제조 분야의 AI: 엔터프라이즈를 위한 AI 기반 자동화 가이드

제조 분야의 AI는 제조 프로세스와 의사 결정을 최적화하기 위해 머신러닝, 컴퓨터 비전 및 인공 지능을 통합하는 것을 의미합니다. 제조 업계는 AI 기술을 활용하고 가드레일을 도입하여 정확성을 높임으로써 단순한 자동화를 넘어 장비 고장 예측, 품질 관리 강화, 복잡한 공급망 워크플로 자동화가 가능한 스마트한 제조 생태계를 구축할 수 있습니다.

제조 분야 AI의 개념

제조 부문에서는 인공 지능에 관한 기존의 인식이 크게 변화하고 있습니다. 로보틱스와 PLC(프로그래머블 로직 컨트롤러)를 통한 기계 수준의 최적화에 그쳤던 제조 분야 AI는 이제 전체 기업에 걸친 엔드 투 엔드 프로세스 최적화로 나아가며 진정한 영향력을 발휘하고 있습니다.

이러한 발전은 가장 진보된 공장마저 오랫동안 시달려온 분산된 시스템과 수동 조정이라는 공통적인 문제를 해결해 줍니다. 이 변화의 중심에는 고급 APA(에이전트 프로세스 자동화) 플랫폼이 지원하는 제조 부문 에이전트 자동화가 있으며, 이러한 플랫폼은 중요한 운영 격차를 해소하는 핵심 기술로 부상하고 있습니다.

오늘날의 지능형 에이전트는 단순히 데이터를 이동시키는 것에 그치지 않고 복잡한 워크플로를 능동적으로 관리하며 ERP, MES, PLM 및 QMS(품질 관리 시스템)와 같은 사일로화된 시스템 전반에 걸쳐 프로세스 상태를 유지하고 동적으로 의사 결정을 내립니다. 이제 최우선 과제는 개별적인 AI 파일럿을 넘어 대규모 제조 자동화를 실현하는 것입니다.

이 가이드는 APA를 활용하여 산업 혁신의 다음 물결을 주도할 수 있는 청사진을 제공하며 기본 제공되는 감사 기능과 강력한 HITL(human-in-the-loop) 제어를 통해 업무를 전략적으로 조율하는 방법을 제시합니다.

스마트 제조에서 인공 지능의 역할

제조 분야의 AI는 지능형 자동화와 역동적인 의사 결정의 엔진 역할을 하며 단순한 데이터 분석 그 이상의 작업을 할 수 있습니다.

이는 최고 경영진이 제조 운영을 전략적으로 자동화하여 복잡한 생태계 전반에 걸쳐 회복력을 보장할 수 있도록 지원합니다. AI 에이전트, RPA(로보틱 프로세스 자동화), 이에 수반되는 가드레일을 포함하여 APA를 통합함으로써 조직은 가장 중요한 제조 프로세스를 관리하는 방식을 혁신할 수 있습니다. 더 나아가 APA를 사용하여 AI와 기타 자동화 기술을 오케스트레이션하면 제조 프로세스 자동화를 비용 효율적으로 구현할 수 있습니다.

산업용 AI 응용 분야의 7가지 주요 유형

AI 솔루션이 현대의 제조 환경에서 실질적인 가치를 제공하는 다양한 응용 분야가 있습니다.

예지 보전

AI 기반 예지 보전은 AI 알고리즘을 활용하여 물리적 자산의 센서 데이터를 분석합니다. AI 시스템은 장비 고장에 앞서 나타나는 미묘한 패턴과 이상 징후를 식별함으로써 잠재적인 고장을 예측할 수 있습니다.

제조업체는 이러한 선제적인 접근 방식을 통해 고정된 시간 또는 사용량 기반 일정을 따르거나(예방 정비) 고장이 발생한 후에 대응하는(사후 대응 정비) 것이 아니라 필요한 시점에 정확하게 정비 일정을 세울 수 있습니다.

품질 관리 및 컴퓨터 비전

AI로 구동되는 컴퓨터 비전 시스템은 사람 검사자보다 더 빠르고 일관되게 제품 결함을 식별하여 더 높은 품질 기준을 달성합니다. 완벽한 제품과 결함이 있는 제품에 관한 방대한 양의 데이터 세트로 학습된 AI 모델은 미세한 결함이나 표면 불규칙성, 미세 정렬 불량, 누락된 부품을 더욱 빠르고 정밀하게 식별할 수 있습니다. AI는 단순한 합격/불합격을 넘어 결함 유형을 분류하고 정확한 위치를 파악하며 생산 프로세스의 특정 지점과 이를 연관시킬 수도 있습니다. 이 모든 과정이 사람이 낼 수 있는 정확도보다 더 높은 정확도로 이루어집니다.

공급망 최적화

AI 및 ML(머신러닝) 모델은 과거 수요, 시장 동향, 공급업체 성과를 포함한 방대한 데이터 세트를 분석하여 매우 정확하게 수요를 예측합니다. 이를 통해 제조업체는 재고 수준을 보다 지능적으로 관리하여 품절 방지 필요성과 운송 비용 최소화 간 균형을 맞출 수 있습니다.

최신 AI 에이전트는 공급망 관리를 위해 머신러닝 알고리즘을 사용하여 과거 판매 데이터와 시장 동향을 분석합니다. 이러한 에이전트는 공급망 최적화를 자동화함으로써 매우 정확하게 수요를 예측하여 전체 공급망에 걸쳐 공급 부족을 방지하고 원자재 조달을 최적화합니다.

디지털 트윈 및 시뮬레이션

Industry 4.0의 토대는 디지털 트윈 기술입니다. 제조업체는 공장의 가상 복제본을 생성하여 실시간 데이터 분석을 활용하고 '가상 시나리오'를 시뮬레이션합니다. 디지털 트윈을 AI 기반 도구와 통합하면 실제 생산을 중단하지 않고 문제를 해결하고 프로세스를 최적화할 수 있습니다.

생성형 설계

AI 알고리즘은 비용과 효율성을 위해 BOM(자재 명세서)을 최적화함으로써 자재 및 성능에 대한 구체적인 제약 조건을 충족하는 혁신적인 제품 설계를 수행하여 설계 프로세스를 가속화합니다. 엔지니어들은 직접 설계를 스케치하는 것이 아니라 AI 도구를 활용하여 수천 가지 솔루션을 탐색함으로서 더 가볍고 내구성이 좋으며 자재 효율이 높은 부품을 만듭니다.

프로세스 자동화 및 로보틱스

실제 AI 기반 로봇은 첨단 센서를 통해 환경을 인지하고 새로운 데이터로부터 학습하며 실시간으로 동작을 조정합니다. 이를 통해 더 높은 작업 복잡성을 처리하고, 사람 작업자와 안전하게 협업하며, 불규칙한 형태의 물체를 집거나 정밀하게 복잡한 부품을 조립하는 등 변동성이 있는 작업까지 수행할 수 있습니다. AI는 또한 로봇 비전과 오류 복구를 강화하여 생산 현장에서의 활용도와 효율성을 더 높입니다.

에너지 관리

AI는 에너지 소비를 최적화하고 운영 비용을 절감하며 환경 영향을 최소화하는 정교한 도구를 제공합니다. AI 에이전트는 에너지 사용 패턴, 생산 일정, 일기 예보 및 에너지 요금을 분석함으로써 운영을 지능적으로 관리하고 제어하여 에너지 사용을 최적화할 수 있습니다. 여기에는 HVAC 시스템, 조명, 기계의 운영뿐만 아니라 재생 에너지원의 통합이 포함됩니다. AI는 또한 수요가 가장 높은 기간을 예측하고 비임계 부하를 사전에 조정하여 전력망의 부담을 줄이고 수요가 높은 시간대 할증 요금을 방지할 수 있습니다.

제조 분야 AI의 4가지 주요 이점

AI를 제조 프로세스에 통합하면 경쟁 우위를 확보하고 운영 우수성을 높이는 상당한 이점을 누릴 수 있습니다.

1. 효율성 및 생산성 증대

제조 분야 AI가 제공하는 즉각적이고 실질적인 이점은 효율성과 생산성을 크게 증대한다는 점입니다. 전통적인 제조업은 종종 워크플로 병목 현상에 직면하며, 특히 서로 다른 부서나 시스템 간에 수동으로 조정이 필요한 지점에서 이러한 문제가 두드러집니다. 인적 오류와 데이터 전송 지연, 반복적인 행정 업무에 소요되는 막대한 시간은 운영을 크게 지연시킬 수 있습니다.

APA와 AI는 이러한 프로세스를 간소화하여 데이터 입력, 보고서 생성, 시스템 간 검증과 같은 일상적인 대량의 작업을 자동화합니다. 이렇게 함으로써 사람 작업자는 단조로운 작업에서 해방되어 창의성과 비판적 사고, 복잡한 문제 해결이 요구되는 보다 가치 높은 활동에 집중할 수 있습니다.

2. 비용 절감 및 낭비 감소

AI는 생산의 다양한 측면을 최적화하여 원자재, 에너지 및 인적 자원의 낭비를 최소화합니다. AI는 정확한 수요 예측과 재고 관리를 통해 과잉 생산과 그에 따른 보관 및 노후화 비용을 줄여 줍니다. AI 기반 품질 관리 시스템을 사용하면 조기에 결함을 감지하여 이후 단계에서 불량 부품의 사용을 방지하고 폐기를 줄일 수 있습니다. AI 에너지 관리는 전력 소비를 최적화하여 공과금 비용을 낮추고 탄소 발자국을 줄여 줍니다. 또한 AI는 예지 보전을 통해 장비 가동 시간을 향상함으로써 긴급 수리 비용과 값비싼 긴급 조달 부품의 필요성을 최소화합니다.

제조 분야에서 AI를 활용하여 수요 예측부터 예지 보전까지 자원 최적화에 전체적인 접근 방식을 취하면 상당한 비용 절감 효과를 얻을 수 있으며 환경적으로 보다 책임 있는 제조 프로세스를 지원할 수 있습니다.

3. 제품 품질 개선

AI 시스템은 실시간 검사, 지속적인 프로세스 모니터링 및 이상 감지를 통해 제조된 제품이 일률적으로 엄격한 품질 기준을 충족하도록 보장합니다. 예를 들어, AI 기반 비전 시스템은 사람 검사자보다 훨씬 더 높은 일관성과 빠른 속도로 제품을 검사할 수 있으며, 그렇지 않으면 발견되지 않을 수 있는 미세한 결함까지도 식별할 수 있습니다.

AI는 결함 감지를 넘어 프로세스 매개변수를 분석하고 생산 설정을 최적화하기 위한 조정 사항을 권장하여 각 제품이 지속적으로 사양을 준수하도록 할 수 있습니다. 그 결과 고객 만족도가 높아지고 브랜드 평판이 강화되며 품질 저하와 관련된 장기적인 비용이 감소합니다.

4. 안전 강화

AI는 자율 시스템이 고위험 또는 위험한 작업을 대신 수행할 수 있도록 함으로써 더 안전한 작업장을 만듭니다. AI가 탑재된 로봇은 사람에게는 너무 덥거나, 춥거나, 위험한 환경, 즉 밀폐된 공간에서의 용접, 유독성 화학물질 취급, 고전압 장비 작업과 같은 반복적인 작업을 수행할 수 있습니다. 협동 로봇은 AI의 안내를 받아 고급 안전 프로토콜을 적용하여 사람과 함께 작업할 수 있으며, 사람의 존재를 인지하고 반응하여 사고를 예방할 수 있습니다.

AI는 사람을 위험에서 벗어나게 하고 보다 예측 가능하고 통제된 운영 환경을 조성함으로써 작업장 안전을 크게 강화하며 부상 감소, 직원 복지 증진, 안전 규정 준수를 보장합니다.

에이전트 AI로의 진화: 조정 문제 해결

AI가 제조 분야의 다양한 측면에 상당한 가치를 제공한다는 것은 분명합니다. 하지만 더 깊고 더 널리 퍼져 있는 과제인 조정 문제가 남아 있습니다.

수십 년간의 자동화 덕분에 생산 현장은 놀라운 기계 속도로 작동하며 물리적 작업을 정밀하고 효율적으로 수행할 수 있습니다. 그러나 이러한 물리적 프로세스를 연결하는 비즈니스 운영, 즉 계획, 조달, 물류, 품질 검사, 재무 조정은 여전히 놀랄 만큼 느린 경우가 많습니다. 이처럼 '사람이 개입하여 프로세스를 연결'하는 것은 필수적이지만 수동 핸드오프, 분산된 시스템, 사람의 판단에 대한 의존으로 인해 마찰, 지연, 오류를 초래합니다. 실제로 이는 민첩성을 떨어뜨립니다.

업계에서의 AI 활용이 촉진됨에 따라 제조업체들은 '코파일럿'을 넘어 진정으로 자율적인 '에이전트'로 나아가야 합니다.

• 코파일럿은 AI를 인사이트를 제공하고 제안을 하거나 사람의 명시적인 요청에 따라 특정 작업을 완료하는 정교한 어시스턴트로 활용합니다. 챗봇이 문의에 답변하거나 AI 도구가 문서를 요약하지만 주도권은 여전히 사람에게 있다고 생각해 보세요. 이 모델은 유용하지만 조정 격차를 완전히 해소하지는 못합니다. 또한 다단계 및 교차 시스템 워크플로를 처리하기 위해서는 추가적인 자동화와 오케스트레이션이 필요합니다.
• 에이전트 또는 에이전트 AI는 자율성의 도약을 의미합니다. AI 에이전트는 단순히 지원을 제공하는 것에 그치지 않고 고차원의 목표 또는 '지시'를 부여받아 다양한 시스템과 부서에 걸쳐 복잡한 다단계 워크플로를 자율적으로 실행합니다. AI 에이전트는 단순히 데이터를 제공할 뿐만 아니라 데이터를 기반으로 조치를 취하고 의사 결정을 내리며 예외를 처리하고 결과를 제공합니다.

코파일럿에서 에이전트로의 전환은 단순히 작업을 자동화하는 것을 넘어 운영을 지능적으로 조율하는 것으로 나아가기 때문에 매우 중요합니다. AI 에이전트는 맥락을 이해하고, 장기 실행 프로세스 전반에 걸쳐 상태를 유지하고, 지속적인 사람의 지시 없이도 서로 다른 시스템 간의 작업을 조정하도록 설계되었습니다. 제조 기업은 이처럼 더 높은 수준의 자율성을 통해 깊이 뿌리내린 조정 문제를 해결할 수 있으며, 사람이 중재하는 느린 워크플로를 빠르고 지능적이며 자체적으로 관리되는 운영으로 전환할 수 있습니다.

APA(에이전트 프로세스 자동화)가 조정 격차를 해소하는 방법

APA는 고립된 시스템과 사람 중심의 조정 간의 격차를 해소하기 위한 청사진을 제공합니다.

비즈니스 프로세스 전반에서 상태 유지

에이전트는 프로세스의 시작부터 완료까지 '따라가며' 여러 시스템(예: ERP 및 MES)에 걸쳐 며칠 또는 몇 주 동안 맥락을 유지하고 작업을 조율합니다. 이는 전통적이거나 분산되거나 공급업체별 자동화가 자주 실패하는 부분에서 연속성을 보장합니다.

사일로화된 시스템 전반에 걸친 조정

연결 조직의 역할을 하는 제조 분야 AI 에이전트는 PLM, QMS, 재무 등 서로 다른 시스템을 통합하여 BOM과 같은 중요한 문서가 모든 시스템에서 일관되게 유지되도록 합니다. 또한 원활한 데이터 흐름과 조치를 가능하게 하여 수동 데이터 재입력과 운영 지연을 없애줍니다.

예외 처리 및 변동성에 대한 적응

공급 지연이 발생하면 AI 에이전트가 자율적으로 문제 상황을 감지할 수 있습니다. 그런 다음 대체 공급업체를 찾거나 생산 일정을 조정하거나 근무자에게 지연을 방지하기 위한 구체적이고 실행 가능한 권장 사항과 함께 알림을 보낼 수 있습니다.

거버넌스 및 추적 기능

AI 에이전트가 수행하는 모든 행동은 변경 불가능한 감사 추적을 생성하기 위해 철저하게 기록됩니다. 기본으로 제공되는 이러한 추적 기능은 ISO 표준, 규제 준수 및 내부 거버넌스 요구 사항을 충족하는 데 매우 중요합니다.

제조 분야 AI 도입하기: 전략적 로드맵

제조 분야에서 AI의 이점을 활용하기 위해서는 단계별 접근 방식을 따라 효과를 극대화하고 위험을 완화해야 합니다.

1단계: 가치가 높고 위험이 낮은 파일럿 프로젝트부터 시작하세요.

PO(구매 주문) 처리 또는 문서 어셈블리와 같이 구체적이고 명확하게 정의된 프로세스부터 시작하세요. 다음과 같은 프로세스에 집중하세요.

• 반복적인 규칙 기반 프로세스: RPA의 자동화 기능을 시연하는 데 적합
• 데이터 집약적인 프로세스: AI가 방대한 양의 정보를 빠르게 처리할 수 있는 영역
• 인적 오류에 취약한 프로세스: 자동화가 정확성을 높일 수 있는 영역
• 비중요 경로의 프로세스: 예상치 못한 문제가 발생했을 때 위험을 최소화하기 위한 목적

AI가 송장에서 데이터를 추출하여 ERP 시스템의 PO에 맞춰 조정하는 자동화된 PO 처리, 규정 준수 보고서나 품질 인증서를 생성하는 자동화된 문서 어셈블리, 서비스 센터에서 기본적인 고객 문의를 라우팅하는 것을 예로 들 수 있습니다. 여기서 핵심은 제한된 환경에서 명확하고 측정 가능한 이점을 제공하는 프로젝트를 선택하는 것입니다. 이 단계는 공장 전체를 변화시키는 것보다는 통제되고 관리 가능한 방식으로 AI의 가치 제안을 학습, 반복 및 입증하는 데 더 중점을 둡니다.

2단계: 다음으로, 데이터 준비 상태를 확인하고 센서 통합 전략을 개발하세요.

초기 파일럿 단계를 넘어서며 초점은 기본 데이터와 연결성으로 넘어갑니다. AI는 신뢰할 수 있고 정제된 데이터가 필요하므로 데이터 준비 상태가 가장 중요한 과제가 됩니다. 이 단계에는 다음 전략이 포함됩니다.

• 데이터 품질 및 정제: 모든 소스에서 데이터가 정확하고 완전하며 일관되도록 보장하는 프로세스 구현
• 데이터 레이크 및/또는 데이터 웨어하우스 구축: 다양한 소스에서 발생하는 방대한 운영 데이터를 수집, 저장 및 처리하기 위한 강력한 인프라 구축
• 센서 통합 전략: 보다 진보된 AI 응용 분야, 특히 실시간 모니터링 및 예측 기능이 포함된 경우에는 IoT(사물인터넷) 센서 통합을 위한 종합적인 전략 필수

이 단계에는 윤리적인 AI 프레임워크 개발, 데이터 개인정보 보호 및 보안 지원, 에이전트 개발 및 배포를 위한 가이드라인 설정도 포함됩니다. 안정적인 데이터 기반과 관련된 물리적 및 운영 데이터 통합을 위한 명확한 전략이 없다면 AI 전략을 확장하는 데 심각한 제약이 따를 것입니다.

3단계: 시스템 간 오케스트레이션('스마트 팩토리')으로 확장하세요.

파일럿 프로젝트가 성공하고 강력한 데이터 인프라가 구축되면 이후에는 시스템 간 오케스트레이션과 '스마트 팩토리'의 비전을 실현하기 위해 확장할 수 있습니다. 이 단계에서는 여러 부서와 기술 사일로에 걸친 복잡한 비즈니스 프로세스를 관리하기 위해 AI 에이전트를 배포합니다. 다음 전략에 집중하세요.

• 프로세스 재설계: 에이전트 오케스트레이션을 위한 기존 비즈니스 프로세스 재평가, 개별 작업을 넘어 전체적인 워크플로 자동화로 전환
• 부서 간 협업: IT, 운영, 엔지니어링 및 비즈니스 부문 간의 긴밀한 협업을 촉진하여 AI 솔루션 설계 및 배포
• 지속적인 최적화: AI 에이전트와 모델이 새로운 데이터를 학습하고 변화하는 조건에 적응하며 지속적인 프로세스 개선을 이끄는 연속적인 피드백 루프 구현

스마트 팩토리 비전은 단순한 자동화에 그치지 않고, 지능적이고 상호 연결되며 적응력 있는 제조 생태계를 구축하는 것입니다. 여기서 AI 에이전트는 기계를 엔터프라이즈 시스템에 연결하는 운영을 관리하며 전례 없는 수준의 효율성과 대응력, 운영 자율성을 실현합니다.

산업용 AI를 위한 데이터, 거버넌스 및 보안

산업용 AI의 성공적인 구현은 데이터 관리, 거버넌스 및 보안의 안정적인 기반에 달려 있습니다. 고품질 데이터 수집, 정확한 라벨링, 핵심적인 의사 결정을 위한 HITL 프로세스의 역할을 강조해야 합니다.

또한 민감한 제조 데이터를 보호하고 AI 기반 운영의 무결성을 보장하려면 엔터프라이즈급 보안 프로토콜과 강력한 감사 기능이 필요합니다.

Automation Anywhere가 제조 분야 AI를 운영화하는 방법

Automation Anywhere는 프로세스 발견, 에이전트 배포, 에이전트 오케스트레이션 계층을 제공하여 기존 시스템을 연결하고 AI 에이전트가 복잡한 제조 워크플로를 관리할 수 있도록 지원합니다.

• Automation Anywhere의 Process Discovery는 자동화 기회를 식별하고 포착합니다.
• AI Agent Studio를 사용하면 안전하고 보안이 강화된 AI 에이전트를 구축하고 관리하여 모든 프로세스를 자동화할 수 있습니다.
• Automation Co-Pilot은 작업자가 제조 워크플로 내에서 자동화를 생성하고 구축하고 배포하는 데 도움을 줍니다.

여러 부문의 선도적인 제조업체들은 이미 에이전트 AI 도입을 통해 상당한 성과를 거두고 있습니다.

• Mars는 전 세계 반려동물 케어, 식품 및 제품 제조 운영 전반에 걸쳐 475개의 에이전트 자동화를 통해 500,000시간을 절감했습니다.
• Mantrac은 에이전트 자동화를 통해 오류 없이 효율성을 85% 향상하며 건설 장비 운영 전반에서 정밀성과 신뢰성을 입증했습니다.

위험, 한계 및 책임감 있는 AI 관행

AI는 제조업 부문에 엄청난 잠재력을 제공하지만 책임감 있는 도입을 위해서는 기본적인 AI 위험을 반드시 해결해야 합니다. 여기에는 시간이 지남에 따라 AI 모델의 정확도가 저하되는 모델 변경, 불공정하거나 잘못된 의사 결정을 유발하는 데이터 편향, 특히 클라우드 기반 AI에서 지역 규제 및 데이터 처리 규정으로 인해 발생하는 데이터 주권 문제가 포함됩니다.

AI 위험을 완화하고 책임감 있는 AI 거버넌스 및 관련 관행을 정착시키기 위해 AI 성능을 지속적으로 모니터링하고 모델을 정기적으로 다시 학습시키며 명확한 규칙, 가드레일 및 정책을 수립해야 합니다.

APA가 제조 운영을 어떻게 혁신할 수 있는지 알아볼 준비가 되셨나요? 데모를 예약하여 Automation Anywhere의 APA가 실제로 어떻게 작동하는지 확인하고 제조 자율화로 나아갈 방법을 확인해 보세요.

제조 분야 AI 관련 FAQ

AI 에이전트는 PLC와 같은 생산 현장 자동화와 어떻게 다른가요?

AI 에이전트는 자율적으로 작업을 수행하고 정의된 목표를 달성하는 반면 PLC는 생산 현장의 물리적 기계와 프로세스를 제어합니다.

AI 에이전트는 기존 MES 및 ERP 시스템과 함께 작동할 수 있나요?

네, AI 에이전트는 현대적인 API를 사용하여 다양한 기술 스택과 통합하도록 설계되었으며 미들웨어 및 기타 도구를 활용하여 기존 MES 및 ERP 시스템과도 통합할 수 있습니다.

에이전트가 사람의 승인 없이 제품 품질에 영향을 미치지 않도록 보장하는 통제 수단으로는 무엇이 있나요?

AI 에이전트는 HITL 승인 및 통제를 유지하고 품질 관련 중요한 의사 결정에 사람의 감독을 요구하도록 구성 가능한 워크플로를 사용하도록 설계되었습니다.

에이전트는 규제 대상 제조 부문에서 추적 기능을 어떻게 유지하나요?

AI 에이전트가 수행하는 모든 작업은 자동으로 기록되고 시간 스탬프가 부여되어 ISO 표준 및 제조 규정 준수에 필수적인 포괄적이고 변경 불가능한 감사 추적 기록을 생성합니다.