▲ 11기 산업 AI 트랙 모습, 트랙 담당교수: 오세현 교수, 구윤모 교수, 이정준 교수

(장은미 원우 온라인 참석)

 

공학전문대학원 산업 AI 트랙은 제조, 에너지, 인프라 등 핵심 산업의 현장 문제를 AI로 해결하는 실무 중심 교육 및 연구 과정입니다. 데이터를 활용한 AI 기술에 산업 현장의 시스템과 물리적 지식을 결합해 공정 최적화, 설비 예지 보전과 안전, 설계 시뮬레이션, 산업 의사결정 등의 폭넓은 영역을 다룹니다.

 

지난 9월 17일 SK아너스라운지에서 11기 산업 AI 트랙 미팅이 열렸습니다. 서로 다른 도메인에 몸담고 있는 원우들이 각자의 문제의식을 공유하고 트랙 담당 교수님들과 함께 연구 방향을 구체화하는 시간을 가졌습니다. 11기 원우들이 풀어갈 주요 연구 주제는 다음과 같습니다.

 

[11기 산업 AI 트랙 주요 연구 주제]

연구 주제	주요 내용
답변을 넘어 행동으로: 실제 기업 AI 행동 라우팅 연구	실제 기업 AI 상담 로그를 기반으로, 단순히 답변을 생성하는 것을 넘어 추가 정보 요청, 내부 상태 조회, 전문가 위임, 업무 실행 등 상황에 적합한 ‘차기 행동’을 선택하는 문제를 연구
상수도 계측데이터를 활용한 관로사고 예측 및 사고대응 지원 알고리즘 연구	실시간 유량 계측데이터를 머신러닝으로 학습하여 관로사고를 사전에 포착하고 신속한 사고대응을 지원하는 알고리즘 연구
IT 유지관리 데이터기반 시스템 변경 리스크 예측 모델 개발 및 검증	정보시스템 변경에 수반되는 장애 위험을 사전에 예측하기 위해 작업주문서와 장애보고서를 활용하여 장애조치 작업을 식별하고 선행 작업 간 관계를 구축하여, 신규 작업 계획 시점의 위험을 예측하는 프레임워크 연구
GPS 주행 궤적 검증기반 RUC 과금 신뢰수준 평가개념 연구	도로망 정합(맵매칭) 오차로 인한 RUC 과금 신뢰성 저하 문제를 해소하기 위해, 매칭 이탈도(RDI) 지표를 제안하고 이상 탐지 신호로서의 활용 가능성을 탐색하는 연구
CADAgent : 2D 도면 공정분류를 위한 AI 컴파운드 시스템	2D CAD 도면의 형상과 특징, 재질 등을 해석하여 CNC밀링, 판금, 제관 등 어떤 공정으로 제작해야 하는 지를 분류하는 컴파운드 시스템을 연구

이처럼 현업의 문제를 풀고자 본격적인 연구에 나선 산업 AI 트랙의 지향점과 현장에서 의미 있는 성과를 만들어내는 AI 리더의 역할을 알아보고자 산업 AI 트랙의 주임 교수이신 오세현 교수님과 인터뷰를 진행했습니다.

 

[오세현 교수님 인터뷰]

Q1. 최근 일반 AI 연구가 활발한 가운데, 실제 산업 현장의 난제를 해결하는 '산업 AI 트랙'만의 차별화된 역할과 비전 소개를 부탁드립니다.

 

최근 AI 연구는 더 큰 모델, 더 높은 벤치마크 점수를 중심으로 빠르게 발전하고 있습니다. 그런데 산업 현장에 가보면 질문이 완전히 달라집니다. 특정 모델의 정확도를 몇 퍼센트 더 높이는 것보다 전체 시스템에서 실제 병목이 어디에 있고 그것을 해결했을 때 전체 성과가 얼마나 개선되는지를 찾아내는 일이 더 중요할 때가 많습니다. 여러 단계의 프로세스로 얽혀 있는 서비스를 보면 이해가 쉽습니다. 그중 한 단계의 성능을 아무리 높여도 다른 곳에 더 큰 병목이 남아 있다면 고객이 체감하는 전체 품질은 크게 달라지지 않습니다. 그래서 산업 AI를 하는 사람에게는 주어진 문제를 잘 푸는 능력뿐 아니라 어디에 진짜 문제가 있는지를 찾아내는 눈이 필요합니다. 또한 그 문제를 개선했을 때 전체 성과가 얼마나 좋아질지 또 현실적으로 어느 정도까지 개선할 수 있을지를 함께 판단할 수 있어야 합니다.

 

제가 현업에서 PASS 서비스를 담당했을 때도 마찬가지였습니다. PASS 안에는 여러 부가서비스가 있었지만 각각의 기능을 조금씩 최적화하는 것만으로는 사업 전체의 성과가 크게 달라지지 않습니다. 더 중요한 것은 고객이 서비스를 얼마나 자주 이용하게 하고 그 안에서 얼마나 자연스럽게 여러 서비스를 경험하게 하느냐였습니다. 결국 하나의 기능이 아니라 전체 서비스의 메커니즘과 고객이 체감하는 품질을 봐야 합니다.

 

산업 AI 트랙도 이런 관점에서 출발합니다. 학생 대부분이 이미 산업 현장에서 여러 해 일해 본 엔지니어들이기 때문에 연구 주제가 문헌에서만 나오는 것이 아니라 자신이 실제로 경험한 현장의 문제에서 시작합니다. 그리고 연구의 성과 역시 모델 정확도뿐 아니라 설비 효율, 다운타임, 서비스 품질처럼 현장이 실제로 의미 있다고 받아들이는 지표로 확인해야 합니다. 복잡한 산업 현장의 제약 속에서 AI 시스템을 직접 설계하고 검증·운영까지 완결할 수 있는 '공학형 AI 리더'를 양성하는 것이 산업 AI 트랙의 지향점입니다.

 

 

Q2. 현업 도메인 지식과 AI 기술의 융합, 현장과의 소통 등 미래 산업 AI 리더에게 가장 필요한 역량과 태도는 무엇이라고 보십니까?

 

저는 산업 AI에서는 기술 못지않게 사람과 조직을 이해하는 능력이 중요하다고 생각합니다. 제가 평소 "AI 프로젝트가 실패하는 이유의 대부분은 알고리즘이 아니라 사람에 있다"고 말씀드리는 이유도 현장에서 실제로 마주했던 현실 때문입니다. 회사에서는 하나의 기술을 잘 만든다고 해서 바로 현장에 적용되는 것이 아닙니다. 데이터가 있어도 다른 부서와 공유하기 어려울 수 있고 기존 시스템을 바꾸려면 새로운 개발 비용과 예산이 필요합니다. 그 시스템을 실제로 사용할 사람들을 교육하는 과정도 필요합니다. 심지어 같은 회사 안에서도 개인정보나 책임 문제 때문에 "유용한 데이터니까 같이 쓰자"고 간단히 결정할 수 없는 경우가 많습니다.

 

제가 모바일 운전면허증을 만들었을 때가 한 사례입니다. 모바일 운전면허증을 대리점에서 신분증 확인에 활용하면 편리할 것이라고 생각했습니다. 아이디어만 보면 금방 될 것 같지만 실제 적용까지는 약 1년 반이 걸렸습니다. 대리점에는 이미 기존 신분증을 확인하는 장비와 업무 절차가 있었고 모바일 방식에 맞춰 시스템을 개발하려면 비용이 들고 직원 교육도 필요했습니다. 또 예산 편성 시기도 맞아야 했습니다. 여기서 중요한 것은 "위에서 하라고 하면 되는 것 아니냐"가 아니라는 점입니다. 실무자, 과장, 부장, 본부장 등 실제로 그 일을 움직여야 하는 사람들이 왜 필요한지를 이해하고 받아들여야 합니다. 현장의 문제와 우려가 해결되지 않은 상태에서 위에서 지시만 한다고 시스템이 자연스럽게 정착하지는 않습니다.

 

그래서 저는 산업 AI 리더에게 일종의 '번역 능력'이 필요하다고 봅니다. 현업에서 "요즘 이 설비가 좀 이상하다"고 말했을 때 그것을 어떤 데이터의 어떤 패턴으로 볼 것인지 정의하고 다시 AI가 낸 이상 점수를 "이번 주 안에 무엇을 점검해야 한다"는 실제 행동으로 돌려줄 수 있어야 합니다. 여기에 데이터 파이프라인부터 배포와 모니터링까지 끝까지 책임지는 실행력, 그리고 여러 이해관계자와 같은 언어로 이야기하며 신뢰를 쌓는 태도가 함께 필요합니다. 결국 산업 AI의 성공은 하나의 알고리즘이 얼마나 뛰어난가보다 전체 과정에 참여하는 사람들이 그것을 얼마나 이해하고 받아들이며 실제 도움을 얻는가에 달려 있다고 생각합니다.

 

 

Q3. 현장 데이터의 불완전성, 보안, 설명 가능성(XAI) 등 실제 산업 현장에 AI를 적용할 때 마주하는 현실적인 장벽과 이를 극복하기 위한 방법은 무엇일까요?

 

산업 현장에서 새로운 시스템을 실제로 안착시키는 것 자체가 굉장히 어려운 일입니다. 좋은 모델을 만들었다고 해서 다음 날부터 사람들이 그 결과를 믿고 사용하는 것은 아닙니다. 우리 일상의 서비스만 봐도 그렇습니다. 새로운 서비스가 나오면 처음에는 호기심 때문에 한번 사용해볼 수 있지만 그것이 생활 속 습관으로 자리 잡는 데는 시간이 걸립니다. 산업 현장은 더 복잡합니다. 여러 조직과 업무 프로세스가 연결돼 있고 새로운 AI 시스템의 결과를 실제 업무에 반영하려면 기존의 판단 방식까지 바뀌어야 하기 때문입니다.

 

현장의 일하는 방식을 바꾸고 신뢰를 쌓아가는 문제 못지않게 기술과 데이터 측면의 현실적인 장벽도 큽니다. 현장 데이터에는 결측과 노이즈가 많고 실제 예측해야 하는 고장이나 불량은 매우 희소합니다. 공정이나 원자재가 바뀌면 데이터 분포도 달라질 수 있습니다. 보안과 데이터 주권 때문에 데이터를 외부로 가져가기 어려운 경우도 있고 AI가 왜 그런 판단을 했는지를 작업자나 관리자에게 설명해야 하는 문제도 있습니다. 기술적인 설명 가능성을 넘어 작업자에게는 원인 변수를, 관리자에게는 조치에 따른 효과를 맞춤형으로 납득시킬 수 있어야 합니다. 결국 현장에서 통하는 접근법은 하나입니다. 작게 시작하고 실제 현장에서 검증하고 실패를 보완하면서 신뢰를 얻은 뒤 확장해야 합니다. 모델을 한번 만들고 끝내는 것이 아니라 데이터 변화를 지속적으로 살펴보고 재학습과 운영까지 포함한 하나의 시스템으로 봐야 합니다.

 

 

Q4. 현업과 학업을 병행하며 AI를 배우기 위해 모인 11기 신입생 학우들에게 격려와 당부의 말씀 부탁드립니다.

 

현업에서 일하다 보면 의외로 하나의 일을 처음부터 끝까지 완결해보는 경험이 많지 않습니다. 특히 경력이 많지 않은 직원은 전체 프로젝트의 일부 업무를 맡는 경우가 많습니다. 그래서 자신이 지금 하는 일이 전체 과정에서 어디에 놓여 있고 나중에 어떻게 사용되는지 충분히 보지 못한 채 일할 때도 있습니다. 그래서 저는 대학원에 있는 동안만큼은 아주 작은 문제라도 하나를 정해서 문제를 정의하고 직접 해결해보고 실제로 사용해보고 결과를 확인하는 전체 사이클을 한번 돌려봤으면 합니다. 한번 끝까지 해보고 나면 그 과정 속에 있을 때는 보이지 않았던 전체 구조가 보이기 시작합니다. 큰 문제를 1년 내내 붙잡고 있을 필요도 없습니다. 오히려 작은 문제라도 처음부터 끝까지 자신이 완결해보는 경험이 중요합니다.

 

저도 요즘 그런 작은 시도를 많이 하고 있습니다. 예전에 사용했던 쉘 명령어나 파이썬을 다시 꺼내 필요한 도구를 직접 만들어보기도 하고 경제지표나 기업 실적 발표가 나오면 AI가 내용을 정리하도록 해두기도 합니다. 거창한 프로젝트가 아니라 내가 실제로 불편했던 일을 하나씩 바꿔보는 중입니다. 그러다 보면 그 과정에서 새로운 도구를 자연스럽게 배우게 됩니다. 회사에 있을 때도 기억에 남는 직원이 있었습니다. 앱 품질관리를 담당하던 직원이 어느 날 찾아와 반복적으로 하던 업무를 자동화해보고 싶다고 했습니다. 본래 맡은 업무는 아니었지만 필요한 지원을 해주자 한두 달 동안 직접 시도해 성과를 만들어냈고 이후에는 학생들과 작은 프로젝트로까지 발전시켰습니다. 팀장이나 아주 고연차 직원이 아니었습니다. 평소 자신이 하던 업무에서 불편한 문제를 하나 발견하고 직접 해결했습니다.

 

11기 여러분도 "최신 AI 모델을 얼마나 빨리 따라갈 것인가"만 고민하기보다 내가 현업에서 정말 바꾸고 싶은 문제 하나가 무엇인지 찾아보셨으면 합니다. 그리고 아주 작게라도 직접 실험해서 처음부터 끝까지 한번 돌려보십시오. 무엇이 잘됐고 무엇이 막혔는지도 기록해보시기 바랍니다. 또 한 가지는 옆에 있는 동료들과 적극적으로 교류하셨으면 합니다. 제조, 에너지, 화학공정, 서비스 등 서로 다른 산업에서 온 사람들이 한자리에 모여 있다는 것은 흔치 않은 기회입니다. 다른 산업의 문제들을 접하다 보면 자신이 익숙하게 바라보던 문제도 전혀 다른 각도에서 볼 수 있습니다. 2년 뒤 여러분이 단순히 'AI를 공부한 사람'이 아니라 문제를 스스로 찾아 정의하고 실제 현장에서 끝까지 결과를 만들어본 사람으로 성장하기를 기대합니다.

________________________________________

취재 및 정리: 김병국 학생기자