AI는 전자 제품 공장이 표면 실장(SMT) 라인에서 유령 결함(phantom defects)을 추적하는 데 소비하는 시간을 획기적으로 줄여줄 수 있습니다. 새로운 단계별 플레이북은 제조업체가 AOI(자동 광학 검사) 오검출(false calls)의 우선순위를 정하는 AI 모델을 시범 운영하여, 검사자가 실제 문제가 숨어 있을 가능성이 가장 높은 이미지에 집중할 수 있도록 하는 방법을 제시합니다.
AOI 시스템은 모든 잠재적 결함을 표시하지만, 대부분의 알람은 부품 모양이나 솔더 퍼짐의 무해한 변형으로 판명됩니다. 검사자는 이러한 "오검출"을 분류하는 데 시간을 허비하는 반면, 실제 결함은 때때로 다음 테스트 스테이션으로 넘어가 버리기도 합니다. 이 가이드의 핵심 전제는 간단합니다. AI를 AOI 결정 엔진을 대체하는 용도가 아니라, 가장 위험한 알람이 먼저 나타나도록 알람의 순서를 재정렬하는 용도로 사용하는 것입니다.
이 문제가 지금 중요한 이유
SMT(표면 실장 기술) 라인은 인간의 재검사 여유가 거의 없을 정도로 빠르게 가동됩니다. 오검출이 알람 스트림을 점유하면 작업자는 라인을 멈추고 각 이미지를 수동으로 확인하며 수리 조치를 기록해야 합니다. 이러한 병목 현상은 인건비를 상승시키고 처리량을 저하시킵니다.
시범 운영 프레임워크 – 아이디어에서 자산까지
좁고 안전한 목표 설정 시범 운영은 AOI 알람의 순위만 매겨야 하며, 보드를 자동으로 승인하거나 거부해서는 안 됩니다. 결정을 인간의 손에 맡겨두어야 모델이 품질 위반을 몰래 초래하는 것을 방지할 수 있습니다.
기준점(Baseline) 수립 모델이 데이터에 접근하기 전에 현재 지표를 기록하십시오: 오검출률, 보드당 평균 검사 시간, 결함 유출률(defect escape rate), FPY(직행률). 이 수치들을 개선을 위한 척도로 사용하십시오.
풍부하고 연결된 데이터 수집 AOI 이미지와 함께 검사자의 판정, 할당된 수리 코드, 최종 테스트 결과, 그리고 일련번호, 타임스탬프, 장비 레시피와 같은 컨텍스트 필드를 함께 추출하십시오. 데이터 세트가 풍부할수록 모델은 더욱 정교해집니다.
데이터 오염 방지 설계 변경 지시서(ECO)는 종종 부품의 풋프린트나 패드 패턴을 변경합니다. ECO 전후의 이미지를 혼합하면 모델에 혼란을 주어 예측 성능이 떨어집니다. 리비전(revision) 또는 변경 날짜별로 데이터를 분할하십시오.
의미 있는 레이블 적용 "결함/결함 없음"이라는 이진 분류 대신 "재작업 필요", "엔지니어링 검토 필요" 또는 "허용 가능한 변형"과 같은 카테고리를 사용하십시오. 세분화된 레이블은 모델에 각 알람의 심각성에 대한 더 명확한 신호를 제공합니다.
올바른 데이터 분할 기록을 훈련 세트와 테스트 세트로 무작위로 섞으면 실제 운영 환경보다 모델이 더 좋게 보일 수 있습니다. 테스트 세트가 보지 못한 미래 데이터를 진정으로 반영할 수 있도록 시간 범위나 제품 리비전별로 분할하십시오.
실제 사용 환경에서의 검증 훈련 후 검증 배치의 순위를 매기고, 실제 결함이 리스트의 상위 20% 안에 얼마나 포함되는지 측정하십시오. 모델이 대부분의 실제 문제를 조기에 찾아낸다면 통제된 배포를 시작할 준비가 된 것입니다.
모델을 생산 자산으로 취급 하드웨어 리비전을 추적하는 것과 동일한 변경 관리 시스템에 모든 버전, 훈련 데이터 세트, 하이퍼파라미터 조정을 기록하십시오. 이러한 감사 추적(audit trail)을 통해 신뢰를 가지고 모델을 롤백하거나 업데이트할 수 있습니다.
교체하지 말고 병행 운영 AI 순위 엔진을 기존 검사 흐름과 병행하여 배포하십시오. 승인 기준을 변경하기 전에 몇 주 동안 AI의 권장 사항을 검사자의 결정 및 최종 테스트 결과와 비교하십시오.
확장하기 전에 반복 개선 성공적인 시범 운영은 끝이 없는 실험이 아니라 통제된 프로세스 변화입니다. 모델이 기준 지표를 지속적으로 개선하면 예측 유지보수나 공급업체 품질 관리와 같은 다른 유스케이스에도 이 방법론을 재사용하십시오.
리스크 및 대응 방안
- 데이터 품질이 핵심 – 불완전한 타임스탬프나 누락된 수리 코드는 성능이 떨어지는 노이즈 섞인 모델을 만듭니다. 규율 있는 데이터 수집 루틴은 필수입니다.
- 모델 드리프트(Model drift) – 새로운 부품은 "정상" 이미지의 통계적 프로필을 변화시킵니다. 동일한 변경 관리 프로세스에 따라 정기적으로 재학습을 수행하여 드리프트를 완화해야 합니다.
- 인간 참여형(Human-in-the-loop) 피로도 – 알람의 순위를 매기는 작업이라 하더라도 검사자는 여전히 많은 이미지를 검토해야 합니다. 순위 지정이 실제 결함과 노이즈를 제대로 분리하지 못하면 기대했던 시간 절감 효과는 사라집니다. 보드당 검사 시간을 지속적으로 모니터링하십시오.
향후 주목할 점
AOI 순위 지정 시범 운영을 성공적으로 마친 제조업체는 예측 유지보수나 공급업체 품질 관리와 같은 다른 유스케이스로 그 패턴을 확장할 수 있습니다.
핵심 요약: AI는 정제되고 버전 관리가 되는 데이터에 기반하며, 실제 결함 발생 사례를 통해 검증된 우선순위 알림 시스템을 결합할 때에만 SMT 라인의 효율성을 실질적으로 높일 수 있습니다. 모델을 일회성 데모가 아닌 생산 자산으로 취급한다면, 그 성과는 반복 가능한 경쟁 우위가 될 것입니다.