섬유산업에서는 여전히 빠르게 돌아가는 원단을 사람이 눈으로 좇아 결함 검수를 하고 있다. 작은 구멍이나 실 빠짐, 얼룩을 찾아내야 하지만 생산라인은 검사원을 기다려주지 않는다. 눈앞에서 결함 하나를 놓치면 그 원단은 그대로 다음 공정으로 넘어가 제품화 된다. 문제는 몇 주 뒤다. 고객이 불량을 발견해 클레임을 제기하면 ‘공급망 내 어느 공정에서 언제 생긴 결함인지’를 다시 따져야 한다. 사람이 눈으로 검사했다는 사실만으로는 각 단계의 생산자가 자신의 품질을 증명하기 어려운 상황인 것이다.
유준하 오토랩스(AutoLabs) 대표가 주목한 것은 이 지점이다. 오토랩스는 롤투롤(Roll-to-Roll·R2R) 방식으로 생산되는 원단과 펄프·제지 등의 표면을 AI로 검사하는 솔루션을 선보인 제조 AI 스타트업이다. 기존 생산설비를 통째로 바꾸는 대신 카메라와 조명 등이 포함된 별도의 장치를 기존 가동 중인 라인에 추가하는 ‘레트로핏(Retrofit) 방식’의 ‘오토비전(AutoVision)’을 개발하고 있다. 이 솔루션의 특징은 단지 결함을 찾아내는 데서 끝나지 않는다. 결함 위치와 이미지를 남기고 검사 리포트를 생성해 사후 품질 분쟁 때 확인할 수 있는 데이터화가 핵심이다.
초기 오토랩스는 AI가 사람을 대신해 검사하면 인건비를 줄일 수 있다는 방식으로 시장에 접근했다. 하지만 인력 기반의 보수적인 제조 현장은 시큰둥한 반응이었다고. 흥미로운 점은 인건비 대신 품질 문제에 따른 ‘클레임’에 대응할 수 있다는 방향으로 전환한 뒤 상황이 달라졌다는 것이다. 오히려 공장에서 오토랩스를 찾아와 솔루션 도입을 제안하기 시작했다. 원단 산업 현장을 돌아다니며 고객의 목소리를 듣고 PMF(시장적합도)를 끊임없이 고민한 결과다. 특히 오토랩스는 인건비가 낮은 해외 제조현장에서는 인건비만으로 투자수익률(Return on Investment·ROI)을 설명하기 어렵다는 사실을 확인했다고. 유 대표가 다시 계산한 제조 AI의 ROI는 ‘사람을 몇 명 줄였느냐’가 아니라 ‘놓친 불량 때문에 발생할 비용을 얼마나 줄이고, 품질을 얼마나 증명할 수 있느냐’였다.
두 번의 창업 경험 뒤 B2B 현장으로…“중소 공장이 실제 쓸 수 있어야 했다”
유 대표는 대학 시절부터 두 차례 창업을 시도한 바 있다. 이커머스 사업과 대학생 인턴십 큐레이션 플랫폼 등 소비자 대상(B2C) 사업이었다. 서툴렀고 결과 역시 신통치는 않았다. 유 대표는 당시 경험을 돌아보며 “경험이 부족했다”고 말했다. 오토랩스 창업의 계기가 된 것은 이후 영업과 비즈니스를 실제 현장에서 배우고자 취업한 B2B(기업간 비즈니스) 기업 근무 경험이었다.
당시 유 대표는 데이터센터와 스마트공장에 들어가는 네트워크 인프라를 설계하고 해외 벤더 제품을 발주·납품하는 업무를 맡았다. 스마트공장 구축 현장을 가까이서 보면서 경험을 쌓았고 동시에 의문도 커졌다. 정부와 산업계가 중소 제조기업의 디지털 전환을 강조하고 있었지만 현장에서 실제 작동하는 자동화의 수준은 기대와 달랐던 것이다
“스마트공장 하나를 구축하는 데 들어가는 비용이 어마어마하게 크다는 걸 알게 됐어요. 그런데 정작 중소기업도 디지털 전환을 해야 한다고 하지만 실질적으로 인프라가 그렇게 따라주지는 않는다는 걸 봤습니다. 그래서 노동집약적인 환경이나 중소 제조공장들이 사용할 수 있는 스마트팩토리 디지털 전환 솔루션을 만들어볼 수 있지 않을까 생각하면서 창업 아이템을 잡기 시작했죠.”
그렇게 유 대표는 2025년 공동창업자들과 의기투합해 오토랩스 창업을 감행했다. 유 대표가 사업·전략과 투자 등을 총괄하고 오윤석 최고AI책임자(CAIO)가 AI 연구를, 신휘철 최고제품책임자(CPO)가 제품과 현장 배포를 맡았다. 또 데이비드 김 최고운영책임자(COO)는 글로벌 B2B 영업을 전담했다.
창업 후 예비창업패키지를 통해 시장 검증에 나섰고 이후 앤틀러코리아 인셉션 프로그램에도 참여하며 프리시드 투자 유치에도 성공했다. 하지만 공장에 들어가자 ‘AI 검사 솔루션을 통해 인건비를 절감할 수 있다’는 첫 가설부터 흔들렸다.
원단 산업은 대표적인 노동집약 산업이다. 생산기지가 동남아로 이전한 이유 가운데 하나도 상대적으로 낮은 인건비다. 즉 제조공장들에게 인건비는 이미 해결한 문제였던 셈이다.
“섬유 쪽은 비용에 굉장히 민감한 사업이에요. 저희가 상대하는 고객사 입장에서 비용의 큰 부분이 인건비라고 생각했어요. 그러나 동남아로 가면 인건비 문제는 해결이 된 셈이죠. 그래서 저희는 다시 ‘품질 클레임 비용을 줄여주겠다’로 방향 전환을 했어요. 클레임에 따른 손실을 줄이고 품질을 보증할 증거를 만들어 클레임으로부터 보호받을 수 있도록 해주겠다는 거였죠. 그렇게 ROI를 산출할 수 있도록 하니 반응이 달라지더군요.”
‘결함 데이터 학습 없이도 바로 투입 가능’한 솔루션으로 경쟁력 확보
오토랩스가 내세우는 기술적 차별점 중 하나는 도입 전에 고객이 대규모 결함 데이터를 구축하는 부담을 줄였다는 것이다. 기존 머신비전 기반 AI 검사 시스템은 검사하려는 불량 유형별 이미지를 확보하고 이를 정상·불량으로 분류해 라벨링한 뒤 모델을 학습시키는 방식이 흔하다. 제품 종류나 소재, 검사 대상이 달라지면 새로운 데이터를 확보하고 모델을 다시 조정해야 하는 경우도 있다.
하지만 오토랩스는 기존 방식처럼 수만 장 규모 라벨링 이미지를 미리 확보할 필요가 없으며 설치 직후 바로 불량 탐지를 시작할 수 있다. 이른바 제로샷 이상탐지(Zero-shot Anomaly Detection), 파운데이션 모델(Foundation Model), 오픈셋 탐지(Open-set Detection) 등의 기술이다. 그렇다고 오토랩스의 AI 솔루션이 ‘학습하지 않는 AI’라는 뜻은 아니다. 유 대표는 의미 심장한 미소와 함께 비결을 털어 놨다.
“당연히 AI 모델은 모두 학습이 필요합니다. 그런데 중소 제조공장에서는 학습 데이터를 구축하는 것 자체가 어려워요. 그래서 선행 학습된 모델을 가지고 현장에 먼저 적용하고, 거기서 수집되는 실시간 데이터를 다시 같이 학습시키면서 뒤에서 AI 모델이 진화하는 선순환 구조를 만든 겁니다. 고객이 처음부터 결함 데이터를 다 만들어놓고 시작하는 것보다는 공수가 훨씬 덜 들어가는 형태라고 보시면 됩니다.”
흥미로운 점은 이 기술을 개발하는 과정에서 선행 학습된 데이터가 ‘암세포 이미지’라는 것이다. 이는 오윤석 CAIO가 기존 연구를 검토하는 과정에서 미세한 형태 이상을 찾아야 하는 의료 이미지와 원단 결함 탐지 사이의 공통점에 주목하면서 구체화됐다. 이후 오토랩스는 의료 분야의 사전학습 모델의 영역을 제조 이미지로 전환한 뒤 현장 데이터로 성능을 보정하는 방법을 연구, 적용했다.
오토랩스 솔루션의 또 다른 특징은 AI가 발견한 ‘이상’을 곧바로 특정 결함명으로 단정하지 않는다는 것이다. 정상 패턴과 다른 영역을 먼저 찾아낸 뒤 현장 작업자가 그것이 구멍인지, 실 빠짐인지, 실제 불량이 아닌지를 확인한다. 이른바 ‘암묵지’로 불리는 숙련된 전문가의 판단이 다시 데이터로 쌓이는 셈이다.
“원단의 결함은 대략 63가지 정도로 구분이 됩니다. 그 하나하나 미리 학습시키기 보다 정상과 다르면 우선 잡아내는 방식인 거죠. 이후 숙련된 작업자가 결함을 정의하면 그 판단까지 데이터로 전환해 축적합니다. 사람 참여형 학습(Human-in-the-loop)과 능동학습(Active Learning)을 제조 현장에 결합한 구조인 셈이죠.”
AI보다 까다로웠던 빛·진동·열…“공장마다 환경이 너무 달랐다”
물론 이와 같은 오토랩스의 알고리즘이 공장에서 곧바로 작동한 것은 아니었다. 오토랩스 팀이 실제 공장에 들어가자 예상하지 못했던 문제들이 연달아 발생했다. 실험실과 달랐던 여러 환경적인 요인들을 감안하지 못한 탓이었다. 유 대표는 문제를 확인하고 개선해 나간 과정을 세세하게 설명했다.
“제일 큰 건 네트워크 환경이 공장마다 다 다르다는 거였어요. 어떤 공장은 와이파이가 너무 약해서 AI 모델이 돌아가다가 계속 끊기기도 했고요. 외부 빛이나 진동 같은 예상하지 못한 환경적인 요인 때문에 시스템이 먹통이 되기도 했습니다. 공장에는 에어컨이 안 돌아가는 경우도 있다 보니까 산업용 PC가 과열돼 시스템이 꺼지는 문제도 있었어요. 처음에는 머신비전 카메라가 워낙 예민하다 보니 환경을 고려해서 세팅하는 데 시간이 굉장히 오래 걸렸습니다.”
오토랩스는 다시 각각의 문제를 제품 설계에 반영했다. 초창기에는 카메라 설정에 하루가량 걸렸지만 설정 절차를 소프트웨어 단계로 정리하면서 현재는 1~2시간 정도면 카메라 세팅을 할 수 있는 수준으로 줄였다.
제품 형태도 현장에서 달라졌다. 펄프 공장에 처음 설치한 장비는 생산라인에 카메라 모듈을 노출한 형태에 가까웠다. 그런데 시간대에 따라 들어오는 외부광이 검사 영상에 영향을 줬다. 이후 원단 공장용 장비에는 카메라와 검사 구역을 둘러싸 외부 빛을 차단하는 함체 구조를 적용했다.
원단 마다 제각각인 특성을 맞추는 것도 쉽지 않았다. 가령 우븐 원단과 달리 니트 원단은 장력에 따라 폭이 변한다. 오토랩스가 처음 설계한 롤러 구조는 원단에 걸리는 장력이 너무 강해 검사 과정에서 원하는 폭을 유지하기 어려운 문제가 있었다. 결국 카메라만 잘 달아서는 해결되지 않았다. 롤러와 기계 구조까지 제조공정에 맞춰 다시 손봐야 했다.
그렇게 개발된 오토비전 R2R 시스템은 라인스캔 카메라 4대를 탑재해 최대 60인치 폭을 촬영하고 최대 분당 50m 속도의 라인에서 검사하는 형태로 만들어졌다. 설치 폭은 약 1800㎜이며 기존 생산라인에 추가 장착하는 구조다. 지난했던 과정을 설명하며 유 대표는 제조 AI 기업에 필요한 역량을 ‘현장 적응’이라고 말했다.
“저희가 1년 동안 다양한 공장을 가보고 환경을 몸소 경험해본 결과 깨달은 것은 공장마다 상황이 너무 다르다는 거였어요. 결국 새로운 환경에 갔을 때 얼마나 센스 있게 대처할 수 있는지, 예상치 못한 문제가 생겼을 때 현장에서 얼마나 빨리 해결할 수 있는지가 중요하다고 생각합니다. 기술이든 뭐든 다 떠나서 포기하지 않는 마인드와 새로운 환경에 대한 적응력, 저는 그 두 개가 제일 필요한 역량이라고 봅니다.”
펄프 공장에서 쌓인 1780건의 ‘미지 결함’…아직은 검증의 시간
오토랩스가 넘어야 할 다음 문턱은 분명하다. 기술 시연이 아니라 돈을 내는 고객을 확보하는 것이다. 오토랩스는 현재 디자인 파트너 3곳과 채널 파트너 1곳을 확보했다. 펄프·제지 현장은 지난 6월부터 가동을 시작했고 원단 현장은 이제 막 장비 설치를 마쳤다. 그 외에 다른 직물기업과도 실증을 준비하고 있다. 또 베트남에서도 현지 채널 파트너십을 구축했다. 이제 중요한 것은 현장 데이터를 통해 미탐·오탐률이나 클레임 절감액 등의 레퍼런스를 확보하는 것이다. 이미 현장에서 기술적 가능성을 확인한 사례가 나오고 있다. 유 대표는 “펄프 생산라인에서 약 한 달 동안 1780건 이상의 사전에 정의하지 않은 이상 이미지를 축적했다”며 말을 이어갔다.
“기존에는 벌레를 잡으려면 벌레 결함 데이터를 먼저 수집해서 학습시켜야 했어요. 그런데 저희 모델은 그걸 따로 학습시키지 않았는데도 조그마한 벌레가 눌려진 것까지 실시간으로 잡아냈습니다. 그냥 봤을 때 정상과 다른 부분을 먼저 찾아내는 방식이니까요. 지금은 그런 미지의 결함 데이터를 계속 쌓고 있습니다.”
앞서 오토랩스 확보한 ‘디자인 파트너’ 역시 중요한 역할을 하고 있다. 이들은 단순히 장비를 시험해주는 고객이 아니라 실제 제품 설계 과정에 요구사항을 되돌려주는 공동 개발 파트너에 가깝다.
유 대표는 “저희가 산업에서 미처 생각하지 못했던 부분들을 디자인 파트너가 피드백해주면 한 달 동안 다시 개발해 현장에서 쓸 수 있도록 만드는 과정을 진행 중”이라고 했다. 원단 장력 문제가 발견되고 외부광을 막기 위한 함체 구조가 추가된 것도 이 과정에서 얻은 결과였다. 유 대표는 “구매 전환을 위해서는 정상적인 ‘품질 리포트’를 만들어 고객이 실제 클레임 상황에서 활용할 수 있다는 점을 입증하는 것”이라고 강조했다.
“현재 저의 목표는 생산된 원단이나 펄프 종이에 대해 실질적인 품질 리포트를 제시하는 거예요. 고객 입장에서는 그것이 클레임으로부터 보호받을 수 있는 증거가 되니까요. 기존 검사 솔루션들이 실패했던 경험을 고객들도 다 알고 있어요. 결국 그런 경험을 저희가 극복해낼 수 있다는 신뢰를 만드는 게 중요하다고 봅니다.”
하드웨어를 깔수록 데이터가 쌓인다…목표는 ‘R2R 품질 AI의 표준’
오토랩스의 장기 전략은 검사장비 판매에 머물지 않는다. 현장에서 카메라가 이미지를 수집하고 AI가 이상을 발견한다. 작업자가 결과를 다시 확인하면서 실제 결함인지 판단한다. 이렇게 사람의 판단이 더해진 데이터를 여러 생산라인에서 계속 확보한다면 단순 이미지보다 제조 노하우가 포함된 데이터가 만들어진다는 것이 오토랩스의 전략이다.
오토랩스는 이를 ‘데이터 해자’로 정의한다. 생산라인 설치가 늘어날수록 데이터가 축적되고, 계약을 통해 학습 데이터 활용 권리를 확보하며, 데이터의 종류가 다양해지면 다른 소재에서도 적용 성능을 끌어올릴 수 있다는 구상이다. 장기적으로는 솔루션의 직접 판매뿐 아니라 주문자상표부착생산(OEM) 계약을 통해 데이터 권리를 확보한다는 전략이다. 그러면서 유 대표는 ‘자체 파운데이션 모델’을 최종 목표로 제시했다.
“저희의 최종적인 목표는 향후 2년 안에 자체적인 파운데이션 모델을 만들어내는 거예요. 현장에서 축적되는 데이터가 단순하게 촬영한 이미지만 쌓이는 게 아니라 사람이 한 번 더 판단했던 데이터가 실시간으로 축적됩니다. 저는 그게 저희의 실질적인 데이터 해자라고 보고 있어요. 이런 데이터를 통해 다양한 산업군에서 즉각 판단할 수 있는 파운데이션 모델을 만들고, 라이선스 사업으로도 확장 할 예정입니다.”
현재 우선 공략 분야는 난도가 높은 원단과 상대적으로 패턴이 단순한 펄프다. 두 극단의 제조환경에서 모델 전환 가능성을 검증한 뒤 필름과 이차전지 소재, 탄소섬유, 항공우주 소재 등으로 넓히겠다는 전략이다. 오토랩스의 로드맵은 국내 시장에서 디자인 파트너의 유료 전환을 추진한 뒤 베트남으로 확장하고 미국·일본 시장과 주문자상표부착생산 라이선스 사업으로 이어가는 계획까지 닿아 있다.
오토랩스는 현재 그러한 로드맵의 초입에 있다. 무료 실증을 유료 계약으로 바꿔야 하고, 장기간의 실제 생산환경에서 오탐과 미탐을 검증해야 한다. 품질 리포트가 실제 고객의 클레임 비용을 얼마나 줄이는지도 숫자로 증명해야 한다.
산적한 과제 속에서도 유 대표는 지난 1년간 확인한 분명한 사실을 강조했다. 제조 현장에서 필요한 것은 단순히 ‘결함을 더 잘 찾는 AI’가 아니라 데이터를 활용해 품질을 입증하는 결과물이라는 것이다. 인터뷰를 마치며 미래를 이야기하는 유 대표의 표정에 경험에서 찾은 자신감이 깃들어 있었다.
“오토랩스 하면 중소 제조기업 디지털 전환의 선두주자라는 타이틀을 가지고 싶어요. 전 세계에서 가장 많은 중소 제조공장에 검사 솔루션을 배포해본 회사도 되고 싶고요. 저희가 구축한 AI 파운데이션 모델이 롤투롤 산업에서는 검사 AI의 표준이 됐으면 합니다. 나중에는 오토랩스가 만든 품질 리포트 자체가 ‘이 제품은 믿을 수 있다’는 신뢰를 줄 수 있는 브랜드가 되는 게 목표입니다.”
