추가 적립 안내

“인공지능 중소벤처 제조 플랫폼(KAMP)을 활용한 코딩 없는 AI 분석”
“KAIST와 UNIST 교수진 집필 및 제조AI 전문가 인터뷰”

국내 제조 생태계에 IoT센서가 부착된 스마트공장의 확산이 제조업 4차 산업혁명 패러다임 변화의 주축이 됨에 따라 제조데이터와 인공지능(AI) 기술의 중요도가 더욱더 증대되고 있다. 본 책은 제조데이터 및 AI 분석을 처음 접하는 입문자가 편하게 내용을 이해할 수 있도록 핵심 위주로 기술했기에 초보자도 포기하지 않으면 끝까지 진도를 다 클리어할 수 있게 될 것이다. 추가로 본 책은 복잡한 수식의 해석보다 독자들이 실무에서 제조데이터를 직접 분석하고 활용할 수 있게 책을 구성했다는 특징이 있다. 이 책을 읽고 난 후에는 제조데이터, 제조AI 분석의 문턱을 넘어 실제 현업에서 인공지능 중소벤처 제조 플랫폼(KAMP)의 분석지원도구를 활용하여 제조현장에서 수집된 제조데이터의 AI 분석을 수행할 수 있게 될 것이다.

본 책은 실제 제조현장인 공장에서 수집해 구성한 제조특화 AI데이터셋이 풍부하게 제공된다는 장점이 있다. 또한 본 책은 제조데이터의 기술통계에서부터 제조AI 분석에 이르기까지 폭넓은 실습 기회를 제공한다. 보다 실효성 있는 교육을 위해 본 책은 다양한 제조환경에서 AI 분석 경험을 보유한 국내 최고의 제조AI 분석 전문가들이 함께 책을 집필하였다. 이 책을 읽은 여러분들이 국내 제조기업에 AI 결합을 통한 제조혁신 및 경쟁력 강화을 이끌어낼 수 있는 제조AI 고급인력으로 성장하여 국내 제조혁신의 주인공이 되기를 바란다.

머리말

Chapter 1. 제조AI 분석 기초

1-1. 제조AI가 부각된 시대적 배경
1-2. 제조데이터란?
1-2-1. 제조데이터 정의 및 구분
1-2-2. 제조데이터 특징
1-2-3. 제조업에 AI 적용목적

1-3. 제조AI 적용 및 분석절차
1-3-1. 제조현장 AI 적용목적 파악
1-3-2. 제조AI 분석모텔 구축
1-3-3. 제조데이터 수집
1-3-4. 제조데이터 전처리
1-3-5. 대상공장 특화, 제조AI모델 창출/적용
1-3-6. 분석결과 및 함의도출
1-3-7. 제조AI모델 평가

Chapter 2. 기술통계

2-1. 제조AI와 기술통계
2-1-1. 기술통계란?
2-1-2. 제조AI 분석과 기술통계

2-2. 기술통계 실습하기
2-2-1. 분석 실습 개요
2-2-2. 전체 구조 파악하기
2-2-3. 분석하기
2-2-4. 결과 해석하기

Chapter 3. 상관분석

3-1. 제조AI와 상관분석
3-1-1. 상관분석이란?
3-1-2. 제조AI 분석과 상관분석

3-2. 상관분석 실습하기
3-2-1. 분석 실습 개요
3-2-2. 전체 구조 파악하기
3-2-3. 분석하기
3-2-4. 결과 해석하기

Chapter 4. 회귀분석

4-1. 제조AI와 회귀분석
4-1-1. 회귀분석이란?
4-1-2. 제조AI 분석과 회귀분석

4-2. 회귀분석 실습하기
4-2-1. 분석 실습 개요
4-2-2. 전체 구조 파악하기
4-2-3. 분석하기
4-2-4. 결과 해석하기

Chapter 5. 계층적 군집분석

5-1. 제조AI와 계층적 군집분석
5-1-1. 계층적 군집분석란?
5-1-2. 제조AI 분석과 계층적 군집분석

5-2. 계층적 군집분석 실습하기
5-2-1. 분석 실습 개요
5-2-2. 전체 구조 파악하기
5-2-3. 분석하기
5-2-4. 결과 해석하기

Chapter 6. K-평균 군집분석

6-1. 제조AI와 K-평균 군집분석
6-1-1. K-평균 군집분석이란?
6-1-2. 제조AI 분석과 K-평균 군집분석

6-2. K-평균 군집분석 실습하기
6-2-1. 분석 실습 개요
6-2-2. 전체 구조 파악하기
6-2-3. 분석하기
6-2-4. 결과 해석하기

Chapter 7. 랜덤 포레스트

7-1. 제조AI와 랜덤 포레스트
7-1-1. 랜덤 포레스트란?
7-1-2. 제조AI 분석과 랜덤 포레스트

7-2. 랜덤 포레스트 실습하기
7-2-1. 분석 실습 개요
7-2-2. 전체 구조 파악하기
7-2-3. 분석하기
7-2-4. 결과 해석하기

Chapter 8. 합성곱 신경망

8-1. 제조AI와 합성곱 신경망
8-1-1. 합성곱 신경망란?
8-1-2. 제조AI 분석과 합성곱 신경망

8-2. 합성곱 신경망 실습하기
8-2-1. 분석 실습 개요
8-2-2. 전체 구조 파악하기
8-2-3. 분석하기
8-2-4. 결과 해석하기

Chapter 9. 다층퍼셉트론

9-1. 제조AI와 다층퍼셉트론
9-1-1. 다층퍼셉트론이란?
9-1-2. 제조AI 분석과 다층퍼셉트론

9-2. 다층퍼셉트론 실습하기
9-2-1. 분석 실습 개요
9-2-2. 전체 구조 파악하기
9-2-3. 분석하기
9-2-4. 결과 해석하기

맺음말

2021년 세계경제포럼(WEF)에서 향후 5년간 제조 분야에서 가장 큰 변화는 AI “머신러닝Machine Learning이 결정할 것이다.”라는 중론이 나왔다. 디지털경제라는 시대적 상황하에서 국내 또한 스마트공장의 질적 고도화와 현장 직원들의 업무 효율성 향상을 위해 제조데이터와 AI 분석의 중요성이 더욱 중요시되고 있다.

대표적인 제조업 선진국인 독일사례를 살펴보자. 독일은 이러한 제조데이터의 중요도를 인지하고 1996년 제조업 엔지니어링에 특화된 슈퍼컴퓨터 센터, HLRS(THE HIGH PERFORMANCE COMPUTING CENTER STUTTGART)를 자동차 제조업 밀집지역인 Stuttgart에 설립하였다. 2019년 24 PetaFLOPs(PF) 성능의 국가 차원의 슈퍼컴퓨터 “Hawk” 구축 계획을 발표하였다. 즉, 독일은 제조기업들의 제조데이터 증진을 국가 차원의 슈퍼컴퓨팅 센터로 지원하고 있는 것이다.

제조AI란 제조현장인 공장에서 스스로 결정을 내릴 수 있는 일종의 소프트웨어다. 제조현장에 제조 빅데이터 기반의 AI 분석을 적용하는 목적은 크게 ① technical perspective, ② business perspective 관점으로 살펴볼 수 있다. 사실 이 두 관점은 독립적으로 있는 것이 아니다. 상호작용하는 관계이다.

제조AI 분석을 위한 제조데이터 품질 체크리스트는 완전성(Completeness), 유일성(Uniqueness), 유효성(Validity), 일관성(Consistency), 정확성(Accuracy), 무결성(Integrity)으로 구성되어 있다. 제조AI 관점에서 해당 체크리스트는 독립적으로 작용하는 것이 아니라 서로 연계되어 제조AI데이터 품질에 영향을 준다. 따라서 제조데이터 품질은 전사적 관점에서 체계적인 통합관리가 필요하다.

- 이 책 본문 中에서