"불량 검출 AI, 두 달이면 되나요?" 가장 많이 받는 질문입니다. 정직하게 답하면 PoC는 가능하고, 운영은 어렵습니다. 왜 그런지 단계별로 나눠 설명드리겠습니다.
1단계. 데이터 확보 — 2주에서 8주
편차가 가장 큰 구간입니다. 이미 촬영 설비가 있고 이미지가 저장되어 있다면 2주면 충분합니다. 하지만 다음 중 하나라도 해당하면 기간이 늘어납니다.
- 촬영 환경부터 구성해야 하는 경우 (카메라·조명 선정, 지그 제작)
- 불량 샘플이 부족해 축적을 기다려야 하는 경우
- 라벨링 기준을 현장과 합의해야 하는 경우
세 번째가 특히 과소평가됩니다. "이 정도 스크래치는 불량인가"에 대해 검사자마다 답이 다른 경우가 매우 흔합니다. 사람끼리 기준이 다르면 AI는 그 불일치를 그대로 학습합니다. 기준 합의 없이 라벨링을 시작하면 나중에 전부 다시 해야 합니다.
2단계. 모델 개발 — 3주에서 6주
기술적으로 가장 예측 가능한 구간입니다. 대부분의 표면 결함 검출은 검증된 접근법이 있어 초기 결과가 비교적 빨리 나옵니다.
다만 목표 성능에 따라 후반 작업량이 크게 달라집니다. 정확도 90%까지는 빠르게 도달하지만, 그 이후 1%p를 올릴 때마다 필요한 노력이 급격히 커집니다. 그래서 저희는 시작 전에 반드시 여쭙습니다. "검출 실패와 오검출 중 어느 쪽이 더 치명적입니까?" 이 답에 따라 최적화 방향이 완전히 달라집니다.
3단계. 현장 통합 — 4주에서 10주
가장 자주 과소평가되는 구간이고, 일정이 밀리는 원인의 대부분이 여기 있습니다.
- 실시간 처리 — 라인 속도에 맞춰 프레임을 놓치지 않아야 합니다. 캡처·저장·전송·추론을 분리한 비동기 파이프라인 설계가 필요합니다.
- 기존 설비 연동 — PLC, MES와의 신호 연동은 문서가 부실하거나 담당자가 퇴사한 경우가 많습니다.
- 안정성 — 24시간 무중단 운용에서는 메모리 관리, 장애 복구, 절전 방지까지 고려해야 합니다. 하루는 잘 돌던 시스템이 사흘째 멈추는 일은 흔합니다.
- 운영 화면 — 현장 작업자가 실제로 쓸 수 있어야 합니다. 개발자 기준의 화면은 현장에서 외면당합니다.
4단계. 안정화 — 4주 이상
실제 라인에 붙인 뒤부터가 진짜입니다. 계절이 바뀌며 조명 조건이 달라지고, 원자재 로트가 바뀌면 표면 질감이 달라집니다. 이 시기에 수집되는 오검출 사례가 다음 학습의 가장 좋은 재료입니다.
그래서 저희는 재학습 루프를 처음부터 구조에 넣습니다. 오검출을 현장에서 한 번의 클릭으로 신고하고, 그것이 학습 데이터로 쌓이고, 주기적으로 모델이 갱신되는 흐름입니다.
합계
보수적으로 잡으면 총 4~7개월입니다. 두 달로 가능한 것은 "동작하는 것을 확인하는 단계"까지입니다.
다만 이 일정을 줄이는 현실적인 방법이 있습니다.
- 범위를 좁히기. 전 공정이 아니라 불량률이 가장 높은 한 공정, 한 제품군부터. 성공 사례가 생기면 확장은 훨씬 빠릅니다.
- 데이터 수집을 먼저 시작하기. 계약 전이라도 촬영과 축적은 시작할 수 있습니다. 이것만으로 한 달 이상 단축됩니다.
- 완전 자동화를 목표로 하지 않기. 확실한 것만 AI가 판정하고 애매한 것은 사람에게 넘기는 방식은 훨씬 빨리 도입되고, 그것만으로도 검사 부하가 크게 줄어듭니다.
정리
일정을 정직하게 잡는 것이 프로젝트를 성공시키는 가장 저렴한 방법입니다. 무리한 일정은 결국 품질을 깎아 맞추게 되고, 품질이 낮은 시스템은 현장에서 쓰이지 않습니다.
검토 중인 공정이 있으시다면, 어느 단계에서 얼마나 걸릴지 먼저 진단해 드립니다.
