AI숙고는 (주)이프가 제조 현장에서 AI 비전검사와 머신비전 시스템을 만들고 쓰면서 든 생각을 매번 테마 하나씩 정해 적는 자리입니다. 이번 테마는 "AI 비전의 성능은 API 가 아니라 워크플로가 정한다" 입니다.
AI 검사 이야기를 꺼내면 생각보다 반응이 미지근한 곳이 많습니다. 기술을 몰라서가 아닙니다. 오히려 한 번 겪어 본 곳일수록 조심스럽습니다. "발표에서 본 성능이 우리 라인에서는 안 나오더라" 는 말을 여러 번 들었습니다. 오늘은 그 회의감이 어디에서 생기는지, 저희가 보기에 구조적인 모순 네 가지를 정리합니다.
먼저 업계 구조를 그대로 말씀드리면
AI 비전을 공급하는 회사들은 대개 학습과 추론이 가능한 엔진을 API 형태로 파는 사업을 합니다. 이 자체는 합리적인 모델입니다. 엔진은 계속 좋아지고, 여러 산업에 같은 엔진을 공급할 수 있으니 규모가 나옵니다.
문제는 그 엔진이 실제 검사기가 되는 경로입니다. API 를 만드는 회사는 원청사를 찾아가 기술을 설명하고 마케팅합니다. 그런데 정작 그 API 를 받아 검사 프로그램으로 만드는 쪽은 별도의 SI 업체입니다. 즉 설명하는 쪽과 만드는 쪽이 다릅니다.
고객은 A 회사의 성능 설명을 듣고 결정하지만, 그 성능을 실제로 구현하는 것은 B 회사입니다.
여기서부터 모순이 시작됩니다.
모순 1. 데모의 주체와 양산의 주체가 다릅니다
데모는 API 회사가 준비합니다. 자신들이 가장 잘 아는 엔진으로, 잘 고른 샘플에, 충분한 시간을 들여 만듭니다. 당연히 잘 나옵니다.
양산은 SI 업체가 만듭니다. 촉박한 납기에, 현장에서 받은 샘플로, 기구와 조명과 통신까지 같이 챙기면서 붙입니다. 결과가 데모와 같을 수 없습니다.
그런데 고객이 기억하는 숫자는 데모에서 본 숫자입니다. 그래서 양산에서 나온 결과는 "AI 가 별로였다" 로 정리됩니다. 실제로는 AI 엔진이 아니라 그 엔진을 어떻게 붙였느냐의 문제인 경우가 훨씬 많습니다.
모순 2. 성능이 안 나오면 책임이 두 곳으로 나뉩니다
미검이나 과검이 발생했을 때 나오는 대화가 대체로 비슷합니다. API 회사는 "적용 방식이 맞지 않았다" 고 하고, SI 업체는 "엔진의 한계" 라고 합니다. 두 쪽 다 틀린 말이 아닐 수 있습니다. 문제는 고객 입장에서 고쳐 줄 사람이 특정되지 않는다는 점입니다.
검사 장비는 품질 책임과 직결됩니다. 불량이 유출되면 원인을 대야 하고 재발 방지를 약속해야 합니다. 그 자리에서 "두 회사가 협의 중입니다" 는 답이 되지 않습니다. 이 경험이 한 번이라도 있으면 다음 AI 검토는 훨씬 신중해집니다.
모순 3. 학습 데이터는 고객사 자산인데 다루는 사람은 제3자입니다
AI 검사는 그 공장의 제품 이미지로 배웁니다. 이 데이터는 고객사의 자산이고, 어떤 경우에는 대외비입니다. 그런데 실제로 이미지를 모으고 라벨을 붙이고 학습을 돌리는 일은 외부 업체가 맡는 구성이 많습니다.
여기서 두 가지가 동시에 불편해집니다. 보안이 걸리고, 노하우가 남지 않습니다. 어떤 결함을 어디까지 불량으로 봤는지는 그 회사 품질 기준 자체인데, 그 판단 과정이 외부에 있고 사내에는 결과만 남습니다.
모순 4. 로트가 바뀌면 누가 다시 학습합니까
가장 자주 부딪히는 지점입니다. AI 검사는 한 번 만들면 끝나지 않습니다. 소재 로트가 바뀌고, 금형이 바뀌고, 조명이 노후하면 판정 경향이 달라집니다. 그때 데이터를 보강해 다시 학습해야 합니다.
그런데 API 회사는 그 라인에 상주하지 않습니다. SI 업체도 프로젝트가 끝나면 다음 현장으로 갑니다. 재학습 한 번에 다시 견적과 일정이 붙고, 그동안 라인은 과검을 안고 돌거나 AI 노드를 꺼 버립니다. 기능이 있는 것과 그 기능이 계속 쓰이는 것은 다른 이야기입니다.
정리하면, 성능은 엔진이 아니라 워크플로가 정합니다
오해를 피하기 위해 분명히 하겠습니다. AI 엔진의 수준은 중요합니다. 다만 현장에서 최종 성능을 가르는 변수는 엔진 단독이 아니라 아래 전부입니다.
- 제품이 잘 보이게 찍혔는가 (광학 · 조명 · 이미징)
- 어떤 결함을 어디까지 불량으로 볼 것인가 (데이터와 라벨 기준)
- AI 가 낸 점수를 어떤 규칙과 결합해 판정할 것인가
- 결과를 설비와 상위 시스템에 어떻게 전달할 것인가
- 바뀌었을 때 누가 얼마나 빨리 되돌릴 수 있는가
이 다섯 가지가 서로 다른 회사에 흩어져 있으면, 각자는 자기 몫을 잘해도 합쳐진 결과는 평범해집니다. 검사기 성능은 가장 약한 연결 고리를 따라갑니다.
그래서 저희는 한 흐름으로 만들었습니다
(주)이프의 Vision Agent 는 이 다섯 가지를 한 프로그램 안에서 잇는 구성을 목표로 합니다. F-AGENT(페이전트) 플랫폼의 검사 담당 에이전트이고, 지향점은 단순합니다. ALL IN ONE WORKFLOW 입니다.
| 단계 | 분리형 구성에서 | Vision Agent 에서 |
|---|---|---|
| 이미징 | 카메라 SDK 연동을 SI 가 개발 | 장치 등록으로 카메라 · 조명 · 3D 센서 연결 |
| 데이터 · 라벨링 | 외부 도구로 별도 작업, 사내에 과정이 남지 않음 | 프로그램 안에서 데이터셋 구성과 라벨링 |
| 학습 · 검증 | API 회사 또는 외부 환경에서 수행 | 사내망 오프라인에서 학습하고 지표로 검증 |
| 추론 · 판정 | API 결과를 SI 가 받아 판정 로직을 코딩 | AI 노드 출력을 판정 노드에서 규칙과 결합 |
| 통신 | PLC · MES · 제어 PC 연동을 별도 개발 | 통신 노드 설정으로 결과 전송 |
| 운영 화면 | HMI 를 별도 제작 | 위젯을 배치해 직접 구성 |
| 재학습 | 업체 호출 · 견적 · 일정 | 현장 담당자가 데이터를 보강해 다시 학습 |
효과성 : 결과가 데모와 같은 조건에서 나옵니다
학습에 쓴 이미지와 양산에서 들어오는 이미지가 같은 프로그램, 같은 광학 설정에서 나옵니다. 데모 조건과 양산 조건이 갈라지는 지점이 줄어듭니다. 그리고 치수 · 위치 · 유무처럼 규칙이 명확한 항목은 룰베이스로, 텍스처와 형상이 비정형인 외관 결함은 AI 로 나눠 맡긴 뒤 판정 노드에서 결합합니다. 모든 것을 AI 로 풀지 않는 편이 과검이 적습니다.
효율성 : 바꾸는 사람이 현장에 있습니다
로트가 바뀌어 판정 경향이 달라졌을 때, 이미지를 모으고 라벨을 보강하고 다시 학습해 노드에 연결하는 일이 한 화면 안에서 끝납니다. 업체 방문 일정을 기다리지 않아도 됩니다. 이것이 AI 검사를 계속 켜 두게 만드는 조건이라고 저희는 봅니다.
검토하실 때 물어보시면 좋은 것
| 질문 | 이 질문이 확인하는 것 |
|---|---|
| AI 엔진은 어디 것이고, 검사 프로그램은 누가 만듭니까 | 설명하는 쪽과 만드는 쪽이 같은지 |
| 미검이 났을 때 누가 조치합니까 | 책임이 한 곳으로 모이는지 |
| 학습 이미지는 어디에 저장되고 누가 다룹니까 | 보안과 사내 노하우 축적 |
| 로트가 바뀌어 재학습이 필요하면 절차가 어떻게 됩니까 | 도입 후 실제 운영 가능성 |
| AI 판정과 룰베이스 판정을 어떻게 결합합니까 | 과검 관리 방식이 있는지 |
정리
AI 비전에 대한 회의감은 대개 기술 불신이 아니라 구조 경험입니다. 좋은 엔진을 골랐는데 결과가 기대와 달랐고, 고칠 사람이 특정되지 않았고, 바뀌었을 때 다시 손보기 어려웠던 경험입니다.
그래서 저희는 엔진 자랑보다 흐름을 먼저 말씀드립니다. 이미징부터 라벨링 · 학습 · 추론 · 판정 · 통신 · 운영 화면까지 한 프로그램 안에서, 한 팀이 책임지는 구성입니다. 2020년부터 9개국 137개 이상의 양산 라인에서 다듬어 온 방식이기도 합니다.
검토 중이신 AI 검사 항목이 있으시면 샘플 이미지와 판정 기준을 알려 주십시오. 룰베이스로 풀 부분과 AI 로 풀 부분을 나눈 구성안과 함께, 재학습까지 포함한 운영 시나리오를 같이 정리해 드리겠습니다.
다음 AI숙고에서는 계속 미뤄 둔 주제를 꺼내겠습니다. "노코드가 정말 개발자를 없애는가" 입니다.
