pharm edaily

박정수 성균관대 스마트팩토리 융합학과 겸임교수

[박정수 성균관대 스마트팩토리 융합학과 겸임교수] 변화 관리(變化管理, Change management)란 기업에 일어나는 산업혁명과 같은 중대한 변화를 기업 성과가 향상되는 방향으로 관리하는 것을 말한다. 제조업은 점점 더 까다롭고 어려운 시장의 고객 맞춤과 개인화 요구에 직면해 있다.

다변화된 트렌드 속에서 소비자들의 섬세한 니즈(needs)에 더욱 민감하게 대응하는 일이 중요해질 것으로 전망된다. 소비자 각 개인을 타깃(target)으로 한 정교한 마케팅과 생산을 연계한 융합 전략과 함께 소비자 소통을 더욱 긴밀히 가져갈 수 있는 방안이 마련되어야 한다. 이를 위해 다품종 소량으로 제조 대응하는 생산 배치와 빈번한 작업 변경이 과거와 다른 낭비와 제조원가 상승을 초래하는 경향이 나타나고 있다.

4차 산업혁명이 몰고 온 시장의 특성에 의해서 “개인화된 맞춤” 제조 전략이 떠오르고 있다. 특히 소비 시장의 주 고객층으로 자리매김한 밀레니얼 세대가 ‘신념 소비’와 ‘가심비’(가격 대비 마음의 만족)를 추구하기 때문에 소비자 개개인의 특성과 스토리를 반영한 맞춤형 전략을 펼쳐야 한다. 그 밖에 제조 공급망(supply chain)도 급변하고 있으며 아웃소싱이 증가하고 있다. 이런 제조 현상을 극복하기 위한 변화관리의 수단으로써 스마트 팩토리를 구축해야 한다.

이와 같은 “개인화된 맞춤”을 실현시키기 위해서는 제조 분야의 생산, 물류, 판매 영역을 실시간으로 통합시켜 상호작용되어야 할 뿐만 아니라 빅데이터의 특성에 따른 데이터 관리 기술이 뒷받침되어야 한다. 그 이유는 데이터가 많을수록 인공지능(AI)를 접목하기 위한 학습의 정확도가 높아지고 예측을 더 정확하게 할 수 있기 때문이다. 또한 인공지능을 적용하여 차별화된 기능을 만들려면 인공지능(AI)에 학습시키는 데이터의 품질관리가 중요하다.

제조 현장에서 특정한 작업을 위해서 데이터를 관련성 있게 모아놓은 것을 데이터 셋(data set)이라고 하며 여러 형식으로 된 자료를 포함한다. 데이터 파일, 또는 데이터 베이스라고도 부르며 컴퓨터가 처리, 분석할 수 있는 정보의 세트를 말한다. 인공지능의 기계 학습(ML)에 필요한 데이터를 수집하기 위해서는 엄청난 시간과 노력이 필요하다. 또한 스마트 팩토리 구축을 통해 제조 현장에서 축적해 온 생산공정의 다양한 변수와 클레임과의 상관관계를 인공지능(AI)에 학습시켜, 유사한 문제 발생 시 실효성이 높은 원인을 실시간 기반 피드백(real-time based feedback)에 의해 자동으로 찾아내어 품질관리 수준을 획기적으로 향상시킬 수 있다.

따라서 인공지능(AI)은 “학술 논문”이라고 인식하는 것이 중요하다. 다시 말해 인공지능만으로는 어떠한 기능도 존재하지 않기 때문이다. 그래서 인공지능(AI)를 다른 기능에 접목시켜 새로운 기능을 만들어내야 한다. 즉 인공지능(AI)을 다양한 제조 기능에 적용하여 과거와 다른 차원의 뉴 노멀(new normal) 기능을 ▲효율화(Efficiency) ▲개인화(Personalization) ▲추론(Inferencing) ▲탐구(Exploration) 관점에서 실현해야 한다. 특히 인공지능(AI) 기술을 다른 기능과 접목하여 만들어 낸 포괄적인 기능은 “개인화된 맞춤”의 수준을 결정한다. 더 나아가 인공지능(AI) 기술을 활용하여 사용자의 행동을 분석해 패턴을 찾고 사용자를 구분한다. 실제로 구인구직, 검색, 콘텐츠, 배달 대행 등 다양한 산업 군에서 업계 선도 기업들을 중심으로 “개인화된 맞춤”을 실현한 서비스들이 출현하고 있다.

다른 한편, 경쟁을 위해 제조업체는 값비싼 장비의 생산성을 최적화하고, 낭비를 줄이고, 수율(yield)을 극대화하여, 제품과 서비스의 생명주기(life cycle) 단축 트렌드에 귀결된 민첩한 품질 안정화와 같은 제조 대응력을 지속 가능하게 만들어야 한다. 특히 빅 데이터와 인공지능, 클라우드(cloud computing) 및 엣지(edge computing) 기술을 활용하여 현장 데이터를 처리하기 위한 새로운 기능은 사후 대응적인 문제 해결뿐만 아니라 예지적인(predictive) 관점에서 장비, 프로세스, 그리고 공정품질관리는 사후 대책 마련보다는 사전 예방 관리로의 전환이 요구된다. 한마디로 비용 증가와 이익 감소를 운영 효율성(operation efficiency & operability)으로 극복해야 한다. 그 대표적인 수단 매체(手段媒體)가 린 생산(lean production) 기반 스마트 팩토리이다.

그러므로 스마트 팩토리 구현은 자동화(automation)를 넘어서 자율화(autonomy) 된 공장, 지능형 제조이다. 즉 단순 생산 자동화를 넘어 자율 생산 시스템을 갖춘 공장을 말한다. 원부자재 주문에서 생산계획, 그리고 작업지시까지 MES와 ERP 시스템에 의해 관리되고, 공정 최적화(process optimization)와 예지(prediction), 이상 징후 감지(anomaly detection) 등은 데이터 관리 기술을 기반으로 인공지능을 적용한 솔루션(solution)에 의해 통제되고 운용되는 CPS(Cyber Physical System) 기능이 내재화(內在化) 된 스마트팩토리 플랫폼에서 운용(運用) 되어야 다양한 시장과 고객의 변화 요구를 수용할 수 있기 때문이다.

점점 더 개인화된 맞춤 주문에 의해서 제조 요구사항이 까다롭게 바뀌면, 제품에 대한 설계도면이 데이터에 의해 흘러 들어가 제조 공정이 자동 설계될 수 있어야 한다. 이를 해결하기 위한 스마트팩토리의 핵심은 데이터 관리 기술과 공정 기술(OT)이 융합되어 작업지시 및 시운전 등이 자동적으로 이루어지도록 운영 가용성(operability)을 지속시켜야 한다. 한마디로 자율 구성(Self-Organization)을 기반으로 부품과 공정별 특성에 맞게 모듈화가 실현되는 공장이 스마트 팩토리이다. 마치 레고 블록으로 여러 가지 형상의 작품이 만들어지듯, 생산할 물품에 최적화된 공정이 스스로 조립되어 생산하는 Plug, Play, & Produce(PNP)가 구현되는 공장이 바로 스마트 팩토리이다.

스마트팩토리에서 로봇의 역할은 단순히 물리적인 노동력을 대체하는 것으로 끝나지 않는다. 각종 센서(sensor)로 장착(裝着) 된 로봇은 제조공정에서 일어나는 모든 물리적 현상을 관찰하고, 조립, 가공, 품질검사 등 모든 제조 현장에서 데이터를 수집하고, 축적된 빅 데이터를 기반으로 한 최적화된 작업 프로그램으로 주어진 작업을 수행한다. 공정 내의 물류 로봇들은 최적화된 경로와 일정으로 생산에 필요한 부품과 최종 생산물들을 배송 창고에 적재하는 사내물류까지 자율적으로 처리할 수 있다.

제조 로봇들을 포함해 제조 현장 내부의 작업 프로그램들은 모두 공장을 통제하는 생산실행관리 솔루션(MES)의 통제를 받게 되며, 제조 로봇들이 감지한 데이터들은 모두 수집되어 MES로 전달되는 순환시스템의 구성요소가 될 것이다. 또한 제조 로봇은 자동 프로그래밍, 자율 판단, 지능화와 최적화로 특징지어질 수 있다. 이러한 스마트 팩토리에서의 핵심기술은 역시 데이터를 다루는 인공지능 기술과 사이버 피지컬 시스템(CPS)과 같은 실시간 기반 피드백(real-time based feedback) 기술은 스마트 팩토리 플랫폼의 핵심 기술이다.

지금까지 애프터서비스(AS)처럼 제품 출시 후에 비즈니스 기회가 전혀 존재하지 않았던 것은 아니지만 그것을 비즈니스적 기회로 인식하지 못했던 것은 제품 출시 후에 대한 데이터를 일관적으로 얻어낼 수 있는 기술적 환경이 어려웠고, AS의 개념이나 환경적 이유로 폐기 과정에 대한 지원 정도로만 머물렀기 때문에 제조업에서는 부가적인 책임 또는 비용 유발 요인으로만 생각될 수밖에 없었다. 따라서 새로운 비즈니스가 일어날 수 있는 기회라는 인식 자체가 어려웠던 것이다.

그러나 4차 산업혁명의 대표적인 기술들의 특성을 활용해 지능적인 데이터의 연결을 통한 사용자 데이터의 수집과 이를 활용한 맞춤형 솔루션이 가능하게 되면서 이러한 영역에서의 서비스 개발은 제품의 새로운 경쟁력으로 작용하게 된 것이다. 따라서 사용자 데이터에 의해 구현되는 경험 서비스에 대한 연구와 방식에 대한 다방면에서의 접근이 필요한 시점이라 할 수 있다. 이렇게 제품 출시 후에 발생하는 데이터에 의한 경험 서비스의 개발, 사용자 경험 디자인(UX-Design)은 기본적으로 아래 표와 같은 단계의 과정을 거쳐 사용자의 경험 데이터가 다시 새로운 단계의 서비스로 구축된다. 그래서 데이터 관리는 변화관리의 출발선이다.



스마트 팩토리의 핵심 기술은 데이터 관리 기술이다. 제조 현장에서 일어나는 모든 물리적 현상이 센서 네트워크(sensor network)와 데이터 관리 기술에 의해 감지되고 연결되어 사물 인터넷에 의해 클라우드 서버로 집적된다. 클라우드 서버로 모여진 공정 데이터들은 데이터 관리와 인공지능 기술에 의해서 분석되고 학습되어 최적의 형태로 조건을 탐색하여, 다시 공정을 재조립하고, 최적화한다. 이를 위한 스마트 팩토리의 기본은 실시간 기반 피드백(real-time based feedback) 기능이다.

제조의 경쟁력은 시장과 고객의 “개인화된 맞춤”에 대응하는 역량에 의해서 결정된다. 더 나아가 “개인화된 맞춤”의 속성은 비용, 시간, 품질관리 등 과거와 다른 제조원가 상승으로 나타나고 있다. 그러므로 이러한 이슈와 문제를 해결하기 위해서 인공지능 기술을 다양한 제조 영역에 접목시켜 지속 가능한 누적 효과를 만들어내기 위해서는 데이터 관리 기술과 실시간 기반 피드백(real-time based feedback) 기능을 갖추어야 한다.

또한 지능형 스마트팩토리의 이점에는 이벤트를 사전에 감지하고 대응할 수 있는 기능이 포함되어 있어 품질, 수율(yield)을 개선하고 가동 중지 시간을 줄이고 전반적인 장비 효율성, 즉 설비 종합효율(OEE, Overall Equipment Effectiveness))을 향상시킨다. 생산 실행을 미리 시뮬레이션하여 병목 현상을 찾아낼 수 있다. 지능형 제조는 공급망과 재고관리를 스마트화하여 사전 변화를 허용하여 포장 및 운송을 포함한 물류를 최적화할 수 있다. 그뿐만 아니라 스마트팩토리 구축을 통해 실현될 지능형 제조는 지속적인 경쟁 우위를 위해 새로운 비즈니스 기회, 수익 흐름 및 자산의 수익화(收益化)를 찾아내는 스마트 제조가 실현될 것이다.

이미 글로벌 기업들은 막대한 자본력을 앞세워, 로봇과 인공지능, 스마트 팩토리 플랫폼 기술에 집중 투자하고 있다. 따라서 산업 생태계는 이러한 혁명적 변화에 의해서 모두 재편되는 시기가 산업혁명이 전개되는 지금 이 순간이다. 원가 우위를 위한 제조원가 관리와 아날로그(analog)만을 내세우는 생산기술은 더 이상 우리 산업을 지탱하는 버팀목이 아니다. 우리의 우수한 제조 인력 또한 인공지능과 빅 데이터로 무장한 스마트 팩토리 플랫폼과 로봇을 이길 수 없다. 또한 생산에서 판매 유통까지 모두 단일 네트워크로 묶이는 온라인 주문생산 방식으로 바뀔 것이다. 그러므로 생산자와 소비자의 경계도 무너질 것으로 보인다. 소비자가 물품 디자인뿐만 아니라 생산에도 참여하는 진정한 프로컨슈밍(proconsuming) 시대가 현실화되고 있다.

그렇다면, 인공지능(AI)을 어떻게 이해해야 할까? 인공지능을 제품이나 서비스에 접목하여 고객과 시장이 요구하는 기능(function)의 지능화를 실현시켜야 살아남을 수 있다. 즉 기업의 이익 창출로 직결되는 변화관리가 요구된다. 역설적으로 지능화된 기능이 부족한 제품과 서비스는 고객의 관심으로부터 멀어지게 되어 매출과 이익에 나쁜 영향을 미칠 것이다. 또한 인공지능은 지속적으로 데이터가 쌓이는 누적 효과를 조직 운영이나 프로세스 개선에 적용하여 과거와 다른 효율성을 높일 수 있다. 이는 고전적인 변화관리 개념으로부터 탈피하여 상시적으로 데이터 기반 혁신 활동이 발현되는 조직 문화로 자리매김될 것이다. 즉 지속 가능한 효율성 향상을 위해 조직의 모든 절차에 내재화(內在化) 되어야 한다. 그리고 전사적인 변화 관리와 인공지능(AI)을 활용하는 역량이 조직의 민첩성을 향상시키기 때문에 새로운 비즈니스 기회를 만들 수 있다. 인공지능 자체는 하나의 수단일 뿐이다.

일반적으로 인간은 과거의 경험이나 지식을 학습한다. 그러나 컴퓨터는 소프트웨어(S/W) 설계자와 프로그래머가 작성한 코딩(coding)에 의해 명령에 반응하고 작동해왔다. 하지만 이제 빅데이터 관리 기술 발달로 컴퓨터도 인공지능(AI) 설계자의 알고리즘과 프로그램 명령어와 연계하여 인간처럼 스스로 과거의 경험을 학습하고 미래를 예측하는 분석력을 보유하고 있을 뿐만 아니라 딥 러닝을 통해 스스로 학습할 수 있는 시대가 도래하고 있다. 특히 인간이 잘 수행하지 못하는 수많은 빅데이터를 거의 실시간으로 처리하는 장점을 가지고 있어 인간과 인공지능(AI)이 협업하여 과거와 다른 생산성과 효율성을 향상시킬 수 있을 것이다.

과거 기업 활동이 잘못된 것이 아니라 지금은 다르다(differ)는 것이다. 그래서 기업 환경을 과거와 전혀 다른 뉴 노멀(new normal) 관점에서 직시해 보면, 부분적인 최적화 시대에서 전체 최적화 시대로의 전환이 일어나고 있으며, 일시적인 해결책을 찾는 것보다는 지속 가능한 문제 해결 능력을 배양하기 위한 변화관리 체제를 새로운 산업혁명은 요구하고 있으며, 지속 가능한 산업별 플랫폼 경영이 요구되고 있다. 그래서 “구글처럼 개방하고 페이스북처럼 공유하라”라는 말이 생겼는지도 모른다.

임마누엘 칸트의 “코페르니쿠스(Nicolaus Copernicus) 적 전환”처럼 지구가 태양 둘레를 도는 공전에 대한 개념이 아니라 자기 축을 중심으로 회전하는 자전에 관한 개념, 즉 코페르니쿠스적 전환은 주변부로 물러남으로써 완성되는 것이 아니라 중심부로 들어가서 그곳으로부터 사물을 관찰하고 논의를 펼쳐갈 때 비로소 가능해진다는 관점과 자연법칙은 자연 안에서 발견되는 것이 아니고 우리가 자연에 부과하는 것이라는 칸트의 형이상학적 전환은 이처럼 중심부로의 이행을 통해서 이루어진다고 강조하듯이 고객과 시장의 “개인화된 맞춤”을 제조 대응하기 위해서는 제조 현장의 변화관리를 플랫폼화해야 한다. 그것은 제조 현장의 자전(自轉)이 핵심이기 때문이다.