Tata Power의 태양광 설치 품질 점검 자동화 사례

태양광 설치 품질관리, AI로 자동화하다: Tata Power가 SageMaker AI와 Bedrock으로 구축한 사례

들어가며
인도는 태양광 에너지 시장의 폭발적인 성장 속에서, 2027년까지 1천만 가구에 지붕형 발전 시스템을 설치하겠다는 목표를 갖고 있습니다. 하지만 수백만 개의 설치 현장을 사람이 직접 점검하고 종이로 기록하는 방식은 너무 오래 걸리고 비효율적인 방식입니다. Tata Power Center of Excellence(CoE)는 이러한 문제를 해결하기 위해 Oneture Technologies와 협업하여, Amazon SageMaker AI 및 Amazon Bedrock을 기반으로 한 자동화된 태양광 패널 설치 상태 점검 솔루션을 구축했습니다. 본 포스트에서는 이 복잡한 AI 기반 솔루션의 구축 과정, 활용 가이드, 비교 우위 그리고 배포 전략에 대해 살펴보겠습니다.

문제 정의 및 과제
기존 수작업 방식의 설치 점검은 다음과 같은 문제를 겪고 있었습니다:

• 모든 구성요소를 사람이 눈으로 보고 판단해야 하기 때문에 시간이 오래 걸립니다.
• 설치 물량 증가 속도를 따라가지 못해 병목 현상이 자주 발생합니다.
• 점검팀마다 판단 기준이 상이하여 설치 품질이 일관되지 않습니다.
• 품질 불량 및 늦어진 설치 완료로 인해 고객 불만이 증가하고 있었습니다.

AI를 통해 문제를 해결한 방법
Tata Power는 AWS의 다양한 서비스를 활용하여 문제를 해결했습니다. AI 모델은 총 22개의 점검 항목을 6개의 설치 구성요소별로 자동 판단할 수 있도록 구성되었는데, 이 중 일부는 물리적 거리 측정, 상호 구성요소 간격 확인 등 전통적인 컴퓨터 비전만으로는 어렵기 때문에 Generative AI 기반 Reasoning 기능까지 사용되었습니다.

현장 조건에 맞춘 데이터 처리
장소마다 조명, 각도, 기기 차이, 배경이 다르기 때문에 도입 초기에 현장 실습과 관찰을 통해 데이터 수집 및 전처리에 많은 공을 들였습니다.

다중 AI 모델 기반 자동화 구조
Tata Power의 솔루션은 단일 AI 모델이 아닌, 조건별로 적합한 모델을 연결하여 완전 자동화된 품질 점검 프로세스를 구현했습니다.

• SageMaker AI: 모델 학습 및 대규모 추론을 위한 핵심 서비스
• SageMaker Ground Truth: 2만 장 이상의 이미지를 정제된 절차로 정교하게 라벨링
• Amazon Rekognition: 시중 전자기기에서 텍스트(OCR, 예: 옴미터 판독 등)를 빠르게 추출
• Amazon Bedrock: 이미지 품질 사전 검사 및 판단 로직에 GenAI 기반 추론을 적용

아키텍처 개요
솔루션의 구조는 API Gateway, Lambda, SageMaker Inference Endpoint, Rekognition, Bedrock, 그리고 Amazon S3 등으로 구성되어 있으며, 완전히 자동화된 파이프라인으로 설치 사진 접수부터 결과 판단, 피드백 제공까지 실시간으로 작동합니다.

학습 및 배포 최적화
YOLOv5x6 기반의 객체 탐지 모델을 중심으로, 100개 이상의 실험을 수행하며 최적 구조를 도출했습니다. 특히 SageMaker Pipelines를 통해 자동화된 학습 및 재학습 체계를 갖추고 있어, 현장 조건 변화에 따른 모델 드리프트에도 민감하게 대응할 수 있습니다.

비동기 추론의 도입 이유
고해상도 이미지를 처리해야 하고 네트워크 여건이 불안정한 지역에서 사용되는 애플리케이션의 특성상, SageMaker Asynchronous Inference를 선택했습니다. 이 방식은 대용량 이미지 처리에 최적화되어 있으며, 자동 확장 기능을 통해 안정적 결과를 제공합니다.

OCR 활용 사례: 옴미터 판독
전압 수치 확인과 같은 작업은 객체 탐지보다 OCR이 효과적입니다. Amazon Rekognition을 통해 옴미터 수치를 빠르게 인식하고, 인식 결과에 따라 Pass / Fail 여부를 판단합니다.

Amazon Bedrock으로 이미지 사전 필터링
일부 이미지 품질 저하로 인해 정확한 판별이 어려운 경우, Amazon Bedrock이 사전 필터링을 수행합니다. 이미지의 초점 명확성, 각도 적합성 등을 자동으로 분석하여 다시 촬영을 요청하거나, Generative AI 기반 판단으로 넘어가게끔 설계되었습니다.

실제 효과와 성과

• 객체 탐지 기반 정확도 95%, 전체 평균 AI 신뢰도 90% 이상
• 재검사율 80% 이상 감소 → 현장 인력 부담 감소
• 고객 만족도 향상 및 응답 시간 대폭 단축
• 현장 앱을 통해 즉석 판별 가능 → 교육생 또는 기술 미숙한 인력도 쉽게 사용 가능

결론
이 사례는 인공지능을 통해 반복적이고 복잡한 태양광 설치 점검 업무를 자동화할 수 있다는 것을 보여줍니다. 특히 여러 환경에서 정확하고 일관된 결과를 제공하는 AI 시스템은 Cloud 기반 자동화 사용법, 유사 모델 비교, AI 배포 전략 등에서 큰 시사점을 줍니다. 앞으로도 다양한 산업에서 SageMaker AI와 Amazon Bedrock 같은 서비스를 통합 활용함으로써, 운영 효율성과 품질을 동시에 확보할 수 있는 기반이 될 수 있습니다.

https://aws.amazon.com/blogs/machine-learning/how-tata-power-coe-built-a-scalable-ai-powered-solar-panel-inspection-solution-with-amazon-sagemaker-ai-and-amazon-bedrock/