- 반복적인 규격 및 색상 테스트로 인한 개발 기간 증가: 완제품의 최종 규격과 색상은 실제 제조 후에 확인할 수 있어 목표치를 맞추기 위해 여러 차례 렙 테스트와 수정이 반복된다. - 경험에 의존해 발생하는 오류: 현재 규격/색상 예측 및 공정 조건 세팅이 경험 및 노하우에 의존하고 있어 담당자에 따라 결과 편차 및 설정 오류가 발생할 수 있다. - 축적된 개발 데이터 및 표준서 자산의 활용 부족: 원료별 성분/색상, 배합비, 공정 조건, 완제품 규격/색상 데이터 및 기존 제품 표준서가 단순 기록물로만 관리되어 신규 제품 개발 및 공정 설계에 적극 활용되지 못하고 있다. - 영업과 고객사 간 제품 협의의 한계: 고객사 미팅 시 예상 제품 규격 및 색상을 사전에 제시하기 어려워 샘플 제작 후에나 결과 확인이 가능하며, 랩샘플 제안 및 수정에 많은 시간이 소요된다.
- 배경 · 이화학 규격 및 색상 예측의 한계: 음료의 최종 색상 및 핵심 이화학 규격(pH, Brix, 산도, 비중)은 원료 배합비와 공정 조건에 따라 복합적으로 달라져 실제 제조 전에는 정확한 예측이 어려움. · 제조 공정도 작성 및 공정 조건 수립 시 숙련도 차이에 따른 작업 오차 방지: 딥러닝 기반 문서 지능(Document AI) 파이프라인을 도입하여 축적된 레거시 제품 표준서 데이터를 파싱하고, 신규 제품 특성에 최적화된 표준 공정도 및 설비 파라미터를 자동 추출·추천함으로써 담당자의 숙련도와 관계없이 정확하고 표준화된 제조 조건 수립 체계를 구축하고자 함. · 통합 AI 자동화 시스템 구축 목표: 회사가 보유한 원료별 성분/색상 데이터, 배합비, 공정 조건, 완제품 이화학 규격 및 색상 데이터를 AI에 학습시켜 신규 처방의 예상 규격/색상을 제조 전에 사전 예측하고, 비구조화된 제품 표준서 문서를 딥러닝으로 파싱하여 제조 공정도 및 설비 제어 조건을 자동 추출·설정하는 통합 시스템을 구축하고자 한다. - 모델 처리 흐름 1. 학습 데이터 · 원료 배합 및 성분 데이터 / 원료 색상 데이터(L*, a*, b*) · 이화학 규격 데이터(pH, Brix, 산도, 비중) / 공정 조건 데이터(살균 온도·시간 등) · 문서 자산 데이터: 기존 제품 표준서 문서 데이터 2. AI 모델 구조 · 규격 & 색상 예측 파트: 다층 퍼셉트론(MLP) 및 TabNet 기반 Multi-Task Neural Networks 적용 (필요 시 Gradient Boosting, CatBoost 등 앙상블 모델과 비교 검증) · 표준서 딥러닝 & 공정도 파트: LayoutLMv3 + LLM 기반 NER/RE 모델을 활용하여 문서 파싱 후, DAG 구조 기반 공정도 시각화 및 설비 파라미터 자동 매핑 3. 출력 결과 · 이화학 규격 예측 및 목표값 대비 오차 분석 · 색상 예측 및 시각화(L*, a*, b*), 목표 색상 대비 색차(ΔE) · 예측 신뢰도(Confidence Score) 및 SHAP 기반 원료 기여도 분석 · 자동화된 표준 제조 공정도(Process Flow Diagram) 및 라인별 설비 설정 파라미터 - 모델 학습 및 개선 방향 · 성능 평가 기준 확립: Train / Validation / Test 데이터셋 분리를 통해 학습하며, 예측값과 실제 측정값 간의 오차(규격 대비 오차율 및 색차 ΔE)를 기준으로 성능을 평가한다. · 지속적 재학습 및 피드백 루프: 신규 개발 제품의 실측 데이터 및 신규 양산 표준서를 지속적으로 축적하여 주기적으로 모델을 재학습한다.
- 반복 실험 감소 및 개발 기간 단축: 제조 전 예상 이화학 규격과 색상을 확인하여 목표치와 차이가 큰 처방을 사전에 보완함으로써 테스트 횟수 감소 및 개발 기간을 단축할 수 있다. - 양산 세팅 시간 단축 및 품질 균일성 제고: 제품 표준서 기반 공정도 및 제조 조건 자동 추출을 통해 설정 오류 위험을 방지하고 업무의 효율성을 높일 수 있다. - 개발 데이터 및 공정 노하우의 AI 자산화: 원료 성분/색상, 배합비, 공정 조건, 규격 데이터 및 표준서 양식을 AI가 지속적으로 학습하여 회사의 개발 및 생산 노하우를 데이터 자산으로 축적할 수 있다. - 영업 경쟁력 및 데이터 기반 의사결정 문화 확산: 고객사 미팅 시 예상 완제품 규격 및 색상을 시각적·객관적 데이터로 사전 제시하여 제안의 신뢰성을 높이고, 개발·영업·생산 부서 간 의사소통 효율을 대폭 향상시킬 수 있다.