AX Moon

AI팩토리, 모델이 아니라 데이터에서 멈춘다

Properties3
description이현동 부대표의 AI팩토리 도입률 80%와 양산 10% 간극을 넘는 데이터 중심 전략 세션 정리 노트입니다.
tagsmanufacturing-ai, data-centric-ai, mlops, synthetic-data, productionization
aliasesAI Factory Data Bottleneck Strategies, 도입률 80 양산 10

7 min read

AI팩토리, 모델이 아니라 데이터에서 멈춘다

발표자: 이현동 부대표, 슈퍼브에이아이

부제: 도입률 80% vs 양산 10%의 간극을 넘는 3가지 돌파 전략

Summary

산업 AI의 병목은 모델보다 데이터다. 범용 AI 모델은 상향 평준화되고 있으며, 제조/물류 현장에서 차별화되는 역량은 도메인 전문가가 만든 고품질 데이터, 빠른 피드백, 합성 데이터와 디지털 트윈 기반의 데이터 생성/운영 체계다.

핵심 메시지

  1. AI 경쟁의 중심은 모델에서 데이터로 이동했다.
    초거대 모델과 파운데이션 모델이 상향 평준화되면서, 현장 고유 특성에 맞춘 커스텀과 최적화가 핵심 이슈가 됐다.

  2. 라벨링은 단순 노동이 아니라 도메인 전문성의 표현이다.
    제조 데이터는 공정을 가장 잘 아는 전문가가 일관된 기준으로 정의해야 한다. 비전문가 라벨링은 현장 적용 AI의 품질을 망친다.

  3. R&D팀과 현장 엔지니어의 단절이 AI 양산을 막는다.
    ML 엔지니어는 점수와 벤치마크를 보고, 현장 엔지니어는 설비 거동과 물리 원인을 본다. 두 관점이 데이터 정의 단계에서 만나야 한다.

  4. 산업 AI의 3대 늪은 환경 변화, 느린 피드백, 희귀 결함 데이터다.
    계절/조명/습도 등 데이터 분포 변화, 수 주~수 개월 걸리는 재학습/배포, 희귀 불량 데이터 부족이 양산 전환을 막는다.

  5. 돌파 전략은 MLOps 자동화, 합성 데이터, 디지털 트윈/월드 모델이다.
    라벨링 자동화와 플랫폼화, 3D 디지털 트윈을 통한 희귀 결함 데이터 생성, 로봇 파운데이션 모델용 행동 데이터가 해결 방향으로 제시됐다.

3가지 병목과 돌파 전략

병목현상돌파 전략
환경/계절성봄/여름 데이터로 학습한 모델이 겨울 조명/습도/반사 조건에서 실패계절·조명·재질 변화를 포함한 데이터 운영
느린 피드백데이터 수집, 라벨링, 재학습, 배포에 수 주~수 개월 소요MLOps와 라벨링 자동화
희귀 결함정상 데이터는 많지만 치명 결함 데이터는 매우 부족합성 데이터, 디지털 트윈, 시뮬레이션
flowchart TD
  Adoption["AI 도입"] --> PoC["PoC"]
  PoC --> Gap["양산 전환 간극"]
  Gap --> Season["환경/계절성"]
  Gap --> Speed["느린 피드백"]
  Gap --> Scarcity["희귀 결함 데이터"]
  Season --> Ops["데이터 운영"]
  Speed --> MLOps["MLOps 자동화"]
  Scarcity --> Synthetic["합성 데이터 / 디지털 트윈"]
  Ops --> Production["양산 전환"]
  MLOps --> Production
  Synthetic --> Production

사례에서 얻은 포인트

  • 자동차/반도체 비전 검사는 지도학습과 비지도 이상 탐지를 결합해 미세 결함과 외관 패턴을 탐지한다.
  • SOP 타임스탬프 분석은 영상만으로 작업 단계별 시작/종료 시간을 기록해 조별 작업 시간 차이와 병목을 찾는다.
  • 안전 관제와 유지보수 상담 지원은 제조AI가 품질검사 밖으로 확장되는 예다.
  • 데이터셋 파일을 일회성으로 파는 모델보다, 고객이 계속 데이터를 수집/라벨링/학습할 수 있는 플랫폼 구독/컨설팅 모델이 더 적합하다.

Q&A 요약

질문답변 요지
디지털 트윈/시뮬레이션 플랫폼은 자체 개발인가?공장 환경 생성과 데이터 제어 파이프라인은 자체 개발, 물리 연산 엔진은 NVIDIA Isaac Sim 같은 표준 엔진 연동
3D 에셋은 어떻게 확보하는가?고객 CAD가 있으면 최적화해 사용하고, 없으면 2D 이미지/영상 기반 AI 3D 복원과 표준 툴셋으로 생성
정제 데이터셋 판매도 하는가?일회성 데이터 판매보다 지속 운영 가능한 MLOps 및 데이터 생성 플랫폼 제공이 주력

Warning

“도입률 80% vs 양산 10%”의 간극은 모델 정확도만 높인다고 닫히지 않는다. 데이터 생애주기와 현장 피드백 속도가 양산 전환의 핵심이다.

자료 첨부

  • 발표자료:
  • 사진:
  • 현장 메모:
  • 관련 링크:

권장 첨부 폴더:

content/40. Manufacturing AI/AI Factory Seminar 2026-07-02/attachments/

후속 질문

  • 제조AI use case별로 합성 데이터가 유효한 영역과 위험한 영역은 어디인가?
  • 현장 엔지니어와 ML 엔지니어가 함께 쓰는 데이터 정의 워크숍 템플릿이 필요한가?
  • 희귀 불량 데이터 부족을 KPI와 비용 관점에서 어떻게 평가할 것인가?
  • AX Moon의 Manufacturing AI Use Cases에 데이터 병목 유형 컬럼을 추가할 것인가?

관련 문서

그래프 뷰

백링크