서울대 윤병동 교수팀, 제조 자율화 이끌 ‘풀스택 AI 팩토리’ 구축 나서

[KD시사뉴스]

서울대 윤병동 교수팀, 제조 자율화 이끌 ‘풀스택 AI 팩토리’ 구축 나서

2026년도 리더연구 유형A 선정… 2026년 6월부터 9년간 연구 수행

데이터 수집부터 의사결정·물리적 실행까지 잇는 제조 AI 체계 구축

해석성과 설명성 내재한 제조 업무 특화형 파운데이션 모델 ‘MxFM’ 개발

농심·시너스텍·대구기계부품연구원 등 협력 기관 제조라인에서 실증

서울대학교 공과대학 기계공학부 윤병동 교수 연구팀이 제조 현장의 데이터 수집부터 추론과 의사결정, 물리적 실행까지 전 과정을 인공지능(AI)으로 연결하는 ‘풀스택 AI 팩토리’ 구축에 본격 나섰다.

서울대 기계공학부 윤병동 교수

윤병동 교수 연구팀의 ‘풀스택 AI 팩토리를 위한 제조 업무(x) 특화형 파운데이션 모델’ 과제는 2026년도 리더연구 유형A에 최종 선정됐다. 연구팀은 2026년 6월부터 9년간 제조 업무에 특화된 파운데이션 모델을 개발하고, 이를 실제 제조라인에 적용해 제조 자율화의 기반을 마련할 계획이다.

확산되는 파운데이션 모델, 그러나 비어 있는 ‘제조 도메인’

파운데이션 모델은 대규모 데이터를 미리 학습한 뒤 여러 업무에 활용할 수 있는 범용 AI 모델이다. 최근 GPT와 Gemini 같은 텍스트 모델, Sora와 같은 이미지·영상 모델을 비롯해 Chronos와 TimesFM 등 시계열 데이터를 처리하는 모델까지 활용 범위가 빠르게 넓어지고 있다. 그러나 고주파 진동·전류 신호, 공정 이력, 비전 데이터가 복합적으로 존재하는 제조 도메인에는 이를 아우르는 범용 파운데이션 모델이 부재한 실정이다.

제조 데이터는 공정·설비·센서별로 표현 방식이 이질적이고, 자연어처럼 명시적인 의미 구조를 갖지 않아 AI 학습에 그대로 활용하기 어렵다. 문제별로 분절된 모델은 개발과 관리에 한계가 있으며, 여러 형태의 데이터를 하나의 모델에 통합할수록 AI가 어떤 근거로 판단했는지 설명하기 어려워지는 문제도 있다. 작업자가 처리해야 하는 정보량과 설비 인프라의 물리적 한계도 AI 적용의 걸림돌로 작용해 왔다.

2단계에 걸친 end-to-end 풀스택 AI 팩토리 구현

연구팀은 이러한 한계를 해결하기 위해 제조 업무 특화형 파운데이션 모델인 ‘MxFM(Manufacturing x Foundation Model)’을 개발한다. MxFM은 다양한 제조 데이터를 통합적으로 학습해 품질과 정비, 안전 등 여러 제조 업무에 활용할 수 있도록 설계되는 AI 모델이다.

연구는 두 단계로 진행된다. 1단계에서는 AI가 제조 데이터를 이해하고 여러 업무에 활용할 수 있도록 ‘제조 업무 특화형 파운데이션 모델’을 구축한다.

먼저 제조 데이터를 △공정 단계 △작업 이벤트 △설비 상태 △센서 역할 △업무 목적 등 다섯 가지 기준으로 다시 정의한다. 이어 데이터의 관계를 계층적으로 정리한 메타데이터 구조와 설비·센서별 편차를 보정하는 체계를 마련해 별도의 복잡한 전처리 없이 AI 학습에 활용할 수 있는 ‘AI-Ready 제조 데이터’ 체계를 정립한다. 이어 고주파 신호 특성을 반영한 데이터 생성 모델과 물리 정합성 검증 기술로 희소한 이상·고장(edge/corner) 시나리오까지 포괄하는 전 운전영역(full-regime) 데이터를 확보할 계획이다.

이러한 데이터 체계를 바탕으로 전문가 혼합 구조(MoE, Mixture of Experts)를 적용한 제조 업무 특화형 파운데이션 모델을 개발한다. 전문가 혼합 구조는 하나의 모델 안에 서로 다른 영역을 담당하는 여러 전문 모델을 두고, 입력된 데이터와 업무에 따라 필요한 모델을 선택해 활용하는 방식이다. 연구팀은 고주파·저주파 시계열 데이터와 이미지 등 각 데이터가 가진 물리적 특성을 유지하면서도 하나의 공통된 표현 공간에서 처리할 수 있도록 정렬한다. 업무의 맥락을 나타내는 태그 정보를 이용해 품질과 정비, 안전 등 업무별 학습 영역을 구분함으로써 모델의 해석성도 확보한다.

또한 어떤 전문가가 판단에 주로 기여했는지를 추적함으로써 AI의 판단 근거를 보다 투명하게 제시할 수 있는 설명성 내재형 모델을 개발한다. 단순히 결과만 출력하는 모델을 넘어 판단 과정과 이유를 확인할 수 있는 설명성 내재형 제조 AI 모델을 개발한다는 구상이다. 이미지와 저주파 데이터 영역에는 기존 범용 파운데이션 모델을 전략적으로 활용하고, 연구팀은 제조 현장의 핵심 데이터인 고주파 신호를 처리하는 원천기술 개발에 연구 역량을 집중한다.

2단계에서는 MxFM을 실제 제조 업무에 적용해 데이터 수집부터 판단과 실행까지 이어지는 풀스택 AI 팩토리를 구현한다. 연구팀은 품질 분류와 설비 복원, 안전을 위한 객체 인식 등 제조 업무별 어댑터를 MxFM에 결합한다. 하나의 기반 모델에 업무별 기능을 추가해 여러 제조 업무에 특화하는 방식이다.

모델의 분석 결과를 바탕으로 판단 근거와 조치 우선순위까지 제시하는 제조 의사결정 에이전트도 구축한다. 연구팀은 모델의 성능 저하를 최소화하면서 설명성을 유지하는 경량화 기술을 적용해 서버와 엣지, 온디바이스를 포괄하는 다중 스케일 실행 구조를 구현할 계획이다.

실증에서는 AI 모델의 추론 성능뿐 아니라 실제 제조라인에서 판단 결과를 실행할 수 있는지까지 단계적으로 평가한다. 농심과 시너스텍, 대구기계부품연구원 등 협력 기업·기관의 제조라인을 대상으로 기술을 검증할 예정이다.

분절된 제조 AI를 넘어 ‘제조 자율화’로

이번 연구는 데이터와 모델, 의사결정, 실행이 분절돼 있던 기존 제조 AI 구조를 하나로 연결하는 것을 목표로 한다. 데이터 수집부터 물리적 실행까지 이어지는 엔드투엔드(end-to-end) 풀스택 AI 체계를 구축해 제조 현장의 자율화를 위한 기반을 마련한다는 구상이다.

이번 연구를 이끄는 윤병동 교수는 제조 AI의 원천기술 개발부터 산업 현장 적용까지 연구 범위를 확장해 왔다. 현재까지 산학협력 과제 총 95건(완료 86건, 진행 9건, 총 연구비 약 250억 원)을 수행했으며 Reliability Engineering & System Safety(RESS), Mechanical Systems and Signal Processing(MSSP), International Journal of Mechanical Sciences(IJMS) 등 제조 시스템 분야 국제학술지에 다수의 SCI 논문을 게재했다.

윤 교수는 연구 성과를 산업 현장으로 확장하기 위해 2016년 산업 AI 예지보전 기업 원프레딕트(ONEPREDICT)를 설립했다. 원프레딕트의 솔루션은 LG에너지솔루션과 GS칼텍스, 한국항공우주산업, 한국전력공사 등의 현장에 적용됐다. 윤 교수는 2024년 Forbes Korea A150에 선정됐으며, 2025년부터 산업통상부 AI 팩토리 Manufacturing AX 얼라이언스 프로젝트 공동위원장으로 국가 차원의 제조 AI 전략을 주도하고 있다.

※ 참고 자료

· 과제명: 풀스택 AI 팩토리를 위한 제조 업무(x) 특화형 파운데이션 모델
· 지원사업: 2026년도 리더연구(유형A)
· 수행기간: 2026년 6월 ~ 2035년 2월(총 9년)
· 주관기관 연구책임자: 서울대학교 기계공학부 윤병동 교