생성형 AI가 제조 분야의 과제를 해결하는 4가지 방법

제조업은 부러울 것이 없는 입장에 처해 있습니다. 비용 압박, 공급망 변동성, 3D 프린팅 및 IoT와 같은 파괴적 기술 등의 끊임없는 공격에 직면해 있습니다. 업계에서는 지속적으로 프로세스를 최적화하고, 효율성을 개선하고, 전반적인 장비 효율성을 개선해야 합니다.

동시에 지속가능성과 에너지 전환의 거대한 물결이 일고 있습니다. 제조업체들은 탄소 발자국을 줄이고 순환 경제 관행을 채택하고 전반적으로 더 친환경적으로 변하라는 요구를 받고 있습니다.

제조업체는 안정성과 안전성을 보장하면서 끊임없이 혁신해야 한다는 압박에 직면합니다. 마케팅 캠페인에서 AI 예측이 부정확하면 사소한 문제일 뿐이지만, 제조 현장에서 AI 예측이 부정확하면 치명적일 수 있습니다.

기술과 혁신은 제조업체에게 새로운 것이 아니지만, 가장 큰 문제는 이론상으로는 잘 통하는 것이 실제로는 종종 실패한다는 것입니다. 예를 들어, 제조업체로서 우리는 지식 기반을 만들지만, 콘텐츠를 검색하고 탐색하는 데 많은 시간을 들이지 않고서는 아무도 아무것도 찾을 수 없습니다. 아니면 데이터 레이크를 만들어내는데, 이는 금세 데이터 늪으로 전락합니다. 아니면 애플리케이션을 계속 추가하기 때문에 기술 부채가 계속 늘어나는 경우도 있습니다. 하지만 수년에 걸쳐 개발된 로직이 숨겨져 있기 때문에 애플리케이션을 현대화할 수 없습니다.

가장 큰 관심을 받고 있는 몇 가지 기능이나 사용 사례를 살펴보겠습니다.

1. 요약

요약은 생성형 AI 기술의 가장 주요한 사용 사례로 남아 있습니다. 검색과 다양한 모드의 상호작용을 결합하면 생성형 AI는 훌륭한 어시스턴트가 될 수 있습니다. 제조업체는 다양한 방식으로 요약을 사용합니다.

이를 통해 운영자가 운영 매뉴얼, SOP, 항해일지, 과거 사고 기록 등 방대한 저장소에서 올바른 정보를 빠르고 효과적으로 검색할 수 있는 더 나은 방법을 설계할 수 있습니다. 이를 통해 직원들은 업무에 더 집중하고 불필요한 지연 없이 업무를 진행할 수 있습니다.

IBM은 이를 위해 제조업에 초점을 맞춘 생성형 AI 액셀러레이터를 운영하고 있습니다. 또한 이러한 액셀러레이터는 다양한 클라우드 AI 서비스와 사전 통합되어 해당 도메인에 가장 적합한 LLM(대규모 언어 모델)을 추천합니다.

요약은 열악한 운영 환경에서도 도움이 됩니다. 기계나 장비에 고장이 발생하면 유지 보수 엔지니어는 생성형 AI를 사용하여 유지 보수 매뉴얼과 프로세스 매개변수 분석을 기반으로 문제를 신속하게 진단할 수 있습니다.

2. 컨텍스트 데이터 이해

데이터 시스템은 제조업체에서 종종 심각한 문제를 일으킵니다. 이러한 활동은 종종 분리되어 있고, 고립되어 있으며, 다중 모드를 따릅니다. 이러한 시스템에 대한 지식 그래프를 만들기 위한 다양한 이니셔티브는 수십 년 동안 쌓인 레거시 지식, 불완전한 문서, 기술 부채로 인해 부분적으로만 성공했습니다.

IBM은 생성형 AI를 사용하여 새로운 인사이트를 확보하고 맥락화된 산업 데이터로 데이터 기반 의사 결정을 가속화하는 AI 기반 지식 검색 시스템을 개발했습니다. IBM은 산업 분야에서 상황 인식 기능 엔지니어링을 위한 가속기를 개발했습니다. 이를 통해 프로세스 상태(정상/비정상)에 대한 실시간 가시성이 확보되고, 빈번한 프로세스 장애가 완화되며, 골든 배치를 감지하고 예측할 수 있습니다.

IBM은 의도 감지 및 다중 모드 상호 작용을 통해 요약 및 상황적 데이터 이해를 활용하는 인력 자문 프로그램을 구축했습니다. 작업자와 설비 엔지니어는 이를 이용해 문제 영역을 빠르게 파악할 수 있습니다. 사용자는 음성, 텍스트, 손가락으로 질문을 할 수 있으며, 생성형 AI 어드바이저가 문맥을 인식하면서 이를 처리하고 답변을 제공합니다. 이를 통해 사용자는 근본 원인 분석을 더 빨리 수행할 수 있어 인지적 부담이 줄어들고, 결과적으로 시간과 노력이 절감됩니다.

3. 코딩 지원

생성형 AI는 문서화, 코드 현대화, 코드 개발 등 코딩에도 도움을 줍니다. 생성형 AI가 IT 현대화에 어떻게 도움이 되는지에 대한 예로 Water Corporation의 사용 사례를 살펴보겠습니다. Water Corporation은 클라우드 기반 SAP 인프라로의 전환을 지원하기 위해 IBM의 생성형 AI 기능으로 구동되는 Watson Code Assistant를 도입했습니다.

이 툴은 자연어 입력을 기반으로 AI가 생성한 추천을 사용하여 코드 개발을 가속화하고, 배포 시간과 수동 작업을 크게 줄였습니다. Water Corporation은 Watson Code Assistant를 통해 코드 품질과 투명성을 유지하면서 개발 노력과 관련 비용을 30% 줄이는 성과를 달성했습니다.

4. 자산 관리

생성형 AI는 자산 관리를 혁신할 수 있는 힘을 가지고 있습니다.

생성형 AI는 자산의 기초 모델을 만들 수 있습니다. 동일한 프로세스에 대해 여러 KPI를 예측해야 하거나 유사한 자산의 집합이 있는 경우. 자산의 파운데이션 모델을 하나 개발하고 여러 번 미세 조정하는 것이 좋습니다.

생성형 AI는 예측 유지보수를 위한 학습도 가능합니다. 실패 데이터가 부족한 경우 파운데이션 모델이 매우 유용합니다. 기존 AI 모델은 합리적인 정확도를 제공하기 위해 많은 레이블이 필요합니다. 그러나 파운데이션 모델에서는 레이블 없이 모델을 사전 학습하고 제한된 레이블로 미세 조정할 수 있습니다.

또한, 생성형 AI는 기술자 지원과 교육을 제공할 수 있습니다. 제조업체는 생성형 AI 기술을 사용하여 작업자와 기술자를 위한 교육 시뮬레이터를 만들 수 있습니다. 또한, 수리 과정에서 생성형 AI 기술은 지침을 제공하고 가장 적합한 수리 절차를 생성할 수 있습니다.

IBM은 생성형 AI 기술이 제공하는 민첩성, 유연성, 확장성이 제조업계의 디지털화 이니셔티브를 크게 가속화할 것이라고 믿습니다.

생성형 AI는 기업의 사업 전략적 핵심에 힘을 실어줍니다. 향후 2년 내에, 파운데이션 모델은 엔터프라이즈 환경 내 AI의 약 3분의 1을 구동하게 될 것입니다.

IBM의 초기 연구에서 파운데이션 모델을 적용한 결과, 가치 실현 시간은 기존 AI 접근 방식보다 최대 70% 더 빨랐습니다. 생성형 AI는 다른 AI 및 분석 기술의 활용도를 높여 제조 기업이 투자 가치를 실현하는 데 도움이 됩니다.