일본산업뉴스요약

Nikkei X-TECH_2022.4.6

미쓰비시가스화학, 배관 부식 검사에 AI 도입
'인간 참여형(HITL)' 기계학습으로 정밀도 향상

미쓰비시(三菱)가스화학은 AI(인공지능) 스타트업 기업인 ABEJA(도쿄)와 협력하여 니가타(新潟)공장의 배관 부식을 검사하는 시스템에 AI를 도입했다. 도입 시에는 AI와 사람의 협조로 오퍼레이션을 수행하는 '인간 참여형(Human In The Loop; 이하 HITL)' 기계학습에 의한 어프로치를 이용했다.

HITL 기계학습이란 인간과 기계의 지능을 조합하여, 고정밀도로 효율적인 AI 시스템의 개발·운용을 목표로 하는 접근방식이다. 기계학습 모델의 훈련 시에 인간의 판단을 도입해 모델의 정밀도 향상 등을 도모한다.

화학 플랜트와 같은 미션 크리티컬 업무에 AI를 도입하려면, 99%이상이라는 고정밀도를 실현한 후에 현장에 본격적으로 도입하는 것이 요구된다. AI의 정밀도 그 자체를 99%이상으로 높이기까지는 몇 번이나 PoC(개념 검증)를 거듭할 필요가 있다. 그러나, 화학 플랜트와 같은 현장 업무에 AI를 도입하는 경우, 해결하고 싶은 문제의 종류가 많거나 발생하는 빈도에 격차가 있는 등의 특징이 있기 때문에, 실제 운용까지 상당한 시간과 비용이 소요된다. HITL 기계학습의 채택으로, 이 과제를 해결하려고 했다.

-- 현장이 요구한 ‘AI 도입’ --
미쓰비시가스화학의 니가타공장은 동해에 접해 있다. 공장의 배관은 바닷바람에 노출되어 부식되기 쉽다. 배관의 부식이 진행되면 구멍이 뚫려 사고의 원인이 되기도 한다. 그 때문에, 배관의 체크는 없어서는 안 될 중요한 업무이다.

배관의 부식 여부를 체크하기 위해 공장 전체를 파악하는 직원(운전자)이 공장 안을 순회하며 부식 가능성이 있는 배관을 촬영한다. 부식의 유무 및 그 정도를 판정하는 것은 난이도가 높다. 그 때문에, 운전자가 촬영한 이미지를 숙련된 직원(보수 담당)이 육안으로 확인하는 형태로 부식 정도 등을 판정하고 있었다.

그러나 공장이 넓기 때문에 운전자가 촬영하는 배관의 사진량은 방대해진다. 그로 인해 부식을 판단하는 보수 담당의 업무량이 많아져 버린다는 과제를 안고 있었다. 현장의 직원들은 이런 상황을 문제 삼아 AI를 활용해 업무를 효율화할 수 없을 지를 고민했다고 한다. 미쓰비시가스화학에서는 2021년부터 중기 경영계획의 일환으로, 디지털 기술을 사용한 생산부문이나 간접부문의 업무 효율화와 최적화를 도모하는 ‘SMART MGC’ 프로젝트가 시작되었다. 공장 현장으로부터의 문제의식을 접수해, 해당 공장에서 이미지 판단에 의한 AI 도입을 단행하게 되었다.

미쓰비시가스화학은 AI 도입을 위해 현장의 직원과 함께 여러 회사에 상담을 의뢰했다. ABEJA도 그 중 하나였다.

이 회사가 ABEJA를 선정한 이유에 대해 미쓰비시가스화학 생산기술부 프로세스기술그룹 신보(新保) 대표는 “AI 성능에만 특화하지 않고, 어떤 오퍼레이션을 해야 AI가 현장에서 도움이 될 수 있을까? 와 같은 논의가 이뤄졌기 때문이다”라고 말한다.

여러 기업과 상담함으로써, AI를 현장에 도입하기 위해서는 우선 “자사에서 판단 로직을 표준화하지 않으면 안 된다는 것을 깨달았다”(신보 대표)라고 한다.

이에, 미쓰비시가스화학에서는 암묵지를 바탕으로 ‘부식의 단계 설정’ 및 ‘부식 대응 처치’ 등의 기준을 명확하게 해, 매뉴얼화에 나섰다. 매뉴얼화를 위해 이 회사의 생산기술부 프로세스기술그룹과 공장 현장 등 여러 부서로 구성된 워킹그룹을 만들었다.

이후 미쓰비시가스화학은 ABEJA와 함께 2019년 11월부터 부식 배관 외관검사에 AI 도입을 시작했다. 전문지식 없이도 AI의 모델 개발이 가능한 ‘ABEJA Platform’을 현장에 적용하는 어프로치로서, 두 회사는 HITL 기계학습을 도입했다.

-- 워크플로우(업무 절차) 안에서 AI의 정확도를 높인다 --
미쓰비시가스화학과 ABEJA는 HITL를 이용함으로써 점차적으로 AI의 정밀도를 높여, 약 2년만에 공장에서의 실전 운용에 이르렀다. 양사는 공동으로 이번 AI 도입 수법에 대해 2022년 1월에 특허를 출원했다.

AI 도입에 착수한 것은 2019년 11월로 거슬러 올라간다. 그 후, 단계적으로 목표를 설정하면서 시스템의 정밀도를 높여, 2022년 1월에 공장 전체에서의 운용을 시작했다. AI 적용 여부를 판단, 촬영한 사진의 날짜와 장소 등 입력할 데이터에 대한 구체적 항목의 결정, 현장에서의 시범 운용을 통한 확인 등에 3개월 정도의 기간을 두고, 점차적으로 시스템의 완성도를 높여갔다. 시스템의 정밀도를 높인 후 적용 가능한 범위를 서서히 확대했다.

기계학습 모델 중 하나인 교사 학습(Supervised Learning) 모델을 개발하는 경우는 통상 교사 데이터를 나타내는 어노테이션(Annotation, 주석)이라고 하는 공정을 거친다. 오카다(岡田) ABEJA CEO는 "인간이 실제 업무에서 어노테이션과 같은 일을 한다"라고 표현한다. 다시 말해, ABEJA Platform 상에서 현장의 직원이 이미지를 판단함으로써 AI 모델의 정밀도가 높아진다는 것이다.

실제의 정밀도 향상의 흐름은 다음과 같다. 시스템의 도입 단계에서는 AI는 촬영된 부식 이미지를 바탕으로 부식의 특정 위치와 부식 정도를 판정하고 있다. AI 판정 결과가 틀렸을 경우는 직원(보수 담당)이 수정해 AI가 다시 학습한다. 워크플로우(Workflow)를 실행하는 것만으로 AI의 정밀도를 높일 수 있다.

지금까지 시행착오의 결과, 이미지를 바탕으로 5단계로 부식을 판단하는 시스템이 완성되었다. 부식 정도가 가벼운 것부터 순서대로 '칠이 벗겨졌다' '녹이 난다' '경도 부식' '부식' '중도 부식'으로 판단한다. 또한, 대응이 필요한 부식일수록 고정밀도로 판단할 수 있다고 한다. ABEJA는 해당 시스템의 운용을 시작한 후, 니가타공장의 검사 업무에 관한 작업량을 약 50% 감축했다.

 -- 끝 --

Copyright © 2020 [Nikkei XTECH] / Nikkei Business Publications, Inc. All rights reserved.