제조 현장에 AI 로봇을 도입했는데 AI가 오작동한다면? 사람은 어쩔 수 없이 AI의 오분류를 고쳐야 합니다. 

해결 방법은 모델이 아니라 데이터일 수 있습니다. 현장의 복잡한 상황이 데이터에 반영되지 않으면, 아무리 좋은 모델을 써도 실제 공정에서는 성능이 흔들릴 수밖에 없습니다.

실제 재활용 AI 사례를 분석하며 제조 AI에서 특히 자주 보이는 데이터 문제 5가지를 정리했습니다.

1. 희귀 케이스 부족
   재질, 색상, 오염 상태, 투명도, 표면 상태가 조합되면 경우의 수가 폭발적으로 늘어납니다. 하지만 실제 데이터에서는 이런 조합이 고르게 존재하지 않아 AI가 특정 케이스에 취약해집니다.
   
   

2. 투명·반사 재질 인식 문제
   투명 PET병 위에 투명 비닐이 겹치면 AI가 배경으로 인식하거나 하나의 물체처럼 볼 수 있습니다. 금속 캔은 반사광 때문에 경계를 제대로 잡지 못하는 문제가 생깁니다.
   
   

3. 형태 변형 문제
   사람 눈에는 같은 페트병이어도, 찌그러지거나 찢어진 물체는 AI에게 처음 보는 데이터처럼 보일 수 있습니다. 로봇이 인식은 하긴 해도 어디를 잡아야 할지 모르는 문제도 발생합니다.
   
   

4. 클래스 불균형 문제
   산업 폐기물 이미지 100만 장을 분석해보니 가장 많은 클래스는 79,560장, 가장 적은 클래스는 단 20장이었습니다. 전체 데이터 수보다 클래스별 균형이 중요하다는 점이 드러났습니다.
   
   

5. 합성데이터 전략의 필요성
   현실에서 수개월 기다려도 모으기 어려운 희귀 케이스는 합성데이터로 보강할 수 있습니다. 재질, 오염, 반사광, 찌그러짐 같은 변수를 조절해 AI가 현장 상황을 더 잘 학습하도록 만드는 것입니다.

이번 글에서는 실제 제조 AI 사례를 바탕으로, 데이터 품질이 제조 AI 성능에 어떤 영향을 주는지 정리했습니다. 제조 AI, 비전 AI, 피지컬 AI 프로젝트를 준비하시는 분들께 특히나 도움이 될 것 입니다.

[제조 AI를 위한 데이터 품질 개선 이야기 확인하기]