올해 하노버메세에 참가한 기업 중 ‘MLOps’ 키워드를 내세운 기업은 두 곳입니다. 숫자가 보여주듯 제조 및 산업 분야에 특화된 MLOps는 아직까지 미개척의 영역으로 여겨지고 있습니다.
마키나락스는 창업부터 ▲배터리 ▲자동차 ▲에너지 ▲반도체 등 다양한 산업의 문제를 AI로 해결해온 스타트업으로 제조 및 산업에 특화된 MLOps 제품인 런웨이(Runway™)의 연내 출시를 준비하고 있습니다.
마키나락스는 올해 하노버메세에 국내 기업 중 유일하게 발표 세션에 참여해 주목을 받았습니다. 창업자이자 CEO인 윤성호(Andre S. Yoon) 님이 Industry 4.0 Conference Stage에서 ‘MLOps for Manufacturing: From AI Initiative to Impact’를 주제로 발표를 진행한 것인데요. 이번 포스팅에서는 성호 님이 하노버메세에서 진행한 발표의 내용을 전해드리고자 합니다.
AI의 현재
인공지능 내에 인공신경망의 개수는 매년 10배 증가하면서 매우 빠르게 증가하고 있습니다. 인공신경망 크기의 성장은 단순히 task의 성능을 높이는 것을 의미하지 않습니다. 다양한 영역에 AI가 적용되며 학습되지 않은 task를 해내고, 새로운 학습 역량을 발휘하고 있습니다.
알파코드는 대표적인 사례입니다. 알파고를 개발한 구글의 AI 자회사 딥마인드가 공개한 알파코드는 직접 프로그램 언어를 작성하는 코딩 AI입니다. 알파코드는 전문가 5천명 이상이 참여한 코딩 대회에서 상위 54%에 올라 인간의 평균 수준임을 증명했죠. AI가 적용되는 영역은 이제 무한으로 확장되고 있습니다.
산업용 AI의 현재, 그리고 미래
제조 및 산업 분야에서도 생산성, 퀄리티, 효율을 증대하기 위한 대안으로 AI가 중요해질 것은 분명합니다. 하지만 최근 조사에 따르면 단 9%에 불과한 기업만이 AI 프로젝트의 초기목표를 달성했습니다. ‘왜’일까요? 많은 이유가 있겠지만 Andrew Ng(앤드류 응) 박사는 이런 이야기를 했습니다.
“In the consumer software Internet, we could train a handful of machine-learning models to serve a billion users. In manufacturing, you might have 10,000 manufacturers building 10,000 custom AI models.” — Andrew Ng
Customer AI의 경우 1개의 모델로 수천만에 이르는 사용자를 서빙할 수 있지만, 제조 및 산업 분야에서는 각 도메인의 특성, 장비 설비에 특화된 AI 모델이 요구됩니다. 예를 들자면 추천 엔진, 번역 엔진은 하나의 AI 모델로 수많은 사용자를 서빙할 수 있습니다.
하지만 제조/산업 분야에서는 자동차의 나사, 휴대폰의 흠집 등 특화된 데이터를 다룰 수 있는 AI 모델이 필요합니다. 1,000개의 장비가 있다면 1,000개의 모델이 필요할 수도 있는 것이죠. 이러한 특성은 제조 및 산업 분야에 AI 도입을 늦추는 가장 큰 요인으로 작용하고 있습니다.
그렇다면 이 문제는 어떻게 해결해야 할까요? 우리는 ‘보이드의 법칙(Boyd’s Law of Iteration)’을 통해 그 답을 제시합니다. 이 법칙은 ‘반복의 속도가 반복의 질보다 우선한다(Speed of iteration beats quality of iteration)’는 문장으로 설명할 수 있습니다. 불확실성이 높은 상황에서는 ‘빠른 반복’이 가장 중요합니다. 이 개념은 스포츠, 소프트웨어 개발 등 다양한 영역에서 활용되고 있고, AI에도 마찬가지로 적용될 수 있습니다.
보이드의 법칙 전투기 조종사이자 항공기 설계사인 보이드는 MiG-15와 F-86의 전투 기록을 분석하던 중 흥미로운 사실을 발견했습니다. 모든 측면에서 MiG-15가 더 우월한 성능을 지녔지만 실제 전투 기록은 F-86가 훨씬 더 우세했습니다. 그 답은 F-86의 조종사에게 있었습니다. MiG-15의 경우 조종간을 움직이기 위한 기능이 많아 조종사에서 피로가 누적되는 반면, F-86는 조종사들은 더 빠르고 쉽게 조작을 할 수 있었기 때문입니다.
AI 도입 과정에서 겪는 어려움
보통 AI가 어떤 문제를 해결하는 과정을 다음과 같이 정의합니다.
하지만 실제 AI를 적용하는 과정에서 이는 선형적으로 진행되지 않습니다. 데이터를 수집하고 분석하는 중 문제를 재정의할 수도 있고, ML 모델링을 하다가 데이터를 다시 수집하기도 하고, 배포된 모델의 성능이 떨어져 다시 모델링을 하기도 합니다. 현실적인 AI의 생애주기는 이처럼 비선형적으로 이뤄집니다. 제조 및 산업 기업이 AI를 성공적으로 도입하기 위해서는 이 생애주기를 매우 ‘빠르게 반복’해보고 이 과정에서 나타나는 문제를 개선하는 것이 핵심입니다.
AI 실적용의 큰 어려움 중 하나는 AI의 ‘개발환경’과 ‘운영환경’이 매우 상이하다는 것입니다. AI의 운영을 위해 ML Code가 가장 중요하다고 생각하는 경우가 많지만, 이는 AI 운영에서 극히 일부에 불과합니다. 데이터 수집, 고도화된 소프트웨어, 모델 분석 등 다양한 업무가 유기적으로 운영이 되어야 성공적인 AI 도입이 가능합니다.
성공적인 AI 도입의 핵심, MLOps
‘MLOps(Machine Learning Operations)’는 이러한 어려움들을 극복하기 위한 방법으로 최근 뜨거운 주목을 받고 있습니다. MLOps는 소프트웨어 개발에서 사용된 DevOps와 유사한 개념으로, AI의 개발과 성능 개선을 가속화하는 방법이라고 할 수 있습니다.
마키나락스는 서울과 실리콘밸리에 사무소를 두고 있는 AI 스타트업입니다. 현재 70여명의 팀원들이 함께 하고 있습니다. 2020년 시리즈 A라운드에서 120억원의 투자를 유치했고 2021년에는 구글, 에어비앤비 등이 이름을 올린 세계경제포럼 기술 선도 기업에 선정된 바 있습니다. 현재 마키나락스는 산업 현장에 1천 개 이상의 AI 모델을 배포하여 데이터를 받아들이고 처리하며 의미 있는 결과를 만들어 가고 있습니다.
마키나락스는 수많은 제조 및 산업 분야의 AI 프로젝트를 통해 쌓아온 노하우를 바탕으로 기업이 더 빠르게 MLOps를 도입할 수 있는 방법을 고민해왔습니다. 링크(Link™)와 런웨이(Runway™)는 그 고민의 결과입니다.
링크는 데이터 사이언티스트, 머신러닝 엔지니어들이 친숙하게 사용하는 JupyterLab의 확장 프로그램입니다. 링크를 활용하면 가독성 있는 파이프라인을 확인하며 AI/ML 모델을 개발하고, Kubernetes 지식이 없이도 운영환경에 쉽게 배포할 수 있습니다.
런웨이는 산업 현장의 다양한 장비에서 동작하는 AI/ML 모델을 개발하고, 배포하고, 운영할 수 있는 플랫폼입니다. 런웨이는 AWS, GCP 등 Public cloud는 물론 Private cloud, On-Premise 등 다양한 인프라 환경에 설치가 가능하고, 웹 포털을 제공해 사용자의 운영 편의를 돕습니다.
마키나락스는 자체 개발한 링크와 런웨이를 배터리, 자동차, 반도체 등 다양한 제조 및 산업 AI 프로젝트에 이미 적용하고 있습니다. 하나의 Use Case를 소개합니다. 2021년 상반기 반도체 핵심 부품을 만드는 공장 진행한 프로젝트입니다.
결함이 있는 제품을 생산할 경우 30%에 달하는 장비들이 셧다운 해야 하는 문제를 안고 있었습니다. 우리는 1개 장비를 타깃으로 빠르게 데이터를 분석하여 모델을 만들었고, 이후 실시간으로 성능을 개선하며 3대의 장비를 위한 모델을 개발했습니다. 이후 운영 환경에서 발견된 문제점들을 해결했고, 현재는 10대 장비에 대한 모델의 개발, 배포 및 운영, 성능 개선을 진행하고 있습니다.
마키나락스는 이외에도 반도체 칩 설계, 로봇팔 최적화, 멀티로봇 모션 최적화, 전기자동차 배터리, 태양광 등 다양한 제조 및 산업 분야의 프로젝트에서 가시적인 성과를 얻고 있습니다. 우리의 실험 기간은 6개월에서 4주로, 배포 기간은 10개월에서 8주로, 모델 성능 개선 주기는 몇 달에서 몇 분으로 감소했습니다. MLOps 플랫폼인 런웨이를 활용하여 빠르게 반복하고, 빠르게 개선하며 ‘Real AI Impact’를 창출하고 있습니다.
우리가 꿈꾸는 AI의 미래
맥킨지는 AI 도입을 통해 2030년까지 세계적으로 13조 달러의 경제 가치가 창출될 것으로 전망했습니다. 제조업의 비중은 약 10%(1.3조 달러)에 달합니다. 우리나라는 제조 분야에서 세계적인 경쟁력을 갖고 있습니다. 2020년 UNIDO(United Nations Development Programme)는 CIP 인덱스를 기준으로, 한국의 경쟁력을 세계 3위로 평가하기도 했습니다.
제조 및 산업에 AI를 도입하는 것은 매우 도전적인 과제입니다. 우리는 빠른 반복을 통해 AI/ML 모델의 개발, 운영, 배포를 효율화 해나갈 것입니다. 우리나라의 제조 및 산업 경쟁력과 마키나락스의 AI 경쟁력이 함께 한다면 무한한 가치를 창출할 수 있지 않을까요?
