AI 모델을 바로 교체하지 않는 이유: 산업 현장의 섀도 테스트와 승격 기준
새 AI 모델이 오프라인 시험에서 좋아도 실제 생산라인에 바로 연결하기는 위험합니다. 동일 입력을 병렬 처리하는 섀도 테스트와 사람 검토·카나리·롤백 기준을 설계합니다.
NOTES
산업 AI
모델을 만들고, 웹과 앱을 짓고, 업무를 자동화하며 확인한 것을 기록합니다. 통한 방법만이 아니라 통하지 않았던 시도까지 남깁니다.
TOTAL 19 · 산업 AI
AI가 애매할 때는 멈출 수 있어야 한다: 공장 검사 모델의 판정 보류
불량 검출 모델의 점수를 확률로 착각하지 않고 보정·검토 구간·현장 처리 용량을 함께 설계해 위험한 자동 판정을 줄이는 방법.
공장 엣지 AI 모델을 한 번에 바꾸면 위험한 이유: 단계 배포와 롤백
현장 설비의 AI 모델을 파일 교체로 끝내지 않고 모델·런타임·설정을 묶어 시험 배포, 상태 관찰, 안전한 롤백까지 운영하는 실무 방법.
불량 검출 AI의 정답은 누가 정할까: 현장 이미지 라벨링과 합의 절차
산업용 비전 AI는 모델보다 정답 데이터가 먼저 흔들릴 수 있습니다. 경계 사례를 모으고, 작업자 간 불일치를 해결하며, 현장 기준을 갱신하는 방법을 살펴봅니다.
불량 검출 AI, 모델보다 먼저 조명을 봐야 하는 이유: 산업용 비전 촬영 설계
같은 부품도 조명 각도와 노출에 따라 결함이 보이거나 사라집니다. 산업용 비전 AI를 위한 촬영 위치, 조명, 노출·게인, 현장 검증 방법을 설명합니다.
고장을 맞힌 AI인데 왜 설비는 멈췄을까? 예지보전 경보를 정비 작업으로 잇는 설계
예지보전 AI의 정확도가 높아도 오경보와 늦은 경보, 부품·인력 부족 때문에 다운타임은 줄지 않을 수 있습니다. 경보 임계값부터 작업지시·정비 성과까지 연결하는 실무 설계를 살펴봅니다.
AI가 PLC에 명령해도 될까? 2026 NIST OT 보안 초안으로 보는 산업 AI 제어 경계
AI가 설비의 설정값을 제안하거나 자동 조정할 때, 어디에서 명령을 검사하고 누가 멈출 수 있어야 할까요? NIST OT 보안 지침의 2026년 공개 초안을 계기로 AI 권고, 정책 게이트, PLC, 독립 안전 기능의 역할을 실무적으로 정리합니다.
센서값은 맞는데 AI 판단이 틀린 이유: OPC UA·Sparkplug로 현장 데이터의 시간과 품질 지키기
설비 센서값의 숫자만 저장하면 통신 지연, 오래된 값, 품질 불량을 구분할 수 없습니다. OPC UA의 시각·상태 코드와 Sparkplug의 연결 상태를 함께 보존해 신뢰할 수 있는 산업 AI 데이터를 만드는 방법을 설명합니다.
불량 이미지가 없는데 검사 AI를 어떻게 학습할까? 합성데이터와 Sim-to-Real 실전 설계
불량이 드물고 신제품 데이터가 없는 제조 현장에서 디지털 트윈으로 합성데이터를 만들고, 도메인 랜덤화와 실데이터 검증으로 비전 검사 AI의 현실 격차를 줄이는 방법을 설명합니다.