도서 소개

최첨단 설비를 도입했는데도 생산성은 기대만큼 오르지 않고, MES와 ERP를 구축했지만 현장은 여전히 엑셀에 의존하고 있다면 문제는 기술이 아니라 활용 방식에 있을 수 있다. 스마트 팩토리, 제조 AI, 피지컬 AI, 디지털 트윈, 산업용 로봇, MES·ERP 등 제조업의 핵심 기술을 현장의 언어로 풀어낸 실무형 안내서다.

많은 기업이 디지털 전환과 스마트 제조를 추진하고 있지만 기대한 성과를 얻지 못한다. 저자는 그 원인을 기술이 아닌 사람, 데이터, 프로세스, 조직 역량에서 찾는다. 자동화의 역설, 정보화의 실패 사례, 데이터 품질 문제, 현장의 저항과 같은 현실적인 문제를 다양한 사례와 함께 분석한다.

자동화와 지능화의 차이에서 출발해 제조기업의 정보시스템 구조, 산업 IoT, AI 비전 검사, 예지보전, 생산 최적화, 디지털 트윈, 피지컬 AI와 휴머노이드 로봇, 자율제조와 미래 공장까지 폭넓게 다룬다. 경험과 데이터, AI의 결합이 제조혁신의 출발점임을 보여준다.

  출판사 리뷰

제조 AI·피지컬 AI·디지털 트윈을 한 권으로 이해한다

최첨단 설비를 도입했는데도 생산성은 기대만큼 오르지 않는가? MES와 ERP를 구축했지만 현장은 여전히 엑셀에 의존하고 있는가? 자동화를 할수록 오히려 업무가 복잡해지고 있다면, 문제는 기술이 아니라 활용 방식에 있을 수 있다.
《부의 미래, 지능형 공장에 있다》는 스마트 팩토리, 제조 AI, 피지컬 AI, 디지털 트윈, 산업용 로봇, MES·ERP 등 제조업의 핵심 기술을 현장의 언어로 풀어낸 실무형 안내서다.
많은 기업이 디지털 전환과 스마트 제조를 추진하고 있지만 기대한 성과를 얻지 못한다. 저자는 그 원인을 기술이 아닌 사람, 데이터, 프로세스, 조직 역량에서 찾는다. 자동화의 역설, 정보화의 실패 사례, 데이터 품질 문제, 현장의 저항과 같은 현실적인 문제를 다양한 사례와 함께 분석하며 실질적인 해결 방향을 제시한다.
원고는 자동화와 지능화의 차이에서 출발해 제조기업의 정보시스템 구조, MES와 ERP 구축, 산업 IoT, AI 비전 검사, 예지보전, 생산 최적화, 디지털 트윈, 피지컬 AI와 휴머노이드 로봇, 자율제조와 미래 공장까지 폭넓게 다룬다. 또한 머신러닝, 딥러닝, 강화학습, 데이터 파이프라인, MLOps 등 AI 기술의 핵심 원리를 제조 현장과 연결해 쉽게 설명한다. 특히 AI 시대의 주인공은 IT 전문가가 아니라 현장을 가장 잘 아는 도메인 전문가임을 강조하며, 경험과 데이터, AI의 결합이 제조혁신의 출발점임을 보여준다.
공장 경영자와 생산기술 담당자, 제조혁신 실무자, 스마트 팩토리 구축 담당자, 산업공학 전공자와 학생까지. 제조업의 미래 경쟁력이 어디에서 만들어지는지, 지능형 공장이 어떤 방식으로 생산성과 품질, 수익성을 바꾸는지 알고 싶은 독자라면 현장 중심의 통찰과 실행 방향을 얻을 수 있을 것이다.

AI가 공장을 학습하고, 데이터가 의사결정을 이끄는 시대
제조업의 미래는 지능형 공장에서 시작된다

왜 스마트 팩토리는 기대만큼 성과를 내지 못하는가? /
AI와 스마트 팩토리가 제조업의 미래를 바꾼다는 이야기는 이제 낯설지 않다. 그러나 정작 현장에서 필요한 것은 화려한 기술 소개와 포트폴리오가 아니라, 왜 많은 디지털 전환 프로젝트가 기대한 성과를 내지 못하는지, 그리고 무엇부터 시작해야 하는지에 대한 현실적인 답변이다. 《부의 미래, 지능형 공장에 있다》는 이러한 질문에서 출발한다.

자동화의 역설, 현장의 언어로 풀다 /
이 책은 스마트 팩토리와 제조 AI를 단순한 기술 트렌드로 다루지 않는다. 자동화의 역설, 정보화의 실패, 현장의 저항, 데이터 품질 문제 등 실제 제조 현장에서 반복적으로 발생하는 문제를 분석하며, 기술 도입 이전에 해결해야 할 조직과 프로세스의 중요성을 강조한다. 특히 제조업의 경쟁력이 더 이상 설비 자체가 아니라 데이터를 활용하는 능력에서 결정된다는 점을 다양한 사례와 함께 설명한다. 또한 MES와 ERP, 산업 IoT, AI 비전 검사, 예지보전, 디지털 트윈, 피지컬 AI, 휴머노이드 로봇, 자율제조에 이르기까지 제조 혁신의 핵심 기술을 하나의 흐름 속에서 이해할 수 있도록 구성되어 있다. 특히 각각의 기술을 개별적으로 설명하는 데 그치지 않고, 그것이 실제 공장에서 어떻게 연결되고 어떤 가치를 창출하는지를 보여준다.

AI 시대의 주인공은 현장을 아는 사람이다 /
저자는 AI 시대의 주인공이 반드시 IT 전문가일 필요는 없다고 말한다. 오히려 현장을 가장 잘 이해하는 사람의 경험과 통찰이 AI와 결합할 때 가장 큰 혁신이 가능하다는 점을 강조한다. 제조업의 미래를 고민하는 경영자와 실무자, 그리고 제조 현장을 이해하고자 하는 학생들에게 변화의 방향을 보여주는 유용한 길잡이가 될 것이다.

  작가 소개

지은이 : 김영석
현장의 실무와 이론을 아우르는 공장관리 전문가. 자동차 부품 중견기업에서 27년간 재직하며 생산기술, 정보시스템(MES/ERP) 구축 PI, 생산·노무관리를 했다. 국내외 자동차 시트 조립공장 3개소를 셋업한 현장 경험을 바탕으로 제조 혁신을 이끌어왔다.(현) 한국공장관리기술사회 사무국장, 산업경영공학 박사, 공장관리기술사, PMP, ISO 9001/14001/45001 심사원 보유

  목차

책을 시작하면서: 제조업의 미래, 도메인 전문가와 AI의 협업에 답이 있습니다
프롤로그: '기름때'의 시대가 가고 '데이터'의 시대가 왔습니다

1부. 자동화, 지능화의 역설: 열심히 자동화했는데 왜 더 복잡해질까?
[자동화의 역설] “기계가 틀리는데 어떻게 믿나요?” 현장의 불신이 만든 비극
[정보화의 역설] 레이저 용접의 품질', 한 번의 학습'으로 안심할 수 없는 이유
[정보화의 역설] 엉망인 요리법에 최첨단 믹서기를 들인다면?
[정보화의 역설] 억 소리 나는 시스템이 왜 '비싼 종이 받침대'가 되었을까요?
[정보화의 역설] 성능은 좋은데 수리하는 데 일주일
[자동화의 역설] 비싼 로봇을 들였는데, 왜 우리 공장은 여전히 바쁘고 힘들까요?
[자동화의 역설] 신제품이 나올 때마다 새로운 설비로? 이제는 레고처럼 뗐다 붙였다 하세요
[자동화의 역설] 기계만 스마트하게? 생산현장을 관리하는 '사람'도 육성하세요
[자동화의 역설] 고장 나지 않는 기계는 없습니다, 중요한 건 '미리 아는 것'입니다
[정보화의 역설] 부실한 기초 위에 세운 인공지능은 모래성일 뿐입니다
[자동화의 역설] AMR을 도입했는데, 왜 물류는 더 복잡해졌을까요?
[자동화의 역설] 기계만 들여오면 사람이 편해질 줄 알았는데, 왜 더 바빠질까요?

2부. 공장의 정보 시스템: 우리 공장의 정보시스템은 어떻게 구성되어 있나
1. 정보 시스템 계층 구조(ISA-95)
기업의 경영 시스템(ERP, MES 등) 도입 이유 (기대효과)
제조기업의 정보 시스템 계층 구조:I SA-95
ISA-95 계층 구조의 특징: 회사의 장기 전략과 초 단위의 현장 상황이 공존하는 법
5C 아키텍처 & 소프트웨어 정의 공장: 공장에 '지능'이라는 생명력을 불어넣는 방법
한국형 스마트 제조 성숙도 모델(KOSMO/KS 계열)
AI, 로보틱스 시대의 제조 성숙도 모델의 진화: 기계가 '연결'되는 것을 넘어 '생각'하기 시작했다면?
2. MES (Manufacturing Execution System, 제조 실행 시스템)
보이지 않는 공장을 보이게 만드는 힘M, ES란 무엇일까요?
중소기업의 성공적인 MES 도입 단계별 로드맵
업종별 MES 구축 방법 “공장의 M' BTI'를 알면 실패 없는M ES가 보입니다”
생산전략별 MES 구축 방법 차이
생산전략이 뭔가요? (CODP에 따른 생산전략)
3. ERP (Enterprise Resource Planning)
ERP의 역할과 구조: 엑셀에서 벗어나 데이터로 소통하는 스마트 공장
각 모듈의 기능: ERP로 공장의 '컨트롤 타워'를 세우세요!
ERP 도입 시 고려 사항 “욕심은 줄이고 기초는 탄탄하게 !”
4. 구축 방법론
PI 방법론: 스마트 공장을 짓기 전 '기초 공사'를 시작하세요
기준정보의 표준화: 이름이 제각각이면 배가 산으로 간다?
SDLC (Software Development Life Cycle, 소프트웨어 개발 수명)
AI 도입 방법론(CRISP-DM)과 지속관리(MLOps)
엑셀처럼 설치하면 끝날 줄 알았던A I, 왜 자꾸 '실험'이 필요하다고 할까요?
변화관리: 시스템만 바꾸면 끝인가요? 진짜 변화는 '구성원의 실행'에서 시작됩니다
도메인 전문가와 AI 전문가의 협업 모델

3부. 제조 AI(인공지능, Artificial Intelligence): 제조에 특화된 AI(인공지능)의 등장
1. 산업 데이터의 인프라
IoT: 기계들이 서로 대화하며 공장을 지키는 마법
산업 IOT 아키텍처 3계층 구조: 현장의 '손발'과 엣지의 '반사신경', 클라우드의 '지혜'가 만날 때
먼 곳의 전문가보다 가까운 '현장 대리님'이 필요한 이유
엣지 컴퓨팅 제조업 활용 사례: '현장 밀착형' 인공지능
클라우드와 온프레미스: 우리 공장의 데이터, '빌려 쓰는 구름'에 둘까요, '우리 집 안방'에 둘까요?
2. 품질 검사 적용 방법
AI 비전 검사: 단순히 보는 것을 넘어, 스스로 판단하고 진화하는 똑똑한 검사 시스템
이음검사의 기본 원리
이음검사 수행 순서 (Process Flow)
베테랑 작업자의 노하우, 이제 AI의 '눈'과 '귀'로 담아내세요
6시그마: 100만 개 중 3.4개의 기적을 만드는 '정밀한 파수꾼'
관리도와 이상탐지: 규칙을 지키는 경비병과 맥락을 읽는 탐정
3. 설비 관리 (예지보전)
공정 이상 탐지 관리 방법론: 공정이 보내는 이상 신호
공정 이상 관리의 진화: 우리 공장에 '미리 알려주는 건강검진 시스템'이 생긴다면?
예지보전: 기계와 소통하는 스마트한 방법
AI 예지보전 원리부터 도입까지: 데이터로 스스로 진화하는 똑똑한 설비
PHM (Prognostics and Health Management): 기계가 아프다고 말하기 전에, 우리는 이미 알고 있습니다
4. 생산 및 운영 최적화
생산관리의 변화: '데이터 내비게이션'을 장착하다
수요예측: 내일 얼마나 팔릴지 안다면, 제조의 모든 것이 달라집니다
AI도 '전공'이 있습니다: 문제에 맞춰 선택하는4 가지 핵심 모델
생산 스케줄링을 최적화하는 방법: 디지털 트윈
다품종 소량생산(High Mix, Low Volume)에 대응하는 AI혁신 방법
[사례] BMW는 어떻게 단 1초의 오차 없이 차를 만들까요?
[사례] 지멘스 암베르크 전자공장의 디지털 트윈 기반 최적화
5. 에너지 효율화 (FEMS)
전통적 방법과 FEMS 비교: 무작정 아끼는 시대→똑똑하게 사용하는 시대
AI기반 에너지 효율화 패러다임 변화: 스스로 최적화하는 지능화 시대로

4부. 피지컬 AI: 뇌를 가진 기계의 등장, 소프트웨어를 넘어 물리적 실체로
1. 피지컬 AI의 이해
피지컬 AI: ‘근육’을 가진 AI의 탄생
피지컬 AI(Physical AI)와 엠바디드 AI(Embodied AI)
피지컬 AI 기반 스마트 제조공정의 진화: 손끝의 감각을 데이터로, 공장에 ‘두뇌’를 심는 피지컬 AI
2. 로봇
로봇 기술의 진화: 로봇이 내 말을 이해하기 시작했습니다
협동로봇의 확산이 더딘 이유? 시티폰의 실패 사례를 따라갈 것인가?
AI와 로봇의 융합, 데이터 중심에서 행동 중심으로
글로벌 휴머노이드 로봇
로봇이 단순한 기계를 넘어 ‘동료’가 되는4 가지 비밀
휴머노이드 로봇의 활용 사례: 차가운 기계에서 따뜻한 동료로
지능형 로봇의 강화학습: 로봇에게 ‘방법’ 대신 ‘목표’를 가르치는 원리
인간-로봇 협업(HRC, Human-Robot Collaboration)
3. 물류 로봇, AMR(Autonomous Mobile Robot, 자율주행 물류 로봇)
물류 자동화 도입 필요성
공장 내 물류 자동화 시스템
SLAM 비교 (카메라 VS 라이다)
AMR 원리: 로봇은 어떻게 복잡한 공장 안에서 일할까요?
AMR이 성장하기 위한 과제: “자율주행 로봇, 현실의 허들을 넘어라 ”
[자동화의 역설] 스마트 팩토리보다 3정 5S부터
4. 디지털 트윈 (Digital Twin)
디지털 트윈 개념: 현실의 문제를 가상에서 먼저 풀어보는 ‘마법의 거울'
디지털 트윈 원리: 우리 공장에도 ‘전지전능한 아바타’가 생긴다면?
디지털 트윈 적용 사례: 가상 세계에서 미리 겪어보는 ‘완벽한 하루’
디지털 트윈 도입 절차: 공장에 ‘똑똑한 쌍둥이’를 들여놓는 가장 확실한 방법
[사례] 공작기계
[사례] 모터의 예지보전 사례
[사례] 스마트 공구: 수천 개의 공구, 일일이 찾으러 다니느라 지치셨나요?
[사례] “조금 더 쓸까, 지금 바꿀까?” 그 치명적인 고민을 끝내다
[사례] 툴에 이식된 신경: 툴에서 느껴지는 진동과 열을 감지

5부. AI 기술: 거대한 흐름의 본질 (이 모든 것을 가능하게 하는 기술적 뿌리
1. 인공지능의 정의와 역사
인공지능의 역사
인공지능(Artificial Intelligence) 패러다임의 진화
AI의 정의, 도메인, 범위
2. 인공지능의 분류 체계
약인공지능과 강인공지능의 개념 및 비교
AI 기술기반 분류 체계: 딱딱한 기술 용어 뒤에 숨겨진 ‘똑똑한 공장’의 비밀
산업용 AI 분류 체계: 뼈대부터 두뇌까지
인공지능의 적용 단계별 분류: 계산기를 넘어 ‘나’를 인식하는 존재로
3. 알고리즘
알고리즘: 막연한 데이터를 가치로 바꾸는 마법의 레시피
인공지능 체계: 머신러닝, 딥러닝... 도대체 뭐가 다른가요?
머신러닝: “가르치지 않아도 깨우칩니다” - 경험으로 똑똑해지는 기계
머신러닝의 3가지 학습 방식: 정답을 알려줄까, 스스로 찾게 할까? 아니면 몸으로 부딪쳐 볼까?
지도학습과 비지도학습 (Supervised vs Unsupervised Learning)
강화학습의 원리: “잘하면 상을, 못하면 벌을!”
인공신경망(ANN) 원리
딥러닝 원리: “이게 고양이야”라고 말해주지 않아도, 스스로 알아내는 마법
합성곱신경망(CNN): 숨은 그림 찾기의 고수C, NN이 불량을 잡아내는 방법
순환신경망(RNN, Recurrent Neural Network): “앞뒤 사정을 알아야 진짜 불량을 찾아냅니다”
어텐션(Attention): 한 줄씩 읽는 독서에서 ‘전체 지도를 펼치는 눈’으로의 진화
Agentic AI 프레임 워크
4. 데이터
데이터 파이프라인: 데이터 자동 배송 시스템
ETL프로세스: 아무리 뛰어난 요리사도 상한 재료로는 최고의 요리를 만들 수 없습니다
데이터 전처리: 투박한 원석 데이터를 보석으로 깎아내는7 단계 공정
결측치 처리와 스케일링: AI의 눈을 뜨게 하는 ‘데이터 안경’ 닦기
데이터 처리 패러다임 변화: 이제A I는 ‘얼마나 똑똑한가’보다 ‘얼마나 믿을 만한가’를 묻습니다
데이터 처리의 패러다임 변화: 자기주도 학습S(SL, Self-supervised Learning)
엣지 AI의 데이터 처리 4단계: 클라우드보다 ‘엣지’가 더 똑똑해야 하는 이유
데이터 드리프트와 MLOps: 어제의 ‘정답’이 오늘의 ‘오답’이 되는 이유
MLOps 논리체계: AI 모델은 ‘완성’되는 것이 아니라 ‘살아가는’ 것입니다

6부. 미래 공장 “공장의 종말, 제조의 부활”, 새로운 제조의 패러다임
기계가 스스로 판단하는 시대, 공장은 하나의 거대한 ‘생명체’가 됩니다
제조 패러다임의 혁명적 전환: SDF(소프트웨어 정의 공장)
SDF 사례: 생산기술의 혁명, TESLA GIGA FACTORY
SDF 사례: HMGICS의 셀 기반 생산
이제 공장은 ‘자아’를 갖기 시작합니다
[정보화의 역설] 사용자 편의보다 중요한 보안 내재화
ISO/IEC 42001: 인공지능 경영시스템
Decision OS: ‘스스로 판단하는 지능형 기업으로’
차세대 신경망 KAN(Kolmogorov-Arnold Networks): AI의 미래
젠슨 황 & 래리 핑크 대담: 미래의 공장, ‘코딩’ 대신 ‘원칙’
성과관리의 진화: 산업의 발전에 따른 성과의 기준이 어떻게 바뀌었나?
지능화 시대의 성과관리: 자율주행차의 운전 실력을 굳이 평가할 필요가 있을까요?
AI 디바이드? 중소기업을 위한 ‘기회의 사다리’가 옵니다
도메인 지식과 AI의 융합: 지능형 공장을 완성하는 마지막 퍼즐, 현장의 통찰력
중소기업 정보화의 역설, ‘기술’이 아니라 ‘사람’이 성패를 가른다

독자에게 전하는 메시지: AI라는 거대한 기회의 창, 아웃라이어는 어떻게 탄생하는가
에필로그: 지능형 공장을 완성하는 마지막 퍼즐, 여러분의 ‘통찰력’입니다

  회원리뷰