Deep Learning은 산업을 변화시킬 것입니다. 인간의 지능이 필요한 과제를 기계가 맡게 될 것입니다. 기업 내 공정과 데이터 수집의 디지털화가 진행되면서 Deep Learning의 사용도 늘어나고 인간과 기계의 더 효율적인 협업이 가능해질 것입니다. 이로써 자동화와 생산이 혁신될 것이며 결정 과정이 더 효율적이고 정교해지고 생산성이 높아지는 동시에 개발 비용이 대폭 낮아질 것입니다.
SICK의 팟캐스트 “SICKnificant”에서는 인간을 피곤한 과제에서 해방하고 품질을 향상시킬 Deep Learning의 가능성에 대해 디지털 서비스 및 솔루션 전략 제품 매니저 Christoph Eichhorn 박사와 이야기를 나눴습니다.
산업 분야의 디지털화 컨셉은 지난 몇 년 동안 엄청나게 발전했습니다. 센서의 데이터뿐 아니라 지금까지 주로 직접적인 공정 제어에 사용되던 기타 소스의 데이터도 디지털화 과정에서 저장되며 이러한 데이터를 추상적인 수준에서 사용할 수 있습니다. 데이터를 수집하는 것으로는 충분하지 않습니다. 인공지능은 이런 데이터에서 추가적인 최적화를 위한 정수를 뽑아낼 때 중요한 역할을 합니다.
예컨대 목재 산업의 애플리케이션에서 수 기가바이트의 트레이닝 데이터로 신경망을 트레이닝하면 사람의 눈을 사용할 때보다 더 정확하고 신속하며 지속적으로 결정을 내릴 수 있습니다. 이 신경망은 1메가바이트보다 작음에도 불구하고 어마어마한 양의 경험을 이용할 수 있습니다. 이 컨셉을 수없이 많은 애플리케이션에 적용할 수 있습니다.
그러나 인공지능을 이용할 때 항상 거대한 양의 데이터가 필요한 것은 아닙니다. Deep Learning 프로젝트는 매우 다양하게 구현할 수 있으며 고객의 개별적인 요구사항에 좌우됩니다. 이러한 요구와 기대를 공식화하는 것이 늘 쉽지만은 않지만 이는 인공지능을 성공적으로 사용하기 위한 전제조건입니다. “간단히 말하면 이렇습니다. 무엇을 원하는지 알 때만 AI로 원하는 결과를 얻을 수 있습니다. 그럼 모든 고객은 문제에 대한 간편하고 유연한 솔루션을 기대할 수 있습니다.” Eichhorn은 말합니다.
“AI 덕분에 우리 고객은 과거에는 몹시 자동화가 어려웠던 과제를 이제 스스로 자동화할 수 있습니다. 그 좋은 예로는 반사성 부품의 품질 관리와 조립 관리, 납땜부 검사, 자연물 분류가 있습니다. 이것들은 대개 피곤한 작업입니다. 전문 인력의 소중한 시간을 많이 잡아먹고 그래서 임의 추출 방식으로만 수행될 때가 많지요.”
Deep Learning의 사용으로 자동화의 패러다임이 변화합니다. 어떤 디테일이 결정에 중요한지 정하는 대신에 일련의 구체적인 규칙을 지정하기 위해 예시가 사용됩니다. 알고리즘은 결정을 내리는 법을 스스로 학습합니다. “우리는 솔루션을 프로그래밍하는 대신에 트레이닝합니다. 이게 훨씬 더 빠르고 더 효율적입니다. 그러나 중요한 것은 Deep Learning이 인간 전문가를 대체하지 않는다는 점입니다. 기술이 가진 잠재력을 전부 활용하려면 여전히 인간 전문가가 필요합니다. Deep Learning은 인간의 능력을 뒷받침하고 확장합니다.” Eichhorn의 말입니다. “조작이 간편한 우리의 Deep Learning 툴 덕분에 사용자는 깊은 프로그래밍 지식 없이도 자신의 문제를 스스로 해결할 수 있습니다. 왜냐하면 솔루션에서 무엇이 중요하고 무엇이 중요하지 않은지를 알고, 적합한 트레이닝 예시를 다른 누구보다 잘 찾을 수 있는 건 사용자뿐이니까요. 사용자는 우리 툴을 사용해 인공지능 트레이닝을 아주 직관적으로 시작하고 몹시 특수하고 개별적인 과제를 해결할 수 있습니다”
