디지털 전환 자동화에서 자율화로

최근 IT 기술의 발전으로 인공지능(AI), 디지털 트랜스포메이션(DX)과 함께 '자동화'와 '자율화'도 하나의 트렌드가 되어가고 있다.

전 세계 선진 제조기업들은 「자동화」에서 「자율화」를 향해 탈바꿈하고 있다.

자동화와 자율화는 향후 우리의 생활을 풍요롭게 하는데 빼놓을 수 없는 기술로 다양한 분야에서 그 역할을 발휘하고 있다.

아래에 자동화, 자율화의 차이와 이들 각 각의 특징에 대해 알아본다.

자동화와 자율화

'자동화'와 '자율화'는 IT업계 내에서도 비슷한 의미로 사용되고 있지만 명확한 용도나 목적은 서로 다르다.

그러면 실제로 각각 어떤 특징이 있고 어떤 차이가 있는지 알아보자.

자동화와 자율화는 '디지털 트랜스포메이션(DX) 추진 4단계' 중 3~4 단계

디지털 트랜스포메이션(DX)이란 정보기술을 활용하여 우리 생활을 풍요롭게 하고 편리성을 증대한다 라는 가설을 바탕으로

빅데이터 등 데이터와 AI나 IoT를 비롯한 디지털 기술을 활용해 업무 프로세스 개선과 새로운 비즈니스 기회 포착 등 기업의 의사결정 문화를 개혁하고 정착시키는 것을 의미한다.

디지털 트랜스포메이션(DX)은 주로 「가시화」 「최적화」 「자동화」 「자율화」의 4단계로 나누어 단계적으로 추진하고 있는데,

DX 추진으로 도달하려는 제조 운영의 목표가 바로 「자동화」나 「자율화」이다.

수치를 눈에 보이게 하는 '가시화(可視化)'

가시화는 평소 눈으로는 이해하기 어려운 어떤 정보를 수치화함으로써 그 데이터를 참고로 어떤 잠재적 문제를 사전에 방지하는 기능을 한다. 

또한 전문적 지식이 필요했던 관리 항목도 일정한 수준의 지식을 알고 있으면 누구나 관리할 수 있게 된다.

예를 들어 공장의 기계 설비를 관리할 때, 기계의 압력이나 전류값 등 파악할 수 있는 전문적인 지식이 필요하다.

설비 관리 항목의 특성값을 읽을 수 있는 직원과 읽을 수 없는 직원이 있는 경우 업무의 질은 사람의 역량에 따라 쉽게 영향을 받는다.

그러나 이러한 수치를 누구나 한눈에 알 수 있도록 가시화함으로써 인적요인을 낮추거나 비정상적인 수치 발생시 조기에 파악할 수 있어 트러블을 미연에 방지할 수 있다.

업무 효율을 향상시킬 수 있는 '효율화·최적화'

제조업에서 최적화는 업무에 있어서 과제나 문제점을 신속히 찾아내 업무 효율과 생산성 향상으로 연결시키는 것을 의미한다.

일이 반복적이고 동일 패턴의 쉬운 작업일 경우, 작업에 익숙해지면서 작업의 과제나 문제점을 찾기 어려워진다.

DX로 최적화를 하면, 평소 보이지 않던 과제나 문제점에 대한 해결법을 찾아내 효율이나 생산성 향상으로 연결할 수 있다.

정해진 대로 움직이는 자동화

자동화는 주로 「반복화」 「표준화」 「최적화」 3가지 요소로 이루어진다.

반복화는 루틴화하기 쉬운 반복작업이나 업무를 반복화하는 것으로 항상 일정한 결과를 낸다. 

표준화는 특정 조건을 정하여 변화 요인이 어느 정도 증가하여도 표준에 따르면 범위 내의 작업을 자동으로 재현할 수 있다.

최적화는 상황의 변화를 센서나 로그를 통해 정보를 수집하고 부여한 기준 범위 내에서 최적의 조건을 찾아 나타낸다.

상황 변화에 유연하게 대응하는 자율화

자율화는 「판단」 「발견」 「발명」 3가지 요소로 이루어져 있어 모든 상황에 스스로의 판단으로 유연하게 대응할 수 있다.

판단은 기계학습이나 인지기능으로 지금까지 경험한 적이 없는 경우나 정해져 있지 않은 규칙 이외의

상황에도 대응할 수 있어 최적의 조건이 무엇인지 스스로 판단할 수 있게 된다. 

발견은 지금까지의 경험이나 학습을 통해서 새로운 사실을 찾아낼 수 있다.

발명은 발견한 사실과 어떤 기술을 융합함으로써 기존에 없던 새로운 창조물을 스스로 만들어낼 수 있는 완전한 자율 상태가 된다.

자동화와 자율화의 큰 차이점은 '스스로 학습할 수 있는 능력'

앞서 설명했듯이 '자동화'와 '자율화'의 큰 차이는 스스로 학습할 수 있는가에 달려있다. 

자동화는 어디까지나 정해진 규칙이나 티칭한 범위 내에서 업무나 작업을 할 수 있다. 

그러나 자율화는, 지금까지의 경험이나 기계학습을 통해 스스로 생각하고 판단하여

새로운 최적의 방법을 발견하고 이에 대한 대응이 가능해진다.

현대 사회에서 자율화의 필요성

자율화는 사회에도 큰 영향을 미치고 있는 것으로 인식되고 있어 이목을 끌고 있다.

그 주된 이유로 다음과 같은 점을 들 수 있다.

세계화로 24h/365일 대응

상권과 공급망이 세계화되면서 24시간 365일 시시각각 변화하는 다양한 상황에 대응해야 한다.

따라서 당면한 과제로 자율화는 중요한 목표가 되고 있다. 

자기진단, 자기회복, 자기통제가 가능한 자율적인 시스템을 구축함으로써 기업은 변화를 모니터링하는

능력을 높여 보다 신속한 대응으로 즉석에서 의사결정을 내릴 수 있는 역량을 갖추어야 한다.

노동력 부족

직원의 모티베이션 유지, 워라밸을 추구하는 트렌드로 단순히 노동시간을 늘려 생산을 확대하는 것도 현실적으로 어렵다.

따라서 생산성 향상과 납기 준수를 위한 DX화나 자동화로부터 한 걸음 더 나아가 자율화라고 하는 개념을 중요하게 생각하여야 한다.

속인화 문제

특정 개인의 「경험」이나 「감」에 의존하는 의사결정 방식은 현재 많은 기업에서 해결해야 할 과제로 남아 있다.

또한, 직원들의 고령화가 진행되고 정년에 따른 퇴직과 이직률이 높아지고 있는 가운데 젊은 직원에게 지식이나 기술의 전승도 어려워지고 있는 것이 사실이다.

퇴직을 앞둔 베테랑의 기술과 스킬을 전승하기 위한 전략을 새로 세울 필요가 있다. 자동화·자율화는 기업의 지속적인 성장을 위해 필요한 기술이다. 

자율화 실용 예

AI 자율제어 사례 (https://www.yokogawa.co.jp/news/press-releases/2022/2022-03-22-ja/)

일본 요코가와전기와 JSR 회사는 공동으로 실증 실험을 진행하였다. 세계 최초로 AI 제어 화학 플랜트에 강화 학습형 AI를 적용했다.

수동제어 했던 밸브와 공정에 인공지능을 시험적으로 활용한 결과 35일간 자율제어가 가능했다.

AI 수요예측 사례 (https://www.businessinsider.jp/post-253215)

케잌 메이커 후지야는 디지털 기술을 활용한 「상품 수요 예측 시스템」의 개발에 도전하였다.

과거의 판매실적 내용이나 캠페인 정보, 상품 규격 정보, 판매가 등의 상관성을 딥러닝 기술로 분석해 효율화를 도모하고 있다.

기존에는 담당자의 오랜 경험을 바탕으로 원자재 조달과 물류, 출하 계획 등을 분석해 제품의 수요를 예측하였으나 소비자 수요를 정확하게 예측하기 어려웠다.

그래서 기준치는 디지털화하고, 의사결정의 핵심 부분은 사람의 강점을 활용하는 하이브리드 방식으로 새로운 수요예측 구조를 만들었다.

AI 생산 최적화 사례 (https://www.nikkei.com/article/DGXZQOFD259O30V21C22A0000000/)

로토 제약의 신공장(일본 미에현 이가시)은 공장 운영의 최적화를 도모하기 위해, 큐슈 대학과 공동으로,

센서 등을 사용해 인공지능(AI)이 공장의 가동 상황을 감시하는 사이버 피지컬 시스템(CPS)을 도입하였다.

현재 이 공장은 AI가 공장 가동을 최적화하는 모델 공장으로 가동되고 있다.

AI를 활용한 '착설량 예측 모델' 사례 (https://digitalist-web.jp/trends/domestic/Z8J8c)

JR 서일본(주)는 일본 호쿠리쿠 신칸센에 AI를 활용 '착설량 예측 모델'을 본격적으로 운용하고 있다.

이 모델를 토대로 제설 작업을 시작해야 하는 시기를 예측하여 불필요한 제설 작업을 방지할 수 있게 되었다.

결과적으로 인건비 절감과 신칸센 운행을 보다 안정적으로 정시화하는 계기가 되었다.

참조 | https://www.nikkei.com/article/DGXZQOFD259O30V21C22A0000000/