
챗GPT 같은 대형언어모델(LLM)이 글로 세상을 배웠다면, 제조 파운데이션 모델(MFM)은 설비의 떨림과 전류로 공장을 배운다. MFM은 제조 공정 데이터를 미리 학습해 제조 지식을 품은 범용 AI 모델이다. 언어모델과 달리 시계열·이미지·센서 데이터처럼 제조 현장의 특성을 반영한 학습 구조를 갖췄다.
쓰임새는 공정 최적화, 예지보전, 품질 개선이다. 예지보전은 설비가 고장 나기 전에 징후를 잡아 미리 손보는 일이다. 덩치도 다르다. AI팩토리 M.AX 얼라이언스는 LLM을 약 2조 파라미터, MFM을 약 8.8억 파라미터 규모로 비교했다. 해외와 국내의 학습 데이터 격차가 텍스트 3배 이상, 이미지 778배 이상, 저주파 시계열 40배에 이르지만 고주파 시계열은 비슷한 수준이라고 봤다. AI가 배우기 쉬운 데이터의 조건으로 충분히 공개돼 있는지, 의미를 알 수 있는지, 의미 단위로 나눌 규칙이 있는지를 꼽았다.
글은 단어 자체에 뜻이 있고 문법이 문장을 나눠준다. 반면 설비 진동 같은 고주파 신호는 숫자만으로 뜻을 알기 어렵고 어디서 끊어 읽을지도 분명하지 않다. 공장 데이터를 AI가 읽을 수 있게 구조화·맥락화한 'AI 레디 데이터'가 확산의 출발점으로 꼽히는 이유다.
두 모델은 경쟁 관계라기보다 짝이 될 수 있다. 정부의 제조AI 2030 전략도 LLM 등과 결합해 사람의 언어로 설비를 점검·제어하는 에이전트 형태를 현장 확산 방식의 예로 들었다.
남은 숙제는 데이터다. 서울대 국가미래전략원 정책 제안서는 제조 AI 경쟁력의 무게 중심이 '더 좋은 모델'에서 '양질의 도메인 특화 데이터'로 옮겨가고 있다고 짚었다. 텍스트·이미지는 인터넷에 방대한 데이터가 쌓여 있지만, 설비 진동 같은 고주파 시계열 데이터는 대부분 공장 안에 머문다.
해외에서는 IBM과 메타가 주도한 AI 얼라이언스의 '프로젝트 태피스트리'가 참여자의 데이터를 모아 공통 기반 모델을 만들되, 데이터 소유권은 참여 기업에 남기는 방식을 내세운다. 정부는 제조 데이터를 내놓겠다는 기업을 정부 과제에서 우선 지원하고, 라이브러리에 암호화·비식별화 보안 체계를 갖춰 기업 간 데이터를 공유할 때 자산 가치가 훼손되지 않게 하겠다는 방침이다.
안영국 기자 ang@etnews.com











