AX Implementation

AI Machine Vision for Fresnel Lenses: 사람이 빛에 비춰 보던 렌즈 검사를 딥러닝으로 바꿔 시간 절반

독일 광학 부품사 ORAFOL Fresnel Optics는 생산 라인에서 최대 15명이 빛에 비춰 보던 최소 4mm 프레넬 렌즈 검사를 맞춤 광학 장치와 Zebra Aurora 딥러닝 비전으로 바꿨습니다. 품질팀이 결함을 직접 라벨링해 모델을 학습시켰고, 150만 개 넘게 검사하면서 검사 시간을 절반으로 줄였습니다.

출처
Metrology and Quality News
원문 제목
ORAFOL Fresnel Optics Cuts Inspection Times in Half with AI Machine Vision Solution
유형
아티클
읽은 날
2026.11.16
원문 발행
2026.11.10

공급사가 풀지 못한 미세 렌즈 검사를 ORAFOL은 품질팀이 직접 학습시키는 딥러닝 비전으로 풀었고, 검사 시간이 절반이 됐습니다. 따라 하려면 카메라보다 결함을 드러내는 조명 장치를 먼저 설계해야 합니다. 서면 품질 사양을 판정 규칙으로 옮기고, 모델을 고치는 권한을 품질팀에 두는 일도 함께 준비해야 합니다.

요약

Metrology and Quality News는 2026년 11월 10일 Zebra Technologies의 발표를 바탕으로 독일 아폴다의 ORAFOL Fresnel Optics 사례를 전했습니다. 이 회사는 1991년부터 미세 구조 폴리머 광학 부품을 만들어 왔습니다. 광학 설계, 금형 제작, 복제 성형, 코팅, 최종 검사까지 모두 회사 안에서 합니다. 문제는 최종 검사였습니다. 프레넬 렌즈(Fresnel lens, 볼록 렌즈의 곡면을 얇은 동심원 계단으로 접어 놓은 렌즈)는 지름이 4mm까지 작고, 촘촘한 계단 구조가 결함을 가립니다. 그래서 작업자가 정해진 조명 아래에서 렌즈를 하나씩 빛에 비춰 봤고, 생산 라인을 받치는 데 최대 15명이 필요했습니다. 시중 검사 장비 업체 중 프레넬 표면의 결함을 안정적으로 잡는 곳이 없어서 회사는 직접 만들기로 했습니다. 소프트웨어는 Zebra의 Aurora Vision Studio와 Aurora Deep Learning을 골랐고, 하드웨어는 미세 구조에 맞춘 광학 장치를 따로 설계했습니다.

이전사람이 렌즈를 빛에비춰 보며 육안 검사라인당 최대 15명만든 것맞춤 광학 장치+ Aurora Vision Studio+ 직접 학습한 딥러닝지금자동 검사·자동 포장150만 개+ 처리24시간 운영
ORAFOL 검사 공정의 전후

결과로 회사는 맞춤 시스템으로 광학 렌즈를 150만 개 넘게 검사했고, 검사 시간을 수작업의 절반으로 줄였습니다. 검사는 24시간 돌아가고, 작업자 2명은 다른 전문 업무로 옮겼습니다. 두께와 치수 검사도 모든 부품에 자동으로 적용됩니다. 생산 담당자는 가장 큰 이득으로 판정이 한결같아진 점을 꼽았습니다. 서면 사양을 시스템에 넣으면 그 밖의 긁힘은 모두 불합격 처리됩니다. 회사는 같은 소프트웨어로 광학 윈도용 두 번째 시스템을 통합 파트너 ID Engineering과 만들었습니다. 결함 검출 정확도는 공개하지 않았습니다. 아래에서는 조명 장치, 직접 학습, 사양 기반 판정, 자동 셀의 역할 분담, 추적 데이터의 다섯 가지로 나눠 보고, 실제로 돌릴 때 필요한 디테일을 덧붙입니다.

검사 시간 상대값수작업 검사기준값100AI 비전 검사검사 시간 절반500100
검사 시간 상대값(수작업 = 100). 원문은 절대 시간 없이 '절반'만 밝힘

핵심 메커니즘

Multi-light Optics: 결함은 조명이 드러내고 모델은 판정한다

미세 구조 부품 검사에서는 모델보다 촬영 조건이 먼저입니다. ORAFOL의 첫 시스템은 부품을 세 가지 빛으로 비추는 광학 장치(Zebra 발표에서는 bespoke optical turret, 사례 자료에서는 optics tower로 부름)를 중심에 둡니다. 점광원(point light)은 표면의 긁힘처럼 빛을 흩뜨리는 결함을, 투과광(transmitted light)은 렌즈 안에 박힌 이물을, 반사광(reflected light)은 표면 형상의 흐트러짐을 드러내는 데 쓰입니다. 사람이 렌즈를 기울여 가며 보던 일을 조명 세 개로 나눈 셈입니다. Zebra는 Aurora가 카메라를 가리지 않아 일반 카메라로도 충분했고, 맞춤 설계가 들어간 곳은 이 광학 장치였다고 설명합니다. 이 방식은 표면 구조가 결함을 가리는 부품, 곧 렌즈·필름·사출 투명 부품에 맞습니다. 결함이 한 조명에서도 또렷한 평판 부품이라면 조명 하나로 시작해도 됩니다.

작은 예시(가상): 4mm 렌즈 한 개를 조명마다 한 장씩 세 장 찍습니다. 점광 이미지에서는 계단 모서리 근처의 긁힘이, 투과광 이미지에서는 내부 기포가 밝게 떠오릅니다.

입력4mm까지 작은 렌즈동심원 계단 구조처리점광·투과광·반사광세 조명으로 촬영출력조명마다 다른결함이 드러난 이미지
Multi-light Optics: 결함은 조명이 드러내고 모델은 판정한다

In-house Training: 모델의 주인은 품질팀이다

ORAFOL은 모델 학습을 외주로 넘기지 않았습니다. 품질팀 직원이 Aurora Vision Studio 안에서 긁힘(scratch), 오염(dirt), 내부 이물(inclusion) 같은 결함 유형을 직접 라벨링해 결함 검출 모델을 학습시켰습니다. 소프트웨어를 고른 이유도 여기에 있습니다. 회사는 지원과 교육이 좋고, 코드 없이 화면에서 설정하는 no-code 방식이며, 특정 하드웨어에 묶이지 않는 점을 들었습니다. 품질 엔지니어 Alexandra Frenzel은 필요했던 것을 이렇게 말했습니다. “a powerful tool that we could train and control ourselves.” 결함을 가장 잘 아는 사람이 모델을 고칠 수 있으면 새 결함이나 새 제품이 나올 때 외부 업체를 기다리지 않아도 됩니다. 다만 no-code는 설정 방식일 뿐이어서, 광학 장치와 통합 작업에는 여전히 엔지니어링이 들어갑니다.

작은 예시(가상): 새 금형으로 바꾼 뒤 계단 모서리에 미세한 버(burr)가 생기면, 품질 엔지니어가 그 이미지 30장을 새 라벨로 묶어 다시 학습시키고 다음 교대부터 적용합니다.

입력품질팀이 고른양품·불량 이미지처리긁힘·오염·내부 이물라벨링 후 학습(no-code)출력현장이 직접 고치고다시 학습하는 모델
In-house Training: 모델 주인은 품질팀

Spec-driven Rejection: 사람마다 다르던 판정을 하나로

육안 검사의 약점은 피로와 사람마다 다른 기준입니다. 원문은 반복 작업과 피로가 위험 요인이었다고 짚습니다. ORAFOL은 서면 품질 사양을 시스템 기준으로 옮겼습니다. 사양 밖의 긁힘은 누가 근무하든 모든 부품에서 똑같이 불합격입니다. 생산 기술 담당 Rico Traxdorf가 가장 큰 이득으로 꼽은 것도 이 일관성입니다. 같은 셀에서 두께와 치수도 모든 부품을 잽니다. 이 방식은 고객 사양이 문서로 정해져 있고 결함 크기·위치로 합부를 가를 수 있을 때 잘 맞습니다. 외관 취향처럼 사양으로 적기 어려운 판정은 사람 검토를 남겨야 합니다.

입력서면 품질 사양허용 결함 기준처리시스템에 기준 입력모든 부품에 같은 기준출력기준 밖 긁힘은 불합격두께·치수 전수 측정
Spec-driven Rejection: 사람마다 다르던 판정을 하나로

Automated Cell: 두 단계 권한과 남겨 둔 수작업

자동 셀은 검사와 포장을 함께 합니다. 작업자는 가득 찬 트레이를 갈아 끼우기만 합니다. 시스템에는 권한이 두 단계로 나뉘어 있어, 오퍼레이터 기능과 품질 전문가 기능이 분리됩니다. 현장에서 누구나 기준을 바꿀 수 없게 한 장치입니다. 모든 것을 자동으로 돌리지는 않았습니다. 물량이 적거나 형태가 자주 바뀌는 부품은 지금도 사람이 검사합니다. 자동 셀은 고물량 제품을 맡고, 학습 이미지를 모으기 어려운 소량 부품은 사람이 맡는 분업입니다.

맡는 일범위오퍼레이터가득 찬 트레이 교체운영 화면만 접근품질 전문가기준·모델 변경상위 권한자동 셀검사와 포장24시간수작업 검사소량·변형 부품계속 유지
Automated Cell: 두 단계 권한과 남겨 둔 수작업

Traceability Loop: 검사 결과가 생산 계획으로 간다

검사 셀은 합부만 내지 않습니다. 검사 전에 로트(batch) 정보를 기록하고, 부품 하나하나의 결과를 남겨 부품 단위로 추적할 수 있습니다. 품질 데이터는 생산계획 시스템으로 넘어가 불량률을 볼 수 있게 됐습니다. 회사는 도입 뒤 고객 불만이 아직 보고되지 않았다고 밝혔습니다. 검사가 데이터를 남기기 시작하면 어느 금형, 어느 로트에서 불량이 몰리는지 볼 수 있습니다. 검사 기록이 공정 개선의 출발점이 됩니다.

검사 전로트 정보 기록검사 중부품마다 결과 기록두께·치수 값검사 후생산계획 시스템으로품질 데이터 전송관리불량률 가시화부품 단위 추적
Traceability Loop: 검사 결과가 생산 계획으로 간다

통념과 다른 주장

흔히 이렇게 봅니다검사 자동화는 전문 장비 업체가 완성품으로 납품하는 것이고, 현장은 받아서 쓰기만 한다.

ORAFOL은 이렇게 봅니다어떤 공급사도 프레넬 표면 결함을 안정적으로 잡지 못했으니, 품질팀이 직접 학습시키고 통제하는 도구로 스스로 풀어야 했습니다.

근거품질팀이 결함을 라벨링해 모델을 직접 학습시켰고, 그 시스템이 고물량 제품 생산의 핵심이 됐다는 점을 들었습니다.

흔히 이렇게 봅니다AI 비전의 성능은 비싼 카메라와 큰 모델이 좌우한다.

Zebra는 이렇게 봅니다일반 카메라로 충분했고, 미세 구조를 보이게 하는 맞춤 광학 장치에 설계가 들어갔습니다.

근거점광·투과광·반사광 세 조명으로 같은 부품을 비추는 장치를 만들고, 소프트웨어는 하드웨어를 가리지 않는 Aurora를 썼습니다.

저자가 든 사례

첫 시스템: 렌즈 최종 검사

구분내용
상황최소 4mm 프레넬 렌즈를 10~15명이 빛에 비춰 육안 검사. 반복 작업과 피로로 판정이 흔들림
한 일세 조명 광학 장치 설계, Aurora Vision Studio와 Aurora Deep Learning으로 품질팀이 직접 결함 모델 학습, 자동 검사·포장
결과150만 개+ 검사, 검사 시간 절반, 24시간 운영, 작업자 2명 다른 전문 업무로, 두께·치수 전수 검사, 고객 불만 미보고
연결Multi-light Optics, In-house Training, Spec-driven Rejection
상황육안 검사 10~15명피로, 사람마다 다른 판정한 일맞춤 광학 장치 +Aurora 딥러닝 직접 학습결과검사 시간 절반, 150만 개+2명 다른 전문 업무로
사례 1: 렌즈 최종 검사

두 번째 시스템: 광학 윈도 대량 검사

구분내용
상황여러 종류의 광학 윈도를 대량으로 검사해야 함
한 일Zebra 산업 자동화 시스템 통합사 ID Engineering과 더 발전된 고물량 시스템 구축. 같은 Aurora 딥러닝 사용
결과원문에서 밝히지 않음. 회사는 현재 시스템을 계속 넓혀 갈 계획
연결Automated Cell, Traceability Loop
상황여러 광학 윈도대량 생산한 일ID Engineering과더 큰 두 번째 시스템결과같은 소프트웨어로 확장결과 수치 미공개
사례 2: 광학 윈도 대량 검사

기술 디테일: 미세 부품 딥러닝 검사를 실제로 돌린다면

아래 필드명, 설정값, 수량은 실제로 돌릴 때 필요한 것을 새로 쓴 가상 예시입니다. ORAFOL이 이렇게 운영한다는 뜻이 아닙니다.

Multi-light Optics를 돌리려면 부품 1개를 이미지 묶음 1건으로 다룹니다. 조명별 이미지를 따로 판정하면 한 결함이 세 번 잡히거나 하나도 안 잡힙니다. 세 장을 같은 부품 ID로 묶어 저장하고, 결함 후보는 어느 조명에서 나왔는지 함께 기록합니다. 촬영 위치가 흔들리면 모델이 위치 차이를 결함으로 오인하므로, 고정 지그에서 기준 마크 위치 오차를 매 부품 확인하고 오차가 크면 재촬영합니다.

1 촬영부품 1개조명 3장2 추론결함 위치·유형점수3 규칙크기·위치를사양과 비교4 판정OK / NG /재검 대기
가상 예시: 모델은 결함을 찾고, 합부는 사양 규칙이 정한다

In-house Training을 돌리려면 라벨 사전부터 고정합니다. 품질팀 안에서도 “오염”과 “이물”을 다르게 부르면 모델이 흔들립니다. 결함 유형, 정의, 판정 조명, 예시 이미지 번호를 한 표로 묶어 두고, 라벨러 두 명이 같은 이미지 100장에 붙인 라벨이 90% 이상 일치할 때 학습을 시작합니다. 모델 형태는 결함 종류에 따라 고릅니다. 결함 사례가 적고 양품이 많으면 양품만으로 학습하는 이상 탐지(anomaly detection)로 시작하고, 유형별 사례가 유형당 50장 이상 모이면 결함 위치와 종류를 함께 찾는 분할(segmentation)·검출 모델로 넘어갑니다.

{
  "part_id": "FL-04-A-20261116-001873",
  "lot_id": "LOT-2611-07",
  "mold_id": "M-112",
  "images": {"point": "pt_001873.png", "transmitted": "tr_001873.png", "reflected": "rf_001873.png"},
  "fiducial_offset_um": 12,
  "defects": [
    {"type": "scratch", "light": "point", "zone": "ring_5", "length_um": 140, "score": 0.91},
    {"type": "inclusion", "light": "transmitted", "zone": "center", "diameter_um": 35, "score": 0.62}
  ],
  "thickness_mm": 1.02,
  "diameter_mm": 4.01,
  "decision": "NG",
  "rule_id": "SPEC-FL04-v3.scratch_max_100um",
  "model_version": "fl04-seg-2026-11-10"
}

Spec-driven Rejection을 돌리려면 모델 점수와 합부 규칙을 나눕니다. 모델은 결함 후보와 크기·위치만 내고, 합부는 사양 규칙 표가 정합니다. 예를 들어 광학 중심 구역의 긁힘은 100μm 초과면 불합격, 바깥 구역은 200μm까지 허용처럼 구역별로 적습니다. 그래야 고객 사양이 바뀔 때 모델을 다시 학습시키지 않고 규칙만 바꿉니다. 모델 점수 0.4~0.7처럼 애매한 구간은 재검 대기로 보내 사람이 봅니다. 이 판정이 다음 학습 데이터가 됩니다.

상황판정다음 조치
점수 0.7 이상, 사양 초과NG자동 배출, 로트별 집계
점수 0.4~0.7재검 대기품질 전문가 확인, 결과를 라벨로 저장
점수 0.4 미만 또는 사양 이내OK자동 포장
기준 마크 오차 초과재촬영2회 연속이면 셀 정지, 지그 점검

Traceability Loop를 돌리려면 금형 ID를 검사 기록에 꼭 넣습니다. 불량이 금형 마모나 코팅 로트에서 시작되는 경우가 많기 때문입니다. 일 단위로 금형별 NG 비율을 생산계획 시스템에 보내고, 한 금형의 NG 비율이 지난 4주 평균의 2배를 넘으면 금형 점검을 요청합니다. 모델 버전도 함께 남겨야 불량률 변화가 공정 탓인지 모델 교체 탓인지 가릴 수 있습니다.

실패하는 경우와 대응. 금형이나 코팅 조건이 바뀌면 양품 이미지가 달라져 과검(멀쩡한 부품 불합격)이 늘어납니다. 금형 교체 뒤 첫 500개는 재검 비율을 따로 보고, 재검 대기 비율이 5%를 넘으면 그 금형의 양품 이미지를 추가해 재학습합니다. 반대로 놓침(불량 통과)은 자동 셀 안에서는 보이지 않으므로, 하루 한 번 OK 판정 부품 중 50개를 뽑아 사람이 다시 봅니다. 재학습한 모델은 고정 골든 세트(양품 200개, 유형별 불량 30개)로 이전 버전과 비교해 놓침이 늘지 않을 때만 배포하고, 이전 버전은 바로 되돌릴 수 있게 남겨 둡니다.

현업 실행 디테일: 누가, 언제, 무엇을

아래 역할, 일정, 기준은 ORAFOL 사례를 참고해 새로 짠 가상 예시입니다.

역할맡는 일
생산 책임자(스폰서)대상 제품 선정, 병행 기간과 인력 전환 결정
품질 엔지니어(모델 주인)라벨 사전, 학습·재학습, 사양 규칙 관리, 상위 권한
생산 기술 엔지니어조명 장치·지그 설계, 셀 레이아웃, 트레이 흐름
숙련 검사원 2~3명결함 이미지 수집과 라벨링, 병행 검사
통합 파트너장비 통합, 포장 자동화, 고물량 셀 구축
MES·생산계획 담당로트·금형 ID 연동, 불량률 전송

준비물. 고객별 서면 품질 사양, 최근 1년 결함 유형별 불량 건수, 결함 견본 실물(유형당 20개 이상), 양품 견본, 현재 검사 인원과 부품당 검사 시간, 고객 클레임 이력이 필요합니다. 첫 주에 “사양으로 적을 수 있는 결함”과 “사람이 계속 볼 결함”을 나눕니다.

준비구축검증판정1~2주사양·결함 사전3~6주장치·라벨링7~10주병행 검사11~12주전환 판정
가상 예시: 12주 도입 일정
기간할 일산출물
1~2주대상 제품 1종 선정, 사양을 구역별 규칙으로 정리, 결함 사전 확정사양 규칙 표, 라벨 사전
3~6주조명 시안 2~3개 시험, 결함 견본 촬영, 라벨링·첫 학습조명 선정 기록, 첫 모델
7~10주사람 검사와 병행, 판정 불일치 건 원인 분류병행 비교표, 재학습 모델
11~12주판정 기준으로 전환 여부 결정, 다음 제품 선정전환 판정서, 확대 계획

현장 검사원에게 물을 것.

  1. 렌즈를 어떤 각도로, 어떤 빛에서 볼 때 결함이 가장 잘 보이나요?
  2. 사람마다 판정이 갈리는 결함은 무엇이고, 그때 누가 최종 결정하나요?
  3. 고객 클레임으로 돌아온 불량 중 검사에서 놓친 유형은 무엇이었나요?
  4. 금형을 바꾼 직후 많이 나오는 결함이 따로 있나요?
  5. 소량·변형 부품 중 앞으로도 사람이 봐야 할 것은 무엇인가요?

진행 판정 기준(예시). 병행 검사 4주 동안 세 가지를 봅니다. 사람이 불합격시킨 부품을 시스템도 잡았는지(놓침 0.5% 이하), 시스템이 불합격시킨 부품 중 실제 양품 비율이 얼마인지(과검 3% 이하), 부품당 검사 시간이 줄었는지입니다. 셋을 모두 넘으면 해당 제품을 자동 셀로 넘기고 사람은 재검 대기와 일일 표본 검사만 맡습니다. 하나라도 못 넘으면 조명이나 라벨을 고쳐 4주 더 병행합니다.

AX 적용 제언. 광학 렌즈, 디스플레이·광학 필름, 투명 사출품, 2차전지 분리막처럼 표면 구조가 결함을 가리는 부품을 만드는 기업이라면 ORAFOL의 순서를 그대로 옮길 만합니다. 물량이 가장 큰 제품 하나를 골라 조명 장치부터 시험하고, 모델은 품질팀이 직접 학습시키는 도구로 고릅니다. 장비 업체 선정 기준에 “우리 품질팀이 재학습할 수 있는가”와 “합부 규칙을 모델과 분리해 바꿀 수 있는가”를 넣으면 도입 뒤에도 현장이 주도권을 쥡니다. 검사 데이터를 금형·로트 ID와 묶어 생산계획 시스템에 보내면, 검사 자동화가 인력 절감에서 끝나지 않고 불량 원인 추적으로 이어집니다.

원문 사례

항목내용
원문Metrology and Quality News, 2026.11.10. Zebra Technologies 발표 기반
회사ORAFOL Fresnel Optics GmbH(독일 아폴다), ORAFOL Group 사업부. 1991년부터 미세 구조 폴리머 광학 부품 생산, 설계부터 최종 검사까지 자체 수행. 머신 비전·센서·조명·디스플레이·태양광 시장에 600종 이상 공급
이전 검사정해진 조명 아래 육안 검사. 생산 라인에 최대 15명(사례 자료 기준 10~15명)
부품지름 4mm까지 작은 프레넬 렌즈, 동심원 계단 미세 구조
도구Zebra Aurora Vision Studio, Aurora Deep Learning. 맞춤 광학 장치(점광·투과광·반사광), 일반 카메라
학습품질팀이 긁힘·오염·내부 이물 라벨링해 직접 학습
운영자동 검사·포장, 트레이 교체만 사람, 두 단계 권한, 소량·변형 부품은 수작업 유지
결과150만 개+ 검사, 검사 시간 절반, 24시간, 작업자 2명 전환, 두께·치수 전수 검사, 로트 기록·부품 단위 추적, 생산계획 시스템으로 품질 데이터 전송, 고객 불만 미보고. 정확도 미공개
두 번째 시스템광학 윈도 고물량 검사, 통합 파트너 ID Engineering
등장 인물Alexandra Frenzel(ORAFOL 품질 엔지니어), Rico Traxdorf(ORAFOL 생산·기술), Jason Harvey(Zebra EMEA AI·자동화 부사장)

핵심 개념

Fresnel lens
볼록 렌즈의 두꺼운 곡면을 얇은 동심원 계단으로 접어, 같은 집광 효과를 얇은 판에서 내는 렌즈입니다.
Machine vision
카메라와 조명, 소프트웨어로 부품을 찍어 치수를 재거나 결함을 판정하는 자동 검사 기술입니다.
투과광·반사광 조명
부품 뒤에서 빛을 통과시키면 내부 이물이, 앞에서 비춰 반사를 보면 표면 형상 결함이 잘 보입니다.
No-code 학습 도구
코드를 쓰지 않고 화면에서 이미지에 라벨을 붙이고 모델을 학습시키는 도구입니다. 장치 설계와 통합은 별도 작업입니다.
System integrator
카메라, 조명, 소프트웨어, 이송·포장 장비를 묶어 현장 라인에 설치하는 통합 전문 업체입니다.
Traceability
부품 하나가 어느 로트·설비에서 나와 어떤 검사 결과를 받았는지 거슬러 찾을 수 있게 남기는 기록 체계입니다.

내 메모

TODO: 내 생각 추가

원문은 Metrology and Quality News의 「ORAFOL Fresnel Optics Cuts Inspection Times in Half with AI Machine Vision Solution」(2026.11.10)입니다. 기사 페이지를 직접 열 수 없어, 같은 매체의 11월 16일 뉴스 묶음에 실린 기사 첫머리로 발행일과 내용을 확인하고, 기사가 바탕으로 삼은 Zebra 고객 사례 「ORAFOL Fresnel Optics Automates Quality Inspection of Complex Microstructured Lenses with Zebra」(zebra.com)와 Zebra 발표를 인용한 MarketScale 기사(2026.11.01)로 세부를 보강했습니다. 수치는 모두 ORAFOL과 Zebra가 밝힌 값이며 독립 검증된 값이 아닙니다. 요약, 핵심 메커니즘, 통념과 다른 주장, 사례는 이 자료에 나온 내용을 AX Partners가 다시 정리했습니다. 조명별로 잘 드러나는 결함 유형 설명, 기술·현업 디테일의 필드명, 설정값, 일정, 질문, 판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것을 새로 작성한 가상 예시입니다. 전체 내용은 원문에서 볼 수 있습니다.

Related

함께 읽으면 좋은 노트

AX Implementation아티클

Peak Integration: Waters가 신약 품질검사 판독은 AI로 줄이고 IT는 늘리지 않는 법

Fortune · John Kell

Waters는 Empower에 AI Peak Integration을 붙여 크로마토그램 판독의 수작업 개입을 95% 줄였다고 밝혔고 상위 10위권 제약사와 1년 반을 들여 만들었습니다. BD 사업부 인수로 회사가 두 배 넘게 커졌지만 IT 인력 약 8,500명 중 20명가량만 넘어왔고 CIO는 IT 조직을 두 배로 늘리는 대신 AI로 바꾸겠다고 말합니다. 예외 판독 큐 설계와 인수 통합 12주 계획을 붙였습니다.

CIO·CTO현업 리더AX 추진
#품질 검사#사례 2026.11.05 ↗
AX Implementation포스트

국내 기업 AX 소식: 위험한 자리에 사람 대신 AI와 로봇이 먼저 선다 (11월 13일 묶음)

국내 언론 묶음 · 1건

11월 13일 묶음은 한국일보가 정리한 철강·조선 4개사의 AI 안전 적용 1건입니다. 포스코는 전로 산소 투입량을 AI 자율조업 시스템이 정하고 고로 주변 점검은 4족 보행로봇 스팟에 맡겼으며, 세아베스틸은 에버가드와 4년 동안 현장 데이터 약 600만 개를 분석해 핵심 공정을 250개 구역으로 나눈 안전 솔루션을 내년 상반기까지 군산·창녕공장에 구축합니다.

현업 리더AX 추진CIO·CTO
#사례#산업 안전 2026.11.14 ↗
AX Implementation아티클

AI Park: GE Appliances가 공장 직원에게 AI 도구를 열어 주고 성과 난 시범만 넓히는 방식

IndustryWeek · Dennis Scimeca

GE Appliances는 공식 지원 AI 도구를 모은 AI Park를 열고 공장이 자기 예산으로 AI 해법을 만들게 합니다. AP5 표면 검사는 약 3개월 만에 투자를 회수해 120만 달러를 아꼈고 AP3 누수 판정 정확도는 87%에서 99%로 올랐습니다. 도구 허브와 IT 가드레일, 8주 시범안을 붙였습니다.

현업 리더AX 추진CIO·CTO
#사례#품질 검사 2026.11.06 ↗