A²LAB

플랫폼 개요

A²LAB은 데이터 구축부터 AI 자율제어까지 AX 전환에 필요한 모든 시스템을 포함합니다. 각 시스템은 모듈로 분리돼 있어 제조 환경에 맞게 필요한 것만 골라 구성할 수 있습니다.

데이터 인프라 구축 → AI 적용 → 현장 검증 → 사후관리까지의 전 과정을 하나의 플랫폼 위에서 진행합니다. 단계마다 다른 제품을 붙이면서 생기는 연동 비용과 데이터 유실을 줄이는 것이 목적입니다.

에이전트 협업 구조

A²LAB은 단일 AI 모델이 특정 문제를 분석하는 방식이 아니라, 생산·운영·설비·에너지 각 영역을 담당하는 AI 에이전트가 협업해 해결책을 도출하는 AI 오케스트레이션 플랫폼입니다.

설비 이상, 에너지 불균형, 생산 차질처럼 원인이 여러 곳에 걸친 복합 상황에서 효과가 큽니다. 문제가 발생하면 슈퍼바이저 에이전트가 전체 상황을 통합 관리하고, 각 전문 에이전트가 실시간 데이터를 분석해 원인을 파악합니다. 이후 가상 시뮬레이션으로 공장 전체 운영에 미치는 영향을 따져 액션 플랜을 도출하고 실행을 지원합니다.

A² — No-Code AI 분석·시각화

제조 데이터 분석이 개발 부서를 거쳐야만 가능한 구조에서는, 현장에서 떠오른 질문 하나를 확인하는 데도 몇 주가 걸립니다. 그 사이 질문 자체가 사라집니다.

A² 모듈은 분석가가 질문하듯 세팅할 수 있는 No-Code 기반 AI 분석 도구입니다. 전처리, 이상치 처리 등 반복 작업을 코드 없이 직관적으로 설정할 수 있어 비전문가도 AI 모델을 구축할 수 있습니다.

데이터 속 숨겨진 패턴을 시각화해 여러 관점에서 인사이트를 제공하고, 예측 기반 의사결정과 협업 대시보드 구성을 지원합니다. 다양한 데이터 소스를 연결해 전처리·변환하고 실시간으로 수집·처리하므로, 데이터 통합과 예측 분석을 통해 실시간 운영 계획을 개선할 수 있습니다.

V² — AI 머신비전 결함 검사

비전 검사에서 가장 어려운 것은 “불량이라고 규정하기 애매한” 결함입니다. 조명이 조금 달라지거나 각도가 바뀌면 규칙 기반 카메라는 이를 놓치거나 정상품을 불량으로 판정합니다.

V² 모듈은 제조 현장의 이미지와 공정 데이터를 실시간으로 수집·분석해 스크래치나 오염 등 미세 결함을 딥러닝으로 자동 탐지합니다.

품질 예측 및 공정 최적화 — XGBoost와 유전 알고리즘을 기반으로 품질을 예측하고 최적 공정 조건을 자동으로 도출합니다.

이상 탐지 — 정상 이미지만으로 학습한 AI 모델로 미세한 이상을 탐지합니다. 불량 샘플을 충분히 모으기 어려운 현장에서 특히 유효합니다.

멀티모달 센서 데이터를 융합해 품질을 정량적으로 예측하고, 엣지 디바이스 기반의 경량 모델을 사용하므로 공정을 중단하지 않고 고속 검사와 최적 조건 도출이 가능합니다.

MLOps — 모델 운영과 자동 재학습

모델을 만드는 것과 운영하는 것은 다른 일입니다. 개발자마다 환경과 디렉토리 구조, 코드 스타일이 달라 같은 결과를 다시 만들어 내기 어렵고, 소스와 모델 파일과 실행환경이 개인 PC와 여기저기 저장소에 흩어져 담당자가 바뀌면 인수인계가 막힙니다. 재학습이 필요한지, 배포해도 되는지를 사람이 매번 판단하는 것도 부담입니다.

MLOps 모듈은 이 구간을 맡습니다.

재현성 — 모델 파일, 코드, 데이터, 실행환경, 워크플로우를 Commit 단위로 함께 버전 관리합니다. 같은 조건을 다시 불러오면 같은 모델이 나옵니다.

개발환경 — 웹에서 CPU·메모리·스토리지를 지정해 컨테이너 개발환경을 즉시 만들고, 브라우저의 웹 터미널로 접속합니다. 표준 디렉토리와 코드 템플릿이 함께 제공됩니다.

자동 재학습 — 데이터 드리프트가 감지되면 데이터레이크 API와 연동해 재학습을 돌립니다. 알람 → 재학습 → 검증이 닫힌 고리로 이어집니다.

5개 게이트 — 데이터품질·드리프트해소·성능·과적합·재현성을 자동 판정해, 기준에 못 미친 모델은 배포 자체를 막습니다. 검증되지 않은 모델이 현장에 올라가는 일을 구조적으로 차단하려는 장치입니다.

연합학습 — 거점이 여러 곳인데 데이터를 한곳에 모으기 어려울 때 씁니다. 각 거점이 로컬 데이터로 학습한 모델만 호스트로 보내면, 라운드 단위로 집계해 공동 모델을 만듭니다. 데이터 자체는 거점 밖으로 나가지 않습니다.

데이터 수집부터 학습·운영까지 끊기지 않게 하려면 B²LAB과 함께 씁니다.

운영 반영 절차

1. 모델 등록 — 컨테이너 개발환경에서 코드를 쓰고 검증 명령으로 데이터·전처리·학습 결과를 자체 점검한 뒤, 코드·학습 데이터·실행환경을 Commit으로 등록해 버전을 만듭니다. 버전 태그를 붙여 레지스트리에 올리면 이후 재학습이 이 버전을 참조합니다.
2. 드리프트 감지 — PSI, KS-Test, JS-Divergence 같은 통계 기법으로 입력과 출력(예측)의 분포 변화를 주기적으로 검사하고, 정확도 변화율로 성능 저하를 함께 살핍니다.
3. 재학습과 배포 — 임계값을 넘으면 알람을 보내고 재학습을 자동으로 겁니다. B²LAB API로 최신 학습 데이터를 받아 다시 학습한 뒤 5개 게이트를 판정하고, 모두 통과한 모델을 담당 개발자가 최종 확인해 서빙으로 승격합니다. 자동으로 바로 나가지 않습니다.
4. 연합학습 운영 — 프로젝트와 참여 거점을 등록하고 즉시학습 또는 주기적 재학습 트리거를 걸어 둡니다. 거점이 각자 학습한 모델을 라운드 단위로 집계합니다.

도입 요건

배포와 자원 — 고객 전용 클라우드(VPC·Dedicated) 또는 온프레미스에 구축하고 폐쇄망은 온프레미스로 대응합니다. 컨테이너 개발환경은 CPU·메모리·스토리지 기준으로 할당하며 GPU는 기본 미할당이라 필요하면 따로 협의합니다. 데이터레이크(B²LAB)와 드리프트 감지 시스템에 닿는 사내망 경로가 있어야 합니다.

데이터 준비 — 모델 코드와 학습 데이터셋, 실행환경 설정이 표준 디렉토리 구조(data / src / models / configs / outputs)로 정리돼 있어야 합니다. 재학습과 드리프트 감지를 쓰려면 B²LAB에 학습 데이터와 최신 운영 데이터가 API로 조회 가능한 상태여야 하고, 이게 안 돼 있으면 자동 재학습이 제대로 돌지 않습니다. 연합학습을 쓴다면 각 거점에도 같은 스키마의 로컬 학습 데이터가 있어야 합니다.

연동 — B²LAB API 연동이 필수입니다(학습 데이터셋 조회, 드리프트 모니터링 데이터 수신). 모델 서비스 시스템과는 REST API로 붙어 배포·롤백을 실행하고 모델 메타정보를 제공합니다. 연합학습은 호스트와 거점 노드 사이의 통신 경로가 필요합니다. 인증은 데이터레이크 플랫폼 통합 인증(SSO) 연계를 기본으로 합니다.

권한 — 모델 개발자(개발환경·커밋), MLOps 운영 담당(재학습·배포 승인), 플랫폼 관리자(연합학습 프로젝트·거점 구성)로 나눕니다. 5개 게이트를 통과한 모델이라도 서빙 승격에는 담당 개발자의 최종 승인이 필요합니다. 배포 이력과 재학습 사유는 감사 로그로 남습니다.

현재 단계

MLOps 모듈은 구축을 마치고 공인 성능평가를 앞둔 단계입니다. 개발 항목 50건, 약 339 M/D 규모로 진행했습니다.

배포 차단 건수, 모델 개발–배포 리드타임, 재학습–배포 자동화율 같은 지표를 성능 지표로 두고 있으나, 공인평가를 받기 전이라 실측 수치는 공개하지 않습니다. 평가가 끝나면 이 자리에 싣겠습니다.

설명 가능한 AI(XAI)

A²LAB에는 설명 가능한 AI(XAI) 기술이 적용돼 있습니다. AI가 특정 조치를 제안한 이유와 판단 과정을 사용자가 논리적으로 확인할 수 있습니다.

결과만 주는 시스템은 현장에서 신뢰를 얻기 어렵습니다. 근거를 함께 제시해야 운영자와 관리자가 그 제안을 실제 의사결정에 쓸 수 있습니다.

인증

A²LAB BI는 GS인증 1등급을 획득했습니다.