Physical AI Random Picking: JTEKT가 기존 라인에 AI PC만 더해 부품 피킹 성공률을 97.1%로 올린 실증

JTEKT는 자동차 부품 라인의 랜덤 피킹에 피지컬 AI를 붙여, 고난도 조건에서 성공률을 85.0%에서 97.1%로 올리고 평균 사이클타임을 16% 줄였습니다. 로봇을 바꾸지 않고 기존 설비에 AI PC만 더했습니다. 따라 하려면 먼저 실패가 몰리는 조건을 정의하고 기준선을 재야 합니다. 그다음 AI가 막혔을 때 기존 제어로 돌아가는 경로를 설계해야 합니다.

요약

일본 베어링·스티어링 부품 업체 JTEKT(ジェイテクト)는 2026년 11월 2일 자사 공장의 피지컬 AI 실증 결과를 발표했고 MONOist가 11월 4일 이를 보도했습니다. 무대는 아이치현 다카하마시에 있는 다도사키(田戸岬) 공장의 CVJ(constant velocity joint, 등속 조인트) 생산 라인입니다. 대상 공정은 random picking(랜덤 피킹: 정렬되지 않고 섞여 있는 부품을 하나씩 집어 옮기는 일)입니다. 부품마다 놓인 위치와 자세가 달라서 높은 수준의 인식과 유연한 동작 제어가 필요합니다. 기존 제어 방식은 환경이 바뀌면 대응하기 어려웠습니다. JTEKT는 Upstage AI, 카라쿠리(Karakuri)와 함께 AWS재팬의 피지컬 AI 개발 지원 프로그램에 뽑혔습니다. 그리고 2026년 3월 19일부터 8월 31일까지 이 라인에서 실증을 했습니다.

과제에서 결과까지: 다도사키 공장 CVJ 라인 실증

결과는 성능 차이가 가장 크게 드러나는 고난도 조건에서 측정했습니다. 피킹 성공률은 기존 제어 85.0%에서 97.1%로 12.1%p 올랐고 평균 사이클타임은 16% 줄었습니다. 카메라 영상으로 부품의 위치와 상태를 AI가 알아보고 어디를 잡아 어떻게 옮길지도 AI가 스스로 고릅니다. 이 AI는 가상 공간에서 먼저 학습한 뒤 실제 로봇에 옮겼습니다. 빠른 위치 검출 AI와 정밀한 형상 인식 AI를 함께 써서 정확도와 속도를 둘 다 챙겼습니다. 기존 설비에는 AI용 PC만 추가했습니다. JTEKT는 다음 단계로 이미 자동화한 다른 공정에서 사람 개입을 없애는 것과 숙련공에 의존하는 공정에 피지컬 AI를 넣는 것을 꼽았습니다. 아래에서는 이 결과를 만든 다섯 가지 메커니즘을 풀고 같은 실증을 우리 라인에서 돌릴 때 필요한 기술·현업 디테일을 붙입니다.

고난도 조건 피킹 성공률(0 기준). JTEKT 발표 수치

핵심 메커니즘

Random Picking: 섞여 있는 부품을 보고 하나씩 집기

무엇인가. 통이나 트레이에 정렬 없이 담긴 부품을 로봇이 하나씩 집어 다음 공정으로 넘기는 작업입니다. 공장에서는 bin picking(통 피킹)이라고도 부릅니다.

어떻게 작동하나. 카메라가 통 안을 찍으면 인식 단계가 부품 하나하나의 위치와 자세를 계산합니다. 그중 집기 좋은 부품을 하나 고르면 로봇이 집어서 정해진 위치로 옮깁니다. 부품이 빠질 때마다 더미 모양이 바뀌므로 매 사이클 처음부터 다시 판단해야 합니다.

언제 쓰고 언제 안 쓰나. 부품을 정렬해 공급하는 파츠 피더나 전용 지그를 두기 어려운 곳, 품종이 자주 바뀌는 곳에 씁니다. 한 품종을 대량으로 흘리는 라인이라면 정렬 공급 장치가 더 싸고 안정적일 수 있습니다.

원문의 예. JTEKT는 CVJ 라인에서 위치와 자세가 일정하지 않은 부품을 꺼내는 공정을 골랐습니다. 성과가 가장 크게 갈리는 고난도 조건에서 결과를 쟀습니다.

작은 예시(가상 예시). 기어 블랭크 200개가 담긴 통에서 위쪽 부품은 평평하게 누워 있고 아래쪽은 기울어져 겹쳐 있습니다. 통이 비어 갈수록 겹친 부품과 벽에 붙은 부품이 늘어 실패가 몰립니다. 이런 구간이 “고난도 조건”의 전형입니다.

Random Picking: 정렬되지 않은 부품을 보고 하나씩 집어 옮기는 공정

Two-stage Recognition: 빠른 위치 검출과 정밀 형상 인식을 나눠 쓰기

무엇인가. 인식을 두 개의 AI로 나눈 구성입니다. 고속 위치 검출 AI가 먼저 어디에 부품이 있는지 빠르게 찾으면 고정밀 형상 인식 AI가 고른 후보의 모양과 자세를 정확히 판정합니다.

어떻게 작동하나. 이미지 전체를 무거운 모델로 보면 정확하지만 느립니다. 그래서 가벼운 모델이 넓게 훑어 후보를 추리고 무거운 모델은 추린 후보에만 씁니다. 사이클타임 안에 정밀 판정까지 끝낼 수 있는 이유가 여기에 있습니다.

언제 쓰고 언제 안 쓰나. 화면에 대상이 많고 그중 하나만 정확히 알면 되는 작업에 맞습니다. 부품이 늘 한 개만 놓이는 공정이라면 한 단계로 충분합니다.

원문의 예. JTEKT는 두 AI를 조합해 정확도와 처리 속도를 함께 확보했다고 밝혔습니다. 성공률이 오르면서 평균 사이클타임도 16% 줄었다는 결과가 이 구성과 맞닿아 있습니다.

작은 예시(가상 예시). 1단 모델이 통 안에서 후보 12개를 찾아 점수 상위 5개만 넘기면 2단 모델이 그중 1~2개의 자세를 정밀하게 계산합니다.

두 AI의 역할 분담: 넓게 빨리 보고, 좁게 정확히 본다

Grasp·Transport Selection: 잡을 곳과 옮기는 동작을 AI가 고르기

무엇인가. 인식 결과를 받아 부품의 어느 부분을 잡을지(파지 위치)와 어떤 경로로 옮길지(반송 동작)를 AI가 매번 판단하는 단계입니다.

어떻게 작동하나. 같은 부품이라도 누운 방향과 주변 부품에 따라 잡을 수 있는 면이 달라집니다. AI는 인식한 상태를 보고 가장 성공 가능성이 높은 파지 위치와 동작을 고릅니다. JTEKT는 이 AI가 현실의 변화에 맞춰 동작을 조정한다고 설명합니다.

언제 쓰고 언제 안 쓰나. 부품 자세가 매번 다르고 사람이 규칙을 다 적어 두기 어려울 때 씁니다. 자세가 몇 가지로 정해져 있다면 규칙 기반 티칭이 더 단순합니다.

원문의 예. 기존 제어는 환경이 바뀌면 대응에 한계가 있었습니다. AI가 파지와 반송을 고르게 하면서 고난도 조건 성공률이 97.1%가 됐습니다. 실패 비율로 바꿔 보면 15.0%에서 2.9%로 줄어든 셈입니다(발표 수치로 계산).

작은 예시(가상 예시). 벽에 기대 선 부품은 바깥 테두리를 잡으면 벽과 부딪히므로, AI가 안쪽 구멍을 잡고 먼저 위로 들어 올린 뒤 옮기는 동작을 고릅니다.

Grasp·Transport 선택: 정해진 궤적 대신 매번 판단

Sim2Real: 가상 공간에서 학습해 실제 로봇에 옮기기

무엇인가. 가상 공간에서 부품, 통, 로봇을 재현해 AI를 학습시킨 뒤 그 결과를 실제 설비로 옮기는 방법입니다. Sim2Real은 simulation to real의 줄임말입니다.

어떻게 작동하나. 실제 라인에서 실패를 수천 번 겪으며 학습시키면 시간이 오래 걸리고 설비도 멈춰야 합니다. 가상 공간에서는 부품 더미 모양과 조명을 바꿔 가며 시행을 빠르게 반복할 수 있습니다. 학습을 마친 AI를 실제 로봇에 얹고 현장에서 동작을 확인합니다.

언제 쓰고 언제 안 쓰나. 부품의 CAD 데이터가 있고 라인을 오래 세우기 어려운 곳에 맞습니다. 표면 반사나 변형처럼 가상 공간에서 재현하기 어려운 특성이 성패를 가르면 실제 데이터로 보정하는 비중이 커집니다.

원문의 예. JTEKT는 실증 범위 첫 항목으로 가상 공간 학습과 실제 환경 동작 검증을 두었습니다. 2026년 4월 프로그램 채택 발표에서는 Sim2Real로 시제품 비용과 시간을 줄이겠다고 밝힌 바 있습니다.

작은 예시(가상 예시). 가상 공간에서 통 하나에 부품을 무작위로 쏟는 장면을 수만 번 만들어 학습한 뒤, 실제 라인에서는 한 교대 동안 섀도 모드(판단만 기록하고 동작은 기존 제어가 맡는 방식)로 결과를 대조합니다.

Sim2Real: 시제품 비용과 시간을 줄이려고 가상 공간에서 먼저 학습

Retrofit with AI PC: 설비를 바꾸지 않고 판단만 더하기

무엇인가. 기존 로봇과 설비는 그대로 두고 인식·판단을 맡는 AI용 PC를 추가해 붙이는 도입 방식입니다.

어떻게 작동하나. AI PC가 카메라 영상을 받아 인식과 파지 계획을 맡고 그 결과를 기존 설비가 실행합니다. 라인을 새로 짜지 않으니 도입 부담이 작습니다.

언제 쓰고 언제 안 쓰나. 로봇과 카메라가 이미 있고 성공률이 문제인 라인에 맞습니다. 로봇의 가반 하중이나 그리퍼 형태가 부품과 맞지 않는다면 판단만 바꿔서는 풀리지 않습니다.

원문의 예. JTEKT는 기존 설비에 AI PC를 더하는 것만으로 큰 개조 없이 적용했다고 밝혔습니다. 실증 범위 세 번째 항목도 기존 설비 적용성과 도입 부담 감소 검증이었습니다. 회사는 이 방식으로 여러 품종과 형상이 불규칙한 부품에도 유연하게 대응할 수 있다고 설명합니다.

작은 예시(가상 예시). 이미 비전 피킹 셀 6대를 쓰는 공장이라면, 셀마다 AI PC를 붙이는 비용과 일정만으로 확대 계획을 세울 수 있습니다.

Retrofit: 기존 설비 위에 판단만 더한다(왼쪽은 비교용 일반 방식)

통념과 다른 주장

흔히 이렇게 봅니다피킹 자동화의 성공률을 올리려면 로봇 셀이나 비전 설비를 새로 들여야 한다.

JTEKT는 이렇게 봅니다로봇과 설비는 그대로 두고 판단하는 AI만 바꿔도 성공률과 속도를 함께 올릴 수 있다.

근거기존 설비에 AI PC만 추가해 큰 개조 없이 적용했습니다. 고난도 조건 성공률이 85.0%에서 97.1%로 올랐습니다.

흔히 이렇게 봅니다인식을 더 정확하게 하면 계산이 늘어 사이클타임이 길어진다.

JTEKT는 이렇게 봅니다빠른 위치 검출과 정밀한 형상 인식을 나눠 쓰면 정확도와 속도를 함께 얻는다.

근거두 AI를 조합한 결과 성공률이 12.1%p 오르면서 평균 사이클타임은 16% 줄었습니다.

평균 사이클타임(기존 = 100). 성공률이 오르면서 시간도 줄었다

저자가 든 사례

AWS재팬 피지컬 AI 개발 지원 프로그램 채택

상황: 일본 제조 현장은 다품종 생산, 일손 부족, 숙련공 고령화와 기능 전승 문제를 안고 있습니다. 한 일: JTEKT는 2026년 4월 7일 Upstage AI, 카라쿠리와 함께 이 프로그램에 뽑혔다고 발표했습니다. 역할은 이렇게 나눴습니다. JTEKT는 실증 현장과 제조 데이터, 도메인 지식을 냅니다. Upstage AI는 현장 데이터를 AI가 쓸 수 있게 구조화하고 모델 개발을 돕습니다. 카라쿠리는 AI 모델 개발을 맡습니다. 결과: 이 공동 작업이 다도사키 공장 실증으로 이어졌습니다. 11월 발표는 세 회사가 실증을 함께 추진했다고만 밝혔고 회사별 세부 역할은 밝히지 않았습니다. 연결: Sim2Real, Retrofit with AI PC.

다도사키 공장 CVJ 라인 실증

상황: 위치와 자세가 제각각인 부품을 꺼내는 공정에서 기존 제어는 환경 변화에 약했습니다. 한 일: 2026년 3월 19일부터 8월 31일까지 가상 공간에서 학습한 AI를 로봇에 적용하고 성공률과 사이클타임을 쟀습니다. 결과: 고난도 조건 성공률 85.0%에서 97.1%, 평균 사이클타임 16% 단축. 적용은 AI PC 추가로 끝냈습니다. 연결: 다섯 메커니즘 전부.

다음 단계: 사람 개입 제로와 숙련 공정

상황: 이미 자동화한 공정에도 사람이 손대야 하는 순간이 남아 있습니다. 숙련자에게 기대는 공정은 기능 전승이 과제입니다. 한 일: JTEKT는 이번 성과를 다른 자동화 공정으로 넓혀 성공률을 올리고 사람 개입을 없애는 것, 숙련 공정에 피지컬 AI를 넣어 기능을 전승하고 암묵지를 형식지로 바꾸는 것을 다음 목표로 밝혔습니다. 결과: 원문에서 밝히지 않음(계획 단계). 연결: Retrofit with AI PC, Grasp·Transport Selection.

채택에서 다음 단계까지(날짜는 JTEKT 발표 기준)

기술 디테일: 실제로 돌릴 때 필요한 것

Random Picking의 성공을 재려면 먼저 “성공”과 “고난도 조건”을 문서로 못 박습니다. 성공은 한 번의 시도로 부품을 집어 지정 위치에 정해진 자세로 놓은 경우로 정하고 재시도 끝에 성공한 경우는 따로 셉니다. 고난도 조건은 통 잔량, 겹침 여부, 벽 접촉, 품종 같은 조건으로 정의합니다. JTEKT도 결과를 고난도 조건으로 한정해 발표했습니다. 조건별로 최소 500회 이상 시도해야 1~2%p 차이를 우연과 구분할 수 있습니다. 시도마다 아래처럼 한 줄씩 남깁니다(필드 이름과 값은 가상 예시).

{
  "cell_id": "CVJ-L2-PICK01",
  "attempt_id": 48211,
  "ts": "2026-07-14T10:22:05.410Z",
  "controller": "ai",
  "model_version": "detect-v3.2 / shape-v1.8",
  "condition": {"bin_fill_pct": 18, "overlap": true, "wall_contact": true},
  "candidates": 5,
  "grasp": {"point": "inner_bore", "score": 0.91},
  "result": "success",
  "retries": 0,
  "cycle_time_ms": 6120
}

controller 필드로 기존 제어와 AI를 같은 표에서 비교하고 condition으로 고난도 조건만 걸러 성공률을 냅니다.

Two-stage Recognition의 시간 예산을 나누려면 목표 사이클타임에서 거꾸로 계산합니다. 인식에 쓸 수 있는 시간을 정한 뒤 1단 검출, 2단 정밀 인식, 파지 계획에 나눠 줍니다. 1단에는 실시간 객체 검출 계열의 가벼운 모델을, 2단에는 CAD 모델과 맞대어 6축 자세를 구하는 pose estimation(자세 추정) 모델이나 점군 정합을 쓰는 구성이 흔합니다(JTEKT는 모델 이름을 밝히지 않았으므로 이는 일반적인 예입니다). 1단은 가볍게 유지하고 넘길 후보 수(예: 상위 5개)로 속도를 조절합니다. 2단이 예산을 넘기면 후보 수를 줄이거나 입력 해상도를 낮춥니다. 깊이 정보가 필요하면 3D 카메라나 스테레오 카메라를 쓰는데, 기존 카메라로 충분한지 먼저 확인해야 Retrofit 장점이 살아납니다.

가상 예시: 인식 시간 예산을 단계별로 나눈 예(합 100%)

Grasp·Transport Selection의 실패에 대응하려면 재시도 규칙을 미리 정합니다. 1차 실패는 다음 후보로 바로 재시도합니다. 2회 연속 실패면 통을 흔들거나 다시 찍어 더미 모양을 바꿉니다. 3회 연속 실패면 기존 제어로 넘기거나 작업자를 부릅니다. 실패 사유는 “못 찾음”, “잡다 놓침”, “옮기다 떨어뜨림”, “놓을 때 자세 틀림”으로 나눠 기록해야 어느 단계를 고칠지 보입니다. JTEKT가 다음 목표로 든 사람 개입 제로는 결국 3단계 호출 횟수를 0에 가깝게 만드는 일입니다.

가상 예시: 실패 횟수별 대응 단계

Sim2Real 학습을 준비하려면 부품 CAD, 통 치수, 카메라와 로봇의 설치 위치, 조명 실측값이 필요합니다. 가상 공간에서는 조명 세기, 표면 반사, 부품이 쌓이는 모양을 무작위로 바꿔 가며 학습시킵니다(domain randomization). 금속 가공품처럼 반사가 심한 부품은 실제 이미지 수백 장으로 보정합니다. 실기에 올린 뒤에는 같은 조건에서 가상 공간 성공률과 실제 성공률의 차이를 재고 차이가 크면 그 조건을 가상 공간에 다시 반영합니다.

가상 예시: 가상 학습에 넣을 것과 실기에서 확인할 것

Retrofit with AI PC를 붙이려면 AI PC를 카메라와 로봇 컨트롤러 사이에 둡니다. AI PC는 이미지를 받아 목표 좌표와 동작을 계산해 넘기고 실제 동작 제어와 안전 정지는 기존 컨트롤러에 남깁니다. 연결은 현장에서 이미 쓰는 산업용 이더넷이나 로봇 제조사가 제공하는 외부 좌표 입력 기능을 씁니다. AI PC가 응답하지 않으면 정해진 시간(예: 2초) 뒤 기존 제어로 자동 전환해 라인이 서지 않게 합니다. 모델은 버전을 붙여 관리하고 새 버전은 섀도 모드로 한 교대 이상 돌린 뒤 바꿉니다.

가상 예시: AI PC는 판단만 맡고 동작 제어는 기존 컨트롤러에 남긴다

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
공장장·생산기술 부서장	대상 셀 선정, 목표 성공률과 사이클타임 승인, 확대 판정
생산기술 엔지니어	성공·고난도 조건 정의, 기준선 측정, 재시도 규칙 설계
로봇·제어 엔지니어	AI PC와 컨트롤러 연동, 자동 전환 시험, 안전 확인
AI·비전 엔지니어(외부 파트너 포함)	가상 공간 구축, 학습, 실기 보정, 모델 버전 관리
라인 작업자·반장	실패 사례 표시, 개입 횟수 기록, 현장 변화 알림
숙련 작업자	잡기 어려운 자세와 요령 설명(다음 단계인 숙련 공정 적용의 출발점)

준비물. 대상 셀의 최근 3개월 피킹 실패 기록과 작업자 개입 횟수, 품종별 부품 CAD, 통과 카메라·로봇 배치도, 로봇 컨트롤러의 외부 입력 사양, 현재 사이클타임과 라인 목표 택트가 필요합니다. 기준선은 기존 제어로 4주 동안 조건별로 직접 잽니다. JTEKT처럼 외부 파트너와 함께 한다면 현장 데이터를 어디까지 넘길지 미리 합의합니다.

기간	할 일	산출물
1~4주	대상 셀 선정, 성공·고난도 조건 정의, 기존 제어 기준선 측정	조건 정의서, 조건별 성공률·사이클타임 기준선
5~10주	가상 공간 구축, 학습, 오프라인 이미지로 인식 정확도 확인	학습 모델 1차, 가상 공간 성공률
11~16주	AI PC 설치, 섀도 모드로 판단만 기록, 자동 전환 시험	AI와 기존 제어의 판단 비교 로그, 전환 시험 결과
17~24주	실가동 A/B 비교(교대별 교차), 확대 여부 판정	성공률·사이클타임 비교 보고서, 두 번째 셀 적용 견적

가상 예시: JTEKT 실증 기간(약 5개월 반)에 맞춘 24주 계획

현업에 물을 것.

지금 피킹 실패가 가장 많이 나는 조건은 통이 얼마나 비었을 때, 어떤 품종에서인가요?
교대당 작업자가 셀에 손대는 횟수는 몇 번이고 한 번에 몇 분이 걸리나요?
피킹 실패 1회가 라인 전체 택트에 주는 영향은 몇 초인가요?
기존 로봇과 그리퍼로 잡을 수 있는 자세인데 인식이나 판단 때문에 놓치는 경우가 얼마나 되나요?
AI PC가 멈추면 기존 제어로 돌릴 건가요, 셀을 세우고 작업자를 부를 건가요?

진행 판정 기준(예시). 섀도 모드에서 AI가 고른 파지 위치가 실제 성공 사례와 90% 이상 맞아야 실가동으로 넘어갑니다. 실가동 4주 동안 고난도 조건 성공률이 기준선보다 5%p 이상 높고 평균 사이클타임이 기준선보다 길지 않아야 합니다. 작업자 개입이 기준선 대비 절반 이하로 줄면 두 번째 셀로 넓힙니다.

AX 적용 제언. 자동차 부품, 베어링, 공작기계 부품처럼 금속 가공품을 통 단위로 공급하는 제조사에 바로 옮길 수 있는 사례입니다. 첫 대상은 로봇과 카메라가 이미 있는데 성공률 때문에 작업자가 자주 붙어 있는 셀로 고릅니다. 설비 투자 없이 효과를 보여 줄 수 있어서 현업 스폰서를 얻기 쉽습니다. 성과 지표는 성공률 하나보다 작업자 개입 횟수와 사이클타임을 함께 봅니다. JTEKT가 다음 단계로 사람 개입 제로를 꼽은 것도 같은 맥락입니다. 숙련 공정 적용은 피킹 셀에서 데이터 수집과 모델 운영 체계를 갖춘 뒤 2단계로 둡니다.

원문 사례

항목	내용
기사	MONOist FA 뉴스, 2026.11.04 게재(편집부)
1차 자료	JTEKT 보도자료(2026.11.02), JTEKT 프로그램 채택 발표(2026.04.07)
현장	다도사키(田戸岬) 공장(아이치현 다카하마시), CVJ 생산 라인
기간	2026.03.19~08.31
대상 공정	위치·자세가 일정하지 않은 부품의 랜덤 피킹
실증 범위	가상 공간 학습 후 실제 로봇 적용, 성공률·사이클타임 측정, 기존 설비 적용성과 도입 부담 검증
구성	카메라 인식, 고속 위치 검출 AI + 고정밀 형상 인식 AI, 파지 위치·반송 동작 자율 판단, AI PC 추가
결과(고난도 조건)	성공률 85.0% → 97.1%(+12.1%p), 평균 사이클타임 16% 단축
파트너	AWS재팬 피지컬 AI 개발 지원 프로그램, Upstage AI, 카라쿠리
다음 단계	기존 자동화 공정의 사람 개입 제로, 숙련 공정의 기능 전승과 암묵지 형식지화
배경 전략	제2기 중기 경영 계획의 “디지털 모노즈쿠리”, 사내 유학 제도, 전사 디지털 행사, AI 플랫폼·AI 에이전트

핵심 개념

CVJ: constant velocity joint(등속 조인트). 엔진 힘을 바퀴로 전하면서 각도가 바뀌어도 회전 속도를 고르게 유지하는 자동차 구동 부품입니다.
피지컬 AI: 카메라·센서로 현실을 보고 로봇 같은 장치를 직접 움직이는 AI를 묶어 부르는 말입니다.
사이클타임: 한 번 집어 옮기는 동작이 시작해서 끝날 때까지 걸리는 시간. 라인 생산성과 바로 이어집니다.
VLA: Vision Language Action. 이미지와 언어, 동작을 함께 학습해 로봇 행동을 내는 모델. JTEKT의 4월 채택 발표에서 활용 계획으로 언급됐습니다.
domain randomization: 가상 공간의 조명·재질·배치를 무작위로 바꿔 가며 학습해, 실제 환경과의 차이에 덜 흔들리게 만드는 기법입니다.
섀도 모드: 새 AI가 판단만 내려 기록하고 실제 동작은 기존 제어가 맡는 시험 운영 방식입니다.
디지털 모노즈쿠리: JTEKT 제2기 중기 경영 계획의 성장 전략. 데이터와 AI로 제조 방식을 바꾸는 활동을 가리킵니다.

내 메모

TODO: 내 생각 추가

원문은 MONOist에 실린 「ジェイテクト、AIで部品取り出し成功率97.1％達成、サイクルタイム16％短縮」(2026.11.04, 편집부)입니다. 같은 사건의 1차 자료인 JTEKT 보도자료(2026.11.02, jtekt.co.jp/news/2026/005742.html)와 AWS재팬 프로그램 채택 발표(2026.04.07, jtekt.co.jp/news/2026/005243.html)를 함께 읽었습니다. 실증 범위 세 항목, 파트너별 역할, Sim2Real·VLA 언급은 JTEKT 발표에서 가져왔습니다. 실패 비율(15.0% → 2.9%)과 사이클타임 지수(100 → 84)는 발표 수치로 계산한 값입니다. 요약, 핵심 메커니즘의 원문 예, 통념과 다른 주장, 사례, 원문 사례 표는 이 자료들의 내용을 AX Review가 다시 정리했습니다. 기술 디테일, 현업 실행 디테일, JSON 예시, 시간 예산, 재시도 규칙, 일정표, 판정 기준, 인포그래픽은 실제로 돌릴 때 필요한 내용을 새로 작성했으며 가상 예시는 그렇게 밝혔습니다. 원문은 사용한 AI 모델 이름, 카메라 사양, 학습 데이터 규모, 고난도 조건의 정의를 밝히지 않았습니다. 전체 내용은 원문에서 볼 수 있습니다.