안녕하세요, 이노밸류파트너즈 대표 배용섭입니다.

지난 10월 13일(화)부터 16일(금)까지 4일 동안 인하대학교 스마트제조 교육지원센터에서 공대생들과 「제조 데이터 분석 실습과정」을 진행했습니다. 이 과정은 2026 스마트제조 전문인력 교육 및 인턴연계 프로그램의 하나입니다. 주안·부평 스마트제조 고급인력양성사업의 일환으로 열렸고, 운영은 (사)한국인더스트리4.0협회가 맡았습니다. 강의실 앞에 걸린 배너 문구처럼 "스마트를 넘어 디지털 초연결로" 가는 현장에서 일할 인재를 키우는 자리였습니다.

■ 1. 교육과정 소개 및 진행 내용

참여자는 기계공학, 신소재공학, 산업경영공학, 화학공학, 전기전자공학, 컴퓨터공학, 항공우주공학, 바이오메디컬 등 여러 전공의 공대생 21명이었습니다. 전공은 달랐지만 모두 "제조 현장의 데이터를 내 손으로 분석해 보고 싶다"는 마음으로 모였습니다.

모든 수업은 노트북 실습으로 진행했습니다. 이론을 설명한 뒤에는 바로 실제 제조 데이터로 분석해 보고, 결과를 해석하는 순서로 하루를 꾸렸습니다.

마지막 날 진행한 KNIME H2O AutoML과 JMP를 연계한 최적화 실습이 가장 반응이 좋았습니다. 진행 순서는 다음과 같습니다.

1. JMP에서 핵심 공정 변수를 고릅니다(Predictor Screening).

2. JMP로 Space Filling 설계점 500개를 만듭니다.

3. KNIME의 H2O AutoML이 여러 알고리즘을 자동으로 학습시키고, 그중 가장 좋은 예측 모델을 찾습니다.

4. 이 모델로 500개 설계점의 결과값을 예측합니다.

5. 다시 JMP로 돌아와 가우시안 프로세스(GP) 모델과 Profiler로 최적 공정 조건을 찾습니다.

학생들은 이 과정을 직접 따라 하며 두 도구를 오가는 분석 흐름을 끝까지 경험했습니다. 실제 현업 엔지니어들이 쓰는 고급 분석 방식입니다.

요즘은 "AI가 다 해 준다"는 말을 자주 듣습니다. 그런데 제조 현장에서는 오히려 데이터 분석 역량이 더 중요해지고 있습니다. 이유는 세 가지입니다.

첫째, AI의 성능은 데이터 품질이 결정합니다.

설비 센서, MES·POP, 품질검사 데이터는 결측치와 이상치가 많고, 시스템마다 형식도 다릅니다. 이 데이터를 정제하고 구조화하지 못하면 어떤 AI 모델을 써도 좋은 결과가 나오지 않습니다.

둘째, 제조 현장은 '왜'에 대한 답을 원합니다.

불량이 생겼을 때 현장이 알고 싶은 것은 예측값 하나가 아니라 원인입니다. 어떤 변수가, 어떤 조건에서, 얼마나 영향을 주는지 알아야 공정을 개선할 수 있습니다. 가설검정, 회귀분석, 실험계획법 같은 통계적 사고는 AI 시대에도 여전히 문제 해결의 기초입니다.

셋째, 통계와 머신러닝을 함께 다룰 줄 알아야 합니다.

AI 전환(AX)을 이끌 사람은 통계로 원인을 밝히고, 머신러닝으로 예측하고, 최적화로 개선안을 내는 사람입니다. 이 과정이 1일차 기초 통계에서 시작해 4일차 AutoML·Surrogate Model까지 이어지도록 짠 이유가 여기에 있습니다.

이번 과정의 가장 큰 특징은 서로 다른 강점을 가진 두 도구를 함께 배웠다는 점입니다.

▶