제조데이터 표준, 품질확보 방법론,
제조데이터 유형별 현장공장 적용 AI 코딩의 필수 지침서!
전 세계적으로 화제를 불러일으키는 <제조데이터>, <제조AI>는 이미 제조기업의 지속 가능한 경쟁우위 달성을 위해 도입해야 할 핵심기술로 자리매김하고 있습니다. 지난 2020~2023년 약 3년간의 대한민국 제조생태계는 제조데이터, AI를 실제 우리 중소, 중견 제조현장에도 적용할 수 있을까에 대한 답과 가능성을 살펴본 해였던 것 같습니다. 이제 2024년부터는 기술의 지속 가능한 활용과 제조업 고도화 달성을 위해보다 치밀하고 체계적으로 제조데이터, AI 거버넌스를 바라볼 필요성이 존재합니다. 이 책 「제조AI빅데이터 분석기법(코딩편)」은 국내 제조기업이 제조데이터, AI를 기반으로 글로벌 제조스타를 향해 나아가는 과정에 실질적 로드맵과 적용방안을 제시하는 가이드라인입니다. 제조데이터 표준, 제조데이터 품질확보 방법론, 제조데이터 유형별(숫자, 이미지, 소리) 제조AI 개발 방법을 다루고 있으며 챕터별로 예제, 코딩실습, 퀴즈를 제공합니다. 제조업에 특화된 국내 최고 데이터 분석 책으로서의 다양한 이슈를 다루는 이 책 「제조AI빅데이터 분석기법(코딩편)」은 제조데이터, AI에 관심이 있는 학생, 제조업 종사자, 정부 정책결정자에 이르기까지 모두가 함께 학습할 수 있는 현장 중심형 책입니다. 자, 이제 책장을 넘겨보세요.
<저자소개>
김일중, 김흥남, 유승화, 박준용, 임성훈, 신민수, 권종원 공저
김일중 (경영정보시스템) 박사
현) 한국과학기술원(KAIST), 제조AI빅데이터센터장 책임교수
한국IT서비스학회, 첨단제조 전문위원장
한국국방기술학회, 국방 제조AI 전문위원장
■ 제조AI 관련 경력
• 인공지능 제조플랫폼(KAMP) 운영기관, 센터장, 중소벤처기업부
• OECD 고위급 라운드테이블, 중소제조 협의위원
• 대통령직속 4차산업혁명위원회
• 중소벤처기업부 R&D 미래전략 라운드테이블, 자문위원
• 삼성전자 상생협력아카데미 제조AI 강연
• 세계경제포럼(다보스포럼) Lighthouse factory 국내 평가위원
• 국내 중소 제조기업 AI 컨설팅 및 현장 적용 30회 이상 수행
• 제조데이터, AI 관련 다수 SCI, KCI(DBpiaTop 5%) 논문 보유
유승화 (물리학) 박사
현) 한국과학기술원(KAIST), 기계공학과 교수
멀티스케일 역학 및 재료모델링 연구실
■ 제조 AI 관련 경력
• 인공지능 활용 소재 및 구조 설계 특허/논문 다수 출판
• AI 컨설팅 지원사업에서 AI전문가로 중소/중견기업 자문
• 머신러닝 활용 복합재 설계 방법 개발 및 중소/중견기업 자문
임성훈 (산업공학) 박사
현) 울산과학기술원(UNIST) 산업지능화연구소장 | 산업공학과/인공지능대학원 교수
산업지능 연구실
■ 제조 AI 관련 경력
• 중소벤처기업부 전략위원회 위원 | 서비스분과위원장
• 인공지능을 활용한 제품 불량예측 및 공정 최적화 관련 SCI급 논문 다수 출판 및 정부/산업체 연구과제 다수 수행
• AI 컨설팅 지원사업에서 AI 전문가로 중소/중견기업 자문
신민수 (경영정보시스템) 박사
현) 한양대학교 경영학부 교수 | 인포메틱스학과 학과장
■ 제조 AI 관련 경력
• 중소벤처기업부 전략위원회 위원 | 서비스분과 위원장
• 인공지능을 활용한 제품 불량예측 및 공정 최적화 관련 SCI급 논문 다수 출판 및 정부/산업체 연구과제 다수 수행
• AI 컨설팅 지원사업에서 AI 전문가로 중소/중견기업 자문
박준용 (경영정보시스템) 박사
현) 한국과학기술원(KAIST) 제조AI빅데이터센터 | 교수
■ 제조 AI 관련 경력
• 머신러닝 활용 논문 다수 출판
• 스마트제조혁신추진단 AI 전문위원
• 중소벤처기업부 AI 컨설팅 지원사업 제조기업 AI 전문가
• 중소기업중앙회 스마트공장구축지원사업(삼성, 포스코) 선정위원
권종원 (전자전기컴퓨터공학) 박사
현) 한국산업기술시험원 산업지능화기술센터 | 센터장
■ 제조 AI 관련 경력
• 중소벤처기업부, 전략위원회 산하 AI데이터 · 제도분과위원회 분과위원
• 대한전자공학회 시스템 및 제어 소사이어티 스마트팩토리 연구회 위원장
• 디지털 산업혁신 빅데이터 플랫폼(www.bigdata-dx.kr) 총괄책임자
• ISO/IEC JTC 1 SC 31 (자동식별 및 데이터 수집), ISO/IEC JTC 1 SC 40 (IT 서비스 관리 및 IT 거버넌스), ISO/IEC JTC 1 SC 42 (인공지능), IEC TC 124 (스마트 웨어러블) 국제표준 전문가 및 관련 국제표준 다수 개발
• KS X 9101-1 등 제조 분야 기업업무시스템 간 제조업무데이터교환 국가표준 개발
김흥남 (전산학) 박사
현) 한국과학기술원(KAIST), 제조DX추진본부장 | 교수
전) 한국전자통신연구원(ETRI) 원장
■ 제조 AI 관련 경력
• 인공지능제조플랫폼(KAMP) 운영기관, 과제책임자, 중소벤처기업부
• 제조데이터 기반 스마트공장 사례발굴 전문가 간담회, 전문가, 대통령직속 4차산업
혁명위원회
• 스마트공장 제조데이터 전문가 간담회, 전문가, 스마트제조 혁신추진단
• 중소벤처기업부 전략위원회 위원 | 정책분과위원장
• 제조데이터 촉진자양성과정, 과제책임자, 중소벤처기업부
참여연구원
KAIST 제조AI빅데이터센터 채희수 선임연구원
KAIST 제조AI빅데이터센터 김진영 선임연구원
KAIST 제조AI빅데이터센터 김지현 선임행정원
KAIST 제조AI빅데이터센터 김미경 연구원
KAIST 제조AI빅데이터센터 이민영 연구원
KAIST 제조AI빅데이터센터 송민성 연구원
KAIST 제조AI빅데이터센터 양희성 행정원
UNIST 산업공학과 최재경 석박사통합과정
UNIST 산업공학과 김경호 석박사통합과정
UNIST 산업공학과 전수진 석박사통합과정
UNIST 산업공학과 박소연 석박사통합과정
UNIST 산업공학과 황가현 석사과정
UNIST 인공지능대학원 최지혁 석사과정
<이 책의 목차>
저자 소개
제조AI빅데이터 분석기법(코딩편)을 읽는 분들께
챕터별 실습 제조AI데이터셋
Chapter 1. 제조AI 개관
1. 제조데이터 및 AI의 등장
2. 제조데이터 개관
2.1 제조데이터란?
2.2 제조AI데이터셋이란?
2.3 제조데이터 형태
2.4 제조데이터 품질 및 평가체계
2.5 제조데이터 표준
2.6 제조데이터 가격책정
3. 제조AI 개관
3.1 제조AI란?
3.2 지도학습과 비지도학습
3.3 제조AI 거버넌스 및 구성요소
3.4 제조AI 개발 및 적용의 과학적 수행절차
4. 제조데이터 및 AI 분석목적
4.1 기술적 제조데이터 및 AI 분석목적
4.2 경영 전략적 제조데이터 및 AI 분석목적
5. 제조데이터 및 AI 지능형 공장의 주요 성과지표
6. 빅블러 시대의 제조데이터 및 AI 싸이언티스트
- Quiz 확인문제
- 별첨 : 2023년 하노버 메세 한국팀 기사
- 인터뷰 : 스마트제조혁신추진단 안광현 단장
- 별첨 : KAMP 플랫폼 제조AI데이터셋 정리표
Chapter 2. 제조AI 개발환경 설정
1. 아나콘다(Anaconda) 설치
2. 주피터 노트북(Jupyter Notebook) 실행하기
3. 가상환경 만들기
4. 텐서플로우(TensorFlow) 설치하기
- Quiz 확인문제
Chapter 3. 제조AI 개발 맛보기
1. 화학물 제조공장 현장 문제 파악
2. 제조데이터 준비하기(KAMP 제조데이터 거래소)
2.1 양품 제조데이터 준비하기
2.2 불량 제조데이터 준비하기
3. 제조 AI 프로그램(K-최근접 이웃 알고리즘)
3.1 첫 제조AI 코딩 시작점
3.2 제조데이터 라벨링
3.3 훈련세트와 테스트세트 구축
3.4 제조AI 모델 생성, 예측
4. 전체 소스코드
- Quiz 확인문제
Chapter 4. 제조AI데이터 품질관리(전처리)
1. 제조AI데이터셋 품질관리 개요
2. 실습에 활용할 제조AI데이터셋 다운로드
3. ‘제조AI데이터셋 품질확보 방법론’ 실습
3.1 완전성 평가 및 확보
3.2 유효성 평가 및 확보
3.3 일관성 평가 및 확보
3.4 유일성 평가 및 확보
3.5 정확성 평가 및 확보
- Quiz 확인문제
Chapter 5. 숫자 제조데이터 기반 AI 개발
1. 사출성형 제조공장 현장 문제 파악
2. 사출성형 제조데이터 준비하기
3. 제조AI 프로그램(Random Forest)
3.1 제조데이터 불러오기
3.2 제조데이터 탐색하기(EDA, Exploratory Data Analysis)
3.3 제조데이터 전처리
3.4 제조AI 모델 생성 및 학습
3.5 정답(양품/불량) 예측하기
3.6 변수 중요도 확인하기
4. 전체 소스코드
- Quiz 확인문제
Chapter 6. 이미지 제조데이터 기반 AI 개발
1. 전기아연도금 제조공장 현장 문제 파악
2. 전기아연도금 제조데이터 준비하기
3. 제조AI 프로그램(CNN)
3.1 제조데이터 경로 지정
3.2 제조데이터 전처리 옵션 설정
3.3 제조데이터 불러오기 및 전처리
3.4 제조AI 모델 생성 및 평가
3.5 제조AI 모델 평가
3.6 제조AI 모델 테스트
4. 전체 소스코드
- Quiz 확인문제
Chapter 7. 소리 제조데이터 기반 AI 개발
1. 도금 제조공장 현장 문제 파악
2. 도금 열풍건조 소리 제조데이터 준비하기
3. 제조AI 프로그램(LSTM)
3.1 소리 제조데이터 살펴보기
3.2 제조데이터 불러오기 및 특징 추출
3.3 제조데이터 전처리
3.4 제조AI 모델 생성
3.5 제조AI 모델 평가
4. 전체 소스코드
- Quiz 확인문제
맺음말
<부록>
부록 A ｜ 교재 실습, 유형별 제조AI데이터셋 정리표
부록 B ｜ KAMP 플랫폼, 실습 제조데이터셋 다운로드 방법
부록 C ｜ Quiz 확인문제 정답 및 해설
<이 책 본문 中에서>
“일상생활에서 사용하는 표준(standards)이란 단어는 사물이나 서비스의 일반적인 또는 평균적인 것을 말할 때 사용합니다. 이 평균적인 것을 가지고 일종의 약속을 만드는 것입니다. 표준의 목적은 일종의 약속을 정해놓고 사람들 사이에 발생할 수 있는 혼선을 미연에 방지하는 것입니다. 그러므로 표준은 신뢰가 있어야 합니다. 일상 속 표준의 예를 들면 A4용지는 국제표준화기구(ISO)가 정해놓은 210×297mm로 규격표준을 따릅니다. 이는 종이를 자를 때, 가로와 세로 비율을 유지하게 함으로써 기업들 간의 종이의 낭비를 줄이기 위함입니다.”
“텐서플로우(TensorFlow)란 구글이 머신러닝 모델을 보다 쉽게 구축할 수 있도록 제공하는 라이브러리입니다. 텐서플로우는 다음 그림과 같이 Python, C++, Java, Go 등 다양한 언어를 지원합니다. 특히, 제조현장에 빅데이터, AI 기술 적용을 위해 널리 활용되는 Python 기반의 다양한 라이브러리를 집중적으로 지원하기 때문에 제조AI 딥러닝 모델 개발 시 텐서플로우를 주로 활용합니다.”
“제조AI 이진분류 알고리즘을 개발하기 위해서는 양품과 불량 제조데이터 모두가 준비되어야 합니다. 그러나 현실적으로, 제조현장에서 불량 제조데이터는 양품 제조데이터에 비해 획득하기가 매우 힘듭니다. 그러므로 제조AI 구축 시 대부분 현장에서 양품 제조데이터 대비 불량 제조데이터가 적은 Class imbalance(양품 | 불량 클래스 불균형) 현상이 나타나 제조AI 개발이 지연되는 어려움을 겪는 것이 다반사입니다.”
“상관관계는 변수들 간의 선형적인 관계를 확인하기 위해 사용합니다. 한 변수가 변화했을 때 다른 변수가 함께 변화하는 경우 상관관계가 있다고 표현합니다. 상관의 정도를 상관계수(r)로 확인할 수 있으며, 상관계수는 -1부터 1까지의 값을 가질 수 있습니다. 상관계수가 0이면 상관관계가 없다고 해석하고 +1이나 -1에 가까운 큰 값일수록 상관관계가 강하다고 해석할 수 있습니다.”
“랜덤 포레스트 알고리즘을 학습시킬 때 특성값과 라벨을 분리해서 입력해야 합니다. 라벨인 ‘불량 여부’와 학습에 사용하지 않을 ‘LOT NO.’의 두 컬럼을 제외한 나머지 특성값을 “X”에 저장하고, ‘불량 여부’ 컬럼은 ‘y’에 저장합니다. X는 대문자, y는 소문자를 사용하는 이유는 라벨값은 하나의 컬럼이지만 독립변수는 2개 이상인 경우가 많기 때문에 복수의 의미로 대문자를 사용합니다.”
<출판사 서평>
“가보지 않은 길이지만 도전을 해야 성장합니다.”
“도전하는 과정에서 잘못된 점을 발견하고 나아가야 할 방향을 찾을 수 있습니다.”
제조기업의 AI는 전 세계적으로 이제 와우팩터를 넘어 기업의 사활을 결정지을 수 있는 핵심 게임체인저로 자리 잡고 있습니다. 전통제조에 대한 계승과 기술 고도화를 위해서 체계적인 제조데이터 관리와 빅데이터, AI 기술의 도입은 이제 원하든 원하지 않던 점점 미래 제조업에 더 큰 영향을 미치며 제조현장의 핵심설비에 깊숙이 들어갈 것입니다. 현재 계속해서 새로운 제조AI 방법론들이 등장하고 적용되고 있습니다. 기존에 우리가 감과 수기에 의해 제조를 한 것에 비추어 보았을 때, 한 번도 가보지 않은 길이 틀림없습니다. 하지만 최근에는 이 가보지 않은 길에 도전하여 제조AI와 제조데이터 분석기법을 통한 생산성 증가 및 품질 향상 성공 사례가 점점 더 늘어나고 있는 추세입니다. 이러한 도전과정에서 AI를 라이벌로 여기기보다는 생산성 증가 및 품질 향상을 위한 도구로 활용하고 미래에는 인간과 AI의 대결이 아니라 상호협력하는 새로운 방향을 찾을 수 있습니다. 특히 중소 제조기업들이 제조AI를 제조현장에 쉽게 적용할 수 있도록 KAIST에서는 KAMP를 구축하고, 나아가 중소 제조기업들이 좀 더 진보된 기술을 활용할 수 있도록 「제조AI빅데이터 분석기법(코딩편)」 교재를 발간하게 되었습니다. 이 책을 읽은 분들이 이 여정의 주인공들이 되어 제조AI 강국 대한민국을 이끌기 바랍니다.
(김일중, 김흥남, 유승화, 박준용, 임성훈, 신민수, 권종원 공저 / 보민출판사 펴냄 / 416쪽 / 신국판형(152*225mm) / 값 30,000원)
){kind=small}
){kind=small}
){kind=small}
){kind=small}
