머신러닝, 기계학습 퀵 가이드

VMDA는 머신러닝(기계학습)이 기계 및 설비 엔지니어링 기업에게 어떤 기회와 도전 그리고 솔루션을 제공하는지 „퀵 가이드 머신러닝“에 요약하였다.

울리히 샤마리(Ulrich Schamari)

VDMA 소프트웨어 및 디지털화 협회는 „퀵 가이드 머신러닝“을 작성하기 위해 전문가 그룹을 투입하였다. 이 가이드를 제공하는 목적은 새로운 기술을 취급해야 하는 기계 제조업체들을 돕기 위함이다. VDMA 소프트웨어 및 디지털화 협회의 클라우스 외터는 프랑크푸르트 암 마인에서 열린 퀵 가이드 출판행사에서 다음과 같이 강조하였다. „최근 회자되고 있는 머신러닝을 잘 평가하고 기계 제조사들이 사용할 수 있도록, 기계 엔지니어링에서 어떤 사용 분야가 있고, 어떤 문제가 발생하며, 어떻게 기계학습의 구현이 가능한지에 대해 밝히고자 합니다.“

많은 데이터가 입력될수록 결과가 좋아진다

VDMA 소프트웨어 및 디지털화 협회의 클라우스 외터는 기계 엔지니어링에서 기계학습 사용영역의 투명성을 더 많이 요구하였다.

기계학습은 인공지능의 구성요소이다. Generic.de software technologies AG의 세바스티안 베친은 기계학습의 활용을 다음과 같이 설명하였다. „컴퓨터가 인간과 유사한 지능을 갖고 있다면 컴퓨터가 문제를 스스로 해결할 수 있습니다.“ 컴퓨터는 이를 위해 솔루션의 입력과 마찬가지로 원하는 학습 데이터의 입력이 필요하다. 컴퓨터는 입력된 데이터에서 결과를 안내하는 패턴과 규칙을 인식한다. 이렇게 확립된 알고리즘이 프로그램의 핵심이며, 기계 엔지니어링에서 오류 공차 계산에서 예측할 수 있고, 데이터를 공급하여 확률 모델을 개발할 수 있는 특정 플랫폼과 알고리즘을 갖게 된다. 따라서 입력하는 데이터의 양이 방대할수록 결과는 더욱 정밀해진다.

기계학습이 쓸모 없는 응용분야는 거의 없다

IBM의 마티아스 디텔은 기계 제조업체가 경쟁에서 살아남기 위해서는 기계학습을 반드시 다루어야 한다고 강조하였다. „업계는 이 기술에 빠르게 적응해야 합니다.“ 하노버 박람회나 Automatica 박람회에 방문했었다면, 기계학습이 쓸모 없는 응용분야는 거의 없다는 것을 알았을 것이다. 기계학습의 잠재력은 막대하다. 독일 기계 제조업이 힘든 경쟁에서 그 가치를 증명할 기회는 여러 박람회에서 얻는다고 할 수 있다. 독일은 기계학습의 산업적, 기업적 응용에 초점을 맞추고 있다. 경쟁자들이 소비자를 위한 응용사례에서 활동하기 때문이다. 이와 관련하여 미국보다 중국을 더 주목해야 한다.

Homag Plattenaufteiltechnik GmbH의 베네딕트 뷔어는 기계학습을 도입하여 효율성을 높아졌다고 하였다.

Homag Plattenaufteiltechnik GmbH의 베네딕트 뷔어는 인간과 기계 간의 협력이 기계학습에 지원되는 산업적 응용에 관한 실무 보고서를 제공하였다. Homag Plattenaufteiltechnik GmbH는 가구 제조사를 위해 가구용 목재를 작은 판넬로 절단한다. 가구 제조사들은 이 판넬로 가구를 조립된다. 직원들은 판넬 분리 톱을 가지고 여러 작업을 통해 다양한 크기의 판넬을 생산된다. 이 부품들은 수동으로 지정된 스택에 올려놓아야 한다. „이 작업을 자동화할 수 있습니다. 그러나 대부분의 고객들에게 이 공정을 사람이 처리하는 것으로 이해합니다.“(베네딕트 뷔어) 기계학습은 직원들의 효율을 높이고 오류를 줄이기 위해 도입하였다. 카메라 시스템을 이용하여 직원의 수작업을 관찰하고 컴퓨터에 입력된 이미지와 비교하여, 현재 촬영된 이미지가 기존의 데이터와 차이가 있으면 경고 신호가 울린다.

Baumüller Nürnberg GmbH의 안드레아스 렐케스는 기계학습을 소프트웨어 개발의 패러다임 시프트로 생각한다. „이제 개발자는 더 이상 규칙을 세우지 않고 입력과 원하는 결과를 위해 트레이닝 단계에서 데이터만 제공하면 됩니다.“ 여기에서 입력된 데이터가 원하는 결과에 도달하는 솔루션을 알고리즘이 만들어낸다. 일반적으로 기계학습을 사용하는 이유는 두 가지이다. 너무 복잡하고 적합한 모델이 없거나, 기계로부터 적응 행동, 즉 다층적인 물리적 기계 프로세스의 최적화를 원하는 경우이다.

PSI Logistics의 지오반니 프레스티필리포는 신경망 또는 인공지능을 공급 체인에 직접 사용하는 실제 사례를 소개하였다. PSI Logistics 내부 물류 소프트웨어를 개발하면서 빠르게 생산성과 실행력으로 안내하는 인공지능의 적용사례가 있다. 카메라를 이용하여 다른 물류 시스템으로부터 화물을 식별 추적하고 상태를 모니터링하여 운반 장애를 알리는 공항용 트렁크 핸들링 시스템이 탄생하였다. 이후 함부르크 공항에 200개의 모니터링 카메라가 설치하였고, 체크인에서 하역 장소까지 전체 운반 프로세스에 분산 수용했다. „모든 알림 포인트에는 트리거를 이용하여 최대 5개의 이미지를 촬영하여 데이터 베이스에 저장합니다.“(지오반니 프레스티필리포) 이 신경망은 현재 저장된 이미지를 점검하고 평가하기 위해 약 2,000장의 이미지를 학습하였다.

직원들을 데이터 과학자로 교육하기 위한 투자가 이익이 된다

프라운호퍼 지능적 분석 및 정보 시스템 연구소의 안드레 라우셰르트는 성공적인 가치창출을 실현하는 기계학습 프로젝트를 소개하였다. 그는 자신의 관심사를 다음과 같이 표현하였다. „어떻게 하면 데이터 과학으로 해답에 이를 수 있을까?“ 인공지능은 미래를 예측하기 위해 과거의 데이터를 이용한다. 따라서 기계학습의 질적 요소는 입력되는 데이터 품질에 좌우된다. 이는 기업 내부에서 1등급 데이터 자산을 개발해야 한다는 인식으로 이어진다. 의미있는 결과를 얻기 위해 현실성 연구와 딥 다이브(Deep Dive), 즉 깊이 있는 분석을 구분해야 한다. 직원에게 투자하고 그들을 데이터 과학자로 교육하는 것이 이익이 될 수 있다.

정보기술 회사인 Daenet의 다미르 도브릭도 기계학습이 잘 되는 조건과 그렇지 않은 조건을 주제로 삼았다. 본질적인 기준은 기계에 입력되는 학습 데이터가 가공되는 방법에 있다고 보았다. „제가 기계학습을 시작하기 전에는 어떻게든 데이터를 형상화해야 했습니다.“ (다미르 도브릭) 이는 다수 레이어의 인공뉴런을 갖는 연상 메모리를 사용합니다. 입력 레이어 (Input Layer), 숨겨진 레이어 (Hidden Layers) 그리고 출력 레이어 (Output Layer)를 구분해야 한다. 숨겨진 뉴런층의 개수는 기계학습의 능력에 큰 영향을 미칠 수 있다. 숨겨진 뉴런이 적으면 신용등급 평가와 같이 복잡한 문제를 처리할 수 없고, 너무 많으면 효율이 떨어지고 부정확성이 늘어날 수 있다.

MM INFO
온라인 강의

MM Maschinenmarkt가 뮌헨의 Start-up University4Industry와 함께 기계학습으로 안내하고 길잡이를 제공할 온라인 강의를 제공한다. 아래 두 강의는 이미 진행되고 있다.

사용 분야 및 기본 아이디어

기계는 어떻게 학습하는가?