식품제조업 AI 제조원가 이상탐지 — False Positive를 줄여야 실제 원가 누수가 보인다

제조원가 이상탐지 시스템이 실패하는 가장 빠른 경로는 경보를 많이 만드는 것이다. 정상적인 Batch까지 매일 이상으로 표시되면 원가담당자는 처음에는 확인하지만 곧 Alert를 무시하기 시작한다.

식품 제조업에서는 특히 그렇다. 농수축산물 매입단가는 계절·산지·환율에 따라 움직이고, 같은 제품도 원료 수분과 공정조건에 따라 Yield가 달라진다. 생산량이 작은 Batch에서는 고정 제조간접비의 단위당 배부액도 커진다. 이 변동을 제거하지 않고 전월 평균원가 대비 +10% 같은 기준만 적용하면 정상적인 원가변동까지 이상으로 판단한다.

AI 원가통제의 목표는 이상한 숫자를 찾는 게 아니라 왜 그 숫자가 달라졌는지를 정상변동과 비정상변동으로 분리하는 것이다.

원가 총액 하나만 보면 정상과 이상을 구분할 수 없다

제품 A의 kg당 제조원가가 5,000원에서 5,600원으로 상승했다고 하자. 이 사실만 보면 12%의 원가 이상이다. 그러나 원료가격이 계절적으로 8% 상승했고 해당 Batch의 생산량이 평소보다 작아 고정비 배부가 3% 증가했다면 상당 부분은 설명 가능한 변동이다. 반대로 매입단가는 정상인데 실제 원료투입량만 15% 늘었다면 Yield Loss나 계량오류를 확인해야 한다.

따라서 원가 이상은 최소한 Price Variance + Usage Variance + Yield Variance + Overhead Variance로 분해해야 한다. AI가 Cost Amount 하나만 입력받아서는 이 원인을 구분하기 어렵다.

식품공장의 AI는 Context를 Feature로 만들어야 한다

Feature Engineering의 출발점은 회계금액보다 제조조건이다. 원료 단가·공급업체·계절·Batch Size·Actual Consumption·Good Output·Yield·Scrap·작업시간·설비시간 같은 데이터를 같은 Batch에 연결해야 한다. 가열·농축 제품이라면 공정온도·가열시간·원료 수분처럼 Yield에 영향을 주는 변수도 의미가 있을 수 있다.

예를 들어 원료투입량 증가가 발생했을 때 동시에 Good Output이 감소했다면 공정 수율 이상 가능성이 높다. 반대로 실제 투입량과 Yield가 정상이고 Purchase Price만 상승했다면 구매가격 영역으로 Investigation을 보내는 편이 합리적이다. 이 때문에 BOM 정확도에서 구축한 Standard Consumption과 MES Actual Consumption의 차이가 AI 원가분석의 중요한 Feature가 된다.

계절성을 이상치로 학습시키면 AI가 정상현상을 경보한다

식품 원재료는 일정한 평균을 중심으로만 움직이지 않는다. 특정 농산물 가격이 매년 같은 시기에 상승한다면 작년 평균보다 높다는 이유만으로 이상이라고 판단해서는 안 된다. 비교기준을 전체 기간 평균에서 품목 + 월/계절 + 공급처 + 구매조건 단위로 좁혀야 한다.

필요하면 외부 원재료 시세나 환율 같은 변수를 함께 사용해 가격상승이 시장 전체 현상인지 특정 공급업체만의 문제인지 분리할 수 있다. Dynamic Threshold의 의미도 여기에 있다. 모든 제품에 원가 ±5%라는 동일한 경계를 적용하는 게 아니라 품목군별 정상 변동폭과 최근 분포를 바탕으로 경계를 다르게 운영하는 것이다. 다만 동적 임계값은 지나치게 빠르게 변하면 실제 이상까지 정상으로 흡수할 수 있으므로 변경이력과 기준기간을 관리해야 한다.

Isolation Forest와 Autoencoder도 정상 데이터를 정의해 주지는 않는다

Isolation Forest는 다른 관측치보다 쉽게 분리되는 데이터를 이상치 후보로 탐지하는 방식이다. Autoencoder 계열은 정상 패턴을 학습한 뒤 복원오차가 큰 관측치를 이상 후보로 판단하는 구조로 사용할 수 있다. 그러나 두 방식 모두 제조현장의 의미를 스스로 알지는 못한다.

설날 전 대량생산 Batch, 신규 거래처 첫 납품, 시험생산, 설비점검 직후 Batch가 정상 데이터와 다르면 기술적으로는 이상치가 될 수 있다. 따라서 모델 입력 전에 Production Type·Trial Batch·Promotion·Maintenance Event 같은 Context Flag를 넣거나 분석대상에서 분리해야 한다. 좋은 이상탐지 모델은 모든 희귀한 현상을 이상으로 판정하지 않는다. 이 원리는 품질 이상탐지에서도 동일하다.

3단계 필터가 현장에서는 더 안정적이다

첫 단계는 Domain Rule이다. 음수 수량·단위환산 오류·존재하지 않는 Item Code·미승인 BOM·비정상적으로 큰 OCR 금액처럼 데이터 오류가 명확한 건은 머신러닝으로 보내기 전에 걸러낸다.

두 번째 단계에서 Dynamic Threshold와 ML Anomaly Score를 사용한다. 여기서는 동일 제품과 유사 Batch Size, 정상 Yield 범위, 계절 가격조건 등을 반영해 비교대상을 만든다.

세 번째가 Human-in-the-Loop다. 담당자가 Alert를 확인해 정상 계절변동 · 구매가격 이상 · Yield 이상 · 입력오류 · 설비문제처럼 원인을 확정하면 이 결과를 이후 Threshold 조정이나 재학습 데이터로 사용한다. 단순히 Alert를 닫은 기록이 아니라 왜 오탐이었는지 Reason Code를 남기는 것이 중요하다.

고정 임계값과 Context 기반 탐지는 운영방식부터 다르다

구분	고정 임계값·단순통계	공정 데이터 결합 AI
비교기준	전체 평균·고정 %	품목·Batch·계절 Context
가격변동	원가 이상 처리	Market/Price Variance 분리
Yield	별도 분석	Feature로 결합
Batch Size	미반영	배부효과 보정
데이터 오류	이상치와 혼재	Rule Filter 선처리
판단기준	단일 Threshold	Dynamic Threshold + Score
사용자 Feedback	소멸	Reason Code 축적
조사대상	원가 총액	가격·수량·수율·배부 분리

데이터 시점이 틀리면 존재하지 않는 원가 이상이 만들어진다

ERP와 MES 연동에서는 Time Alignment도 중요하다. MES 생산은 8월 31일 끝났지만 구매단가 정산이나 제조간접비 배부가 9월에 확정될 수 있다. Preliminary Cost와 Final Actual Cost를 구분하지 않고 모델에 섞으면 원가가 갑자기 상승했다가 다음 달 내려가는 가짜 이상패턴이 생긴다.

따라서 Batch에는 Production Date · Receipt/Price Effective Date · Cost Closing Version을 구분하고, 모델도 동일한 Cost Stage끼리 비교해야 한다. 원가마감 전 데이터를 확정 Actual Cost처럼 사용해서는 안 된다.

Document AI 오류도 원가 이상으로 보일 수 있다

거래명세서 OCR에서 단가 3,800원이 38,000원으로 잘못 인식됐다면 AI는 매우 강한 Cost Anomaly를 찾을 것이다. 하지만 이는 제조원가 누수가 아니라 Source Data Error다.

Document AI 단계에서 Confidence Score·Vendor Master·PO-GRN-Invoice Matching을 통과하지 못한 데이터는 확정 원가모델에 바로 투입하지 않는 편이 좋다. 원가 이상탐지보다 먼저 데이터 신뢰도를 구분해야 한다.

모델의 성능은 Alert 수가 아니라 조사 효율로 평가해야 한다

False Positive를 무조건 최소화하면 실제 이상을 놓치는 False Negative가 증가할 수 있다. 따라서 특정 5% 미만 같은 숫자를 모든 공장에 동일하게 목표로 두는 것보다 Precision·Recall·False Positive Rate와 Alert 처리량을 함께 봐야 한다.

더 중요한 지표는 Alert가 발생했을 때 원인을 빠르게 설명할 수 있는가다.

ERP Purchase Price → Standard BOM → MES Actual Consumption → Yield/Loss → Batch Actual Cost → Anomaly Score → Human Feedback

이 흐름이 연결되면 AI는 담당자를 추궁하는 경보기가 아니라 원가 차이를 조사할 우선순위 엔진이 된다.

식품 제조업의 원가 이상탐지는 AI 모델에서 시작하지 않는다. 정확한 BOM, 실제 투입량, 신뢰할 수 있는 매입단가와 Batch Costing이 먼저 만들어지고, AI는 그 데이터 위에서 설명되지 않는 편차만 좁혀내야 한다.