도요타 가이젠 지고 보쉬 AIoT 뜬다
AI 활용한 반도체 생산시설도 구축해 ... 전방위 AI 업체로 거듭나
이런 파워트레인 생산에서 AI 구축은 핵심 과제입니다. 공장에는 20개의 조립 라인이 갖춰져 있고 40~50개의 제조 장비가 설치돼 있습니다. AI는 생산 과정에서 부품의 결함과 조립 공정의 오작동을 정확히 집어내는 역할을 합니다. 구체적으로 AI는 기계에서 수집되는 많은 양의 데이터를 분석해 결함의 근본 원인을 쉽게 찾을 수 있도록 도와줍니다. 결함을 찾으면 공장 작업자에게 문제가 있음을 알리고 실패 원인을 대시 보드로 전송해 직원이 상황을 신속하게 해결할 수 있도록 합니다. 이 공장에서 테스트해본 결과 매년 240만 달러의 비용을 절감할 것으로 계산됩니다. 보쉬는 전 세계 240개 공장에 AI를 모두 설치하면 매년 최대 5억 달러의 비용을 절감할 것으로 예상합니다.
전기차 시대 AI가 생산 공정 지배
가장 큰 장점은 물론 실시간 보고입니다. 결함의 원인을 빨리 찾을 수 있다면 최대한 빨리 수정할 수 있는 겁니다. 일본 자동차 업체 도요타는 전 종업원이 불량품을 찾기 위한 감시자가 되는 도요타 생산 방식으로 유명해졌습니다. 도요타 생산 방식은 자동차 업계에서 생산 효율을 높이기위한 기법으로 알려져 왔습니다. 현장에서 품질이 좋은지 안좋은지 여부를 확인하기 위해 담당 직원이 라인을 정지시키기도 했습니다. 낭비를 없애고 품질 검사를 정확하게 하고 불량품을 없애는 게 생명이었습니다.보쉬는 도요타 방식의 종언을 예고합니다. 보쉬는 이런 모든 작업을 AI가 하도록 바꿨습니다. 전기차로 변화하는 상황에서 자동차의 부품 생산 방식은 이제 AI에게 맡겨야 한다는 게 보쉬의 생각입니다. 석유와 내연기관이 이전의 가솔린차를 움직였다면 이제 전기와 AI가 자동차를 움직이는 세상으로 바뀔 모양입니다. 이런 과정에서 도요타 생산 방식이 아닌 보쉬 생산 방식이 유행할 것으로 생각해봅니다.
2025년까지 모든 제품을 AI의 지원 받아 생산
보쉬는 지난해에 제품의 90% 이상에 네트워크 지원이 되는 체제를 구축했다고 말합니다. 이 체제는 인공지능이 도입되면서 갈수록 더욱 지능화될 것입니다. 2025년까지 보쉬의 모든 제품은 AI를 포함하거나 AI의 도움을 받아 개발되거나 생산될 것이라고도 말합니다.새로운 차량용 실내 감시시스템도 선보입니다. 눈꺼풀의 움직임과 시선, 머리 위치 등을 통해 운전자가 나른하거나 스마트폰 보는 것을 감지하고 운전자에게 위험 상황을 경고하는 시스템입니다. 차량 내부를 관찰해 승객이 몇 명 탑승하고 있으며 어느 좌석에 어떠한 자세로 앉아 있는지 감지합니다.
보쉬는 지난해 AI를 통해 일본에서 농작물 병해 예측 서비스를 시작하기도 했습니다. 자동차에 쓰이는 센서를 탑재한 전용 장비를 비닐하우스에 설치해 온도 및 이산화탄소 농도 등을 기반으로 토마토나 오이 등의 특정 농작물 병해 발생 위험을 산출하는 시스템입니다. 이를 통해 언제 농약을 살포해야 하는지를 알게 된다고 합니다. 오븐 등 AI가 내장된 전자 제품도 내놓습니다. 자동차 부품업체의 놀라운 변신입니다. 이제 보쉬는 자동차 부품업체에서 AI 전문 업체로 새로운 도약을 꿈꾸고 있습니다.
오춘호 연구위원
-
기사 스크랩
-
공유
-
프린트
-
1
세계 대기업들이 AI와 자율주행 등 첨단 기술에 투자하는 이유는 경쟁 기업에 뒤처지는 걸 두려워하기 때문이라는 설문 결과가 나왔습니다. 미국 조사기업 시큐씨(Seeqc)가 글로벌 대기업 임원 200명을 대상으로 설문 조사한 결과에 따르면 기술 투자 이유로 응답자의 37%가 경쟁자들이 이 분야에 뛰어들고 있어 그들에 뒤처지는 게 두렵기 때문이라고 답했습니다. 응답자의 28%는 그들이 기존 비즈니스 시스템으로 감당하기 어려운 비즈니스 문제가 확인됐기 때문이라고 응답했고, 20%는 비즈니스 문제를 해결하기 위한 혁신의 최첨단을 달리고 싶어서라고 했습니다. 장기 비즈니스 관점에서 이 같은 첨단 기술을 접해야 한다고 생각했기 때문이라는 답을 한 임원들은 15%에 불과했습니다. AI를 조사하고 도입하려 할 때 가장 많이 찾는 파트너가 누구인지 묻는 설문에서는 응답자의 29%가 기존에 이미 알려진 기업을 택한다고 했으며 25%는 스타트업과 벤처기업, 24%는 기업 내부의 자원을 이용한다고 했습니다. 대학과 연구기관, 정부 기구 등을 찾는 응답은 21%였습니다. 시큐씨는 기업들이 아직 AI 파트너로 찾는 기업들은 쏠림현상 없이 대학과 스타트업 전문 기업 등으로 골고루 분포된 게 특징적이라고 설명했습니다. AI투자 5년 내 성과 기대 58% 한편, 응답자의 82%는 첨단 기술을 투자하고 조정하는 것에 대해 두려움과 근심을 갖고 있다고 답했으며 74%는 잘못된 투자를 해서 자원을 낭비하는 것을 우려하고 있다고 밝혔습니다. 71%는 그들의 비즈니스나 일자리를 쓸모 없게 만들 것을 걱정하는 목소리를 냈습니다. 투자로부터 ROI(투자수익)를 언제쯤 거둘 수 있을 것으로 예상하느냐는 질문에 대해선 전체 46%가 3~5년 내로 성과를 기대하고 있다고 응답했으며 33%는 5~10년 사이에 결과를 기대하고 있다고 답했습니다. 1~2년 이내에 결과를 기대한다는 응답은 전체의 12%였으며 10년 이상은 10%였습니다. 심층기술 솔루션으로 다음 단계에 옮겨갈 때 가장 큰 도전은 무엇이냐는 질문에 52%는 적절한 기술 전문가와 함께 올바른 내부 팀을 만드는 것이라고 했으며 45%는 올바른 제조와 적절한 제조 시설을 갖추는 것이라고 했습니다. 또한, 스타트업 및 기존 첨단업체들과 함께 작업하는 것이라고 했습니다. 오춘호 연구위원
-
2
오순영의 AI 티키타카 <1> 우리가 인공지능에 기대하는 것
1967년 체스 프로그램을 시작으로 2011년 IBM 슈퍼컴 왓슨과의 퀴즈 대결, 장기 대결 등이 이어졌다. 2011년 IBM 슈퍼컴 왓슨과 퀴즈 챔피언 켄 제닝스, 브래드 루터와의 대결은 왓슨의 우승으로 끝났다. 그리고 2016년 3월. 드디어 대한민국 국민의 머릿속에 ‘인공지능’, ‘알파고’를 심어 넣는 빅 이벤트가 등장한다. 구글 딥마인드의 인공지능 바둑 프로그램과 이세돌 9단의 대국이다. 서울에서 열린 총 5회 대국의 결과는 4승 1패, 인공지능 알파고의 완승이라는 충격의 역사다. 인공지능이 인간과 대결할 수 있는 존재라고 대중들의 머릿속에 강하게 기억되기 시작한 시점이 이때였을 것이다. 그런데 이 모든 대회가 인간과 인공지능의 대결이라고 할 수 있을까. 마치 세계계산대회에서 주판을 주느냐, 계산기를 주느냐, 암산으로 하느냐와 같이 도구의 문제처럼 보인다. 해당 분야 선수들과 인공지능 개발자 즉, 인간과 인간의 대결 같은데 말이다. 언어지능으로 잘 상품화된 인공지능 스피커 2015년 세계적인 온라인 쇼핑몰 업체인 아마존이 사람의 말을 알아듣는, 즉 언어지능을 갖춘 ‘아마존 에코’를 판매하기 시작했다. 기존 애플과 구글처럼 스마트폰에서 음성을 인식하는 인공지능을 탑재한 것이 아니라 스피커에 인공지능을 적용한 것이다. 날씨나 뉴스, 일반 상식에 대한 답변이 가능하고, 집 안의 전등을 켜고 끄는 등의 가전제품 조작도 할 수 있다. 인간을 넘어서는 능력으로 이목을 집중시켰던 체스, 퀴즈, 바둑, 포커 경기 등 인공지능 대상이 어느덧 거실과 주방의 스피커같은 일상의 사물로까지 빠르게 스며든 것이다. 왜 인공지능 중에서도 음성인식, 챗봇과 같은 언어지능 관련 서비스가 먼저 나왔을까. 그건 하이프 사이클(Hype Cycle)로 비교적 쉽게 설명할 수 있다. 하이프 사이클이란 기술의 성숙도를 표현하는 도구로 미국의 IT 컨설팅 회사인 가트너가 개발한 도구다. 이 하이프 사이클은 곡선 형태로 보이는데 X축은 시간의 흐름, Y축은 시장의 기대치로, 시간에 따른 시장의 흐름을 잘 볼 수가 있다. 가트너는 다양한 시장을 주제로 이 하이프 사이클을 매년 소개했다. 매년 뜨는 신기술과 지금 한참 장밋빛으로 어쩌면 거품도 살짝 낀, 그런 기대를 한 몸에 받는 기술, 그러다가 한 번 꺾이고 사업화에 실패하고, 또 그것을 견디고 살아남은 기술들이 무엇인지를 제시한다. 여기서 선택된 게 바로 음성인식이었다. 챗봇은 그 중에서도 장밋빛 전망으로 시장의 기대를 한 몸에 받았다. 기술을 비교적 쉽게 이해할 수 있으면서도 생활 속에서 편하게 접할 수 있는 인공지능을 구현하기에는 인공지능 스피커가 제격이었던 셈이다. 대중에게 인정받기 위해 노력한 인공지능 바둑을 알파고에 졌고, 조만간 인간의 직업도 모두 로봇에게 빼앗길 거라는 기사들도 많았지만, 인공지능과 연관된 산·학·연들은 무수히도 많이 인공지능의 순기능을 증명하기 위해 무던히도 노력했다. 사람이 하기 어려운 많은 일을 인공지능이 할 수 있다는 것을 연구하고, 발표하고, 다양한 서비스로 보여주려고 했다. 그러다 보니 인공지능이 아주 정확하게 해낼 수 있는 작은 영역보다는 보편적으로 인공지능에 맡겨서 해낼 수 있다는 것을 홍보하는 데 초점이 맞춰졌다. 서비스 형태의 방향도 그렇게 설정됐다. 여기에 가장 많이 언급된 문구는 아마도 ‘사람 같은 AI’였고, 관련된 서비스들은 AI 상담사, AI 아나운서, AI 교사 등이었다. 인공지능의 정의가 무엇인가. 인터넷에서 ‘인공지능’이란 단어로 뉴스 검색을 오래된 뉴스 순으로 해 보면, 놀랍게도 1990년도부터 인공지능이라는 용어가 가전, 시스템들이 언급되기 시작한다. 그리고 요즘 시대로 정의를 하자면, 인간처럼 생각하고 행동하고, 합리적으로 생각하고 행동하는 것인데 결국은 ‘지능’이란 부분에 집중돼 있다. ‘감성’이란 부분은 흉내를 낼 뿐이다. 인간에게 존재하는 ‘정신’은 인공지능이 할 수 있는 영역이 아니다. 그렇게 보면 ‘정신’이란 부분, 예를 들면 인간의 희생정신은 인공지능으로 구현 가능한 게 아니니 ‘사람 같은’이란 문구는 조심스러울 수밖에 없다. 인공지능 기술을 활용한 그 서비스 자체에 도덕성과 윤리를 이야기할 수 있을까. 각각의 인공지능으로 해결하려 했던 효율성이 ‘사람 같은’이란 프레임으로 포장되면서 어찌 보면 인공지능에 대한 연구와 비즈니스가 위축되거나, 인공지능에 대한 다양한 고민의 기준에 혼돈을 줄 수 있는 상황이 만들어진 게 아닌가 싶다. 인공지능에 대한 윤리의 테두리도 같은 맥락이다. 인공지능을 하는 회사란 요즘 인공지능 관련 회사들을 보면 사실상 인공지능을 하지 않는 회사가 없다고 해도 과언이 아닌 것 같다. 전통 사업을 하다가 빠른 시대 변화에 위기의식을 느끼고 DX(디지털 전환)를 시도하는 회사도 인공지능 회사라 칭한다. 다양한 빅테크 기업의 AI 자원을 클라우드 상에서 활용해 비즈니스를 하는 회사도 인공지능 회사다. 즉, 인공지능 엔진을 내재화해 갖고 있지 않더라도, 인공지능에 필요한 데이터 학습이나 정제 활동을 하지 않더라도, 모두 자신들은 인공지능 회사라고 분류한다. 이런 부분에서는 학교도 크게 다르지 않다. 그렇다면 인공지능 엔진을 내재화하고 자체 연구개발을 하는 회사만이 인공지능 회사일까. 과거는 그랬을 수 있지만, 지금은 시대가 달라진 것 같다. 요즘 모든 학교와 기업, 기관들이 다 같이 외치는 구호가 ‘상생’이다. 인공지능 회사냐 아니냐, 엔진을 가지고 있냐 아니냐는 이제는 큰 문제가 아닌 것 같다. 각자의 역할이 있고, 잘할 수 있는 것에 집중하며, 부족한 것은 누군가와 협력하는 것이 요즘 모두의 생각이다. 즉, 예전에 우리가 인터넷과 관련된 기업, 인터넷상에서만 운영하는 기업을 인터넷 기업이라 했지만, 지금은 인터넷 기업이 아닌 회사가 없듯, 인공지능도 이제 조금씩 전기와 같이 잘 사용하는 데 집중하는 방향으로 움직이는 느낌이다. 물론 독보적인 기술을 위해 연구개발하고, 전 세계적으로 인공지능을 선도하기 위해 고군분투하는 회사와 학교들은 여전히 그 역할을 해야 한다. 아무튼,대부분은 인공지능 회사로 변화하려고 애쓰고 또 그렇게 변화하고 있다 보니 요즘 매일 새로 생기는 AI 스타트업이나, 기사로 계속 접하는 인공지능 연관된 기술, 비즈니스 등에 대해서는 특별히 새로울 것이 없이 조금은 건조하고도 담백하게 받아들이게 된다. ‘사람을 위한 인공지능’ 다시 고민할 시점 대중에게 인정받기 위한, 잘 보여줄 수 있는 인공지능, 그리고 기술을 잘 보여줄 수 있는 인공지능을 지금까지 했다면 이제는 정말 사람을 위한 인공지능을 담백하게 고민할 시점이 됐다. 광범위하게 모든 곳에 적용할 수 있는 인공지능이 아니라, 기술 자체, 그리고 기술을 적용한 기능의 크기가 문제가 아니라 이젠 정말 꼭 필요한 곳에 인공지능이 적용될 수 있도록 해야 한다는 얘기다. 기존에 다양한 운영체제의 단말들은 그래픽 위주의 동작을 했기 때문에 GUI/UX에 관한 연구가 많았다. 이에비해 지금은 Voice에 대한 UX, VUX에 관한 연구도 활발하게 이뤄지고 있고, 음성을 기반으로 한 서비스들을 어떻게 사용자가 시행착오 없이 쉽게 활용할 것인지에 관한 연구도 많이 하고 있다.인공지능 서비스를 고도화하기 위해서 인공지능 엔진도 데이터 학습을 하듯, 사람도 인공지능 스피커에 적응하는 모습을 보인다. 질문을 단문으로 짧게 하고, 목소리도 또박또박 명확하게 하는 것이 대표적이다. 어찌 보면 인공지능 서비스를 잘 사용해 보려고 사람이 노력하는 부분도 적지 않은 셈이다. 정말 사람을 위한 인공지능이 되려면 어떤 효율성을 제공해야 하고, 어떻게 사용상 소외되는 사람 없이 잘 사용할 수 있도록 할 것인지 고민이 필요하다. 지금은 서비스가 중단된 ‘이루다’ 역시 특정 전문분야를 잘 아는 제한적인 기능으로 사람을 돕는 챗봇이 아닌 대중에게 ‘사람 같은’ AI 친구를 만들려다 보니 ‘사람 같은’대응 자체에 집중할 수 밖에 없었다. 그러다 보니 학습데이터 관련 기본적인 윤리적 테두리를 고려하지 못한 채 무분별하게 학습하고 편향성을 가지게 된 것이다. 결국은 사회적인 이슈의 중심에 있게 된 이유 중의 하나가 되었다. 물론 이를 통해 신뢰할 수 있는 인공지능 구현 전략이나 인공지능 윤리에 대한 진지한 고민이 다시 시작되기도 했으니 순기능도 없지는 않았다. ‘늦었다고 생각했을 때가 가장 빠르다’는 말을 새삼 되새기게 하는 대목이다. 우리가 인공지능에 기대하는 것은 ‘인공지능’의 정의와 분야와 범위는 상당히 복잡하게 혼재돼 있다. 인공지능 회사들도 분야, 기술, 규모, 특징 등 다양한 카테고리로 분류할 수 있기에 지금 막 언급되고 있는 신뢰할 수 있는 인공지능이나 인공지능 윤리에 대한 부분에 대해서 바로 잣대를 들이대는 것은 섣부르다는 생각이다. 그보다는 먼저 정의하고 정돈할 사항이 많은 것 같다. 우리가 인공지능에 기대하는 것은 무엇일까. 그것이 사람의 형태든, 아니든 분명한 건 기업은 인공지능을 활용하여 이윤 창출이나 비용 절감 등 어떤 효율성을 추구할 것이라는 점이다. 일반 대중들은 각자의 삶에서 불편한 무엇인가를 인공지능이 좀 더 편리하게 해 줄 것을 기대할 것이다. 그것이 꼭 ‘사람 같은’ 인공지능만은 아닐 것이다.그래서 인공지능을 ‘사람 같은’무언가로 정의하고 규칙을 만들기 시작하는 것에 대해 인공지능 관련 학계, 산업계가 일종의 답답함이나 불편함을 갖는 것일지도 모른다. 지금은 인공지능 분야와 연관된 주체들을 일차적으로 분류하고, 각각에 맞는 점검표와 윤리 교육 등 구체적인 실천 방안들을 준비하는 게 좋을 것 같다. 현재 인공지능 비즈니스들은 대부분 비슷한 기술들을 활용하고 있다는 점에도 주목할 필요가 있다. 이 기술을 어떻게 다양하게 적용해 볼 것인지, 그 아이디어를 논의하고 공유하는 게 가장 먼저해야 할 일이다.
-
3
소셜미디어 링크트인이 조사한 바에 따르면 지난해 미국에서 가장 주목받은 직업은 빅데이터 엔지니어와 인공지능(AI) 엔지니어였습니다. 이 두 가지 직업은 겹치는 기술들이 많아 종종 같은 직업으로 분류가 됩니다. 하지만 실제로는 전혀 같지가 않습니다. 미국의 애널리틱스 인사이트가 꼽은 이들의 차이점이 뭔지 찾아봅니다. 데이터 엔지니어링은 데이터 분석과 수집의 실제 응용을 다루는 데이터 과학의 한 분야입니다. 빅데이터 엔지니어는 데이터 생산에서 활용까지 전 과정을 담당하는 기술자입니다. 이들은 비즈니스 의사 결정에 직접 연관되지는 않지만, 정보와 데이터를 누구나 더 쉽게 접근할 수 있도록 하는 시스템 개발에 중점을 둡니다.데이터 엔지니어들은 기본적으로 방대한 데이터 볼륨을 저장하고 구성, 관리해야 하므로 데이터베이스의 설계와 아키텍처에 대한 깊은 이해가 필요합니다. 일반적으로 사용하는 두 가지 유형의 데이터베이스 SQL과 NoSQL을 알아야 하는 건 기본입니다. 원시 형식으로 존재하는 데이터를 가공해 활용할 수 있는 형태로 변환시키는 데이터 변환 작업도 엔지니어들의 중요한 임무입니다. 히보 데이타, 마틸리언, 탈렌드 등 관련한 도구도 숙지해야 합니다. 하나 이상의 소스에서 분석할 수 있는 대상으로 데이터를 이동하는 데이터 수집도 중요한 프로세스입니다. 이밖에 데이터 마이닝 작업과 실시간 프레임 워크 등도 엔지니어들이 해야 하는 작업입니다. 데이터 엔지니어는 본인의 적성이 필요한 분야이기도 합니다. 하지만 데이터를 관리하고 처리하는 경험이 축적돼야 훌륭한 데이터 엔지니어로 거듭날 수 있습니다. 데이터 기반이 든든해야 인공지능이 제대로 발휘할 수 있는 건 당연합니다. AI엔지니어는 알고리즘과 항상 싸워야… 평생 학습 자세 필요 인공지능 엔지니어는 데이터를 추출해 알고리즘을 설계하고 머신러닝 모델을 실제로 구축하는 기술자입니다. 이들은 수학과 알고리즘 등 복잡한 로직에 익숙해야 합니다. 컴퓨터 알고리즘의 설계 및 분석 최적화, 실험 평가를 반복하면서 알고리즘의 이론과 실제 응용 사이의 격차를 해소하는 직업입니다. 기존 비즈니스 애플리케이션 논리체계와 기계학습의 논리 체계를 결합해 문제를 해결하는 역할을 합니다. 물론 이를 위해서 항상 알고리즘과 싸울 준비가 되어 있어야 하는 업종입니다. 마감 시간도 엄수해야 하고 평생 학습해야 하는 괴로움도 있습니다. 하지만 각자 팀을 조정하고 혁신에 대한 성취감을 맛본다면 인공지능 엔지니어가 나을 것입니다. 빅데이터 엔지니어와 인공지능 엔지니어들의 차이는 결국 개인의 관심과 선호도입니다. AI가 발전하면 할수록 이들 두 직종의 역할은 더욱 빛을 발할 것입니다. 오춘호 연구위원
![기업실적 호조에 일제히 상승…테슬라는 최대폭 매출 감소[뉴욕증시 브리핑]](https://timg.hankyung.com/t/560x0/photo/202404/ZA.36457219.1.jpg)
