[60]'성장'보다 '지속가능성'... 뉴노멀의 핵심

[박정수 성균관대 스마트팩토리 융합학과 겸임교수] 2021년은 뉴 노멀(New Normal) 경제현상이 본격적으로 전개되는 첫 해가 될 것이다. 코로나19라는 예상치 못한 방역 문제로 제조업이 당면하고 있는 뉴 노멀 경영환경을 제대로 대응하지 못하거나 우선 순위에서 느슨하게 대응해 온 측면도 있었다.

4차 산업혁명 시대를 맞이하면서 도드라진 분야가 인공지능 기술이고, 제조현상에 인공지능을 적용한다는 것이 뉴 노멀이다. 빅데이터 관리와 인공지능 기술은 제조업을 괴롭히는 수 많은 문제들을 해결하는 뉴 노멀 제조혁신의 주역이기 때문이다.

제조업 전반에 걸친 머신러닝(Machine Learning)의 채택 증가는 알고리즘과 인공지능 기술이 복잡한 제조 현장의 문제를 어떻게 효율적으로 해결하는지 인공지능 기반 스마트팩토리를 통해 하나 하나 입증되고 있다. 특히 2021년 스마트팩토리 고도화의 효율적 전개를 위한 제조업의 비용 절감(Reducing Company Costs), 고객 통찰력과 예지력 및 인텔리전스 생성(Generating Customer Insights, Foresights, and Intelligence), 그리고 고객 경험 대응 및 개선 향상(Improving Customer Experiences)을 위해서 빅데이터 관리와 인공지능 기술이 적극적으로 활용될 것으로 예상된다.

그 동안 제조업에서 수십 년 동안 활용해 온 생산전략의 린식스시그마(LeanSixSigma)가 린 사고(Lean Thinking)라는 개념으로부터 정립되어 적기납품(JIT: Just in Time)을 실현시켜 왔다면, 이미 온 미래에는 인공지능 기반 스마트팩토리 사고(Smartfactory Thinking)는 맞춤 제품과 서비스를 고객과 시장에 유연하게 그리고 효율적으로 대응해야 하는 개인화 제조(Personalized Manufacturing)를 구현해야 한다.

이러한 개념으로 적기맞춤(FIT: Fit In Time)을 실현시켜 지속 가능한(Sustainability) 뉴 노멀식(New Normal Type) 경쟁우위 경영전략(Competitive advantage management strategy)을 전개하는 것이다. 다시 말해 정형 데이터 기반으로 적기납품(JIT)을 실현시키고 비정형 데이터와 빅데이터 기반으로 적기맞춤(FIT)을 구현시키기 위해서 인공지능 기반 융합과 통합의 힘을 전략적으로 활용하는 기능전개(Functional deployment)가 스마트 팩토리다. 아래 그림은 인공지능 기반 스마트팩토리 사고에 대한 그림이다.



제조 산업의 전략적인 방향이 “성장”에서 ‘지속가능성’으로 전환되고 있다. 성장하는 시장과 중단 없는 소비가 올드 노멀(Old Normal)이라면 뉴 노멀(New Normal)에서는 성장률은 둔화되고 고객과 시장에 대한 ‘대응력’과 ‘유연성’이 과거와 다르게 요구되고 있다. 그러므로 인공지능 기반 스마트팩토리를 구현하여 경험을 사고파는 제조 경영의 ‘지속가능성(Sustainability)’을 실현시키는 것이 뉴 노멀의 핵심이다.

인공지능 기반 스마트팩토리 구축을 통해서 ‘결과’ 중심(Old Normal)에서 ‘과정’ 중심(New Normal)으로 제조업의 전략적인 큰 틀을 바꿔야 한다. 제조의 모든 활동 하나 하나에도 의미를 부여하는 섬세한 활동기준 경영관리(ABM: Activity-Based Management)가 절실해지고 있다. 앞으로 제조 산업은 뉴 노멀 적응을 위한 “과정” 중심의 인공지능 기반 스마트팩토리를 통해 적시맞춤(FIT:Fit In Time)을 실현시켜야 한다.

데이터는 모든 활동의 근원(IoB: Internet of Behaviors)이며 제조 산업의 물질적인 원료나 부재료처럼 인공지능의 연료(燃料)이다. 인공지능 산업에서는 기계 학습 알고리즘을 경제적이고, 빠르고, 생산적으로 교육하도록 설계된 합성 데이터(Synthetic Data)를 제공하는 시뮬레이션 플랫폼이 있어야 한다. 기계 학습 및 인공지능 기술을 사용하여 제조업의 모든 비즈니스 매개 변수를 지속적으로 분석하고 상관 관계를 분석하는 분석 플랫폼으로서, 실시간 구조화된 메트릭 데이터(Structured Metris Data) 및 비정형 로그 데이터(Unstructured Log Data)를 사용하여 실시간 경고와 예측을 제공할 수 있어야 하기 때문이다.

딥 러닝(Deep Learning) 인공지능 플랫폼은 기업들이 재능 관리를 경쟁 우위로 전환할 수 있도록 지원할 수 있어야 하며, 비즈니스 대화를 개선하기 위해 설계된 협업 메시징 플랫폼도 필요해지고 있다. 이 플랫폼은 조기 경고 및 지속적인 모니터링 시스템으로 고객에게 데이터 기반 우선 순위를 알려주는 효과적인 운영 도구를 제공하게 될 것이다.

자연어(Natural Language)를 활용하여 기업이 고객 커뮤니케이션을 위해 사용할 수 있는 여러 채널에 걸쳐 규모에 맞게 고객의 말을 듣고 즉시 조치를 취할 수 있도록 해야 한다. 사용자 경험과 고객 경험 데이터를 분석하여 고객 활동(IoB) 결과 뒤에 숨겨진 “이유”를 파악하여 무엇이 잘 작동하는지를 확인하고 무엇이 영향을 미치지 않는지 제안할 수 있을 것(Customer Insights, Foresights, and Intelligence)이며 데이터 중심적인 의사 결정을 내릴 수 있게 된다.

모바일 플랫폼은 대화식 광고를 할 수 있도록 설계된 인공지능 기반 음성 대화 마케팅 플랫폼으로, 음성 AI 알고리즘 교육에 자연어 이해(NLU)를 사용한다. 그것은 미디어 회사와 광고주들이 새로운 대화형 음성 AI 기술을 활용하여 오디오 콘텐츠를 측정, 관리, 수익화할 수 있게 해줄 것이다.

스마트팩토리 컨설팅 분야에서는 데이터를 찾고, 이해하고, 신뢰하는 방식을 활용하여 데이터를 실효성있게 만드는 것을 목표로 하는 데이터 카탈로그를 제안해야 한다. 데이터 카탈로그(Data Catalog)가 필요한 이유는 기계 학습과 인적 협업을 결합하여 데이터 중심 의사 결정을 고도화시킬 수 있기 때문이다. 관계형 데이터베이스, 데이터 레이크(Data Lake), NoSQL 데이터 저장소는 데이터를 삽입, 업데이트, 쿼리, 검색, 처리하는 강력한 툴이다.

그러나 이러한 데이터 관리 플랫폼에서 한 가지 역설적인 부분이 있다. 일반적으로 플랫폼 내의 데이터를 공유하기 위한 적절한 툴이나 사용자 인터페이스를 제공하지 않는다는 점이다. 이 때문에 이런 플랫폼 자체는 사실 꽉 막힌 데이터 금고일 뿐이다. 안에 유용한 데이터가 있다는 것을 알지만 외부에서 손쉽게 그 데이터에 접근할 방법이 없다. 제조업의 고민도 여기서 시작된다.

다수의 데이터 금고, 예를 들면 여러 엔터프라이즈 데이터베이스와 비교적 작은 데이터 저장소, 데이터센터, 클라우드, 애플리케이션, BI 툴, API, 스프레드시트, 오픈 데이터 소스를 다뤄야 한다는 점이다. 인공지능 기반 스마트 팩토리 컨설팅은 지속 가능한(Sustainability) 뉴 노멀식(New Normal Type) 경쟁우위 경영전략(Competitive advantage management strategy) 전개가 목적이기 때문이다.

인공지능 기반 스마트팩토리 구축을 계기로 제조업의 데이터 자산에 대한 인식이 달라지고 있다. 그 대안으로 주목 받는 것이 데이터 카탈로그(Data catalogs)다. 이 개념은 꽤 오래 전에 등장했다. 제조업이 스마트팩토리를 구축하면서 빅데이터 플랫폼을 확장하고, 하이브리드 클라우드를 운영하고, 데이터 과학과 머신러닝 프로그램에 투자하고, 데이터를 기반으로 한 조직적 행동을 장려함에 따라 더 전략적인 요소로 발전했다.

데이터 카탈로그를 이해하는 첫 번째 개념은 데이터 카탈로그가 전체 기업이 데이터 소스를 중심으로 학습하고 협업하는 툴이라는 것이다. 데이터 기반이라는 속성을 더 강화하고자 하는 조직, 데이터 과학자가 머신러닝을 테스트하는 조직을 비롯해 기타 고객 대면 및 비대면 애플리케이션에 분석 기술을 포함하는 기업이라면 데이터 카탈로그가 매우 중요하다.

왜냐하면 대부분의 기업의 데이터 자산과 상호작용하는 데이터 카탈로그는 유일한 공급원(single source of truth)이라고 할 수 있으며, 데이터 카탈로그는 어떤 데이터가 있는지, 최적의 데이터 소스를 어떻게 찾을지, 데이터를 어떻게 보호할지, 전문 기술을 가진 사람이 누구인지에 대한 질문에 대한 답을 찾는 데 도움이 되며, 데이터 카탈로그에는 데이터 소스를 찾고 소스에 대한 메타데이터를 캡처하고 검색하고 몇 가지 메타데이터 관리 기능을 제공하기 위한 툴이 포함되어 있기 때문이다. 또한 전문화된 데이터 카탈로그는 마스터 데이터 관리와 데이터 계보(data lineage) 기능을 활성화하거나 이러한 기능과 상호작용한다.

시장에는 데이터 카탈로그 툴과 플랫폼이 풍부하다. 다른 인프라와 엔터프라이즈 데이터 관리 기능에서 분리돼 나온 경우도 있고 사용 편의성, 협업, 머신러닝 차별화 요소에 초점을 둔 새로운 기능을 제공하는 제품도 있다. 기업의 규모, 사용자 경험, 데이터 과학 전략, 데이터 아키텍처, 기타 기업 요구사항에 따라 선택하면 된다. 통찰력과 실험을 이끄는 머신러닝 기능은 데이터 검색 자동화, 리포지토리 검색 구현, 협업 툴 제공은 데이터 카탈로그의 기본이다. 여기서 더 발전한 데이터 카탈로그에는 머신러닝, 자연어 처리, 로우 코드 구현 기능이 포함된다.

이처럼 플랫폼마다 데이터 처리를 위한 전략과 기술적 역량도 다양하다. 데이터 카탈로그와 메타데이터 수준에서만 작동하는 플랫폼이 있는가 하면 더 확장된 데이터 준비, 통합, 정제 및 기타 데이터 운영 기능을 제공하는 플랫폼도 있다. 지금은 갈수록 불어나는 데이터 자산을 가진 기업을 위한 거버넌스, 운영 기능, 검색 툴을 제공하는 데이터 카탈로그와 같은 선제적 플랫폼의 초기 단계다. 기업이 데이터와 분석에서 더 많은 비즈니스 가치를 실현하게 되면 데이터 활용을 확장하고 관리하기 위한 필요성도 커지게 될 것이다.

머신러닝 기능은 다양한 데이터 카탈로그 플랫폼이 경쟁하게 될 분야 중 하나다. 딥러닝 기능은 아이디어에서 시장 출시를 위한 신상품 개발을 거쳐 양산 상품으로 전환하는 데 필요한 시간과 리소스를 줄임으로써, 모두에게 혁신을 더 빨리 가져다 주는 것을 목표로 한다. 제조업들이 소비자의 쇼핑 행동과 선호를 이해하도록 돕기 위해 딥러닝 기술을 사용하여 제품이나 서비스를 지능적으로 추천해주는 개인화 과정을 강화시켜 준다.

인공지능 기반 스마트팩토리 속의 오늘날의 컴퓨팅 용량과 빅데이터 세트는 공급망(Supply Chain) 리더들이 현명한 결정을 내릴 수 있도록 지원할 것이다. 기계 학습이 점점 더 활용되고 있어서 최고의 공급망 관리자보다 더 나은 결정을 내릴 수 있게 될 것이다. 인공지능을 탑재한 컴퓨터가 고객의 주문 패턴을 기반으로 자동으로 주문을 접수하여 배송 시간을 최소화시키는 최적화 작업을 수행한다. 여기에 인공지능을 대중화해 소비자와 공급자의 소통 경로를 바꾸고 있으며 수집한 데이터는 정확하게 개별 맞춤 고객 수준의 수요를 감지하는 데 도움이 되고 있다.

그러나 납품을 예측하는 것은 단순히 제조 및 배송 일정을 앞당기는 것 이상이다. 인공지능 기반 스마트 공급망 관리 기술을 통해 기업은 과거의 배송 시간과 제조 세부 사항을 살펴볼 수 있으며, 이를 일기 예보와 같은 외부 데이터 공급과 결합할 수 있다.

인공지능 기반 스마트팩토리는 “계획된 재고 수준이 아닌 예측 재고 수준”에 대해 약속을 지킬 수 있어야 한다. 또한 앞으로 일어날 일이 아니라, 일어날 가능성이 높은 일에 기반을 둔 유망한 고객을 찾을 수 있어야 한다.

결과적으로, 공급망 관리(사내 물류와 사외물류 포함)는 제조업들이 인공지능 기술을 적용할 때 가장 먼저 생각하는 분야이다. 그것은 제조업 스스로가 감지하지 못하거나 보이지 않는 비용과 기회가 흐르고 있기 때문이다. 다시 말해, 보이지 않는 가치(Invisible Value)를 보이게(Visible Value) 만드는 사고가 스마트팩토리 사고(Smartfactory Thinking)이며 뉴 노멀이다.