전문 지식 없이도 업계에서 손쉽게 AI 활용하기/ Beckhoff - Technical Report

TwinCAT Machine Learning Creator는 AI 모델 학습을 자동화하고 산업 어플리케이션에 간편하게 사용할 수 있도록 지원한다. © Beckhoff

인공지능(AI)은 매우 범용적이면서 동시에 프로세스 자동화를 위한 성공적인 기술이다. 지금까지 가능했던 기존 알고리즘에 기반한 자동화의 한계를 뛰어넘을 수 있다. 그럼에도 불구하고 AI의 장점은 AI 전문 지식 없이도 해당 AI 모델을 쉽게 사용할 수 있어야만 산업 어플리케이션에서 확립될 것이다. 바로 이것이 Beckhoff가 TwinCAT Machine Learning Creator ( 트윈캣머신러닝크리에이터 )소프트웨어를 개발하게 된 계기이다.

계란을 ‘양호’, ‘깨짐’, ‘더러움’으로 분류하기 위한 이미지 분류 데이터 세트 업로드. © Beckhoff

기존의 알고리즘 기반 자동화는 일련의 규칙과 같이 상당히 엄격한 구조에 의존한다. 상황 A가 발생하면 B로 대응하여 원하는 결과 C를 얻는다. 즉, 정의된 상황에서 원하는 결과까지의 경로를 미리 예측한 다음 구현하는 것이다. 반면 AI 기반 방식은 예제를 사용하여 상황부터 결과까지의 경로를 자동으로 학습하므로 사람이 명시적으로 생각하고 알고리즘으로 옮길 필요가 없다.

산업 환경에는 수많은 잠재적 AI 어플리케이션이 존재하며, 현재 AI 기반 외관 검사가 가장 선두에 있다. 여기에는 제조 제품의 최종 라인 검사, 품질 또는 기타 속성 등급으로 분류하는 작업(주로 천연 제품), 광학 프로세스 모니터링 및 분류 등이 포함된다. 이 광범위한 어플리케이션 분야의 구체적인 예는 다음과 같다.

–모양 및 표면 품질과 관련하여 금속 본체의 최종 검사 수행

–과일, 목재 표면, 양모와 같은 천연 제품을 다양한 품질 등급으로 분류

–재활용을 위한 폐기물 분류

–프로세스 구역 모니터링 (예: 레이저 용접 중)

–특정 객체를 찾고 파악하도록 설계된 시각적 위치 파악 작업 처리

이러한 작업을 처리하는 AI 기반 방법은 적절하게 학습된 경우 학습된 알고리즘이 입력 데이터의 변화에 매우 탄력적이라는 점에서 뛰어난 특성을 보인다. 즉, 잘 학습된 인공지능은 한계가 있더라도 익숙하지 않은 상황에서 효과적으로 대처할 수 있다는 것을 의미한다. 제조된 제품의 결함, 레이저 용접 프로세스의 이상, 전혀 동일하지 않은 목재 표면 등 알고리즘은 이러한 모든 미지의 요소에 대응할 수 있어야 한다.

엄청난 잠재력을 고려할 때, 오늘날 기업이 직면한 진정한 과제는 산업 규모에 맞는 AI 모델을 만들 수 있는 숙련된 인력이 부족하다는 점이다. 데이터 과학 및 머신 러닝 학위 프로그램은 이제 대학에서 보편화되었지만, 현재 취업 시장에서 AI 전문가에 대한 수요는 공급을 훨씬 초과하고 있다. 또한 AI 전문가는 자동화 또는 프로세스 전문가와 함께해야만 자동화 문제를 성공적으로 해결할 수 있다. 바로 이 부분에서 Beckhoff가 등장한다. TwinCAT Machine Learning Creator는 정교한 AI 학습 프로세스를 자동화하여 자동화 또는 프로세스 전문가가 직접 AI 모델을 만들 수 있도록 지원한다. 따라서 이 기술의 잠재력은 모든 사람에게 직접 적용될 수 있다.

AI 모델 학습. © Beckhoff

Beckhoff AI 생태계

Beckhoff는 산업용 컨트롤러(PLC)에서 직접 AI 모델을 실행하는 데 중점을 두고 산업용 AI 어플리케이션을 위한 완벽한 생태계를 제공한다. 다양한 센서는 EtherCAT 필드버스 및 해당 EtherCAT 네트워크 디바이스를 통해 제어 시스템에 연결할 수 있다. 견고한 산업용 카메라, 산업용 등급의 렌즈, 조명 디바이스 등 시스템에 통합된 광범위한 비전 하드웨어도 사용할 수 있다. 센서 정보는 AI를 포함하여 직접 처리할 수 있는 PC 기반 컨트롤러로 전송된다. 학습된 AI 모델을 위한 PLC 통합 실행 모듈은 TwinCAT Machine Learning Server, TwinCAT Vision Neural Networks, TwinCAT Neural Network Inference Engine의 형태로 제공된다. CPU의 컴퓨팅 리소스와 선택적으로 사용 가능한 NVIDIA GPU의 리소스에 모두 액세스할 수 있다. AI 실행 모듈은 개방형 표준 'ONNX'에 저장되어 있는 학습된 AI 모델을 로드한다. 이를 통해 사용자는 어떤 환경에서도 자유롭게 AI 모델을 학습한 다음 TwinCAT 컨트롤러에서 실행할 수 있다. 초소형 산업용 PC, C6043을 통해 Beckhoff는 업계 표준에 따라 NVIDIA의 임베디드 GPU가 통합된 확장 가능한 하드웨어를 제공한다. 이를 통해 전체 Beckhoff 생태계는 AI 모델을 기계의 제어 레벨에 통합하는 데 최적으로 맞춰져 있다.

제어 통합 AI 모델은 그 결과를 제어 시스템에서 직접 사용하여 작업을 수행할 수 있다는 이점을 제공한다. 예를 들어 부품이 배출되거나, 다운스트림 프로세스에서 특수 처리되거나, 방금 완료된 프로세스를 다시 통과하는 경우 머신 제어 시스템에서 해당 정보를 계산하여 즉시 사용할 수 있다. 또한 제어를 위한 복잡한 인터페이스, 독립적인 유지보수 및 업데이트 일정, 별도의 IT 보안 프로토콜을 갖춘 비용 집약적인 추가 하드웨어 디바이스가 더 이상 필요없다.

AI 모델 분석. © Beckhoff

자동화된 AI 모델 생성

Beckhoff는 개방형 제어 기술의 철학에 따라 ONNX 표준을 지원하여 사용되는 AI 학습 환경에 관계없이 기존 PLC 통합 실행 모듈을 AI 모델에 맞게 설계했다. ONNX 파일은 학습된 AI 모델을 관련 파라미터가 있는 연산자 시퀀스로 설명한다. 이러한 설명 파일은 TwinCAT Machine Learning Server와 같은 TwinCAT 3 기능을 사용하여 불러온 후 PLC에서 실행할 수 있지만, 일반적으로 AI 모델 학습에 사용되는 PyTorch나 Scikit-learn과 같은 관련 AI 프레임워크는 파이썬 프로그래밍 환경에서 학습 데이터를 준비하고 AI 모델 구조를 만든 후 AI 모델을 학습시키는 AI 전문가를 대상으로 한다.

이제 TwinCAT Machine Learning Creator는 데이터 업로드, 모델 학습, 모델 분석 및 다운로드 단계를 안내하는 웹 기반 인터페이스 형태로 훨씬 더 간단한 접근 방식을 제공한다. 타겟 그룹에는 데이터 과학에 대한 특별한 배경 지식이 없는 자동화 및 프로세스 전문가가 포함되며, AI 모델의 학습 프로세스를 표준화하는 것이 목표다.

데이터 업로드

머신 러닝의 전체 개념은 예제를 통한 학습을 중심으로 전개된다. 이를 염두에 두고 작업을 학습하는 데 사용할 수 있는 깨끗하고 대표적인 데이터 세트를 확보하는 것이 필수적이다. 이는 일반적으로 주석이 달린 데이터 세트를 필요로 한다. 예를 들어 이미지 분류 분야에서는 특정 수의 샘플 이미지가 이미 사람에 의해 분류되었음을 의미한다. 결과적으로 각 이미지에는 원하는 결과를 나타내는 고유한 종류의 라벨이 있다. 이미지와 라벨 간의 관계는 라벨 파일에 의해 설정되며, 가장 간단한 경우 파일 이름과 해당 라벨이 포함된 테이블로 구성된다.

데이터 업로드는 개방형이며 다양한 이미지 데이터 형식과 라벨 파일 형식을 지원한다. 이는 사용자가 필요한 경우, 라벨링 도구를 자유롭게 선택할 수 있음을 의미한다. 현재 TwinCAT Analytics Data Scout를 라벨링 도구로 사용하여 TwinCAT 컨트롤러에서 TwinCAT Machine Learning Creator로의 데이터 통합을 달성하기 위한 작업이 진행 중이다.

학습된 AI 모델 다운로드. © Beckhoff

AI 모델 학습

AI 학습 세션의 구성은 모델 이름을 생성하고 학습 프로세스에 데이터 세트(또는 여러 데이터 세트)를 추가하는 등 간결하게 유지된다. 다른 모든 구성은 선택 사항이며, 필요한 경우 TwinCAT 컨트롤러의 AI 모델 런타임 동작을 지정할 수 있다. 생성할 AI 모델을 실행할 Beckhoff TwinCAT 하드웨어 플랫폼과 TwinCAT 소프트웨어가 지정되면, 사용자는 AI 모델에 대해 허용되는 최대 실행 시간을 지정할 수 있다. 이 정보는 AI 모델 생성 프로세스에서 고려된다. 최대 실행 시간을 지정하지 않으면 최적화는 전적으로 AI 모델 성능(일반화 기능)을 기반으로 한다.

AI 모델 분석

AI 모델, 특히 TwinCAT Machine Learning Creator로 만든 심층 신경망(딥러닝 모델)은 매우 우수한 일반화 특성을 가지고 있다. 이는 모델의 예상 성능도 매우 우수하다는 것을 의미하지만, 신경망은 직접적인 분석이 아니라 특수한 분석 방법을 통해서만 해독할 수 있는 ‘블랙박스’와 같다. 이러한 방법을 ‘설명 가능한 AI’라고도 한다.

학습된 AI 모델의 분석 방법은 다양하다. 소프트웨어는 업로드된 데이터 세트를 모델 학습에 사용되는 학습 데이터와 모델 분석에 사용되는 테스트 데이터로 자동으로 분리한다. 테스트 데이터에는 라벨을 통해 결과를 알 수 있는 AI 모델에 대해 알 수 없는 경우가 포함된다. 이를 통해 통계 값을 계산하고 모델이 얼마나 자주 정확하고 얼마나 자주 틀리게 되는지 보여줄 수 있습니다. 예를 들어 혼동 행렬은 '실제' 라벨과 '예측' 라벨이 어떻게 분포되어 있는지에 대한 자세한 정보를 제공합니다. 각 모델 실행에 대해 신뢰도 값을 계산하여 통계적으로 표시할 수도 있다. 각 모델 실행에 대한 관심도 맵을 생성하여 입력 이미지 위에 중첩했을 때 분류에 사용된 이미지 영역을 표시할 수도 있다.

설명 가능한 AI 방법은 AI 모델의 수용성을 높이는 역할을 한다. 결국, 학습된 모델이 어떻게 작동하는지에 대한 보다 근본적인 통찰력을 확보한 사람만이 궁극적으로 모델을 사용할 준비가 된 것이다.

AI 모델 다운로드

AI 모델을 학습하고 머신 제어 시스템에 통합할 준비가 되면 플랫폼에서 ONNX 파일로 다운로드할 수 있다. 즉, AI 모델은 TwinCAT의 실행에 얽매이지 않고 모든 플랫폼에서 필요한 만큼 자주 배포할 수 있다. 또한 TwinCAT의 전체 PLC 코드는 플랫폼에서 PLCopen XML 형식으로 다운로드할 수 있다. 여기에는 이미지 획득 및 이미지 전처리부터 AI 모델 실행 및 후처리까지 전체 프로세스 흐름이 포함된다. 학습 도구에서 TwinCAT PLC로의 전환은 그에 따라 원활하게 이루어진다.

학습 플랫폼에서 ONNX 파일을 내보낼 때 얻을 수 있는 또 다른 장점은 AI 전문가가 참여할 수 있다는 점이다. 이러한 전문가들은 TwinCAT Machine Learning Creator를 사용하여 표준화된 방식으로 빠르게 초기 AI 모델을 얻을 수 있다. 그런 다음 ONNX 형식의 결과를 개별 전문가 도구로 가져와서 추가 분석이나 모델 개선 등 계속 작업할 수 있다.