Process Improvement
결과를 미리 예측함으로써 실험, 시제품 개발, 신제품 공정 설계의 비용을 단축할 수 있습니다.
AI를 활용한 프로세스 개선은 그 범위가 매우 넓고 활용 방식 또한 다양합니다. 기존에 육안을 통해 수행했던 품질 검사를 자동화하거나 신규 생산품의 공정 조건을 짧은 기간 내에 확립하는 데에도 활용되며 또는 신제품 개발 기간을 단축하기도 합니다.
룰을 이용해 자동화하기에는 너무 복잡하거나 인간의 직관이 포함되는 판단, 또는 기존의 시뮬레이션으로는 적절한 결과를 얻기 어려워 다수의 실험을 동반해야만 하는 작업들에 높은 성능의 예측 모델을 제공함으로써 프로세스를 개선하고 비용과 시간을 단축합니다
품질 결함에 미리 대응하도록 프로세스를 구축할 수 있는
이미지 분류 모델을 이용한 지속적인 품질 검사
품질 검사, 소재 위치 세팅 등의 인간 작업을 자동화하는 데에 있어 가장 먼저 활용을 고려해볼 기술 분야는 비전(Vision)일 것입니다. 숙련된 작업자의 판단 또는 고통스러운 수작업을 필요로 하는 기존 공정을 이미지 인식 및 분류 기술로 대체하는 것입니다. 아래의 그림은 금속 3D프린팅 중의 단면 사진입니다. 적층 중의 단면 사진과 이미지 분류 모델을 이용해 지속적인 품질 검사를 수행함으로써 품질 결함에 미리 대응하도록 프로세스를 구축할 수 있습니다.
반면 기본적인 회귀함수(Regression)의 구축 또한 프로세스 개선에 활용될 수 있습니다. 특히 신규 생산품 공정 조건 확립 등 다수의 실험을 필요로 하는 상황에서는 회귀 예측 모델의 활용이 비용과 시간의 극적인 감축을 이루어내기도 합니다. 주문 생산 방식의 제조 산업에서는 신규 소재, 형상, 공법 등 다양한 이유로 공정 조건 확립에 오랜 기간이 소요되는데, 공정 변수에 따른 핵심 목표 특성 – 인장강도, 자성 등 – 을 예측하는 예측 모델을 구축함으로써 실험에 소요될 시간과 소재를 크게 절감할 수 있습니다.
AI를 통한 프로세스 설계시 다양한 방법론을 고려해야 되는 이유
이와 같은 프로세스 개선에서는 활용 아이디어 만큼이나 구현을 위해 필요로 하는 기법 또한 다양한데, 특히 신규 소재나 공법 등에 대해서는 아직 데이터 수집이 충분하지 않다는 문제를 보완하는 데에 많은 노력을 기울이게 됩니다.
각종 데이터 증강 기법들을 사용하고 동일 분야 타 공정의 데이터를 이용해 기반이 되는 모델을 먼저 제작하기도 하며, 실제 실험보다 저렴한 비용으로 학습용 데이터를 얻어낼 수 있는 실험 환경을 설계하기도 합니다. AI를 통한 프로세스 개선 설계 시에는 이와 같은 사항에 대해 도메인 기술 측면과 머신러닝 측면에서 다양한 방법론들을 고려할 필요가 있습니다.
c51의 전문가와 함께 프로세스 개선 아이디어의 실현 가능성을 검토하고 성공적인 구축을 위한 계획을 설계할 수 있을 것입니다.