Same Machines, Different Speed: Autoliv 비전 검사를 살린 건 IT가 아닌 현장 엔지니어의 오탐 라벨링
AMNA 2026 둘째 날 자동차 업계 연사들은 공장 AI의 성패가 모델보다 현장 소유권과 데이터 정의에서 갈린다고 말했습니다. Autoliv는 정확도 30~40%로 출발한 비전 검사를 품질·자동화 엔지니어의 오탐 라벨링으로 살렸습니다. 라벨 필드, 8주 일정, 판정 기준을 붙였습니다.
공장 AI는 같은 모델이어도 누가 라벨을 붙이고 누가 결과를 책임지느냐에 따라 데모에서 멈추거나 현장에 퍼집니다. Autoliv는 정확도 30~40%였던 비전 검사를 품질·자동화 엔지니어에게 넘겨 살렸습니다. 따라 하려면 시작 전에 공장 KPI, 운영 책임자, 라벨링 예산부터 정해야 합니다.
요약
Automotive Manufacturing Solutions의 Anushka Dixit는 2026년 10월 27일, Automotive Manufacturing North America 2026(AMNA) 둘째 날 발표를 일곱 가지 교훈으로 정리했습니다. Ford, GM, Toyota, Autoliv, Magna, BorgWarner, Lucid, Continental, ZF 등의 제조·IT 책임자가 연사로 나왔습니다. 주제는 셋입니다. 신차 출시를 얼마나 빨리 하느냐, AI와 데이터를 현장에 어떻게 퍼뜨리느냐, 자동화와 사람을 어떻게 맞추느냐입니다. 연사들은 어느 주제에서든 같은 결론에 닿았습니다. 기술은 표준, 믿을 수 있는 데이터, 분명한 책임, 숙련된 사람이 갖춰진 곳에서만 확산된다는 것입니다.
가장 구체적인 근거는 AI 세션에서 나왔습니다. Autoliv Americas의 IT 책임자 Nitin Sethi는 AI PoC(개념 검증) 88%가 넓은 배포에 이르지 못한다는 연구를 인용했습니다. 그가 든 원인은 알고리즘이 아니었습니다. 공장 쪽 주인이 없거나, 확산 예산이 없거나, 사람들이 일하는 방식과 맞지 않았습니다. Autoliv의 비전 검사가 그 예입니다. 처음 정확도는 30~40%였고 오탐 라벨링을 IT 대신 품질·자동화 엔지니어가 맡은 뒤에야 올라갔습니다. BorgWarner는 지역마다 다른 품질 비용 정의부터 맞췄습니다. Ford와 GM은 중국 공장의 속도가 장비가 아니라 표준 공정에서 나온다고 봤습니다. 아래에서는 이 원리를 다섯 가지 메커니즘으로 풀고 이어서 실제로 돌릴 때 필요한 필드와 일정을 붙입니다.
핵심 메커니즘
Demo Graveyard와 다섯 질문: 시작 전에 공장 KPI와 주인을 정하기
Sethi는 데모는 훌륭했지만 현장으로 가지 못한 프로젝트들이 쌓인 상태를 demo graveyard(데모의 무덤)라고 불렀습니다. 그가 본 실패 유형은 세 가지입니다. 공장 쪽 책임자가 없는 데모, 서류상 ROI는 좋지만 확산 예산이 없는 프로젝트, 모델은 좋은데 사람들의 작업 방식과 맞지 않는 도구입니다. 대안으로 그는 어떤 AI 프로젝트든 다섯 질문에 먼저 답하게 합니다. 어느 공장 KPI를 얼마나, 언제까지 움직이나. 누가 책임지나. 업무 흐름에 맞나. 확산할 수 있나. 데이터를 믿을 수 있나.
작동 방식은 단순합니다. 입력은 프로젝트 제안서이고 다섯 질문에 답이 다 차야 파일럿 예산이 나갑니다. 출력은 KPI 목표치와 운영 책임자 이름이 적힌 착수 결정입니다. 원문의 정리도 같은 방향입니다. 기술 데모가 아니라 공장 KPI와 운영 책임자에서 출발하고 확산·라벨링·업무 변경 비용을 파일럿 전에 잡아 두라는 것입니다. 작은 예시(가상 예시)로, “용접 불량 검사 자동화”라는 제안은 “B라인 용접 불량 유출을 6개월 안에 절반으로, 책임자는 B라인 품질 과장”으로 고쳐 써야 통과합니다.
Domain Expert Labelling: 오탐 판정을 현업 엔지니어가 맡기
비전 검사 모델은 사람이 붙인 정답으로 배웁니다. 오탐(양품을 불량으로 잡은 경우)을 어떻게 라벨링하느냐가 정확도를 좌우합니다. Autoliv는 약 100만 달러를 들인 비전 검사가 30~40% 정확도에 머물렀습니다. 품질·자동화 엔지니어가 오탐 라벨링을 넘겨받은 뒤에야 정확도가 올라갔습니다. 이 엔지니어들은 어떤 흠집이 기능에 문제가 되고 어떤 반사광이 무해한지 압니다. 그 판단이 라벨에 들어가야 모델이 같은 구분을 배웁니다.
Autoliv는 한 단계 더 나갔습니다. 정확도가 오른 뒤 결함 기록을 설비의 공정 데이터와 연결해 결함이 나기 전에 정비팀에 경보를 보내게 했습니다. 검사 결과가 정비 신호로 쓰이려면 라벨이 정확해야 합니다. 라벨이 틀리면 엉뚱한 공정 조건을 결함 원인으로 배우기 때문입니다. 이 방식이 맞는 곳은 불량 판정에 현장 지식이 필요한 외관·조립 검사입니다. 규격 치수처럼 판정이 기계적이면 현업 라벨의 효과가 작습니다.
Workflow Fit: 도구를 사람들이 이미 보는 화면 안에 넣기
Sethi가 든 또 다른 사례는 OEE(설비 종합 효율) 손실을 설명해 주는 AI 도구입니다. 도구는 작동했지만 직원 20~30%만 썼습니다. 평소 업무 흐름 밖에 있었기 때문입니다. 사람들은 별도 화면에 들어가 답을 찾지 않습니다. 원문의 결론도 같습니다. 사람들이 이미 일하는 방식에 맞지 않으면 쓰지 않습니다. Sethi는 회사가 직원에게 기술을 파는 곳이 아니며 책임질 것은 결과라고 했습니다.
실제로 돌릴 때는 도구의 출력이 교대 회의 자료, MES(생산 실행 시스템) 화면, 정비 작업지시 같은 기존 접점에 바로 뜨게 합니다. 사용률은 로그인 수가 아니라 “AI 설명이 붙은 손실 건 중 조치로 이어진 비율”로 잽니다.
Metric Definition과 단계별 역할: 지표를 맞춘 뒤 AI 권한을 넓히기
BorgWarner의 Maria Beemer는 기본 지표조차 지역마다 다르다고 했습니다. COPQ(품질 실패 비용)를 한 지역은 긴급 운송비를 넣어 계산하고 다른 지역은 빼고 계산했습니다. 이런 상태에서 디지털 트윈이나 AI 대시보드를 올리면 지역 간 비교가 틀어집니다. BorgWarner는 이제 확산 전에 부서 횡단 그룹이 핵심 지표에 먼저 합의합니다. Ford의 Rajeev Kalamdani도 출시와 램프업(양산 속도를 올리는 기간) 동안 디지털 모델을 현행으로 유지하기가 여전히 어렵다고 인정했습니다.
AI의 역할도 단계적으로 넓힙니다. BorgWarner는 사용 사례마다 reviewer(검토자), coach(조언자), drafter(초안 작성자) 순서를 밟고 일부만 완전 자율로 갑니다. 원문은 이 세 이름만 밝혔으니 풀이는 이 노트의 해석입니다. reviewer는 사람이 만든 결과를 AI가 검토하는 단계로 읽힙니다. coach는 사람이 일하는 도중 AI가 조언하는 단계이고 drafter는 AI가 초안을 쓰면 사람이 확정합니다. 어느 단계든 결정 책임은 사람에게 남는다는 것이 Beemer의 입장입니다.
Standard Process와 Virtual Commissioning: 같은 장비로 더 빨리 출시하는 법
Ford의 Walter LaPlante는 벤치마킹으로 중국 공장을 둘러봤습니다. 그가 본 차이는 장비가 아니었습니다. 중국과 북미 공장은 특히 프레스 분야에서 같은 소수 장비 공급사에게 삽니다. 그는 “What’s different is the standard process that people follow”라고 정리했습니다. GM의 Alberto Ely Vazquez도 중국에 특별한 기술은 없고 빠른 의사결정과 공급사와의 긴밀한 협업이 다르다고 봤습니다. Ford는 전기 하드웨어와 PLC 소프트웨어 템플릿으로 출시마다 드는 엔지니어링 공수를 줄이고 Common Data Model로 설비가 데이터를 보고하는 방식을 통일합니다. Lucid는 애리조나 공장과 새 사우디아라비아 공장의 설비, 제어 구조, 공정을 표준화하고 있습니다.
Virtual commissioning(가상 시운전)은 이 표준 위에서 속도를 냅니다. Magna의 Murugan Boominathan은 스테이션, 라우팅, 고장 모드, KPI를 미리 가상으로 정의해 두고 현장에서는 통합이 아니라 검증만 한다고 했습니다. Lucid의 Arun Prakash Mantena는 선을 그었습니다. 가상 시운전은 부품을 만들 수 있다는 것을 보여 줄 뿐, 정격 속도와 품질로 만들 수 있다는 것까지 보여 주지는 않습니다. 코일과 두께 편차, 설비 사이 연동, 고장 뒤 복구는 실물로 확인해야 하고 프레스에서 특히 그렇습니다.
통념과 다른 주장
흔히 이렇게 봅니다중국 공장의 출시 속도는 앞선 장비와 기술에서 나온다.
연사들은 이렇게 봅니다장비는 같고 사람들이 따르는 표준 공정과 의사결정 속도가 다르다.
근거Ford 연사는 벤치마킹에서 중국과 북미가 같은 장비 공급사를 쓴다는 것을 확인했고 GM 연사는 북미·중국 공동 프로그램에서 빠른 결정과 공급사 협업을 차이로 꼽았습니다.
흔히 이렇게 봅니다AI 파일럿이 멈추는 이유는 모델 정확도가 모자라서다.
연사들은 이렇게 봅니다파일럿은 알고리즘이 아니라 소유권, 업무 흐름, 확산 예산에서 멈춘다.
근거Autoliv의 비전 검사는 같은 기술로 라벨 주체만 바꿔 정확도를 올렸고 작동하던 OEE 도구는 흐름 밖에 있어 직원 20~30%만 썼습니다.
흔히 이렇게 봅니다사람 옆에서 일하는 협동로봇이 공장 자동화의 다음 단계다.
연사들은 이렇게 봅니다협동로봇은 기대에 못 미쳤고 기존 로봇 팔에 비전과 힘 감지를 더하는 쪽이 현실적이다.
근거JTEKT 연사는 협동로봇이 사람 근처에서 사람보다 훨씬 느리게 움직여야 한다는 점을 들었고 Magna 연사는 physical AI가 꼭 휴머노이드일 필요는 없다고 했습니다.
저자가 든 사례
Autoliv 비전 검사: 라벨 주체를 바꿔 정확도를 올리기
| 항목 | 내용 |
|---|---|
| 상황 | 약 100만 달러를 들인 컴퓨터 비전 검사가 처음 30~40% 정확도에 머물렀습니다. |
| 한 일 | 오탐 라벨링을 IT에서 품질·자동화 엔지니어로 넘겼습니다. 정확도가 오른 뒤 결함을 설비 공정 데이터와 연결했습니다. |
| 결과 | 정확도가 올라갔고 결함이 나기 전에 정비팀에 경보를 보내게 됐습니다. 최종 정확도, 검사 대상, 기간은 원문에서 밝히지 않음. |
| 연결 | Domain Expert Labelling과 다섯 질문 중 Owner·Data의 사례입니다. |
BorgWarner COPQ: 같은 이름, 다른 계산
| 항목 | 내용 |
|---|---|
| 상황 | 품질 실패 비용을 한 지역은 긴급 운송비를 넣어, 다른 지역은 빼고 계산했습니다. |
| 한 일 | 솔루션을 확산하기 전에 부서 횡단 그룹이 핵심 지표에 합의하게 했습니다. AI는 reviewer, coach, drafter 순으로 역할을 넓힙니다. |
| 결과 | 원문에서 수치를 밝히지 않음. |
| 연결 | Metric Definition과 단계별 역할의 사례입니다. |
SkillReal 고객사: 검사 병목이 풀리자 처리량이 늘다
| 항목 | 내용 |
|---|---|
| 상황 | 검사가 생산 병목이었습니다. Magna의 Parag Patre는 AI 비전 검사가 대부분의 경우 오탐·미탐에서 사람 검사자와 같은 수준이라고 했습니다. |
| 한 일 | SkillReal의 AI 검사로 병목을 풀었습니다. |
| 결과 | 시간당 작업이 65건에서 80건으로 늘었습니다(SkillReal COO Pete Grabowski). |
| 연결 | 비전 검사가 정확해지면 품질 지표를 넘어 처리량 지표가 움직인다는 사례입니다. |
JTEKT 협동로봇과 AMR: 자동화가 사람의 일을 바꾸는 방식
| 항목 | 내용 |
|---|---|
| 상황 | JTEKT North America의 Gus Collins는 협동로봇을 가장 큰 실망으로 꼽았습니다. 사람 근처에서는 사람보다 훨씬 느리게 움직여야 하기 때문입니다. |
| 한 일 | AMR(자율 이동 로봇) 파일럿을 중단했습니다. 한 작업자가 공장을 가로질러 걷는 시간이 하루 중 가장 좋은 때라고 말한 뒤였습니다. |
| 결과 | 원문에서 수치를 밝히지 않음. |
| 연결 | Workflow Fit의 사례입니다. 자동화 대상이 사람에게 어떤 의미인지까지 업무 흐름에 들어갑니다. |
Continental과 ZF: 숙련 공백을 메우는 현장 장치
| 항목 | 내용 |
|---|---|
| 상황 | Continental 사우스캐롤라이나 공장에는 소매업에서 온 신입이 50만 달러짜리 설비를 운전하는 일이 생깁니다. 공정 편차, 스크랩, 느린 적응으로 이어졌습니다. |
| 한 일 | 설비와 교육을 단순화하고 AR·VR 헤드셋으로 신입을 교육합니다. 품질 사고와 정비 문서를 담은 글로벌 지식 DB를 AI로 검색합니다. ZF는 150개 스테이션 라인의 사이클 타임을 실시간으로 보여 주는 모니터링을 씁니다. |
| 결과 | ZF 모니터링은 사내 우수상을 받았습니다. Continental 효과 수치는 원문에서 밝히지 않음. |
| 연결 | Lazola Tutani는 AI보다 기초 공정 이해가 먼저라고 했고 ZF의 Raidan Lage는 현장의 침묵이 동의가 아니라 이탈의 신호일 수 있다며 반대 의견을 환영했습니다. |
기술 디테일: 비전 검사 라벨링을 실제로 돌리려면
Domain Expert Labelling을 돌리려면 라벨 한 건의 필드부터 고정합니다. Autoliv 사례에서 정확도를 올린 것은 누가 판정했느냐였습니다. 그래서 판정자와 근거가 기록에 남아야 합니다. 아래는 새로 작성한 예시이며 필드명과 값은 가상입니다.
{
"image_id": "L3-ST07-20261028-081512-0042",
"line": "L3", "station": "ST07", "part_serial": "A12-778341",
"model_label": "defect", "model_score": 0.71, "model_version": "vis-2.3",
"expert_label": "false_positive",
"expert_reason": "도장 반사광, 기능 영향 없음",
"defect_code": null,
"labeler_role": "quality_engineer", "labeled_by": "QE-014",
"process_ref": {"equipment_id": "PRS-3", "recipe": "R-221", "ts": "2026-10-28T08:15:12"},
"status": "confirmed"
}오탐 큐는 모델 점수 구간으로 나눠 엔지니어 시간을 아낍니다. 모든 판정을 다시 보면 현업 엔지니어가 버티지 못합니다. 모델 점수가 애매한 구간(예: 0.4~0.8)과 모델이 불량이라 했지만 다음 공정에서 양품으로 확인된 건을 먼저 큐에 올립니다. 엔지니어 두 명이 같은 이미지에 다른 라벨을 붙이면 ambiguous로 두고 주간 회의에서 기준을 정합니다. 이 기준이 결함 카탈로그(사진과 판정 근거를 모은 문서)로 쌓여 다음 라벨러의 교재가 됩니다.
재학습은 섀도 모드에서 비교한 뒤 바꿉니다. 새 라벨로 학습한 모델을 기존 모델 옆에서 1~2주 돌리고 같은 이미지에 대한 정탐·오탐·미탐을 혼동 행렬로 비교합니다. 미탐(불량을 놓친 경우)이 늘면 정확도가 올라도 교체하지 않습니다. 자동차 부품에서는 유출 비용이 오탐 비용보다 크기 때문입니다.
결함을 공정 데이터와 묶으려면 공통 키가 필요합니다. Autoliv가 결함을 설비 공정 데이터와 연결해 정비 경보를 낸 단계입니다. 부품 시리얼과 타임스탬프로 검사 결과와 설비 파라미터를 붙입니다. Ford의 Common Data Model처럼 설비가 같은 이름과 단위로 데이터를 보고해야 라인을 넘어 같은 규칙을 쓸 수 있습니다. 경보 규칙은 “같은 설비에서 같은 결함 코드가 일정 건수 이상 나오기 전 몇 시간의 파라미터 패턴”처럼 정하고 정비팀이 경보를 받고 실제로 문제를 찾은 비율을 기록합니다.
Workflow Fit은 출력 위치로 구현합니다. OEE 손실 설명처럼 생성형 AI가 문장을 쓰는 도구라면, 출력은 JSON(손실 유형, 시간, 추정 원인, 근거 데이터, 권장 조치, 담당)으로 받아 교대 회의 화면과 MES 손실 입력 창에 바로 붙입니다. 근거 데이터가 없는 원인은 내지 않게 하고 temperature는 0~0.2로 둡니다.
AI 역할 단계는 권한으로 나눕니다. BorgWarner의 reviewer, coach, drafter 순서를 시스템 권한으로 옮기면 이렇습니다(새로 작성한 해석). reviewer 단계의 AI는 읽기만 하고 의견을 남깁니다. coach 단계는 작업 화면에 제안을 띄웁니다. drafter 단계는 초안을 쓰지만 확정 버튼은 사람만 누릅니다. 단계를 올리는 조건은 앞 단계의 채택률과 오류 건수로 정합니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 담당 | 하는 일 |
|---|---|---|
| Owner | 대상 라인 생산 또는 품질 관리자 1명 | 공장 KPI 목표와 판정 책임, 다섯 질문 답변 서명 |
| 라벨러 | 품질 엔지니어 1~2명, 자동화 엔지니어 1명 | 오탐 판정, 결함 카탈로그 작성, 주 4~6시간 |
| 데이터·IT | 비전·데이터 엔지니어 1~2명 | 라벨 도구, 재학습, 공정 데이터 연결 |
| 정비 | 정비 리더 1명 | 경보 수신 규칙, 실제 이상 확인 기록 |
| 스폰서 | 공장장 또는 제조 담당 임원 | 확산 예산과 다음 라인 승인 |
시작 전에 모을 것. 대상 스테이션 하나의 최근 3~6개월 검사 이미지와 판정 결과, 다음 공정이나 고객에서 돌아온 불량 기록, 결함 코드 표준, 같은 기간 설비 파라미터 로그, 그리고 COPQ 같은 지표의 공장별 계산식입니다. BorgWarner처럼 지표 계산식이 공장마다 다르면 이 단계에서 먼저 맞춥니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 다섯 질문 답변, Owner 지정, 지표 정의 합의, 라벨 필드 확정 | 착수 결정서, 지표 사전, 라벨 필드 정의 |
| 3~4주 | 현업 엔지니어가 오탐 큐를 판정, 애매한 건 주간 기준 회의 | 라벨 2,000~5,000건, 결함 카탈로그 초판 |
| 5~6주 | 재학습 모델 섀도 운영, 혼동 행렬 비교, 결과를 MES 화면에 표시 | 정탐·오탐·미탐 비교표 |
| 7~8주 | 판정 회의, 공정 데이터 연결 범위와 다음 라인 결정 | 판정 보고서, 확산 예산안 |
현업에 물을 것.
- 이 검사가 틀리면 지금은 누가 알아채고 그다음 무엇을 하나요?
- 불량과 양품을 가르는 판단 중 문서에 없는 것은 무엇인가요?
- AI 결과가 어느 화면, 어느 회의에 떠야 실제로 보겠습니까?
- 이 도구가 바꾸면 안 되는 작업이나 사람에게 의미 있는 일은 무엇인가요?
- 이 프로젝트가 성공했다고 말하려면 어느 KPI가 얼마나 움직여야 하나요?
진행 판정 기준(예시). 섀도 운영에서 세 조건을 모두 채우면 다음 라인으로 넓힙니다. 미탐이 기존 검사보다 늘지 않을 것, 오탐이 착수 때 정한 목표만큼 줄 것, Owner가 KPI 변화를 보고 확산에 서명할 것입니다. 숫자는 섀도 운영 전에 Owner와 함께 정합니다.
AX 적용 제언. 자동차 부품, 전자, 소재처럼 외관·조립 검사가 많은 제조사는 비전 검사 하나로 시작하되, 첫 예산 항목을 모델이 아니라 현업 엔지니어의 라벨링 시간으로 잡는 편이 좋습니다. IT가 주도하던 PoC라면 Owner를 생산·품질 쪽으로 옮기는 것이 첫 조치입니다. 다음 순서는 지표 정의입니다. 공장마다 계산이 다른 지표가 있으면 디지털 트윈이나 대시보드보다 지표 사전을 먼저 만듭니다. 이 순서는 “IT가 도구를 만들고 현장에 배포한다”는 관행을 “현장이 정답을 만들고 IT가 그 정답을 확산한다”로 바꿉니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 보도 | Automotive Manufacturing Solutions, Anushka Dixit, 2026.10.27 |
| 행사 | Automotive Manufacturing North America 2026 둘째 날 |
| 출시 속도 | Ford(Walter LaPlante): 중국과 같은 장비, 다른 표준 공정. 전기 하드웨어·PLC 템플릿, Common Data Model, 브라운필드 전환 전 6개월~1년 엔지니어링·랩 테스트. GM(Alberto Ely Vazquez): 빠른 결정과 공급사 협업. Lucid(Arun Prakash Mantena): 애리조나·사우디 표준화 |
| 가상 시운전 | Magna(Murugan Boominathan): 스테이션·라우팅·고장 모드·KPI 가상 정의. Lucid: 코일·두께 편차, 연동, 복구는 실물 검증 |
| 상류 추적 | Toyota(Jaime Moore): 형식적 승인 경계, 상주 엔지니어, 공유 시각 데이터. Daimler Truck(Adam Polcha): 변경 하나에 설계자 약 100명, 작업자에서 범위 설정까지 추적 |
| AI 확산 | Autoliv(Nitin Sethi): PoC 88% 미확산 연구 인용, 다섯 질문, 비전 검사 약 100만 달러·초기 30 |
| 데이터 | BorgWarner(Maria Beemer): COPQ 지역별 정의 차이, reviewer·coach·drafter. Ford(Rajeev Kalamdani): 설비 상태 데이터로 라인 제약 찾기, 예측 품질 우선 |
| 자동화 | Magna(Parag Patre): AI 비전 검사가 대부분 사람 수준. SkillReal(Pete Grabowski): 시간당 65건→80건. JTEKT(Gus Collins): 협동로봇 실망, AMR 파일럿 중단 |
| 사람 | Continental(Lazola Tutani): 50만 달러 설비, AR·VR 교육, AI 검색 지식 DB. ZF(Raidan Lage): 미주 11개 공장 지원, 150개 스테이션 사이클 타임 모니터링 |
핵심 개념
- PoC
- Proof of Concept. 기술이 실제 문제에 통하는지 작게 확인하는 단계입니다.
- 오탐·미탐
- 오탐은 양품을 불량으로, 미탐은 불량을 양품으로 판정한 경우입니다. 부품 검사에서는 미탐이 더 비쌉니다.
- OEE
- Overall Equipment Effectiveness. 가용률, 성능, 품질을 곱해 설비가 얼마나 제대로 돌았는지 보는 지표입니다.
- COPQ
- Cost of Poor Quality. 스크랩, 재작업, 클레임처럼 품질 실패로 드는 비용입니다. 무엇을 넣느냐가 조직마다 다릅니다.
- Common Data Model
- 설비마다 다른 데이터 이름과 단위를 하나의 규칙으로 맞춘 데이터 모델입니다.
- 램프업
- 신차 출시 뒤 생산 속도를 목표 수준까지 끌어올리는 기간입니다.
- AMR
- Autonomous Mobile Robot. 정해진 길 없이 공장 안을 스스로 다니며 물건을 나르는 로봇입니다.
내 메모
TODO: 내 생각 추가
원문: Anushka Dixit, 「Same machines, different speed: Seven lessons from AMNA 2026 day two」(Automotive Manufacturing Solutions, 2026.10.27). 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 원문에 나온 연사 발언과 사례를 AX Review가 다시 정리했습니다. BorgWarner 역할 단계의 풀이, 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽은 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 원문 전체는 Automotive Manufacturing Solutions에서 볼 수 있습니다.