제조 AI의 성패를 가르는 것은 인프라의 개수가 아니라, 적은 인력으로 지속 운영할 수 있는 구조입니다. 많은 제조사는 스마트 팩토리와 공정 자동화를 준비하면서 SPC(Statistical Process Control, 통계적 공정 관리)와 FDC(Fault Detection and Classification, 고장 탐지 및 분류) 같은 시스템부터 구축합니다. 센서 데이터를 수집하고, 관리 기준을 설정한 뒤, 이상이 발생하면 알람을 보내는 방식입니다. 이런 시스템은 오랫동안 제조 현장의 기본 인프라 역할을 해왔고 지금도 필요한 곳이 많지만, 반드시 SPC와 FDC를 모두 갖춰야만 제조 AI를 시작할 수 있는 것은 아닙니다.
이미 센서 데이터와 공정 결과 데이터가 수집되고 있다면 제조 AI에 필요한 핵심 조건은 상당 부분 확보된 상태입니다. 따라서 어떤 시스템을 보유하고 있는지만큼 중요한 질문은, 수많은 데이터와 탐지 조건, 모델과 제어 정책을 누가 지속적으로 관리할 것인가입니다.
감시 체계를 갖추는 것과, 늘어난 조건과 알람을 계속 관리하는 것, 그리고 이를 적은 인력으로 지속 운영할 수 있는 구조를 만드는 것은 서로 다른 문제입니다.
- 제조 AI의 성패를 가르는 것은 인프라의 개수가 아니라, 적은 인력으로 지속 운영할 수 있는 구조입니다.
- 이미 센서 데이터와 공정 결과 데이터가 수집되고 있다면, SPC·FDC를 모두 갖추지 않아도 제조 AI를 시작할 수 있습니다.
- 제조 AI의 현실적인 과제는 모델을 만드는 것이 아니라, 이를 양산에서 계속 운영하는 것입니다.
- 제조 AI를 시작할 수 있는지를 결정하는 것은 FDC의 보유 여부가 아니라 데이터 연결 방식, 모델 운영 체계, 알람 정책, 업데이트 구조입니다.
| SPC | FDC | APC | |
|---|---|---|---|
| 정식 명칭 | Statistical Process Control 통계적 공정 관리 | Fault Detection and Classification 고장 탐지 및 분류 | Advanced Process Control 고급 공정 제어 |
| 감시·활용 데이터 | 공정 결과의 평균과 산포 | 장비 센서 데이터(압력, 온도, 유량, 전력 등) | 공정 결과 또는 가상 계측(VM) 결과 |
| 하는 일 | 관리도로 변화를 확인하고, 관리 한계를 벗어나면 이상 가능성을 알림 | 설정된 범위를 벗어나는 신호를 탐지 | 다음 생산에서 조정해야 할 레시피나 설정값을 계산해 반영 |
| 이상 발견 이후 | 엔지니어가 데이터를 확인하고 원인을 추정해 공정 조건을 수정 | 엔지니어가 발생한 알람을 하나씩 확인 | 제어 시스템이 보정을 반복적으로 수행 |
세 시스템의 감시 대상과 하는 일, 그리고 이상이 확인된 이후의 대응 방식을 정리한 표입니다.
FDC의 문제는 탐지 성능보다 운영에 있습니다
핵심 문제는 FDC가 없다는 것이 아니라, 운영해야 할 조건이 너무 많고 공정 변화에 맞춰 이를 계속 관리할 사람과 시간이 필요하다는 점입니다.
FDC는 장비에서 발생하는 센서 데이터를 감시하고, 설정된 범위를 벗어나는 신호를 탐지하는 데 사용됩니다. 일반적으로 압력, 온도, 유량, 전력 등 각 센서 항목에 상한과 하한을 설정하고, 값이 정해진 범위를 벗어나면 이상으로 판단합니다. 원리는 단순하지만 이를 실제 양산 환경에서 운영하는 일은 빠르게 복잡해집니다.
반도체 제조 장비 한 대에서 수집되는 센서 항목은 수백 개에 이르고, 많으면 천 개를 넘기도 합니다. 각각의 센서에 탐지 조건을 설정해야 할 뿐만 아니라, 장비와 챔버, 레시피, 공정 단계에 따라 서로 다른 기준을 관리해야 합니다. 하나의 기준을 설정한 뒤 계속 사용할 수 있는 구조도 아닙니다.
정상적인 센서 범위는 다음과 같은 이유로 계속 달라집니다.
- 공정 레시피가 달라질 때
- 투입되는 웨이퍼의 상태나 이전 공정 이력이 달라질 때
- 장비의 상태가 변하거나 소모품이 교체될 때
이런 변화가 생길 때마다 기존 탐지 기준을 다시 검토해야 합니다. 결국 현장에서는 수많은 탐지 조건을 설정하는 작업보다, 변화하는 공정에 맞춰 이를 계속 수정하고 유지하는 작업에 더 많은 시간을 쓰게 됩니다.
센서 신호마다 룰과 임계값을 설정해야 하고, 여기서 발생한 알람과 룰은 공정이 변할 때마다 다시 조정해야 합니다.
조건을 엄격하게 설정하면 실제 불량과 관계없는 알람이 과도하게 발생하고, 엔지니어는 이를 하나씩 확인해야 합니다. 반대로 알람을 줄이기 위해 기준을 넓게 설정하면 중요한 이상을 놓칠 가능성이 커집니다. 이런 상황이 반복되면서 일부 현장에서는 알람이 발생하지 않도록 기준을 의도적으로 넓게 잡거나, 활용도가 낮은 항목의 감시를 사실상 중단하기도 합니다.
AI 이상 탐지도 결국 운영 구조가 필요합니다
AI 모델을 도입한다고 해서 운영 문제가 저절로 사라지는 것은 아닙니다.
고정된 기준만으로 변화하는 공정 상태를 판단하기 어려워지면서 AI 기반 이상 탐지가 발전했습니다. AI는 특정 센서 하나가 기준을 벗어났는지만 확인하는 대신, 여러 센서 사이의 관계와 시간에 따른 공정 진행 패턴을 함께 학습해 현재 신호가 정상적인 공정 흐름에서 얼마나 벗어났는지를 판단할 수 있습니다. 레시피나 장비 상태에 따라 정상 범위가 달라지는 공정에서는 기존의 고정 임계값 방식보다 유연하게 대응할 수 있습니다.
공정 조건이 바뀌면 모델의 유효성을 다시 확인해야 하고, 장비 정비나 소모품 교체, 레시피 변경 이후에는 모델을 업데이트할 필요가 생길 수 있습니다. 어떤 이상을 실제 문제로 판단할지, 알람의 우선순위를 어떻게 정할지, 누구에게 알릴지, 언제 모델을 다시 학습하거나 교체할지도 함께 관리해야 합니다.
결국 필요한 것은 특정 데이터를 한 번 잘 분석하는 모델이 아니라, 여러 장비와 공정에 적용된 탐지 모델을 적은 인력으로 지속 운영할 수 있는 체계입니다. AI 모델의 수가 늘어날수록 성능 모니터링, 버전 관리, 업데이트, 알람 정책 관리가 자동화되지 않으면 기존 FDC의 룰 관리 문제와 비슷한 운영 부담이 다시 발생합니다.
이러한 기능이 반드시 기존 FDC 시스템 안에 있어야 하는 것도 아닙니다. 센서 데이터에 접근할 수 있다면 공정별 특성과 운영 방식에 맞는 별도의 AI 이상 탐지 서비스를 구성할 수 있습니다.
SPC는 문제를 발견하지만 해결은 사람에게 맡깁니다
SPC의 기본 구조는 이상을 발견한 이후의 대응을 사람에게 맡깁니다.
SPC는 공정 결과의 변화를 통계적으로 감시하는 전통적인 방법입니다. 관리도를 통해 평균이나 산포의 변화를 확인하고, 데이터가 관리 한계를 벗어나거나 정해진 규칙에 해당하면 공정에 이상이 발생했을 가능성을 알립니다. 오랫동안 검증된 방식이며 품질 관리와 공정 상태 모니터링에는 여전히 유용합니다.
관리도가 관리 한계를 벗어난 지점을 알려주면, 그 이후의 판단과 조치는 엔지니어에게 남습니다.
알람이 발생하면 데이터 확인부터 결과 확인까지를 사람이 수행합니다. APC는 이 과정의 상당 부분을 자동화합니다.
알람이 발생하면 다음 과정을 사람이 직접 수행해야 합니다.
- 엔지니어가 데이터를 확인한다
- 원인을 추정한다
- 어떤 공정 조건을 수정할지 결정한다
- 수정 사항을 다음 생산에 반영한다
- 조치 이후 결과가 개선되었는지 확인하고 추가 조정 여부를 판단한다
공정이 복잡해지고 관리해야 할 장비와 제품이 늘어날수록 이러한 방식에는 더 많은 엔지니어의 시간이 필요합니다. SPC가 문제를 알려주는 역할은 할 수 있지만, 그 문제를 해결하기 위한 판단과 조치는 기본적으로 별도의 업무로 남기 때문입니다.
APC(Advanced Process Control, 고급 공정 제어)는 이 과정의 상당 부분을 자동화합니다. 공정 결과나 가상 계측 결과를 이용해 현재 공정 상태를 판단하고, 다음 생산에서 조정해야 할 레시피나 설정값을 계산해 반영합니다. 사람이 관리도를 확인하고 매번 보정값을 결정하던 작업을 제어 시스템이 반복적으로 수행하는 구조입니다.
계측 결과가 예측과 제어 판단으로 이어지고, 계산된 보정값이 다음 생산에 반영되면서 공정 결과가 목표값 주변에서 유지됩니다. (개념도)
APC가 안정적으로 적용된 공정에서는 SPC가 제어의 중심 역할을 할 필요가 줄어듭니다. SPC는 품질 확인이나 장기적인 상태 모니터링을 위해 남을 수 있지만, 실제 공정의 보정과 목표값 유지는 APC가 담당할 수 있습니다.
인프라를 구축하는 것과 자동화가 완성되는 것은 다릅니다
제조 자동화를 평가할 때는 몇 개의 시스템을 구축했는지보다 실제로 얼마나 적은 인력으로 운영할 수 있는지를 봐야 합니다.
SPC와 FDC는 제조 데이터를 수집하고 공정 상태를 확인하기 위한 기반을 만들어 왔습니다. 그러나 시스템을 도입한 이후에도 사람이 수많은 기준을 관리하고, 반복되는 알람을 확인하고, 원인을 분석하고, 공정 조건을 수정해야 한다면 자동화의 효과는 제한적일 수밖에 없습니다.
현장에서는 새로운 시스템을 도입했음에도 기존 업무가 줄어들지 않고 시스템 관리 업무만 추가되는 경우가 적지 않습니다. 수백 개 센서의 탐지 조건을 계속 조정해야 하고, 반복되는 알람을 사람이 확인해야 하며, 공정이 바뀔 때마다 모델을 다시 검증하거나 만들어야 합니다. 모델을 언제 적용하고 업데이트할지도 사람이 판단해야 하며, 이상이 확인된 뒤에는 엔지니어가 다시 공정 조건을 수정해야 합니다.
이 상태에서는 데이터와 시스템이 늘어날수록 자동화 수준이 높아지는 것이 아니라 관리해야 할 대상만 함께 증가합니다.
- 한 명의 엔지니어가 얼마나 많은 장비와 모델을 관리할 수 있는가?
- 공정이 변했을 때 시스템이 얼마나 빠르게 적응할 수 있는가?
- 탐지 이후의 판단과 조치까지 얼마나 자동화되어 있는가?
제조 AI는 기존 인프라 위에서만 시작할 수 있는 기술이 아닙니다
중요한 것은 특정 시스템의 보유 여부가 아니라, 데이터를 연결하고 공정 상태를 모델링하며 변화에 맞춰 모델을 유지하고 필요한 조치까지 안전하게 실행할 수 있는지입니다.
SPC와 FDC를 이미 사용하고 있다면 기존 시스템과 그 안에 축적된 데이터를 활용할 수 있습니다. 이를 반드시 제거하거나 새로운 시스템으로 모두 교체할 필요는 없습니다. 반대로 SPC나 FDC가 완전히 구축되지 않은 현장이라도 센서 데이터, 공정 조건, 품질 결과에 접근할 수 있다면 AI 이상 탐지와 APC를 시작할 수 있습니다.
기존 인프라는 제조 AI를 위한 하나의 입력이나 연결 지점이 될 수 있지만, 그 자체가 제조 AI의 전제 조건은 아닙니다.
Amously는 개별 이상 탐지 모델을 추가하는 데 그치지 않습니다. 공정 데이터 연결부터 모델 개발, 검증, 배포, 모니터링, 업데이트와 제어 정책 운영까지 하나의 흐름으로 관리해, 공정이 변할 때마다 엔지니어가 모든 조건을 다시 설정하지 않아도 되는 운영 구조를 만듭니다.