지난 3월 16일 열린 ‘LG Tech Conference’에서 LG는 국내 이공계 석박사 과정 R&D 인재 350여명을 대상으로 다양한 기술혁신 현황을 설명했습니다. AI, 빅데이터, 블록체인 등 총 26개 분야의 테크 세션을 통해 LG가 생각하는 미래 비전을 공유했는데요. 이 중 4차 산업혁명의 핵심 키워드 중 하나인 스마트팩토리와 AI 적용 사례에 대한 뜨거운 관심이 이어졌습니다. 생산부터 불량 유출 최소화까지, 다양한 분야에 AI를 활용하는 AI기술팀 임준호 님의 발표를 함께 들어보겠습니다.
스마트팩토리, 주문부터 물건을 받기까지 모든 과정을 연결하다
스마트팩토리는 설계, 개발, 제조, 유통 등 생산 전 과정을 네트워크로 연결하고, 자동화하여 진행하는 공장입니다. LG에너지솔루션에 이를 적용하면 배터리 설계부터 생산, 딜리버리 등 전체 프로세스를 효율적인 방향으로 진행할 수 있죠. 더불어 Deep Learning과 AI를 활용하면 비용과 생산 로스(loss)를 더욱 줄일 수 있습니다. 예를 들면, 배터리를 사람이 눈으로 일일이 검수하는 것이 아닌, AI가 자동으로 탐지하여 더욱 빠르고 효율적인 프로세스를 갖출 수 있습니다.
정상과 불량을 구분하는 것은 간단한 작업처럼 보이지만, 알고리즘 개발자 입장에서는 까다로운 과제입니다. 특히, 정상 데이터와 불량 데이터를 분류하는 검사에 있어, 불량 데이터가 부족하다는 점이 문제가 됩니다. 이에 생산 공정, 그 중에서도 불량 유출에 AI 기술 적용 시 저희가 직면한 두 가지 과제를 말씀드리려고 합니다.
이상 탐지(Anomaly Detection)를 활용한 양품 확보
먼저, 배터리를 생산하는 과정 속 양극과 음극을 용접하는 패키지 웰딩(Package welding) 공정에서 발생하는 신규 불량을 이상 탐지(Anomaly Detection) 모델로 최종 검출하여 불량 유출을 최소화하는 과제입니다. 파우치형 배터리의 경우 L&S(Lamination & Stacking) 공법을 적용한 후, 앞뒤로 용접하여 완성하는데요. 공정 중 이물질이 들어가거나 용접이 잘못되면 폭발 위험성도 있기 때문에 매우 까다로운 비전 검사를 진행합니다. 이 용접 검사에서 인공지능을 활용하면 효율을 높일 수 있습니다.
정상 이미지(Normal Image)는 하루에도 몇십만 장에서 몇백만 장까지 쏟아지는데 반해 불량 이미지, 이상 이미지(Abnormal Image)는 굉장히 극소량이기 때문에, 이상 탐지로 문제를 푸는 것이 좋습니다. 2017년 해당 연구가 진행되었을 당시에는, 주로 AutoEncoder 방식을 사용했습니다. 이 방식은 입력 이미지가 들어가면 같은 이미지를 결과로 나오게끔(reconstruction) 만들고 로스를 최소화하는 방향으로 학습했습니다. ‘정상 이미지가 들어가면 네트워크의 결과물로 나오는 이미지와 입력 이미지의 차이가 적고, 비정상 이미지가 들어가면 네트워크의 결과물로 나오는 이미지와 입력 이미지의 차이가 클 것이다’라는 접근법입니다. 하지만, 이 경우 성능은 좋지 않았습니다. 정상 이미지로만 학습한 네트워크가 비정상 이미지를 reconstruction 못할 것이란 보장이 없었기 때문입니다. 더불어 새로운 정상 이미지가 들어올 때마다 학습시켜야 한다는 단점도 있었죠.
따라서 재학습이 없는 이상 탐지 방식은 운영 효율을 높입니다. 다양한 클래스(class)를 구분하는 네트워크를 학습한 모델은 다양한 특징(feature)을 추출할 수 있는 능력을 가지고 있습니다. 이에 사전 학습 네트워크(Pre-trained network)에 기반한 특징 추출(Feature Extraction)을 활용하여 성능과 운영 효율 측면에서 강점이 있습니다.
Class-Imbalance(불균형) 문제와 해결
불량을 판단했다면, 불량의 위치와 해결 방법을 추적하고, 발생 원인을 분석해야 합니다. 그 다음에는 알맞은 조치가 이어져야 하는데요. 이를 위해 분류(Classification)를 진행했는데, 각 클래스마다 불량 이미지의 개수가 달라 불균형(imbalance)이 발생했고, 이는 성능 저하로도 이어졌습니다. 보통 논문이나 자료에선 각 클래스별 이미지 개수가 똑같기 때문에 완벽해 보이지만, 실제로는 그렇지 않습니다. 다시 말해 일반적으로 분류 문제를 다룰 때는 이미지의 개수가 같은 경우를 상정하지만, 현실에서는 불량 개수도 적은데 불량의 클래스 각각의 데이터 세트의 개수는 더욱 적어, 극심한 Class-Imbalance 문제에 빠지곤 합니다.
이에 그동안 엔지니어의 경험적 판단으로 이뤄지던 개선 조치를 자동화했습니다. 불량 유형 구분 및 위치 추정을 현업 엔지니어가 도메인 지식 기반으로 판단하기 때문에, 엔지니어 숙련도에 따라 분석 소요 시간 및 결과 편차가 발생하여 지속적인 비용이 발생했기 때문이죠.
자동화를 위해, Class-Imbalance를 완화할 수 있는 기술을 제안했습니다. Deep Learning을 학습할 때, 하나의 배치(Batch) 안에 들어가는 이미지를 제한하는 기법입니다. 하지만 이 또한 성능 향상에는 큰 도움이 되지 않았습니다. 왜냐하면 Class-Imbalance 상황일 때 성능이 하락하는 원인은 크게 두 가지 – ①해당 클래스를 모두 대표할 데이터를 가지지 못할 때, ②Deep Learning 특성상 적은 로스를 받기 위해 쉽게 한곳으로 빠져드는 경우 – 였기 때문입니다.
때문에 저희는 마지막 레이어의 가중치(weight)를 정규화(normalization)했습니다. 미세 조정(Fine tuning) 후 가중치의 노름(norm)이 비슷해지는 것에 intuition을 갖고 조인트 훈련(joint training)을 하기보단, 일반적인 학습 후 단순 가중치를 정규화 하는 것 만으로 기존 샘플링 전략이 지니는 문제를 해결할 수 있었습니다. 실제로 일반적인 학습을 했을 때와 비교하니, 3% 정도 성능이 향상되었습니다. 러닝이 다 끝난 뒤 마지막 가중치를 정규화하면 되는 간단한 방식이라, 개인 연구에도 활용해보면 좋을 것 같습니다.
AI기술팀, 어디를 향해 나아갈까?
이렇게 AI 연구원들과 함께 진행했던 두 가지 과제에 대해서 설명해 드렸는데요. 앞으로 풀어야 할 과제와 일은 여전히 많습니다. 고도화된 모델을 가져와 편리하게 사용할 수 있는 알고리즘이 나오면 좋겠지만, 이 경우에도 탑재에서 끝나지 않고 계속 미세 조정을 이어가야 합니다. 자동 러닝을 활용하면 유지비용 관리 측면에서 높은 이점을 얻을 수 있습니다. 이와 관련해서 여러 가지 연구들이 필요한 상황입니다.
AI기술팀은 AI를 이용해 전사의 난제를 해결하는 조직입니다. 데이터 기반의 소재 연구(Material Informatics)를 위한 배터리 설계부터 생산 공정, 원재료 가격 예측을 위한 시계열 예측(Time Series Prediction) 알고리즘 등 여러 분야에 AI를 활용합니다. 때문에 저희 팀에서도 그만큼 다양한 연구가 진행 중이고요! 함께 재미난 연구, 과제들 풀어가면서 현대 사회에 기여하는 새로운 가치를 만들어 나갔으면 좋겠습니다.