티스토리 뷰
목차
AI 사출성형기가 실제로 출시됐다는 뉴스를 봤습니다. 솔직히 첫 반응은 "드디어 왔구나"가 아니라 "내 자리는 괜찮을까"였습니다. 30년 가까이 현장에서 쌓아온 공정 경험이 데이터 몇 줄로 대체될 수 있다는 생각이 들자 기대보다 불안이 먼저였습니다. 그런데 자료를 찾아보고 나서야 알게 됐습니다. AI가 필요로 하는 게 바로 저 같은 사람이 현장에서 버려온 그 데이터라는 걸.
현장에서 버려온 데이터, 알고 보니 학습 원료였다
성형기 메모리 용량이 작다는 건 업계에서 오래된 불만입니다. 조건지를 서너 장 쌓으면 자리가 없어서 폐기하고, 또 새로 작성하고. 저도 수십 년 동안 그렇게 해왔습니다. 당시엔 그냥 "어쩔 수 없다"라고 넘겼는데, 지금 생각하면 그 종이 한 장 한 장이 전부 학습 데이터였던 겁니다.
머신러닝(ML)이 실제로 작동하는 방식을 보면 이 아쉬움이 더 크게 느껴집니다. 여기서 머신러닝이란 사람이 규칙을 일일이 프로그래밍하지 않아도 컴퓨터가 데이터를 보고 스스로 패턴을 찾아 예측하는 기술입니다. 쉽게 말해, 좋은 데이터가 많을수록 예측이 정확해지는 구조입니다. 계절 변화, 기계 노후, 금형 마모, 원재료 로트 차이로 인해 조건이 바뀔 때마다 그 이력을 문서로 남겼다면, 지금쯤 꽤 강력한 예측 모델의 기반이 될 수 있었을 겁니다.
일반적으로 AI는 첨단 IT 기업에서나 쓰는 기술이라고 생각하는 분들도 있는데, 실제로는 1990년대 초부터 제조업 현장에서 비슷한 시도가 있었습니다. 당시 공정 엔지니어들이 나일론과 PBT 성형 데이터를 반복 수집해 수축률 계산 공식을 직접 만들었는데, 이게 바로 경험 기반 머신러닝의 원형입니다. 컴퓨터 연산 능력이 지금처럼 강력하지 않았을 뿐, 생각 자체는 이미 그 시절에 있었던 셈입니다.
- 계절·기계·금형·원재료 변화마다 쌓인 조건 이력이 ML 학습 원료
- 성형기 메모리 한계로 버려온 데이터가 실질적 손실
- 경험 기반 공식 개발은 이미 1990년대부터 시작된 흐름
AI가 톤수를 계산한다는 게 실제로 어떤 의미인가
미국 캘리포니아 칼스배드 소재의 FimmTech은 사출성형에 머신러닝을 적용한 사례로 꽤 구체적인 수치를 공개했습니다(출처: 플라스틱코리아). 투영 면적, 제품 두께, 유동 거리, 최대 사출압력, 패킹압력 이 다섯 가지 입력값만으로 필요 클램핑 톤수를 예측하는 모델입니다. 실제 예시를 보면, 투영 면적 28평방 인치에 두께 0.60인치짜리 제품에 12,350 psi 사출압력을 적용했을 때 예측 톤수는 89.76톤, 같은 제품의 두께를 0.80인치로 바꾸면 78.96톤으로 달라집니다.
제가 직접 써봤을 때와 비교해 보면, 지금까지는 이걸 경험과 감으로 잡았습니다. 두꺼운 제품은 충전 끝단 압력이 올라가니까 패킹압력이 높아지고, 결국 클램핑 톤수에 영향을 준다는 건 현장에서 몸으로 익힌 이론입니다. FimmTech이 한 건 그 감을 숫자로 바꾼 겁니다.
여기서 핵심은 지도학습(Supervised Learning)이라는 방식입니다. 지도학습이란 입력값과 정답(레이블)을 함께 컴퓨터에 먹여서, 그 관계를 학습시키는 방법입니다. 예를 들어 용융온도, 용융점도, 사출속도를 입력값으로, 성형품 치수를 정답으로 설정하면 AI는 그 사이의 패턴을 찾아냅니다. 반대로 비지도학습(Unsupervised Learning)은 정답 없이 데이터끼리 비슷한 것끼리 묶는 클러스터링 방식인데, 불량 유형을 자동 분류하는 데 쓸 수 있습니다.
더 나아가 딥러닝(Deep Learning)은 인공신경망(ANN, Artificial Neural Network)을 활용합니다. ANN이란 인간의 뇌 신경세포 구조를 모방한 것으로, 퍼셉트론이라는 작은 연산 단위를 층층이 쌓아 복잡한 패턴을 학습합니다. 성형품 외관 불량 자동 검사에 쓰이는 CNN(컨볼루션 신경망)이 대표적인 응용 사례입니다. 시뮬레이션 소프트웨어가 "실제 압력과 결과가 다르다"는 말을 현장에서 자주 듣는데, AI와 ML이 그 간극을 좁히는 역할을 할 것으로 보입니다(출처: FimmTech).
경험자가 살아남는 법, 그리고 앞으로의 현장
솔직히 이건 예상 밖이었습니다. AI가 현장 경험자를 대체하는 게 아니라, 오히려 경험자의 감각을 데이터로 변환해야 AI가 제대로 작동한다는 구조였습니다. 제품을 아는 사람, 불량의 원인을 눈으로 읽어온 사람이 없으면 어떤 데이터를 어떻게 라벨링 할지 아무도 모릅니다. 당장은 여전히 저 같은 사람이 필요한 이유입니다.
후배들에게도 이 부분을 어떻게 전달해야 할지 늘 고민이었습니다. 구두로 설명하면 한계가 있고, 모아둔 이력 자료가 없으니 근거를 보여주기가 어렵습니다. 제 서재에 쌓아둔 자료들이 있는데, 이제는 AI에 입력해서 검색하면 답이 나오니 책을 다시 펼칠 일이 없어졌습니다. 그 자료들을 지금이라도 디지털화해서 체계적으로 관리하면 후배 교육에 실제로 쓸 수 있는 데이터가 될 겁니다.
앞으로 현장에서 해야 할 일을 정리하면 이렇습니다.
- 성형 조건, 불량 유형, 원인 분석을 체계적으로 디지털 문서화하기
- 계절·기계 노후·금형 마모 등 변수별 조건 변화 이력을 별도로 보존하기
- AI 탑재 성형기 신기종 조작 교육을 통해 새 장비에 적응할 준비 해두기
- 경험에서 나온 감각을 수치 기반 언어로 바꾸는 연습을 꾸준히 하기
누구도 가보지 않은 길이라는 건 맞습니다. 제 경험상 이 업계는 변화가 느린 편이었는데, AI 성형기 출시 뉴스를 보고 나니 이번엔 좀 다를 것 같다는 생각이 듭니다. 설렘과 불안이 공존하는 건 사실이지만, 경험치를 데이터로 남겨두는 사람이 결국 유리한 위치에 설 가능성이 있습니다.
자주 묻는 질문
Q. 사출성형에서 AI가 실제로 현장에 도움이 되나요?
A. 아직 현장에서 피부로 느낄 수 있는 수준은 아닙니다. 제 경험상 시뮬레이션 소프트웨어도 오래 써왔는데 실제 공정과 괴리가 있다는 말은 여전히 나옵니다. 다만 FimmTech 사례처럼 제한된 데이터로도 클램핑 톤수를 꽤 정확하게 예측하는 모델이 나오고 있어서, 데이터가 쌓일수록 실용성은 높아질 가능성이 있습니다.
Q. 머신러닝 지도학습과 비지도학습의 차이가 뭔가요?
A. 지도학습은 입력값과 정답을 함께 학습시키는 방식입니다. 예를 들어 용융온도·사출속도를 입력하고 성형품 치수를 정답으로 주면 그 패턴을 찾습니다. 비지도학습은 정답 없이 데이터끼리 비슷한 것을 자동으로 묶는 클러스터링 방식으로, 불량 유형을 자동 분류할 때 활용할 수 있습니다. 사출성형에서는 두 방법 모두 쓰임새가 있습니다.
Q. 성형 데이터를 어떻게 보관하면 나중에 쓸 수 있나요?
A. 최소한 성형 조건, 불량 유형, 원인 메모를 엑셀이나 간단한 스프레드시트로 날짜별로 기록해두는 것이 시작입니다. 계절 변화나 기계 노후 시점을 함께 적어두면 나중에 변수 분석에 쓸 수 있는 이력이 됩니다. 일반적으로 금형 조건지 몇 장 모으면 버리는 게 관행인데, 그 습관을 바꾸는 것부터가 실질적인 데이터 관리의 출발점입니다.
Q. AI 성형기가 나오면 숙련공이 필요 없어지나요?
A. AI가 현장 숙련공을 완전히 대체한다는 시각도 있지만, 제가 보기엔 당분간은 그렇지 않습니다. AI 모델은 어떤 데이터를 넣고 어떤 항목을 정답으로 설정할지 결정하는 사람이 필요합니다. 제품 불량의 원인을 눈으로 읽고 언어화하는 능력은 현장 경험에서 나옵니다. 그 감각을 데이터로 변환하는 역할을 할 수 있는 사람이 오히려 더 중요해질 가능성이 있습니다.
결론
AI와 머신러닝이 사출성형 현장에 본격적으로 들어오는 건 시간문제로 보입니다. 지금 당장은 피부에 닿지 않더라도, 데이터를 어떻게 관리해왔느냐가 앞으로의 격차를 만들 겁니다. 제 경우엔 버려온 조건지들이 너무 아깝다는 생각이 이 글을 쓰게 만든 출발점이었습니다.
지금부터라도 늦지 않았습니다. 성형 조건 하나를 기록할 때 날짜, 기계 상태, 원재료 로트 번호를 함께 적는 습관부터 시작해 보십시오. 그 작은 기록이 나중에 AI 모델의 학습 원료가 되고, 후배에게 건넬 수 있는 가장 구체적인 기술 전수 자료가 될 겁니다.
참고: https://www.plastickorea.co.kr/news/articleView.html?idxno=24147&page=2&total=57