인공지능 및 기계학습(AI/ML)은 반도체 팹, 첨단 패키징, 전자제품 제조 분야의 스마트 제조에 다양한 방식으로 적용될 수 있으며, 일반적으로 감지, 연결, 예측, 제어라는 몇 가지 핵심 요소를 포함합니다. 많은 산업 단체들이 인정하듯이, 스마트 제조는 대응형, 예방형, 예측형, 자율형이라는 여러 단계를 거쳐 성숙해집니다(그림 1).
적응형 제어는 반도체 스마트 제조 분야의 AI/ML에서 ‘성배’와 같은 존재입니다. 업계에는 공급망 관리, 신제품 출시(NPI), 생산 계획, 추적성은 물론 예측 유지보수, 생산성 향상, 공정 및 수율 개선 등에 활용할 수 있는 다양한 AI/ML 플랫폼이 있습니다. 최신 AI/ML 플랫폼을 활용하면 감지, 연결, 예측, 제어 기능을 모두 갖춘올인원기능을 제공하면서도, 모든 핵심 요소를 원활하고 점진적으로 통합하는 확장 가능하고 개방적이며 비용 효율적인 플랫폼을 제공합니다(그림 2).
이 AI/ML 플랫폼은 추가 센서 설치 없이도 기계 내부의기존 센서에서 수집된데이터를 활용할 수 있습니다. 이 ‘엣지 우선(edge-first)’ 솔루션은 다른 클라우드 및 엣지 기반 서비스와 통합될 수 있어, 레거시 시스템 데이터를 거의 모든 주요 자동화 벤더의 구성 요소와 연결할 수 있을 뿐만 아니라, 복잡한 엔터프라이즈 엣지-클라우드 네트워크 아키텍처 전반에 걸쳐 OT 데이터를 안전하고 안정적으로 전송할 수 있는 유연한 데이터 관리 도구를 제공합니다. ML 모델은 기계 성능 및 제조 공정에 대한 예측 최적화 기능을 제공하며, 제어 지능 기능은 고객의 승인을 받은 후 기계와 직접 연동되어 기계 자체에 대한 적응형 제어를 수행할 수 있습니다. 따라서 이 AI/ML 플랫폼은 가시성 및 모니터링 기능을 제공할 뿐만 아니라, 예측 분석, 최적화 및 제어에 대한 뛰어난 기능도 추가로 제공합니다(그림 3).
에지 기반 아키텍처
예를 들어, 이 소프트웨어 솔루션은 첨단 AI/ML 기술을 분산형 엣지 기반 아키텍처와 결합합니다(그림 4). 이 플랫폼은 밀리초 단위의 사이클 시간 내에 여러 에지 데이터 스트림(예: 프로세스 로그, 기계 데이터, 계측 데이터 등)을 실시간으로 연결하고 수집합니다. 또한 고객의 엔드투엔드 운영에서 풀스택 데이터를 수집하고, 핵심 시스템 데이터에 대한 실시간 동기화 및 유효성 검증을 수행할 수 있습니다.
유연하고 컨테이너화된 아키텍처는 엣지 환경에서 다양한 프로토콜(독점적인 기존 프로토콜 배포 포함)을 지원할 수 있으므로, 플랫폼이 산업용 장비와 손쉽게 연동되어 데이터를 수집할 수 있게 해줍니다. 분산형 엣지 환경을 위해 특별히 구축된 개방적이고 확장 가능한 아키텍처는, 처음부터 모든 데이터를 클라우드나 중앙 집중식 위치로 이동해야 하는 부담을 덜어줍니다. 개방적이고 확장 가능한 아키텍처 덕분에 이 플랫폼은 엣지에서 하이브리드 클라우드로 이어지는 배포 토폴로지를 지원하여 타사 기술과의 원활한 통합을 가능하게 합니다.
이에 따라 글로벌 기업들은 데이터 가상화 및 엣지 환경에서의 비지도 학습과 같은 디지털 전환 기술 요소를 손쉽게 통합하고, 기계, 생산 라인, 지리적으로 분산된 사업장 간에 학습 내용을 확장 가능하고 유연하며 비용 효율적인 방식으로 이전할 수 있습니다. 이를 통해 고객은 특정 클라우드에 구애받지 않고 혁신을 가속화하여 실질적인 비즈니스 혁신 성과를 달성할 수 있습니다.
추론 모델은 에지에서 실시간 데이터를 수집, 저장 및 분석하여 생산 환경을 위한 예측 데이터 인텔리전스를 밀리초 단위로 제공합니다. 예를 들어, 시간 기반 트리거 아키텍처는 모니터링되는 데이터 측정값이 허용 범위 내에 있는지 여부를 밀리초 단위로 예측할 수 있습니다. 데이터가 허용 범위를 벗어나면 여러 가지 대응 조치가 자동으로 실행될 수 있습니다. 이를 통해 고객은 비용이 많이 드는 시스템 통합이나 시간이 오래 걸리는 IT 구현 과정 없이도 생산 시스템을 직접 제어할 수 있게 됩니다. 머신러닝(ML) 모델이 충분히 성숙해지면, 고객의 승인을 거쳐 플랫폼은 기계와 직접 연동하여 적응형 제어 및 최적화를 수행할 수 있습니다.
스마트 제조 응용 분야
이 AI/ML 플랫폼은 신속하게 구축할 수 있으며, 대부분의 경우 당일 내에 중요한 시스템 수준 데이터에 대한 접근을 제공합니다. 이를 통해 향후 몇 주에 걸쳐 개발될 ML 모델과 연동함으로써, 고객은 장비 노후화를 예측하고, 고장을 예방하며, 예기치 않은 가동 중지 시간을 줄이고, 자산 상태와 활용도를 개선할 수 있습니다. 이 플랫폼을 통해 반도체 업계의 고객사는 점점 더 복잡해지는 기계 및 시스템을 다루는 엔드투엔드 운영에 있어, 사후 대응형 유지보수 전략에 의존하던 방식에서 예측 기반 모니터링 및 제어 방식으로 전환할 수 있습니다. 노코드/로우코드 솔루션은 빠르고 쉽게 배포할 수 있으며, 필요에 따라 확장도 가능합니다. 또한, 이 플랫폼은 제조 장비에 대한 예측 분석을 수행할 뿐만 아니라, 필요한 경우 원격으로 장비를 테스트하고 제어할 수도 있습니다.
가시성, 시각화, 추적성은 현장 또는 라인 수준에서부터 기계 센서 수준에 이르기까지, 이전에는 상상조차 할 수 없었던 세분화된 수준으로 구현될 수 있으며, 이를 통해 최적화와 지속적인 개선을 위한 전례 없는 통찰력과 정보를 제공합니다. 머신러닝(ML) 모델은 실시간 지속적인 개선을 통해 이상 탐지를 통한 예측 유지보수는 물론, 무엇보다도 기계와 공정을 직접적으로 적응형 제어하는 데 활용됩니다.
이러한 기능은 여러 글로벌 대기업에서 반도체 팹, 첨단 패키징, 트랜시버용 광섬유, SMT 정밀 배치 및 기타 까다로운 공정에 활용되어, 공정 수율을 크게 향상시키는 동시에 사이클 시간과 장비 가동 중단 시간을 줄이는 데 기여했습니다. 이는 특히 반도체 업계에서 생산 능력 부족이 발생할 때 큰 도움이 됩니다. 예를 들어, 한 대형 다국적 반도체 기업은 마이크로디바이스 조립 생산 라인을 관리하기 위해 AI/ML 플랫폼을 도입했습니다. 예기치 않은 가동 중단을 최소화하기 위해 모든 장비 모터 축의 움직임, 부품의 이동, 하위 시스템의 위치를 25밀리초마다 추적합니다. 이 소프트웨어 플랫폼은 외부 위협으로부터 데이터 보안을 유지하고 초저지연 프로그램 실행 시간을 보장하기 위해 고객사의 시설 내에서 로컬로 실행됩니다.
이 플랫폼은 특정 기기에 구애받지 않으므로, 공장 내 생산 라인의 다양한 기기에 배포할 수 있습니다. 특히 상류 및 하류 기기들이 이제 “협업”하여 전반적인 동기화 최적화를 이룰 수 있게 되었기 때문에 이는 매우 강력한 장점입니다. 데이터 소스 간의 다변량 관계를 포함하는 복잡한 모델을 “공정 속도”에 맞춰 현장에서 실시간으로 구동할 수 있습니다.
반도체 팹, 첨단 패키징, 조립 및 테스트 분야의 스마트 제조에서 지능형 엣지 자동화를 위한 AI/ML 응용 분야는 매우 다양합니다. 첨단 기술이 점점 더 복잡한 제조 공정을 요구함에 따라, 이는 업계의 혁신을 가능하게 하는 핵심 도구입니다. 자세한 내용은[email protected]을 참조해 주십시오.


