<자막 원문>

인터뷰 진행: 이수환 기자

출연: 자비스 민병석 CTO

-안녕하세요. 디일렉의 이수환입니다. 오늘 자비스의 민병석 이사님 모시고 배터리 장비에 들어가는 엑스레이(X-ray) 검사 장비에 관해서 얘기해보도록 하겠습니다. 안녕하세요. 이사님.

“안녕하세요.”

-일단 제가 이사님의 이력을 봤는데 삼성전자에 굉장히 오래 계셨더라고요. 특히 영상 디스플레이 사업부에 계속 계셨었는데 영상과 X-ray 검사 장비라는 이 매칭이 얼핏 와닿지는 않는데 어떤 깊은 연관이 좀 있는 겁니까?

“이게 저도 처음에 디스플레이 화질 그런 콘텐츠를 더 좋게 하는 화질 이런 거를 하다가 X-ray에 와서 사실은 새로운 걸 해보고 싶어서 왔었어요. 그런데 이 X-ray라는 검사 장비 회사에서 와서 해보니까 결국은 영상이 깨끗하고 좋아야 더 정확한 검사가 이루어질 수 있고 거꾸로 말하면 영상이 조금 안 좋을수록 검사 기술에 있어서 더 많은 도전이 필요하죠. 근데 이거는 결국은 우리 X-ray 검사 장비나 그런 병원에 있는 메디컬 장비나 똑같은 거라고 생각을 해요. 그래서 결국은 하다가 보니까 X-ray 검사 장비도 그 화질을 단지 하드웨어에서 찍는 화질을 그대로 하는 거보다는 그것을 영상 복원 기술 이런 거를 통해서 원래의 영상을 보여줄 수 있는 기술이 필요하다고 생각하고 이것이 결국은 TV로 옛날에 했다 친다면 SD보다는 Full HD, UHD가 더 많은 정보를 가지고 있고 깨끗하지만, 같은 콘텐츠도 TV에 따라서 보이는 게 다르잖아요. 결국은 영상 처리 기술이라는 것은 원래 이렇게 의도했던바 또는 존재했던 것들을 정확하게 표현해주는 복원해주는 기술이기 때문에 이게 결국은 영상으로 이루어진 X-ray 검사 장비에서도 핵심 기술이란 걸 알게 됐고 그러면서부터 예전에는 검사만 잘하면 되겠다. 이런 쪽에 집중했다면 검사도 잘해야 하지만 결국은 더 X-ray 영상을 선명하게 나오는 방법이 무엇일까? 이런 부분에 대해서 많은 고민을 했고 많은 성과가 있었던 거 같습니다.”

-저도 미처 그런 생각은 못 했습니다만 결국 X-ray 영상이 깨끗하고 잘 보여야 그만큼 검사도 잘 된다?

“네. 맞습니다.”

-X-ray 검사 장비 특히 굉장히 많은 데에 쓰이지 않습니까? 코로나 때문에 해외 출입국이 쉽지는 않지만, 공항에서 쉽게 줄줄 지나갈 때나 아니면 음식 만드는 공장이나 그런 데 쓰이기도 하고 또 산업 현장에서도 굉장히 많이 쓰이는 게 X-ray 검사 장비인데 그중에서도 자비스가 요즘 집중해서 많이 공략하시는 게 배터리 장비에 들어가는 검사 장비지 않습니까. 어떤 차이점이 좀 있는 겁니까? 배터리 장비에 쓰이는 X-ray 장비가 다른 X-ray 장비랑은 차이점이 있습니까?

“그게 결국은 생산 현장하고 관련 있는 거 같아요. 일단 X-ray라는 것의 특징이 공항에서는 사람이 지나가고 그다음에 철 같은 걸 찍었을 때 물체가 무엇이냐에 따라서 투과되는 X-ray 양이 다르고 화질이 완전히 다르거든요. 그래서 결국은 찍는 배터리는 유기물이 아니잖아요.”

-딱딱한 무기물이죠.

“어떻게 생각하면 이거보다 어려운 것은 유기물이에요. 그니까 생명체 같은 거를 투과해도 철은 새까맣게 잘 나오지만, 사람은 잘 안 나오잖아요. 그니까 그렇게 사람 속에 철이 있으면 구분하기 쉽겠지만, 사람 속에 다른 이물질이 있으면 서로 구분이 안 되잖아요. 마찬가지로 철도 철하고만 있으면 같은 밀도면 구분이 안 될 텐데 배터리라는 것이 속에 보면 구조가 알루미늄도 있고 구리도 있어서 결국은 불량이라는 것을 알기 위해서 물체 구성물이 어떻게 돼 있고 그것을 최대한 X-ray로 변별력 있게 찍기 위해서는 많은 기계적인 요소, 하드웨어적인 요소, 소프트웨어적인 요소가 합쳐져 있어서 그게 영상 부분에서 틀린 거 같고요. 다른 거 하나는 배터리는 검사의 특징이 다른 거에 비해서 빨라요. 굉장히 고속으로 생산하잖아요. 배터리 영상 보면 200ppm, 300ppm, 400ppm 지나가기 때문에 결국은 배터리 X-ray 검사 장비의 특성이라면 더 빠른 검사가 필요한데 X-ray 입장에서는 항상 오래 찍어야지 잘 나오거든요. 그래서 우리 병원에도 가면 X-ray를 최대한 조금 받으려고 하지만, 그게 거꾸로 X-ray 입장에서는 잘 안 보이거든요.”

-찍을 때 가만히 숨 들이쉬고 멈추세요. 할 때 그때 딱 찍는 거지 않습니까?

“맞습니다. 그래서 배터리가 천천히 지나간 걸 X-ray 촬영했다면 천천히 갔기 때문에 단시간에 찍은 선량에 맞기 때문에 선명해요.”

-잘 나오겠죠.

“잘 나오겠죠. 그런데 이게 빨리 움직이면 그거의 반절 시간밖에 안 되니까 결국은 화질이 떨어지고 노이즈가 섞여 보이기 때문에 구분이 잘 안 되는 거죠. 그래서 배터리의 기본적인 특징은 빨리 움직인다는 게 있고 나중에도 기회가 되면 알겠지만, 배터리 산업이 계속 발전되면서 커지잖아요. 두꺼워지고. 두꺼워지면 안 보여요.”

-이 두꺼워진다는 게 에너지 밀도를 높여야 하니까 그만큼 많은 재료를 적층하는 시대가 되겠고 근데 참 모순되게도 그거를 더 빨리 선명하게 검사해야 한다는 도전 과제가 존재하는군요.

“그래서 빨라진다는 거 두꺼워진다는 거 그다음에 또 원통형만 있는 게 아니라 파우치도 있고 그러잖아요. 커진다는 거. 커지면 항상 우리가 카메라로 찍을 때도 사람이 안 보이면 뒤로 물러나서 찍어야 하죠. 그런데 물러나서 찍으면 이렇게 줌해보면 가까이서 찍을 때보다 화질이 떨어지죠. 결국은 배터리를 만드는 회사 입장에서는 불량이 없는 걸 확실히 하고 싶은데 검사 장비에서 할 때 얼마나 확신합니까? 하면 그게 결국 말이 달라지는 거죠. ‘고객님 천천히 올수록 더 정확하고요 가까이 찍을수록 더 정확해요.’ 그런데 그렇게 하면 결국은 생산량을 못 따라가는 거죠. 그렇기 때문에 인라인 검사 장비를 잘한다는 것은 많은 노하우와 기술이 축적됐기 때문에 굉장한 것을 얘기한다고 할 수 있습니다. 그런 부분이 좀 많이 다른 거 같아요.”

-말씀 들어보면 결국에는 좀 더 많은 자원을 투입하고 자원이라는 거는 결국 많은 검사. 검사기 성능도 좋은 거고 부품을 붙이고 더 많은 시간을 하면 되는데 그만큼 장비 단가도 높아지고 또 고객사가 요구하는 단위 시간당 생산성을 못 맞추니까 그런 문제가 발생하는 것인데 이런 것들을 자비스에서는 어떤 걸로 해결을 좀 하려고 합니까?

“저희보다는 일단 컨벤셔널 한 방법이라고 한번 얘기를 해볼게요. 고속이 필요해요. 그러면 일단 하드웨어를 비싼 걸 사면 되겠죠.”

-그렇죠. 빨리 움직이는 벨트나.

“같은 시간에 찍어도 훨씬 좋은 하드웨어를 사는 방법이 제일 쉬운 방법일 거고요. 두 번째 방법은 하나를 찍을 거를 한 장비에서 두세 군데를 찍게 하거나.”

-여러 각도로 찍게 하는 거 말씀이시죠?

“그렇죠. 그럼 한 번에 찍을 수 있는 개수가 많아지니까 좀 더 빨라질 수가 있겠죠. 그다음에 세 번째는 그런 장비에 찍는 구조적으로 기계적으로 이렇게 찍을까? 물류를 어떻게 해서 넣게 하면 더 빠를까? 왜냐면 그 시간도 있잖아요. 마지막으로 촬영 시간을 줄이려면 결국은 아까와 같이 물리적으로 더 오래 찍던가. 아니면 소프트웨어적인 방법을 통해서 그거를 개선하는 그런 기술이 있을 수 있는데 그런 기술은 X-ray를 쓰는 메디컬에서는 이미 계속해오고 있는 기술인데 조금 다르죠. 산업체에 쓰이는 X-ray와 메디컬에 쓰이는 건 다르지만, 기술 부분에 있어선 그게 유사하다고 할 수 있습니다.”

-말씀을 들어보면 산업용 X-ray 장비, 의료용 X-ray 장비는 제가 알기로는 의료용 X-ray 장비가 사람의 생명을 다루니까 훨씬 더 크고 비싸고. GE, 지멘스, 도시바 이런 쪽에서 굉장히 사업을 활발하게 벌이고 있는데 이런 것들을 이미 적용했다고 하면 자비스만의 고유의 노하우라고 할까요? 어떤 것들을 좀 가지고 오셨는지.

“이렇게 한 번 생각해보면 좋을 거 같아요. 그니까 메디컬은 저는 아까 같이 오래 찍으면 X-ray가 선량하다는 물리적인 법칙이 존재하는데 빠름을 극복하는 시간을 거슬러 가는 법칙인 건데 그거를 하기 위해서 실제로 이미 존재하는 일이십 년 동안 그런 솔루션이 없었잖아요. 그니까 어렵고 안 된다는 거죠. 그러면 아예 다른 접근. 소프트웨어적으로 하려면 결국은 아까 말했지만, TV도 같은 TV지만 어느 TV로 보냐에 따라 화질이 다르듯이 X-ray도 같은 화질이지만, 영상이 다르려면 결국은 영상 처리 기법이 바뀌는 거고 그 영상 처리 기법에서 지난 일이십 년 동안 메디컬에서는 그렇게 큰 진보가 없었죠. 그렇기 때문에 대부분의 기술 개발이 X-ray 하드웨어를 개선하는 이슈가 있었고 그런데 지금 최근에 AI 기술이 나오면서 여기에 다른 접근이 생기기 시작한 거죠. 예전에 메디컬도 똑같아요. 어떤 게 암이냐 생긴 거를 보는 기술이 하나 있고 저선량 기술이라 해서 작은 선량이라도 어떻게 더 클리어한 영상을 할 거냐에 있어서 최근에 AI 기술들이 되고 있는데 자비스에 독특한 거라면 그러면 메디컬에선 안 되고 인더스트리에서 되는 건 무엇이냐? 그 차이가 사실은 핵심인데요. 사람은 아까 말씀드린 대로 AI란 게 학습을 하잖아요. 그니까 A하고 B를 학습시켜서 A를 B처럼 만드는 게 어떻게 보면 AI의 많은 애플리케이션인데 만약에 페어가 존재한다면 똑같아요. 텔레비전 기술도 저해상도와 고해상도가 페어가 존재하고 깨끗한 영상과 노이즈이 페어가 존재한다면 그 데이터가 있다면 굉장히 좋은 AI 학습 효과가 나올 수 있는데 현재 AI 기술의 bottleneck(병목)은 어디에 있냐면 그런 데이터를 얻기가 쉽지가 않아요. 그래서 예를 들자면 영상 처리 TV 쪽 기술을 하면 해상도를 업스케일 하기 위해서 하는 기술은 대부분이 고해상도 기술을 임의로 낮췄다가 올리면서 두 개를 하는 건데 이런 거의 제일 큰 문제가 실제 데이터가 그렇지가 않아요. 그니까 이렇게 학습할 때는 잘 됐지만, 실제 나오는 텔레비전 콘텐츠를 가지고 해보면 다른 결과가 나오듯이 결국은 이 데이터를 해결해야 하는데 AI의 제일 큰 게 데이터인데 사람용은 잘 생각해 보면 아까 오래 찍으면 선명하고 조금 찍으면 안 선명하다고 했잖아요. 그러면 산업체는 X-ray를 얼마큼 찍어도 몸에 해롭지가 않아요. 사람은 해롭죠.”

-그렇죠. 매년 정해진 피폭량이 정해져 있지 않습니까.

“그래서 사람을 데리고 한 번 오래 찍고 한 번은 적게 찍고 비교해서 하는 이런 기술이 굉장히 제한적이죠.”

-그래서 제한적이군요.

“제한적이죠. 할 수가 없잖아요. 그런 반복 실험을 할 수도 없어요. 그런데 이 장비는 특히 피폭이 민감한 장비도 있어요. 반도체 같은 거는 다 날아가니까 안 되지만, 배터리나 일반 맞아도 괜찮은 것들은 시간을 다르게 해서 해볼 수가 있는 거죠. 페어가 나오잖아요.”

-그런 데이터를 조합해서 로우 데이터를 좀 확보하는 거군요.

“그렇죠. 이런 데이터들을 다 쌓아서 하면 백만 개, 천만 개의 데이터가 금방 획득이 되고 그 데이터를 가지고 기존에 존재했던 기술에 접목을 해봤을 때 이게 결국은 되는 거냐? 안 되는 거냐? 했을 때 저희도 많은 시도를 겪었는데 결국은 많은 시도와 노하우성의 그런 결함으로 인해서 된다는 것을 조금 확보했고 우리 회사 입장에서는 그 기술을 먼저 반도체에 적용했어요. 그니까 이게 우리 회사 얘기긴 한데 우리 회사가 배터리도 하는데요. 음식물도 하고 반도체도 하고 크게 세 개를 해요. 근데 반도체가 되게 하이 테크놀로지에요. 많은 것들이 겹쳐야지 되는.”

-그쪽이 굉장히 조건도 까다롭지 않습니까.

“까다로워요. 그래서 저희가 반도체가 특히 선량에 민감해서 저선량 기술을 많이 했었고 결국은 같은 촬영 시보다 더 짧은 촬영 시간으로도 동등한 화질이 나오는 그런 기술을 확보했기 때문에 이것을 그대로 배터리로 갖고 오면 촬영 시간이 선량 노출 시간이 작지만, 좋은 화질을 할 수 있는 기술을 확대 적용할 수 있는 거죠.”

-거기에 대한 고유의 노하우나 알고리즘 기술도 획득하셨겠네요?

“다 획득했고 특허화도 했고 많이 찾아봤어요. X-ray 장비 회사가 검사기 장비 회사가 AI를 써서 화질을 복원하거나 패러다임이라든가 특허 이런 것들을 많이 봤는데 잘 없더라고요. 그니까 결국은 저는 화질을 했었기 때문에 그게 보여서 X-ray가 또 다른 애플리케이션이지만, X-ray를 원래 하신 분들은 같은 값이면 먼저 검사 기술을 강화해서 더 검사를 잘하고 싶지 이 X-ray 영상은 하드웨어가 잘 맞는 거야. 이렇게 생각할 수도 있잖아요.”

-어떻게 보면 소프트웨어적인 거면 하드웨어를 업그레이드하면서 기술 개선이 됐던 것이 이제는 소프트웨어적인 것을 통해서 하드웨어 업그레이드가 덜 되더라도 훨씬 더 좋은 영상 결과물을 얻을 수 있다.

“맞습니다. 바꿔 말하면 X-ray 디텍터나 카메라들도 이런 AI 기술을 하는 거죠. 왜? 그 기술을 써서 나오면 그 회사의 제품의 영상이 더 좋아지니까.”

-굉장히 고부가가치 기술이네요.

“굉장히 그렇게 볼 수 있습니다.”

-그럼 최근에 배터리 쪽의 검사 장비에 대한 요구가 많은 거로 알고 있습니다. 이게 아무래도 아까도 말씀하신 것처럼 에너지 밀도가 높아지는 것도 있고 근래 ESS 화재, 전기차 화재가 나면서 배터리 업체들이 유독 강조하는 게 검사의 개수를 늘렸다든가 검사를 좀 더 고도화했다는 등의 내용인데 어떻습니까? 실제로 보시기에 검사 장비의 높은 퀄리티를 많이 요구하고 그런 거로 좀 많이 바뀌었습니까?

“유사한 비유를 한 번 해볼게요. 병원에서 COVID나 암이 있는데 암을 X-ray로 한 번 찍어서 찾을 수 있는 확률은 80%~90%죠. 근데 정확하게 하려면 병원에서는 CT를 찍죠. CT를 찍고 병이 되면 확실하게 얘기를 해드릴 수 있어요. 거꾸로 말하면 배터리라는 것도 결국은 X-ray를 찍는데 그게 내가 100% 확신하려면 여러 각도에서 본 거를 갖고 검사해야 맞겠죠. 그렇게 하면 대신 시간이 많이 들겠죠. 그래서 그런 방면으로 그건 또 촬영 시간하고 별개에요. 여러 방향에서 찍어야 하는데 X-ray라는 것은 투과하니까 겹쳐 보이는 문제가 있잖아요. 그래서 결국은 첫 번째 이노베이팅한 후에도 저희가 많이 고민하고 장비적으로 그런 고민을 많이 하고 있어요. 그거는 2D로 그렇게 한 번에 찍는 장비지만, 어떻게 하면 더 정확한 검사라고 나올 수 있는가. 이건 알고리즘하고 좀 다른 얘기에요. CT같이 많이 찍어야지 확실할 수 있는데 ‘어떻게 시간을 줄여서 찍을까?’ 하는 생각은 하나고 두 번째는 ‘주어진 영상에서 얼마나 정확하게 잡을 수 있는가?’가 두 번째고 세 번째는 거기에 생산성을 넣을 수 있는가. 생산성이라는 것이 조건만 풀리면 소위 말하면 우리가 말하는 샘플 테스트라고 하죠. 그냥 몇 개 가져가서 개발 단계에서 찍어보고 ‘이 공정을 하면 문제없을 거 같습니다. 이렇게 합시다.’라는 것이 샘플 테스트인데 그런 거에서 그런 세 가지 요구 조건. 배터리 회사의 요구 조건이 많이 오고 있고 그거에 따라서 결국 장비 만드는 회사 입장에서도 많은 고민이 필요한 거죠.”

-이게 참 어렵습니다. 정해진 환경에서의 데이터만 갖고 최대 효과를 끌어내는 방법론이라고 해야 할지 알고리즘이라고 해야 할지 이런 것들이 다 필요한 거 아닙니까.

“그렇습니다.”

-또 최근에 얘기를 듣자 하니까 제가 배터리를 X-ray로 찍은 걸 봤는데 셀들이 굉장히 많잖아요. 양극, 분리막, 음극 계속 겹쳐져 있는데 그런 것들이 잘 검출 안 되고 예전에 삼성에서도 많은 곤혹을 치렀지 않습니까. 그렇게 많은 검사를 거쳤는데 알고 보니까 탭이 말려 들어가 있었다. 혹은 분리막 단락 현상이 발생했다더라. 이미 그 제품들도 수많은 검사를 거쳤는데도 불구하고 그런 게 나왔단 말이죠. 지금은 그런 문제들은 많이 해소됐을까요?

“그걸 대답할 수 있는 사람은 배터리 회사겠죠. 저희는 장비 입장이지만, 결국은 어떤 조건으로 어떤 항목들을 검사해야 내가 적어도 배터리에 문제가 없다고 할 수 있을 것인가. ‘무엇을 가지고 검사하고 무엇을 가지고 평가를 할까?’는 하나고 그다음에 그거를 얼마나 더 정밀하게 하는가가 두 번째가 되겠죠. 그래서 그 부분에서는 저는 기술이 예를 들자면 원통형이나 파우치나 이런 불량이 되는 이유나 이런 것들은 사실은 그렇게 크게 많이 변하지 않았다고 생각하고요. 그래서 지금 말씀하신 부분은 어느 회사가 되든지 기술이 포화 됐다고 생각해요. 그니까 지금 있는 기술이 그런 거를 하는 데 있어서 그렇게 어렵다거나 그렇지는 않다고 생각하는데 거기에 아까 같이 속도라는 팩터가 붙고 배터리가 두꺼워지기 시작하고 기존에 됐던 것들이어렵다는 결과가 되는 거죠. 그거를 얘기해주는 팩터가 결국은 영상을 봐도 옛날에는 사람의 눈을 봐도 영상을 보면 쉽게 구분이 됐는데 이제는 영상을 봐도 잘 안되더라. 그 이유가 아까와 같은 요소가 있었기 때문에 저는 배터리 검사 기술은 지금 우리 회사도 15년 정도 했지만, 이 부분에서는 대부분의 검사 회사가 다 일정 수준 이상의 기술을 가졌다고 생각하고 지금부터는 생산성이나 아까 말한 대로 어떻게 찍어야 검사 정확도를 얘기할 수 있는가. 그게 결국 고객이 원하는 사실이라서 그런 부분이 돼서. 지금 상태는 다 하고 있고 결국은 얼마나 빨리 얼마나 더 두꺼운 어떤 배터리까지 커버할 것인가. 그런 거에 있어서 정확도 차이가 나고 성능 차이가 나는 거 아닌가 생각합니다.”

-그러면 지금 말씀하신 X-ray 검사 장비 성능을 가지고 해상도죠. 이런 정확도를 갖고 속도는 몇 ppm까지 커버할 수 있을까요?

“그게 원통형 같은 것은 보통 예전엔 200ppm, 180ppm이었지만, 요즘은 300ppm, 350ppm까지도 많이 요구되는 장비가 있어서 우리 회사도 만들고 있고 아마 다른 회사들도 많이 만들고 있다고 생각하고요. 파우치는 크기에 따라서 ppm이 다르지만, 보통 20ppm, 30ppm 이렇게 올라가는. 근데 그건 크기에 따라 달라요. 크기가 크면 다 해야 하니까 ppm이 그만큼 떨어지는 거고, 그렇기 때문에 그런 고속 부분은 제가 보기에는 앞으로도 계속 수치가 올라갈 거로 생각합니다.”

-이게 아까 저희가 얘기했지만, 굉장히 모순된 거 같습니다. 투자는 많이 이루어지는데 생산성을 많이 높여야 한다는 전제도 있으면서 또 한편으로는 안전한.

“맞습니다. 안전해야죠.”

-근데 이게 안전하다는 게 단순히 검사 장비만 많이 요소에 넣는다고 해서 해결될 문제는 아니지 않습니까?

“그런 거죠. 모든 팩터를 살필 수 있어야 하는 거죠. 그니까 X-ray 검사 장비가 모든 걸 볼 수 없듯이 어떤 건 카메라로 봐야 하는 게 있고 어떤 건 X-ray로 보고 어떤 건 다른 테스트를 보여주고 이런 건 결국은 배터리의 신뢰성을 맡는 부서에서 많은 고민을 할 텐데 결국은 그런 것들이 다 잘 조합이 됐을 때 굉장히 완전한 불량이 없는 배터리가 나오지 않을까? 이렇게 생각하고 있습니다.”

-그러면 자비스가 X-ray 검사 장비 전문 회사니까 앞으로 배터리 X-ray 검사 장비의 허들이라고 할까요? 좀 개선해야 할 방향성은 어떤 것들이 있습니까?

“개선보다는 못 하던 거를 할 수가 있어야 하는데 아까 말씀드린 대로 세미나 때도 소개해 드리겠지만, 시간을 단축하는 것들은 계속 온고잉으로 되겠지만, 고객이 얘기했던 거 있잖아요. 나는 CT를 보고 싶은데.”

-좀 더 다양한 각도로.

“그렇죠. 그런데 시간상으로는 CT가 안 되고 2D로밖에 할 수 없다면 그런 걸 어떻게 해결할 수 있을까? 그런데 그런 유사한 기술들이 배터리 전에 다른 데도 이미 있죠.”

-비슷한 게 있는 거 같습니다.

“반도체에도 똑같은 시나리오가 있지 않겠어요? 계속 생산되고 있는데 어떻게 CT를 찍지 않고 2D를 하지? 그게 예전에는 잘 안 됐지만, 갑자기 이제는 될 수 있다 하면 어떤 기술이 있어서 그럴 수 있는 거잖아요. 결국은 그런 기술을 요즘은 제가 거의 매직 박스같이 보이는 게 AI가 그런 부분을 다 커버해줘요.”

-AI 기술은 사실 스마트 물류나 전 분야에 거쳐서 굉장히 다양하게 쓰이는 범용 기술에 가까워졌는데 방금 막상 또 AI 기술을 말씀하시니까 간단하게 배터리 검사 장비에 쓰이는 AI는 어떻게 활용이 되는 겁니까?

“제일 쉬운 AI라고 하면 아마 X-ray 검사 장비 회사에 배터리 장비 회사에 AI 기술을 어떻게 사용하고 계십니까? 어떤 거를 AI 기술로 커버하려고 생각하십니까? 하면 대부분의 AI는 그런 이물질을 찾는 데 많이 쓰여요. 들어가지 말아야 할 게 있는 거죠. 그니까 아무것도 안 들어 있는 사진을 100만 장을 찍었어요. 그런데 뭐가 들어가 있는 것은 어쩌다가 하나씩 나오거든요. 항상 나오는 게 아니에요. 그러면 얘랑 뭔가 다르게 생긴 게 하나가 나오는 거잖아요. 결국은 그런 거를 검사할 때 기존으로도 검사가 됐다는 거죠. 그거는 불량이 이렇게 생겼어요. 유용을 알면 그런 불량 조건을 찾으면 됐으니까. 그런데 이런 게 지나가다 보면 이런 걸 딥러닝할 수 있을까요? AI란 것이 딥러닝, 머신러닝을 다 포함하는 그런 포괄적인 걸 하지만, 대부분의 지난 일이십 년 동안은 소위 말하는 머신러닝이라는 기법.”

-기계 학습을 좀 시켰던 거죠.

“머신러닝과 딥러닝의 차이는 이게 불량인지 아닌지 룰을 알아야 찾을 거잖아요. 그 룰을 사람이 찾아서 이 룰인지 아닌지를 보게 하면 기계학습, 머신러닝. 이런 건 모르겠는데 이 영상 하고 이렇게 넣어줄 테니까 이거 보고 알아서 가서 찾아. 그러면 딥러닝인데 크게 볼 수 있는데 그 딥러닝 기술이 최근 5년 동안 엄청나게 발전한 거죠. 엄청나게 발전하고 그게 되면서 AI 로봇 제일 쉽게 생각할 수 있는 부분은 기존에 찾던 불량 찾는 회사니까 불량을 AI 기술로 더 잘 찾자. 이게 대부분의 90% 분들이 생각하시는 그런 범위고 그다음에 AI로 아까 제가 오늘 좀 드리고 싶은 말은 시간을 어떻게 줄일 수 있을까?”

-기존 대비 얼마나 줄일 수 있습니까?

“그래서 아까 X-ray 찍는 데에서 제가 AI로 추가로 우리 회사가 사실 반도체나 음식물을 하면서 기술을 배터리에 융합하면서 찾은 기술이 X-ray의 그런 물리적인 한계. 오래 찍어야 화질이 좋고 가깝게 찍어야 화질이 좋은 것을 AI 학습 기법 위에서 시간을 줄이고 해상도를 올리는. 그래서 시간을 줄이는 것은 저희가 반도체에서 확인해본 것은 거의 30% 수준까지 원래 예를 들자면 0.5초가 걸렸다면 0.2초에도 0.5초와 같은 수준이 나올 수 있는 그런 기술.”
-획기적이네요.

“그렇죠. 그런데 그게 안 되면 반도체 같은 경우 저선량으로만 찍어야지 보호되기 때문에 사실 인라인에 적용할 수가 없어서 그런 니즈 때문에 그 기술을 굉장히 크리티컬하게 했고 그다음에 역시 비슷한데 한 번에 많은 걸 찍어야지 검사 속도가 나오는데 그렇지 못하면 결국은 해상도 문제를 해결해야 하거든요.”

-그러니까요.

“그래서 그런 거는 해상도 문제는 이미 세상의 많은 사람이 이미 많이 했어요. 그런데 저희가 계약해본 거는 결국은 아까 말한 데이터. 그걸 다 저희가 내보내고 획득해서 실험하고 그런 네트워크를 개선해서 하는 그거. 그래서 저희가 생각한 두 가지의 더 다른 팩트는 AI로 그런 X-ray 한계를 뛰어넘는 촬영 시간 단축과 그런 거리에 따른 해상도. 이 두 가지를 AI 부분에 대해서 더 추가했고요. 이 부분은 같이 메디컬에도 존재하지만, 어떻게 생각해 보면 메디컬보다 훨씬 더 실용적이고 양산 장비에 적용할 수 있는 그런 기술이라고 생각하고 그런 기술을 오늘 세미나 때 콘퍼런스 때 소개를 드리도록 하겠습니다.”

-마지막으로 앞으로 향후 배터리 검사 장비의 미래에 뭐가 좀 개발돼야 할 거로 예상하시나요?

“배터리 장비는 일단 기계적으로 빨리 찍으려면 굉장히 고속 진동에 강인한 그런 기계 설계가 당연히 필요하겠죠?”

-안정성이 좀.

“안 흔들려야지 사실은 선명하게 찍으니까. 그리고 아까 말한 대로 X-ray의 그런 물리적인 법칙을 뛰어넘을 수 있는 기술. 그다음에 X-ray 검사하는 데도 기존으로 커버할 수 없는 영역에 더 정확도를 올릴 수 있는.”

-X-ray를 볼 수 없는 부분도 볼 수 있게 하는.

“아니에요. 보이지 않는 것은 볼 수 없지만, X-ray가 아까 말씀드렸던 대로 어느 각도에서 보냐에 따라서 X-ray에 촬영된 영상이 다르잖아요. 근데 물체는 같다는 거죠.”

-그렇죠. 같은 물체죠.

“그런 것도 어떻게 보면 학습에 의해서 할 수가 있죠. 이렇게 생긴 것은 얘가 이렇게 됐었던 거야. 이런 것이 약간 Future Work인 거죠.”

-아직 적용된 기술은 아니죠?

“그렇죠. 그렇게 되려면 그런 대량의 학습과 요구를 해보는 거고 이거는 저희도 온고잉이기 때문에. 왜냐면 반도체 했던 기술을 그대로 다 배터리로 갖고 오는 거에요. 똑같잖아요. 반도체도 CT로 해서 똑같기 때문에. 그니까 회사 차원에서도 보면 항상 우리 회사가 챌린지를 많이 받는 게 어떤 회사는 배터리만 하는데 자비스는 이런 거 저런 거 하지 않습니까? 그니까 그게 맞을 수 있어요. 그런데 기술력이 어느 레벨을 올라가는 순간 다른 쪽에 있는 영역이 이쪽으로 많이 들어오는 거죠. 예를 들자면 이따 소개해 드리겠지만, 저희는 음식물 이물질을 하면서 어떻게 생기는지 모르는 불량이 막 오거든요. 불량이 어떻게 생겼는지를 모르는데 어떻게 학습을 해요. 그런 거를 딥러닝으로 많이 했던 게 있기 때문에 결국은 배터리 검사라는 게 아까와 같이 그게 불량도 보지만, 그게 이물질이 들어가 있는 것도 보는 것도 있고 다양한 때도 있어서 결국은 이런 다양한 부분에 조금 더 많은 생산성과 정확도를 올리기 위해서 AI 기술을 혼합했을 때. 그니까 AI만 쓰지 않아요. 기존 거에 AI를 같이 쓰는 보완적인 역할로 했을 때 저희가 생산성이나 정확도 부분에 있어서 타사 대비 많은 차별성을 느낄 수 있다는 걸 보고 그다음에 이런 것이 좀 더 돼야지 국내뿐만 아니라 해외에도 할 수 있는 기술력이 좀 될 수 있다고 생각하고 계속 미래 기술로 개발하고 있습니다.”

-알겠습니다. 오늘 여기까지 마무리하고 오늘 나와주신 자비시 민병석 CTO님께 오늘 대단히 고생하셨습니다. 고맙습니다.

“감사합니다.”