 보도됐습니다. 도입 판단에서는 정확도 외에 기존 판독 워크플로에 어떻게 통합되는지가 핵심입니다.
산업 AI를 도입하기 전에 무엇을 준비해야 하나요?
설비 로그의 축적 주기, 라벨 존재 여부, 과거 불량 이력 보존 여부를 확인합니다. 이 조건이 맞지 않으면 모델을 들여도 초기 학습 단계에서 시간이 더 걸립니다.
이 페이지의 사례는 어떻게 정리했나요?
공개된 기업 소개와 보도 내용을 기준으로 정리했고, 성능 수치나 도입 성과는 이 페이지에서 다루지 않습니다. 비교 기준과 편집 원칙은 리서치 방법론 페이지에서 확인할 수 있습니다.
다음에 확인할 자료
사례를 확인했다면 다음 단계는 자사 조건에 맞는 후보를 좁히는 일입니다. 솔루션 비교 페이지에서 제조·의료 축을 포함한 후보군을 나란히 보고, 인프라와 비용 관리 페이지에서 확산 단계의 비용 구조를 확인할 수 있습니다. 특정 모델이나 플랫폼을 따로 살펴보려면 리뷰 페이지가 도움이 됩니다.
우리 공정에 얹을 지점을 먼저 정리해 두세요
설비 로그와 판독 기록이 어디에 쌓여 있는지, 결과를 누가 승인하는지, 확산할 때 비용과 권한을 어떻게 나눌지. 이 세 가지를 적어 두면 도구를 비교할 때 기준이 흔들리지 않습니다.
뷰니트로 AI 리서치 · Meir 50, 2000 Antwerpen, Belgium · 월요일–금요일 09:00–18:00