피지컬 AI의 산업 적용, 어떤 데이터가 필요할까?

데이터는 쌓이는데, AI는 왜 아직일까요?

지난 7월 23일, 국회에서 '제조 AI 전환과 현장 확산을 위한 정책토론회'가 열렸습니다. 이 자리에서 윤종필 한국생산기술연구원 제조AI연구센터장은 국내 제조업의 AI 도입률이 4% 수준이라고 진단했습니다. 정보통신업의 26%와 비교하면 큰 격차입니다. 윤병동 서울대 기계공학부 교수의 진단은 한 걸음 더 들어갔습니다. 현장의 99% 이상 데이터는 설비 제어에 한 번 쓰인 뒤, 다시는 열어보지 않는 소모성 데이터라는 지적이었습니다. (출처: 시사저널e)

분명 뼈아픈 숫자들입니다. 하지만 씨메스로보틱스는 이 숫자 안에 더 중요한 사실이 담겨 있다고 생각합니다. 물류·제조 현장에 데이터가 없는 것이 아닙니다. AI가 배울 수 있는 형태의 데이터가 없을 뿐입니다.

질문이 달라지면, 답이 보이기 시작합니다

자동화를 검토하는 담당자분들을 만나면 자주 듣는 질문이 있습니다. "AI를 도입하려면 데이터가 얼마나 있어야 하나요?" 충분히 자연스러운 질문입니다. 하지만 씨메스로보틱스는 질문이 조금 달라져야 한다고 생각합니다. 피지컬 AI에서 중요한 것은 데이터의 양이 아니라, "어떤 데이터가 어떤 형태로 필요한가"이기 때문입니다.

챗GPT 같은 언어 모델은 인터넷에 쌓인 방대한 텍스트를 학습했습니다. 반면 피지컬 AI가 배워야 할 것은 물리 세계의 경험입니다. 물체의 형상과 무게, 로봇 팔의 움직임, 파지의 성공과 실패. 이런 데이터는 인터넷 어디에도 없고, 현장에서 직접 만들어야 하는데요. 이번 글에서는 '무엇을 모으고 어떻게 가공하는지'를 먼저 이야기해 보려 합니다.

로봇에게는 눈의 데이터, 몸의 데이터, 흐름의 데이터가 필요합니다

공장과 물류센터는 언어보다 훨씬 복잡한 환경입니다. 제품은 매번 다르고, 부품의 위치도 달라지며, 조명과 적재 상태까지 수많은 변수가 동시에 발생합니다. 이 환경에서 로봇이 일을 하려면 세 종류의 데이터가 필요하다고 저희는 정리하고 있습니다.

첫 번째는 로봇의 눈이 되어 주는 인식 데이터입니다. 로봇이 물체를 집으려면, 무엇이 어디에 어떤 자세로 놓여 있는지부터 알아야 합니다. 물체의 종류와 위치를 구분하는 2D 이미지, 입체 형상과 거리를 담은 3D 포인트 클라우드가 그 판단의 재료가 됩니다. 조명 변화나 금속 표면의 반사, 물체끼리의 겹침처럼 현장에서 매일 일어나는 변수들도 인식 데이터가 감당해야 할 몫입니다.

두 번째는 로봇의 몸이 기억해야 할 동작 데이터입니다. 보는 것만으로는 작업이 끝나지 않습니다. 어느 지점을 어떤 각도로 잡았을 때 성공했는지, 어떤 경로로 움직여야 주변 설비와 부딪히지 않는지, 종이 상자와 유리병을 각각 어느 정도의 힘으로 쥐어야 하는지. 이 모든 기록이 로봇의 학습 재료가 됩니다. 특히 이 데이터에는 분명한 특징이 하나 있습니다. 로봇이 실제로 움직여야만 생긴다는 점입니다. 실패의 기록조차 성공의 기록만큼 소중한 이유입니다.

세 번째는 현장의 흐름을 담은 운영 데이터입니다. 로봇 한 대가 잘 움직이는 것과 공정 전체가 잘 돌아가는 것은 다른 문제입니다. 창고관리시스템(WMS)과 제조실행시스템(MES)이 가진 주문·재고·작업 지시 정보, 시간대별 물동량, 앞뒤 설비에서 오는 신호가 로봇을 현장의 흐름에 연결해 줍니다. 앞선 국회 토론회에서도 같은 지점이 지적됐습니다. 개별 설비의 데이터는 있어도, 이를 앞뒤 공정과 연결하는 데이터는 부족하다는 진단이었습니다.

모으는 것보다 중요한 것은 가공이라고 생각합니다

세 가지 데이터를 모두 모았다고 해서 AI가 바로 똑똑해지지는 않습니다. 원시 데이터는 몇 단계의 가공을 거쳐야 비로소 학습 재료가 됩니다.

시작은 정제와 라벨링입니다. AI는 정답이 표시된 데이터로 배웁니다. 이 이미지 속 물체가 무엇인지, 이 파지 시도가 성공인지 실패인지 사람이 기준을 붙여 줘야 하는데요. 문제는 산업 데이터의 라벨링에 전문성이 필요하다는 점입니다. 위 토론회에서도 제조 데이터는 일반인이 쉽게 정답을 붙일 수 있는 데이터가 아니라 전문성이 요구된다는 지적이 나왔습니다. 불량과 고장은 자주 일어나서는 안 되는 사건이라, 정답 데이터 자체가 희소하다는 진단도 함께였습니다.

그다음은 시뮬레이션을 통한 보완입니다. 현장에서 드물게 일어나는 상황까지 실데이터로 전부 모을 수는 없습니다. 그래서 가상 환경에서 물체의 배치와 조명, 파지 시나리오를 수만 번 반복해 실데이터의 빈틈을 메웁니다. 도입을 검토하는 단계라면, 시뮬레이션으로 처리량과 동선을 미리 검증하는 용도로도 쓰입니다.

마지막은 현장 검증입니다. 가공을 마친 데이터로 학습한 모델도 현장에서 다시 시험대에 오릅니다. 같은 토론회에서는 실험실에서 높은 정확도를 보인 모델이 실제 공장에서는 제대로 작동하지 않는 사례가 지적됐습니다. 조명이 바뀌고, 신상품이 들어오고, 설비 조건이 달라지기 때문입니다. 결국 현장에서 나온 성공과 실패의 기록을 다시 학습에 반영해야, 모델은 그 현장에 맞는 성능을 유지할 수 있습니다.

씨메스로보틱스가 현장에서 배운 것

여기까지 읽으신 분들은 부담을 느끼실 수 있습니다. "이 데이터를 우리가 언제 다 준비하지?"라는 생각이 드실 텐데요. 결론부터 말씀드리면, 도입 기업이 데이터를 미리 갖추고 시작할 필요는 없습니다.

씨메스로보틱스는 국내 최대 풀필먼트 기업 C사의 물류센터를 비롯해 글로벌 자동차 회사, 글로벌 신발 제조사, 전자 기업 등 다양한 산업군의 양산 현장에 피지컬 AI 자동화를 도입해 왔습니다. 그 시간 동안 확인한 사실이 하나 있습니다. 필요한 데이터의 목록은 산업마다, 현장마다 전부 다르다는 점입니다.

물류센터에서는 끊임없이 바뀌는 상품 구성이 핵심 변수였습니다. 자동차와 전자 부품 공정에서는 금속 표면의 반사와 밀리미터 단위의 정밀도가 과제였습니다. 신발 제조에서는 유연한 소재의 비정형성과 씨름해야 했습니다. 같은 '집는' 작업처럼 보여도, 학습에 필요한 데이터의 종류와 가공 방식은 현장마다 달랐습니다.

그래서 씨메스로보틱스의 도입 절차는 데이터 요구가 아니라 현장 진단에서 시작합니다. 현장을 먼저 들여다보고 어떤 데이터가 필요한지 정의한 뒤, 데이터 수집과 시뮬레이션 검증을 도입 과정 안에서 함께 수행합니다. 여러 산업의 양산 현장을 거치며 쌓은 경험은 새로운 현장에서 시행착오를 줄여 줍니다. 어떤 데이터가 문제를 일으키는지, 어떤 가공이 실제로 효과가 있었는지를 이미 겪어 봤기 때문입니다.

📖 현장 도입 사례 더 읽어보기

답은 데이터 목록이 아니라, 현장에 있습니다

인식 데이터도 중요합니다. 동작 데이터도 중요합니다. 정제와 라벨링, 시뮬레이션 같은 가공 과정도 물론 중요합니다. 하지만 이 글의 목록이 모든 현장의 정답이 될 수는 없습니다. 어떤 데이터가 얼마나 필요한지는 결국 현장의 작업과 물성, 공정 조건이 결정하기 때문입니다.

AI는 이제 성능을 경쟁하는 시대를 넘어, 실제 공장과 물류센터에서 생산성을 증명해야 하는 시대에 들어섰습니다. 그 과정에서 피지컬 AI의 경쟁력은 더 좋은 모델을 만드는 기업보다, 더 많은 현장을 이해하는 기업이 만들어 갈 것이라고 저희는 보고 있습니다.

그래서 피지컬 AI 도입의 첫걸음은 데이터 준비가 아니라, 현장을 아는 파트너와 함께 현장을 들여다보는 일입니다. 씨메스로보틱스는 물류와 제조를 아우르는 양산 현장에서 그 답을 찾아 왔고, 오늘도 새로운 현장에서 답을 쌓아가고 있다는 걸 전해드립니다.

👉 우리 현장에는 어떤 데이터가 필요할까요?