예측 결과를 공정 개선에 연결하는 방법

• 1. 분석 발전의 2단계: 예측 🡪 처방/최적화
• 2. XAI를 통한 원인 인자 규명
• 3. Closed-loop Control 3단계 아키텍처

• 우리가 알고 싶은 것
  • AI가 예측한 숫자가 어떻게 현장의 실제 동작(Action)과 제어(Control)로 이어져 돈을 벌어다 주는가?
    
    
• “불량이 납니다”라고 알람만 울리는 1세대 예측 AI에서, “원인이 무엇이고 어떻게 바꿔야 하는가”를 제시하는 2세대 처방(Prescriptive) AI로의 진화
  • ‘10분 뒤에 불량이 날 것 같다’고 예측(Predictive)하는 것에서 끝나면 안됨
  • ‘불량을 막기 위해 지금 사출 압력을 5 bar 줄여라’라고 현장에 피드백(Prescriptive)을 줄 수 있어야 진짜 공정 최적화

1. 분석 발전의 2단계: 예측 🡪 처방/최적화

• 현장의 작업자나 엔지니어들이 AI 도입 시 가장 자주 하는 불만 중 하나
  • “불량이 날 거라는 건 알겠는데, 그래서 나보고 어쩌라는 거냐?”
• Predictive Analytics (예측 분석) - 1세대
  • 기능:
    • 미래의 결과($Y$) 상태를 단순히 미리 알려주는 단계
  • 현장 메시지:
    • 경고! 현재 조건으로 가동 시 10분 뒤 생산될 Lot의 불량률이 15%로 예상됩니다.
  • 한계:
    • 현장 작업자는 불량이 난다는 사실만 알 뿐,
    • 어떤 파라미터를 얼마나 조절해야 불량을 막을 수 있는지 알 수 없어
    • 결국 작업을 정지하거나 감에 의존해 조절하게 됨
• Prescriptive Analytics (처방/최적화 분석) - 2세대
  • 기능:
    • 예측을 넘어, 불량을 방지하거나 품질을 극대화할 수 있는
    • 최적의 공정 조건 레시피(Recipe)를 계산하여 역으로 제시하는 단계
  • 현장 메시지:
    • 불량률을 0%로 유지하기 위해, 사출기 2번 노즐 온도를 +2℃ 올리고, 보압 압력을 3 bar 내리십시오.
  • 구현 메커니즘 (Virtual Metrology & Optimization):
    • AI 예측 모델 \(Y = f(X)\)를 만든 뒤,
    • 최적화 알고리즘(Genetic Algorithm, Bayesian Optimization 등)을 결합하여
    • \(Y\)(불량률)를 최소화하는 최적의 \(X\)(센서 파라미터 조합)를 역산해 내는 방식

2. XAI를 통한 원인 인자 규명

• 현장 작업자가 AI의 처방을 믿고 따르려면

• “AI가 왜 그런 제안을 내렸는가?”에 대한 블랙박스(Black-box) 해소가 필수

• SHAP (SHapley Additive exPlanations) 기법
  • 개념:
    • 노벨 경제학상을 받은 ‘샤플리 값(Shapley Value)’ 이론을 AI 모델 분석에 적용한 기술
    • 최종 예측 결과(Y)를 만드는데 각 센서(X)가 기여한 지분(기여도)을 정확히 계산해 줌

  • 현장 예시:

      [ AI 불량 위험도 예측 결과: 85% (위험) ]
    
      - 노즐 온도 (#2):    ████████████████████ (+45% 기여 - 너무 낮음)
      - 보압 시간:         ████████ (+20% 기여 - 짧음)
      - 원자재 Batch_Y:    ████ (+10% 기여 - 점성 차이)
      - 사출 속도:         ██ (-5% 기여 - 정상)
    

  • 해설:
    • “작업자님, AI가 불량 위험도를 85%로 높게 본 결정적 이유는 노즐 2번 온도가 정상보다 낮기 때문(45% 기여)입니다.”
    • 라는 그래픽 리포트를 HMI 모니터에 즉시 띄워줌

---

3. Closed-loop Control 3단계 아키텍처

• AI의 처방 결과를 현장 장비(PLC, Controller)에 전달하는 자동화 수준에 따른 3단계 발전 아키텍처

• [1단계] Open-loop Control (작업자 수동 제어)
  • 구조:
    • AI 처방 엔진 🡪 POP / HMI 모니터 가이드 표시 🡪 작업자가 보고 직접 수동 조절
  • 특징:
    • 가장 안전하고 초기 도입 시 현장 거부감이 적음
    • 단, 작업자의 조치 지연이나 숙련도에 따라 결과가 달라짐
• [2단계] Semi-Closed loop Control (작업자 승인 후 자동 반영)
  • 구조:
    • AI 처방 엔진 🡪 HMI 화면에 최적 레시피 팝업 (승인 요청) 🡪 작업자가 '승인(Confirm)' 버튼 클릭 🡪 PLC 제어 파라미터 자동 변경
  • 특징:
    • 안전장치(Human-in-the-loop)를 유지하면서도 작업자의 파라미터 오입력 실수를 완벽히 차단함
• [3단계] Closed-loop Control (실시간 자율 제어)
  • 구조:
    • AI 처방 엔진 🡪 산업용 통신 (OPC UA, Modbus, Ethernet/IP) 🡪 PLC 메모리 direct 쓰기
  • 특징:
    • 사람의 개입 없이 AI가 센서 수치를 실시간 모니터링하면서
    • 밀리초(ms) 또는 초 단위로 공정 조건 레시피를 자율적으로 미세 조정(Closed-loop)하여 최적 품질 유지

• 공정 AI의 최종 지향점은 모니터에 예쁜 그래프를 그려 보여주는 대시보드가 아님
• ‘불량이 날 것 같다’는 예측(Predictive)에서 한 걸음 더 나아가,
• ‘SHAP으로 원인을 밝히고, 어떻게 제어해야 하는지 처방(Prescriptive)하여 PLC 제어 루프(Closed-loop)에 이식하는 것’이
• 진정한 공정 최적화의 완결