산업 AI 응용Industrial AI Applications
제조 현장을 중심으로, 설비 센서 · 영상 · 계측 · 테스트 · 정비 기록 같은 공장 데이터에 AI 를 써서 품질 · 설비 · 공정 문제를 푸는 활용 유형 전체다. 이상 탐지 · 예지 보전 · 비전 검사 · 공정 최적화 · 가상 계측 · 수율 · 품질 예측 · 디지털 트윈 · 제조 AI 에이전트를 데이터와 정답이 오는 때로 견준다.
1요약
- 산업 AI 응용은 ISA-95 의 레벨 0 ~ 3(센서 · 제어 · 감시 · MES)에서 나오는 공장 데이터 위에서 여덟 하위 토픽이 돌고, IRDS FI 2022 는 이들을 반응 → 예측 → 처방 운영으로 넓혀 가는 흐름으로 정리했다(5.8.4.1절).
- 계측은 일부 웨이퍼만, 고장 기록은 드물게, 불량 판정은 늦게 오므로 정답이 언제 · 얼마나 오는가가 방법을 정한다 — 가정 챔버 300 런 사례에서 정답 없이 본 T² 경보는 177번째 런에 울렸고, 실측 20건만 쓴 가상 계측의 두께 오차는 0.55 nm 였다.
- 「AI 를 붙였는데 현장이 그대로다」는 결과를 받는 결정이 있는가로 가른다 — 경보만 쌓이면 반응 단계에 멈춘 것이고, 예측이 맞는데 정지 · 불량이 그대로면 조치 · 승인 경로가 빠진 것이다.
2등장 배경
예전 공장은 일이 난 뒤에 움직였다. 경보가 울리면 장비를 세우고, 계측 장비는 로트마다 몇 장만 재며, 정비는 정해진 주기로 부품을 바꿨다. 감시 화면의 센서 값은 쌓이기만 하고 다음 결정으로 이어지지 않았다.
1990년대 중반 시작된 ISA-95(IEC 62264)가 공장 정보를 레벨 0 ~ 4 로 나눠 데이터가 오가는 경계를 정했다(ISA-95 소개). 2008년에는 공정 신호 590개의 SECOM(UCI SECOM)과 엔진 열화 시뮬레이션 C-MAPSS(NASA CMAPSS 자료)가 공개돼 방법을 같은 데이터로 견줄 수 있게 됐고, 2013년 4월 독일 Forschungsunion · acatech 보고서는 생산 체계의 수직 통합을 정책 과제로 올렸다(acatech 2013).
지금은 IRDS FI 2022 가 반응형 운영에 예측 · 처방을 «더하는» 것을 공장 통합의 어려운 과제 아홉 가운데 하나로 꼽는다(1절 과제 5). 반응 기능은 없애지 않고 남긴다는 점이 산업 AI 응용의 전제다.
3쉽게 이해하기 — 종합병원의 환자 한 명
환자 한 명이 종합병원에 입원했다. 심전도 · 엑스레이 · 피 검사 결과가 진료과 여러 곳으로 간다. 응급실은 지금 이상한 신호를 알아채고, 내과는 언제 회복될지 내다보며, 처방 담당은 약을 바꿀지 고른다. 마지막 결정은 주치의가 내리고, 바꾼 약이 다시 환자의 검사 값으로 돌아온다.
그림 1 · 환자 한 명의 검사 결과를 진료과 여덟이 세 질문으로 나눠 읽고, 주치의의 결정이 다시 환자에게 돌아간다.
그림 2 · 같은 환자를 두고도 질문이 바뀌면 «맞았는지 아는 때»가 지금 · 나중 · 바꿔 본 뒤로 달라진다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 환자 | 설비 · 공정 | 레벨 0 ~ 2 에서 센서 값 · 로그를 낸다 |
| 심전도 · 피 검사 결과 | 센서 · 계측 · 테스트 데이터 | 하위 토픽 모두의 입력이 된다 |
| 응급 경보 · 사진 판독 | 이상 탐지 · 비전 검사 | 정상 기준에서 벗어난 신호 · 영상을 지금 가른다 |
| 수명 예후 · 회복 예측 | 예지 보전 · 수율 · 품질 예측 | 고장 시점 · 수율을 미리 내다본다 |
| 검사 추정 | 가상 계측 | 재지 않은 웨이퍼의 계측값을 센서로 추정한다 |
| 처방 조정 · 모의 환자 | 공정 최적화 · 디지털 트윈 | 조건을 고르고 바꾸기 전에 가상으로 시험한다 |
| 당직 비서 | 제조 AI 에이전트 | 기록을 찾아 조치를 제안하고 승인을 받는다 |
| 주치의 승인 | 사람 결정 · 기존 제어 계층 | 결과를 실제 정비 · 조건 변경으로 바꾼다 |
⚠ 비유가 맞지 않는 곳: 병원은 환자마다 진료과를 고르지만 공장은 한 장비에 여러 하위 토픽을 동시에 겹쳐 쓴다. 또 설비는 아파도 말하지 않으므로 정답(고장 · 불량)은 기록으로만 늦게 온다.
4구조 — 여덟 하위 토픽의 데이터와 정답
여덟 하위 토픽은 쓰는 데이터보다 정답이 어디서 오는가로 더 크게 갈린다. 같은 센서 값도 정답 없이 쓰면 이상 탐지, 실측과 짝지으면 가상 계측, 고장 기록과 짝지으면 예지 보전이 된다. 여덟 가운데 처방 단계의 디지털 트윈과 제조 AI 에이전트는 산업 AI 응용 바로 아래가 아니라 제조 AI 아래에 함께 놓인다.
그림 3 · 하위 토픽 여덟은 같은 센서 데이터를 나눠 쓰고, 정답이 오는 곳이 반응 · 예측 · 처방 단계를 가른다.
| 하위 토픽 | 푸는 질문 | 대표 방법 | 결과가 가는 곳 |
|---|---|---|---|
| 이상 탐지 | 지금 평소와 다른가 | T² · PCA 재구성 오차 · Isolation Forest | 정지 · 점검 경보 |
| 비전 검사 | 이 제품 겉모습이 불량인가 | CNN · 정상 패치 기억 | 배출 · 결함 분류 |
| 가상 계측 | 재지 않은 웨이퍼의 값은 | PLS · 회귀 · 신뢰 지수 | 보정 제어 · 표본 선택 |
| 예지 보전 | 언제 고장 나는가 | 건강 지표 · 잔여 수명 회귀 | 정비 계획 |
| 수율 · 품질 예측 | 이 로트의 수율 · 원인은 | 분류 · 근본 원인 분석 · 웨이퍼 맵 분류 | 출하 · 원인 조사 |
| 공정 최적화 | 어떤 조건이 가장 좋은가 | 실험 계획법 · 베이지안 최적화 · APC | 레시피 · 보정 값 |
| 디지털 트윈 | 바꾸면 어떻게 되나 | 상태 동기화 · 시뮬레이션 | 바꾸기 전 시험 |
| 제조 AI 에이전트 | 무엇을 조치할까 | LLM + 조회 도구 · 사람 승인 | MES 작업 기록 |
🔑 하위 토픽을 가르는 것은 모델 종류가 아니라 정답이다 — 같은 센서 값이 정답 없이 쓰이면 이상 탐지, 실측과 짝지으면 가상 계측, 고장 기록과 짝지으면 예지 보전이다.
5동작 — 한 챔버 300 런을 다섯 하위 토픽이 나눠 읽기
증착 챔버 한 대의 300 런을 하위 토픽 다섯이 차례로 읽는 사례다. 센서 · 두께 · 마모 값은 모두 설명용 가정 값이고, numpy 로 직접 실행(합성 데이터 · 시드 0)했다.
- 데이터 — 런마다 센서 셋(RF 전력 편차 · 챔버 압력 · 히터 온도)이 나오고, 두께 실측은 10 런마다 1장씩 런 200 까지 20건, 부품 마모는 런 120 부터 시작한다(마모 시작은 모델이 모르는 값).
- 이상 탐지 — 런 1 ~ 100 의 평균 · 공분산으로 정상 기준을 잡고, 그 구간 T² 의 99% 분위 13.08 을 임계값으로 둔다. 세 런 연속으로 넘은 첫 런은 177 이다.
- 가상 계측 — 실측 20건으로 센서 → 두께 최소 제곱 회귀를 맞춘다(NumPy lstsq). 재지 않은 런 180개의 두께 오차(RMSE)는 0.55 nm 이고, 마지막 실측값을 그대로 쓰면 2.44 nm 다.
- 예지 보전 — 런 220 에서 건강 지표의 177 ~ 220 추세를 직선으로 늘리면 한계 0.6 에 닿는 런은 287 이다. 남은 수명 예측 67 런 · 실제 60 런으로, 7 런 늦게 본다.
- 수율 · 품질 예측 — 규격 50 ± 3 nm 밖 런은 1 ~ 100 에서 6 · 101 ~ 200 에서 25 · 201 ~ 300 에서 85 로 는다. 가상 계측 값으로 판정하면 실제 규격 밖 116 런 중 107 런을 맞힌다.
- 처방 — 이 결과를 받을 결정은 정비 시점(67 런 안) · 두께 보정(공정 최적화 · APC) · 조치 승인(사람 · 에이전트)이다. 사례는 여기서 멈추며, 조치를 돌려야 다음 런의 값이 바뀐다.
그림 4 · 경보(177) 뒤에 수명 예측(287)이 이어지고, 실측 20건으로 만든 가상 계측이 300 런 모두의 품질 판정을 메운다.
그림 5 · 앞 단계의 출력이 뒤 단계의 입력이 되어 반응 → 예측 → 처방으로 넓어지고, 반응 기능은 그 아래에 남는다.
IRDS FI 2022 는 예측 기술이 한꺼번에 퍼지지 않는다고 본다 — 가상 계측은 모델이 잘 맞는 CVD · 식각부터, 예지 보전은 비싸고 자주 나는 정비부터 시작하고, 수율 예측은 그 둘이 자리 잡은 뒤, 팹 전체 실시간 시뮬레이션은 개별 예측을 한 플랫폼에 모은 뒤의 장기 목표다(5.8.4.2절).
🔑 처방은 예측 위에, 예측은 반응 위에 쌓인다 — 경보가 믿을 만하지 않으면 수명 예측의 시작점이 흔들리고, 가상 계측이 없으면 수율 예측의 입력이 빈다.
6비교 — 관련 기술과의 경계
| 기술 | 맡는 일 | 산업 AI 응용과의 경계 | 넘기는 곳 |
|---|---|---|---|
| 인공지능 개요 | 학습 원리 · 신경망 · 모델 평가 | PCA · 회귀 · CNN 의 원리는 그쪽, 공장 질문에 맞춰 방법을 고르는 일은 이쪽 | 알고리즘 원리 · 성능 지표 |
| 생성형 AI | LLM · RAG · 도구 호출 · 멀티모달 | 언어 모델 자체는 그쪽, 공장 데이터 조회 도구와 승인 경로를 붙인 것은 제조 AI 에이전트 | LLM · RAG 구조 |
| AI 엔지니어링(AI 시스템 운영) | 데이터 준비 · MLOps · 경량화 · 서빙 | 모델을 배포 · 갱신하는 체계는 그쪽, 무엇을 예측하고 어느 결정에 넣을지는 이쪽 | 드리프트 감시 · 모델 서빙 · 엣지 배치 |
| 신뢰할 수 있는 AI | 법 · 윤리 · 설명 가능성 · 보안 | 설명 · 위험 관리 기준은 그쪽, 설비 쓰기 권한과 사람 승인 단계를 정하는 일은 이쪽 | 설명 기법 · AI 기본법 · AI 보안 |
분석방법이 막히면 인공지능 개요로, 배포 뒤 성능이 떨어지면 AI 엔지니어링으로, 설비 권한 · 책임이 걸리면 신뢰할 수 있는 AI 로 넘기고, 산업 AI 응용은 «어느 질문에 어느 정답을 붙이는가»만 맡는다. 근거는 표의 「경계」 열 — NIST AI RMF 도 AI 를 중지 · 대체하는 장치를 위험 관리 쪽 요구로 둔다(MANAGE 2.4).
7실무 진단 — 산업 AI 과제가 멈추는 단계 가르기
분석데이터 → 정답 → 결과를 받는 결정 순으로 본다. 정답이 없는데 지도 학습을 고집하거나, 결정 경로가 없는데 모델만 바꾸면 같은 실패가 되풀이된다(IRDS FI 2022 5.8.4.1).
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 불량 레이블이 없어 착수를 못 한다 | 지도 학습만 생각함 | 반응 | 정상 구간 기간 · 센서 목록 | 정상 데이터만 있으면 이상 탐지 · 설비 건강 감시부터 가능(IRDS FI 2022 5.8.4.1 EHM 정의) |
| 2 | 시범 점수는 높았는데 다음 달 떨어진다 | 정비 · 소모품 교체 뒤 정상 기준 이동 | 예측 | 정비 기록 · 달별 점수 | 정비 전후로 나눈 점수 차이가 크면 모델 갱신 문제 |
| 3 | 수율 예측이 계속 빗나간다 | 웨이퍼 · 로트 연결 키 · 가상 계측 미비 | 예측 | 연결 키 결측률 · 가상 계측 유무 | 수율 예측은 가상 계측 · 예지 보전 다음 단계(IRDS FI 2022 5.8.4.2) |
| 4 | 예측은 맞는데 정지 · 불량이 줄지 않는다 | 결과를 받는 결정 경로 없음 | 처방 | 경보 · 예측 뒤 조치 기록 | 조치 기록이 0이면 처방 경로 부재 |
8시험 대비
시험에서는 산업 AI 의 정의와 하위 유형을 쓰는 정의 · 특징형, 그리고 반응형 공장에서 예측 · 처방형으로 가는 흐름과 과제를 쓰는 동향 · 발전형이 나올 수 있다. 하위 토픽을 나열하지 말고 «정답이 오는 때»라는 한 기준으로 묶으면 답안이 정리된다.
- 개요 — 정의(제조 현장 중심) · ISA-95 레벨 0 ~ 3 데이터 · 수직 통합(acatech 2013)
- 하위 토픽 지도 — 그림 3 데이터 · 정답 행렬 + 여덟 하위 토픽의 질문 · 방법 · 결과 표
- 반응 · 예측 · 처방 — 그림 5 단계 연결(IRDS FI 2022 5.8.4) · 반응 기능은 남음
- 적용 사례 — 그림 4 챔버 300 런(경보 177 · 오차 0.55 nm · 남은 수명 67 런)
- 선택 기준 — 정답이 오는 때 · 결과를 받는 결정 · 진단 표 네 증상
- 과제와 동향 — 연결 키 · 정상 기준 이동 · LLM 에이전트의 사람 승인 · 디지털 트윈 통합
꼭 쓸 키워드
반응예측처방ISA-95정상 기준가상 계측잔여 수명연결 키정상 기준 이동사람 승인
다른 답안과 차이를 내는 한 가지는 그림 3 의 데이터 · 정답 행렬이다 — 여덟 이름을 나열하는 대신 같은 센서 값이 정답에 따라 다른 하위 토픽이 된다는 것을 한 장으로 보인다.
9오해와 사실
- 오해불량 레이블이 쌓여야 산업 AI 를 시작할 수 있다.사실이상 탐지는 정상 데이터만으로 시작하고, 사례에서도 정답 없이 런 1 ~ 100 기준만으로 177번째 런에 경보를 냈다.
- 오해예측이 처방을 대신하면 반응형 감시는 없앤다.사실IRDS FI 2022 는 예측할 수 없는 이상과 예측이 놓친 경우를 위해 반응 기능을 계속 둔다고 적었다(5.8.4.1절).
- 오해디지털 트윈을 먼저 세우면 나머지가 따라온다.사실IRDS FI 2022 는 팹 전체 실시간 시뮬레이션을 개별 예측 기술이 자리 잡은 뒤의 장기 목표로 둔다(5.8.4.2절).
10핵심 정리
| 구분 | 단계 | 필요한 정답 | 출력 | 받는 결정 |
|---|---|---|---|---|
| 이상 탐지 | 반응 | 없음(정상 기준) | 경보 · 이상 점수 | 정지 · 점검 |
| 비전 검사 | 반응 | 정상 · 불량 영상 | 판정 · 결함 종류 | 배출 · 분류 |
| 가상 계측 | 예측 | 일부 실측 | 웨이퍼별 예측값 | 보정 제어 · 표본 선택 |
| 예지 보전 | 예측 | 고장 · 정비 기록 | 잔여 수명 | 정비 시점 |
| 수율 · 품질 예측 | 예측 | 테스트 결과 | 수율 · 원인 순위 | 출하 · 원인 조사 |
| 공정 최적화 | 처방 | 실험 결과 | 조건 · 보정 값 | 레시피 변경 |
| 디지털 트윈 | 처방 | 실제 상태 | what-if 결과 | 바꾸기 전 시험 |
| 제조 AI 에이전트 | 처방 | 사람 승인 기록 | 조치 제안 | MES 작업 기록 |
11참고 문헌
- 먼저 볼 문헌
- ★ International Roadmap for Devices and Systems 2022 Edition: Factory Integration (5.8.4 Augmenting Reactive with Predictive and Prescriptive Needs) — 반응 · 예측 · 처방 운영의 연속선과 예측 기술이 퍼지는 순서를 볼 때
- ★ ISA-95 Standard: Enterprise-Control System Integration — 공장 데이터가 나오는 레벨 0 ~ 4 와 MES · ERP 경계를 볼 때
- ★ Recommendations for implementing the strategic initiative INDUSTRIE 4.0. Final report of the Industrie 4.0 Working Group — 스마트 제조 정책의 출발점과 수직 통합 과제를 볼 때
- 본문 근거
- Artificial Intelligence Risk Management Framework (AI RMF 1.0) NIST AI 100-1 — NIST · 2023-01 ·
doi.org/10.6028/NIST.AI.100-1· 확인 2026-11-13 - SECOM (UCI Machine Learning Repository · DOI 10.24432/C54305 · CC BY 4.0) — M. McCann · A. Johnston · UCI · 2008-11 ·
archive.ics.uci.edu/dataset/179/secom· 확인 2026-11-13 - CMAPSS Jet Engine Simulated Data — NASA · 2024-05 ·
data.nasa.gov/dataset/cmapss-jet-engine-simulated-data· 확인 2026-11-13 - MVTec Anomaly Detection Dataset (MVTec AD) 소개 · 라이선스 — MVTec Software · 2026-11 ·
www.mvtec.com/company/research/datasets/mvtec-ad· 확인 2026-11-13 - NumPy 2.4 Reference numpy.linalg.lstsq — NumPy Developers · 2026-11 ·
numpy.org/doc/2.4/reference/generated/numpy.linalg.lstsq.html· 확인 2026-11-13