우리가 그리는 Real-World AI. 누구나 도전할 수 있지만 아무나 실현하지는 못할 것입니다. 글로벌 제조 기업의 AI 관련 목표 달성 성공률은 16% 수준에 불과합니다. 그만큼 Real World에 AI를 적용하고 비즈니스 임팩트로 연결하기까지는 수많은 어려움을 뛰어넘어야 합니다. 구체적으로 어떤 난관들이 있을까요? Real-World AI가 어려운 이유를 정리했습니다.

Real World는 복잡하다: 10의 170제곱의 경우의 수를 가진 바둑보다 훨씬 더!

바둑에서 나올 수 있는 모든 경우의 수는 10의 170제곱이라고 합니다. 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. 알파고가 아닌 다른 AI라면 얘기가 달라집니다. 단순한 바둑판과 달리 복잡한 산업 현장을 그대로 모사한 환경에서 다양한 변수와 데이터를 학습한 AI라면 어떨까요?

🔗 Real-World AI: 산업 현장을 실시간 연결하는 AI Digital Twin

Real World는 통제되지 않는다: AI, 새로운 데이터와의 첫 만남은 어려워!

자율주행은 Real World AI의 대표적인 기술입니다. 십여 년간 수십조의 투자가 이루어진 분야인데요. 하지만 level 5에 해당하는 완전 자동화, 즉 차량이 모든 조건에서 모든 주행 작업을 수행하고 운전자의 개입이 전혀 필요하지 않은 기술은 여전히 상용화에 어려움이 있습니다. AI가 새로운 데이터와의 첫 만남을 어려워하기 때문입니다. 학습하지 않은 예상치 못한 상황, 즉 처음 보는 데이터를 만났을 때 곧바로 성능을 내지 못하는 것은 AI가 여전히 극복해야 할 한계로 꼽힙니다.

연구소에서 성능이 뛰어난 AI 모델을 만들어도 생산 환경에서 새로운 데이터를 만나면 모델의 성능은 떨어지기 마련입니다. AI의 높은 성능을 유지하기 위해서는 초기 학습 이후에도 지속적으로 새로운 데이터를 업데이트하고 성능을 유지하며 개선해 가는 과정인 ‘지속적 학습(CT, continuous training)’을 수행해야 합니다. 또 이 과정을 매번 사람이 수행할 수는 없기에 지속적 학습을 자동화할 수 있는 프로세스가 필요합니다.

🔗 Real-World AI: 자동화된 운영 환경을 지원하는 AI 플랫폼 Runway

Real World 데이터는 공개되지 않는다: ChatGPT VS 20년 차 숙련공, 울산 공장을 누가 더 잘 알까?

ChatGPT VS 20년 차 숙련공, 울산 공장을 누가 더 잘 알까요?

산업 현장에서 ChatGPT는 스탠포드 4학년 학생에 비유할 수 있습니다. 이 똑똑한 학생이 울산 공장에서 일을 한다고 가정해 봅시다. 바로 일을 잘할 수 있을까요? 아마 무엇을 해야 할지 갈피를 잡는 것부터 어려울 것입니다. 현장에서 사용되는 장비와 설비의 이름, 이를 최적으로 제어할 수 있는 다양한 변수와 조합, 담당자가 누군지 파악하고 도움을 요청하기까지 꽤 오랜 시간이 걸릴 겁니다. 하지만 울산 공장에서 20년을 일한 숙련공은 스탠포드 학생이 좌충우돌하며 몇 시간에 걸쳐 하는 일을 단 몇 분 만에 해낼 수 있을 것입니다. 오랜 시간 쌓아온 현장의 노하우와 도메인 전문 지식을 기반으로 전화 한 통, 경험의 한 조각을 꺼내 빠르게 문제를 해결할 수 있는 것이죠.

ChatGPT가 인간 수준의 문장, 그림, 코드를 생성할 수 있더라도 산업의 데이터를 학습하지 못했다면 이를 산업 현장에서 활용하기는 불가능합니다. 더불어 산업 데이터는 손쉽게 구할 수 없으며, 기업에서도 외부에 공개하지 않기에 ChatGPT는 산업 현장에서 우리가 기대하는 만큼의 성능을 낼 수 없습니다. 그렇기에 산업 데이터 경험이 중요합니다. 산업의 복잡성과 고유한 요구사항, 다양한 장비와 설비에서 수집하는 데이터에 대한 이해가 높을수록 다양한 각도에서 LLM을 발전시킬 수 있습니다.

🔗 Real-World AI: LLM이 바꿀 산업 현장의 NEXT는?

Real World는 100%가 필요하다: 참고가 아닌 문제를 해결하는 AI

디지털 세계에서 범용 AI는 글, 이미지, 동영상과 같은 콘텐츠를 생성하거나 개인화된 추천 시스템을 제공하며 혁신을 보여주고 있습니다. 사용자가 기대한 결과물과 100% 일치하지 않더라도 일부만 참고하고 응용할 수 있기 때문에 고도의 정확성이 요구되지 않습니다. 그러나 Real-World AI는 훨씬 전문적이면서 복잡하고 어려운 문제를 해결하고 100%에 가까운 정확도가 필요합니다. 

제품 품질을 검수하는 AI가 결함을 감지하지 못하면 불량 제품이 생산되어 고객 불만과 대규모 리콜 사태로 이어져 기업의 신뢰도와 수익에 큰 영향을 미치며, 생산 라인의 오류로 대규모 재작업이 필요할 수 있어 막대한 손실을 초래합니다. Real World에서는 환경 변화에 즉각적으로 대응해야 합니다. AI가 실시간으로 데이터를 분석해 기계의 온도나 압력을 조절하지 않으면, 공정이 중단되거나 제품 퀄리티에 영향을 줄 수 있기 때문에 높은 정확도가 필수적입니다.

🔗 Real-World AI: 산업 현장의 문제를 해결하는 AI Use Case

Real World는 복잡하고, 통제할 수 없고, 예측할 수 없으며, 데이터를 쉽게 확보할 수도 없습니다. 요구되는 정확도도 높고요. 그럼에도 마키나락스는 Real-World AI를 구현하기 위해 Compound AI System을 기반으로 산업 현장의 복잡한 문제들을 해결하고 있습니다. 실제 마키나락스는 글로벌 시장의 AI 도입 성공률 대비 4배 이상의 성공률을 실현하고 있습니다. '우리도 AI로 뭐 좀 해봐야 하나?' 고민만 하고 계신가요? 아래 배너를 클릭해 현재 고민을 나눠주세요. 마키나락스가 함께 Real-World AI를 구현할 방법을 찾겠습니다.