Novo Nordisk China Cognitive Shop Floor: 톈진 공장이 엣지 AI로 작업 오류와 설비 이상을 바로 잡는 법

Novo Nordisk(노보 노디스크) 톈진 공장은 사람이 늦게 찾아내던 작업 오류와 설비 이상을 라인 옆 엣지 AI가 바로 잡게 바꿨습니다. 수동 검사시간과 공정 리드타임은 각각 10% 줄었다고 보고했습니다. 우리 공장에 옮기려면 한 라인의 이탈 유형 하나를 골라 기준선을 먼저 재고 AI 판정을 사람 판정과 나란히 돌려 보는 섀도 운영으로 시작해야 합니다.

요약

Novo Nordisk (China) Pharmaceuticals의 톈진 공장은 인슐린 제제와 주사기 펜을 만드는 대형 생산 거점입니다. 이 공장은 복잡한 제조 공정에서 생기는 작업자 실수, 설비 이상, 공정 이탈을 사람이 직접 검사해 찾아냈습니다. 발견이 늦으면 이미 만든 제품을 폐기해야 했고 그만큼 납기와 비용이 흔들렸습니다. 공장은 이를 앞당기려고 Cognitive Shop Floor(인지하는 생산 현장)라는 엣지 AI 제조 시스템을 만들었습니다. 사례집에 따르면 이 시스템은 실시간 감시, 지능형 탐지, 구조화된 지식관리를 묶습니다. 여기에 LLM(대규모 언어 모델)·딥러닝·RAG(검색 증강 생성)·컴퓨터 비전을 합쳐 현장 가이드와 저지연 규정 준수를 맡깁니다. 이 사례는 2026 Gartner Eye on Innovation Awards 헬스케어·생명과학 부문에 제출·소개됐습니다.

사례집 기준. 늦게 발견할수록 폐기와 납기 위험이 커지는 구조를 엣지 AI로 앞당김

공장이 보고한 실적은 다섯 가지입니다. 수동 검사시간과 공정 리드타임이 각각 10% 줄었고 멀티모달 인지를 하나로 묶은 덕에 데이터 분석 효율이 30% 올랐습니다. 품질 이탈은 5% 줄고 OEE(설비 종합 효율)는 5% 개선됐습니다. 기준선과 측정 기간은 사례집에 나오지 않습니다. 회사 고위 임원은 VLM(시각 언어 모델)과 엣지 AI로 실시간 시각 품질검사를 하고 예지정비까지 해낸다고 설명했습니다. 그가 밝힌 목표는 “enabling AI to understand processes like human experts”입니다. 아래에서는 이 시스템을 이루는 다섯 메커니즘을 풀고 한국 제조 대기업이 같은 구조를 자기 라인에 옮기는 기술·현업 디테일을 붙입니다.

사례집 서술을 재구성. 오른쪽 네 기능이 다섯 단계 폐쇄루프로 묶임

핵심 메커니즘

Edge AI 실시간 감시: 라인 옆에서 바로 판단하기

Edge AI(엣지 AI)는 모델을 클라우드가 아닌 생산 라인 가까운 장비에서 돌리는 방식입니다. 카메라 프레임과 설비 신호가 공장 밖으로 나갔다 돌아오지 않으므로, 이상을 본 순간 작업자 화면에 알림을 띄우거나 공정을 보류할 수 있습니다. 사례집은 이 시스템을 엣지 AI 기반 제조 시스템으로 소개하고 목적 가운데 하나로 저지연 규정 준수를 꼽습니다. 이탈을 그 자리에서 알면 배치 전체를 폐기할 일이 줄어듭니다.

엣지가 맞는 곳은 판단이 초 단위로 필요하고 데이터가 공장 밖으로 나가기 어려운 공정입니다. 가상 예시로, 펜 조립 라인에서 부품 하나가 빠진 채 다음 공정으로 넘어가면 엣지 노드가 그 프레임에서 바로 멈춤 신호를 줍니다.

작동 원리 개념도. 사례집은 엣지·저지연을 밝혔고, 구성 요소 배치는 일반적인 엣지 구성으로 설명

VLM 시각 품질검사: 불량 모양이 아니라 공정 맥락을 보는 카메라

VLM은 이미지와 글을 함께 다루는 모델입니다. 기존 딥러닝 비전 검사는 학습한 불량 모양(긁힘, 기포, 누락)을 이미지에서 분류합니다. VLM은 같은 장면을 보고 “이 단계에서 이 부품이 이 위치에 있어야 하는가” 같은 질문에 답하고 이유를 문장으로 냅니다. 사례집에서 경영진은 VLM과 엣지 AI를 묶어 실시간 시각 품질검사를 한다고 밝혔고 핵심 기술 목록에도 컴퓨터 비전이 들어 있습니다.

실제로 돌릴 때는 두 모델을 겹치는 편이 안정적입니다. 빠른 비전 모델이 모든 프레임을 훑어 이상 후보를 고르고 VLM은 후보 프레임만 받아 작업 절차와 맞는지 판정합니다. 모양이 뚜렷한 불량은 기존 비전 모델로 충분하고 VLM은 작업 순서처럼 맥락을 읽어야 하는 이탈에 씁니다. VLM이 확신하지 못하면 uncertain으로 표시해 사람에게 넘깁니다.

개념도. 빠른 모델이 후보를 고르고 VLM이 맥락을 판정하는 2단 구성은 실제로 돌릴 때의 일반적 설계

RAG 구조화 지식관리: 현장 질문에 SOP 근거로 답하기

RAG는 LLM이 답하기 전에 사내 문서를 검색해 근거를 붙이는 방식입니다. 사례집은 이 시스템이 LLM과 RAG로 현장 가이드를 주고 구조화된 지식관리를 한다고 적었습니다. 제약 공장의 지식은 SOP(표준 작업 절차서), 배치 기록, 과거 이탈 보고서, CAPA(시정·예방 조치) 기록에 흩어져 있습니다. RAG는 질문과 관련된 조항을 찾아 LLM에 넘기고 LLM은 조치 순서를 문서 근거와 함께 답합니다.

이 기능이 맞는 곳은 문서는 있지만 찾는 데 시간이 걸리는 현장입니다. 문서 자체가 없거나 개정판이 뒤섞여 있으면 RAG가 틀린 근거를 자신 있게 내놓으므로, 색인 전에 문서부터 정리해야 합니다. 가상 예시로, 충전 라인에서 압력 경보가 뜨면 작업자가 무엇부터 확인할지 묻고 시스템은 해당 SOP 조항 번호와 지난해 비슷한 이탈의 CAPA 요약을 함께 보여 줍니다.

개념도. 사례집은 LLM·RAG·구조화 지식관리를 밝혔고, 인용·보류 규칙은 실제로 돌릴 때 필요한 것으로 덧붙임

Predictive Maintenance: 설비가 멈추기 전에 정비 시점을 잡기

Predictive Maintenance(예지정비)는 설비 데이터의 패턴 변화로 고장 전에 정비 시점을 정하는 방식입니다. 진동, 모터 전류, 온도, 사이클 수 같은 신호가 평소 패턴에서 멀어지면 이상 점수가 오르고 점수가 기준을 넘으면 계획 정비로 돌립니다. 사례집 경영진 발언은 예지정비 달성을 명시했고 성과에는 OEE 5% 개선이 올라 있습니다. OEE는 가용성, 성능, 품질을 곱한 값이라 예기치 않은 정지가 줄면 가용성 항목이 먼저 움직입니다.

예지정비는 고장 이력이 어느 정도 쌓인 설비에서 효과가 큽니다. 새 설비나 고장이 드문 설비는 정상 패턴만 학습해 벗어남을 보는 방식으로 시작합니다. 가상 예시로, 캡핑 설비의 모터 전류가 2주에 걸쳐 조금씩 오르면 시스템이 다음 계획 정지 때 베어링 점검을 제안합니다.

개념도. 사례집은 예지정비 지원과 OEE 5% 개선을 밝혔고, 입력 신호 목록은 일반적인 예지정비 구성

Closed Loop: 인지·예방·판단·실행·면역 다섯 단계

사례집은 이 시스템이 인지(perception), 예방(prevention), 판단(decision making), 실행(execution), 면역(immunity)으로 이어지는 AI 폐쇄루프를 만든다고 설명합니다. 앞의 네 메커니즘을 이 순서에 놓으면 이렇게 읽힙니다. 엣지 감시와 비전이 이상을 인지하고 예지정비가 고장을 예방하며 VLM과 RAG가 무엇을 할지 판단하고 작업자와 설비가 조치를 실행합니다.

다섯 단계 가운데 면역이 이 사례의 특징입니다. 사례집은 면역의 작동 방식을 따로 풀지 않았습니다. 생물의 면역처럼 한 번 겪은 이탈을 기억해 같은 이탈을 더 빨리 막는다는 뜻으로 읽으면 확정된 이탈과 CAPA 결과가 검사 기준, RAG 지식, 모델 학습 데이터로 돌아가야 루프가 닫힙니다. 감지만 하고 이 되먹임이 없으면 같은 경보가 계속 뜨고 시스템은 경보기에 머뭅니다.

사례집이 제시한 다섯 단계. 면역 단계가 학습 결과를 첫 단계로 되돌린다는 해석은 AX Review가 덧붙인 것

사례 재구성

톈진 공장 Cognitive Shop Floor

상황: 인슐린 제제·충전과 주사기 펜을 만드는 톈진 공장. 작업 오류, 설비 이상, 공정 이탈을 사람이 검사해 찾았고 늦게 발견하면 제품 폐기와 납기 지연, 비용 증가로 이어졌습니다.
한 일: 엣지 AI 제조 시스템 Cognitive Shop Floor를 배치했습니다. 실시간 감시, 지능형 탐지, 구조화된 지식관리를 묶고 LLM·딥러닝·RAG·컴퓨터 비전·VLM으로 현장 가이드, 실시간 시각 품질검사, 예지정비를 지원합니다. 사례집이 밝힌 핵심 기술은 AI 에이전트, 컴퓨터 비전, LLM, API, 데이터·분석, 로보틱스입니다.
결과: 기업 보고 실적으로 수동 검사시간 10% 감소, 공정 리드타임 10% 감소, 데이터 분석 효율 30% 증가, 품질 이탈 5% 감소, OEE 5% 개선. 기준선, 측정 기간, 적용 라인 수는 사례집에서 밝히지 않았습니다.
연결: 다섯 메커니즘 전부의 사례입니다. 검사시간 감소는 엣지 감시와 VLM 검사에, 분석 효율은 멀티모달 인지와 RAG 지식관리에, OEE는 예지정비에 가장 가깝게 닿습니다. 이 대응은 AX Review의 해석입니다.

사례집 표기 그대로(기업 보고 실적). 기준선·측정 기간은 사례집에 없음. 다섯 수치는 서로 합산할 수 없음

공개 자료로 확인한 공장의 맥락도 함께 봅니다. 톈진 빈하이신구 투자 포털에 따르면 Novo Nordisk는 2021년 5월 제5회 세계지능대회(World Intelligence Congress)에서 톈진 공장의 스마트 제조 성과를 발표했고 공장을 지능형 공장을 거쳐 디지털 공장으로 키우겠다고 밝혔습니다. 당시 이 공장은 덴마크 밖에서 가장 큰 인슐린 제제·충전 기지였고 직원은 1,100명이었습니다. 같은 포털의 2024년 3월 기사에 따르면 회사는 약 40억 위안을 들여 아이솔레이터 충전 설비를 갖춘 확장 공사를 시작했고(2027년 완료 예정), 직원은 약 1,700명으로 늘었습니다. 2026년 6월 중국 증권 매체 보도로는 1.5ml 펜 조립 능력 확대에 2억 위안을 추가로 투자했습니다. Cognitive Shop Floor 자체를 다룬 회사 발표나 언론 보도는 찾지 못했습니다.

기술 디테일: 우리 라인에 이 구조를 옮기려면

엣지 감시를 돌리려면 기능마다 실행 위치와 지연 예산을 먼저 정합니다. 모든 모델을 엣지에 올릴 필요는 없습니다. 프레임마다 판단해야 하는 1차 비전 탐지는 라인 옆 GPU 장비에, VLM은 후보 프레임만 받으므로 엣지나 사이트 서버에, RAG와 예지정비 점수 계산은 사이트 서버에 둡니다. 모델은 공장 안에서 돌릴 수 있는 것으로 고릅니다. 1차 탐지는 YOLO 계열 검출 모델이나, 불량 사진이 적으면 정상 이미지만으로 학습하는 이상 탐지 모델을 쓰고 VLM은 오픈 가중치 모델을 양자화해 사내 GPU에 올리는 식입니다. 아래 표의 숫자는 파일럿 설계용 출발값(가상 예시)입니다.

가상 예시. 위치·지연·판정 기준은 파일럿 설계용 출발값

VLM 시각 품질검사를 돌리려면 판정을 정해진 필드로 받습니다. 자유 문장으로 받으면 MES(제조 실행 시스템)나 QMS(품질관리 시스템)에 넣을 수 없습니다. 아래는 가상 예시 스키마입니다. verdict는 pass, fail, uncertain 셋 중 하나만 허용하고 sop_ref가 비면 fail이어도 자동 보류하지 않고 사람에게 넘깁니다. 검증 단계에서는 같은 프레임을 temperature 0으로 3회 호출해 판정이 한 번이라도 갈리면 그 유형을 uncertain 규칙에 넣습니다. 모델 판정은 model_version과 함께 남겨, 모델을 바꾼 뒤 판정 분포가 달라졌는지 비교합니다.

{
  "station_id": "PEN-ASM-03",
  "batch_id": "B2610-0412",
  "frame_ts": "2026-10-28T09:41:07.220+08:00",
  "check_id": "needle_shield_present",
  "verdict": "uncertain",
  "confidence": 0.62,
  "evidence": {"bbox": [412, 188, 96, 64], "reason": "보호캡 가장자리가 반사광에 가려 확인 불가"},
  "sop_ref": "SOP-ASM-017 rev.6 §4.2",
  "model_version": "vision-1.4 / vlm-0.9"
}

RAG 현장 가이드를 돌리려면 문서를 조항 단위로 쪼개고 개정판을 메타데이터로 붙입니다. 색인 대상은 SOP, 설비 매뉴얼, 과거 이탈 보고서, CAPA 기록입니다. 조각마다 문서번호, 개정판, 유효 시작일, 적용 공정을 달고 검색은 유효 개정판만 대상으로 합니다. 답변에는 근거 조항 번호를 반드시 붙이게 하고 검색 점수가 기준 아래면 “근거 문서를 찾지 못함”으로 답을 보류합니다. 평가는 최근 이탈 20건을 질문으로 바꿔, 답변이 실제 조치와 같은 조항을 인용했는지로 봅니다.

예지정비를 돌리려면 센서 신호와 정비 이력을 같은 설비 ID로 묶습니다. 진동, 모터 전류, 온도, 사이클 수를 1분 단위로 모으고 CMMS(설비 보전 관리 시스템)의 고장·정비 기록을 같은 설비 ID에 붙입니다. 고장 이력이 적으면 정상 구간만 학습한 이상 탐지로 시작하고 고장 사례가 쌓이면 잔여 수명 예측으로 넓힙니다. 처음 3개월은 경보를 작업지시로 바로 바꾸지 않고 보전 담당이 경보마다 실제 문제였는지 표시해 정밀도를 잽니다.

성과를 재려면 KPI 다섯 개의 분모와 기준선 기간을 시작 전에 고정합니다. 사례집 수치는 분모와 기간이 없어 그대로 비교할 수 없습니다. 우리 파일럿에서는 아래처럼 미리 정해 두면 3개월 뒤 같은 정의로 다시 잴 수 있습니다(가상 예시).

가상 예시. 사례집은 분모와 기간을 밝히지 않았으므로, 옮길 때 먼저 정해 둘 정의

면역 단계를 만들려면 확정된 이탈을 세 갈래로 되돌리는 변경 절차를 둡니다. QA가 이탈을 확정하고 원인을 태그하면 그 건은 검사 규칙(VLM 체크 항목 추가), 지식(RAG 문서 갱신), 학습 데이터(라벨된 프레임 추가) 가운데 해당하는 곳으로 갑니다. 셋 다 품질 시스템의 변경관리를 거쳐 버전을 올립니다. 제약처럼 규제가 강한 업종은 모델과 색인 변경도 검증 대상이라, 변경마다 시험 세트 재평가 결과를 남깁니다. 실패하기 쉬운 지점과 대응은 아래와 같습니다.

실제로 돌릴 때 필요한 것. AX Review가 새로 작성

현업 실행 디테일: 누가, 언제, 무엇을

한국 제조 대기업이 이 사례를 옮길 때 다섯 단계를 한 번에 만들려 하면 범위가 감당하기 어려울 만큼 커집니다. 첫 파일럿은 한 라인, 한 이탈 유형으로 좁힙니다. 지난 1년 이탈 기록에서 “늦게 발견돼 폐기나 재작업으로 이어진 유형”을 하나 고르는 것이 출발점입니다.

가상 예시. 한국 제조 대기업 공장 기준 역할 배치

시작 전 준비물. 대상 라인의 지난 12개월 이탈·불량 기록, 해당 공정 SOP 최신 개정판, 카메라를 달 위치 사진과 조명 조건, 설비 센서 목록과 PLC 태그 목록, CMMS 정비 이력, 현재 검사 인력과 교대별 검사 시간 기록이 필요합니다.

가상 예시. 한 라인·한 이탈 유형 기준

1~2주차에는 라인 리더와 QA가 과제 유형 하나를 정하고 위 KPI 정의로 기준선을 잽니다. 산출물은 과제 정의서 한 장과 기준선 표입니다. 3~6주차에는 IT/OT가 카메라와 엣지 장비를 달고 QA와 작업자가 프레임 1,000~2,000장에 정상·이탈 라벨을 붙이며 데이터 담당이 SOP와 CAPA를 색인합니다. 7~9주차는 섀도 운영입니다. AI는 판정만 기록하고 공정에는 개입하지 않으며 같은 건을 사람이 판정해 둘을 비교합니다. 10~12주차에는 AI 경보를 작업자 화면에 띄우는 제한 운영을 하고 진행 여부를 판정합니다.

현장 인터뷰 질문. 지난 1년 폐기·재작업으로 이어진 이탈 상위 10건은 무엇이고 각각 몇 시간 뒤에 발견됐나? 지금 검사는 누가, 교대당 몇 분, 무엇을 보고 하나? 경보가 뜨면 작업자는 어떤 문서를 찾고 그 문서는 어디 있나? QA는 AI 판정을 어떤 조건이면 받아들일 수 있나?

진행 판정 기준(가상 예시). 섀도 운영에서 사람 판정과의 일치율 95% 이상, 사람이 잡은 이탈을 AI가 놓친 건 0건, 오경보는 교대당 3건 이하, RAG 답변의 근거 조항 일치율 90% 이상이면 제한 운영으로 넘어갑니다. 놓친 건이 1건이라도 있으면 그 유형을 uncertain 규칙에 넣고 섀도 운영을 2주 늘립니다.

AX 적용 제언. 이 사례는 제약 공장 이야기지만 늦은 발견이 폐기로 이어지는 구조는 배터리 셀 조립, 반도체 후공정, 자동차 도장·조립 라인에도 그대로 있습니다. 순서는 인지(엣지 비전)와 판단(RAG 가이드)을 먼저 붙이고 예지정비는 센서 데이터가 정리된 설비부터, 면역 단계는 QMS의 CAPA 흐름과 연결된 뒤에 엽니다. 스폰서는 IT가 아니라 공장장이 맡는 편이 낫습니다. 성과 지표가 검사 인시, 리드타임, OEE처럼 공장 운영 숫자이기 때문입니다. 사례집 수치는 분모가 없으므로 투자 판단의 근거로 직접 쓰지 말고 우리 기준선으로 다시 잰 섀도 운영 결과로 판단합니다.

원문 사례

항목	내용
회사·사이트	Novo Nordisk (China) Pharmaceuticals, 중국 톈진
제출처	2026 Gartner Eye on Innovation Awards 헬스케어·생명과학 부문(사용자 제공 Greater China 사례집 43쪽)
사례명	AI-Powered Cognitive Shop Floor
문제	작업 오류·설비 이상·공정 이탈의 수동 발견, 늦은 탐지에 따른 폐기·납기·비용 위험
구성	엣지 AI 실시간 감시, 지능형 탐지, 구조화 지식관리. LLM·딥러닝·RAG·컴퓨터 비전·VLM
제시한 루프	인지 · 예방 · 판단 · 실행 · 면역
핵심 기술(사례집)	AI 에이전트, 컴퓨터 비전, LLM, API, 데이터·분석, 로보틱스
보고 성과(기업 보고 실적)	수동 검사시간 10%↓, 공정 리드타임 10%↓, 데이터 분석 효율 30%↑, 품질 이탈 5%↓, OEE 5%↑. 기준선·기간 미기재
공개 자료: 2021.5	세계지능대회에서 톈진 공장 스마트 제조 성과 발표, 디지털 공장 목표, 직원 1,100명(TEDA 투자 포털)
공개 자료: 2024.3	약 40억 위안 확장 기공, 아이솔레이터 충전 설비, 2027년 완료 예정, 직원 약 1,700명(TEDA 투자 포털)
공개 자료: 2026.6	1.5ml 펜 조립 능력 확대에 2억 위안 추가 투자(중국 증권 매체 보도)
공개 자료: 2026.4	본사 차원의 OpenAI 전략 제휴, 제조·공급망 포함(언론 보도). 톈진 사례와의 연결은 공개 자료에 없음

핵심 개념

OEE: Overall Equipment Effectiveness. 가용성(멈추지 않은 시간), 성능(정해진 속도 대비), 품질(양품 비율)을 곱한 설비 종합 효율.
공정 이탈(deviation): 승인된 절차나 규격에서 벗어난 사건. 제약 공장에서는 기록·조사·CAPA가 따라붙는다.
CAPA: Corrective and Preventive Action. 이탈의 원인을 고치고 재발을 막는 조치와 그 기록.
SOP: Standard Operating Procedure. 작업 순서와 기준을 적은 표준 작업 절차서. 개정판 관리가 핵심이다.
섀도 운영(shadow mode): AI가 판정만 기록하고 공정에는 개입하지 않게 돌려, 사람 판정과 비교하는 시험 운영.
MES / QMS / CMMS: 제조 실행 시스템 / 품질관리 시스템 / 설비 보전 관리 시스템. AI 판정과 경보가 최종적으로 들어가야 할 곳.
아이솔레이터(isolator): 무균 충전 공정을 외부와 완전히 막은 밀폐 작업 공간.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례집의 Novo Nordisk (China) Pharmaceutical ‘AI-Powered Cognitive Shop Floor’(슬라이드 43, 헬스케어·생명과학 부문)와, 공장 맥락을 확인한 공개 자료입니다. 공개 자료: TEDA 투자 포털 2021년 5월 기사(https://invest.teda.gov.cn/contents/1489/61329.html), 같은 포털 2024년 3월 기사(https://invest.teda.gov.cn/contents/1489/62890.html), 2026년 6월 16일 중국 증권 매체 보도(https://stock.10jqka.com.cn/20260616/c677482156.shtml), Novo Nordisk와 OpenAI 제휴 보도(https://www.ithome.com/0/938/919.htm). Cognitive Shop Floor 자체를 다룬 회사 발표나 언론 보도는 확인하지 못해, 시스템 구성과 성과는 사례집 기준입니다. 수상 여부는 공개 자료로 확인하지 않았습니다. 요약·메커니즘·사례 재구성·원문 사례 표는 이 자료를 AX Review가 다시 정리했고 메커니즘의 작동 설명 가운데 사례집에 없는 부분과 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽·표는 새로 작성했으며 숫자는 가상 예시입니다.