공정 개선 시나리오 설계

데이터와 AI 기법을 이용한 공정 개선을 위한 시나리오의 설계과정을 학습합니다.

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

    (Source: Sky Lectures / AiDALab)


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

💬 Q&A 및 의견 나누기