인공지능이 제조 및 산업 IoT를 어떻게 변화시키고 있는지

비즈니스 인사이더에 따르면 제조업은 사물인터넷(IoT)과 인공지능(AI) 응용 분야에서 2027년까지 연간 추정 IoT 시장이 2조4000억 달러로 또다시 대규모 급증을 눈앞에 두고 있다.

인공지능 시스템은 자동화 및 로봇 공학과 같은 명백한 애플리케이션 외에도 제조 프로세스를 최적화하고, 조기 경보를 전송하며, QA 및 품질 관리에 기여하고, 기계의 장비 고장을 예측할 수 있다. 핵심은 정확한 데이터를 수집하는 것이고, 이를 통해 제조업체는 경쟁사와 차별화하면서 혁신적인 AI 애플리케이션을 개발할 수 있다.

 

많은 조직은 실시간 결정을 내리기 위해 산업 IoT(IIoT) 애플리케이션에 다양한 AI 알고리즘을 채택한다. AI 기반 애플리케이션에 있어서는 데이터가 최고라는 것을 이해하는 것이 중요하다. 고유한 데이터를 집계, 정리 및 준비하는 것은 AI를 활용하여 조직을 최적화하고 통찰력을 도출하는 가장 중요한 측면이다.

인공지능 엔지니어가 기계 학습 모델을 교육하기 전에, 그들은 일반적으로 시작 데이터를 처리하는 데 75%의 시간을 소비한다. IIoT 장치에서 실행되는 기계 학습 모델을 교육하려면 애플리케이션이 작동 중일 때 사용할 실제 조건과 상황을 반영하는 데이터 세트 또는 일련의 데이터 세트가 있어야 합니다.

데이터 세트를 생성하는 프로세스는 여러 해에 걸쳐 수집되는 데이터에서 시작하여 여러 부분으로 이루어지며, 엔지니어는 데이터에 대한 가장 중요한 구조를 식별해야 합니다. 그들은 데이터의 결함, 불일치 또는 격차를 제거한 다음 알고리즘이 유용하게 상호 작용하는 데 필요한 형태로 데이터를 변환해야 한다.

 

임베디드 시스템을 위한 에지 인공지능

 

에지 인공지능은 제조 세계에서 전반적인 AI 개발의 중요한 하위 섹션이다. 엣지 AI는 인터넷을 통해 연결된 중앙 데이터베이스나 처리 노드에 의존하지 않고 하드웨어 장치에서 로컬로 데이터를 처리한다.

대부분의 IoT 솔루션에서 백엔드 서버는 인터넷을 통해 연결된 여러 장치와 센서를 통해 데이터를 수신합니다. 서버는 데이터가 들어오는 대로 처리하는 머신러닝 알고리즘을 호스팅하여 AI 솔루션이 제공하는 모든 가치를 창출한다.

이 AI 아키텍처의 문제는 많은 장치가 네트워크 트래픽을 과부하시키기 시작하거나 이미 많이 사용 중인 네트워크를 사용하고 있을 수 있다는 것이다. 이러한 상황에서 중앙 집중화된 서버로 데이터를 다시 전송하면 처리 시간이 허용할 수 없을 정도로 느려집니다. 하드웨어 장치에서 덜 복잡한 기계 학습과 AI 프로세스를 로컬에서 수행할 수 있기 때문에 에지 AI가 그 가치를 보여주는 부분이다.

에지 인공지능은 많은 산업에 필수적이다. 한 가지 예로, 엣지 AI가 배터리의 전력 사용량을 줄일 수 있는 자율주행차가 있다. 보안 감시 시스템, 로봇 공학 및 기타 여러 산업도 에지 AI 모델의 혜택을 받는다.

지식 증류의 개념은 에지 AI 솔루션을 크게 개선할 수 있는 잠재력을 가지고 있다.

지식 증류는 지식 압축의 원리를 통해 작동한다. 신경망은 강화 학습과 같은 기술을 사용하여 기대 결과를 생성하는 방법을 학습할 수 있다. 이 시점에서 더 작은 네트워크는 더 큰 네트워크가 이미 개척한 것과 유사한 결과를 만드는 법을 배운다. 이 작은 네트워크의 규모는 모바일 장치, 센서 및 유사한 하드웨어와 같은 에지 장치에 훨씬 더 적합합니다. 지식 증류를 통해 에지 장치의 공간 부담을 2000%까지 줄일 수 있으며, 네트워크를 실행하는 데 필요한 에너지, 물리적 제약 및 장치 자체의 비용을 절감할 수 있습니다.

지식 증류의 한 예는 감시 시스템에서 실시간으로 성별을 감지하기 위해 비디오 피드를 사용하는 것이다. 일반적으로 성별을 식별하려면 상당한 규모의 클라우드 기반 신경망이 필요하다. 그러나 실시간 시스템에서 클라우드로 되돌아가는 것이 항상 선택사항은 아닙니다. 지식 증류는 전체 프로세스를 더 작은 네트워크로 줄일 수 있으며, 에지 장치에 장착하면서 성별을 정확하게 식별할 수 있다. 이는 지식 증류 기술 없이는 불가능한 몇 가지 응용을 허용한다.

 

예측 유지보수를 위한 기계학습

 

예측 유지보수는 기계 학습과 인공지능이 제조에 영향을 미칠 수 있는 특히 유익한 분야이다. 실제로 캡제미니의 연구에 따르면 제조 AI 구현의 거의 30%가 기계 및 생산 도구 유지보수와 관련이 있다. 따라서 예측 유지보수는 현재 제조에서 가장 널리 사용되는 애플리케이션입니다.

ML 기반 예측 유지보수의 가장 중요한 두 가지 이점은 신속성과 정확성이다. AI는 고장과 고장이 발생하기 전에 수정할 수 있을 정도로 기계적 문제를 빠르고 정확하게 식별할 수 있다. 예를 들어 General Motors는 조립 로봇에 장착된 카메라를 사용하며, 그 사용을 통해 5,000개 이상의 로봇 그룹에서 수십 개의 부품 고장을 감지하여 정전 가능성을 피할 수 있었습니다.

기계 학습 예측 유지 관리 접근법은 과거 데이터를 사용하여 고장을 예측하는 회귀 모델과 분류 모델부터 변형 또는 이상 징후를 찾는 시스템과 구성 요소를 분석하는 이상 탐지 모델까지 다양한 모델과 접근 방식을 사용할 수 있다.

 

품질관리를 위한 컴퓨터 비전

자동차 및 소비자 제품 산업은 규제 기관의 까다로운 요구 사항에 직면해 있으며, 이러한 규정 준수를 유지하는 것은 AI와 기계 학습이 빛을 발할 수 있는 영역이다. 고품질 카메라의 가격은 매년 하락하는 반면, AI 이미지 인식 및 처리 소프트웨어는 계속해서 빠른 개선을 하고 있다. 이에 따라 AI 기반 검사 방법이 기업에 점점 더 매력적으로 다가왔다.

특히 자동차 업계는 독일 자동차 회사 BMW가 선두를 달리는 등 이 기술을 받아들였다. BMW는 검사 과정의 마지막 단계로 AI 애플리케이션을 사용하여 새로 제조된 자동차를 주문 데이터와 사양과 비교합니다. 닛산은 AI 육안 검사 모델을 QA 프로세스에 통합하는 데 있어 주목할 만한 진전을 이룬 또 다른 자동차 제조업체이다.

시각 검사 알고리즘이 인기를 끌고 있는 이유 중 하나는 이러한 알고리즘이 정교하게 발전하고 있기 때문이다. 신경망 기반 시스템은 이제 균열, 누출, 긁힘, 뒤틀림 및 기타 많은 이상과 같은 다양한 잠재적 문제 그룹을 식별할 수 있다. 그리고 응용 프로그램이 확인하는 매개 변수는 복잡한 규칙 매핑에 따라 주어진 상황에 맞게 조정하거나 조정할 수 있습니다. GPU 및 고해상도 카메라와 페어링하면 AI 기반 탐지 솔루션은 정확도와 속도에서 기존의 시각적 검사 시스템을 크게 능가할 수 있다.

 

제조업의 미래

제조업의 미래는 IoT 기반 AI의 미래와 거의 동의어라고 해도 과언이 아니다. 2019년에는 80억 개로 추정되는 IoT 장치가 있었지만, 2027년에는 410억 개가 될 것으로 예상되며, 그 성장의 가장 큰 부분은 제조 부문일 것이다. 제조업 내 AI 평가액은 현재 약 11억 달러에서 2026년까지 160억 달러 이상으로 15배 이상 성장할 예정이다.

효율적인 생산의 모든 특징(표준화, 규모의 경제, 작업 자동화, 전문화)은 머신러닝과 인공지능 솔루션의 도움을 많이 받는다. 이와 같이 IoT 장치에 내장된 AI는 향후 몇 년 동안 모든 주요 제조 프로세스에 더욱 촘촘하게 짜일 수밖에 없다.