GS칼텍스, 노코드 AI로 제조 현장 디지털 전환 속도 높였다
한국 독자에게 왜 중요할까?
GS칼텍스가 아마존 세이지메이커를 활용해 현장 엔지니어의 노코드 모델을 실제 생산 공정에 도입한 사례로, 국내 제조 업계의 실질적인 AI 전환 모델을 제시합니다.
최근 국내 제조 현장에서는 현장 지식을 가진 엔지니어와 데이터 기술을 다루는 인공지능(AI) 전문가 간의 협업이 중요한 과제로 떠오르고 있습니다. GS칼텍스는 아마존의 '세이지메이커 캔버스(SageMaker Canvas)'라는 노코드(No-code) 도구를 활용해 이 문제를 해결했습니다. 노코드란 코딩을 하지 않고도 시각적인 환경에서 소프트웨어를 개발하는 기술을 말합니다. 이를 통해 현장 엔지니어들은 복잡한 프로그래밍 언어를 배우지 않아도 자신의 공정 노하우를 담은 AI 모델을 직접 만들고 검증할 수 있게 되었습니다.
모델이 완성되면 이를 실제 공정에 적용하는 과정은 머신러닝(ML) 엔지니어의 몫입니다. 기존에는 이러한 과정이 수동으로 이루어져 많은 시간이 소요되었습니다. 하지만 GS칼텍스는 세이지메이커 파이프라인(Pipelines)을 활용해 이 과정을 자동화했습니다. 파이프라인은 데이터 준비부터 모델 배포까지의 단계를 하나의 자동화된 흐름으로 연결하는 체계입니다. 결과적으로 모델 배포에 걸리는 시간을 기존 일주일가량에서 단 몇 시간 수준으로 대폭 단축하는 성과를 거두었습니다.
이번 협업 모델의 핵심은 역할 분담에 있습니다. 공정 엔지니어는 데이터의 의미와 예측 결과의 유효성을 판단하는 데 집중하고, 머신러닝 엔지니어는 이를 바탕으로 안정적인 운영 환경을 구축합니다. 또한 30분 단위로 필요한 데이터만 처리하는 배치 추론(Batch Inference) 방식을 도입했습니다. 이를 통해 AI 모델을 24시간 계속 구동할 필요가 없어지면서 추론 비용을 의미 있게 절감했다는 것이 회사 측의 설명입니다.
현장 엔지니어가 만든 모델을 실제 공정에 넣기 위해서는 데이터 형식이나 처리 과정을 다시 점검해야 합니다. GS칼텍스는 모델이 검증되면 '모델 레지스트리(Model Registry)'에 등록하고, 머신러닝 엔지니어가 이를 승인하는 절차를 거쳐 배포합니다. 이 과정에서 원본 모델의 전처리 로직을 그대로 재사용함으로써, 현장의 의도가 왜곡되지 않고 생산 공정에 정확히 반영되도록 설계했습니다.
GS칼텍스의 이번 사례는 국내 제조 업계에 실질적인 AI 전환(DX) 모델을 제시합니다. 단순히 AI 기술을 도입하는 것을 넘어, 현장 인력과 전문 엔지니어가 유기적으로 협력할 수 있는 시스템을 구축했기 때문입니다. 이는 제조 현장의 디지털 전환이 기술적 완성도뿐만 아니라, 기존 조직의 역량을 어떻게 AI와 결합하느냐에 달려 있음을 잘 보여줍니다.
원문: AWS — Production MLOps at GS Caltex with Amazon SageMaker Canvas, part 1