로크웰 오토메이션의 Software & Control 담당 디렉터인 아드리안 지에코(Adrian Giecco)는 제조업체가 기술을 사용하여 직원의 기술을 발전시키고 차세대 인재를 유치할 수 있는 방법에 대해 설명합니다.
1. 직원 역량 강화에 대해 이야기할 때, 여기에는 어떤 것들이 포함되나요?
제가 좋아하는 인용문이 있습니다."미래의 공장에는 사람과 개, 단 두 명의 직원만 있을 것입니다. 남자는 개에게 먹이를 주기 위해 그곳에 있을 것이고, 개는 사람이 장비를 만지는 것을 막기 위해 그곳에 있을 것입니다.”
미래에는 직원이 없는 무인 공장이 될 것이라는 의미입니다. 하지만 현실은 이것과 거리가 멉니다. 우리가 자동화 분야에서 하는 일의 대부분은 산업 근로자들이 더 쉽고, 더 안전하고, 더 효율적으로 업무를 수행할 수 있도록 하는 것입니다. 물론 작업자당 처리량에서 기술의 증폭 효과는 생산 단위당 비용을 절감하는 데 항상 원동력이 되어 왔습니다. 하지만 그 이상입니다. 이는 단순히 공장을 운영하는 것뿐만 아니라 생산 시스템의 설계, 구축, 운영 및 유지보수 등 산업 생산의 라이프사이클 전반에 걸친 모든 활동을 포함합니다.
2. 로크웰 오토메이션은 제조 분야에서 자사 및 고객사의 미래 인력을 어떻게 지원할 계획인가요?
다음 세 가지 분야를 강조하고 싶습니다.
3. GenAI와 디지털 트윈 같은 차세대 기술은 업무 생산성과 효율성을 높이는 데 어떤 역할을 할까요?
큰 역할을 합니다! 몇 가지 사례를 살펴보겠습니다.
생성형AI
최신 스마트 제조 현황 보고서에서 2024년 투자 분야 1위, ROI 분야에서는 클라우드에 이어 2위로 선정될 정도로 생성형AI는 현재 가장 주목받는 기술입니다. 한 가지 중요한 점은 생성형AI는 아직 물리적 세계에서 충분히 안정적이지 않으므로 사람의 감독 없이는 제어 루프에 넣지 않아야 한다는 것입니다. 하지만 생성형AI는 많은 산업 환경에 존재하는 장비와 기술의 '박물관'을 다루기 위해 인간을 보조하고 안내하는 산업용 코파일럿의 역할을 훌륭하게 수행할 수 있습니다.
작업자의 역량을 강화하기 위해 등장하고 있는 코파일럿 중 일부는 다음과 같습니다:
디지털 트윈 생산 시스템의 시뮬레이션 모델은 작업자에게 보다 안전하고 다양한 교육 환경을 제공합니다. 마치 비행 시뮬레이터와 같이 강사가 고유한 시나리오를 미리 로드하고 재현하여 직원들이 생산 중단 없이 까다로운 시나리오를 학습할 수 있습니다.
그 예로 엔비디아(NVIDIA)와의 협업을 들 수 있습니다. 엔비디아 옴니버스 클라우드 애플리케이션 프로그래밍 인터페이스(APIs)를 Emulate3D™와 통합하여 사용자에게 산업 규모의 디지털 트윈 생산 시스템의 설계, 구축 및 운영을 위한 데이터 상호운용성, 실시간 협업 및 물리 기반 시각화를 제공했습니다.
4. 인공지능은 어떻게 직원을 대체하지 않고 증가시켰나요?
지난 200여 년 동안 모든 주요 산업 기술 혁신은 비슷한 질문을 불러일으켰습니다. 이러한 혁신이 근로자를 대체할 것인가? 실업을 유발할 것인가? 하지만 매번 그 영향은 대체로 긍정적이었습니다.
일부 일자리가 급격하게 변화하거나 사라질 것이라는 점은 부인할 수는 없지만, 순 일자리 창출에 대한 강력한 실적도 있습니다.
설계 코파일럿이 제조 공정에 대한 자연어 설명을 받아 제어 코드를 생성할 수 있는 방법에 대해 논의했습니다. 이는 곧 제어 엔지니어가 이러한 도구를 사용하여 생산성을 2~5배 더 높일 수 있다는 것을 의미합니다. 따라서 개발 시간이 단축되고 더 가치 있는 활동에 더 많은 시간을 할애할 수 있게 됩니다.
AI를 사용하여 검증된 기술을 단순화하고 확장하는 것이 한 예입니다. 예측 유지보수는 수십 년 동안 사용되어 왔지만 도메인 전문 지식 부족과 구성 및 유지보수의 복잡성으로 인해 많은 산업에서 광범위하게 구현되지 않았습니다. 유지보수 팀은 준지도 학습을 통해 제조 자산에 대한 이상 징후 감지 및 MTTF 예측을 신속하게 구현하여 모든 자산에 걸쳐 빠르게 확장할 수 있습니다.
예를 들어, 우리는 주요 금속 및 광업 브랜드와 협력하여 수익성을 높이고 교대 근무 시간 내내 가동 중단을 방지하기 위해 FactoryTalk® Analytics™ GuardianAI™를 사용하여 AI 기반 이상 징후 감지 기능을 도입했습니다.
이처럼 AI는 비용이 너무 많이 들거나 리소스 제약이 있어 대규모로 구현하기 어려웠던 생산성 관행을 대중화할 것입니다.
또 다른 예는 머신러닝(ML)을 사용하여 리모델링하기 어려운 복잡하거나 변동성이 큰 프로세스의 제어 성능을 개선하는 것입니다. 여기서 제어 엔지니어는 작업 결과를 개선하기 위한 도구로 지도 학습과 강화 학습을 사용합니다. 이러한 ML기반 모델은 기존의 '설정 후 잊어버리는' 전문가 기반 모델보다 성능이 뛰어난 경우가 많으며, 설비종합효율(OEE)을 높이고 변화하는 환경에 지속적으로 적응할 수 있습니다.
