아침 교대가 시작되면 Spot은 전날과 같은 순찰 경로를 돈다. 계기판을 촬영하고, 사이트글라스 액면을 읽고, 팔레트와 바닥의 이상을 찾는다. 새 검사 작업을 추가한다는 말은 카메라를 한 번 더 켜는 일이 아니다. 어떤 자산을 어떤 각도에서 촬영할지 정하고, 정상·이상·판독불가를 라벨링하며, 현장 검증셋에서 누락과 오탐을 확인한 뒤 제한된 범위에 모델을 배포해야 한다.
Boston Dynamics는 2026년 4월 8일 기준 등록 고객의 AIVI-Learning이 Gemini와 Gemini Robotics ER 1.6 기반으로 전환됐다고 밝혔다. 그러나 Google의 계기 판독 벤치마크 93%를 고객 사이트의 합격률로 가져오면 안 된다. 데이터셋 규모와 분포, 현장별 조명·시점, 고객 수와 전환 성과가 공개되지 않았기 때문이다. 파일럿의 답은 ‘모델이 더 좋아졌다’가 아니라 자산별 누락·오탐·판독불가, 업데이트 회귀, 데이터 공유 범위와 장애 대응 책임을 같은 작업 원장으로 확인하는 것이다.
한 교대에서 새 검사는 촬영 위치 하나로 시작한다
파일럿 범위는 ‘공장 전체 시각 점검’이 아니라 자산과 결함 하나를 고르는 데서 시작한다. 예를 들어 특정 펌프의 아날로그 게이지가 정상 구간 밖인지 읽는 작업을 택한다. Spot의 정지 위치, 카메라 높이와 각도, 조명, 반사, 가림, 게이지 모델, 허용 판독 범위를 고정한다. 같은 경로에 있어도 사이트글라스 액면과 바닥 물웅덩이는 출력과 실패 방식이 다르므로 하나의 정확도로 합치지 않는다.
Boston Dynamics의 AIVI-Learning 기술 발표는 게이지, 0~100% 사이트글라스 충만도, 팔레트 수, 물웅덩이와 5S 같은 시각 점검을 예로 든다. 이는 지원할 수 있다고 설명된 작업 목록이다. 특정 고객의 오탐·누락 성능이나 모든 계기에서 같은 정확도를 보장하는 자료는 아니다. 각 자산에 정상, 이상, 판독불가의 운영 정의를 붙인다.
한 교대의 흐름에서는 촬영 실패도 검사 결과로 취급한다. Spot이 위치에 도달하지 못했거나 렌즈가 오염됐거나 반사로 눈금을 읽지 못했다면 ‘정상’으로 채우지 않는다. 재촬영할지, 다른 시점으로 이동할지, 사람에게 보낼지 정한다. Spot과 Gemini Robotics ER 2 데모 분석이 물체 조작의 계획을 다룬다면 여기서는 반복 점검 데이터와 판독 결과의 운영 책임에 집중한다.
기존 수동 순찰도 같은 기간에 기록한다. 작업자가 실제로 본 자산 수, 놓친 순찰, 판독에 걸린 시간, 재확인과 긴급 출동을 남겨야 자동화 뒤 차이를 비교할 수 있다. 로봇이 더 많은 이미지를 만들었다는 사실과 설비 이상을 더 빨리 발견했다는 결과는 같은 지표가 아니다.
공급사 벤치마크는 가능성을 보여 주지만 현장 합격선은 아니다
Google DeepMind의 Gemini Robotics-ER 1.6 발표에 표시된 instrument-reading 결과는 ER 1.5 23%, Gemini 3 Flash 67%, ER 1.6 86%, ER 1.6과 agentic vision 조합 93%다. 발표 주체는 모델 개발사이며 2026년 4월 14일 공개된 자체 벤치마크다. 공개 페이지에는 이미지·과제·시도 수, 클래스 분포와 제3자 재현 결과가 없다. 따라서 네 수치는 그 차트 내부의 모델 비교로만 읽는다.
현장 검증셋은 훈련과 프롬프트 조정에 쓰지 않은 이미지로 만든다. 자산 종류, 값 구간, 낮과 밤, 반사·오염·가림, 카메라 거리와 각도를 나누고 실제 운영 빈도와 위험도를 표시한다. 전체 정확도 하나 대신 치명적 이상을 정상으로 읽은 false negative, 정상 상태를 경보로 만든 false positive, 판독을 거부한 unreadable 또는 abstain을 따로 센다.
0~100%가 출력 범위라는 설명도 정확도 100%를 뜻하지 않는다. 연속값은 허용 오차와 경계값 근처의 처리 규칙이 필요하다. 49와 50의 차이가 경보를 바꾼다면 반복 촬영의 분산, 사람 판독자의 불일치와 계기 자체의 정밀도까지 기록한다. 텍스트로 이유를 보여 주더라도 그 설명이 정답의 독립 근거가 되는 것은 아니다.
데이터 공유와 업데이트 책임은 계약 전에 표로 잠근다
AIVI-Learning FAQ는 사용에 데이터 공유가 필요하고 데이터가 Boston Dynamics에만 공유된다고 설명한다. Site Hub나 가상머신으로 Orbit을 운영할 수 있다는 사실만으로 AIVI 학습·추론 데이터가 전부 현장에 머문다고 결론내릴 수 없다. 이미지, 프롬프트, 라벨, 경보, 모델 피드백 가운데 무엇이 전송되는지, 보존 기간과 지역, 삭제·반출 절차를 실제 서비스 문서에서 확인한다.
| 운영 사건 | 현장 운영자에게 필요한 책임 | 공급사에 확인할 증거 |
|---|---|---|
| 새 검사 등록 | 자산·출력·판독불가와 위험 등급 정의 | 지원 작업 범위, 필요한 이미지와 프롬프트 조건 |
| 영상·라벨 공유 | 기밀·개인정보·보존·삭제 승인 | 전송 항목, 수신자, 저장 지역, 보존·삭제 절차 |
| 클라우드 모델 업데이트 | 검증셋 승인과 제한 배포 여부 결정 | 버전 식별, 변경 내용, 복귀 가능 범위 |
| 오탐·누락 급증 | 현장 위험 통제와 수동 점검 전환 | 지원 접수, 조사 로그, 수정·복구 시간 기록 |
| 서비스 종료 | 원본과 판정 기록의 반출·보관 | 데이터 반환·삭제, 모델·프롬프트 이식 가능성 |
이 표는 공개 제품 페이지를 계약 조건으로 바꾸는 문서가 아니다. 실제 책임과 보증, 보안·개인정보 의무는 현장 관할과 체결 문서에 따라 전문가가 검토해야 한다. ‘zero-downtime upgrades’라는 공급사 표현도 소프트웨어 전환 방식의 설명이지 품질 회귀가 없거나 운영 중단이 절대 없다는 보증으로 읽지 않는다.
누락이 늘면 경보를 끄기 전에 이전 버전으로 돌아갈 길을 연다
모델 업데이트 뒤 경보 수가 줄었다고 바로 개선으로 판정하지 않는다. 실제 이상을 놓쳐 false negative가 늘었을 수 있다. 반대로 경보가 늘면 현장 상태가 나빠진 것인지, 카메라 시점이 바뀐 것인지, 프롬프트·모델 회귀인지 분리한다. 같은 자산과 검증셋을 이전 버전과 새 버전에 동시에 통과시켜 차이를 본다.
Orbit 제품 문서는 점검 데이터, 임무 일정, 경보, API와 클라우드·Site Hub·가상머신 배포 선택지를 설명한다. 이를 이용해 사건을 모을 수 있지만 모든 추론이 Orbit 내부에서 이뤄진다고 추정해서는 안 된다. 모델 버전, 임무 버전, 촬영 원본, 출력, 경보 확인자와 최종 설비 조치를 한 타임라인으로 묶어야 재현할 수 있다.
복구는 모델만 되돌리는 것으로 끝나지 않는다. 회귀가 의심되는 기간의 자산을 수동으로 재점검하고 이미 닫힌 경보를 다시 표본검사한다. 위험도가 높은 계기는 제한 배포 단계에서 새 버전의 자동 경보를 의사결정 입력으로 쓰지 않고 사람 판독과 병행한다. 현장 안전 조치는 AI 판독을 기다리지 않고 기존 설비 절차를 따른다.
조사 기록에는 오류 사례의 원본 이미지와 촬영 위치·조명·자산 상태를 보존한다. 이전·현재 모델과 프롬프트에서 같은 표본을 다시 실행하고, 누락·오탐·판독불가를 자산과 위험 등급별로 나눈다. 고위험 점검은 수동 순찰로 전환해 이미 처리한 기간을 재확인하며, 복귀 승인자와 공급사 조사·수정·재배포 시간을 사건 원장에 남긴다.
갱신 여부는 이미지 수가 아니라 발견과 복구의 순효과로 정한다
파일럿 종료 때는 순찰 이미지 수나 지원 가능한 검사 종류만 세지 않는다. 예정된 자산 가운데 실제로 읽은 비율, 이상 누락과 불필요 경보, 판독불가 후 복구 시간, 작업자 재확인 시간, 모델 업데이트 뒤 회귀, 데이터 검토와 보안 운영 시간을 함께 본다. 설비 고장을 발견한 건수가 적다면 현장이 안정적이었는지, 시스템이 놓쳤는지 검증셋과 수동 표본으로 구분한다.
갱신할 만한 조건은 검사 범위가 명확하고 고위험 누락이 통제되며, 판독불가가 정직하게 표시되고, 오류가 생겼을 때 원본에서 조치까지 추적 가능한 경우다. 데이터 공유 범위와 삭제·반출 절차가 조직 정책에 맞아야 하고, 업데이트를 제한 배포하거나 복귀시킬 수 있어야 한다. 현장 인력의 검토 시간이 수동 순찰 절감보다 더 크다면 범위를 줄인다.
- 같은 검증셋에서 버전별 누락·오탐·판독불가를 비교한다.
- 점검 완료율과 실제 자산 커버리지를 이미지 생성량과 분리한다.
- 경보 확인부터 설비 조치까지 걸린 시간과 재확인 부담을 계산한다.
- 공유 데이터 유형·보존·삭제·보안 검토의 반복 비용을 포함한다.
- 회귀 때 수동 순찰로 돌아갈 수 있는 인력과 운영 절차를 유지한다.
- 모호한 자산은 자동화에서 빼고 측정 가능한 작업만 다음 교대로 확장한다.
종료 기준도 미리 둔다. 공급사가 버전과 변경 이력을 식별하지 못하거나, 오류 표본을 재현할 수 없거나, 데이터 처리 조건이 현장 요구와 맞지 않거나, 고위험 누락이 반복되는데 수동 대체 경로가 없다면 확장을 멈춘다. 구글 피지컬 AI 제품 지도는 모델 계열의 차이를 이해하는 데 쓰되, 최신 모델 이름 자체를 현장 갱신 근거로 삼지 않는다.
독자가 이어서 묻는 질문
AIVI-Learning 도입에서 가장 놓치기 쉬운 비용은 무엇인가요?
로봇 주행보다 검증셋 관리와 오류 재확인 비용이 숨기 쉽다. 자산별 라벨 정의, 고위험 누락의 수동 재점검, 업데이트 회귀 비교, 기밀 영상 검토와 데이터 삭제·반출 업무를 운영시간으로 기록해야 한다. 공개 자료에는 고객별 비용이나 절감액이 없다.
Google 벤치마크가 93%라면 ROI를 계산해도 되나요?
안 된다. 93%는 Google 자체 instrument-reading 벤치마크의 특정 구성 결과이며 현장 이미지 수, 클래스 분포, 누락 비용과 작업자 시간의 분모가 아니다. 파일럿에서 자산별 오류와 수동 순찰 기준선을 측정한 뒤에만 현장 경제성을 계산할 수 있다.
자료 마지막 확인: 2026년 8월 26일