작성자: Luis Galo, Lantek 데이터 과학자
ML(기계 학습) 구현의 한 가지 결과는 인공 지능 제품 수명 주기의 질을 개선하는 방법론의 도입으로, 그중에는 전체 수명 주기에 걸쳐 더 짧은 시간 내에 오류를 최소화하면서 더 높은 품질의 제품을 공급하기 위해 인력, 공정, 기술을 통합하는 소프트웨어를 사용하여 개발, 운영 그리고 이제는 데이터 과학과 같은 팀들 사이의 작업을 오케스트레이션하는 것을 목표로 하는 DevOps가 있습니다.
인공 지능 모델의 출현으로 한 단계 더 나아가 되며, 이때 학습된 지식 모델과 이런 모델의 자동화를 관리할 수 있도록 계층을 추가해야 합니다. 그 결과가 MLOPS(기계 학습 + DEVOPS)입니다.
MLOps는 성공적이고 확장된 기계 학습 프로젝트의 관건입니다. MLOps란 무엇일까요? 기업이 AI를 완전히 수용하고 비즈니스를 위해 AI의 잠재력을 실현할 수 있도록 하는 방식으로 모델 개발, 구현, 모니터링의 전체 수명 주기를 가속화할 목적으로 설계된 데이터 과학 팀과 IT 팀 간의 협업입니다.
MLOps는다음세단계로작동합니다.
소프트웨어디자인: 사용자의 요구 사항에 따라, 기계 학습 솔루션은 제조 속도 향상, 스크랩 발생 감소를 통한 비용 절감, 생산성 향상, 주문 예측 등, 어떤 요구라도 충족하도록 설계됩니다. 이 단계는 추출된 데이터를 수집하고 분석하여 애드혹 솔루션을 제공하는 단계입니다.
실험및개발: 이 단계에서는 일관된 품질의 기계 학습 모델을 제공하기 위해 기계학습 모델을 프로덕션에 적용해 모델을 테스트하고 정의된 알고리즘을 다듬습니다.
운영: 테스트, 버전 관리, 모니터링 등의 DevOps 작업을 사용하여 개발된 모델이 구현됩니다.
이때 어려운 문제는 사용하기 쉬운 방식으로 이러한 모델을 프로덕션 환경에 적용하여 소프트웨어와 모델의 품질을 유지하면서도 배포 과정에서 엔지니어의 개입을 제한하기 위해 공정을 최대한 자동화하는 것입니다.
이를 위해 모델을 패키징하여 클라우드에 업로드하고 안전하게 저장합니다. 파라미터가 수정될 때마다 다른 버전의 모델이 자동으로 생성되고 다시 한 번 품질 관리 프로세스를 거칩니다. 클라우드에 배포되면 사용자가 공장의 새로운 현실에 맞게 조정된 이 새 모델을 사용할 수 있습니다.
다양한 공정에서 일하는 사람들이 일상적인 작업을 수행하는 동안, 시스템은 개선 사항을 추가하고 공정을 더욱 효율적으로 만드는 방법을 학습합니다. 개선 사항이 정보로 제공되지 않고 사람들이 학습 과정에서 도움을 받지 못하면 쓸모없게 되기 때문입니다. 예를 들어, 새로운 종류의 소재가 개발되었다고 상상해 보십시오. 이 소재에 대해 기계에 설명하지 않으면 기계는 제대로 이해하지 못해 오류로 표시합니다.
금속및판금산업에서 MLOps의사용
Lantek에서는 MLOPS를 사용하여 무엇보다도 형평성과 보안을 기준으로 삼아 클라우드에 배포된 모델의 품질과 제어를 보장합니다. 당사의 CAD/CAM 및 MES 소프트웨어프로그램은 Lantek 360 플랫폼을 통해 각기계에연결하고데이터를수집하여디지털화하는 동시에 부품자체의제조공정도디지털화할 수 있습니다.
이제 기계 학습 덕분에 제조 공정과 관련된 각 경로를 모델링하고 빠르게 그 미래를 예측할 수 있습니다. 주문이 접수되는 순간부터 견적서가 작성되어 구매팀에 전달된 다음, 이후에 설계팀과 생산팀으로도 전달됩니다. 즉, 전체 공정에 대한 포괄적인 개요가 있습니다.
그 후, AI(인공 지능) 도구와 MLOps를 사용하여 기계가 작동한 시간, 소비한 에너지 또는 생산한 부품 수를 반영할 뿐 아니라, 생산된 스크랩의 양이나 관여한 작업자의 수를 정량화할 수도 있고 시간이 지남에 따라 모델의 품질을 보장합니다.
견적의 측면에서 보자면, 아시다시피 금속 및 판금 산업에서는 견적 작성이 많은 변수와 여러 부서가 관련되고 시간도 오래 걸리는 복잡한 작업입니다. AI를 사용하면 견적이 더 빨리 생성되고 계산되며, MLOPS를 사용하여 시간이 지나도 계속 작동하도록 합니다. 당사는 Lantek iQuoting으로 몇 초 만에 견적서를 제공하는 스마트 견적 모델을 개발 중입니다.
우리는 또한 이 업계에서 복잡한 문제인 절삭기의 구성 모델을 연구하고 있습니다. 이 연구에는 많은 지식과 기계 전문가가 필요합니다. 사람들 뒤에 구성에 대해 조언해주는 지능형 소프트웨어가 있다는 아이디어를 중심으로 합니다. 그러면 작업자가 소프트웨어의 제안을 적용할지 결정할 수 있지만, 물론 이 결정은 현재보다 훨씬 더 빠르고 쉽게 내릴 수 있습니다. 이 경우 생성된 지식(모델)의 양은 시간이 지남에 따라 방대하고 가변적이어서 MLOPS 방법론을 적용하지 않고 AI 모델을 관리하고 제품 수명 주기 내내 품질을 유지하기란 불가능합니다. 궁극적으로, 최종 목표는 공장의 생산 공정을 최대한 최적화하여 제조 비용을 최대한 절감하고(AI) 시간이 지남에 따라 간단한 방법으로 최적화를 지속 가능하게 만드는 것입니다(MLOPS). AI 모델의 배포에서 더욱 높은 수익성과 효욜성을 거두기 위해 이미 MLOps 시스템을 사용하는 소프트웨어 아키텍처 또는 데이터 과학 전문가가 없어도 대기업만큼 경쟁력을 가질 수 있도록 중소기업을 특히 대상으로 하는 최적화입니다.
우리가 살고 있는 세상에서 우리는 모두 인더스트리 4.0에 동참해야 하며, 그 원동력이 되는 우리의 과제는 리소스를 최적화하여 어떤 공장에서든 사용할 수 있고 접근할 수 있도록 하는 인공 지능 도구의 사용을 보편화하는 것입니다.