생산라인에 AI 적용, 쉬워 보이지만 어렵다

AI - Ảnh 1. — 전문가들이 반도체 칩 개발에 AI를 적용하다 - 사진: UMICH

이는 8월 5일 오후 호치민시 과학 기술부 혁신센터에서 주최한 "반도체 산업의 인공지능(AI) 솔루션" 워크숍에서 주요 주제로 다루어졌습니다.

전문가들은 오늘날 가장 큰 장벽으로 여겨지는 생산 환경에서의 실질적인 구현 역량을 찾는 데 주력해 왔습니다.

Ascendas Systems의 엔지니어인 Duong Quang Huy는 현대의 생산 라인, 특히 반도체 생산 라인에서는 생산 오류를 감지하기 위해 AI 모델이 필요하다고 말했습니다.

예를 들어, 엔지니어는 Deep Network Designer와 같은 도구를 사용하여 신경망을 구축, 시각화, 미세 조정할 수 있고, Classification Learner를 사용하여 다양한 알고리즘을 테스트하고 실제 데이터 세트에 가장 적합한 모델을 선택할 수 있습니다.

Huy 씨에 따르면, 훈련 환경에서 실제 생산 라인으로 모델을 옮길 때 실험실과 동일한 정확도를 유지할 수 있을지 여부가 어려움입니다.

알고리즘은 시뮬레이션 환경에서는 99%의 정확도를 달성할 수 있지만, 눈부심, 먼지 또는 구성 요소가 약간 회전하는 것과 같은 간단한 이유로 조립 라인에서 실제 제품 결함을 놓칠 수 있습니다.

"AI 개발의 과제는 알고리즘에 있는 것이 아니라 연구실에서 현실로 옮기는 데 있습니다."라고 후이 씨는 단언했습니다.

AI - Ảnh 2. — 워크숍에서 Duong Quang Huy 전문가가 발표했습니다. - 사진: TRONG NHAN

전문가들에 따르면, 기본적이고 결정적인 해결책 중 하나는 입력 데이터를 표준화하고 정확한 훈련 데이터 세트를 구축하는 것입니다.

모델 배포에서 발생하는 대부분의 오류는 일관되지 않은 입력 데이터에서 비롯됩니다. 즉, 과도하게 노출되었거나, 왜곡되었거나, 초점이 맞지 않았거나, 훈련 환경과 조명 조건이 다르거나, 구성 요소가 약간 옮겨진 이미지가 그 예입니다.

이 문제를 해결하기 위해 전문가인 Duong Quang Huy는 조명 균형, 각도 조정, 대비 향상, 노이즈 제거 등의 단계를 포함하여 훈련 전에 이미지 데이터를 표준화할 것을 권장합니다.

동시에 도구를 사용하거나 수동 및 자동 라벨링을 조합하여 정확하게 라벨링을 하면, 모델은 관련 없는 특징에 방해를 받지 않고 결함의 실제 특성을 학습하는 데 도움이 됩니다.

또한 이 행사에서 나바기스(Navagis)의 국가 이사인 전문가 트란 킴 두이 란(Tran Kim Duy Lan)은 AI 개발의 또 다른 역설을 지적했습니다. AI는 칩 설계 시간을 30% 단축하고 공장 생산성을 최대 25%까지 높일 수 있습니다. 하지만 AI를 운영하는 데이터 센터는 2030년까지 전 세계 전력의 최대 21%를 소비할 것으로 예상됩니다.

이러한 맥락에서 란 씨는 중앙 집중형 AI 모델에서 디바이스 분산형 모델, 특히 엣지 AI와 온디바이스 AI로의 전환의 중요성을 강조했습니다. 이는 지속 가능성을 보장하기 위한 전략적 추세로 간주됩니다.

Edge AI를 사용하면 데이터가 클라우드로 완전히 전송되는 대신 스마트 카메라, 마이크로컨트롤러, 임베디드 보드 등 기기에서 바로 처리됩니다. 이를 통해 전송 대역폭을 줄이는 동시에 지연 시간을 줄이고 개인정보 보호 기능을 강화할 수 있으며, 무엇보다 중간 처리 단계가 없어져 작업당 전력 소비를 100~1,000배까지 줄일 수 있습니다.