AI 모델 운영 흐름(MLOps) 기초 이해

  • “왜 AI 프로젝트는 도입 후 6개월만 지나면 아무도 안 쓰는 쓰레기가 되는가?”
  • SW 개발의 DevOps처럼, 제조 현장의 변화에 맞추어 AI 모델을 지속적으로 가꾸고 유지보수하는 MLOps(Machine Learning Operations)의 실체와 운영

  • AI 모델을 개발하여 현장에 배포(Deploy)한 날은 프로젝트의 완성이 아니라 지속적 유지보수의 시작
  • 공장 환경이 변함에 따라 AI 성능이 떨어지는 Model Drift를 막기 위한 MLOps 체계가 필수

1. 왜 제조 현장의 AI 모델은 시간이 지나면 상하는가?

  • 일반적인 IT 서비스와 달리, 제조 현장의 물리적 세계는 매일 조금씩 변함 🡪 Drift(표류/변화)
  • 제조 AI는 ‘물리적 법칙’에 지배받음
  • 공장 환경이 변하면 고정된 AI 모델의 예측 메커니즘이 무너지며 성능이 하락하는 Model Drift 현상이 발생함

[ 현장 물리 환경의 변화 ]  ────►  [ AI 모델 내부의 균열 ]  ───────►  [ 현장 타격 ]
• 계절/습도 변화                  • AI의 학습 범위 이탈 (OOD)        • 과검/미검 폭발
• 원자재/SOP 변경                 • AI의 가중치(Weight) 무력화       • AI 시스템 폐기


  • Data Drift: 입력 데이터의 분포 변화 🡪 AI의 ‘학습 영역 이탈’
    • 개념:
      • AI 알고리즘의 규칙은 그대로지만, 입력되는 데이터의 통계적 분포나 특성이 변하는 현상
      • AI 모델은 학습 데이터 범위 안(In-distribution)에서만 정확한 판단을 내릴 수 있음
      • 입력값의 분포가 변하면 AI는 ‘보지 못한 영역(Out-of-distribution)’으로 밀려나 오작동하게 됨
    • 현장 예시:
      • 계절 및 환경 변화:
        • AI 내부 신경망 노드는 봄철 데이터를 바탕으로 수치적 패턴을 학습
          🡪 여름철 공장 내 습도가 80%로 올라가며 원자재(수지)의 초기 함수율이 변함
        • AI는 봄철(40% 습도) 데이터만 학습했으므로 예측 정확도 급락
          🡪 추론 불확실성(Uncertainty)이 급증하며 엉뚱한 불량 예측값을 출력하게 됨

        • AI 연관성 메커니즘:

          \(\text{학습 범위: } X_{\text{train}} \sim \mathcal{N}(20^\circ\text{C}, 40\% \text{습도}) \quad \xrightarrow{\text{여름철 Data Drift}} \quad \text{추론 입력: } X_{\text{test}} \sim \mathcal{N}(32^\circ\text{C}, 80\% \text{습도})\)

      • 설비 물리적 마모:
        • 사출기 노즐이나 베어링이 6개월간 가동되며 미세하게 마모(Wear & Tear)됨
          🡪 사출기 노즐 마모로 실제 압력 측정치가 점차 스케일링 이탈
        • 동일한 제어값을 입력해도 실제 출력 압력에 유격(Gap) 발생
          🡪 AI는 “입력값이 정상이니 불량이 없다”고 판단하지만, 실제로는 설비 유격 때문에 불량 발생

  • Concept Drift: \(X 🡪 Y\) 관계식 변화 🡪 AI의 ‘수학적 가중치(Weight) 마비’
    • 개념:
      • 입력 데이터(X)와 결과 데이터(Y) 사이의 물리적/비즈니스적 관계식(Y = f(X)) 자체가 바뀌어 버리는 현상
      • AI 모델은 과거 데이터로부터 찾아낸 수학적 함수 \(Y = f(X)\)
      • 공정 메커니즘이 바뀌면 기존 AI가 최적화해 둔 가중치(W) 파라미터 자체가 무용지물이 됨
    • 현장 예시:
      • 원자재 공급사 변경:
        • 단가 절감을 위해 A사 원자재에서 B사 원자재로 교체함
        • 두 자재는 점성 및 융해점 특성이 달라 동일한 온도(X)를 가해도 수축률(Y)이 완전히 다르게 나타남
        • 점성이 다른 B사 수지 투입
          🡪 기존 AI는 “온도 230℃면 양품(Y=0)”이라고 예측
          🡪 B사 수지는 해당 온도에서 성형 불량(Y=1)을 일으킴
        • AI 모델 내부의 계수(Weight)는 고정되어 있는데, 물리적 관계식 자체가 바뀌어 버리므로 AI의 예측 오차가 기하급수적으로 폭증

        • AI 연관성 메커니즘:

          \(\text{기존 AI 함수: } Y = 2.5 \cdot X_1 (\text{온도}) - 1.2 \cdot X_2 (\text{압력}) + W_0\)
          \(\quad \quad \downarrow \quad \text{원자재 변경 / SOP 개정 (Concept Drift)}\)
          \(\text{실제 물리 현상: } Y = 4.8 \cdot X_1 (\text{온도}) + 0.3 \cdot X_2 (\text{압력}) + W_new\)

      • 공정 레시피(SOP) 개정:
        • 생산성 향상을 위해 쿨링 타임을 15초 🡪 12초로 줄임 🡪 기존 AI 모델의 예측 공식이 무용지물이 됨
  • 공장의 원자재나 습도가 바뀌는 것은 일반적인 현상
  • 문제는 AI 모델이란 과거의 특정 조건하에서 학습된 ‘고정된 수학 공식(Static Model)’이라는 점
    • 공장 환경이 조금만 바뀌어도 AI는 자기가 배운 적 없는 수치(Data Drift)를 받아 들고 헤매거나,
    • 자기가 외운 수식(Concept Drift)이 틀려버려서 오판을 내리게 됨
  • 이것이 바로 제조 AI를 주기적으로 재학습(MLOps)시켜줘야 하는 진정한 이유

2. 제조 MLOps의 Lifecycle

  • MLOps는 단발성 개발이 아니라,
  • 데이터 수집 ➔ 재학습 ➔ 무중단 배포 ➔ 모니터링이 톱니바퀴처럼 무한 순환하는 파이프라인 체계
 ┌─────────────────────────────────────────────────────────────┐
 │                     제조 MLOps 순환 체계                      │
 └─────────────────────────────────────────────────────────────┘
    [1. Data Pipeline] ──────► [2. Continuous Training (CT)]
            ▲                                 │
            │                                 ▼
   [4. Monitoring] ◄────────── [3. Deployment (CD)]
  • [1단계] Data Pipeline (지속적 데이터 수집 및 자동 정제)
    • 역할:
      • 현장의 시계열 센서 데이터(TSDB)와 MES/QMS의 품질/Lot 데이터(RDBMS)를
      • 실시간으로 조인(Join)하여 재학습용 데이터셋으로 자동 적재
    • 자동 정제:
      • 센서 오작동으로 인한 이상값(Outlier)이나 설비 비가동(OFF) 구간 데이터를 자동으로 필터링
  • [2단계] Model Continuous Training (CT - 지속적 재학습)
    • 역할:
      • 사람 엔지니어가 파이썬 코드를 다시 돌리지 않아도,
      • MLOps 파이프라인이 최신 데이터를 바탕으로 AI 모델을 주기적으로 자동 재학습
    • 검증:
      • 신규 학습된 모델이 기존 운영 중인 모델보다 성능(정확도)이 높을 때만 다음 단계로 승인
  • [3단계] Model Deployment (CD - 무중단 지속적 배포)
    • 역할:
      • 검증이 끝난 최신 AI 모델을
      • 현장에서 가동 중인 Edge PC, IPC, 또는 클라우드 서버로 가동 중단 없이(Zero-downtime) 무중단 교체 배포
    • 안전 배포 (Canary Deployment):
      • 신규 모델을 전체 라인에 한 번에 적용하지 않고,
      • 1번 라인에 먼저 적용하여 3일간 추이를 본 후 전사 확대
  • [4단계] Performance Monitoring (실시간 성능 모니터링)
    • 역할:
      • AI 모델의 예측치와 실제 현장 측정치(품질 검사 결과)를 비교하여
      • 성능 지표(MAE, RMSE, F1-Score)를 실시간 대시보드로 관제
    • 알람 발송:
      • 모델 오차율이 임계치(예: 5% 이상)를 초과하면
      • 담당 엔지니어에게 즉시 알람 발송 및 자동 재학습 트리거(Trigger) 동작

3. 현장 엔지니어가 알아야 할 MLOps 재학습 전략

  • 그럼 대체 AI 모델을 언제 다시 공부(재학습)시켜야 하는가?

  • 시간 기준 트리거 (Time-based Trigger):
    • 방식:
      • 계절 변동성이나 설비 마모를 반영하기 위해
      • ‘매월 1일’ 또는 ‘매 분기’마다 정기적으로 자동 재학습
    • 적용 현장:
      • 환경 변동이 완만하고 안정적인 연속 공정
  • 이벤트 기준 트리거 (Event-based Trigger):
    • 방식:
      • 정해진 주기가 아니라, 현장에 특이 이벤트가 발생한 직후 즉시 재학습
    • 트리거 조건:
      • 원자재 공급사/배치 변경 시
      • 금형 교체 또는 설비 오버홀(정기 대수리) 직후
      • 공정 표준 레시피(SOP) 변경 시
  • 성능 하락 기준 트리거 (Performance-based Trigger):
    • 방식:
      • 실시간 모니터링 중
      • AI의 예측 오차(F1-Score 하락, MAE 증가)가 설정한 마지노선을 넘어서는 순간 자동으로 재학습 파이프라인 가동


  • AI 모델을 공장에 배포했다는 것은 ‘생후 6개월 된 아이를 현장에 데려다 놓은 것’과 같음
    • 아이가 자라면서 옷이 작아지듯, 공장이 변하면 기존 AI 모델도 옷이 맞지 않아 오류를 냄
    • AI 프로젝트를 기획할 때 모델 개발 예산만 잡지 말고,
    • 변화하는 현장에서 AI가 지속적으로 학습하고 배포될 수 있는 MLOps 자동 순환 체계를 함께 구축할 것
    • 그것이 AI 프로젝트를 일회성 이벤트가 아닌 10년 가는 지속 가능한 시스템으로 만드는 유일한 길

© 2020. AiDALab Co. All rights reserved.

Powered by Hydejack v9.2.1