ETRI 탱고 공개, 산업용 AI 인력난 푸는 노코드 오픈소스 전략

산업 인공지능 도입 실패의 원인은 흔히 고성능 컴퓨팅 장비나 데이터 부족으로 지목됩니다. 하지만 실제 제조 현장이 겪는 진짜 병목은 도메인 지식과 모델 코드를 잇는 전문가 부재입니다. 한국전자통신연구원(ETRI)이 공개한 노코드 플랫폼 ‘ETRI 탱고’는 이 기술 격차를 해소하려는 전략적 시도입니다.

제조 현장 엔지니어는 기계 설비와 공정 이상 징후를 가장 잘 이해하고 있습니다. 반면 인공지능 연구진은 현장 설비의 물리적 특성을 깊이 파악하기 어렵습니다. 이 간극을 메우지 못해 수많은 스마트팩토리 프로젝트가 일회성 기술 검증에 머물렀습니다. ETRI 탱고는 바로 이 접점을 소프트웨어 도구로 통합했습니다.

제조 현장의 구조적 한계와 소프트웨어 장벽

국내 중소·중견 제조 기업은 고액 연봉의 인공지능 엔지니어를 장기 채용하기 어렵습니다. 외주 용역으로 솔루션을 개발하더라도 현장 공정이 바뀌면 모델을 수정하지 못해 방치되기 일쑤였습니다. 공정 데이터가 외부로 유출될 수 있다는 보안 우려 역시 도입을 가로막았습니다.

실무자가 스스로 파이프라인을 운영할 수 있는 환경이 절실했던 이유가 여기에 있습니다. 공정 변경 시마다 외주사에 의존하는 구조는 지속 가능한 운영 비용을 초과합니다. 제조 현장이 요구한 것은 화려한 연구 모델이 아니라 즉각 수정 가능한 운영 체계였습니다. 이러한 운영 파이프라인의 구조적 특성은 앞서 살펴본 LLMOps MLOps 차이 분석에서도 잘 드러납니다.

ETRI 탱고의 핵심 아키텍처, 타깃 인지형 자동화

‘탱고(TANGO)’는 대상 하드웨어를 인지하는 노코드 인공지능 생성 및 운영 프레임워크를 뜻합니다. 사용자는 복잡한 파이썬 스크립트 작성 없이 웹 브라우저 인터페이스에서 블록을 조작합니다. 데이터 수집과 라벨링부터 신경망 학습, 기기 배포까지 전 주기 자동화(MLOps)를 제공합니다.

가장 주목할 기술적 특징은 ‘타깃 인지(Target-Aware)’ 기능입니다. 공장마다 연산 환경은 클라우드 서버부터 저사양 산업용 PC나 엣지 기기까지 천차만별입니다. 탱고는 배포 대상 하드웨어의 연산 성능과 메모리 용량을 계산해 신경망 구조를 최적화합니다. 클라우드 전송 지연을 줄이는 분산 처리 구조는 MEC 에지 컴퓨팅과도 맞닿아 있습니다.

• 웹 기반 노코드 환경: 마우스 클릭만으로 데이터셋 구성과 신경망 학습을 처리합니다.
• 엔드투엔드 파이프라인: 전처리부터 모델 배포까지 단일 인터페이스로 완결합니다.
• 타깃 인지 최적화: 대상 엣지 장비 규격에 맞춰 모델 크기와 연산량을 자동 경량화합니다.
• 생성형 모델 지원: 컴퓨터 비전 모델을 넘어 비전-언어 멀티모달 영역까지 확장을 모색합니다.

기존 산업용 개발 방식과 탱고 플랫폼 비교

과거에는 현장 엔지니어가 작성한 요구사항 명세서를 소프트웨어 개발팀이 넘겨받아 구현했습니다. 이 방식은 요구사항 왜곡과 막대한 개발 지연을 필연적으로 동반했습니다. 탱고 플랫폼은 개발 주체를 현장 실무자로 전환해 개발 주기를 획기적으로 압축합니다.

위 비교처럼 탱고는 전문 엔지니어링의 정교함보다 현장 적용의 민첩성에 방점을 둡니다. 외부 개발팀이 데이터 정제에 수개월을 쏟는 동안 현장 실무자는 즉각적 피드백으로 오류를 교정합니다. 실제 인공지능신문 보도에서도 비전문가의 직접 개발 가능성이 핵심 효용으로 제시되었습니다.

오픈소스 공개가 던지는 생태계 확장 전략

ETRI가 플랫폼을 연구원 내부 성과로 묶어두지 않고 깃허브 오픈소스로 개방한 점은 영리한 전략입니다. 제조 현장의 데이터는 설비 구조와 공정에 따라 극단적으로 파편화되어 있습니다. 단일 연구기관이 모든 산업 영역의 엣지 케이스를 표준화하기란 불가능에 가깝습니다.

오픈소스 생태계를 통해 기업과 학계가 플러그인과 모듈을 자발적으로 추가하도록 유도하는 셈입니다. 조선·해양 자율운항이나 의료영상 판독처럼 특화된 산업군 실증 사례가 축적될수록 도구의 완성도는 높아집니다. 폐쇄형 독점 소프트웨어가 넘지 못한 산업 현장의 파편화 문제를 커뮤니티 협력으로 돌파하려는 포석입니다.

IT-SUE의 시각

제조 산업의 디지털 전환(DX)을 가로막은 가장 큰 착각은 고성능 초거대 모델만능주의였습니다. 철강이나 반도체 장비가 필요로 하는 해법은 수천억 매개변수의 거대 모델이 아닙니다. 이상 진동이나 표면 결함을 밀리초 단위로 감지하는 가볍고 정확한 도메인 특화 모델입니다. 전통 제조업의 디지털 혁신은 현대제철 제조 AX 전략에서도 볼 수 있듯 현장 전문성의 결합이 핵심입니다.

ETRI의 시도는 인공지능의 헤게모니를 연구실에서 제조 현장으로 되돌려 놓는 실용적 분기점입니다. 물론 복잡한 알고리즘 튜닝 한계나 고난도 결함 판별의 정밀도 한계는 여전히 해결 과제로 남습니다. 그러나 최소 비용으로 인공지능을 실무에 안착시킬 첫 단추로서 노코드 프레임워크의 대중화는 제조 강국의 생존을 좌우할 중요한 변곡점이 될 것입니다.