AI를 통한 제조인력 강화

오늘날 제조기업들은 생산성 향상, 최적화 및 탈탄소화에 대해 점점 야심찬 목표를 설정하고 시간과 비용을 투자하고 있다.

실제로 Accenture에 따르면 조사 대상의 거의 모든 기업(93%)이 2030년까지 배출량 감소 속도를 두 배 이상 늘리지 않으면 Net Zero 목표를 달성하지 못할 것이라고 한다.

https://newsroom.accenture.com/news/2022/nearly-all-companies-will-miss-net-zero-goals-without-at-least-doubling-rate-of-carbon-emissions-reductions-by-2030-accenture-report-finds#:~:text=NEW%20YORK%3B%20Nov.,Accenture%20(NYSE%3A%20ACN).

이러한 데이터는 기업이 목표를 향해 나아가는 핵심 동인이 된다. 

그러나, 디지털 혁신 전략에 대한 상당한 투자에도 불구하고 아직 원시 데이터를 의미 있고 실행가능한 통찰력으로 변환할 수 있는 역량이 부족하다.

혁신적인 분석 기술이 데이터를 통찰력으로 변환하는 메커니즘을 제공해 주지만, 데이터 입력을 이해하고 통찰력을 해석할 수 있는 인력이 필요하다. 

그러나, 제조기업에서 직원의 평균 재직 기간과 근무 시간 또한 계속 감소함에 따라 숙련자들의 지식과 스킬이 빠르게 손실되고 있다.

고급 분석, AI 및 머신 러닝 등 새로운 기술은 세대 간 스킬 및 지식 격차를 해소하는 데 도움이 된다. 

이러한 기술에 대한 젊은 직원들의 숙련도를 유지하거나 향상하려면 인력 교육 및 기술 향상에 대한 투자가 필요하지만 시간 및 기타 자원의 제약으로 어려운 것도 사실이다. 

아래에 제조업 전반에 걸쳐 직원의 업스킬링 필요성과 과제를 살펴보고, 도구 활용으로 효율을 극대화할 수 있도록 직원에게 권한 부여와 가속화 방법을 설명한다.

인력 문제에 직면

제조업 숙련 노동력의 부족 문제는 이미 예상해 왔으며 여러 기업에서 나타나고 있다. 

경험과 기능과 지식이 풍부한 다수의 베테랑 직원들은 은퇴를 앞두고 있는데 설상가상으로 재생 에너지나 탈탄소화 등 새로 관심이 집중되고 있는 분야의 업무는 계속 증가하고 있다. 

세계경제포럼(WEF)의 '2023년 일자리 미래 보고서(Future of Jobs Report)'에 따르면 근로자 10명 중 6명은 2027년 이전에 새로운 교육이 필요할 것으로 보고되고 있다. 

https://www.weforum.org/publications/the-future-of-jobs-report-2023/

그러나 현재 절반만이 교육 기회가 주어질 것이며 다양한 산업 분야에서 AI 및 빅데이터 분야의 교육이 향후 5년 동안 업스킬링의 최우선 과제라고 강조한다.

또한 최근 연구에 따르면 직원들은 점점 더 높은 급여를 원하고 있으며 새로운 기술 습득이 장기적으로 필수적인 것으로 나타났다. 

예를 들어, GETI 보고서에 따르면 석유 및 가스 부문 근로자의 87%가 이직을 고려하고 있으며, 이들 중 다수는 직업적 성장과 학습에의 접근 기회를 이직 결정의 중요한 요소로 생각하고 있다.

https://www.getireport.com/oil-and-gas/ 

새로운 기술에 투자하지 않거나 직원들에게 이러한 도구를 효과적으로 사용할 수 있도록 지원하지 못하면 기존의 기술 부족 문제를 더 악화시킬 위험이 있음을 암시하고 있다.

최신 기술을 활용한 기술 향상

다행히도 혁신적인 기술과 업스킬링에 적극적으로 투자하는 기업은 측정가능한 생산성과 효율 향상을 경험하는 동시에 활기찬 인력을 유치 및 유지하고 있다.

최신 고급 분석 플랫폼을 사용하면 직원들이 여러 데이터 소스에 액세스하여 소스에 관계없이 데이터를 원활하게 결합하고 분석할 수 있다.

이 기능을 셀프 서비스 도구와 결합하면 원시 데이터를 의미 있는 통찰력으로 변환할 수 있다.

이러한 기술을 활용하여 쉽고 효율적으로 생산성을 향상하고, 근본적인 문제의 원인을 분석하거나, 온실 가스 배출을 실시간으로 모니터링할 수 있다. 

그러나 기술의 기능과 특징 및 활용을 비롯하여 데이터 분석의 원리에 대한 교육과 지식이 필요하다. 

역사적으로 기술 교육에서 가장 만연된 문제는 시간 부족이었다. 특히 직원들이 현장에서 며칠을 머물러야 하는 환경적인 문제도 있다. 

지금은 인력개발을 향상하기 위해 이러한 제약을 극복하고 새로운 접근 방식을 주도하고 있는 기업들도 많이 있다.

GenAI를 통한 워크플로우 개선

최근 몇 년간 생성형 인공 지능(GenAI)의 등장으로 더 빠른 결과를 얻을 수 있는 새롭고 흥미로운 교육 기회가 제공되고 있어 공식 교육 및 훈련을 대체하고 있다.

미래 지향적인 기업들은 사용자 프롬프트에 따라 텍스트 또는 코드를 생성하는 방법을 직원들에게 제공하고 임베디드 및 독립형 솔루션에 투자하여 운영의 효율을 쉽게 높이고 있다. 자연어로 요약과 자세한 설명이 제공되므로 전체 프로세스 상황을 더 잘 이해하여 유익한 결과를 낼 수 있는 데이터 기반 의사 결정을 하고 있다. 

대규모 데이터 세트를 효율적으로 분석하여 패턴과 이상 징후를 식별하는 정보에 입각한 사전 예방적 의사 결정을 내릴 수 있어, 제조 운영 전반에 걸쳐 생산, 품질 및 수율을 개선할 수 있다.

또한 Python이나 R 같은 프로그래밍 언어를 공부할 시간이 없는 엔지니어들에게 이러한 솔루션은 정교한 알고리즘으로 고급 분석 활용 허들을 크게 낮추어 주어 프로젝트를 더 잘 이해할 수 있고 데이터 사이언티스트, 동료 또는 관계사와의 협업을 용이하게 해준다.

기술 및 데이터 이해

GenAI는 제조업에서 해결하기 어려운 개선 사항을 지원하지만, 운영 문제를 모두 해결할 수 있는 기술로 생각하는 것은 바람직하지 않다. 

데이터에 노이즈가 많이 포함되어 있어 데이터 정리 및 컨텍스트화가 필요한 프로세스 산업에서 특히 유념해야 한다. 

따라서, 데이터의 품질이 이러한 솔루션의 성공에 매우 중요하다. 이 기술의 출력은 데이터의 품질에 비례하므로, 쓰레기 같은 데이터 입력은 쓰레기를 배출할 뿐이다.

솔루션 도입 전에 사용자가 데이터를 효과적으로 준비할 수 있는 지식과 GenAI 솔루션 개발 및 유지 관리할 수 있는 기술을 갖추고 있는지 평가하는 일도 중요하다.

기술 향상에 대한 투자

고급 분석 플랫폼 및 GenAI 툴 등 새로운 기술은 생산성 향상을 약속하지만, 기업 전반에 걸쳐 의미 있는 영향을 미치기 위해서는 결과를 이해하고 조치를 취할 수 있는 숙련된 인력이 필요하다. 인력의 역량 강화와 최신 도구 활용에 중점을 두고 투자 수익을 극대화할 수 있는 방법을 적극적으로 생각해 보자.

참고 | https://www.clouddatainsights.com/empowering-the-manufacturing-workforce-with-ai/​