딥아이의 핵심기술, 나는 이렇게 생각한다

투자자가, 고객사 담당자가, 정부과제 평가위원이, 혹은 갓 입사한 신입이 똑같이 묻는다고 해보자. "딥아이의 핵심기술이 뭔가요?" 아마 우리는 저마다 다르게 답할 것이다. 누군가는 결함을 찾아내는 AI 모델을, 누군가는 어떤 장비의 데이터든 읽어내는 처리 기술을, 누군가는 이 모든 걸 현장에서 굴러가게 만드는 운영 시스템을 꼽을 것이다. 모두 맞는 말이다. 그런데 묘하게, 어느 하나도 "이것이 딥아이다"라고 말해주지는 못한다. 왜일까.

답을 찾으려면 우리가 매일 다루는 일의 본질로 돌아가야 한다. 20미터 길이의 열교환기 전열관 안에서, 폭 1mm 안팎의 결함을 찾아낸다. 설비 내부는 직접 볼 수 없으니, 검사자는 신호와 이미지에 남은 미세한 패턴을 자신의 눈과 경험으로 해석한다. 비파괴검사(NDT)는 이렇게 보이지 않는 것을 판단하는 일이다. 그리고 바로 그 본질 때문에, 이 분야는 오랫동안 풀리지 않은 한계를 안고 있었다.

딥아이는 이 문제를 책상이 아니라 현장에서 마주하며 태어났다. 한국수력원자력 사내벤처에서 출발해, 원전이라는 가장 높은 안전 기준의 현장에서 "사람의 감에 의존하는 검사를 어떻게 더 정확하고 신뢰할 수 있게 만들 것인가"를 직접 풀어온 회사다. 그래서 "핵심기술이 뭔가요"라는 질문은, 사실 이 질문과 같다 — 우리는 NDT의 어떤 한계를, 기술로 다시 정의하고 있는가.

이 글은 그 질문에 대한 나의 답이자 제언이다. 결론을 먼저, 그리고 그 근거를 차례로 풀어보려 한다.

01결론부터 — 핵심기술은 '모델'이 아니라 '판단 체계'다

딥아이의 핵심기술을 한 문장으로 정의하면 나는 이렇게 쓰겠다.

ECT·IRIS 등 비파괴검사에서 발생하는 이종(異種) 데이터를 표준화하고, 신호·이미지·메타데이터·이력·전문가 판단을 통합 학습하여, 결함 판정뿐 아니라 판정 신뢰도·예외처리·수명예측·운영 의사결정까지 수행하는 NDT 특화 Inspection Intelligence Engine.

이 정의가 중요한 이유는 분명하다. 딥아이를 단순히 "AI로 결함을 잘 찾는 회사"로 두면, 기술 방어력이 약해진다. 객체탐지 모델, 회귀 모델, 이미지 복원, 파라미터 튜닝은 모두 중요하지만 시간이 지나면 모방되거나 대체될 수 있다. 반면 현장 데이터 구조, 장비별 포맷 해석, 검사자 수정 이력, 예외 케이스 처리, 그리고 운영사 의사결정과 연결된 데이터 체계는 쉽게 복제되지 않는다. 핵심기술은 후자에 있다.

그리고 우리는 이미 이 방향으로 제품을 설계해왔다. ECT/IRIS 신호·이미지 판독에 특화된 Deep Agent, 검사 운영·평가·관리·보고를 하나로 묶는 Inspection Intelligence OS인 Deep Intelligence, 그리고 검사 결과를 의사결정 근거로 바꾸는 Deep Insight. 이 구조 자체가 "탐지"가 아니라 "판단과 운영"을 향하고 있다. 이제 필요한 것은, 기술의 중심을 "AI 자동평가 정확도"에서 "검사 판단의 신뢰성과 운영 의사결정 지능"으로, 우리 모두가 같은 언어로 옮기는 일이다.

02우리가 푸는 진짜 문제 — NDT의 고질적 한계

핵심기술을 "판단 체계"로 정의해야 하는 근거는, 우리 안이 아니라 현장에 있다. 비파괴검사는 두 종류의 고객 모두에게 오래된 구조적 문제를 안겨왔다. 우리가 풀고 있는 것은 바로 이 한계다.

이 표를 가만히 보면, 문제의 본질이 보인다. 두 고객의 고통은 모두 "결함을 못 찾아서"가 아니라, "그 판단을 믿을 수 있느냐, 그리고 그 판단을 운영에 쓸 수 있느냐"에서 나온다. 우리가 자동평가 정확도를 정유·화학 현장에서 목표 95~98%로 잡았지만 실제 80~85%에 머물렀던 것도 같은 맥락이다.

이 15%p의 Gap은 모델이 부족해서가 아니다. 신호 해석이 애매한 그레이 존(Gray Zone)이 존재하고, 검사자마다 miss call이 다르며, 자동화 결과를 현장이 온전히 신뢰하지 못하는 수용성의 문제가 겹쳐 있다. 남은 15%는 "더 정확한 탐지"로 메울 수 있는 영역이 아니라, "판단을 어떻게 다룰 것인가"의 영역이다.

03무엇이 핵심기술이고, 무엇이 기반기술인가

"판단 체계가 핵심"이라는 말은 자칫 추상적으로 들린다. 그래서 우리가 흔히 핵심기술 후보로 꼽는 것들을 냉정하게 분류해봤다. 모두 필요한 기술이지만, 회사의 장기 해자로 내세울 수 있는 것과 그렇지 않은 것은 구분해야 한다.

답은 하나로 모인다. 데이터 파싱도, 학습방법도, MLOps도 그 자체로 핵심기술은 아니다. 이들은 모두 필요하지만, 핵심은 이들을 묶어 비파괴검사 판단을 지속적으로 더 정확하고, 더 신뢰 가능하고, 더 운영적으로 쓸모 있게 만드는 통합 지능 체계다.

04딥아이 핵심기술의 6-Layer 아키텍처

내부에서 기술을 "파싱, Denoising, 객체탐지, 회귀모델, MLOps"처럼 방법론으로 나열하면 큰 그림이 흩어진다. 아래 6개 계층으로 묶어야, 우리가 무엇을 쌓고 있는지가 한눈에 보인다.

이 중에서도 2층과 3층이 딥아이의 심장이다. Judgment Data Architecture는 "결함 있음/없음" 라벨이 아니라 원시 신호, 장비 조건, AI 1차 판정, 검사자 수정, 최종 판정, 검사 불가 사유, 재검 여부, 과거 이력, 정비 결과까지 하나로 잇는 구조다. 좋은 AI 모델을 만드는 회사가 아니라, 좋은 판단 데이터를 축적하는 회사가 되는 것 — 그것이 핵심이다.

그래서 우리의 Hybrid Inspection Service는 단순한 과도기가 아니다. 현장에서 AI가 1차 판독하고, 검사자가 수정하고, 최종 판단하는 그 과정 자체가 고급 학습 데이터가 된다. 우리의 현장 운영이 곧 데이터 플라이휠이다.

그리고 이 체계는 '확장의 근간'이어야 한다

내가 기술의 정리·체계화를 강조하는 가장 현실적인 이유가 여기 있다. 우리는 ECT/IRIS에서 멈출 회사가 아니다. 검사방법은 PAUT, RT로 확장되고, 검사대상은 열교환기 튜브에서 배관으로 넓어진다. 이때 매번 모든 것을 새로 만들면 우리는 "검사법마다 SI 하는 회사"가 된다. 반대로, 공통 판단 엔진(Common Core) 위에 검사법별 Adapter와 산업별 Rule Pack을 얹는 구조를 갖추면, 우리는 "NDT Intelligence Platform 회사"가 된다.

즉 지금 우리가 ECT/IRIS에서 만드는 판단 엔진은, PAUT로 검사방법이 확장될 때도, 열교환기에서 배관으로 검사대상이 확장될 때도 그대로 재사용되는 뿌리가 되어야 한다. 이것이 흩어진 기술을 지금 정리하고 체계화해야 하는 결정적 이유다. 근간이 단단해야, 확장이 빨라진다.

05이미 증명하고 있는 것 — 우리는 빈손으로 주장하지 않는다

이 방향이 구호가 아닌 이유는, 우리가 이미 누구도 갖지 못한 자산 위에 서 있고, 그 위에서 실제로 고객의 검사를 수행하고 있기 때문이다. 판단 지능 엔진의 연료는 데이터이고, 그 신뢰는 공인된 검증과 실제 레퍼런스에서 나온다. 셋 다 우리에게 있다.

그리고 가장 중요한 증거는, 국내 메이저 원전·정유·화학사들이 실제로 우리의 OS를 쓰고, 검사를 맡기고 있다는 사실이다. PoC를 넘어 현장 도입과 검사 수행으로 이어지고 있다.

이 레퍼런스가 핵심기술의 정의와 정확히 맞물린다. 경쟁사가 더 좋은 객체탐지 모델을 만들 수는 있어도, 한수원이 공여한 극환경 실데이터, 원전 현장에서 검증된 AI Agent 검사 자격, 그리고 메이저 고객사의 현장에서 매일 쌓이는 검사자 수정 로그는 베낄 수 없다. 우리의 해자는 모델이 아니라, 데이터와 신뢰와 현장의 축적에 있다.

06딥아이 1.0 → 2.0 → 3.0

핵심기술의 진화를 단계로 정리하면, 우리가 지금 어디에 있고 어디로 가는지가 분명해진다.

1.0은 검사자의 업무를 줄여준다. 2.0의 신뢰성 관리는 현장의 도입 결정을 바꾸고, 3.0의 이력 기반 추론은 운영사의 의사결정 자체를 바꾼다. 영업의 언어도 함께 진화한다. "AI가 더 빠르고 정확하게 판독합니다"에서 — "AI가 판독할 뿐 아니라, 어떤 결과를 믿고 확정해도 되는지, 어떤 결과는 검토·재검이 필요한지까지 관리합니다"로. 산업용 고객에게는 후자가 비교할 수 없이 강하다.