[실습] 공정 개선 시나리오 설계

• 1. 실습 목표
• 2. 템플릿
• 3. 단계별 작성 가이드 및 예시(사출 공정)

• 현장의 페인포인트를 발견하고, 데이터와 AI 기법을 연결하여,
• 현장 제어 가이드와 재무적 성과(ROI)까지 일목요연하게 기획서로 뽑아내는 종합 역량 키우기

1. 실습 목표

• 자사 공장 또는 가상의 공정 문제를 대상으로,
• 문제 정의부터 데이터 요구사항, AI 알고리즘 선정, 현장 제어 연결, ROI 추정까지 담은
• 「AI 기반 공정 최적화 기획서」 완성

2. 템플릿

• 「공정 AI 적용 시나리오 캔버스(Scenario Canvas)」 양식

┌────────────────────────────────────────────────────────────────────────────────────────┐
│                        [실습] AI 기반 공정 최적화 기획 캔버스                            │
├────────────────────────────────────────────────────────────────────────────────────────┤
│ 팀명:                    / 대상 공정:                                                 │
├────────────────────────────────────────────────────────────────────────────────────────┤
│ [1단계] 현장 문제 정의 (Pain Point & Goal)                                              │
│  • 현장 문제:                                                                           │
│  • 정량적 목표:                                                                         │
├────────────────────────────────────────────────────────────────────────────────────────┤
│ [2단계] 데이터 맵핑 (Data Requirement)                                                  │
│  • Target (Y):                                                                         │
│  • Features (X):                                                                       │
├────────────────────────────────────────────────────────────────────────────────────────┤
│ [3단계] AI 모델 및 접근법 (Model Selection)                                            │
│  • 문제 유형 및 알고리즘:                                                                │
│  • XAI / 원인 분석 기법:                                                               │
├────────────────────────────────────────────────────────────────────────────────────────┤
│ [4단계] 현장 피드백 및 제어 연동 (Action & Control)                                     │
│  • 제어 연동 방식 (Open / Semi-Closed / Closed):                                        │
│  • 현장 가이드 / 액션 메시지:                                                          │
├────────────────────────────────────────────────────────────────────────────────────────┤
│ [5단계] 정량적 ROI 및 기출 효과 (Business Impact)                                      │
│  • 예상 재무적 효과 (연간 절감액):                                                      │
│  • 정성적 효과:                                                                         │
└────────────────────────────────────────────────────────────────────────────────────────┘

3. 단계별 작성 가이드 및 예시(사출 공정)

• [1단계] 현장 페인포인트 및 목적 정의 (Pain Point & Goal)
  • 작성 가이드:
    • 막연히 “AI 도입”이라 적지 말고,
    • “어느 공정에서, 무슨 이유로, 얼마의 손실이 발생하는가?”를 명확히 정량화
  • 완성 예시:
    • 현장 문제:
      • 자동차 커넥터 사출 공정에서 계절/야간 온도 변화로 인한 ‘수축 변형(Sink Mark) 불량’ 지속 발생
        • 불량률 3.2%, 폐기 및 재작업 손실 연간 1.5억 원
    • 정량적 목표:
      • 불량률 3.2% 🡪 0.5% 이하 단축 (연간 1.2억 원 비용 절감)
• [2단계] 데이터 맵핑 (Input & Output 정의)
  • 작성 가이드:
    • 우리가 구하고자 하는 결과(Y)와,
    • 이를 예측하기 위해 필요한 현장 원인 데이터(X)를
    • 4M + 시계열 센서 관점에서 누락 없이 도출
  • 완성 예시:
    • Target (Y):
      • 사출품 수축 변형 오차량 (mm, 연속형 수치)
    • Features (X):
      • 설비/센서 (\(X_1 \sim X_4\)):
        • 노즐 2번 온도, 사출 압력, 보압 시간, 금형 냉각수 유량
      • 4M (\(X_5 \sim X_7\)):
        • 원자재 Batch 번호(Material), 작업자 조(Man), 수지 예열 시간(Method)
• [3단계] AI 모델 및 분석 접근법 선정 (Model Selection)
  • 작성 가이드:
    • 앞서 배운 알고리즘 선택 트리를 적용하여
    • 회귀/분류/이상탐지 중 적절한 모델과 원인 분석(XAI) 기법을 선정
  • 완성 예시:
    • 알고리즘:
      • XGBoost Regressor (회귀 모델) 🡪 엑셀/표 형태의 공정 데이터에 가장 빠르고 높은 정확도를 보임
    • 원인 규명 기법:
      • SHAP Value 분석 🡪 예측된 수축 오차에 결정적 영향을 미친 상위 3개 센서 파라미터를 실시간으로 시각화
• [4단계] 현장 연동 및 피드백 설계 (Action & Control)
  • 작성 가이드:
    • AI 예측 수치가 나왔을 때 “현장 모니터(HMI)나 PLC 제어기에 어떤 액션 명령을 내릴 것인가?”를 설계
  • 완성 예시:
    • 연동 방식:
      • Semi-Closed Loop (작업자 승인 후 제어)
    • 액션 시나리오:
      1. AI가 수축 오차 0.1mm 초과를 예측 시, POP 터치스크린에 황색 경보 팝업
      2. SHAP 분석 기반 처방 메시지 출력:
         • 현재 노즐 온도가 낮음
         • [승인] 클릭 시 노즐 온도 +2℃ 및 보압 시간 +1.5초 자동 조정
      3. 작업자가 승인 버튼 누르면 PLC 메모리로 제어 변수 즉시 전송
• [5단계] 정량적 ROI 및 정성적 효과 분석 (Business Impact)
  • 작성 가이드:
    • AI 도입 비용 대비 재무적 이익(Return on Investment)을 논리적으로 추정
  • 완성 예시:
    • 정량적 ROI 추정:
      • 수축 불량률 3.2% 🡪 0.5% 감축 ($2.7%$p 개선)
      • 연간 원자재 폐기 비용 1.2억 원 절감 + 불량 재검사 인력 공수 30% 절감 (3,000만 원)
    • 총 재무 효과:
      • 연간 약 1.5억 원 비용 절감 (AI 시스템 구축비 8,000만 원 대비 7개월 내 ROI 회수)
    • 정성적 효과:
      • 작업자 숙련도에 의존하던 공정 세팅을 표준 데이터 기반 레시피로 체계화
• 체크포인트:
  1. Y(Target)를 너무 막연하게 잡는 경우(“품질 향상” 등) 🡪 정확히 측정 가능한 수치(수축률, 두께, 불량 유무)로 다시 작성
  2. X(Feature)에 결과 데이터가 들어간 경우 🡪 그 데이터는 결과가 나온 뒤에 알 수 있는지, 미리 알 수 있는지를 확인하여 선후 관계 정리

• ‘AI 프로젝트 기획서’의 핵심 뼈대
  • AI 기술 자체보다 ‘어떤 문제(Pain Point)를 풀고, 얼마의 ROI를 남길 것인가’가 명확할 때 그 AI 프로젝트는 성공할 것