AI숙고는 (주)이프가 제조 현장에서 AI 를 만들고 쓰면서 든 생각을 매번 테마 하나씩 정해 적어 두는 자리입니다. 첫 테마는 요즘 가장 자주 받는 질문에서 골랐습니다. "AI 가 검사 프로그램까지 짜 주면, 비전 엔지니어는 뭘 하나요?"
손이 빨라진 것은 사실입니다
얼마 전까지 비전검사 프로그램 하나를 만들려면 카메라 SDK 를 붙이고, 알고리즘을 코드로 쓰고, PLC 통신을 짜고, 화면을 그리는 데 몇 주가 들었습니다. 지금은 노드를 끌어다 잇고, 라벨을 몇 백 장 달아 학습을 돌리고, AI 에게 "이 조건이면 NG 로 판정하는 규칙을 만들어 줘" 라고 말하면 하루 안에 돌아가는 시나리오가 나옵니다. 저희가 Vision Agent 를 노코드로 만든 이유도 그 속도를 현장에 주고 싶어서였습니다.
그래서 손은 확실히 빨라졌습니다. 문제는 그다음입니다. 빨리 만든 검사 프로그램이 정말 맞는 검사인지 누가 아느냐는 것입니다.
AI 는 기준을 만들지 않습니다
스크래치 길이가 0.3mm 면 불량인지 0.5mm 면 불량인지, AI 는 모릅니다. 그 숫자는 고객 규격서에, 그리고 그 규격을 현장 조명과 카메라 해상도로 번역해 본 사람의 경험에 있습니다. AI 에게 "스크래치를 찾아 줘" 라고 하면 찾아 주지만, 어디까지가 스크래치이고 어디부터가 가공 자국인지 정하는 일은 여전히 사람 몫입니다.
AI 는 답을 빨리 내지만, 무엇이 정답인지 정하는 기준은 만들지 않습니다.
그래서 저희는 검사 시나리오를 만들 때 알고리즘보다 판정 기준을 먼저 씁니다. 측정값이 어떤 범위면 OK 인지, 검출에 실패하면 어떻게 할지, 애매한 경계 샘플은 어느 쪽으로 보낼지. 이 기준이 없는 시나리오는 아무리 정교해도 현장에서 신뢰를 얻지 못합니다.
실패를 숨기지 않는 설계
AI 가 만든 검사 프로그램에서 가장 경계하는 것은 '조용한 실패'입니다. 검출이 안 됐는데 기본값으로 통과시키거나, 정렬에 실패했는데 이전 위치를 그대로 쓰는 식의 처리는 코드로는 깔끔해 보이지만 검사기에서는 불량을 양품으로 흘려보내는 통로가 됩니다.
저희 내부 규칙은 단순합니다. 신뢰할 결과를 못 내면 NG 와 알람으로 드러낸다. 결과가 틀린 것보다 결과를 못 낸 것을 운영자가 아는 편이 안전하기 때문입니다. 이 규칙을 AI 에게도 똑같이 요구합니다. 프롬프트에 "실패 시 폴백하지 말고 알람으로 표면화할 것" 을 넣지 않으면 AI 는 친절하게 기본값을 채워 넣습니다.
데이터를 의심하는 눈
AI 검사의 성능은 학습 데이터의 대표성에 달려 있습니다. 좋은 조명, 깨끗한 샘플로만 학습한 모델은 야간 근무 조명, 오염된 지그, 새 로트의 미묘한 색 차이 앞에서 무너집니다. 데이터가 현장을 대표하는지 의심하고, 부족한 조건을 찾아 채우는 일은 AI 가 스스로 하지 못합니다. 현장을 아는 사람이 해야 합니다.
그래서 엔지니어의 눈은 여기에 남습니다
- 기준을 정하는 눈 : 규격을 픽셀과 mm 로 번역하고, 경계를 결정하는 일
- 실패를 설계하는 눈 : 무엇을 알람으로 드러낼지, 어떤 상태에서 멈출지 정하는 일
- 데이터를 의심하는 눈 : 학습 데이터가 현장을 대표하는지 확인하고 채우는 일
- 결과를 검증하는 눈 : 반복 측정, NG 시뮬레이션으로 재현성을 확인하는 일
AI 가 손을 대신하는 시대에 엔지니어는 손이 아니라 눈으로 일합니다. 저희가 만드는 도구도 그 방향입니다. 시나리오를 빨리 만드는 것만큼, 만든 시나리오가 맞는지 확인하는 기능(측정 그래프, 반복 측정, NG 시뮬레이션, 알람 이력)에 힘을 쓰는 이유입니다.
다음 AI숙고 테마는 "노코드가 정말 개발자를 없애는가" 로 이어가 보겠습니다.
