4. High-end M/V는 눈이고, Data Ops는 신경망이며, AI Ops는 학습체계다

배터리 스마트팩토리를 구현하기 위해서는 Machine Vision, Data Ops, AI Ops의 역할을 구분하면서도 하나로 연결해야 합니다.

High-end Machine Vision은 공정을 보는 눈이다

Machine Vision은 고속으로 이동하는 제품에서 미세한 결함과 치수, 위치, 정렬 상태를 검출합니다.

안정적인 영상 취득과 정밀 측정이 확보되지 않으면 AI 모델 역시 정확하게 작동할 수 없습니다.

따라서 AI 검사에서도 카메라와 광학계, 조명, 검사 알고리즘, 기구설계 등 기존 Machine Vision의 기술력이 기반이 됩니다.

Data Ops는 데이터를 연결하는 신경망이다

Data Ops는 개별 검사기와 설비에서 생성되는 데이터를 수집하고, 동일한 기준으로 정리하며, 제품·Lot·공정·설비 정보와 연결합니다.

이미지 한 장을 저장하는 것이 아니라 해당 이미지가 언제, 어느 라인에서, 어떤 조건으로 생성됐는지 추적할 수 있도록 데이터의 맥락을 관리합니다.

이를 통해 서로 다른 공정과 설비에서 발생한 정보를 비교하고, AI 학습에 활용할 수 있는 데이터 자산으로 전환합니다.

AI Ops는 모델을 지속적으로 운영하는 학습체계다

AI 모델은 한 번 개발했다고 계속 같은 성능을 유지하지 않습니다.

조명과 소재, 제품 규격, 라인 속도가 바뀌면 학습 당시와 실제 운영환경의 차이가 커집니다. 이를 데이터 드리프트 또는 모델 드리프트라고 합니다.

AI Ops는 운영 중인 모델의 성능을 모니터링하고, 성능 저하를 감지하며, 재학습과 검증, 배포, 버전관리, 필요 시 이전 모델로의 복귀까지 관리합니다.

PIE가 제안하는 방향 역시 차별성이 낮은 단일 Machine Vision 경쟁을 넘어, 멀티모달 데이터와 Data Ops·AI Ops를 함께 연결하는 구조입니다.

5. Anomaly Detector는 정상 데이터를 먼저 학습한다

배터리 제조에서는 모든 불량 유형을 사전에 정의하기 어렵습니다.

신제품을 양산하거나 ESS용으로 라인을 전환하면 기존에 없던 결함이 나타날 수 있습니다. 발생빈도가 낮은 불량은 충분한 학습 데이터를 확보하기도 어렵습니다.

이 경우 정상 데이터를 중심으로 학습하는 Anomaly Detection을 활용할 수 있습니다.

먼저 공정별 정상 데이터를 학습합니다.

이후 검사 대상이 정상 패턴과 얼마나 다른지를 Anomaly Score로 계산합니다. 설정된 기준을 초과하면 진성 NG 가능성이 높은 대상으로 분류하고, 기준 이하의 대상은 가성 NG 여부를 추가 판단할 수 있습니다.

PIE IR은 검사기에서 판정한 NG 데이터를 Anomaly Detector가 다시 추론해 정상과 다른 정도를 점수화하고, 진성 NG와 가성 NG 판단을 지원하는 구조를 제시하고 있습니다.

이 구조가 적용되면 기존 룰 기반 검사와 AI 검사를 경쟁시키는 것이 아니라 상호 보완할 수 있습니다.

룰 기반 검사는 명확하게 정의된 치수와 형상을 빠르게 측정합니다.

Anomaly Detector는 정상 패턴과 다른 미세한 변화나 기존에 정의되지 않은 결함 후보를 탐지합니다.

작업자는 모든 검사 결과를 다시 확인하는 대신 AI가 선별한 고위험 대상을 집중적으로 검토할 수 있습니다.

6. AX의 핵심은 검출에서 공정 피드백까지 연결하는 것이다

AI 검사의 목적은 불량 이미지를 더 많이 찾는 것이 아닙니다.

불량 발생 원인을 공정으로 되돌려 같은 문제가 반복되지 않도록 하는 것입니다.

이를 위해서는 다음과 같은 피드백 루프가 필요합니다.

검사 → 이상 탐지 → 원인 분석 → 공정조건 조정 → 결과 확인 → 모델 업데이트

예를 들어 특정 시간대에 코팅 결함이 증가했다면 검사 이미지만 확인해서는 원인을 찾기 어렵습니다.

동일 시간대의 소재 Lot, 코팅 속도, 장력, 온도, 설비 상태와 연결해야 합니다. 조건 변경 이후 결함이 감소했는지 다시 검사하고, 그 결과를 다음 모델 학습에 반영해야 합니다.

이 구조가 반복되면 검사 데이터는 품질관리 자료를 넘어 공정 최적화 데이터가 됩니다.

신제품이나 ESS 제품의 양산 초기에는 수율 안정화 기간을 단축할 수 있고, 양산 이후에는 미세한 품질변화와 설비 이상을 조기에 감지할 수 있습니다.

AI가 실제 제조현장에서 가치를 만들기 위해서는 좋은 모델뿐 아니라 데이터 수집, 운영 모니터링, 재학습, 공정 피드백 체계가 필요합니다.

즉, 배터리 제조의 AX는 AI 모델을 개발하는 프로젝트가 아니라 AI 모델이 지속적으로 작동하는 생산체계를 만드는 일입니다.