AI가 인간을 이길 수 있을까요? 누구도 장담하지 못했습니다. 알파고가 이세돌 9단을 이긴 2016년 전까지는요. 알파고는 딥러닝과 강화학습 알고리즘을 활용해 개발한 AI 바둑 프로그램입니다. 2016년 3월, 한국의 프로 바둑 기사 이세돌과의 대국에서 4승 1패로 승리했고 자신의 강력한 AI 능력을 세상에 알렸습니다.

바둑보다 복잡한 Real World

바둑에서 나올 수 있는 모든 경우의 수는 10의 170제곱이라고 합니다. 이러한 연산이 가능한 알파고는 바둑알 한 알이 놓이는 순간순간의 바둑판을 학습하고, 대국을 수행하며 더욱 좋은 성능을 내게 됩니다. 인간이 10의 170제곱이라는 우주 전체의 원자 수보다 많은 연산을 처리할 수 없기에 어찌 보면 알파고가 인간을 이긴 것은 당연한 결과일지도 모릅니다.

알파고는 바둑판이라는 통제된 환경만을 고려하고, 또 세계적인 바둑 기사들의 공개된 대국을 학습해, 무한히 대국을 반복하면서 성능을 고도화한 AI입니다. 알파고의 성능은 바둑판이라는 제한된 공간에서 1명의 상대와 진행하는 대국 상황에서 보장될 수 있습니다. 하지만 Real World에는 더 무수한 변수가 존재하고, 모든 고품질의 데이터에 접근하는 일 또한 역시 불가능합니다.

제조 현장을 떠올려 보세요. 너무나도 복잡합니다. 온도, 습도, 소음 등 여러 환경 변수가 존재합니다. 이에 따라 설비와 장비의 부품이 마모되는 정도가 달라 교체 주기도 달라질 수 있고, 가장 효율적으로 제품을 생산하기 위한 스케줄링도 고려해야 합니다. 여기에 작업자 숙련도에 따른 결과물의 차이, 변동에 따른 구매 시점 예측 등 간접적인 요인도 존재합니다. 알파고가 제조 현장에서는 인간의 능력을 넘는 AI가 될 수 없는 이유입니다.

복잡한 Real World를 모사하는 AI 기반 Digital Twin

알파고가 아닌 다른 AI라면 얘기가 달라집니다. 단순한 바둑판과 달리 복잡한 산업 현장을 그대로 모사한 환경에서 다양한 변수와 데이터를 학습한 AI라면 어떨까요? 산업의 영원한 숙제는 효율성과 생산성의 극대화입니다. 현재 잘 운영되고 있는 공정일지라도 끊임없이 더 나은 생산성을 목표로 다양한 시도를 하는 이유입니다. 하지만 현재 원활하게 운영되고 있는 공정에 바로 AI를 적용하기에는 리스크가 너무 많습니다.

산업 현장은 복잡한 시스템으로 구성되어 있고 다양한 변수들이 상호작용하고 있습니다. AI 모델이 실제 공정 환경에서 충분히 검증되지 않으면 예상치 못한 상황에서 오류가 발생해 공정 중단이나 품질 저하로 이어질 수 있습니다. 그렇기에 AI와 같은 새로운 기술을 도입할 때 신중한 접근이 필요합니다. AI의 성능을 실제 산업 현장에서 실험할 수는 없으니까요.

🔗 What is Real-World AI

마키나락스는 독자적인 기술력으로 자체 개발한 Multi-Step 시뮬레이션 Dynamics 모델을 통해 Real World의 공정, 설비, 제품, 상태 등 산업 현장을 AI 기반으로 모사한 디지털 트윈을 구현합니다. 우리가 말하는 디지털 트윈 개념은 3D에 국한되지 않습니다. Dynamics 모델을 바탕으로 AI 디지털 트윈을 빠르게 만들며 예측, 최적화, 예지보전과 같은 AI 모델을 효율적으로 검증하고 최적화합니다. AI를 산업 현장에 적용하기 위해 AI로 시뮬레이션 환경인 디지털 트윈을 구현하는 거죠.

Digital Twin에서 구현하는 최적화, 예측, 예지보전

마키나락스가 구현하는 AI 기반 디지털 트윈

산업 현장에서 디지털 트윈은 AI와 결합해 생산성을 높이고 운영 효율성을 극대화하며 리스크를 최소화합니다. 장비나 설비에서도 자체적인 시뮬레이터를 제공하지만, 공정이 운영되면서 바뀌는 상태 값을 실시간으로 반영해 특정 결과를 이끌어 내기에는 한계가 있습니다. 마키나락스가 제공하는 디지털 트윈은 현재 공정과 설비 상태의 실시간 모니터링은 물론 외부 조건과 작업자의 운전 패턴을 파악해 현실과 가장 유사한 시뮬레이션을 구현합니다.

실제 공정을 정밀하게 모사한 디지털 트윈 환경에서 다음 상태(Single Step)의 예측이 아닌 중장기(Multi-Step) 상태 변화를 예측합니다. 산업 현장 데이터로 대표되는 관측 변수, 내외부 조건 변수, 제어 변수를 반영하여 미래를 예측하고 다양한 제어 시나리오를 테스트할 수 있습니다. 또 다양한 AI 모델과 결합해 중대 고장 방지, 최적 제어, 생산 스케쥴 최적화 등 특수한 산업 내 문제를 해결합니다.

산업 현장에서 작동하는 Digital Twin

산업 현장에서는 디지털 트윈이 어떻게 적용되고 있을까요? 🔗전기자동차 공조 시스템의 에너지 효율화 사례를 살펴보겠습니다. 현 상태와 목표 온도, 목표 에너지 효율을 탐색기에 제공하면 강화 학습 에이전트는 목표 온도 달성을 위한 액추에이터의 제어 값을 산출하고 이를 AI 시뮬레이터인 디지털 트윈에 인풋해 예상 결과 온도와 에너지 효율을 예측하게 됩니다. 그리고 이를 목표와 비교하여 달성 정도에 따라 보상을 계산하고 탐색기에 피드백을 제공하는 과정을 반복하며 강화학습 에이전트가 궁극적으로 목표 온도와 목표 에너지 효율을 달성할 수 있는 제어 값을 찾도록 유도합니다.

마키나락스는 이와 같은 방법론이 전기자동차 공조 시스템 이외에도 🔗산업용 머신 파라미터 튜닝, 🔗철강 퍼니스 장비 최적 온도 제어, 폐기물 소각로 운전 자동화 등 다양한 도메인에 실제 적용이 가능한 방법론임을 확인할 수 있었습니다. 더불어 마키나락스가 산업 현장에 배포한 5천 개 이상의 모델들은 이러한 AI 기반 디지털 트윈에서 검증하고 적용이 되고 있으며, 현실을 반영해 높은 정확도로 인공지능 기반 인사이트를 제공하고 있습니다. 복잡하고 예측할 수 없는 Real World에서 실질적인 비즈니스 임팩트를 낼 AI 구현 방법을 고민하고 계신가요? 아래 배너를 통해 언제든 편하게 문의해 주세요. 마키나락스가 함께 고민하겠습니다.