미국 내 도로 및 주거 지역, 건설 현장에서는 일본 기업의 차량 및 기계가 매일 사용되고 있습니다. 이에 축적되어 온 품질 및 유지보수 지식은 물리적 AI 시대에 어떻게 살아남을 수 있을까요. AI 학습용 데이터의 정비 및 어노테이션을 담당하는 브라이센에서, 미국 법인 BRYCEN USA의 설립을 담당한 깻가와 고문 氏가, 지난년도와 이번 출장을 합쳐 18개 주, 약 15,000km를 운전한 경험을 바탕으로 생각합니다. 현지 리포트의 최종 회는, 도로변 기계와 사업의 기점인 디트로이트의 역사와 현재를 따라갑니다.
지난년도와 이번 미국 출장을 합쳐 약 15,000km를 자동차로 운전했다. 이렇게 긴 거리를 직접 운전하면서 점차 “미국”이라는 단어 자체에 어색함을 느끼게 된다.
우리는 보통 “미국 시장”, “미국 자동차 사회”와 같은 하나의 단어로 표현한다. 하지만 주 경계를 넘을 때마다 풍경이 달라진다. 도로가 바뀌고, 운전하는 차량도 바뀐다. 도시와 교외에서는 생활 방식 또한 다르다.
그 풍경을 보면서 물리적 AI를 생각했다. AI가 차량, 로봇, 건설 기계, 농업 기계를 작동할 때, 마주하는 세상은 상상 이상으로 복잡한 것은 아닐까. 그리고 현실의 환경에서 기계를 계속 사용하기 위해 축적되어 온 지식은 오히려 중요해질 것이라고 생각한다.
약 15,000km의 이동으로 본 도로. 비행기로 도시를 돌기만으로는 알 수 없는 지역별 차이가 있었다. (기자 촬영)
## 도로를 달리는 것만으로도 조건은 계속해서 변한다
광대한 고속도로를 거대한 트레일러와 함께 달리는 경우도 있고, 도시의 복잡한 교차선을 달리는 경우도 있다. 도로 공사로 인해 갑자기 차선이 바뀌는 경우도 있다. 포장 상태나 흰 선의 가시성도 일정하지 않다. 운전하다 보면, 이러한 차이를 하나씩 몸으로 받아들이게 된다.
포장 상태 또한, 공사로 인한 차선 변화 때문이기도 하다. 주행 환경은 일률적이지 않다. (기자 촬영)
사람은 경험을 바탕으로 상황을 판단하지만, 자율주행과 같은 시스템에는 주변을 인식하고 판단하며 행동하는 과정이 필요하다. 차량이나 로봇의 판단 결과는 현실적인 동작으로 나타난다. 모델의 성능을 향상시키는 것뿐만 아니라, 조건의 차이를 어디까지 포착하고 안전하게 움직일 수 있는지 확인해야 한다.
15,000km를 주행해서 자율주행이 깨달았다는 말처럼 말하고 싶지 않다. 다만, 자신의 눈앞에서 계속 변하는 도로를 지켜보면 “자율주행”이라는 단어 뒤에 숨겨진 어려움을 조금이나마 실감할 수 있었던 것 같다.
## 잔디나 건설 현장에도 일본 기업의 기계가 있다
도로에서 약간 시선을 돌리면, 다른 기계가 눈에 들어온다. 미국의 주거 지역에는 놀라울 정도로 넓게 잘 관리된 잔디밭이 있다. 당연히 그 상태가 자연적으로 유지되는 것은 아니다. 누군가가 기계를 사용하여 깎고 관리하고 있다.
이번에 본 브랜드 중 하나가 Kubota(쿠보타)였다. 이동 도중에는 그 판매 지점을 발견하기도 했다. 건설 및 도로 공사 현장에서는 Caterpillar, John Deere 등 미국 브랜드와 함께 Komatsu(코마츠) 기계를 보는 기회도 있다. 도로를 달리는 일본 차량과 더불어, 토지를 정리하고 유지하는 기계에도 일본 기업들이 관여하고 있다.
왼쪽: 이동 중 경로에서 발견한 Kubota 판매 지점. 오른쪽: SCAG 제조사의 상업용 잔디깎기. 일본과 미국, 각 기업의 기계가 현지에서 사용되고 있다. (기자 촬영)
이는 일본 기업이 미국을 장악하고 있다는 의미는 아니다. 내가 느낀 것은 일본 기업의 기술이 현지 일상 속에 깊숙이 자리 잡고 있다는 것이었다. 잔디를 유지하고, 토지를 정비하고, 도로와 건물을 만들고, 사람과 물건을 운반한다. 뉴스에 오르지 않는 빈도이지만, 누군가가 멈추지 않으면 삶은 지속될 수 없다.
기계를 작동시키면 진동이 발생한다. 마모되고, 더러워지고, 고장도 날 수 있다. 온도와 습도, 사용 인물까지 달라진다. 그러한 환경에서 오랫동안 사용되는 제품에는 안전성, 내구성, 품질, 유지보수 용이성이 요구된다. 나는 이러한 것들을 축적해 온 경험을 “현실 세계를 다루는 능력”으로 정의하고 싶다.
AI 모델을 제작하는 것과 AI를 탑재한 기계를 현실 환경에서 오래도록 작동시키는 것은 각각 필요한 작업이 있다. 물리적 AI를 고려할 때에는 이미 현장에서 사용되고 있는 제품이나, 지속적으로 사용하기 위한 지견에도 주목해야 했다고 생각했다.
## 포드 박물관에서 생각해낸, 표준화와 재현성
그것을 생각하면서 미국 내 사업 전개의 발원지인 디트로이트를 보면, 이 지역의 역사가 상징적으로 떠오른다. 이번에 방문한 Henry Ford Museum of American Innovation은 포드 자동차만 전시된 박물관이 아니다. 철도, 항공, 기계 가공 장비 등을 포함하여 기술이 산업과 사회를 어떻게 변화시켜왔는지를 엿볼 수 있는 곳이다.
전시 중 하나는 1924년식 T형 포드를 분해하고, 부품을 공간에 매달아 보여주는 것이다. 자동차를 구성하는 부품을 볼 수 있으면 이동식 조립 라인이 단순히 컨베이어 벨트를 놓는 것으로 성립되는 것은 아니라는 것을 알 수 있다.
같은 종류의 부품을 교체할 수 있는 정밀도로 만들어, 작업을 분담하고 순서대로 조립될 수 있도록 하는 것이다. 포드가 1913년에 발전시킨 이동식 조립 라인에는 이러한 표준화와 공정 설계가 결합되어 있었다. 박물관의 해설을 읽으면서 복잡한 제품 제작을 재현할 수 있는 메커니즘으로 변화시킨 것이 중요하다고 생각했다.
출처: The Henry Ford: T형 포드 분해 전시와 이동식 조립 라인
100년 이상 전의 혁신을 단순히 “대량으로 만들 수 있게 되었다”라고 이해하는 것만으로는 놓치게 되는 것들이 있다. 부품, 설비, 작업, 품질을 연결하여 동일한 결과를 안정적으로 만들어낼 수 있도록 하는 것이다. 이러한 겹침이 제품을 사회에 확산시키는 조건이 되기 않았을까.
## 오래된 역 주변에서 다음 기술을 시험하기
현재의 디트로이트에는 이러한 제조업의 역사와 새로운 기술의 구현을 연결하려는 장소들도 있다. 그 중 하나가 미시간 센트럴 역을 중심으로 하는 미시간 센트럴과 인접한 옛 북 저장소를 재활용한 뉴랩 디트로이트이다.
미시간 센트럴 역. 주변에서는 기존 건물을 활용한 기술 개발 및 실증의 거점 구축이 진행되고 있다. (저자 촬영)
운영 주체의 공개 정보에 따르면, 이 지역에서는 모빌리티 등의 기술을 실제 환경에서 시험하기 위한 기반이 마련되어 있다. 전송 혁신 구역에서는 자율 주행차 및 배송 로봇 등의 실증을 위해 허가 및 인가 절차를 진행하기 쉽게 하는 시스템도 마련되어 있다.
출처: 미시간 센트럴: 산업 기술 개발 및 실증을 지원하는 환경
제2회에서 언급된 브루클린의 Newlab과 마찬가지로, 기술을 연구하는 장소로서, 프로토타입 제작 시설과 실증 기회를 결합하고 있습니다. 현지 건물을 보고, 그곳에서 어떤 일이 진행되고 있는지 조사하면, 과거 산업의 축적이 다음 제품을 시험하기 위한 장소로 변모하고 있는 것을 알 수 있습니다.
100년 전의 기술과 다르지만, 프로토타입을 제작하고 평가하고 개선하여 제품으로 공급하는 일은 여전히 남아 있습니다. AI와 소프트웨어 개발을 현실적인 제조 및 운영으로 어떻게 연결할 것인가. 디트로이트의 역사와 현재를 오가면서 그 문제를 고민했습니다.
## 작동하는 기계로부터, 개선에 사용할 수 있는 데이터로
단지 “미국에는 AI가 있고, 일본에는 제조업이 있다”고 단순하게 나누려는 것은 아닙니다. 미국에서도 프로토타입 제작, 제조, 실증 능력을 향상시키는 노력이 진행되고 있습니다. 일본 기업에도 소프트웨어, 인력, 데이터 활용에 대한 대응 등 과제가 있습니다. 과거의 경험이 그대로 미래의 경쟁력이 되는 것은 아닙니다.
제가 데이터 엔지니어링의 관점에서 주목하는 것은 이미 작동하는 기계와 그곳에서 얻을 수 있는 정보입니다. 자동차가 도로를 달리고, 건설 기계가 흙을 움직이고, 농업 기계가 땅을 경작합니다. 그 과정에서 위치, 이미지, 주변 환경, 기계 상태, 작업 결과 등의 정보가 생성됩니다.
하지만 기계가 작동하고 있으며, AI 학습 및 평가에 사용 가능한 데이터가 모여 있다는 것과 같은 것은 아니다. 무엇을 획득하고, 어떻게 정리하며, 어떤 상황을 올바르게 처리했는지 평가하는 일이다. 필요한 의미 부여와 품질 검토를 수행하고 기계의 동작과 결과를 대응 가능하게 만들어야 한다.
현장을 관찰하여 데이터를 수집하고 학습 및 평가에 사용하며 기계의 동작을 개선한다. 사용한 결과를 다시 다음 데이터로 반환한다. 이러한 순환을 만들려면 AI뿐만 아니라 제품의 사용 방식과 고장 발생 조건을 아는 것이 도움이 될 것이다.
그 의미에서 일본 기업이 각지에 전달해 온 차량과 기계는 현실 세계와 AI를 연결하는 접점에도 될 수 있다. 단지 제품을 가지고 있는 것뿐만 아니라 해당 지역의 시장과 제도, 기후, 사용 방식에 맞춰 개선하고, 그곳에서 얻은 정보를 다음 개발에 사용하는 것이다. 현지를 달리고 보게 된 강점을 AI 시대의 업무로 연결해야 한다고 느꼈다.
## 호타루의 평범한 일상을, 다시 한번 되돌아보며
제1회에서는 미시간의 호텔 앞을 날아다니는 호타루에 대해 썼다. 나에게는 특이하게, 깜짝 놀라 발길을 멈추고 사진을 찍었지만 현지인들은 개의치 않았다. “밖에서 바라보는 미국”과 그곳에서 살아가는 사람들의 일상은 다르다. 그 감각은 도로를 달리며 뉴욕을 걷고, 디트로이트의 역사와 현재에 닿는 과정에서 더욱 강화되었다.
미국에는 뉴스에서 보듯이 AI의 최첨단 기술뿐만 아니라 광대한 도로, 잔디, 건설 현장, 오래된 공장과 역도 존재한다. 그 하나하나를 누군가가 유지하고 개선하면서 생활을 지탱하고 있었다. 일본 기업의 기술도 그 일상 속에서 사용되고 있었다. 이번 여행에서는 현지의 “당연한 것”을 알게 되는 것부터, 그것에서 얻어진 경험을 AI와 데이터로 어떻게 연결할 것인지를 계속해서 고민하게 되었다.
## 저자 프로필
芥川 공문 氏
주식회사 브라이센 데이터 엔지니어링 솔루션 사업본부 본부장 兼 BRYCEN USA, Inc. 회장
네트워크 태동기부터 소프트웨어 개발 및 신규 사업에 종사했습니다. 방송과 통신 분야의 기획 및 운영을 거쳐 현재는 제조업을 위한 데이터 엔지니어링과 DX(디지털 엑셀러레이션) 추진을 이끌고 있습니다. 어노테이션 사업을 4년 만에 국내 최정상으로 육성하여 6년 연속으로 점유율을 유지하고 있습니다. 미국 진출도 적극적으로 추진 중입니다.
## 관련 기사 및 링크
관련 기사: 제1회: 브라이센 미국 현지 보고서
브라이센 데이터 엔지니어링 사업
주식회사 브라이센
芥川公文氏의 note
원문 보기 | 출처: Ledge.ai