최종검사에서 발견된 불량품… 참 난감하죠. 이미 재료비와 가공비, 조립비까지 다 들어간 상태인데 어떻게 해야 할까요? 게다가 이 불량이 어느 공정에서, 왜 시작됐는지도 파악을 해야 합니다. 그런데 여기서 우리가 포인트를 두어야 할 부분은 바로 이겁니다. 최종검사는 결과만 보여줄 뿐 원인은 알려주지 않는 다는 것이죠.
전통적인 품질관리는 검사로 불량을 걸러내는 구조입니다. 발생하고, 검사하고, 판정하고, 조치하는 순서입니다. 문제는 이 순서 자체가 항상 늦다는 점입니다. 이 글에서는 기존 품질관리 방식의 구조적 한계와, AI가 불량을 찾는 대신 예측으로 막는 방식이 무엇인지 살펴보려고 합니다.
전통적 품질관리의 구조와 한계
현장에는 보통 수입검사, 공정검사, 최종검사가 함께 조합되어 있습니다. 원자재가 들어올 때, 공정 중간에, 그리고 완제품이 나온 뒤 각각 확인하는 방식이죠. 이는 모두 "이미 만들어진 것"을 검사한다는 공통점이 있습니다.
육안검사는 여전히 많은 현장에서 진행하고 있는 핵심적인 검사 방법입니다. 그런데 사람이 같은 기준으로, 빠르게, 지속적으로 미세한 결함을 찾는 데는 한계가 있습니다. 검사자의 숙련도, 피로도, 조도, 검사 시간에 따라 판정이 달라집니다. 반복적인 시각 탐색은 눈의 피로와 주의력 저하를 부르고, 검사 시간이 길어질수록 검출률이 떨어지는 경향도 보고됩니다. 게다가 내부 균열이나 미세 기공처럼 겉으로 보이지 않는 결함은 육안으로 아예 확인할 수 없습니다.
샘플링검사도 구조적인 허점이 있습니다. Lot에서 일부만 뽑아 검사하고 그 결과로 전체를 판정하는 방식인데, 표본에서 불량이 없었다고 Lot 전체에 불량이 없다는 뜻은 아닙니다. 특정 설비나 특정 작업 시간대에 불량이 몰려 있어도 표본이 그 시점을 비껴가면 놓치게 됩니다. 허용품질수준을 정해 합격·불합격을 가르는 방식이지만, 이는 "무결점을 보증한다"는 의미가 아니라 통계적으로 수락 가능한 수준을 정한 것일 뿐입니다.
왜 품질 문제는 늦게 발견되는가
검사 시점은 항상 불량 발생 시점보다 뒤에 있기 마련입니다. 설비 진동이나 공구 마모, 자재 편차가 이미 발생한 뒤에야 검사 단계에서 결과물이 확인됩니다. 그사이 이미 여러 개의 제품이 같은 조건에서 생산됐을 수 있죠.
품질 데이터와 공정 데이터가 분리되어 있는 것도 원인 추적을 늦춥니다. 검사 결과는 품질 시스템에, 생산 실적은 MES에, 설비 상태는 별도 로그에 각각 남습니다. 불량이 발생한 순간의 온도, 압력, 속도 데이터를 검사 결과와 즉시 연결하지 못하면, 담당자는 불량이 발생했다는 사실만 알 뿐 원인을 찾는 데 시간을 씁니다.
배치나 일 단위로 불량률을 집계하는 것도 문제를 가립니다. 하루 평균 불량률이 정상 범위 안에 있어도, 특정 시간대나 특정 설비에서 벌어진 급격한 이상은 평균값에 묻혀 드러나지 않습니다.
AI 품질관리는 무엇이 다른가
AI 품질관리는 어떤 게 다를까요? 우선 가장 중요한 부분은 AI 품질관리의 핵심은 질문 자체가 바뀐다는 점이라고 할 수 있습니다. 전통적인 방식이 "완성품이 규격에 맞는가"를 묻는다면, AI는 "지금 어떤 이상이 발생했고, 어떤 제품이 불량이 될 가능성이 높은가"를 묻습니다.
비전 검사는 이미지를 통해 결함의 위치, 유형, 크기까지 판별합니다. 사람이 놓치기 쉬운 미세한 결함도 일관된 기준으로 계속 확인할 수 있습니다.
더 중요한 변화는 실시간 품질예측입니다. 카메라가 아니라 공정 데이터가 중심이 됩니다. 압력, 온도, 속도, 냉각 시간 같은 값을 생산 도중 계속 지켜보면서, "이 제품이 규격을 벗어날 확률"이나 "이 조건이 계속되면 불량률이 오를 위험"을 미리 계산합니다. 여러 변수의 조합을 함께 보기 때문에, 하나의 값만으로는 보이지 않던 이상 징후를 포착할 수 있습니다.
원인분석을 돕는 것도 AI의 역할입니다. 불량과 공정·설비·자재 조건 사이의 연관 패턴을 찾아, 의심되는 원인의 범위를 좁혀줍니다. 다만 이 결과는 최종 확정이 아니라 검증이 필요한 단서로 다뤄야 합니다.
예측으로 막는다는 것의 의미
기존 방식에서는 최종검사에서 불량을 발견한 뒤 선별하거나 재작업합니다. 이미 재료비와 가공비가 들어간 뒤여도 어쩔 수 없죠. 그러나 AI 방식에서는 공정 이상 신호가 감지되는 시점에 개입합니다. 조건을 조정하거나 예방 정비를 하는 식입니다. 불량이 만들어지기 전에 멈추는 것과, 만들어진 뒤 걸러내는 것은 비용 구조 자체가 다릅니다.
예를 들어 사출성형 공정에서 압력 변동과 제품 중량 하락이 동시에 나타나면, 이것이 미성형 불량으로 이어질 위험 신호일 수 있습니다. 기존 방식이라면 완성된 제품을 검사해서야 문제를 알았겠지만, AI는 이 조합이 나타나는 순간 경고를 보내 해당 조건에서 생산된 제품을 먼저 확인하도록 합니다.
한 가지, 균형이 중요합니다. AI가 모든 판정을 자동으로 확정해서는 안 됩니다. 확신이 높은 불량은 자동으로 분리하되, 경계에 있는 사례는 AI가 보류시키고 사람이 재판정하는 구조가 안전합니다. AI는 판단을 돕는 도구이지, 품질 책임을 완전히 넘겨받는 존재가 아닙니다.
도입 효과를 측정하는 올바른 방법
AI 품질관리의 효과를 볼 때는 불량률 하나만 보면 안 됩니다. 실제 불량 중 AI가 놓친 비율, 양품인데 불량으로 잘못 판정한 비율, 검사에 걸리는 시간을 함께 봐야 온전한 그림이 나옵니다. 불량률이 낮아 보여도 치명적인 불량 하나를 놓치는 것과, 양품을 과도하게 불량 처리해 불필요한 재작업이 느는 것은 전혀 다른 문제이기 때문입니다.
다비스(DARVIS)를 도입한 정밀 부품 제조사 H사의 사례가 이 원리를 잘 보여줍니다. 품질 데이터와 설비, 공정 데이터를 연결한 뒤 불량 원인을 파악하는 데 걸리던 30일이 3시간으로 줄었고, 불량 재발률은 90% 감소했습니다. 단순히 불량을 더 빨리 찾은 것이 아니라, 근본 원인을 찾아 공정 조건을 바로잡았기 때문에 같은 불량이 반복되지 않은 결과입니다. 결국 중요한 것은 AI의 정확도 수치가 아니라, 실제로 스크랩과 재작업, 반복되는 품질 문제가 줄었는가입니다.
검사가 놓치는 지점을 채우는 방법
다비스(DARVIS)는 품질 데이터를 설비, 공정 데이터와 연결해 불량이 확정되기 전 단계에서 이상 신호를 포착합니다. 검사를 대체하려는 것이 아니라, 검사가 구조적으로 놓칠 수밖에 없는 지점을 채우는 방식입니다. 이상이 감지되면 관련 데이터를 자동으로 모아 원인 후보와 근거를 함께 제시하고, 최종 판단은 담당자가 내립니다.
기존 ERP·MES·설비 데이터를 교체하지 않고 그대로 연결하는 방식이라 시스템 변경은 0건이고, 도입까지 5주입니다. 불량을 찾는 것에서 예측으로 막는 것으로, 품질관리의 시점을 앞당겨 보세요.
실용적인 AI 활용 인사이트 및 최신 트렌드를 알아보고 싶으시다면 디피니트 다비스(DARVIS) 블로그를 구독해 보세요. 제조 현장의 실제 문제 해결 사례와 AI 활용 노하우를 공유합니다.
더 많은 제조 AI 인사이트를 보고 싶으시다면 'AI 인사이트 더 보러가기'를 통해 둘러보시면 도움이 되실 겁니다. 감사합니다.