The Great Unlock: 제조 분야의 대규모 언어 모델

Translated by: HaUn Kim  - Original Blog Post

제조업은 자동화 수준을 높이고 운영 가시성을 확보하며 제품 및 기술 개발을 가속화할 수 있는 새로운 방법을 지속적으로 모색하고 있습니다. 이를 위해서는 기업이 항상 첨단 기술 발전의 선두에 서 있어야 합니다. 최근 제조 업계에서 주목할 만한 기술 발전 중 하나는 Gen AI, 특히 대규모 언어 모델(LLM)의 활용입니다. Gen AI는 기존 데이터에서 인식한 패턴을 기반으로 새롭고 독특한 데이터를 생성할 수 있지만, LLM은 한 단계 더 나아가 복잡한 정보를 이해하고 구성하며 인간과 유사한 상호작용을 생성할 수 있는 기능을 제공하여 발전했습니다.

제조업에서는 커넥티드 차량, 공장, 건물, 작업자가 생성하는 다양한 형태의 복잡한 비정형 데이터(센서, 이미지, 비디오, 원격 측정, LiDAR 등)가 대량으로 생성됩니다. 이 중 많은 양의 데이터는 실시간으로 스트리밍되며 중요한 컨텍스트 데이터 소스와 융합되어 중요한 이벤트에 대응하기 위한 의미 있는 방식으로 활용되어야 합니다.

이러한 데이터의 가치를 최대한 활용하기 위해 직원들은 더 많은 앱, 더 많은 데이터, 더 많은 브라우저 창을 원하지 않습니다. 대신, 근본적으로 자신의 업무를 더욱 효과적으로 수행할 수 있는 방법을 원합니다. LLM은 사람들이 시스템 및 문서와 상호작용하는 방식을 근본적으로 변화시켜 생산성, 고객 만족도, 재무 성과를 몇 배로 향상시킬 수 있는 가능성이 있기 때문에 제조 업계에 혁명적인 영향을 미칠 수 있습니다. 아래에서는 현재 LLM이 실질적인 영향과 ROI를 창출할 수 있는 세 가지 영역을 살펴보겠습니다.

더욱 즐거운 고객 경험

LLM은 개인화 이니셔티브에 절대적으로 필수적인 요소로 간주될 것입니다. LLM의 핵심은 세계 최고 수준의 고객 경험을 제공하기 위해 속도와 일관성이라는 두 가지 중요한 속성을 갖추어, 최종 고객이 사람의 개입 없이 상호 작용하고 요구 사항을 해결할 수 있는 기능을 제공하는 것입니다. 자동차 OEM(제조업체)이 거의 모든 차량에 더 많은 감지 및 소프트웨어 기능을 추가함에 따라 대화형 기능은 자연어 프롬프트를 통해 편안함을 보장하고, 경로 계획 및 엔터테인먼트 조정을 실행하는 더 스마트한 운전석 설계의 기반이 될 것입니다.

이러한 기능은 소유 경험의 개인화로 확장될 수도 있습니다. 딜러는 판매 후 서비스 제공에 있어 중요한 중개자입니다. 예약 가능 여부를 파악하기 위해 여러 웹사이트를 탐색하거나 전화로 문의하는 대신, 미래에는 소유주가 "내 근처의 정기 유지보수 예약이 언제 가능한가요?"라고 질문하면 즉시 실행 가능한 결과를 표시하고 여러 딜러에서 일관된 경험을 형성할 수 있습니다. 실시간 상담원과 대화하는 경우, LLM은 쿼리의 성격, 해당 고객의 해결되지 않은 문제, 브랜드와의 전반적인 관계 상태에 따라 AI 안내 스크립트를 큐레이션하여 상담원과의 상호 작용을 더욱 생산적이고 성공적으로 만들어 보다 개인화된 상호 작용을 유도할 수 있게 해줍니다. LLM은 고객 경험의 향상과 개인화를 위해 매우 중요한 역할을 수행할 것으로 기대됩니다. 이를 통해 고객은 더욱 원활하고 효과적인 상호 작용을 경험할 수 있을 것입니다.

보다 선제적인 현장 서비스

예지보전과 같은 현장서비스 사용 사례를 하나 들어보겠습니다. 이곳에서는 장비 상태의 예측 인사이트를 얻는 것뿐만 아니라 가장 효과적인 조치를 취하여 적절한 인력과 부품을 적재적소에 배치하고, 불필요한 다운타임을 최소화하며 적절한 유지보수를 수행하는 것이 목표입니다.

일반적으로, 우리는 제품을 원격으로 측정하고 센서 데이터를 지속적으로 분석하여 현장 장비의 다운타임 위험을 예측하는 것으로 시작합니다. 그 후에는 기술자가 다양한 애플리케이션과 방대한 기술 매뉴얼에 포함된 복잡하고 긴 정보를 검토하여 문제 해결 방법을 파악하고, 문서에 명시된 절차적 단계를 수행해야 합니다. 이로 인해 많은 시간이 소요되며, 오류가 발생하기 쉽고 최종 고객에게는 최적의 결과를 제공하지 못할 수 있습니다. 또한, 이러한 접근 방식은 반복 가능한 문제 해결 프로세스를 형성하나, 시간이 지남에 따라 적응하고 학습하는 과정은 포함되어 있지 않습니다.

대신, 장비 문제 해결 프로세스에 특별히 훈련된 LLM(언어 모델)을 활용하면 훨씬 더 우수한 결과를 얻을 수 있습니다. 우선, 기술자는 대화형 모델을 사용하여 기술 매뉴얼과 상호 작용하고 문제의 성격에 따라 올바른 섹션을 안내받을 수 있어 귀중한 시간과 비용을 절약할 수 있습니다. 또한, 기술자는 이전에 다른 기술자들이 경험한 수천 건의 유사한 이벤트에서 얻은 조치에 대한 학습을 통합하여 최상의 결과를 얻기 위해 가장 효과적인 조치를 취할 수 있는 선제적인 정보를 얻을 수 있습니다. 마지막으로, 제품의 모든 보증 상태와 문서를 통합하여 최종 고객에게 가장 경제적인 결정을 내릴 수 있는 정보를 제공함으로써 더욱 정확하고 개인화된 서비스 경험을 제공할 수 있습니다.

기술자는 여러 문서와 매뉴얼을 찾아보는 대신 항상 곁에 있는 전문 부조종사의 안내를 받아 빠르게 진단하고, 가동 시간을 극대화하는 가장 효과적인 유지 관리 조치를 수행하여 현장 직원이 매일 더 많은 고객을 지원할 수 있습니다.

더 효율적인 운영

제조 운영은 연중무휴 24시간 연속적으로 진행되며, 고객에게 고품질의 제품을 제공하기 위해 지속적으로 프로세스를 개선하고 점점 예측하기 어려워지는 공급망을 탐색해야 합니다. 핵심 문제 중 하나는 작업 현장의 여러 부서, 스테이션 및 작업자 간의 정보 흐름입니다. 이를 해결하기 위해 스테이션, 부서, 경영진 등 모든 수준에서 주기적인 생산 검토를 실시해야 합니다. 이러한 검토를 지원하기 위해 운영 분석가는 여러 시스템의 주요 지표와 정보를 취합하고 보고서를 작성해야 하는데, 이는 반복적이고 시간이 많이 소요되는 작업입니다. 하지만 이러한 검토의 목표는 성능 격차를 파악하고 데이터에 기반한 우선순위 결정을 내려 운영 효율성, 고객 서비스 수준 및 재무 성과를 향상시키는 것입니다. 그러나 정보 수집 프로세스는 느리고 수작업이 많이 필요하며 반복성이 부족합니다.

더 나아가, "이번 달 생산 일정에서 어떤 고객 주문이 가장 위험할까요?"와 같은 간단한 질문을 통해 병목 현상을 파악하고 복구 전략을 수립하여 정시 배송 실적을 개선하는 시간을 더 많이 확보할 수 있습니다. 이를 위해서는 복잡한 쿼리 작성이나 여러 시스템의 데이터를 수동으로 조합하는 번거로움을 줄일 수 있는 기능이 필요합니다. LLM을 사용하면 작업 현장의 작업자들이 코드 작성이나 복잡한 SQL 쿼리 없이도 디지털 트윈, 컨트롤 타워 등 복잡한 시스템에 쉽게 접근하여 정보를 조회할 수 있습니다. 이를 통해 기술 전문가가 아닌 사용자도 이러한 시스템에 빠르게 접근할 수 있어 응답성과 생산성을 더욱 향상시킬 수 있습니다.

시작하기

이러한 사례는 LLM이 업계에서 가치를 창출할 수 있는 다양한 영역 중 일부에 불과합니다. 비즈니스의 잠재력은 어떻게 기업이 경쟁사와 차별화되는 방식으로 이 기술을 고유하게 조율할 수 있는지에 달려 있습니다. LLM에 대한 오픈 소스 접근 방식은 기업이 데이터와 지적 재산에 대한 통제권을 유지하고, 산업별 상황과 사용 사례에 맞게 모델을 고유하게 최적화할 수 있는 유연성을 제공하며, 관련 비즈니스 성과에 따라 확장할 수 있는 아키텍처를 설계하는 것입니다. 이를 통해 보다 지속 가능한 가치 창출의 길을 제시할 수 있습니다.

보다 자세한 정보를 얻으려면 두 가지 방법이 있습니다. 첫 번째로, 데이터브릭스 웹사이트에서 제조업을 위한 레이크하우스에 대해 자세히 알아볼 수 있습니다. 레이크하우스는 LLM을 활용하여 제조업에서 발생하는 다양한 문제를 해결하는 플랫폼입니다. 두 번째로, Build Your Own Large Language Model Like Dolly 웨비나에서 LLM을 직접 활용하는 방법에 대해 알아볼 수 있습니다. 웨비나는 실시간으로 진행되는 온라인 강의나 설명회로, LLM을 실제로 활용하는 방법을 배울 수 있는 좋은 기회입니다.

제조 산업을 위한 레이크하우스에 대해 알아보기