일본산업뉴스요약

불량률 예측 AI로 ‘주입’ 기술 전수하는 구로노금속
LLM으로 정성 데이터도 활용

큰 국자 같은 용기에는 섭씨 1,000도가 넘는 액체 상태의 금속이 담겨 있다. 숙련공은 용기를 조금씩 기울이면서 금속을 모래 금형(사형) 속으로 흘려 넣는다. 이른바 ‘주입(鋳込み)’이라 불리는 이 공정은 주조 품질을 크게 좌우한다. 수도미터 케이스 등 구리 합금 주조품을 취급하는 구로노금속(히로시마현)은 주입 공정에서 숙련공의 기량 향상을 목표로 AI 활용에 주력하고 있다.

구로노 금속은 마스터가 되는 금형 가공부터 금형 형태를 모래 금형에 전사하는 조형, 그리고 주입 후 모래 금형 안에서 식어 굳은 금속의 불필요한 부분을 제거하는 가공까지 수행한다. 가공과 조형의 자동화는 진척되었으나, 주입 공정은 여전히 숙련공의 수작업에 의존한다. 제품의 크기나 형태에 따라 최적의 주입 방법이 미묘하게 다르기 때문이다.

숙련공은 제품마다 녹은 금속(용탕)을 부어 넣는 속도를 조절한다. 눈에 보이지 않는 모래 금형 내부를 상상하며 복잡한 형태의 구석구석까지 용탕이 도달하도록 만든다. 붓는 속도 또한 일정하지 않으며 "처음에는 천천히, 후반에는 빠르게"와 같이 조정한다. 이것이 바로 숙련공의 기술이다.

구로노금속은 인력 부족 문제를 해결하는 과정에서 주입 경험이 적은 신입 숙련공이 늘고 있다고 밝혔다. 주입 기술이 개인에게 종속된 '암묵지'로 머물러 있어, 기술 계승이 과제로 남아 있었다. 이에 주입 기술을 '형식지'화하여 공유하기 위한 대응을 시작했다.

여기서 주목한 것이 바로 '불량률'이다. 주입이 부적절하면 모래 금형 내부를 금속으로 채우지 못해 불량품이 발생한다. 불량품이 발생하는 조건을 명확히 함으로써 역설적으로 양품을 실현하는 기술을 습득하겠다는 발상이다. 실제로 숙련된 전문가라 하더라도 주입에 실패할 때가 있다. 전문가의 암묵지를 재점검하고 기량을 한층 높이기 위해서도 불량률 기반의 형식지화는 유용할 것으로 보인다.

-- 주입 조건과 불량률 데이터 수집 --
구로노금속은 1년 반 전부터 주입 시 조건과 불량률의 관계를 파악하기 위해 데이터 수집을 시작했다. 구체적으로는 제품 종류, 주입 속도, 불량률(주입 개수 대비 불량품 개수) 등의 데이터다. 주입 속도는 '빠름', '보통', '느림'의 3단계로 기록했다.

하지만 이러한 데이터를 형식지로서 어떻게 정리하고 공유할지가 난관이었다. 구로노금속 영업부의 구로노(黒野) 씨는 "데이터를 수집하긴 했으나 현장 지시에는 제대로 활용하지 못했다"고 회상했다. 실적상 불량률은 파악할 수 있었지만 앞으로 주입할 제품의 어떤 점에 어떻게 주의해야 할지 알 수 없었기 때문이다.

그러던 중 기업의 DX(디지털 전환)를 지원하는 스타트업 NousLagus(나고야시)를 만나게 되었다. 수집한 데이터를 AI로 분석해 불량률을 예측하고, 이를 통해 불량률에 영향을 주는 요인을 규명하려는 시도가 시작되었다.

-- LLM을 이용해 정성 데이터도 예측에 반영 --
불량률은 제품 종류와 주입 속도뿐 아니라 다양한 조건에 따라 달라진다. 불량률과 제품, 주입 속도 등의 데이터가 결합되면 "이 금형(제품)일 때는 이렇게 한다"는 식의 암묵지를 형식지화할 수 있고, 이에 기반한 작업을 지속함으로써 기술 습득을 촉진할 수 있다.

불량률 예측은 기술 계승뿐 아니라 직접적인 불량률 저감에도 효과를 발휘한다. 매일 아침 조회 시간에 "이 제품은 지난번 불량률이 ○○%로 높았으니 주의하십시오"라고 전달하며 경각심을 높일 수 있다. NousLagus의 모리야(守屋) 사장은 "수치로 제시함으로써 설득력이 더해진다"고 설명했다.

불량률 예측 AI에는 구로노금속이 매일 기록한 주입 데이터와 당시 기온·습도 등의 기상 데이터, 그리고 당시의 생산 계획 및 실적 데이터를 학습시켰다. 이 데이터를 학습한 AI에 수주 데이터(향후 주입할 제품명, 수량, 납기 등)를 입력하면 불량률을 예측해 낸다.

데이터 중에는 불량품 수처럼 수치로 표현 가능한 '정량적 데이터'와 제품명처럼 수치화할 수 없는 '정성적 데이터'가 있다. 정량적 데이터에는 통계학적인 선형 회귀나 로지스틱 회귀 등을 적용하고, 정성적 데이터에는 LLM(대규모 언어 모델)을 적용한다. NousLagus의 모리야 사장은 "정량적 데이터만으로 불량률을 고정밀도로 예측하기는 어렵다. LLM을 활용함으로써 그동안 고려하지 못했던 정성적 데이터까지 예측 모델에 포함할 수 있어 정확도가 향상된다"고 설명했다.

불량률은 제품명별로 출력된다. 예를 들어 불량률이 70% 이상으로 예측될 경우 '고위험' 경고를 보낸다. 그와 동시에 "(오늘의 주입 공정에서는) 고위험 제품이 대부분을 차지하고 있습니다", "공정 관리와 품질 검사 강화가 시급합니다" 등의 메시지도 표시한다.

생산 계획상의 주의점을 불량률 수준에 따라 표시하는 기능도 개발했다. 가령 "불량 확률이 75%를 초과하는 제품 A 등은 주조 조건 및 후가공 공정의 재검토가 필요합니다. 과거 불량 실적을 분석하여 원인(재료, 냉각 시간, 금형 노후화 등)을 특정하세요"와 같은 조언이 표시된다.

AI 기반 불량률 예측 시스템은 아직 개발 단계다. 모리야 사장은 "불량률 예측 정확도는 87.6%로 매우 높다"고 밝혔으나, 아직 실제 운용 단계에는 이르지 못했다. 주입 조건 등에서 충분히 고려되지 않은 항목이 남아 있기 때문이다. 향후 현장의 실제 업무를 통해 정확도 등을 검증해 나갈 계획이다.

구로노 씨는 "데이터를 축적해 정확도가 올라가면 꼭 도입하고 싶다"며 기대감을 드러냈다. 현재 예측 모델에서는 '주입 속도', '용탕 온도', '(모래 금형에 쓰이는) 모래의 수분량' 등이 데이터 부족으로 반영되지 않은 상태다. 모리야 사장은 "앞으로 이 요소들을 예측에 활용해 정확도를 더욱 높이겠다"는 포부를 밝혔다.

숙련공의 감각을 어떻게 데이터화하고, 어떻게 전달할 것인가도 향후 과제다. 구로노 씨는 "예를 들어 '5초 동안 주입한다'고 해도 수작업에서의 5초는 사람마다 감각이 다르다. 또한 주입 도중 속도를 바꾸는 경우도 많아, 세밀한 미세 조정 부분까지 전달하기가 쉽지 않다"고 말했다.

불량품은 다시 녹여서 사용하지만, 금속의 질이 떨어지기 때문에 동일한 제품에는 사용할 수 없다. 구로노 씨는 "최근 구리 합금 가격이 급등하고 있어, 불량 발생은 시간과 인적 리소스의 손실뿐 아니라 비용 측면의 타격도 크다"고 말한다. "불량률 저감은 제조업의 영원한 과제다. AI 예측을 활용해 언젠가는 불량 제로를 달성하고 싶다"고 덧붙였다.

-- 끝 --

Copyright © 2026 [Nikkei XTECH] / Nikkei Business Publications, Inc. All rights reserved.