포스코 앙상블 AI 2 : 기술의 융합을 통한 발전

 

 

 

몇 년 전부터 우리 사회 최고의 화두는 ‘4차 산업혁명’이다. 다양한 분야에 인공지능(AI)이 접목돼 효율성을 높이고 비용 절감을 돕는 등 기존 산업을 한 단계 진화시키는 데 역할을 톡톡히 하고 있다. 스마트제철소 구현 등 포스코 역시 전 분야에 AI를 적용하는 시도를 거듭하고 있다. AI가 몰고 온 변화의 바람과 융합 기술을 활용한 포스코형 AI의 개념, AI의 미래 모습 등을 특별 연재한다. <편집자주>

 

 

글 ㅣ 최자영 엔지니어링솔루션실 책임연구원

 

 

AI, 제조업 한계 넘어설 터닝 포인트

 

 

사람이나 기계 힘으로 원재료를 가공해 제품을 대량 생산하는 제조업에서는 균일한 품질의 제품을 효율적으로 생산하기 위한 공정 자동화 시스템(process automation system) 구축에 주력합니다.

 

 

포스코 역시 지난 수십 년간 공정 자동화 시스템을 갖추기 위해 노력해왔는데요. 자동화 시스템을 구축하기 위해서는 공정의 표준화는 물론, 상황에 따라 적절한 제어(control)를 수행하는 공정 모델도 필요합니다. 포스코가 지속적으로 개발해온 물리ㆍ야금학 기반의 공정 모델은 이상(理想)적인 상황을 가정해 제한된 정보만을 활용하기 때문에 가정을 벗어나는 상황에서는 오차(error) 발생이 잦고 제어의 정확성이 떨어질 수 있습니다.  

 

 

최근 이 같은 물리ㆍ야금학적 모델*의 제어 편차를 줄이기 위한 해법으로 AI를 활용한 공정 모델 개발이 시도되고 있는데요. AI 모델은 데이터화(化)가 가능한 수많은 정보를 활용해 현실을 보다 폭넓게 반영하기 때문에 제어 편차를 줄일 수 있다는 장점이 있죠.
*  물리ㆍ야금학적 모델 : 금속이나 합금의 제조ㆍ가공ㆍ열처리 과정 중 생기는 물리적인 성질의 변화를 수학적으로 정의하는 것.

 

 

 

 

'포스코 앙상블 AI'를 가능케 한 두 가지 방법론

 

 

이처럼 AI가 제조업의 한계를 극복하는 좋은 터닝 포인트가 되기도 하지만, 앞서 1부(☞바로가기)에서 살펴봤듯이 여기에도 몇 가지 문제점은 존재합니다.

 

 

AI는 평균 제어 편차를 줄여 성능을 향상시킬 수 있는 반면, 데이터가 부족한 영역에서는 잘못된 판단을 할 가능성이 높습니다. 잘못된 제어 결과는 조업 현장에서 큰 설비 사고를 일으킬 수 있어, AI를 맹신하기보다는 오래 기간 정립해온 물리ㆍ야금학적 모델과 AI 모델 각각의 장점을 취해 이 둘을 융합하려는 노력이 필요합니다.   

 

 

포스코는 물리ㆍ야금학적 모델과 AI 모델을 결합한 형태의 기술 개발을 ‘POSCO Ensemble AITM(이하 포스코 앙상블 AI)’로 정의하고, 철강 생산 공정에 AI를 성공적으로 적용하기 위한 해법을 찾는 데 힘쓰고 있습니다. 

 

 

 

 

포스코 앙상블 AI는 AI 학습 방법 중 하나인 앙상블 러닝(ensemble learning)*의 개념을 차용한 것으로, 기존의 물리ㆍ야금학적 모델과 AI 모델을 융합(ensemble)해 새로운 모델을 개발하는 방법을 뜻합니다.
* 앙상블 러닝(ensemble learning) : 모델 간 결합으로 더 좋은 성능의 모델을 만들어내는 AI 학습 방법.

 

 

포스코는 두 모델의 융합을 위한 방법론으로 Voting과 Combining을 제시하고, 그 가능성을 면밀히 검증해보았는데요. 그럼, Voting과 Combining에 대해 자세히 알아볼까요?  

 

 

 

 

먼저 Voting은 과거 실적을 바탕으로 두 모델의 결과값에 가중치를 부여해 융합하는 방법론입니다. 홀(hole)과 스크래치(scratch)의 두 가지 표면 결함을 분류하는 SDD(Surface Defect Detector) 모델을 통해 살펴보면, Voting의 개념을 보다 쉽게 이해할 수 있습니다.

 

 

기존 SDD 모델의 표면 결함 검출 실적에서 홀은 81%로 다소 낮지만, 스크래치는 93%로 비교적 높았습니다. 반대로 딥러닝 기반의 AI 모델에서는 홀 검출률이 97%, 스크래치 검출률이 89%로 나타나는데요. AI 모델(93%)의 평균 검출 성능이 기존 모델(87%)보다 6%가량 높기 때문에 보통은 AI를 활용하게 되지만, 이 경우 스크래치 검출 성능은 기존 모델보다 떨어질 수 있습니다.

 

 

따라서 홀 검출률은 AI 모델 결과에, 스크래치 검출률은 기존 모델 결과에 각 100%씩 가중치를 부여해 결함 분류 모델을 만드는 것이 해법이 될 수 있죠. 이렇게 되면 전체 모델 성능을 95%까지 끌어올릴 수 있기 때문입니다.  

 

 

 

두 번째 Combining은 물리ㆍ야금학적 모델과 AI 모델을 포함한 두 가지 이상의 모델 결합을 통해 새로운 모델을 개발하는 방법인데요. 모델 간 융합이 각 모델의 결점을 보완하는 방식으로 이뤄진다는 것이 특징입니다. ‘전로 종점 제어 모델’의 개발 사례를 통해 Combining에 대해 좀 더 알아보도록 하겠습니다.

 

 

전로의 종점 온도와 탄소성분을 제어하는 전로 종점 제어 모델은 산소와 냉각ㆍ승열재 투입량의 최적 제어값을 찾는 모델인데요. 여기서 제어값은 물리ㆍ야금학적 경계 조건의 범위 내에서 반복적인 검색 작업을 거쳐 최적의 값을 빠르게 알려주는 최적화 모델을 활용해 구합니다. 최적화 모델이 제대로 작동하기 위해서는 검색된 제어값의 후보를 평가하는 목적 함수가 필요한데요. 일반적인 경우와 달리 전로 종점 제어 모델의 목적 함수는 물리ㆍ야금학적 모델을 활용해 도출하는 것이 무척 어렵습니다.  

 

 

이에 반해 AI는 현재 상태의 정보와 제어값을 제공하면 향후 진행될 결과를 예측해 알려주는 예측 모델 개발에 유리한데요. AI 모델로 제어값의 결과를 평가하는 목적 함수를 만들어, 이를 최적화 모델과 결합하면 전로의 목표 온도와 탄소성분을 만족시키는 최적 제어값을 빠르고 정확하게 찾아낼 수 있습니다. 또 물리ㆍ야금학적 경계조건을 벗어나지 않는 제어 결과 도출로 안정적인 모델 개발이 가능하다는 이점도 있고요.

 

 

 

도메인 기반의 AI 개발이 성공의 열쇠

 

 

제조업에서의 AI 적용은 아직 시작 단계입니다. 제조업은 조업 환경이 빠르게 변하고 관측이 어려운 인자들이 많아서 원하는 모든 정보를 데이터화할 수 없다는 점이 특징인데요. 제조업에 적용될 AI 기술은 이 같은 특성을 충분히 고려해 개발돼야 할 것입니다. 

 

 

다시 말해 제조업에서의 성공적인 AI 적용을 결정하는 열쇠는 현장 환경과 도메인의 특성에 맞춘 AI 기술 개발에 있습니다. 그런 의미에서 포스코 앙상블 AI는 도메인 기반의 AI 기술 개발과 적용의 좋은 사례가 될 텐데요. 다음 편에서는 AI의 미래, 특히 제조업에서 AI가 나아갈 방향에 이야기해보도록 하겠습니다.