AI 품질 검사 도입의 3가지 함정

AI 검사가 "실패"한 공장의 공통점

"AI 비전 검사로 불량을 자동 탐지하겠다"는 계획이 6개월 후 사람에게 되돌아온 공장들을 분석해 보면, 세 가지 함정 중 하나에 빠져 있었습니다. AI 알고리즘의 문제가 아니라 도입 설계의 문제입니다.

함정 1 — 데이터가 없다

AI 품질 검사는 정상 제품과 불량 제품의 사진이 각각 수천 장씩 필요합니다. 그런데 현장에 불량이 월 10건 수준으로 적게 발생하는 공장에서는 학습 데이터 자체가 부족합니다. "불량률이 낮아서 AI가 필요한데, 데이터가 없어서 AI를 못 만든다"는 역설입니다. 해법은 합성 데이터(Synthetic) 또는 초기 6~12개월 데이터 수집 기간을 운영 계획에 포함하는 것입니다.

함정 2 — 오탐(false positive) 관리가 없다

AI 정확도 95%는 훌륭해 보이지만, 양산 라인에서 하루 10만 개 생산 시 5,000개가 오탐입니다. 모두 육안 재검이 필요하고, 이는 검사 인력이 줄지 않고 오히려 늘어나는 결과를 낳습니다. 오탐률을 0.5% 이하로 맞추는 설계(이중 검증·임계값 조정·현장 피드백 루프)가 핵심입니다.

함정 3 — 현장 권한이 없다

AI가 "불량"이라고 판정해도 공정 작업자가 "아니야"라고 판단하면 그 제품은 통과됩니다. 반대로 AI가 "정상"으로 보내면 작업자는 검증 없이 지나갑니다. AI 판정에 대한 권한·책임 체계가 명확하지 않으면 시스템이 있어도 현장은 흔들립니다. AI 판정 결과·최종 결정자·사유를 모두 기록하는 이력 체계가 필요합니다.

도입 전 3가지 자가 점검

• 우리 공장에 학습 데이터가 충분히 누적돼 있거나 수집 가능한가
• 오탐 수준을 현장이 감당할 수 있는 범위(보통 0.5%)에서 운영 가능한가
• AI 판정과 인간 판정의 권한 관계가 명확한가

성급한 AI보다 데이터 정비가 먼저

이 3가지가 "예"가 아닌 공장은 AI 비전 검사보다 이력·SPC 체계부터 구축하는 것이 순서입니다. 데이터가 쌓이고 나면 AI는 그 위에 자연스럽게 얹힙니다. 지엔디비즈는 고객사의 70%를 이 순서로 안내합니다.