기계 시야와 MLOps를 이용한 제조 품질 해결

제조 작업을 오케스트라처럼 생각해보세요 - 모든 악기가 완벽한 조화를 이루어야만 명작을 만들 수 있습니다. 하지만 바이올린과 첼로 대신에 기계, 센서, 카메라, 제어 시스템이 모두 자신의 중요한 데이터 스트림을 생성합니다. 수년 동안, 제조업체들은 이 모든 악기를 조화롭게 연주할 수 있는 지휘자를 찾는 데 어려움을 겪었습니다.

오늘날의 데이터와 AI 기술은 이러한 상황을 완전히 바꾸었습니다. 레거시 장비부터 최신 IoT 센서에 이르기까지 모든 제조 데이터 소스에 연결함으로써, 회사들은 마침내 전체 작업을 실시간으로 Crosser와 Databricks와 함께 조정할 수 있습니다. 이는 과정의 변동을 시작하는 순간부터 잡아내고, 품질을 유지하기 위해 매개 변수를 조정하고, 문제를 감지하고 해결하는 데 드는 비용이 많은 지연을 제거하는 것을 의미합니다. 결과적으로, 데이터를 단순히 수집하는 것이 아니라 지속적인 개선을 추진하는 작업을 실제로 수행하는 제조 과정이 만들어집니다.

이벤트 기반 제조를 위한 MLOps

플라스틱이나 제지 산업과 같은 공정 제조업체들은 가장자리 균열이나 표면 결함과 같은 품질 문제에 즉시 대응할 수 있는 견고한 실시간 모니터링 시스템을 개발해야 합니다. 고급 센서 네트워크를 자동 결정 시스템에 연결하여 운영자는 결함을 가장 초기 단계에서 감지하고 빠른 해결을 위해 운영자에게 알릴 수 있습니다. 이 즉각적인 반응성은 소량의 누락이 큰 결함으로 발전하는 것을 방지하며, 이는 상당한 스크랩과 폐기물을 초래합니다. 가장 효과적인 솔루션은 즉각적인 분석을 위한 엣지 컴퓨팅과 시간이 지남에 따라 감지 정확도를 지속적으로 향상시키는 클라우드 데이터 플랫폼을 결합하여, 반응적인 품질 관리를 물리적 결함으로 나타나기 전에 잠재적 문제를 해결하는 예방 유지보수로 변환합니다.

Crosser에서의 지능형 엣지 간소화를 통한 결함 검출 가속화

고속 생산 시스템에서 균열을 모니터링할 때, 밀리초 단위의 지연조차도 중요합니다. Crosser에서의 엣지 간소화는 산업 복잡성을 해결하고, 제조가 실제로 이루어지는 곳에서 즉시 결함 검출 및 응답을 가능하게 함으로써 네트워크 지연을 제거하고 결함이 더 큰 문제로 확산되기 전에 조치를 취할 수 있게 합니다. Crosser의 이벤트 기반 플랫폼의 몇 가지 주요 측면:

• 빠른 행동을 위한 지연 시간 최소화 - 밀리초가 중요할 때, 엣지 추론은 결함의 영향을 최소화하기 위해 즉각적인 행동을 허용합니다. 현장에서 데이터를 처리함으로써 응답 시간을 크게 줄일 수 있어, 최소한의 다운타임을 보장하고 비용이 많이 드는 수리를 피할 수 있습니다.
• 대역폭 사용 최적화 - 고해상도 비디오 스트림은 클라우드로 데이터를 전송하기 위해 엄청난 대역폭을 요구합니다. 로컬에서 모델을 실행하면 데이터를 환경 내에 유지하여 고속 인터넷에 대한 의존성을 줄이고 운영 비용을 낮춥니다.
• AI 모델 드리프트를 위한 지능형 IT/OT 융합 - 스마트 엣지-클라우드 데이터 파이프라인은 데이터 드리프트에 영향을 받는 ML 모델을 재교육하는 데 필요한 클라우드 시스템에만 가장 유익한 이상 데이터 포인트를 선택적으로 전송합니다. 이러한 지능형 필터링은 신규 가장자리 케이스와 변화하는 생산 조건을 모델 재학습에 포함시켜, 중복되거나 저가치 데이터로 중앙 시스템을 과부하시키지 않고도 검출 정확도를 유지합니다.

Databricks + Crosser: 엔드 투 엔드 머신 비전 MLOps

Crosser의 엣지 분석 플랫폼과 Databricks의 Mosaic AI 도구를 결합하면, 기계 비전 기반 결함 감지를 위한 원활한 솔루션을 얻을 수 있습니다. 이를 구현하는 방법은 다음과 같습니다:

단계 1: Crosser를 사용하여 이미지 데이터 수집 및 클라우드에 업로드
데이터 수집은 효과적인 AI 모델의 기초입니다. Crosser의 FlowApp "Video Capture"를 사용하면, 로컬 카메라에서 비디오 피드를 쉽게 캡처할 수 있습니다. 각 프레임은 JPEG 이미지로 변환되고 선호하는 클라우드 저장소에 업로드되어 모델 훈련을 위한 강력한 데이터셋을 만듭니다.

단계 2: 이미지 데이터 수집 및 관리
클라우드 내에서, Databricks Unity Catalog 볼륨 은 사용자가 다양한 종류의 콘텐츠, 이미지를 포함하여, 관리되거나 외부 볼륨 내에 저장하고 관리할 수 있게 해줍니다. 머신 비전 애플리케이션의 경우, Databricks는 Auto Loader를 사용하여 이미지를 Delta 테이블로 ETL하는 것을 권장합니다. Auto Loader 는 데이터 관리를 돕고 지속적으로 도착하는 새로운 이미지를 자동으로 처리합니다.

단계 3: AI 모델 훈련 및 관리
이미지가 모델 훈련을 위해 준비되면, Databricks 런타임 for Machine Learning 은 가장 일반적인 기계 학습 및 딥 러닝 라이브러리를 포함한 클러스터의 생성을 자동화합니다. 또한, Managed MLflow를 통해 Databricks는 MLflow의 기능을 확장하여 모델 수명 주기 관리 및 거버넌스를 제공합니다.

이 엣지 기계 비전 애플리케이션에서는 인기 있는 기계 비전 알고리즘인 YOLO (You Only Look Once)가 고려됩니다. YOLO의 인기는 그 고유한 아키텍처에서 비롯되며, 이는 이미지를 한 번에 처리합니다. 이는 놀랍도록 빠른 감지 속도와 작은 모델 크기를 제공하면서 많은 산업 응용 프로그램에 충분한 정확도를 유지하므로, 자원이 제한된 엣지 장치에 이상적입니다.

다음의 의사 코드는 모델 훈련 및 로깅의 논리적 흐름을 ONNX로 제공하며, 이는 단계 4에서 더 자세히 논의됩니다. Databricks 문서는 PyTorch를 사용한 전체 기계 비전 훈련 예제를 제공합니다.

단계 4: 엣지 배포를 위한 모델 내보내기
선호하는 머신러닝 프레임워크에서 훈련된 후, 모델은 엣지 배포를 위해 내보내져야 합니다. ONNX (Open Neural Network Exchange)는 다양한 하드웨어 환경에서의 탁월한 이식성 때문에 엣지 배포를 위한 인기 있는 모델 형식으로 부상했습니다. ONNX는 신경망에 대한 표준화된 중간 표현을 제공함으로써 PyTorch나 TensorFlow와 같은 프레임워크에서 훈련된 모델이 프레임워크 특정 종속성 없이 다양한 엣지 장치에서 배포될 수 있게 합니다. 또한, ONNX 런타임의 내장 성능 최적화는 모델을 CPU, GPU 또는 특수 AI 가속기를 사용하는 엣지 장치의 특정 하드웨어 특성에 자동으로 적응시킵니다. 이 하드웨어 유연성과 최적화된 추론 능력의 결합은 ONNX를 계산 제약이 다양한 이기종 엣지 환경에서 머신러닝 솔루션을 배포하는 조직에게 특히 가치있게 만듭니다.

mlflow.onnx 모듈 은 ONNX 모델을 로깅하고 로드하는 API를 제공합니다. Databricks 내에서, Unity Catalog와 함께 호스팅되는 모델 레지스트리 는 Crosser가 모델을 다운로드하고 엣지에 배포하는 데 사용되는 완전히 관리되는 API를 제공합니다.

단계 5: Crosser를 사용하여 다운로드 및 엣지 추론 및 실시간 알림 수행
다운로드가 완료되면, YOLO ONNX 모델은 Crosser와 함께 추론을 위해 준비됩니다. Crosser의 FlowApp "Video Crack Detection"은 로컬 카메라에서 실시간 비디오 피드를 처리하고, 실시간으로 크랙 결함을 감지하고, 즉시 조치를 취하는 방법을 보여줍니다.

크랙이 감지되면:

• 운영자 검토를 위한 로컬 HMI에 알림을 발송합니다.
• 알림 서비스를 통해 관련 직원에게 알림을 보냅니다.
• 추가 손상을 방지하기 위해 기계를 자동으로 중지합니다.

단계 6: Databricks와 Crosser를 사용하여 재훈련 및 재배포
산업용 기계는 종종 가혹한 운영 환경으로 인해 저하되며, 지속적인 유지보수가 필요합니다. AI 모델도 마찬가지이며, 이 아키텍처 패턴을 통해 Crosser는 새로운 이미지 데이터를 지능적으로 캡처하여 클라우드로 전송하고, Databricks Lakehouse Monitoring 은 지속적으로 데이터 품질과 모델 성능을 추적합니다. 드리프트가 감지되면, Databricks의 오케스트레이션 도구는 모델을 자동으로 재훈련하고 Crosser로 재배포를 트리거하여 전체 MLOps 수명 주기를 완성할 수 있습니다.

기계 비전 IT/OT 융합의 전체 잠재력 해제

Databricks와 Crosser 간의 파트너십은 산업 AI 조정에서의 돌파구를 나타내며, 제조 환경에서의 엣지 처리와 AI 모델 훈련 사이에 원활한 다리를 만듭니다. Crosser의 엣지 지능 플랫폼은 생산 라인에서 실시간으로 기계 비전 데이터를 캡처하고 처리하며, Databricks는 포괄적인 모델 훈련 및 성능 모니터링을 위한 확장 가능한 데이터 레이크하우스 인프라를 제공합니다. 이 통합 접근 방식은 운영 기술과 정보 기술 사이의 전통적인 장벽을 제거하며, 제조업체가 변화하는 생산 조건에 따라 진화하는 정교한 컴퓨터 비전 모델을 배포할 수 있게 합니다. Crosser의 저지연 엣지 처리와 Databricks의 강력한 MLflow 거버넌스를 결합함으로써, 기업들은 품질 문제를 즉시 감지하는 것뿐만 아니라 자동 모델 재학습 주기를 통해 지속적으로 개선하는 비전 AI 솔루션을 구현할 수 있습니다. 제조 품질 과정을 변혁하려는 제조업체들에게, 이 협업은 즉각적인 운영 이점과 장기적인 AI 성숙도를 모두 제공하는 생산 준비 솔루션을 제공합니다 - 제조 오케스트라를 개별 악기의 모음에서 데이터 주도적 우수성의 조화로운 교향곡으로 바꿉니다.

제조업체를 위한 데이터 인텔리전스 플랫폼은 Crosser와 같은 주요 생태계 파트너들과 함께 산업 AI를 대규모로 배포하는 데 도움을 줍니다. AI 앱을 통해 운영 마진을 개선하고 데이터 볼륨의 기하급수적인 성장을 관리하려는 경우, Databricks 계정 팀에 연락하여 통합 플랫폼이 데이터와 사람들에게 AI의 힘을 어떻게 가져다주는지 보여줄 수 있습니다. 그래서 모든 프로세스에 AI를 구축할 수 있습니다.

 

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)