이상 탐지 모델을 오래 운영하면 경보가 늘거나 갑자기 사라질 수 있습니다. 설비가 바뀐 것인지 센서가 변한 것인지, 모델 기준선이 낡은 것인지 구분하지 않고 재학습하면 정상 변화를 고장으로 배우거나 실제 이상을 숨길 수 있습니다.
기준선이 무엇을 대표하는지 기록한다
기준 기간의 제품, 설비, 속도, 계절, 센서 교정 상태를 함께 보관합니다. 특정 조건에서만 수집한 정상 데이터를 전체 공정의 기준으로 쓰면 다른 조건의 경보가 과도해집니다. 기준선 버전과 적용 범위를 모델과 함께 관리합니다.
계획된 변화를 먼저 찾는다
금형 교체, 원재료 변경, 보전 작업, 센서 교정은 신호 분포를 바꿉니다. 경보가 늘면 이력과 시간축을 맞춰 보고 의도된 공정 변경인지 확인합니다. 계획된 변화라도 품질 결과가 나빠졌다면 정상으로 바로 편입하면 안 됩니다.
센서 오류와 실제 공정 변화를 분리한다
값이 일정하게 고정되거나 갑자기 0이 되면 설비 이상보다 데이터 수집 장애일 수 있습니다. 누락률, 범위 밖 값, 단위 변경을 먼저 검사합니다. 품질이 확인되지 않은 데이터를 새 기준선 학습에 넣지 않습니다.
새 기준선은 비교 시험 후 적용한다
새 기간 데이터로 재학습한 모델을 이전 모델과 나란히 돌려 경보 차이를 봅니다. 현장 담당자가 실제 사례를 확인하고 민감도와 오탐을 함께 평가합니다. 전환 후에도 이전 버전으로 돌아갈 수 있도록 기준선과 설정을 보관합니다.
경보 건수보다 조치 결과를 본다
경보가 줄었다는 사실만으로 모델이 좋아진 것은 아닙니다. 발견한 실제 이상, 불필요한 점검, 놓친 고장을 함께 봅니다. 경보 기준을 바꾼 날짜를 대시보드에 표시해야 전후 숫자를 올바르게 비교할 수 있습니다.
현장에 적용할 때의 순서
- 기준 조건·버전 기록
- 공정·센서 변화 원인 확인
- 이전·신규 모델 병행 비교
주의할 실패: 경보 증가 즉시 무검증 재학습
관찰할 지표: 실제 이상 발견률과 불필요 점검
적용 전 체크리스트
- 기준선의 제품·설비·센서 조건이 기록됐는가
- 공정 변경과 수집 오류를 재학습 전에 확인하는가
- 이전 모델과 새 모델을 같은 사례로 비교하는가
참고 자료
NIST AI Risk Management Framework. 운영 중 AI 위험을 지속 관리한다는 원칙을 참고했습니다. 기준선 갱신 절차는 현장 조건에 맞춘 설계 제안입니다.
이미지와 도식은 이해를 돕기 위한 개념 시각화입니다. 특정 고객의 실제 설비·데이터·화면을 재현한 것이 아닙니다.
#이상탐지 #기준선 #제조AI #센서데이터 #MLOps #모델드리프트 #스마트팩토리 #설비관리 #경보품질 #재학습
