1916년, Minnesota Mining and Manufacturing Company 또는 3M은 세인트 폴 사포 공장 내 벽장 크기의 공간에 첫 연구소를 열었습니다. 올리브 오일 케이스가 엎질러져 배송 중 사포가 파손되어 종이의 품질이 좋지 않음이 드러난 사건을 포함하여 첫 14년 동안 일어난 일련의 사건은 당시 총 관리자였던 William McKnight가 품질 관리를 개선하기 위한 제품 테스트 공간을 만드는 단초를 제공하였습니다.
McKnight의 영향력이 커짐에 따라(1949년에 3M 의장으로 취임), 품질을 향한 열정도 커졌습니다. 수년에 걸쳐 기업가적 면모를 지닌 3M의 과학자들은 정제되지 않은 아이디어에서부터 사포 배송과 같은 사건, 심지어 실패한 실험까지도 스카치테이프, 포스트잇과 같은 오늘날의 주력 제품으로 변모시켰습니다.
이미지 제공
품질은 3M 문화의 본질이라 할 수 있습니다. 연구실의 성공에 고무된 3M은 연구 시설을 상당한 규모로 확장해왔습니다. 회사 수익의 대략 6%는 R&D에 쓰입니다. 12,000여명의 직원이 함께 신상품을 만들고 출시하며 기존의 제품을 개선하는 세인트 폴의 통합 연구실에서는 수천 명의 연구원과 과학자가 혁신 파이프라인의 추가를 위해 노력하고 있습니다.
3M 캠퍼스에서 가장 중요한 주제 중 하나는 기계 학습입니다. 3M은 Amazon Web Services(AWS)의 기계 학습을 활용하여 사포와 같은 검증된 제품을 개선하고, 의료와 같은 새로운 분야에서는 혁신을 주도하고 있습니다. 프로그램의 효과를 입증이라도 하는 듯 5년 미만의 제품은 지속적으로 약 30%의 회사 수익을 창출합니다. 그리고 매년 3M이 출시하는 신제품은 약 1,000개에 달합니다.
세인트 폴 연구 시스템 연구소의 Hung Brown Ton 수석 아키텍트는 "디지털 능력과 저희가 가진 풍부한 재료 기반을 결합할 수 있는 회사는 많지 않습니다"라고 말했습니다. “그 점이 아주 기대됩니다. 기계 학습과 같은 새로운 클라우드 기능을 활용한다는 사실말입니다.”
기계 학습으로 100년 된 제품 개선
3M은 회사 초창기 수 많은 사포 제작과 관련한 장애물을 해결해 온 이래 장수 제품의 연마력을 꾸준히 개선해왔습니다. 하지만 최근 제품 개발 워크플로에 기계 학습 기술을 도입하기 전까지 해당 프로세스는 지나치게 시간이 많이 소요되는 작업이었습니다.
이상적인 모래 입자(실제 Cubitron이라는 합성 물질)는 가장 잘 절단하고 가장 오래 지속됩니다. 그동안 3M 기술자는 이상적인 결과에 도달하기 위해 시트의 입자 수를 평가하는 데 각 종이 시트의 CT 스캔을 조사했습니다. 그 후 거친 표면에 대해 각 샘플을 테스트하여 효과를 측정하고 효과와 입자의 비율을 서로 관련지었습니다.
Brown Ton은 자신의 팀이 새로운 연마재 샘플과 제품(여전히 사포라고 불리는 제품 포함)을 개발 중인 연구 과학자와 협력하고 있다고 밝히면서 "테스트는 몇 주가 걸리는 긴 개발 과정을 포함합니다"라고 귀띔해주었습니다.
Brown Ton의 팀이 구현을 시작한 지 1년이 채 안 된 AWS의 기계 학습에 힘입어 개발 과정은 이제 훨씬 더 빠르고 정확해졌습니다. 3M 팀은 현재 기존의 이미지 훈련과 함께 Amazon SageMaker에서 신경망을 활용하는 모델을 테스트하고 있습니다. 기술자가 샘플을 테스트하는 동안에도 모델은 상당히 빠른 속도로 이미지를 분석하여 기술자가 최고의 선택지를 좁히는데 도움을 줍니다. 기계 학습 모델을 활용하면 연구원은 모양, 크기, 방향의 사소한 변화가 어떻게 연마력과 지속성을 개선하는지 분석할 수 있습니다. 결과적으로, 기계 학습의 제안을 통해 생산 과정을 도출할 수 있습니다.
스캔과 테스트로 생성된 총 데이터(손바닥 크기 시트 당 약 750GB)를 감안했을 때 팀은 분석하기 위해 처음에 구매한 튼튼한 엔지니어링 노트북을 사용하지 않게 되었습니다. Brown Ton이 말했습니다. “이 기능을 클라우드로 옮기는 건 당연한 일이었죠. 기존의 노트북이나 데스크톱의 컴퓨팅 파워는 저희의 발목을 아주 단단히 잡고 있었으니까요. 오늘날 AWS의 프로세스는 비교할 수 없는 효율성을 갖추어 데이터를 수집하고 테스트 완료를 기다리는 대신 연마재를 이해하는 데 더 많은 시간을 쓸 수 있게 해줍니다."
구조화되지 않은 텍스트를 청구 가능 코드로 변환하기
사포는 3M의 주력 상품이지만, 3M이라는 제조 회사는 성장을 통해 의료를 포함한 새로운 영역으로 확장을 거듭해왔습니다. 3M은 1983년 자회사 Health Information Systems(HIS)를 설립하고 얼마 지나지 않아 첫 주요 전자 건강 기록(EHR) 시스템을 개발했습니다. 불과 10년 전과 비교했을 때 현재 96%의 병원에서 EHR을 사용하고 있습니다. HIS는 이 모든 데이터에서 새로운 무언가를 구축할 수 있는 기회를 보았고 이를 통해 기계 학습 기반의 의료 코딩 제품 세트라는 결과를 내놓았습니다.
의료 보험사가 그 서비스를 청구하려면 의료 서비스 제공자는 EHR을 적절한 청구 코드로 전환해야 합니다. 프로세스의 오류가 흔하게 발생했고, 이는 결제 지연 또는 사기인 과다 청구로 이어질 수 있었습니다. 미국에서 대부분의 병원은 HIS의 자연어 처리(NPS) 도구의 도움으로 이를 관리하며, 자연어 처리 도구는 AWS의 기계 학습을 기반으로 합니다.
HIS의 전 CTO인 David Frazee는 연구실 책임자로 3M에서 14년을 근무한 베테랑입니다. Frazee는 청구 코드를 판단하는 기존의 과정은 코더라 부르는 개인이 각 기록을 검토하고, 지식과 경험에 기반하여 숫자 그대로 140,100개의 옵션 중 하나에서 바른 코드를 선택해야 했다고 말했습니다. Frazee는 “3주 후에 같은 코더에게 똑같은 기록을 주면 코더는 다른 결정을 할지도 모릅니다”라며 솔직한 의견을 밝혔습니다.
2016년 4월부터 HIS는 해당 과정의 오류를 줄이기 위해 완벽하지 못한 인간의 전문성에 기계 학습 모델을 조합했습니다. Frazee에 의하면 EHR의 대부분은 구조화되지 않았습니다. 의사가 냅킨에 휘갈긴 낙서를 제외한 그 어떤 기록도 레코드의 자격을 얻을 수 있기 때문에 단순히 모델에게 레코드의 의미를 이해시키는 것만으로도 성과를 의미합니다.
언어학자는 이 목적을 달성하기 위해 NLP 모델에게 혼란을 주는 레코드의 구문을 분석하도록 가르칩니다. 한 예로 신체 부위를 "감기"라 적은 의사의 레코드는 환자가 감기에 걸렸다는 의미가 아님을 알게 하는 것입니다. 코더는 모델의 결정을 승인하거나 승인하지 않습니다. 코더의 평가는 모델에게 피드백이 되며 개선을 기대할 수 있습니다. 매일 300만 건이라는 엄청난 양의 문서를 처리하는 이 모델은 빠르게 학습되고 있으며, 여러 절차에서 98%의 정확도로 코드를 선택합니다. 모델 자체는 고성능 Amazon EC2 및 S3 인스턴스에서 실행합니다.
Frazee와 Brown Ton 모두 AWS의 기계 학습이 앞으로 수년 후에는 회사 전체로 급격히 확산될 것이라 예상하고 있습니다.
Frazee는 “연마재 R&D 프로젝트는 재료 과학과 데이터 과학이 충돌하는 3M의 미래에 대한 아주 상징적인 프로젝트라 생각합니다”라고 말해주었습니다. “저희는 전 세계 최고의 재료 생산 회사 중 하나이지만, 재료에 대한 방대한 데이터를 보유하고 있다는 점에 대한 혜택은 누리지 못했습니다.”
“클라우드에서 집계되는 데이터, IoT를 통해 수집되는 데이터, 기계 학습을 통해 처리되는 데이터는 물론 모델링 및 시뮬레이션과 엄청난 규모의 데이터를 시각화하는 기능을 모두 활용할 수 있다면 이 모든 것을 한 번에 실현할 수 있을 것입니다"라며 계속해서 Brown Ton은 덧붙였습니다. “빠르게 진화하는 새로운 클라우드 기능의 지속적인 활용은 저희와 고객에게 매우 기대되는 일입니다."