목차
AI가 코드를 짜고 모델 구조까지 제안해 주는 시대에 전공과 학벌은 얼마나 필요할까요. 제조 AI 운영체제 VEXPLOR를 만드는 웨이스는 이 질문에 채용 순서로 답해 두었습니다. 채용 페이지에 적은 1순위는 「틀렸을 때 알아채는가」, 2순위는 「모르는 분야도 AI와 함께 해내는가」, 3순위는 「개발을 이해하는가」입니다. 학위는 이 순서에 들어 있지 않습니다.
학위가 필요 없다는 뜻은 아닙니다. 자리에 따라 학위를 지원 자격으로 두기도 합니다. 다만 AI 도구가 기술의 문턱을 낮춘 지금, 현장에서 결과를 가르는 것은 전공의 이름보다 AI가 그럴듯하게 틀렸을 때 그것을 알아채는 습관이라고 봅니다. 이 글은 웨이스가 왜 그렇게 보는지, 그 기준이 제조 AI 일에서 어떻게 드러나는지, 앞으로 그 기준을 어떻게 넓혀 가려는지를 적습니다.
전공과 학벌이 알려 주던 것을 이제 AI가 함께 해 줍니다
예전에는 AI 전공과 좋은 학교가 「이 사람은 어려운 기술을 다룰 수 있다」는 가장 빠른 신호였습니다. 모델을 설계하고 코드를 짜는 일 자체가 어려웠기 때문입니다. 지금은 그 일의 상당 부분을 AI 도구가 함께 해 줍니다. 모르는 기술은 빠르게 채울 수 있고, 전공이 달라도 모델을 만들어 볼 수 있습니다.
그런데 AI 도구가 해 주지 못하는 일이 하나 있습니다. 자기가 낸 답이 틀렸는지 판단하는 일입니다. 하버드 경영대학원과 BCG가 컨설턴트 758명을 대상으로 한 현장 실험에서, AI가 잘 풀지 못하는 과제에 AI를 붙이자 정답률이 84.5%에서 60~70%로 떨어졌습니다. 참가자는 모두 그 분야 전문가였습니다. 경력과 학력이 AI의 그럴듯한 오답을 막아 주지 못한 것입니다. 웨이스가 1순위를 「틀렸을 때 알아채는가」에 둔 이유입니다.
웨이스가 향하는 곳은 현장의 문제를 끝까지 푸는 팀입니다
제조 AI에서 어려운 부분은 모델 구조가 아닙니다. 설비마다 시계가 어긋나 있고, 같은 품목이라도 생산 조건이 바뀌면 신호가 달라지고, 고장 기록은 분 단위로만 남아 있습니다. 이런 문제는 논문이 아니라 현장 데이터를 끝까지 들여다보는 태도로 풉니다.
그래서 웨이스는 AI를 얼마나 잘 아는가보다 AI가 그럴듯하게 틀렸을 때 그것을 알아채는가를 먼저 봅니다. 이것이 있으면 AI를 도구로 삼아 전공 밖의 설비에서도 결과를 낼 수 있고, 그 결과가 틀렸을 때 고객보다 먼저 알 수 있습니다.
1순위 「틀렸을 때 알아채는가」는 제조 AI 보고서에서 이렇게 드러납니다
설비 이상 탐지 AI를 만들 때를 예로 들면, 이 기준은 잘된 결과가 아니라 안 된 결과를 다루는 방식에서 보입니다.
놓친 것을 함께 적는가 — 기록된 고장 가운데 잡은 것만이 아니라 놓친 것과 그 종류를 적습니다. 갑자기 일어나는 사고는 직전에 신호가 달라지지 않아 잡기 어렵다는 것처럼, 이 AI로 할 수 없는 일을 함께 밝힙니다.
모델이 아직 끝나지 않았다는 것을 보고하는가 — 학습이 수렴하기 전인지, 복원 성능은 좋아졌지만 정상과 이상을 구분하는 성능은 그대로인지를 결과와 함께 적습니다.
확인할 수 없는 것을 경보로 올리지 않는가 — 고장 전에 신호가 달랐던 사례를 찾더라도, 대조할 정비 기록이 없다면 아직 가설로 두고, 경보가 아니라 추세 감시 지표로 두어 점검 기록으로 맞춰 갑니다.
결과를 현장 기록과 대조해, 맞는지 확인할 수 없는 곳을 먼저 가려 적는 것입니다. 채용 페이지에 적은 「답을 무엇으로 확인하는가」가 일에서 드러나는 모습입니다.
현장 감각은 데이터를 의심하는 단계에서 드러납니다
AI 이론보다 현장 경험이 더 큰 차이를 만드는 단계도 있습니다. 데이터를 믿기 전에 먼저 의심하는 단계입니다.
설비 시계가 어긋나 있지 않은가 — 설비 제어기의 시계가 서버와 20분 넘게 어긋나 있다면, 고장 기록과 설비 신호를 잘못 맞춰 엉뚱한 구간을 학습하게 됩니다. 날짜별 보정표가 먼저 필요합니다.
이상해 보이는 운전이 정말 이상인가 — 평소보다 훨씬 낮은 압력으로 며칠씩 운전한 기간이 있다면, 고장인지 의도한 운전 조건인지 현장에 먼저 확인합니다.
측정값이 어떻게 기록되는가 — 어떤 값이 정수로만 기록되면 지표가 계단처럼 나옵니다. 가장 흔한 값에 기준을 두면 알림이 부풀려진다는 것을 알아야 기준을 제대로 고를 수 있습니다.
현장이 감당할 수 있는 알림인가 — 정확도 숫자가 아니라 「설비당 주 1회 이하」처럼 현장이 받아들일 수 있는 횟수로 점검 요청 기준을 정합니다.
모두 공정을 다뤄 본 경험과 맞닿아 있는 의심입니다. AI 기술은 배워서 쓸 수 있지만, 이런 의심은 현장에서 쌓입니다. 공정·품질·설비 쪽에서 오래 일한 경력이 AI 전공만큼 값을 갖는 이유입니다.
2순위 「모르는 분야도 해내는가」는 전공 밖에서 어디까지 갔는지로 봅니다
웨이스가 들어가는 공장은 매번 처음 보는 공장이고 처음 보는 설비입니다. 전공이 딱 맞는 사람은 거의 없습니다. 그래서 전공 밖의 설비와 기술을 AI와 함께 채우며 어디까지 결과를 끌고 갔는지를 봅니다. 데이터 수집부터 전처리, 특징 공학, 학습 데이터셋, 모델 학습까지 단계를 차례로 밟으며 각 단계에서 무엇을 확인했는지 적을 수 있다면, 전공이 달라도 결과를 낼 수 있습니다.
채용 기준 | 제조 AI 일에서 드러나는 모습 |
|---|---|
틀렸을 때 알아채는가 | 놓친 것과 미완성을 함께 보고 |
그 숫자는 어떻게 나왔는가 | 「대조할 기록이 없어 모른다」 |
모르는 분야도 해내는가 | 전공 밖 설비에서 단계별 완주 |
개발을 이해하는가 | 현장에서 깨지면 직접 고침 |
모르는 분야를 채우는 방식은 전공과 상관이 없습니다. 조건을 적고, 빠진 것을 적고, 결과가 안 나오면 안 나왔다고 적는 방식입니다. 웨이스는 이 방식이 전공의 이름보다 결과를 더 잘 설명한다고 봅니다.
먼저 만들 것과 그다음
순서 | 하려는 일 | 기대하는 변화 |
|---|---|---|
지금 | 채용에서 일하는 방식 확인 | 학벌보다 습관을 봄 |
다음 | 보고서에 「놓친 것」 항목 | 사업마다 같은 기준 |
이후 | 이 방식을 VEXPLOR 기능으로 | 사람이 바뀌어도 유지 |
한 사람의 좋은 습관은 그 사람이 회사를 떠나면 함께 사라집니다. 그래서 웨이스는 이런 일하는 방식을 보고서 서식과 제품 기능으로 옮기려 합니다. 놓친 것과 확인하지 못한 것을 적는 항목이 VEXPLOR 안에 들어가면, 다음 공장에서는 처음부터 그 기준으로 일할 수 있습니다.
하지 않을 것 2가지
학위를 평가 점수로 쓰지 않습니다 — 자리에 따라 학위를 지원 자격으로 두더라도, 학위가 있다고 앞에 두지 않고 모르는 분야를 결과까지 끌고 간 경험을 먼저 봅니다.
「AI를 잘 쓰는가」를 1순위에 두지 않습니다 — AI를 잘 다루는 것은 틀렸을 때 알아채는 힘이 있을 때만 도움이 됩니다.
그래서 이 시대에 전공과 학벌이 필요한가라는 질문에 웨이스의 답은 이렇습니다. 필요할 때는 있지만 결과를 가르지는 않습니다. 제조 AI를 만드는 일은 정답이 정해진 시험이 아니라 현장마다 다른 문제를 푸는 일이고, 웨이스는 그 문제를 끝까지 풀 수 있는지를 먼저 봅니다.
WACE(웨이스)는 공장이 스스로 판단하고 멈추지 않게 하는 제조 AI 운영체제 VEXPLOR를 만드는 회사다.
