(워크숍) 사업재편 AI 과제발굴

1. 과제 스크리닝 및 평가 매트릭스
2. Quick-Win 1-Page 과제 정의서
3. 참고자료

실습 진행

[0~10분] 개별 문제 도출 및 Part 1 스크리닝 작성

[10~20분] 조별 상호 리뷰(동료 평가)를 거쳐 Quick-Win 1개 확정

[20~30분] Part 2 과제 정의서 1-Pager 집중 작성

[30~50분] 2~3개 조 대표 과제 발표 및 피드백

주의사항

다음과 같은 실수를 하지 않도록 주의할 것

어떤 데이터를 모을지 안 정하고 AI부터 찾기

기대효과를 ‘품질 향상’ 같은 추상적 문구로 적기

1. 과제 스크리닝 및 평가 매트릭스

막연한 아이디어를 나열하지 않도록, 비즈니스 효과(Impact)와 실행 가능성(Feasibility)을 각각 3가지 하위 지표(각 5점 만점, 총 15점)로 객관화하여 채점

1.1 평가 기준 가이드 (채점표)

구분	평가 항목	1점 (낮음/어려움)	3점 (보통)	5점 (높음/수월)
비즈니스 효과 (Impact)	① 재무적 가치 (ROI)	단순 편의성 개선, 비용 절감 미미	연간 수천만 원 단위 원가 절감/생산성 향상	억 단위 원가 절감, 신규 매출 창출 직결
	② 사업재편 정합성	기존 단순 반복 업무 유지	기존 공정/라인 일부 개선	신규 사업 라인 가동, 친환경/고부가 전환 핵심
	③ 확산/파급력	특정 설비 1대에만 국한	자사 전 공정 또는 유사 라인 수평전개 가능	협력사/고객사 밸류체인 전반으로 확장 가능
실행 가능성 (Feasibility)	① 데이터 가용성	데이터 미수집, 수기 관리 (수집 체계 필요)	센서/DB는 있으나 라벨링·정제 부족	정형 센서/이미지 DB 축적 완료, 라벨링 용이
	② 기술/도입 난이도	세계 최초 시도 수준, R&D 필수	상용 솔루션/오픈소스 모델 커스텀 필요	검증된 상용 AI 솔루션 즉시 도입 가능
	③ 현장 수용성/규제	작업자 거부감 극심, 안전/인증 규제 복잡	현장 협조 필요, 표준 운영 절차(SOP) 수정	현장 작업자 니즈 큼, 규제 리스크 없음

1.2 과제 후보군 스크리닝 시트 (A4 앞면)

팀/작성자:                                대상 라인/제품군:

No	후보 과제명	해결하려는 문제 (Pain Point)	적용 AI 유형 (Vision/ML/LLM/Agent)	비즈니스 효과 (합계 15점)	실행 가능성 (합계 15점)	최종 분류 (아래 2x2 참조)
(예시)	신규 배터리팩 케이스 용접 비전 검사	미세 기공 불량 수작업 전수 검사 한계	Vision DL	13점	12점	Quick-Win
1				점	점
2				점	점
2				점	점

1.3 과제 포지셔닝 2×2 매트릭스

(Source: Sky Lectures / AiDALab)

2. Quick-Win 1-Page 과제 정의서

위 매트릭스에서 [Quick-Win] 사분면에 선정된 최우선 과제 1개를 구체화하는 템플릿

[사업재편 AX 과제 정의서]

과제 기본 정보
과제명	(예: 친환경 모터 코어 가공 라인 설비 이상 감지 및 예지보전 AI)
추진 부서	생산기술팀 / DX추진TF	사업재편 목표	[ ] 신사업 라인 구축 [v] 기존 라인 고도화 [ ] 규제/인증 대응
예상 추진기간	PoC (3개월) → 현장 양산 적용 (3개월)	적용 AI 기술	[ ] Vision [v] Tabular/시계열 ML [ ] LLM/RAG [ ] Agent

배경 및 문제 정의 (Why)
- 현장의 고질적 문제 (As-Is):
  - 예: 가공 설비 스핀들 베어링 마모로 불시 라인 정지(연 4회 발생). 1회 정지당 복구 12시간 소요 및 납기 지연 리스크 발생.
- 문제의 근본 원인:
  - 예: 숙련공의 청각/촉각 기반 간헐적 점검에 의존하여 초기 진동 이상 징후 감지 불가.
AI 적용 방안 및 목표 (What & How)
- AI 도입 후 모습 (To-Be):
  - 예: 메인 모터에 진동/전류 센서를 장착하고, 시계열 머신러닝 이상 감지 모델이 고장 징후를 최소 72시간 전 경보.
- 필요 데이터 현황:
  - 기존 보유 데이터: 설비 가동 이력(MES 로그 2년치)
  - 신규 수집 필요 데이터: 스핀들 모터 고주파 진동 데이터(센서 신규 설치 필요)
정량적 기대효과 (Impact / ROI)
- 정량 지표:
  - 불시 다운타임(Downtime) 시간: 기존 연간 48시간 → 연간 6시간 이하 (87.5% 감축)
  - 연간 비용 절감: 약 1.2억 원 절감 (시간당 라인 중단 손실액 250만 원 기준)
- 정성 지표:
  - 신규 거래처 대상 스마트 품질 관리 역량 입증 (사업재편 계획 승인 시 가점 확보)
리스크 및 장애요인 극복 방안 (Risk & Solution)
- 발생 가능 리스크: 현장 가공 칩/절삭유로 인한 센서 내구성 저하 및 오경보(False Alarm) 발생 가능성
- 대응 방안: 방수/방진(IP67) 규격 산업용 무선 센서 채택 및 초기 1개월간 임계값 튜닝 기간 운영
다음 단계 액션 플랜 (Next Step)
- D+1주: 설비팀 협의 후 센서 부착 위치 및 PLC 데이터 추출 가능 여부 현장 실사
- D+2주: 외부 AI 전문 기업(솔루션사) 2곳 미팅 및 레퍼런스 확인
- D+4주: 경영진 보고용 PoC(개념검증) 예산안 확정

3. 참고자료

Quick-Win 1-Page 과제 정의서를 작성할 때 기준점으로 삼을 수 있는 주요 업종별 대표 예시 3종

[예시 1] 자동차 부품 업종 (공정 전환 & 설비 보전)

과제 기본 정보
과제명	전기차 감속기 기어 치형 가공 라인 설비 진동 예지보전 AI
추진 부서	생산기술팀 / 설비보전TF	사업재편 목표	[ ] 신사업 라인 구축 [v] 기존 라인 고도화 [ ] 규제/인증 대응
예상 추진기간	PoC (2.5개월) 🡪 라인 양산 적용 (2개월)	적용 AI 기술	[ ] Vision [v] Tabular/시계열 ML [ ] LLM/RAG [ ] Agent

배경 및 문제 정의 (Why)
- 현장의 고질적 문제 (As-Is):
  - 기존 내연기관 수동변속기 부품에서 고정밀 EV 감속기 기어로 사업 전환 중
  - 기어 연삭(Grinding) 설비의 스핀들 베어링 마모 시 미세 진동으로 제품 치형 오차가 발생하며, 연간 5회 불시 설비 정지 발생(회당 복구 8시간 소요)
- 문제의 근본 원인:
  - 가공 정밀도가 기존 대비 3배 이상 요구되나, 베어링 이상 여부를 작업자의 청각/촉각 점검 및 정기 3개월 교체 주기에만 의존
AI 적용 방안 및 목표 (What & How)
- AI 도입 후 모습 (To-Be):
  - 연삭 설비 스핀들 하우징에 3축 가속도 진동 센서 및 CT 전류 센서를 부착
  - 시계열 머신러닝 이상 감지 알고리즘이 정상 파형 이탈을 감지하여 고장 최소 72시간 전 경보 및 부품 교체 지침 알림
- 필요 데이터 현황:
  - 기존 보유 데이터: 설비 보전 일지(Excel 3년치), MES 가동/비가동 로그
  - 신규 수집 데이터: 스핀들 3축 진동 가속도 데이터(초당 2,000Hz), 모터 부하 전류값
정량적 기대효과 (Impact / ROI)
- 정량 지표:
  - 불시 다운타임(Downtime): 연간 40시간 🡪 연간 4시간 이하 (90% 감축)
  - 연간 비용 절감: 약 1억 800만 원 (비가동 손실 시간당 250만 원 $\times$ 36시간 + 스크랩 불량 절감 1,800만 원)
- 정성 지표:
  - 전방 완성차(OEM) 감사 시 스마트 예지보전 체계 입증으로 품질 신뢰도 가점 확보
리스크 및 장애요인 극복 방안 (Risk & Solution)
- 발생 가능 리스크: 가공 시 튀는 절삭유 및 미세 쇠가루(Chip)로 인한 센서 통신 단선 위험
- 대응 방안: IP68 방수·방진 규격 유선 방폭 센서 및 스테인리스 차폐 케이블 배관 시공
다음 단계 액션 플랜 (Next Step)
- D+1주: 1호기 설비 스핀들 외벽 센서 장착 위치 선정 및 배선 간섭 실사
- D+3주: IoT 게이트웨이 설치 및 정상 가공 진동 베이스라인 데이터 2주간 연속 수집
- D+6주: 이상 감지 1차 모델 학습 및 임계값 튜닝

[예시 2] 화학/소재 업종 (배합 & 수율 최적화)

과제 기본 정보
과제명	2차전지 분리막용 고기능성 코팅액 배합 파라미터 최적화 AI
추진 부서	배합공정팀 / R&D연구소	사업재편 목표	[v] 신사업 라인 구축 [ ] 기존 라인 고도화 [ ] 규제/인증 대응
예상 추진기간	PoC (3개월) 🡪 공정 제어 연동 (3개월)	적용 AI 기술	[ ] Vision [v] Tabular/시계열 ML [ ] LLM/RAG [ ] Agent

배경 및 문제 정의 (Why)
- 현장의 고질적 문제 (As-Is):
  - 범용 산업용 필름에서 2차전지용 세라믹 코팅 분리막으로 신사업 진출
  - 코팅액 교반(혼합) 시 외부 온·습도 변화에 따라 점도 편차가 발생해 도포 두께 불량 및 뭉침 결함 발생 (초기 불량률 11.8%)
- 문제의 근본 원인:
  - 배합 시간, 교반기 RPM, 투입 온도 등 10여 가지 공정 변수의 상관관계를 제어하지 못해 연구원의 수작업 샘플링 테스트(회당 40분 소요)에 의존
AI 적용 방안 및 목표 (What & How)
- AI 도입 후 모습 (To-Be):
  - 반응기 내부 점도·온도 센서와 외기 온·습도 데이터를 실시간 수집
  - 회귀 머신러닝(XGBoost/Random Forest) 모델이 목표 점도를 달성하기 위한 최적의 ‘교반 속도 및 가열 프로파일’을 실시간 제시(가이드 피드포워드)
- 필요 데이터 현황:
  - 기존 보유 데이터: 연구소 파일럿 테스트 배합 데이터 150건
  - 신규 수집 데이터: 양산 배합조 실시간 온도/압력/교반 모터 토크 데이터
정량적 기대효과 (Impact / ROI)
- 정량 지표:
- 코팅액 점도 불량률: 기존 11.8% 🡪 2.5% 이하 (78.8% 감축)
- 신사업 수율 안정화 기간: 예상 6개월 🡪 2개월로 4개월 단축 (원자재 스크랩 비용 연 2.4억 원 절감)
- 정성 지표:
- 연구원의 현장 샘플 채취 공수 절감으로 신소재 후속 배합 개발에 집중 가능
리스크 및 장애요인 극복 방안 (Risk & Solution)
- 발생 가능 리스크: 화학 원료 로트(Lot)별 미세 물성 차이로 인한 AI 예측 오차 발생
- 대응 방안: 원자재 입고 검사 시 측정된 기본 물성값(수분율, 입도)을 AI 입력 변수로 함께 포함
다음 단계 액션 플랜 (Next Step)
- D+1주: 배합조 PLC에서 교반 토크 및 온도 시계열 데이터 추출 포트 개방
- D+4주: 파일럿 데이터 기반 1차 예측 모델 학습 및 정확도 검증 ($R^2 > 0.85$ 목표)
- D+8주: 양산 1호 배합조 현장 디스플레이에 추천값 파일럿 표출 시작

[예시 3] 전자/반도체 조립 업종 (외관 품질 검사)

과제 기본 정보
과제명	전장용 차량 카메라 모듈 와이어 본딩 및 하우징 딥러닝 비전 검사
추진 부서	품질보증팀 / 생산기술팀	사업재편 목표	[v] 신사업 라인 구축 [v] 기존 라인 고도화 [ ] 규제/인증 대응
예상 추진기간	PoC (2개월) 🡪 인라인 인스펙터 구축 (2개월)	적용 AI 기술	[v] Vision [ ] Tabular/시계열 ML [ ] LLM/RAG [ ] Agent

배경 및 문제 정의 (Why)
- 현장의 고질적 문제 (As-Is):
  - 모바일용 카메라 조립에서 자율주행 ADAS용 전장 카메라 모듈로 생산 라인 전환
  - 금속 하우징 미세 스크래치 및 25um 두께 금선(Wire) 접합 불량을 육안으로 전수 검사하느라 검사원 6명이 투입되나, 피로도에 따른 오검수·미검출 누락 발생
- 문제의 근본 원인:
  - 금속 하우징의 빛 반사와 와이어 굴곡 특성 때문에 기존 룰 기반 비전 장비는 정상품을 불량으로 잡는 과검률(False Positive)이 18%에 달해 무용지물
AI 적용 방안 및 목표 (What & How)
- AI 도입 후 모습 (To-Be):
  - 돔 조명과 편광 필터를 장착한 1,200만 화소 고속 카메라 검사 부스를 컨베이어 말단에 설치
  - 딥러닝 세그멘테이션(Segmentation) 모델을 인라인 엣지 PC에 탑재해 택트타임(개당 1.2초) 내에 미세 결함을 99% 이상 실시간 판정
- 필요 데이터 현황:
  - 기존 보유 데이터: 과거 육안 검사원이 촬영한 불량 사진 400여 장
  - 신규 수집 데이터: 다양한 각도/조명 조건에서의 양품 이미지 3,000장 및 불량 유형별 이미지 증강(Data Augmentation)
정량적 기대효과 (Impact / ROI)
- 정량 지표:
  - 육안 검사 과검률: 기존 18.0% 🡪 1.5% 이하로 급감
  - 검사 공정 인건비 절감: 검사 인력 6명 중 4명을 출하 검사 및 패키징 공정으로 전환 배치 (연간 약 1.8억 원 공수 절감)
- 정성 지표:
  - 자율주행 부품 전수 검사 로그(이미지) 100% 디지털 아카이빙으로 글로벌 완성차 품질 감사 대응
리스크 및 장애요인 극복 방안 (Risk & Solution)
- 발생 가능 리스크: 조립 라인 주변 진동으로 인한 렌즈 초점 흔들림(Blur) 및 광학계 미세 오차
- 대응 방안: 검사 챔버 하부에 에어 스프링 방진 마운트 시공 및 고속 전자 셔터 속도 확보
다음 단계 액션 플랜 (Next Step)
- D+1주: 불량 유형(와이어 단선, 들뜸, 하우징 찍힘) 표준 결함집(Defect Catalog) 정의
- D+3주: 광학 벤더사 미팅 및 최적 조명/렌즈 조합 샘플 테스트(PoC 이미지 500장 취득)
- D+6주: 인라인 검사기 프로토타입 설치 및 라벨링 데이터 기반 1차 판정 정확도 평가