이 이야기는 고객의 승인을 받아 외부에 게시할 수 있습니다. 자유롭게 공유해 주세요!
여기서 읽어보세요:jmp.com/KAIST 해당 녹화 영상은 JMP의 유튜브 채널에서도 시청하실 수 있습니다.
KAIST의 이종석 부교수는 실제 산업 현장 경험을 바탕으로 인공지능이 공장 현장에서 신뢰를 얻기 위해서는 기본적인 물리 법칙을 존중해야 하는 이유를 설명합니다.
실제 제조 문제를 해결하기 위한 AI의 재고찰
간략한 요약:
KAIST의 이종석 부교수는 실제 제조 현장에서 인공지능(AI)을 적용하는 데 따르는 어려움을 공유합니다. AI 모델은 점점 더 방대해지고 있지만, 투명성이 부족하고 기본적인 물리 법칙을 제대로 반영하지 못하는 경우가 많아 인간 전문가의 역할이 필수적입니다. 이 교수의 연구는 정확하고 강력하면서도 단순하고 해석하기 쉬운 모델을 구축하여 학계와 산업계를 연결하는 데 초점을 맞추고 있습니다. 그는 도메인 지식과 통계적 제약을 통합하여 강철 코팅 중량 예측과 같은 실제 제조 문제를 해결함으로써, AI만으로는 충분하지 않으며 문제 맥락에 대한 깊이 있는 전문 지식과 이해가 필수적임을 보여주었습니다.
핵심 요약:
- 단순한 모델이 실질적인 영향력을 발휘합니다: 대규모 AI 모델이 연구를 주도하고 있지만, 이승훈 교수는 단순하고 해석하기 쉬운 모델이 제조 현장에서 더 나은 성능을 보이는 경우가 많다고 강조합니다. 모델이 신뢰를 얻고 생산 현장에 적용되려면 실제 물리적 원리와 일치해야 합니다.
- 물리적 제약 조건을 적용한 AI, 신뢰성 향상: 강철 코팅 공정에서 기존 신경망은 기본적인 물리 법칙을 위반하는 예측 결과를 내놓았습니다. 연구팀은 공정 변수 간의 양의 상관관계를 강제하는 통계적 제약 조건을 모델에 적용함으로써 예측의 정확성과 물리적 일관성을 모두 확보했습니다.
- 학계와 산업계의 연결: 학문적 방법론이 공장 환경에 항상 직접적으로 적용되는 것은 아닙니다. 이승훈 교수는 이론과 실무의 균형을 유지하며, 첨단 머신러닝 기법을 실제 산업 문제에 적용하는 연구를 진행하고 있습니다.
- 해석 가능성은 실행을 가능하게 합니다: 제조 관련 의사 결정에는 명확한 인과 관계가 필요합니다. 모델 크기보다 투명성을 우선시함으로써 엔지니어는 의도치 않은 결과를 초래할 위험 없이 공정 매개변수를 자신 있게 조정할 수 있습니다.
- 통계적 기초는 여전히 중요합니다. 고급 AI 기술만으로는 충분하지 않습니다. 실세계 응용 분야에 적용 가능한 견고하고 설명 가능하며 안전한 모델을 설계하려면 통계 및 최적화에 대한 깊이 있는 지식이 필수적입니다.
KAIST 이승철 부교수의 말씀
"현재 AI는 투명성이 부족합니다. 사람들은 AI가 실제로 프로세스를 개선할지 여부를 알지 못한 채 자신의 문제에 AI를 적용합니다."
"인공지능을 실제 문제에 적용하는 데에는 데이터 접근성의 제한 때문에 몇 가지 어려움이 있습니다. 인공지능은 공개적으로 이용 가능한 데이터로만 학습하기 때문에 특정 분야를 제대로 알지 못합니다."
"기본으로 돌아가 보면, 예를 들어 제조업 같은 분야에서는 인간 전문가가 훨씬 더 잘할 수 있습니다."
"연구 논문에 나오는 방법론들이 실제 문제에 직접적으로 적용하기 어려운 경우가 많기 때문에 저는 학계와 산업계를 잇는 가교 역할을 하고 있습니다."
"연구의 큰 흐름 중 하나는 모델을 최대한 크게 만드는 것이지만, 그렇게 되면 모델을 이해하기가 더 어려워집니다. 저는 학생들과 함께 모델을 최대한 단순하게 만들려고 노력합니다."
"제조업에 AI를 적용하려면 모델을 해석할 수 있어야 합니다. 이를 위한 가장 쉬운 방법은 모델을 단순하게 만들되, 정확하고 강력하게 만드는 것입니다."
