728x90

출처: Fortune 보도(2026-11-13, OpenAI 확인) / AI산업통신 정리(2026-11-15) / Google DeepMind CoRL 2026 발표(2026-11-10)

로봇 전용 '두뇌'를 만드는 팀이 사라졌습니다. OpenAI가 로봇 전담 연구팀을 해산했다는 소식이 11월 13일 Fortune 보도로 알려졌고, OpenAI 측이 이를 확인했습니다. 로봇 사업을 접는 게 아닙니다. 오히려 반대입니다. 범용 AI가 로봇을 직접 움직일 수 있게 됐으니, 전용 팀을 따로 둘 필요가 없다는 판단입니다. 같은 주에 구글 딥마인드는 정반대 방향의 증거를 내놨습니다. 범용 모델이 로봇의 두뇌가 될 수 있을까 — 이번 주, 두 가지 답이 동시에 나왔습니다.

1. 해산의 근거는 '시뮬레이션 74.8%'였다

OpenAI가 내세운 근거는 숫자 하나입니다. 범용 모델 'GPT-6 Astra' 기반 AI 에이전트가 가상 공간의 로봇 조작 과제에서 74.8%의 성공률을 기록했고, 같은 시험에서 로봇 전용 모델의 최고 성적은 51.0%였습니다. 격차는 23.8%포인트입니다.

다만 이 숫자를 읽을 때 조건을 함께 봐야 합니다. 이건 OpenAI 자체 측정이 아니라 엔비디아 연구진이 진행한 시뮬레이션 결과이고, 실기가 아니라 가상 공간에서의 결과입니다. 시뮬레이션에서 잘하는 모델이 공장 바닥에서도 잘한다는 보장은 없습니다. 현장에서 로봇을 다뤄본 사람이라면 이 한 줄이 왜 중요한지 압니다. 시뮬레이션은 먼지, 진동, 미끄러운 바닥, 예상 밖의 사람 동선을 담지 못합니다.

그럼에도 해산이라는 결정 자체가 메시지입니다. OpenAI는 2027년 자사 휴머노이드의 첫 공개 시연을 여전히 계획하고 있습니다. "로봇을 그만두는 게 아니라, 두뇌를 따로 만들지 않겠다"는 선언에 가깝습니다.

2. 같은 주, 구글은 '실증'으로 답했다

흥미로운 건 같은 주에 나온 구글 딥마인드의 발표입니다. CoRL 2026에서 공개된 Gemini Robotics 2.5는 메르세데스-벤츠의 실제 자동차 생산 라인에서 검증됐습니다. 독일 진델핑겐과 헝가리 케치케메트 공장에서 휴머노이드 Apollo 2가 산적한 부품함에서 금속 브래킷을 골라 순서대로 담는 작업의 성공률이 96%였습니다.

작은 손동작 수치도 눈에 띕니다. 집게로 과자 집기가 5%에서 100%로, 리본 매듭 풀기가 0%에서 70%로 올랐습니다. 전체 작업 속도는 20~30% 빨라졌고, 사람 근처에서의 안전 과제 완료율은 43% 개선됐습니다.

두 회사의 답은 이렇게 갈립니다. OpenAI는 "범용 모델이면 된다"고 했고, 구글은 "범용 모델이 실제 라인에서 증명됐다"고 했습니다. 한쪽은 조직 개편으로, 한쪽은 실증 수치로 같은 질문에 답한 셈입니다.

3. 현장에서 먼저 물을 질문은 따로 있다

7년차 현장 관점에서, 이 뉴스를 보고 가장 먼저 물을 질문은 "모델이 좋아졌나"가 아닙니다. "그 모델이 우리 라인에서, 우리 부품으로, 우리 속도로 돌 때 성공률이 얼마인가"입니다.

범용 모델이 로봇의 두뇌가 되는 시대가 온다면, 현장 엔지니어의 일은 오히려 더 중요해집니다. 모델을 고르는 일이 아니라, 모델이 틀렸을 때 라인을 세우지 않는 설계, 손이 미끄러졌을 때 다시 잡는 힘 제어, 사람 옆에서 멈추는 안전 경계 같은 '마지막 10미터'를 만드는 일이 남기 때문입니다. 두뇌가 좋아질수록, 손끝의 감각과 현장의 검증이 병목이 됩니다.

그래서 뭘 하면 되나 — 당장 할 일은 세 가지입니다. 첫째, 우리 공정의 로봇 작업 중 '반복되는 손동작' 하나를 골라 성공률과 실패 방식을 숫자로 기록해 둔다. 둘째, 시뮬레이션 성공률과 실제 라인 성공률을 같은 표에 놓고 비교하는 습관을 만든다. 셋째, 범용 모델 뉴스가 나올 때마다 "어느 공장에서, 어떤 부품으로 검증됐는지"를 먼저 확인한다.

모델 전쟁이 로봇 전쟁으로 번지는 지금, 현장의 질문은 달라지지 않았습니다. "그래서 우리 라인에서는 되나요?" — 이 질문에 답할 수 있는 현장이 결국 이기는 현장입니다.

관련 글: 테슬라 옵티머스 3세대 양산 준비 https://developer-archive.tistory.com/161 · LG 클로이드 美·韓 공장 실전 검증 https://developer-archive.tistory.com/166 · ROKAE 휴머노이드 힘제어 암 1만 대 출하 (2026-10-27 트렌드)

출처: Fortune(2026-11-13, OpenAI 확인) / AI산업통신(2026-11-15) / Google DeepMind, CoRL 2026, Gemini Robotics 2.5(2026-11-10)

728x90
728x90

공장에 AI를 들여놓을 때 제일 먼저 부딪히는 질문은 "모델이 얼마나 똑똑하냐"가 아니다. 현장에서 진짜로 묻는 건 따로 있다. 답이 다음 트레이가 지나가기 전에 나오나, 인터넷이 끊겨도 돌아가나, 공장 데이터가 건물 밖으로 나가지 않나. 이 세 가지에 답하지 못하면 아무리 큰 모델도 라인 옆에 설 자리가 없다. 그래서 2026년 제조 AI의 흐름은 "더 크게"가 아니라 "더 작게, 더 가까이"로 꺾이고 있다. 주인공은 소형언어모델, SLM이다.

큰 모델이 현장에서 막히는 지점

거대 언어모델은 클라우드에서 잘 돌아간다. 그런데 공장은 클라우드가 아니다. 검사 카메라가 초당 수십 장을 찍는 라인에서, 판정 보조 답변이 왕복 몇 초씩 걸리면 그 모델은 없는 것과 같다. 토큰당 과금도 문제다. 하루 수만 건씩 질의가 쌓이는 라인에서는 "똑똑한 모델"이 곧 "비싼 모델"이 된다. 무엇보다 데이터 문제다. 불량 사진, 공정 조건, 설비 로그는 외부로 나가면 안 되는 정보가 많다. 클라우드로 보내지 않고 현장 안에서 답을 내는 구조가 필요한 이유다.

SLM이 뭔데 — 작지만 할 일만 하는 모델

SLM은 보통 수억에서 100억 파라미터 안팎의 작은 모델이다. 덩치는 작지만, 할 일 하나에 맞춰 잘 만든 데이터로 학습하면 그 일에서는 큰 모델 못지않다. 엔비디아 연구진이 조지아텍과 함께 낸 논문 제목이 이 흐름을 그대로 보여준다. "작은 언어모델이 에이전트 AI의 미래다." 가트너는 2027년이면 기업이 범용 대형 모델보다 작고 전용화된 모델을 3배 더 많이 쓸 것으로 전망한다. 델은 2026년을 "SLM의 해"라고 불렀다. 모델 쪽도 준비가 됐다. 마이크로소프트 Phi-4, 메타 Llama 3.2의 1B·3B, 구글 Gemma 4의 엣지용 E2B·E4B 같은 모델들이 현장 옆 기기에서 돌아가도록 설계돼 있다.

현장에서 SLM이 실제로 하는 일

현장에서 SLM이 맡는 일은 화려하지 않다. 불량 판정 근거를 한 줄로 정리해 작업자에게 보여주고, 두꺼운 매뉴얼 대신 "이 알람은 뭐고, 지금 뭘 해야 하냐"는 질문에 답하고, 쏟아지는 알람 로그를 요약해 "지금 봐야 할 건 이 세 개"만 골라준다. 호주 베가 그룹의 제조 코파일럿 사례처럼 Llama-2-7B 같은 작은 모델에 검색(RAG)을 붙여 작업자 지원에 쓰는 곳도 있다. 핵심은 거창한 자율화가 아니라, 작업자 옆에서 바로 답하는 "작은 조수"다. 그리고 이 조수는 전원이 나가도, 인터넷이 끊겨도, 그 자리에서 일한다.

그래서 뭘 하면 되나

7년차 현장 엔지니어로서 한 줄로 정리하면, "모델을 고르기 전에, 그 모델이 어디서 돌아갈지를 먼저 정하라"는 것이다. 클라우드가 답이 아닌 일부터 찾는다. 알람 요약, 매뉴얼 질의, 판정 근거 정리처럼 답이 빨라야 하고 데이터가 밖에 나가면 안 되는 일. 그 일 하나에 작은 모델을 붙여보고, 답이 현장에서 통하는지를 먼저 확인한다. 큰 모델을 들여놓는 건 그다음이다. AI 도입의 성패는 모델 크기가 아니라, 그 모델이 현장의 속도와 규칙 안에 들어가는지에서 갈린다.

관련 글: 예지정비 EP.1 https://developer-archive.tistory.com/126 · 엣지 컴퓨팅 EP.7 https://developer-archive.tistory.com/157 · 모델 평가 https://developer-archive.tistory.com/164

출처: NVIDIA Research·Georgia Tech "Small Language Models are the Future of Agentic AI"(2025), Gartner 전망(iFactory 정리), Ecosystm "The Rise of Small"(2026-07), Firecrux "Small language models on the edge in 2026"

728x90
728x90

도입

AI를 공장에 들여오는 일에서 제일 어려운 건 모델이 아니다. 같은 설명을 해도 경영진은 고개를 끄덕이고, 작업자는 팔짱을 끼고, 설비팀은 "그래서 라인이 멈추면 누가 책임지냐"고 묻는다. 상대가 다르면 통하는 말이 다르다. 7년차 현장 엔지니어로서, 나는 AI 도입 설명을 세 가지 말로 나눠서 한다.

경영진에게는 숫자로 말한다

경영진은 기술이 아니라 돈과 리스크로 판단한다. "정확도가 98%입니다"는 그들에게 아무 말이 아니다. 대신 이렇게 말한다. "이 라인에서 한 달에 나오는 오탐이 40건인데, 그중 30건은 이 규칙으로 걸러집니다. 오탐 한 건 처리하는 데 드는 시간이 평균 20분이니, 한 달에 10시간이 남습니다."

포인트는 거창한 ROI가 아니라, 이미 현장에서 재고 있는 비용을 숫자로 보여주는 것이다. 파일럿 범위도 작게 잡는다. 한 라인, 한 공정, 한 달. "전 공장에 깐다"는 말은 경영진도 부담스러워한다. 작게 시작해서 숫자로 증명하면, 다음 단계는 그들이 먼저 묻는다.

작업자에게는 '손쉬움'으로 말한다

작업자는 AI가 일을 덜어주는지, 아니면 일을 하나 더 얹는지부터 본다. 새 화면이 하나 더 생기면 그게 곧 야근이다. 그래서 나는 도입 전에 작업자에게 이렇게 묻는다. "지금 제일 귀찮은 확인 작업이 뭐예요?" 그 답이 곧 AI가 처음 맡아야 할 일이다.

알람 확인, 기록 입력, 이상 여부 1차 판단. 이 세 가지를 줄여주면 작업자는 AI를 도구가 아니라 동료로 본다. 반대로 "AI가 판단하니까 그대로 따르세요"라고 하면, 첫 오탐에서 신뢰가 무너진다. 작업자의 손쉬움이 먼저다. 기술 설명은 그 다음이다.

설비팀에게는 '안전'으로 말한다

설비팀의 질문은 늘 같다. "멈추면 누가 책임지냐." 이 질문에 "AI가 알아서 합니다"는 최악의 답이다. 나는 이렇게 답한다. "AI는 판단을 내리지만, 멈추고 돌리는 결정은 지금처럼 사람이 합니다. AI가 틀리면 그 기록이 남아서, 다음엔 같은 실수를 안 합니다."

권한의 경계를 먼저 그어주는 것이다. AI가 설비를 직접 건드리는 범위는 따로 정하고(#145 챗봇 권한 글에서 다룬 것처럼), 그 밖의 일은 사람이 결정한다. 안전 장치가 어디에 있고, 실패하면 어떻게 멈추는지를 보여주면 설비팀은 비로소 귀를 연다.

마무리

AI 도입 설득은 기술 발표가 아니라 번역이다. 경영진에게는 숫자로, 작업자에게는 손쉬움으로, 설비팀에게는 안전으로. 같은 AI라도 상대마다 다른 말을 해야 현장에 들어간다.

그래서 뭘 하면 되나 — 다음 도입 회의 전에, 상대 세 명(경영진·작업자·설비팀)에게 각각 통할 한 문장씩만 미리 써보자. 그 한 문장이 준비되면, AI는 기술이 아니라 현장의 일로 들어간다.

관련 글: 공장용 AI 챗봇 권한 문제(https://developer-archive.tistory.com/145), 모델 버전 관리(https://developer-archive.tistory.com/155)

728x90
728x90

출처: 노컷뉴스, 2026-11-14 08:00, "공장이 스스로 판단하고 움직인다… 새만금, 피지컬 AI 전진기지"

공장이 '판단'하는 시대가 온다는 말의 뜻

노컷뉴스가 11월 14일 전한 소식은 단순한 지역 개발 뉴스가 아니다. 전북 새만금이 피지컬 AI의 국가 실증 거점으로 떠오르고 있다. 정부와 전북, 현대자동차그룹이 2031년까지 '전북 피지컬 AI 밸리'를 조성해 국산 로봇과 핵심 부품의 성능을 검증하고 실제 산업 현장에서 실증하겠다는 계획이다. 김제·새만금 일대에는 3,000억 원 규모의 '새만금 로봇팜팩토리'도 들어선다.

여기서 피지컬 AI는 "로봇이 사람 일을 대신한다"는 뜻이 아니다. AI·로봇·모빌리티·첨단 소프트웨어가 결합해 현실 세계의 움직임과 작업을 스스로 판단하고 수행하는 기술이다. 최종 목표는 사람의 개입이 거의 없는 완전 무인 공장, 이른바 '다크팩토리'다. 기사 한 줄이 이 방향을 정확히 짚는다. 공장이 스스로 판단하고 움직이는 것, 그게 피지컬 AI다.

VLA와 심투리얼, 공장의 '두뇌'와 '연습장'

이 계획의 기술적 핵심은 두 가지다. 첫째는 VLA(Vision Language Action) 모델이다. 보고·이해하고·행동하는 것을 하나로 묶은 모델로, 로봇이 주변을 인식하고 작업의 맥락을 이해해 상황에 맞는 행동을 스스로 선택한다. 둘째는 심투리얼(Sim2Real)이다. 디지털트윈으로 만든 가상 공간에서 로봇을 대량으로 훈련시킨 뒤, 그 결과를 실제 기계에 적용하는 방식이다.

현장에서 일하는 입장에서 이 두 단어는 낯설지 않다. VLA는 "로봇이 상황을 보고 판단한다"는 말이고, 심투리얼은 "가상에서 충분히 연습한 뒤 현장에 내보낸다"는 말이다. 새만금 계획이 흥미로운 건 이 둘을 '실증'이라는 단어로 묶었다는 점이다. 연구실 데모가 아니라, 실제 생산 라인에서 검증하겠다는 선언이다. 전북대 실증 랩에 이미 피지컬 AI 생산 공정이 들어서 스티어링휠을 만들고 있다는 대목이 그 증거다.

다크팩토리는 목표인가, 수출 상품인가

기사가 덧붙인 한 문장이 더 눈에 띈다. 전북도는 기술 개발과 실증을 넘어 다크팩토리 시스템 자체를 해외에 수출하는 청사진까지 그리고 있다. 공장을 짓는 나라에서 공장을 '만드는 시스템'을 파는 나라로 가겠다는 얘기다.

7년차 현장 엔지니어로서 한 줄만 덧붙인다. 다크팩토리의 진짜 시험대는 조명 없는 공장이 아니라, 사람이 없을 때 고장이 나도 공장이 스스로 멈추고 복구하는지다. 무인은 사람을 없애는 게 아니라, 사람의 판단을 시스템에 옮기는 일이다. 그래서 지금 할 일은 거창하지 않다. 내 라인의 고장·정지·복구 기록을 "사람이 없을 때 뭐부터 할지" 순서로 정리해두는 것, 그게 다크팩토리의 첫 번째 설계도다.

관련 글: 인티그리트 — 로봇이 움직이기 전에 '결과'를 본다(https://developer-archive.tistory.com/149), LG 클로이드, 공장에서 검증받는 피지컬 AI(https://developer-archive.tistory.com/166), 현장 AI 운영 노트 EP.13 — 여러 공장의 운영 노트를 한데 모으는 법(https://developer-archive.tistory.com/243)

728x90
728x90

이 글은 '현장 AI 운영 노트' 시리즈의 열다섯 번째 글입니다. 1편에서는 매일 아침 AI의 건강을 보는 5분 점검표를, 2편에서는 그 점검표를 대시보드 하나로 만드는 법을, 3편에서는 경보가 울렸을 때 누가 어떤 순서로 움직이는지 조치 루틴을, 4편에서는 한 달 돌린 경보 루틴을 숫자로 리뷰하는 법을, 5편에서는 분기 리뷰로 재학습 여부를 정하는 기준을, 6편에서는 재학습한 모델을 현장에 내놓기 전 검증 3단계를, 7편에서는 배포한 뒤 새 모델의 성능을 현장에서 계속 추적하는 모니터링 루틴을, 8편에서는 이상 신호가 잡혔을 때 재학습·롤백·기준 수정 중 무엇을 고르는지 의사결정 기준을, 9편에서는 이상 신호 대응 기록을 다음 모델의 학습 데이터로 바꾸는 법을 다뤘습니다 (EP.1 https://developer-archive.tistory.com/175 · EP.2 https://developer-archive.tistory.com/180 · EP.3 https://developer-archive.tistory.com/184 · EP.4 https://developer-archive.tistory.com/190 · EP.5 https://developer-archive.tistory.com/195 · EP.6 https://developer-archive.tistory.com/200 · EP.7 https://developer-archive.tistory.com/205 · EP.8 https://developer-archive.tistory.com/210 · EP.9 https://developer-archive.tistory.com/215). 10편에서는 이렇게 쌓인 운영 기록을 팀 인수인계 자료로 바꾸는 법을, 11편에서는 도입 검토 단계부터 운영을 설계하는 법을, 12편에서는 운영 노트를 여러 라인으로 넓힐 때 기준을 맞추는 3가지 방법을, 13편에서는 여러 공장의 운영 노트를 한데 모으는 운영 대시보드를 만드는 법을, 14편에서는 분기마다 현장 AI의 '운영 건강'을 리뷰하는 법을 다뤘습니다 (EP.10 https://developer-archive.tistory.com/220 · EP.11 https://developer-archive.tistory.com/233 · EP.12 https://developer-archive.tistory.com/238 · EP.13 https://developer-archive.tistory.com/243 · EP.14 https://developer-archive.tistory.com/251). 이번 편에서는 분기 리뷰에서 정한 '바꿀 것 하나'를 실제로 현장에 적용할 때, 무엇을 먼저 손대고 무엇을 나중에 두는지 다룹니다.

분기 리뷰가 끝나면 회의실에서는 다들 고개를 끄덕인다. "경보 하나를 줄이자", "검증 기준 하나를 현장에 맞추자", "야간 담당을 나누자". 그런데 다음 분기가 되면 바뀐 게 없는 경우가 많다. 정한 건 좋은데, 적용이 안 된 것이다. 이유는 단순하다. '바꿀 것 하나'를 정해놓고, 막상 적용하려고 하면 한 번에 다 바꾸려 하기 때문이다. 분기 리뷰의 결론은 작아야 하고, 적용의 순서는 더 작아야 한다.

1. 먼저 손대는 건 '되돌릴 수 있는 것'부터

바꿀 것 하나를 적용할 때 첫 번째 기준은 효과의 크기가 아니라 되돌릴 수 있는지다. 경보 임계값을 하나 조정하는 건 되돌리기 쉽다. 대시보드 화면 하나를 바꾸는 것도 그렇다. 반대로 모델을 통째로 바꾸거나, 조치 루틴의 담당자를 바꾸는 건 되돌리는 데 시간이 걸린다. 그래서 적용 순서는 이렇게 정한다. 되돌리기 쉬운 것부터 먼저, 되돌리기 어려운 건 나중에. 임계값 조정부터 하고, 한 주 돌려본 뒤에 다음 것을 건드린다. 한 번에 여러 개를 바꾸면, 좋아졌는지 나빠졌는지 원인을 알 수 없다. 현장에서 "뭘 바꿨더니 좋아졌다"는 말을 하려면, 한 번에 하나씩 바꿔야 한다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 적용의 첫 번째 원칙은 "바꾼 게 틀렸을 때, 원래대로 돌아갈 수 있는가"다.

2. 사람부터 바꾸지 말고, '순서'부터 바꾼다

분기 리뷰에서 가장 흔히 나오는 결론이 "담당을 나누자" 같은 사람 문제다. 그런데 사람을 바꾸는 건 가장 느리고, 가장 저항이 크다. 담당을 나누기 전에, 먼저 '순서'를 바꾸는 게 낫다. 경보가 울렸을 때 누가 먼저 보는지의 순서를 정하고, 야간 경보는 다음 날 아침에 반드시 리뷰하는 순서를 넣는 식이다. 순서는 사람을 바꾸지 않고도 바꿀 수 있다. 순서가 바뀌면 사람의 행동이 바뀌고, 행동이 바뀌면 부담이 어디에 몰리는지가 보인다. 그때 가서 담당을 나누면, 나눌 이유가 숫자로 보인다. "야간 대응이 A씨에게 70% 몰린다"는 숫자가 있어야, 담당을 나누자는 얘기가 설득력을 갖는다. 사람부터 바꾸면 저항이 먼저 오고, 순서부터 바꾸면 숫자가 먼저 온다.

3. 바꾼 것은 한 달 뒤 숫자로 확인한다

적용하고 끝이 아니다. 바꾼 것은 한 달 뒤에 반드시 숫자로 확인한다. 임계값을 바꿨다면 그 경보가 줄었는지, 순서를 바꿨다면 대응 시간이 줄었는지, 담당을 나눴다면 한 사람에게 몰리던 비중이 줄었는지를 본다. 이 확인이 없으면, 바꾼 것은 "바꿨다"는 사실만 남고 효과는 모른다. 한 달 뒤 숫자가 나아지지 않았다면, 그건 실패가 아니라 다음 분기 리뷰의 재료다. 왜 안 됐는지를 운영 노트에 적어두면, 다음 분기에는 같은 실수를 안 한다. 분기 리뷰에서 정한 '바꿀 것 하나'는, 한 달 뒤 숫자 확인까지가 한 세트다.

그래서 뭘 하면 되나

이번 주 할 일은 세 가지다. 첫째, 지난 분기 리뷰에서 정한 '바꿀 것 하나'를 꺼내, 되돌릴 수 있는 순서로 다시 적는다. 둘째, 사람부터 바꾸지 말고, 그 일의 '순서'부터 바꾼다. 셋째, 바꾼 날짜를 운영 노트에 적고, 한 달 뒤 확인할 숫자(경보 건수·대응 시간·몰림 비중)를 함께 적는다. 분기마다 하나씩 바꾸고, 한 달마다 숫자로 확인하면, 일 년 뒤의 현장은 지금과 달라져 있다. 다음 편에서는 분기마다 고친 것들이 쌓여, 일 년 뒤 운영 노트가 어떻게 달라지는지 다룹니다.

관련 글: 현장 AI 운영 노트 EP.1(https://developer-archive.tistory.com/175), EP.2(https://developer-archive.tistory.com/180), EP.3(https://developer-archive.tistory.com/184), EP.4(https://developer-archive.tistory.com/190), EP.5(https://developer-archive.tistory.com/195), EP.6(https://developer-archive.tistory.com/200), EP.7(https://developer-archive.tistory.com/205), EP.8(https://developer-archive.tistory.com/210), EP.9(https://developer-archive.tistory.com/215), EP.10(https://developer-archive.tistory.com/220), EP.11(https://developer-archive.tistory.com/233), EP.12(https://developer-archive.tistory.com/238), EP.13(https://developer-archive.tistory.com/243), EP.14(https://developer-archive.tistory.com/251), 데이터 드리프트(https://developer-archive.tistory.com/133), 모델 평가 현장 지표(https://developer-archive.tistory.com/164)

728x90
728x90

협동로봇이 사람 옆에서 일하는 시대다. 안전펜스 없이 작업자와 같은 공간에서 움직이니, 안전 검증은 설치가 끝나고 현장에서 하는 게 아니라 설치 전에 끝나야 한다. 로봇을 직접 움직이며 사람이 옆에서 테스트하면, 사람도 설비도 위험하다. 그래서 나는 안전 검증을 디지털트윈에서 먼저 한다.

협동로봇 안전의 기준은 '속도와 힘'

협동로봇 안전의 핵심은 ISO/TS 15066이 정한 접촉 시 허용 힘과 압력, 그리고 속도와 분리 거리 모니터링이다. 스펙표의 최대 속도가 중요한 게 아니다. 작업자와 닿았을 때 실제로 얼마나 세게 닿는지가 기준이다.

현장에서 진짜 위험한 지점은 로봇이 가장 빨리 움직이는 곳이 아니라, 작업자 동선과 로봇 궤적이 겹치는 곳이다. 부품을 건네받는 지점, 작업자가 몸을 숙여 들어가는 구간, 로봇이 방향을 바꾸는 모서리. 이런 지점은 도면만 봐서는 잘 안 보인다. 트윈에 작업자 동선을 함께 올려야 보인다.

디지털트윈에서 검증하는 3가지

첫째, 궤적과 동선 시뮬레이션이다. 작업자의 이동 경로를 모델에 넣고 로봇 궤적과 겹치는 지점을 찾는다. 겹치는 지점이 나오면 그 지점의 접근 속도부터 낮춘다.

둘째, 속도·힘 제한 검증이다. 제한값을 바꿔가며 접촉 시나리오를 돌려본다. 같은 궤적이라도 속도를 250mm/s에서 150mm/s로 낮추면 접촉 시 충격이 얼마나 줄어드는지 숫자로 확인된다. 감으로 정하던 제한값이 근거를 갖게 된다.

셋째, 비상정지와 복귀 시나리오다. 비상정지를 눌렀을 때 로봇이 어디서 멈추는지, 재가동할 때 어떤 경로로 복귀하는지까지 미리 확인한다. 정지 자체보다 복귀 과정이 더 위험한 경우가 많다.

현장에 가져갈 때 체크리스트

트윈에서 확인한 제한값은 실제 컨트롤러 설정과 반드시 대조한다. 시뮬레이션 값과 현장 설정값이 다르면 검증은 무용지물이다. 첫 가동은 저속 모드로, 사람이 없는 시간대에 한다. 그리고 검증 결과는 기록으로 남긴다. 다음에 라인을 바꾸거나 로봇을 교체할 때 같은 검증을 처음부터 다시 하지 않아도 된다.

그래서 뭘 하면 되나. 협동로봇을 새로 들일 때, 설치 일정에 '트윈 안전 검증 1일'을 먼저 넣어보자. 로봇이 도착하기 전에 궤적과 동선, 제한값을 가상으로 돌려보는 하루다. 현장에서 사람을 세워두고 테스트하는 것보다 훨씬 싸고, 훨씬 안전하다.

안전은 감이 아니라 검증의 문제다. 디지털트윈은 로봇을 안전하게 현장에 들이는 가장 싼 방법이다.

관련 글: 디지털트윈 데이터 수집(https://developer-archive.tistory.com/124), 디지털트윈 실시간 조건(https://developer-archive.tistory.com/132)

728x90
728x90

주말 새벽 2시, 전화가 울린다. "라인이 멈췄어요." 현장에 가려면 한 시간은 걸리는데, 전화기 너머 목소리는 당장 뭘 해야 할지 묻고 있다. 7년 전 처음 이런 전화를 받았을 때는 나도 당황해서 "일단 리셋 눌러보세요"라고 했다. 그날 배웠다. 현장에 없는 사람의 첫 마디가, 그날 밤의 복구 시간을 정한다.

1. 먼저 묻는 건 "뭐가 멈췄나"가 아니다

전화를 받으면 가장 먼저 확인하는 건 세 가지다. 다친 사람은 없는지, 안전 인터록이 걸린 상태인지, 그리고 지금 라인이 "멈춘 상태"인지 "멈추는 중"인지다. 설비가 멈췄다고 다 같은 멈춤이 아니다. 정상 정지인지, 비상 정지인지, 알람이 뜬 채 멈춘 건지부터 가른다. 이걸 안 묻고 "뭐가 고장 났어요?"부터 물으면, 현장 사람은 고장 원인을 추측하느라 시간을 쓴다. 원인은 나중에 찾으면 된다. 지금 필요한 건 상태 정보다.

두 번째로 묻는 건 "마지막으로 정상이었던 게 언제냐"다. 방금 전까지 돌아가던 라인과 한 시간 전부터 이상했던 라인은 대응이 다르다. "10분 전까진 정상이었어요"라는 말 한마디면, 그 10분 사이에 일어난 변화부터 좁힐 수 있다. 바꾼 설정, 교체한 자재, 새로 들어온 작업자 — 변한 게 뭔지부터 찾는다.

2. 전화로 지시할 수 있는 건 딱 세 가지뿐이다

현장에 없는 내가 전화로 시킬 수 있는 일은 많지 않다. 그래서 순서가 정해져 있다.

첫째, 멈춘 순간의 데이터를 남기게 한다. 알람 화면 사진, 트윈 대시보드 캡처, 로그 화면 — 찍을 수 있는 건 다 찍어두라고 한다. 리셋을 누르기 전에, 전원을 껐다 켜기 전에. 증거는 그 순간에만 있다. 현장에 도착하면 이미 사라져 있는 정보가 대부분이다.

둘째, 무리하게 다시 돌리지 말라고 한다. 멈춘 설비를 "한 번만 더" 돌려보는 건, 고장 원인을 더 키우는 지름길이다. 특히 소리가 났거나, 냄새가 나거나, 진동이 느껴졌다면 재가동은 금지다. 밤에 라인을 세우는 건 아프지만, 설비를 망가뜨리는 것보다 싸다.

셋째, 내가 도착하기 전까지 현장 사람이 할 수 있는 "확인만 하는 일"을 정해준다. 육안 점검, 케이블·커넥터 흔들림 확인, 에어 압력 게이지 읽기. 만지지 않고 보는 일까지만. 손을 대는 작업은 내가 가서, 상태를 보고 결정한다.

3. 가는 길에 하는 일 — 전화가 아니라 "준비"다

현장까지 가는 한 시간은 그냥 이동 시간이 아니다. 차 안에서는 세 가지를 한다. 첫째, 멈추기 전 로그를 원격으로 확인한다. 디지털트윈에 접속해 멈추기 직전 30분의 데이터를 본다. 진동·온도·전류 중 어느 값이 먼저 튀었는지. 둘째, 비슷한 고장의 과거 기록을 찾는다. 인수인계 메모, 예전 장애 기록 — 같은 설비, 같은 알람이 전에 있었는지. 셋째, 필요한 부품과 공구를 미리 챙긴다. 현장에 도착해서 "아, 그 공구가 없네" 하고 다시 돌아오는 게 가장 바보 같은 시간 낭비다.

현장 엔지니어의 실력은 고치는 속도보다, 도착하기 전에 얼마나 좁혀놓느냐에서 갈린다. 전화 한 통, 가는 길 한 시간 — 이 시간에 이미 절반은 풀려 있어야 한다.

마무리 — 전화 받는 사람이 곧 "현장"이다

현장에 없다는 건 변명이 안 된다. 전화기 너머의 내 말이 곧 현장의 판단이 되니까. 그래서 나는 전화를 받을 때마다 같은 순서를 지킨다. 안전 확인, 상태 확인, 데이터 남기기, 그리고 "다시 돌리지 말 것". 이 네 가지만 지켜도, 주말 새벽의 고장은 "복구"로 끝나지 "사고"로 번지지 않는다.

현장 AI가 아무리 똑똑해져도, 새벽 2시 전화를 받는 건 결국 사람이다. 그 전화 한 통의 품질을 높이는 게, 7년차 엔지니어의 진짜 일이라고 생각한다.

관련 글: #130 설비 알람 로그 설계, #135 장애 대응 루틴, #156 야간 무인 운전 전 확인 5가지

728x90
728x90

현장 AI를 돌리다 보면 언젠가 꼭 듣는 말이 있다. "AI가 틀렸어요." 불량 판정이 잘못됐다, 경보가 엉뚱한 데서 울렸다, 로봇이 가면 안 되는 곳으로 갔다. 보고를 받는 순간 머릿속이 바빠진다. 모델 문제인가, 데이터 문제인가, 설비 문제인가. 그런데 7년차 현장 엔지니어로서 먼저 하는 일은 원인을 찾는 게 아니다. 보고 자체를 정리하는 것부터 시작한다. 틀렸다는 보고가 들어왔을 때의 첫 대응이, 그 뒤의 수습 시간을 결정하기 때문이다.

1. "틀렸다"는 말부터 번역한다 — 뭐가, 어떻게 틀렸는지

"AI가 틀렸어요"라는 말만으로는 아무것도 할 수 없다. 어떤 판정이, 어떤 값으로, 어떻게 틀렸는지를 먼저 물어야 한다. 불량이라고 찍은 게 사실은 양품이었는지, 정상이라고 한 게 불량이었는지부터 다르다. 전자는 과검출, 후자는 미검출이다. 과검출은 생산을 멈추게 하고, 미검출은 불량을 흘려보낸다. 대응의 방향이 정반대다.

그래서 보고를 받으면 가장 먼저 세 가지를 적는다. 언제, 어떤 설비에서, AI가 무슨 판정을 내렸는지. 그리고 현장에서 실제로 무엇이 확인됐는지. 이 네 줄이 없으면, 같은 사건을 놓고도 사람마다 다른 얘기를 한다. "어제 오후쯤, 3번 라인에서" 같은 말은 기록이 아니다. 시간·설비·판정·실측, 이 네 가지를 적는 데 1분이면 된다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 오탐 대응은 모델을 고치는 일이 아니라 보고를 "수습할 수 있는 사실"로 바꾸는 일부터 시작한다.

2. 모델을 의심하기 전에 입력과 현장을 먼저 본다

보고가 정리되면, 그다음으로 보는 건 모델이 아니라 모델이 본 것이다. AI가 틀렸다고 해서 모델이 틀린 건 아니다. 현장에서 AI가 틀리는 경우, 의외로 많은 원인이 입력 쪽에 있다. 센서에 이물질이 붙어 값이 튀었거나, 조명이 바뀌어 카메라 이미지가 달라졌거나, 설비 교체 뒤 기준값이 그대로 남아 있는 경우다. 모델은 달라진 입력을 보고 성실하게 틀린 답을 낸 것뿐이다.

그래서 확인 순서는 정해져 있다. 먼저 그 시간의 입력 데이터를 본다. 센서 값, 이미지, 로그를 그 시간대로 잘라서 본다. 입력이 평소와 다르면, 그건 모델 문제가 아니라 현장 문제다. 입력이 멀쩡한데 답이 틀렸다면, 그제야 모델을 본다. 최근에 재학습했는지, 임계값이 바뀌었는지, 배포된 버전이 무엇인지. 이 순서를 지키면 "모델이 문제다"라는 성급한 결론을 피할 수 있다. 모델부터 뜯는 팀은 원인을 찾기도 전에 라인을 세운다.

3. 임시 조치를 먼저 정하고, 원인 분석은 그다음

원인이 보이기 시작하면, 사람들이 흔히 하는 실수가 있다. 원인을 끝까지 파고들려고 하는 것이다. 그런데 현장에서는 원인 분석보다 임시 조치가 먼저다. 오탐이 계속 나오면 생산이 멈추거나 불량이 흐른다. 그걸 막는 조치를 먼저 정해야 한다. 해당 판정을 일시적으로 수동 확인으로 바꾸는지, 임계값을 잠깐 되돌리는지, 특정 설비만 AI 판정에서 빼는지. 조치는 작아도 된다. 중요한 건 "지금 이 순간부터는 틀린 판정이 나가지 않는다"는 상태를 만드는 것이다.

임시 조치가 정해지면, 그제야 원인 분석을 한다. 분석은 기록과 함께 한다. 언제, 무슨 조치를 했고, 원인은 무엇으로 보이며, 재발을 막으려면 무엇을 바꿔야 하는지. 이 기록이 다음에 같은 보고가 왔을 때의 첫 페이지가 된다. 오탐 대응 루틴이 쌓이면, "AI가 틀렸어요"라는 보고는 당황할 일이 아니라 정해진 순서대로 처리하는 일이 된다.

그래서 뭘 하면 되나

AI가 틀렸다는 보고가 오면, 세 가지만 순서대로 하면 된다. 보고를 사실로 번역하고, 모델보다 입력과 현장을 먼저 보고, 원인 분석 전에 임시 조치부터 정하는 것. 이 세 가지를 적어둔 한 장의 대응표만 있어도, 야간에 보고를 받은 사람도 당황하지 않고 움직일 수 있다. 현장 AI의 신뢰는 틀리지 않는 데서 오는 게 아니라, 틀렸을 때 어떻게 수습하는지에서 쌓인다.

관련 글: 장애 대응 루틴(https://developer-archive.tistory.com/135), 설비 알람 로그 설계(https://developer-archive.tistory.com/130), AI 모델 평가를 현장 지표로(https://developer-archive.tistory.com/164), 모델·데이터·프롬프트 3축 버전 관리(https://developer-archive.tistory.com/155), 현장 AI의 운영 범위 설계법(https://developer-archive.tistory.com/233)

728x90
728x90

출처: ASUS 프레스룸 "Factory-Proven Physical AI: Why ASUS Is Building a Humanoid Robot" (2026-11-13), Pivot News "Agile Robots says SoftBank led $500M round at $8.5B" (2026-11-13)

오늘 ASUS가 자사 첫 휴머노이드 로봇 '갤럽(Gallop)'을 공개했습니다. 그런데 이 소식에서 진짜로 봐야 할 건 로봇의 스펙이 아닙니다. 갤럽이 일하는 자리가 어디냐는 겁니다. 전시회 무대가 아니라, ASUS 그룹 자사 EMS 공장의 메인보드 액세서리 포장 스테이션. 피지컬 AI의 경쟁이 '만드는 것'에서 '공장에서 증명하는 것'으로 넘어가고 있다는, 가장 솔직한 신호입니다.

15개 부품, 20초 — 숫자가 말해주는 것

갤럽의 첫 임무는 메인보드 액세서리 포장입니다. 부품 15개, 그중 다수는 얇은 투명 비닐봉지에 든 작은 것들, 보드당 약 20초. 언뜻 단순해 보이지만 현장에서 일해본 사람은 압니다. 투명한 비닐은 카메라가 가장 헷갈려하는 대상이고, 작은 부품을 20초 안에 빠짐없이, 품질 기준을 지키며 포장하는 건 '쉬운 일'이 아닙니다.

그래서 ASUS가 내세운 방식이 눈에 띕니다. 갤럽은 숙련 작업자가 일하는 모습을 보고 배우고, 같은 부품으로 같은 자리에서 연습합니다. 로봇 한 대 안에 엔비디아 젯슨 AGX 토르 컴퓨터 한 대로 전부 돌아간다는 점도 현장 관점에선 중요합니다. 클라우드에 기대지 않고 현장에서 바로 판단한다는 뜻이니까요. 모듈러 설계라 AI 모델이 좋아지면 로봇을 새로 만들지 않고 모델만 갈아 끼울 수 있다는 점도, 현장 운영자에게는 유지보수 비용 얘기입니다.

왜 지금 '공장 검증'이 화두인가

오늘 하루만 봐도 흐름이 분명합니다. 국내에서는 티로보틱스가 KAIST 제조피지컬AI연구소와 피지컬 AI 사업화 MOU를 맺었고(이투데이, 2026-11-13), 독일 휴머노이드 기업 애자일 로보츠는 소프트뱅크 주도로 5억 달러 투자를 유치했습니다(Pivot News, 2026-11-13). 대학·연구소·자본이 모두 같은 방향을 보고 있습니다. "로봇을 만들었다"가 아니라 "공장에서 굴려서 증명했다"로요.

ASUS의 일정도 그래서 솔직합니다. 고객 파일럿은 2027년, 시장 출시는 2028년 하반기 목표. 당장 팔겠다는 얘기가 아니라, 1년 넘게 자기 공장에서 검증하겠다는 얘기입니다. 피지컬 AI 뉴스를 볼 때 저는 이 '일정'을 먼저 봅니다. 출시일을 앞당기는 회사보다, 검증 기간을 숨기지 않는 회사가 현장에서는 오래 갑니다.

7년차 현장 관점에서 보는 갤럽의 진짜 시험

포장 스테이션에서 갤럽이 버티는지가 이 로봇의 성적표입니다. 시연 영상에서는 안 보이던 것들이 현장에서는 다 드러나거든요. 비닐이 빛에 반사돼 부품을 못 잡는 날, 전날과 다른 로트의 부품이 들어온 날, 앞 공정에서 불량이 흘러들어온 날. 로봇이 '배웠다'는 건 이런 날에도 20초를 지키느냐로 판가름 납니다.

그래서 뭘 하면 되나 — 휴머노이드를 검토하는 현장이라면, 로봇 카탈로그부터 보지 말고 자기 공장의 작업 하나를 20초 단위로 쪼개보는 것부터입니다. 그 작업을 숙련자가 어떻게 하는지, 손동작이 데이터로 남아 있는지를 먼저 확인하는 겁니다. 갤럽이 보여준 건 로봇의 미래가 아니라, 검증의 순서입니다. 현장에서 증명된 로봇만, 다음 공장으로 갈 수 있습니다.

관련 글: 현장 AI 운영 노트 EP.11 — 도입 검토 단계부터 '운영'을 설계하는 법(https://developer-archive.tistory.com/233), 현장 AI 운영 노트 EP.12 — 운영 노트를 여러 라인으로 넓힐 때, 기준을 맞추는 3가지 방법(https://developer-archive.tistory.com/238)

728x90
728x90

이 글은 '현장 AI 운영 노트' 시리즈의 열네 번째 글입니다. 1편에서는 매일 아침 AI의 건강을 보는 5분 점검표를, 2편에서는 그 점검표를 대시보드 하나로 만드는 법을, 3편에서는 경보가 울렸을 때 누가 어떤 순서로 움직이는지 조치 루틴을, 4편에서는 한 달 돌린 경보 루틴을 숫자로 리뷰하는 법을, 5편에서는 분기 리뷰로 재학습 여부를 정하는 기준을, 6편에서는 재학습한 모델을 현장에 내놓기 전 검증 3단계를, 7편에서는 배포한 뒤 새 모델의 성능을 현장에서 계속 추적하는 모니터링 루틴을, 8편에서는 이상 신호가 잡혔을 때 재학습·롤백·기준 수정 중 무엇을 고르는지 의사결정 기준을, 9편에서는 이상 신호 대응 기록을 다음 모델의 학습 데이터로 바꾸는 법을 다뤘습니다 (EP.1 https://developer-archive.tistory.com/175 · EP.2 https://developer-archive.tistory.com/180 · EP.3 https://developer-archive.tistory.com/184 · EP.4 https://developer-archive.tistory.com/190 · EP.5 https://developer-archive.tistory.com/195 · EP.6 https://developer-archive.tistory.com/200 · EP.7 https://developer-archive.tistory.com/205 · EP.8 https://developer-archive.tistory.com/210 · EP.9 https://developer-archive.tistory.com/215). 10편에서는 이렇게 쌓인 운영 기록을 팀 인수인계 자료로 바꾸는 법을, 11편에서는 도입 검토 단계부터 운영을 설계하는 법을, 12편에서는 운영 노트를 여러 라인으로 넓힐 때 기준을 맞추는 3가지 방법을, 13편에서는 여러 공장의 운영 노트를 한데 모으는 운영 대시보드를 만드는 법을 다뤘습니다 (EP.10 https://developer-archive.tistory.com/220 · EP.11 https://developer-archive.tistory.com/233 · EP.12 https://developer-archive.tistory.com/238 · EP.13 https://developer-archive.tistory.com/243). 이번 편에서는 운영 대시보드를 보고 나서, 분기마다 현장 AI의 '운영 건강'을 어떻게 리뷰하는지 다룹니다.

1. 경보 숫자가 아니라, 경보의 '흐름'을 본다

운영 대시보드가 "오늘 어디부터 볼지"를 정해준다면, 분기 리뷰는 "이대로 가도 되는지"를 묻는 자리다. 한 달 단위 리뷰는 경보 루틴을 숫자로 돌아보는 일이었고, 분기 리뷰는 한 단계 위에서 본다. 경보가 줄었는지, 모델이 현장에 잘 붙어 있는지, 사람이 지치지 않고 돌리고 있는지를 같이 보는 것이다. 분기 리뷰가 없는 현장은, 매일은 바쁜데 분기가 지나도 뭐가 나아졌는지 모른다. 그래서 분기마다 한 번, 운영 노트를 펼쳐놓고 세 가지를 같이 본다.

분기 리뷰에서 가장 먼저 보는 건 경보 건수다. 그런데 건수 자체보다 중요한 건 흐름이다. 이번 분기 경보가 지난 분기보다 줄었는지, 같은 경보가 반복되는지, 대응 시간이 길어지는 경보가 어떤 종류인지를 본다.

같은 경보가 분기 내내 반복된다면, 그건 경보가 아니라 "고쳐지지 않은 문제"다. 임계값을 손보는 걸로 끝낼 일이 아니라, 센서 위치나 설비 상태 자체를 봐야 할 신호다. 반대로 대응 시간이 분기마다 조금씩 길어지고 있다면, 사람이 부족해졌거나, 조치 루틴이 현장과 안 맞는다는 뜻이다. 숫자는 한 달에도 보지만, 분기에는 숫자 뒤에 있는 흐름을 읽는다. 한 달 리뷰가 "이번 달은 어땠나"라면, 분기 리뷰는 "방향이 맞나"를 묻는 자리다.

2. 모델 건강은 재학습 횟수가 아니라 '현장 적응'으로 본다

두 번째로 보는 건 모델의 건강이다. 분기 동안 재학습을 몇 번 했는지는 사실 중요하지 않다. 중요한 건 재학습한 모델이 현장에 잘 붙었는지다. 검증은 통과했는데 현장에서 오판이 늘었다면, 검증 기준이 현장과 어긋난 것이다. 반대로 재학습 없이도 현장 지표가 안정적이면, 굳이 모델을 건드릴 이유가 없다.

그래서 분기 리뷰에서는 재학습 횟수가 아니라 세 가지를 본다. 현장 오판이 분기 전보다 늘었는지, 드리프트 신호가 특정 구간에 몰리는지, 검증 기준이 현장의 질문을 따라가고 있는지. 이 세 가지가 안정적이면 모델은 건강한 것이다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 모델이 건강한지 묻는 건 "모델이 똑똑해졌나"가 아니라 "모델이 현장에 적응하고 있나"를 묻는 일이다.

3. 사람 건강도 운영 지표다 — 담당자가 지치면 AI도 지친다

세 번째로 보는 건 사람이다. 분기 동안 야간 경보 대응이 특정 담당자에게 몰리지 않았는지, 인수인계가 끊긴 구간이 없었는지, 운영 노트에 빈 날이 생기지 않았는지를 본다. AI 운영은 결국 사람이 돌리는 일이라, 담당자가 지치면 경보 대응도 같이 느려진다.

운영 노트에 빈 날이 생겼다는 건, 그날은 경보가 없어서가 아니라 노트를 쓸 여유가 없었다는 뜻인 경우가 많다. 그게 반복되면 운영 기록 자체가 비어간다. 분기 리뷰에서 사람의 피로를 본다는 건, 단순히 걱정하는 게 아니라, "다음 분기에도 이 운영을 지탱할 수 있나"를 확인하는 일이다. 필요하면 담당을 나누고, 야간 대응 기준을 다시 정한다. 사람 건강이 무너지면, 대시보드의 숫자는 그다음 분기부터 같이 무너진다.

그래서 뭘 하면 되나

분기 리뷰는 거창한 회의가 아니다. 대시보드 숫자 세 가지(경보 흐름·모델 적응·사람 상태)를 한 장에 펼쳐놓고, "다음 분기에 바꿀 것 딱 하나"를 정하는 자리다. 바꿀 것 하나만 정해도 된다. 경보 하나를 줄이는 것, 검증 기준 하나를 현장에 맞추는 것, 야간 담당을 한 명 나누는 것. 분기마다 하나씩 바꾸면, 일 년 뒤의 현장은 지금과 달라져 있다. 현장 AI의 운영 건강은 어느 날 갑자기 좋아지는 게 아니라, 분기마다 하나씩 고쳐가며 쌓이는 것이다. 다음 편에서는 분기 리뷰에서 정한 '바꿀 것 하나'를 실제로 현장에 적용할 때, 무엇을 먼저 손대고 무엇을 나중에 두는지 다룹니다.

관련 글: 현장 AI 운영 노트 EP.1(https://developer-archive.tistory.com/175), EP.2(https://developer-archive.tistory.com/180), EP.3(https://developer-archive.tistory.com/184), EP.4(https://developer-archive.tistory.com/190), EP.5(https://developer-archive.tistory.com/195), EP.6(https://developer-archive.tistory.com/200), EP.7(https://developer-archive.tistory.com/205), EP.8(https://developer-archive.tistory.com/210), EP.9(https://developer-archive.tistory.com/215), EP.10(https://developer-archive.tistory.com/220), EP.11(https://developer-archive.tistory.com/233), EP.12(https://developer-archive.tistory.com/238), 데이터 드리프트(https://developer-archive.tistory.com/133), 모델 평가 현장 지표(https://developer-archive.tistory.com/164)

728x90

+ Recent posts