맺음말 플라스틱 사출 산업은 전통적으로 노동집약적이며 경험 중심의 운영 체계를 유지해 왔지만, 데이터 기반 AI 기술의 접목을 통해 새로운 전환점을 맞이하고 있다. 본 고에서는 AI가 기존의 시행착오 중심의 공정 개발 방식을 어떻게 가속화하고, 컴파운딩 소재 설계와 사출 공정 최적화에 어떤 방식으로 접목될 수 있는지를 사례 중심으로 살펴보았다. 특히, 단순히 AI 모델을 도입하는 것을 넘어, 도메인 지식에 기반한 데이터 수집과 정제, 균형 잡힌 학습 구조, 그리고 실제 적용 가능한 대리모델 및 최적화 전략의 중요성을 강조하였다. 컴파운딩 소재의 조성 및 구조는 매우 방대한 설계 공간을 가지며, 고성능 조합을 찾기 위해서는 실험 기반 탐색만으로는 한계가 존재한다. 이에 따라 물성 예측을 위한 대리모델 구축, 실험설계 기반 초기 데이터 선정, 베이지안 최적화 등 데이터 효율성이 높은 AI 기반 설계 전략이 요구된다. 그러나 현실적으로는 고성능 조합의 데이터 부족, 실측 데이터의 노이즈와 불균형, 고차원 설계 공간에서의 예측 불확실성 등 다양한 제약 조건이 존재한다. 본 고에서는 이를 극복하기 위한 현실적 방법으로, featurization 전략, 균형 잡힌 샘플링, 변수 수 축소 및 강화학습 기반 최적화 등 다양한 기술을 제시하였다. 한편, 사출성형 공정 최적화에서는 세 가지 AI 응용 접근을 중심으로 소개하였다. 첫째, 환경 변화에 적응해 양품 생산 조건을 추천하는 생성형 AI 기반 모델은 사출기의 온도, 습도 등 환경 조건에 따라 최적 공정변수를 추천함으로써 생산 안정성과 품질을 동시에 달성할 수 있도록 한다. 둘째, 강화학습 기반의 실시간 최적화 전략은 외부 환경과 비용 요소를 반영하여 수익성을 극대화하는 공정 운영 정책을 자동으로 도출할 수 있음을 보였다. 특히 PPO, SAC 등의 강화학습 알고리즘은 수렴성과 계산 효율성 측면에서 기존 최적화 기법보다 실시간적용 가능성이 높다는 점에서 주목할 만하다. 셋째, LLM 기반의 사출성형 지식 전이 시스템은 기존의 도제식 경험 전수를 대체할 수 있는 수단으로서, 언어 장벽과 숙련도 차이를 극복하고 AI 비전문가도 복잡한 공정을 효율적으로 다룰 수 있는 인터페이스를 제공한다. 이러한 AI 기반 전략들이 현장에서 실효성 있게 작동하기 위해서는 기술적 요소뿐만 아니라 제도적·조직적 기반의 정비도 병행되어야 한다. 첫째, 기업 차원에서는 실험 설비와 데이터 수집 체계의 표준화가 선행되어야 하며, AI 도입 초기에는 전문가와 비전문가가 협업할 수 있는 데이터 해석 환경이 구축되어야 한다. 둘째, 기업 데이터가 곧 경쟁력이라는 현실을 고려할 때, 데이터 자체를 공개하지 않으면서도 서로의 데이터를 활용할 수 있는 협력 구조가 필요하다. 예컨대, 연합학습(Federated Learning) 36과 같이 데이터는 로컬에 남겨두되, 모델 학습만을 공유하는 방식은 기업 간 민감한 정보 보호를 유지하면서도 공동의 AI 성능 향상을 도모할 수 있는 유력한 방법론이다. 이러한 프라이버시 친화적 접근은 기업의 데이터 자산 가치를 훼손하지 않으면서도, 국내 제조 AI 생태계 전체의 성장을 유도할 수 있다. 셋째, 교육 측면에서는 AI 리터러시 교육과 도메인 전문가 중심의 ‘AI 융합 리더’ 양성이 필요하며, 이를 통해 제조업 현장과 AI 기술 간의 인력·언어 간극을 해소할 수 있다. 결론적으로, 컴파운딩 소재 설계 및 사출성형 공정 최적화는 단순한 공정 자동화를 넘어, ‘데이터 기반 의사결정 시스템 구축’이라는 관점에서 접근해야 한다. AI는 단지 알고리즘의 도입이 아니라, 데이터를 보는 시각과 문제를 정의하는 방식의 전환을 요구한다. 사출 산업의 특성과 현실을 충분히 반영한 설계–데이터–AI의 삼각 구조를 잘 연결한다면, 제조 산업 전반에 걸쳐 생산성 향상, 품질 안정성 확보, 인력 의존도 완화 등 다층적인 혁신 효과를 기대할 수 있다. 향후 연구 및 산업계의 실천적 노력은 이러한 AI 기반 혁신이 실질적인 경쟁력 강화로 이어질 수 있도록, 더 깊이 있는 통합적 전략 수립으로 이어져야 할 것이다.
취재부
2025-09-02
