파운데이션 모델이 철강 및 시멘트 생산을 더 지속 가능하게 만드는 방법

시멘트, 철강, 화학 등 중공업 분야는 온실가스를 가장 많이 배출하는 산업으로, 전 세계 CO2 배출량의 25%를 차지합니다. 이들은 주로 화석 연료에 의해 구동되는 많은 공정에서 고온 열을 사용합니다. 기후 변화와 싸우려면 중공업 배출량을 줄여야 합니다. 그러나 이들 산업은 온실가스 배출을 줄이기 위해 엄청난 과제에 직면해 있습니다. 이러한 산업은 자본 집약적이며 자산 수명이 40년 이상이기 때문에 장비를 교체하는 것은 배출량을 줄이기 위한 실행 가능한 방법이 아닙니다. 이들 산업은 대체 연료 사용도 시도하고 있지만, 대체 연료의 공급 안정성 문제나 혼합 연료를 사용하는 공정을 효과적으로 관리하는 문제 등 고유한 도전 과제도 함께 안고 있습니다. 기후 변화에 관한 파리 협정은 또한 이러한 산업이 2030년까지 연간 배출량을 12-16% 줄여야 한다고 규정하고 있습니다. 생성형 AI를 산업 공정에 적용하면 생산 수율을 높이고, 품질 변동성을 줄이며, 특정 에너지 소비를 낮출 수 있습니다(따라서 운영 비용과 배출량이 감소합니다).

프로세스 및 운영의 변동성이 높을수록 특정 에너지 소비(SEC)가 높아지고 배출량이 증가합니다. 이런 변동성은 원자재가 자연에서 채취되어 일관성이 떨어지는 특성, 변화하는 기상 조건, 설비 상태, 그리고 사람이 하루 24시간, 주 7일 내내 공정을 최상의 효율로 운영할 수 없다는 한계에서 비롯됩니다. 인공 지능 기술은 공정의 미래 변동성과 그에 따른 수율, 품질 및 에너지 소비에 미치는 영향을 예측할 수 있습니다. 예를 들어, 클링커의 품질을 사전에 예측할 수 있다고 가정해 보겠습니다. 그러면 시멘트 가마에서 필요한 열에너지와 연소 조건을 최적화해, 최소한의 에너지로도 고품질의 클링커를 생산할 수 있게 됩니다. 이러한 공정 최적화는 에너지 소비를 줄이고 결과적으로 에너지 배출과 공정 배출을 모두 줄입니다.

파운데이션 모델은 모델 학습에 드는 비용과 노력을 최대 70%까지 줄여, AI를 훨씬 더 확장 가능하게 만들어줍니다. 파운데이션 모델의 가장 일반적인 용도는 자연어 처리(NLP) 애플리케이션입니다. 그러나 파운데이션 모델을 적절하게 조정하면 조직은 복잡한 산업 프로세스를 정확하게 모델링하여 프로세스의 디지털 트윈을 생성할 수 있습니다. 이러한 디지털 트윈은 공정 변수, 재료 특성, 에너지 요구 사항, 기상 조건, 작업자 행동 및 제품 품질 간의 다변량 관계를 포착합니다. 이러한 디지털 트윈을 활용하면 복잡한 운영 조건을 시뮬레이션하여, 공정의 ‘스위트 스팟(최적 지점)’에 해당하는 정확한 운영 기준값을 도출할 수 있습니다. 예를 들어, 시멘트 가마 디지털 트윈은 열 에너지 소비를 최소화하고 적절한 품질의 클링커를 생산하는 최적의 연료, 공기, 가마 속도 및 공급을 권장합니다. 이러한 최적화된 설정값이 공정에 적용되면 이전에는 볼 수 없었거나 실현되지 않았던 효율성 향상과 에너지 절감을 볼 수 있습니다. 향상된 효율성과 SEC는 EBITDA 가치로 해석될 뿐만 아니라 에너지 배출 및 공정 배출도 감소시킵니다.

중공업은 지난 몇 년 동안 AI 모델을 사용하여 프로세스를 최적화해 왔습니다. 일반적으로 회귀 모델은 프로세스 동작을 캡처하는 데 사용됩니다. 각 회귀 모델은 프로세스 일부의 동작을 캡처합니다. 옵티마이저와 함께 연결될 때 이 모델 그룹은 프로세스의 전반적인 동작을 나타냅니다. 이렇게 10~20개의 모델로 구성된 그룹은, 마치 오케스트라를 지휘하듯 최적화 엔진이 전체를 조율하여 공장에 적용할 최적의 운영 지점을 추천해 줍니다. 그러나 이러한 방식은 공정이 상승하거나 하강하는 구간 같은 동적인 변화, 특히 장애나 교란 상황에서 발생하는 공정의 동적 특성을 충분히 반영하지 못했습니다. 또한 수십 개에 달하는 회귀 모델을 학습하고 지속적으로 관리하는 일은 결코 쉽지 않아, 빠르게 확장하는 데에 병목 요소가 됩니다.

오늘날 파운데이션 모델은 주로 자연어 처리에 사용됩니다. 트랜스포머 아키텍처를 사용하여 텍스트 본문에서 단어(생성형 AI 용어로는 토큰) 간의 장기적인 관계를 캡처합니다. 이러한 관계는 벡터로 인코딩됩니다. 그런 다음 이러한 관계 벡터는 특정 컨텍스트(예: 임대 계약)에 대한 콘텐츠를 생성하는 데 사용됩니다. ChatGPT에서 알 수 있듯이 이러한 매핑된 벡터에서 생성된 결과 콘텐츠의 정확성은 인상적입니다. 시계열 데이터를 토큰 시퀀스로 표현할 수 있다면 어떨까요? 트랜스포머 아키텍처를 사용하여 다변량 시계열 데이터를 인코딩하여 변수 간의 장기 및 단기 관계를 캡처할 수 있다면 어떨까요?

IBM Research는 IBM Consulting과 협력해 시계열 데이터를 위해 트랜스포머 아키텍처를 적용했고, 매우 유망한 결과를 얻었습니다. 이 기술을 사용하면 단 하나의 파운데이션 모델만으로도 시멘트 킬른 같은 전체 산업 공정을 모델링할 수 있습니다. 파운데이션 모델은 특정 공정 도메인에 맞춰 학습되며, 그 공정과 설비 전체의 동작 패턴을 포괄적으로 반영할 수 있습니다. 예를 들어, 시멘트 분쇄기 파운데이션 모델은 서로 다른 용량의 여러 시멘트 분쇄기 동작을 모두 학습해 반영할 수 있습니다. 따라서 이후 다른 분쇄기에 적용할 때는 처음부터 다시 학습할 필요 없이, “시멘트 밀 파운데이션 모델”을 소량의 미세 조정만 하면 됩니다. 이 방식은 모델 학습과 배포에 걸리는 시간을 절반으로 줄여주어, 대규모 확산에도 충분히 실용적인 기술이 됩니다. 우리는 이러한 파운데이션 모델이 회귀 모델보다 정확도가 7배 높다는 것을 확인했습니다. 게다가 이 모델들은 다변량 예측을 높은 정확도로 수행하기 때문에, 공정의 동적 변화까지 효과적으로 포착할 수 있습니다.

생성형 AI 기술은 산업 생산 방식을 지금까지 상상하지 못한 수준으로 변화시킬 것입니다. 이는 산업 배출을 줄이고 생산성을 높이면서도 CAPEX 부담을 최소화하고 EBITDA에는 긍정적인 영향을 주는 해법이 될 것입니다. IBM은 여러 고객사와 함께 이 기술을 실제 생산 현장에 적용하고 있으며, 생산성 최대 5% 향상, 특정 에너지 소비 및 배출량 최대 4% 감소라는 성과를 확인하고 있습니다. IBM은 고객사 팀과 공동 혁신팀을 구성해 공급망 최적화, 생산 최적화, 자산 최적화, 품질 최적화, 계획 최적화 등 다양한 활용 사례를 위해 모델을 함께 학습하고 배포합니다. 현재 인도의 대형 제철소, 라틴 아메리카의 시멘트 공장, 북미의 CPG 제조 시설 등 여러 생산 현장에서 이 기술을 적용하기 시작했습니다.

결국 핵심은 ‘사람’입니다. 현장의 운영자들이 이를 받아들이고, 공정 엔지니어들은 이 기술을 좋아해야 하며, 공장 경영진은 그 가치를 인식해야 합니다. 이를 위해서는 효과적인 협업과 변화 관리가 필수이며, IBM은 프로젝트 전 과정에서 이 부분에 집중하고 있습니다. 지속가능성 목표를 훼손하지 않으면서도 생산 능력을 확장할 수 있는 새로운 시대를 함께 만들어가고, 미래 세대를 위한 더 나은, 건강한 세상을 함께 구축하면 좋겠습니다.