잡다한 정보 모음...

신대륙을 찾던 콜럼버스처럼 혹은 금을 찾아 달리던 카우보이들처럼 많은 DX(Digital Transformation) 기술 기업들이 제조현장으로 뛰어들고 있습니다.

제조현장에서는 항상 많은 투자가 일어나고 있고 데이터 역시 여느 분야보다 많이 발생하고 있기 때문에 DX 전문가들의 눈에는 기회의 땅으로 보일 수도 있을 것 같습니다.

하지만 제조 현장의 실무인력들과 DX 관계자들 사이에 일어나는 사례들을 보고 있자면 제조현장에 DX를 접목하는 것이 과연 쉽기만 한 것인가 하는 의문이 들기도 합니다.

현재 제조현장 인력들에게 DX기술이란 귀찮은 것을 넘어서 제조업무를 방해하는 수준으로 느껴질 정도로 DX기술에 대해 피로감이 누적되고 있습니다.

의아함이 들 수도 있겠지만 실제로 제조현장에 DX기술이 도입되는 과정을 살펴본다면 왜 그런 현상이 일어나는지 쉽게 이해할 수 있을 것입니다.

대개의 경우 DX기술 도입은 현장의 필요에서 출발하는 방식이 아니라 의사결정권자(C레벨 등)에서부터 탑다운 방식으로 내려오게 됩니다.

현장의 필요에 의해 시작된 것이 아니기 때문에 "문제를 해결하기 위해 어떤 기술을 써야 하지?"가 아니라 "이 기술을 어디에 써먹지?"라는 방식으로 업무가 전개됩니다.

조금 더 구체적으로 예를 들어보자면, 현장 조직이 위로부터 DX기술 도입 실적 목표를 할당받는 경우를 생각해 볼 수 있습니다.

현장에서는 목표를 할당받고 급하게 몇 가지 DX기술을 도입 검토한 후, 그 중에서 최근 가장 Hot하다고 하는 AI를 도입하려고 하지만 자체적으로 AI를 도입할 역량이 없기 때문에 외부의 DX 전문가들과 협업을 하게 되는데 시작부터 삐그덕거림이 시작됩니다.

DX 전문가는 우리는 AI에 대해 능숙하고 어떤 Needs(예측, 제안, 최적화 등)에 대해서도 대응할 수 있다고 말하지만, 현장 실무자는 AI로 무엇을 할 수 있는지 모르기 때문에 일단 현장의 고질적인 문제점이나 Worst 5 정도의 이슈를 뽑아 가지고 옵니다.

그러나 실무자가 뽑아온 문제점 리스트의 대부분은 AI로 접근할 성질의 이슈가 아니거나 사용할 수 있는 데이터가 거의 없는 상태이고, 운 좋게 조건이 맞아 솔루션을 개발하게 되더라도 이 솔루션의 완료보고 이후 현장에서 자체 유지보수를 할 수 있는 역량이 없어 아무도 사용하지 않는 솔루션이 됩니다.

슬프게도 위와 같은 사례는 여느 제조업체에서 흔히 일어나는 사례이고 의사결정권자와 실무자의 DX기술에 대한 인식 부족과 목표(실 수요)없는 DX기술 도입으로 인해 벌어지는 촌극이라고 할 수 있을 겁니다.

이런 낭비를 없애기 위해서는 의사결정권자뿐만 아니라 현장 실무자도 DX기술에 대해 잘 이해하고 있어야 합니다. 그렇다고 현장/실무 인력이 DX기술의 모든 것을 알아야 한다고 주장하는 것은 아닌데 데이터를 실제로 어떻게 분석하는지 모르더라도 최소한 DX기술에 어떤 것들이 있고 그런 기술을 통해 무슨 효과를 얻을 수 있는지만 이해하는 수준이면 됩니다.

그런 실무 인력들이 현장에서 일을 할 때 발생하는 고질적이고 중대한 문제점을 맞이할 때,

"예전에 A라는 DX기술로 어떤 효과를 얻을 수 있다고 한 것 같은데 이 문제에도 적용할 수 있지 않을까?"

정도의 생각만 가질 수 있게 된다면 DX기술이 성공적으로 접목될 수 있는 큰 조건을 충족했다고 생각합니다.

이야기가 두서없이 전개되었는데 요점은 매우 간단합니다. 현장에 DX기술을 접목하고 싶다면 무엇보다도 현장 실무 인력에 먼저 투자를 해야 한다는 것입니다.

현장에 대해 누구보다 잘 아는 사람들에게 어떤 DX기술이 있는지, 이런 기술들이 어떤 효과를 낼 수 있을지 Know-How 수준이 아니라 Know-Where 수준이 될 수 있도록 넓게 보고 학습시켜야 합니다.

물론 실무를 처리하느라 시간적으로, 정신적으로도 여력이 없는 실무인력들에게 잔인한 요구일 수도 있겠지만 제조 현장에 제대로 된 DX기술이 접목되기 위해서는 실무인력들이 DX기술을 어떻게 써먹을 것인지에 대해 잘 알고 있어야 하며, 이를 위해 의사결정권자들도 투자를 아끼지 말아야 합니다.

제조현장에서 DX 업무를 추진하다 보면, 자주 데이터 사이언티스트들과의 협업이 이루어집니다. 보통 OT(Operational Technology) 영역 담당자가 데이터 수집을 담당하고, 탐색적 데이터 분석(EDA)과 데이터 전처리는 데이터 사이언티스트와 같이 협업하며, 데이터 분석은 데이터 사이언티스트들이 수행하곤 합니다.

최근에는 데이터가 기업의 핵심 자산으로 인식되며 그 중요성이 높아지고 있어 외부 데이터 사이언티스트들에게 데이터를 공개하는 것을 꺼려하는 곳도 많아지고 있고, 데이터 사이언티스트들의 OT현장에 대한 지식과 이해도 부족도 자주 언급되면서 많은 업체들이 데이터 사이언스 역량을 내재화하고자 합니다.
그러나 제조현장의 복잡한 특성을 이해하고 적용하는 데에는 많은 시간과 노력이 필요하여 제조업체들이 데이터 사이언스 역량을 내재화하기 쉽지 않은 것이 현실입니다.

그런데, 제조업체가 이러한 역량을 내재화하려 할 때, 또 다른 큰 문제가 발생합니다. 흔히 네카라쿠배로 대표되는 IT 기업이나 금융권에서는 높은 연봉과 훌륭한 근무 조건, 그리고 재택 근무의 가능성을 제공하며 데이터 사이언티스트들을 쓸어담다시피 영입하고 있습니다. 이로 인해 제조현장이 위치한 지방이 아닌 본사(주로 서울)에서 근무할 수 있는 환경이나 재택근무를 제공하고 높은 연봉을 제안하지 않는다면, 데이터 사이언티스트를 영입하는 것은 거의 불가능에 가깝습니다.

이와 같은 현실적인 제한으로 인해 제조업체들은 본사에 DX 조직을 두어 데이터 사이언티스트들을 별도로 관리하는 추세입니다. 마찬가지로, 최근 핫 이슈인 Digital Twin 분야의 시뮬레이션 전문가들도 비슷한 상황에 직면하고 있다고 볼 수 있습니다.

이런 상황에서 제조 현장의 데이터 분석이나 시뮬레이션 등의 DX 업무는 어떻게 추진해야 할까요? 결론적으로, 목마른 사람이 우물을 판다는 말처럼 OT 영역의 실무자들이 자체적으로 데이터 사이언스 역량을 키워나가야 한다고 생각합니다. 물론, 머신러닝이나 AI에서 사용되는 각종 알고리즘의 수학적인 이론을 완벽하게 이해하고 활용하는 것은 쉽지 않습니다. 하지만 최소한 파이썬 같은 언어를 통해 간단한 Proof of Concept(PoC) 수준의 작업을 할 수 있는 역량은 필수적이라고 생각합니다.

현장에서 바쁜 업무를 진행하는 실무자에게는 데이터 사이언스 역량을 키우는 것이 어려울 수 있지만, 최소한 DX 기술들이 어떤 것이며 어떻게 동작하는지 이해하는 것은 외부 전문가들과 협업을 위해 필수적입니다. 예를 들어, 예지보전(Predictive Maintenance, PdM)을 추진할 때, 설비에서 발생한 고장 데이터가 없으면 고장 예지가 왜 어려운지 그 이유를 이해하는 수준은 되어야 이를 바탕으로 DX 기술을 제조 현장에 접목시킬 수 있을 것입니다.

결국 제조현장에서의 DX 추진은 외부의 전문가들만 의존하는 것이 아닌, 현장의 실무자들이 기초적인 데이터 사이언스 역량을 함양하면서 변화에 적응하는 것이 중요합니다. 이렇게 함으로써 제조 현장에서의 DX는 보다 효율적이고 지속 가능한 방향으로 전개될 것이라 봅니다.

공장은 대부분의 일반인에게는 낯선 공간입니다. 그러나 공장의 내부를 자세히 관찰해 보면 모든 공장이 동일한 목표를 가지고 있다는 사실을 알게 됩니다. 그 목표는 제한된 4M(Man, Machine, Method, Material)을 효율적으로 활용하여 제품의 QCD(Quality, Cost, Delivery)를 극대화시키는 것입니다. 최근에는 4M에 2E(Energy, Environment)가 추가되기도 했지만, 전통적인 시각에서 볼 때 4M은 공장에서 가장 핵심적인 요소입니다.

다시 말해, 공장에서는 정해진 자재 또는 부품을 지정된 방법으로 기계나 공구를 이용하여 사람이나 로봇이 제품을 생산하는 활동이 주로 이루어집니다. 이는 제품의 품질을 향상하고 비용을 줄이며, 제때 시장에 제품을 납품하기 위해 이루어지는 활동이라고 보시면 됩니다.

이와 마찬가지로 공장에서 DX(Digital Transformation)를 적용하는 것도 큰 맥락에서 벗어나지 않습니다. 다양한 DX 기술인 Digital Twin, 5G, 로봇 등을 공장에 적용하지만 그 목적은 결국 QCD를 개선하기 위한 것입니다. 공장은 변화하는 환경에 적응하기 위해 최신 기술을 활용하여 생산 프로세스를 혁신하고 효율성을 극대화하기 위해 노력합니다.

Digital Twin은 공장에서의 DX에 큰 영향을 미치는 기술 중 하나입니다. 가상의 모델을 통해 실제 생산 라인을 모방하고 시뮬레이션함으로써 생산 과정을 최적화하고 문제를 사전에 파악할 수 있습니다. 이는 제품의 품질을 향상하고 비용을 절감하는 데 도움을 줄 수 있습니다. 또한, Digital Twin은 실시간 데이터 수집과 분석을 통해 라인의 상태를 모니터링하고 예측 분석을 통해 잠재적인 이슈를 해결할 수 있는 장점을 가지고 있습니다.

또한 5G와 같은 고속 통신 기술은 실시간 데이터 전송과 원격 모니터링을 가능하게 하여 생산 라인의 효율성을 향상할 수 있습니다. 고속의 안정적인 통신 환경은 생산 과정에서 발생하는 데이터의 실시간 분석과 응답에 중요한 역할을 합니다. 이를 통해 생산 성능을 모니터링하고 문제를 조기에 감지하여 생산 효율성을 극대화할 수 있습니다.

로봇 기술의 발전도 공장에서의 DX에 큰 기여를 합니다. 로봇은 반복적이고 위험한 작업을 수행하거나 정확한 조립을 위해 인간의 역량을 보완하는 역할을 합니다. 로봇의 도입은 작업의 자동화와 생산성 향상을 이루는 데 중요한 역할을 합니다.

이러한 다양한 DX 기술의 도입은 공장의 QCD 개선에 기여합니다. 공장은 기술의 발전에 따라 변화해 가며 경쟁력을 유지하고 성장할 수 있습니다. 따라서 공장은 DX를 단순히 기술의 도입에 그치는 것이 아니라, QCD 향상을 위한 핵심 도구로서 인식하고 전략적으로 활용해야 합니다.

공장의 DX는 단순히 기술의 적용에 그치지 않습니다. 그것은 공장의 전략과 경영 철학에 깊게 뿌리를 두고 있으며, 혁신과 효율성을 추구하는 데 중요한 역할을 합니다. 따라서 공장은 변화하는 환경에 능동적으로 대응하고 DX를 통해 경쟁력을 확보하는 데 주력해야 합니다.

Digital Twin이 한동안 뜨거운 이슈였고 아직도 종종 언급되곤 합니다.

현장에서 DX업무를 추진하다보면 가장 난감한 경우가 필요에 의해 DX기술을 도입하는 것이 아니라 DX기술을 도입하기로 결정하고 어떻게 활용할지 고민하는 경우인데, Digital Twin이 그렇게 난감한 상황을 만들고 있습니다.

자동화 라인 한개의 Digital Twin을 구축하려면 작게는 수천에서 많게는 수억원이 필요합니다. 그런데 이 것을 구축하고나서 ROI가 나오냐고 하면 매우 난감해집니다.

외부에 자랑하기 참 좋은 아이템이긴 한데 실제 활용하는 것을 보면 실시간 3D모델링 대시보드가 아닌가 하는 의아함도 듭니다.

Digital Twin을 구축하기 위해서 여러 업체와 만나고 공부하다 보니 Digital Twin을 구축하기 위해서는 크게 3가지에 대해 고민해봐야 하는 것 같습니다.

제가 고명한 전문가는 아니지만 Digital Twin의 핵심 3가지를 정의해본다면 3D모델링(가상모델), 가상과 실물의 연결, 시뮬레이션을 꼽아볼 수 있을 것 같습니다.

처음에 Digital Twin 업체를 만나 회의했을 때 엔지니어분이 말했던 내용이 아직도 기억납니다. "솔직히 3D모델링은 중요한 것이 아니잖아요?". 지금에야 그 말이 무슨 의미인지 이해가 되지만 그때 당시에는 Digital Twin = 3D모델링(가상모델) 이라고 생각했기 때문에 그 엔지니어 분에게 실망을 크게 했었습니다.

사실 실무자 입장으로 3D모델링의 중요성은 높지 않다고 생각합니다. 보기에는 참 좋고 시뮬레이션 결과를 직관적으로 이해하는데 도움이 되긴 하지만 3D모델링이 이쁘게 잘 되어 있다고 현장이 개선되는 데 도움이 되는 것은 아니기 때문입니다. 그래서 저는 Digital Twin의 구성요소 중에서 3D모델링 구축은 가장 낮은 순위로 보고 있습니다.

그 다음 가상모델과 실물의 연결은 나름 중요한 부분이라고 생각합니다. 데이터 지연과 손실 없는 양방향 데이터 통신은 매우 중요하고 대용량 데이터를 효율적으로 처리하기 위한 Edge Computing도 Digital Twin을 잘 운용하기 위해서는 필수적이기 때문입니다. 그러나 이 기술은 이미 많이 상향 평준화 되어있어 Digital Twin을 구축하는데 매우 critical한 부분은 아니라고 생각합니다. 즉, 중요하긴 하는데 Digital Twin을 구축하는 많은 업체들이 대부분 기본은 한다고 봅니다.

마지막으로 시뮬레이션은 개인적으로 실시간 양방향 공정제어와 함께 Digital Twin을 통해 얻을 수 있는 큰 benefit이라고 생각합니다. 로봇의 동작을 테스트하고 개선할 수 있는 OLP(OffLine Programming)도 일종의 시뮬레이션이라고 볼 수 있을 것 같은데 Digital Twin의 시뮬레이션 기능을 이용하면 Digital Twin이 구축된 자동화 라인의 생산성을 향상시키는데 큰 효과를 얻을 수 있습니다.

물론 각 업체, 라인에 따라 사정이 다를 것이고 제가 꼽은 세가지 측면 외에 다양한 고려사항이 있겠지만 Digital Twin을 구축한다고 하면 시뮬레이션 역량과 실적을 충분히 갖춘 솔루션/업체를 통해 Digital Twin을 구축하는 것이 좋을 것 같습니다.