[칼럼] no.138_현장에서 얻는 것_No.17_PLM과 ChatGPT 활용방안

 

"LLM 공부해야 소용없어...대신 차세대 AI에 집중해야" – 얀 르쿤(메타AI 수석과학자)

 

페친으로 컨넥팅되어 시작된 인연은 인공지능 프로젝트를 통해서 책까지 출판하는 기회를 얻었다.

이번 칼럼의 그 여정에 대한 기록이다. 기록의 중요성을 또 한 번 느끼며, 만남 인연도 중요함을 느꼈다.

그 모든 것의 중심에는 “관심” 그리고 “깊이와 Hungry!” 가 있었다. 또한 “호기심”은 두말하면 잔소리이다.

그리고 나의 여정을 두단어로 정의하면 “리더십, 인플루언서” 로 정했다.

 

chatGPT에게 PLM에 대해 묻다.

2023년 4월 칼럼으로 “chatGPT-PLM 활용 모습” 썼다. 그리고 1년이 흐른 지금 다시 한번 chatGPT에게 길을 물었다.

1년전인 2023년 3월에는 ChatGPT 3.5 이었고, 2024년 6월는 ChatGPT 4o이다.

2023년 3월 당시에는 이런 얘기가 화두였다. “AI가 아니라 AI를 쓰는 기업이 기업을 대체할 것이다.” 이라는 말들이 유행했다.

1년이 흐른 지금… 통하는 기업이 있고, 여전히 AI가 어떤 결과를 낳을지 오리무중인 기업들도 있다.

그동안 큰 변화는 글로벌 관심거리로 학습과 진보속에서 “두려움”이 많이 사라졌다.

또한, 현실적인 장벽들이 많이 있음이 드러났다. 1년전에 “chatGPT-PLM 활용 모습”을 물었을 때, 상당히 혁신적이었다.

마치 뭔가 큰일을 낼 것 같이 희망에 찬 답변들이었다. 1년이 흐른 지금 동일 질문을 던졌더니, 그때보다는 상당히 현실적인 답변을 내 놓는다.

그러면, ChatGPT와의 대화 내용의 결과를 정리한 리포트 형식으로 풀어 가겠다.

 

"인공지능은 실험실 조수, 최종 결정은 인간이 해야" – 하사비스(구글 딥마인드 CEO)

 

PLM과 ChatGPT 활용 방안 – 프롬프트 와 진단

주요 산업군 및 목표를 정했다. 주요 산업군은 자동차, 항공산업, 전기 전자 산업, 의료기기으로 한정했다. 독자는 경영진, 임원, 마케팅 담당자로 정했다.

리포트의 주요 목표는 기업에 효과적인 PLM과 ChatGPT 활용 방안을 제시로 프롬프트를 작성했다.

먼저, PLM의 주요 문제점에 대해서 다음과 같이 요약해 주었다.

“PLM 시스템은 복잡한 제품 개발 과정에서 다양한 문제를 안고 있습니다. 이러한 문제점들은 다음과 같습니다:

1. 프로젝트 관리: 복잡한 프로젝트 관리는 다양한 팀과 부서 간의 협업을 필요로 하며, 실시간 상태 업데이트와 정보 공유가 어렵습니다.

2. 데이터 정합성: 다양한 부서와 시스템에서 데이터를 관리하다 보면 데이터의 일관성을 유지하는 데 어려움이 있습니다.

3. BOM 관리: 제품의 BOM(Bill of Materials) 데이터를 정확하게 관리하는 것은 중요하지만, 잘못된 데이터는 생산 오류를 유발합니다.

4. 품질 관리: 품질 검사와 문제 해결에 많은 시간과 비용이 소요됩니다.

5. 제품 설계: 설계 변경 요청이 빈번하게 발생하며, 이를 관리하기 어렵습니다.

6. 상품 기획: 시장 트렌드를 정확히 예측하고 고객의 요구를 반영하기 어렵습니다.

7. 공급망 관리: 공급망의 복잡성으로 인해 지연과 비용 증가가 발생합니다.

8. 고객 서비스: 고객 문의와 지원 요청을 효율적으로 처리하기 어렵습니다.

9. 교육 및 훈련: 직원 교육과 훈련에 많은 시간과 비용이 소요됩니다.

10. 사양 관리: 제품 사양의 관리 및 업데이트 과정에서 오류가 발생할 수 있습니다.

11. 디지털 제조: 제조 과정의 디지털화와 스마트 제조 시스템 구현이 어렵습니다.

12. 데이터 보안: PLM 시스템은 많은 기밀 데이터를 포함하고 있어 데이터 유출의 위험이 큽니다.”

 

각 문제에 대한 해결 방안

PLM의 각 문제점에 대해 ChatGPT를 활용한 해결 방안은 다음과 같습니다:

1. 프로젝트 관리: ChatGPT를 통한 실시간 상태 업데이트, 자동 보고서 생성, 팀 간 의사소통 지원.

2. 데이터 정합성: ChatGPT를 활용하여 데이터 입력 및 검증 자동화, 오류 감지 및 수정 제안.

3. BOM 관리: ChatGPT를 통해 BOM 데이터의 정확성과 일관성을 유지하여 생산 오류를 줄임.

4. 품질 관리: ChatGPT를 통해 품질 문제의 원인 분석, 해결책 제안, 품질 검사 자동화 지원.

5. 제품 설계: ChatGPT를 사용하여 설계 변경 제안 및 피드백 수집, 팀 간 협업 지원.

6. 상품 기획: ChatGPT를 통해 시장 트렌드 분석, 고객 피드백 수집 및 분석, 제품 기획 아이디어 제안.

7. 공급망 관리: ChatGPT를 사용하여 공급망 데이터 분석, 공급업체와의 실시간 커뮤니케이션 지원, 문제 발생 시 빠른 대응 방안 제안.

8. 고객 서비스: ChatGPT를 활용한 자동화된 고객 응대, 자주 묻는 질문(FAQ) 자동 응답, 고객 피드백 수집 및 분석.

9. 교육 및 훈련: ChatGPT를 통한 맞춤형 교육 자료 제공, 훈련 프로그램 관리, 실시간 질문 응답 시스템 구축.

10. 사양 관리: ChatGPT를 사용하여 사양 데이터의 자동 검증 및 업데이트, 사양 변경 내역 관리, 사양 관련 질문에 대한 실시간 응답 제공.

11. 디지털 제조: ChatGPT를 활용하여 제조 데이터 분석, 예측 유지보수 시스템 구축, 제조 과정 최적화 및 문제 해결 지원.

12. 데이터 보안: ChatGPT를 통해 데이터 보안 시스템 강화, 실시간 보안 모니터링, 보안 위협에 대한 빠른 대응 방안 마련.

 

PLM 데이터 학습 방안

PLM 데이터는 폐쇄적이고 기밀 정보가 많기 때문에 ChatGPT가 직접적으로 학습하는 것은 어렵습니다. 그러나 다음과 같은 방안을 통해 ChatGPT가 PLM 데이터를 활용할 수 있습니다:

1. 프록시 데이터 사용: 익명화된 데이터로 학습하여 민감한 정보를 보호합니다.

2. API 기반 접근: API를 통해 실시간으로 데이터를 조회하고 분석할 수 있습니다.

3. 데이터 마스킹 및 샘플링: 민감 정보를 제거한 샘플 데이터를 사용하여 학습합니다.

4. 온프레미스 학습 시스템: 기업 내부에 AI 학습 시스템을 구축하여 폐쇄된 환경에서 안전하게 학습합니다.

5. 주기적인 데이터 피드백 루프: 정기적으로 업데이트된 데이터를 반영하여 학습합니다.

 

결론

ChatGPT는 PLM 시스템의 다양한 문제를 해결할 수 있는 강력한 도구입니다. 데이터를 정확하게 관리하고 실시간으로 분석하며, 효율적인 의사소통을 지원함으로써 PLM 시스템의 효율성을 크게 향상시킬 수 있습니다. 그러나 데이터를 안전하게 관리하고, AI 모델의 정확성을 유지하기 위해 적절한 학습 방법과 보안 조치를 취하는 것이 중요합니다. ChatGPT를 통해 PLM 시스템의 문제를 해결하고, 더 나은 제품 개발과 관리를 실현할 수 있을 것입니다.

 

PLM의 핫 이슈는 정합성과 정보의 공개

시행착오에서 해답을 찾을 수 있으리라 생각한다. 갈 길은 정해졌다. PLM의 가장 큰 이슈는 정합성과 정보의 공개이다. 왜냐하면, 사람이 운영하기 때문에, PLM의 복잡성 그리고 추적성을 고려하면 사용자들이 체계적으로 잘 사용해야 가능하다.

ChatGPT가 해 줄 일은 자명하다. 고자질을 잘 할 것 같다. 누가 어떤 것에 에러를 범했다. 설계데이터, BOM 오류, 등등 결재를 미룬 사람 등등 기업 업무의 불편한 진실을 ChatGPT와 같은 생성형 AI가 내부고발자 역할을 하지 않을까 생각된다.

즉, 생성형 AI는 나를 도와주는 비서일 뿐만 아니라, 감시자 역할도 할 수 있을 거라 예상된다.  두려움의 대상이라 생각해도 나쁘지 않다. 시스템으로 의도하지 않는 업무상 오류를 바로잡을 수 있는 절호의 기회이기 때문이다.

기업 내부의 이슈로는 부서간 개인간의 이해관계이다. 각자 자기일을 잘 하게 되면 뭐가 문제 있으랴.

PLM 과 ChatGPT 활용방안 (Map by 류용효)

 

-끝 -