운전대에서 손을 떼고 도로를 달리는 자율주행 자동차는 더 이상 영화 속 상상이 아니다. 스스로 차선을 변경하고 신호등을 인식하며 보행자를 피해 멈춰 서는 자동차의 핵심은 세상을 정확하게 인지하는 눈을 가지는 것이다. 일반적인 카메라 렌즈만으로는 밤눈이 어둡거나 갑작스러운 역광에 취약하다는 한계가 있다. 이 한계를 극복하고 자율주행차에 완벽한 시야를 제공하는 기술이 바로 라이다 센서와 데이터 시각화이다. 라이다 센서는 빛을 쏘아 올려 그것이 물체에 부딪혀 돌아오는 시간을 측정해 거리를 계산하는 장치이다. 자동차 지붕이나 범퍼에 장착된 라이다는 1초에 수백만 번의 레이저 펄스를 360도 전 방향으로 발사한다. 이때 돌아오는 레이저의 신호들은 엑셀 표와 같은 단순한 수치 데이터가 아니라 공간상의 좌표를 가진 무수히 많은 점의 형태로 수집된다. 이 거대한 점들의 집합을 데이터 과학에서는 포인트 클라우드라고 부른다. 하지만 수백만 개의 점이 입력되었다고 해서 인공지능이 즉시 눈앞의 물체가 사람인지 가로수인지 구분할 수 있는 것은 아니다. 안전한 주행을 위해서는 이 점들을 3차원 입체 지도로 가공하여 시각화하는 과정이 필수적이다. 포인트 클라우드 데이터를 시각화 화면에
전국 편의점에서 하루에 팔려나가는 삼각김밥은 수백만 개에 달한다. 밥과 고기, 해산물 등 상하기 쉬운 재료가 듬뿍 들어있음에도 불구하고, 유통기한 내의 삼각김밥을 먹고 배탈이 났다는 뉴스는 찾아보기 힘들다. 덥고 습한 여름철에도 이 엄청난 양의 식품이 어떻게 완벽한 위생 상태를 유지할 수 있을까? 이는 단순히 운이 좋아서가 아니라, 현대 생산관리의 꽃이라 불리는 철저한 '품질 관리(Quality Control, QC)' 시스템 덕분이다. 과거의 품질 관리는 공장 끝자락에 서서 완성된 제품을 하나하나 살펴보고 불량품을 쓰레기통에 던져 넣는 방식이었다. 하지만 하루에 수백만 개의 김밥을 만든다면, 직원이 모든 김밥의 포장을 뜯어 맛을 보고 안전을 확인할 수는 없는 노릇이다. 그래서 현대의 생산 현장에서는 제품이 아닌 '과정' 자체를 통제한다. 대표적인 것이 불량률을 100만 개당 3.4개 수준으로 억제하려는 통계적 품질 관리 기법인 '식스시그마(6 Sigma)'다. 확률적으로 불량이 아예 발생할 수 없도록 수학적, 통계적인 방어막을 치는 것이다. 삼각김밥 공장을 예로 들면, 밥을 짓는 물의 온도, 섞어 넣는 식초의 산도(pH), 작업장 공기 중의 미세먼지 농도,
과거의 농업이 농부의 오랜 경험과 직관에 의존했다면 오늘날의 농업은 정확한 데이터와 알고리즘을 바탕으로 움직인다. 수만 평에 달하는 넓은 농경지를 일일이 걸어 다니며 작물의 상태를 확인하는 대신 드론과 인공위성을 띄워 하늘에서 땅의 건강 상태를 스캔하는 시대가 열렸다. 이때 수집된 거대한 영상 데이터를 가공하여 농부들이 한눈에 이해할 수 있는 지도로 만드는 기술이 있는데 그중 핵심이 바로 정규식생지수이다. 정규식생지수는 식물이 빛을 반사하고 흡수하는 원리를 이용해 작물의 건강 상태를 수치화하고 가공한 데이터이다. 건강한 식물일수록 광합성을 위해 붉은색 빛은 많이 흡수하고 사람의 눈에 보이지 않는 근적외선은 강하게 반사하는 특성이 있다. 특수 카메라를 장착한 드론이 들판을 촬영하면 컴퓨터는 이 두 가지 빛의 차이를 계산하여 픽셀마다 특정한 숫자 값을 부여한다. 하지만 수백만 개의 숫자로 이루어진 원본 데이터만으로는 어떤 작물이 병들었는지 곧바로 알아채기 어렵다. 따라서 이 복잡한 수치 데이터를 직관적인 색상으로 변환하는 시각화 과정이 뒤따른다. 빛의 반사율이 높아 아주 건강하고 무성한 구역은 짙은 초록색으로 칠해지고 수분이 부족하거나 병충해를 입어 성장이 부진
점심시간, 밥을 먹기 위해 급식실에 줄을 서 본 학생이라면 누구나 공감할 풍경이 있다. 밥이나 김치를 받는 곳에서는 줄이 쑥쑥 줄어들다가도, 돈가스나 소시지 볶음 같은 인기 반찬 배식구 앞에서는 꼭 교통체증처럼 줄이 꽉 막혀버린다. 밥을 1초 만에 아무리 빨리 퍼준다고 해도, 고기반찬을 나눠주는 데 10초가 걸린다면 결국 학생 한 명이 식판을 다 채우는 데 걸리는 시간은 10초가 된다. 생산관리에서는 이를 '병목 현상(Bottleneck)'이라고 부른다. 병목이란 물병의 좁은 목 부분을 뜻한다. 병의 몸통이 아무리 넓고 물이 가득 차 있어도, 물이 밖으로 쏟아지는 속도는 결국 가장 좁은 병목의 크기가 결정한다. 공장이나 기업의 생산 시스템도 마찬가지다. 이를 설명하는 것이 바로 제약 이론(TOC, Theory of Constraints)이다. 제약 이론의 핵심은 '전체 시스템의 생산 속도와 능력은 가장 느린 공정(병목) 하나에 의해 결정된다'는 것이다. 스마트폰을 만드는 공장을 상상해 보자. 화면을 조립하는 데 1분, 배터리를 끼우는 데 1분이 걸리지만 카메라 모듈을 장착하는 데 5분이 걸린다면, 이 공장에서는 아무리 기를 써도 5분에 1대씩밖에 스마트폰을
어젯밤에 주문한 물건이 오늘 아침 문 앞에 도착해 있는 마법 같은 일상은 이제 우리에게 익숙하다. 이토록 빠르고 정확한 배송의 이면에는 밤낮없이 달리는 택배 차량뿐만 아니라 전국 단위로 발생하는 거대한 물류 데이터를 수집하고 분석하는 치열한 과정이 숨어 있다. 수백만 개의 택배 상자가 바코드를 찍고 물류 센터를 통과할 때마다 방대한 위치 데이터와 시간 데이터가 생성되며 이를 가공하여 눈에 보이는 지도로 만든 것이 바로 흐름 맵이다. 흐름 맵은 지도 위에 물체의 이동 경로를 선으로 그려내는 시각화 기법이다. 택배가 출발하는 지역과 도착하는 지역을 선으로 연결하고 그 선의 굵기나 색상을 통해 이동하는 물동량의 규모를 직관적으로 나타낸다. 예를 들어 수도권의 거대한 메가 허브 터미널에서 각 지역의 소규모 터미널로 뻗어나가는 선은 아주 굵고 진하게 표시되며 반대로 물량이 적은 외곽 지역으로 향하는 선은 가늘게 그려진다. 물류 기업들은 매일같이 쏟아지는 원시 데이터를 가공하여 이 흐름 맵을 모니터링한다. 화면에 띄워진 지도를 보면 어느 노선에 택배 물량이 과도하게 집중되어 병목 현상이 발생할 위험이 있는지 단번에 파악할 수 있다. 만약 특정 고속도로 구간이나 터미널을
집에서 정성껏 반죽을 빚어 오븐에 쿠키를 100개 굽는다고 상상해 보자. 레시피를 정확히 지켰어도 막상 오븐을 열어보면 가장자리 쿠키는 까맣게 타고, 가운데 쿠키는 덜 익거나 부서져서 예쁘게 완성된 것은 80개 남짓일 때가 많다. 생산관리에서는 이처럼 처음 투입한 재료(100개) 대비 최종적으로 완성된 정상적인 제품(80개)의 비율을 '수율(Yield Rate)'이라고 부른다. 앞선 쿠키 굽기의 수율은 80%가 되는 셈이다. 일상생활에서 쿠키 몇 개를 망치는 것은 조금 아쉽고 말 일이지만, 기업의 생산 현장에서 수율은 회사의 목숨줄을 쥐고 있는 핵심 지표다. 특히 스마트폰이나 컴퓨터에 들어가는 반도체, 첨단 디스플레이 같은 하이테크 산업일수록 수율 관리가 극도로 까다롭다. 머리카락 두께보다 얇은 미세한 먼지 하나, 0.1도의 온도 변화만으로도 수백만 원짜리 부품이 한순간에 쓸모없는 불량품으로 변해버리기 때문이다. 수율이 낮다는 것은 기업에 치명적인 두 가지 문제를 낳는다. 첫째, 원가 상승이다. 버려지는 불량품만큼 비싼 원재료와 전기세, 인건비가 그대로 쓰레기통에 들어간다. 둘째, 신뢰 하락이다. 100개를 팔겠다고 고객과 약속했는데 수율이 낮아 50개밖에
블록체인은 누구나 열람할 수 있는 투명한 디지털 장부이다. 은행 같은 중앙 기관 없이도 참여자 모두가 거래 내역을 공유하고 검증하기 때문에 데이터의 위조나 변조가 사실상 불가능하다. 하지만 이 투명한 장부를 직접 들여다보면 일반인은 도저히 이해하기 어려운 암호화된 문자와 숫자의 나열뿐이다. 데이터가 모두에게 공개되어 있다는 것과 그 데이터를 쉽게 이해할 수 있다는 것은 완전히 다른 문제이다. 수많은 암호화폐 지갑 사이에서 1초에도 수천 번씩 일어나는 거래 즉 트랜잭션 데이터를 의미 있는 정보로 바꾸기 위해서는 고도의 데이터 가공과 시각화 과정이 필요하다. 복잡하게 얽힌 블록체인 원장 데이터를 추출하고 분석하여 누가 누구에게 얼마를 보냈는지 그 흐름을 추적하는 것이다. 이때 가장 널리 사용되는 시각화 기법이 바로 점과 선으로 이루어진 네트워크 그래프이다. 네트워크 그래프에서 하나의 점은 개별 암호화폐 지갑 주소를 의미하고 점과 점을 연결하는 선은 거래의 흐름을 나타낸다. 선의 굵기를 통해 거래된 금액의 크기를 직관적으로 보여주고 색상을 다르게 하여 특정 거래소로 유입되는 자금인지 밖으로 빠져나가는 자금인지 구분할 수도 있다. 수만 줄의 암호화된 텍스트 데이터가
번화가를 걷다 보면 특정 간식이나 디저트 가게가 골목마다 생겨났다가, 어느 순간 약속이라도 한 듯 텅 빈 간판을 걸고 한꺼번에 사라지는 현상을 자주 보게 된다. 유행의 주인공만 바뀔 뿐 이런 패턴은 늘 반복된다. 장사가 잘되면 물건을 많이 만들고 안 되면 적게 만들면 될 텐데, 왜 항상 감당할 수 없을 만큼 재고가 쌓이고 가게들이 무너지는 것일까. 생산 현장에서는 이를 공급망의 정보 왜곡 현상인 채찍 효과로 설명한다. 채찍 효과란 손잡이를 살짝만 흔들어도 채찍의 끝부분은 엄청난 파동을 그리며 요동치는 현상을 말한다. 유통 과정에서 소비자의 아주 작은 수요 변화가 소매점, 도매점을 거쳐 최종 생산 공장으로 전달될수록 그 변동 폭이 기하급수적으로 커지는 것을 뜻한다. 그 과정을 들여다보면 각자의 불안감이 원인이다. 소비자가 특정 디저트를 평소보다 10개 더 샀다고 가정해 보자. 이를 본 매장 사장님은 물건이 모자랄 것을 대비해 여유분까지 20개를 도매상에 주문한다. 도매상은 전국에서 몰려드는 주문에 대비해 물류 창고를 넉넉히 채우고자 공장에 40개를 주문한다. 결국 공장은 원재료를 대량으로 사들여 80개를 만들기 위해 기계를 무리하게 돌리거나 공장을 늘린다. 소
인간의 몸을 구성하는 가장 기본적인 설계도인 DNA는 아데닌, 티민, 구아닌, 시토신이라는 네 가지 염기의 배열로 이루어져 있다. 인간의 유전체는 약 30억 쌍의 염기로 구성되는데 이를 텍스트로 풀어쓰면 수천 권의 백과사전에 달하는 방대한 분량이다. 이처럼 눈에 보이지 않는 거대한 생명체의 정보를 컴퓨터를 이용해 저장하고 분석하며 가공하는 학문을 생물정보학이라고 부른다. 생명과학과 데이터 과학이 만나 탄생한 첨단 융합 분야이다. 현대에는 유전자 분석 장비의 발달로 단 며칠 만에 한 사람의 유전체 데이터를 모두 읽어낼 수 있다. 하지만 기계가 읽어낸 원본 데이터는 그저 알파벳 네 개가 끝없이 나열된 복잡한 암호문과 같다. 수십억 개의 글자 속에서 질병의 원인이 되는 단 하나의 오류를 사람의 눈으로 찾아내는 것은 불가능에 가깝다. 따라서 이 복잡한 암호문 속에서 의미 있는 패턴을 찾아내기 위해서는 고도의 알고리즘을 통한 데이터 가공과 직관적인 시각화 과정이 필수적이다. 유전체 시각화는 텍스트로 이루어진 염기서열 데이터를 색상과 막대, 그리고 직관적인 기호로 변환하는 작업이다. 가장 대표적인 방법은 정상적인 유전자 배열과 분석 대상의 유전자 배열을 나란히 시각화하
대형 마트에서 두루마리 휴지를 대폭 할인할 때가 있다. 이때 싸다는 이유로 1년 치 휴지를 한 번에 몽땅 사버리면 과연 이득일까. 당장 지갑에서 나가는 휴지 값은 아낄 수 있겠지만, 집 안 베란다나 방 한구석을 휴지 더미가 1년 내내 차지하게 된다. 그 공간을 다른 유용한 용도로 쓰지 못하는 손해가 발생하고, 자칫 습기 때문에 휴지가 망가질 수도 있다. 기업의 생산 현장에서도 이와 똑같은 고민을 하며, 이를 해결하는 열쇠가 바로 경제적 주문량(EOQ) 모델이다. 공장에서 물건을 만들기 위해 원자재를 주문할 때는 크게 두 가지 비용이 발생한다. 첫째는 주문할 때마다 드는 서류 작업, 운송비, 하역비 같은 주문 비용이다. 둘째는 사온 원자재를 창고에 보관하면서 발생하는 임대료, 보험료, 창고 관리비, 그리고 그 돈을 은행에 넣었을 때 받을 수 있는 이자를 포기하는 기회비용을 합친 유지 비용이다. 이 두 비용은 서로 반대로 움직이는 시소와 같다. 한 번에 많이 주문하면 주문 횟수가 줄어들어 주문 비용은 낮아지지만, 창고에 쌓아두는 재고가 많아져 유지 비용은 치솟는다. 반대로 재고를 적게 가져가기 위해 조금씩 자주 주문하면 보관비는 적게 들지만, 트럭이 매일 창고를
인터넷에서 산 옷이 마음에 들지 않아 반품 버튼을 누르는 것은 일상적인 일이다. 택배 기사가 물건을 다시 가져가고 환불이 완료되면 우리의 역할은 끝난다. 하지만 생산관리의 관점에서는 이때부터 아주 복잡하고 중요한 과정이 새롭게 시작된다. 물건이 고객에게 가는 방향의 반대로 흐른다고 해서 이를 역물류라고 부른다. 과거에는 제품을 공장에서 만들어 고객의 손에 쥐여주는 정방향 물류에만 집중했다. 반품된 물건은 단순한 골칫거리나 손실로 여겨졌다. 그러나 온라인 쇼핑이 발달하면서 반품량이 기하급수적으로 늘어났고, 기업들은 역물류를 제대로 관리하지 않으면 살아남을 수 없게 되었다. 반품된 옷은 물류 센터로 돌아와 꼼꼼한 검수 과정을 거친다. 다시 새 상품으로 팔 수 있는지, 조금 다듬어서 할인된 가격에 팔아야 할지, 아니면 재활용이나 폐기를 해야 할지 상태를 분류하는 작업이다. 이 과정은 생각보다 많은 비용과 시간이 든다. 포장을 뜯고 상태를 확인한 뒤 다시 포장하는 일은 사람의 섬세한 손길이 필요하기 때문이다. 훌륭한 운영 시스템은 이런 역물류 과정을 최대한 빠르고 효율적으로 처리하여 창고에 악성 재고가 쌓이는 것을 막는다. 신상품과 섞이지 않도록 반품 전용 처리 라
현대 산업과 도시 계획에서 데이터는 더 이상 평면적인 엑셀 표나 2차원 그래프에만 머물지 않는다. 눈에 보이는 현실 세계의 기계나 공간을 컴퓨터 속 가상 공간에 입체적으로 똑같이 만들어내는 기술이 등장했는데 이를 디지털 트윈이라고 부른다. 이름 그대로 현실을 복제한 디지털 쌍둥이를 의미하며 방대한 데이터를 3차원으로 시각화하는 기술의 결정체이다. 디지털 트윈을 만들기 위해서는 실제 사물이나 공간에 수많은 센서를 부착하여 온도, 압력, 속도 등 변화하는 데이터를 실시간으로 수집해야 한다. 수집된 거대한 데이터는 정교한 가공 과정을 거쳐 컴퓨터 속 3D 모델과 하나로 연결된다. 이렇게 완성된 디지털 쌍둥이는 현실에서 벌어지는 모든 물리적인 상황을 가상 공간에서 똑같이 반영하며 살아 움직인다. 이 기술의 가장 큰 장점은 현실에서는 엄청난 비용이나 위험성 때문에 직접 해보기 어려운 실험을 가상 공간에서 마음껏 해볼 수 있다는 것이다. 예를 들어 거대한 자동차 공장을 짓기 전에 가상 공간에 공장을 먼저 구축해보고, 로봇 팔의 동선이나 컨베이어 벨트의 속도를 이리저리 바꿔가며 시뮬레이션을 돌려본다. 이를 통해 작업이 지연되는 구간을 미리 찾아내고 효율을 극대화하는 최적
우리가 매일 걷는 거리, 탑승하는 버스, 가로등의 위치 등 도시의 모든 움직임은 데이터로 기록된다. 정부나 지방자치단체는 이러한 정보 중 개인정보를 제외하고 누구나 자유롭게 활용할 수 있도록 개방하는데 이를 공공 데이터라고 부른다. 공공 데이터는 단순한 엑셀 파일이나 숫자의 나열에 불과할 수 있지만 데이터 가공과 시각화 기술을 만나면 세상을 바꾸는 강력한 도구로 변신한다. 가장 대표적인 사례가 심야 버스 노선의 최적화이다. 늦은 밤 시민들이 어디서 택시를 가장 많이 탔는지, 휴대전화 통화량이 어느 지역에서 집중적으로 발생했는지 보여주는 통신사의 데이터와 시의 교통 데이터를 결합하여 가공한다. 이 복잡한 정보들을 지도 위에 시각화하면 밤늦게 유동 인구가 많지만 대중교통이 부족한 사각지대가 붉은색으로 선명하게 드러난다. 이를 바탕으로 시민들이 가장 필요로 하는 노선을 새롭게 설계할 수 있다. 또한 범죄 예방을 위해 가로등이나 CCTV가 부족한 어두운 골목길을 찾아내는 데에도 공공 데이터가 쓰인다. 지역별 범죄 발생률 데이터와 조명 설치 데이터를 겹쳐서 분석하면 어느 곳에 우선적으로 가로등을 설치해야 할지 객관적인 근거가 마련된다. 과거에는 민원이 들어와야만 수동
동네 골목마다 하나씩 자리 잡은 무인 아이스크림 가게를 보면 신기한 점이 있다. 직원이 아무도 없는데도 24시간 내내 문이 열려 있고, 손님들은 알아서 물건을 고르고 계산을 마친 뒤 가게를 나선다. 누군가 지켜보지 않아도 가게가 스스로 굴러가는 이 모습은 현대 생산 현장에서 가장 중요하게 다루는 개념 중 하나인 자동화의 축소판이다. 자동화란 사람의 직접적인 개입 없이 기계나 시스템이 정해진 규칙에 따라 스스로 작동하도록 만드는 기술이다. 무인 점포의 핵심은 단순히 직원을 없애는 것이 아니라, 직원이 하던 일을 기계와 시스템으로 대체하는 데 있다. 바코드를 스캔하고 돈을 계산하는 일은 키오스크가 대신하고, 매장의 보안은 곳곳에 설치된 감시 카메라와 동작 감지 센서가 담당한다. 판매 데이터를 분석한 시스템이 재고가 부족해지면 자동으로 발주를 넣게 설정할 수도 있다. 생산 공장에서도 이와 똑같은 원리가 적용된다. 과거에는 사람들이 일일이 손으로 나사를 조이고 불량품을 눈으로 확인했다면, 이제는 로봇 팔이 24시간 쉬지 않고 제품을 조립하며, 카메라에 장착된 인공지능이 눈 깜짝할 사이에 불량품을 걸러낸다. 사람은 피곤하거나 집중력이 떨어지면 실수를 하지만, 잘 설계
매일 손에 쥐고 글을 쓰는 스마트폰의 키보드를 살펴보자. 가장 널리 쓰이는 쿼티 배열은 알파벳 순서도 아니고, 자주 쓰는 글자가 가운데에 모여 있지도 않다. 언뜻 보면 매우 비효율적인 이 복잡한 배열은 왜 전 세계의 표준이 되었을까. 이 질문에 대한 답을 찾는 과정이 바로 생산관리의 중요한 분야인 인간공학이다. 인간공학은 도구나 기계, 작업 환경을 인간의 신체적, 인지적 특성에 맞게 설계하여 효율을 높이고 피로를 줄이는 과학이다. 초기 타자기는 속도가 너무 빠르면 글쇠들이 서로 엉키는 고장이 자주 발생했다. 그래서 기계가 엉키지 않도록 일부러 배열을 복잡하게 흩어놓아 속도를 조절한 것이 쿼티 자판의 시작이다. 기계의 한계를 극복하기 위해 인간의 작업 방식을 조율한 것이다. 현대에는 기계적인 엉킴이 사라졌지만, 이미 사람들의 손과 뇌에 가장 편안하게 익숙해진 배열을 바꾸는 것이 오히려 더 큰 혼란과 피로를 야기하기 때문에 그대로 유지되고 있다. 사람의 인지적 습관을 배려한 결과다. 생산 현장에서도 이와 같은 인간공학적 접근은 필수적이다. 작업자가 하루 종일 일하는 컨베이어 벨트의 높이가 자신의 키에 비해 너무 낮으면 허리에 무리가 가고, 부품 상자가 멀리 떨어