재활용 업체가 버리는 검은색 플라스틱을 회수하는 AI를 만들었습니다. 분류기는 가장 쉬운 부분이었습니다.

카본 블랙은 근적외선(NIR) 전 대역을 흡수하므로 검은색 컨베이어 벨트 위의 검은색 폴리프로필렌 트레이는 시중의 모든 광학식 NIR 선별기, 즉 전 세계 재활용 선별 라인을 가동하는 TOMRA Autosort, Machinex, Pellenc 계열의 장비에 신호가 전혀 잡히지 않는 공백으로 인식됩니다. 선별기는 해당 물체를 전혀 식별하지 못하며, 결국 잔재물로 떨어져 매립지로 향합니다. 유입되는 스트림에 따라 폐기물의 3~15%가 정확히 이런 방식으로 유실되는 검은색 플라스틱이며, 검은색 플라스틱 비율이 5%인 연간 5만 톤 규모의 시설 기준으로는 연간 약 2,500톤의 회수 가능한 물질이자, 매년 220만~270만 유로 규모의 기회에 해당합니다(WP45 연구, 2026). 저는 이번 개발을 진행하는 동안 많은 시간을 그 플라스틱을 가시화하는 것이 가장 흥미로운 문제라고 가정하는 데 썼습니다. 일주일 정도는 실제로 그랬습니다. 그러고 나서 진짜 문제가 드러났는데, 그것은 모델의 문제가 전혀 아니었습니다.

제가 구축한 데모의 이름은 Assay이며, https://veriprajna.com/demos/materials-recovery-ai 에서 직접 확인하실 수 있습니다. 이 분야의 모든 데모는 현실과 가상의 경계를 흐리고 싶은 유혹을 받기 때문에, 다른 이야기를 하기에 앞서 이 데모에서 무엇이 실제 구현인지부터 밝혀두고자 합니다. 스펙트럼 데이터는 Specim FX50 센서를 모사하는 물리 기반 에뮬레이터로 생성된 합성 데이터이며, 공압 이젝터는 로그만 기록하는 스텁입니다. 실제 구현된 것은 분류기, 게이트, 정책 검증, 그리고 평가 지표들입니다. 제가 합성 환경을 의도적으로 구축한 이유는, 베일의 판매 여부를 결정짓는 핵심 케이스가 깨끗한 실험실 데이터에서는 거의 얻을 수 없는 모호하고 오염된 스트림 내 PVC 혼입 사례이기 때문입니다.

엉뚱한 경쟁에서 이기려 애썼던 일주일

저는 대부분의 사람들이 그러하듯 이 개발을 정확도 경쟁으로 여기며 시작했습니다. 검은색 플라스틱 회수에 대해 모든 사람이 갖는 프레임은 하나의 숫자입니다. 즉, 분류기 성능을 NIR 사각지대의 0%에서 연구실 헤드라인 수치인 99% 근처까지 끌어올리면 재활용의 사각지대를 해결한 것이라는 생각입니다. 그래서 저는 센싱 물리학부터 구축했습니다. 카본 블랙은 중적외선(MWIR) 신호를 감쇠시키기는 하지만 완전히 지우지는 못하며, 바로 그 차이가 해결의 실마리가 됩니다. 2.7~5.3 마이크로미터 대역의 MWIR 영역에서는 각 폴리머가 고유한 진단용 지문을 여전히 남깁니다. PP와 PE의 지방족 탄소-수소 이중선, PS의 방향족 고리, ABS의 니트릴 신축 진동, PVC의 염소 인접 특성이 그것입니다. 저는 numpy로 소형 1D 합성곱 신경망을 직접 구현했습니다. 3개의 합성곱 레이어에서 풀링, 2개의 완전연결 레이어를 거쳐 PP, PE, PS, ABS, PVC에 대한 소프트맥스로 이어지며, 실제 순전파 및 역전파, Adam 옵티마이저, 온도 보정 단계를 갖추고 약 5밀리초의 핫패스에서 순수 수치 코드로 실행됩니다. 여기서는 대규모 언어 모델이 아무것도 결정하지 않습니다. 직접 읽고 검증할 수 있는 산술 연산일 뿐입니다.

그리고 이는 정직한 수준에서 효과를 발휘했습니다. 학습 데이터보다 의도적으로 더 오염시킨 1,700개 객체의 별도 보류 고하중 스트림에서 0.894의 균형 정확도를 기록했습니다. 이는 실제 폐기물을 대상으로 한 MWIR 분류의 동료 평가 현장 벤치마크 수치인 83.4%(Resources, Conservation & Recycling, 2026년 1월) 바로 옆에 자리하며, 그 밑단에는 0.668의 해석 가능한 피크 비율 규칙이 있어 신경망이 자신의 과제를 스스로 채점하지 않도록 했습니다. 이는 까다로운 분포에서 얻은 우수한 수치입니다. 연구실의 99%에는 못 미치지만, 저는 일찌감치 그런 척 꾸며내지 않기로 결심했습니다.

저를 멈춰 세운 것은 바로 이것이었습니다. 0.894라는 수치를 마주한 채 재활용 선별장(MRF)이 이 수치로 무엇을 할 수 있을지 질문해 보았고, 답은 '아무것도 할 수 없다'였습니다. 자원 회수 시설은 결코 정확도 수치를 구매하지 않습니다. 그들이 대가를 지불하는 유일한 대상은 규격을 통과한 베일뿐입니다.

개발 전체를 재편한 토글 하나

개발의 전환점은 거의 사후 생각으로 추가했던 토글 하나에서 비롯되었습니다. A등급 재생 폴리프로필렌에 대한 APR 표준 베일 규격은 구체적이며 타협이 없습니다. 최소 97%의 PP를 함유해야 하고 PVC는 0.5%를 넘지 않아야 합니다. 규격을 충족하지 못한 베일은 입고 거부, 매립지 전환 수수료, 그리고 신뢰를 잃은 다운스트림 재활용 업체로 이어집니다. 그래서 저는 대시보드에 켜고 끌 수 있는 신뢰도 게이트라는 단일 제어 장치를 연결하고, 동일한 모델을 동일한 스트림에서 두 가지 방식으로 실행하여 게이트 하나가 지닌 가치가 무엇인지 살펴보았습니다.

게이트를 켜면 신뢰도가 낮은 객체, 즉 스펙트럼이 어떤 단일 폴리머와도 일치하지 않는 다층 라미네이트 및 오염된 파편들은 베일에 무작정 추정되어 들어가는 대신 소프트맥스 임계값 0.86에서 수동 품질 관리(QC)로 보류되며, 의도적으로 낮게 설정한 임계값을 넘는 모든 PVC 의심 객체는 완전히 강제 기각됩니다. 데모 시드 11에서 게이트를 통과한 베일은 PP 99.2%, PVC 유출 0%로 측정되며, 인증서에는 PASS, APR Grade A가 표시됩니다.

그런 다음 동일한 토글을 껐습니다. 분류기가 아무것도 보류하지 않고 모든 객체에 대해 최상위 예측값만을 취하는 단순 argmax 방식으로 동작하게 한 것입니다. 동일한 스트림, 동일한 가중치였습니다. 이제 베일의 수치는 PP 94.2%, PVC 1.94%로 나타나며, 등급 기준인 PVC 0.5% 한도를 초과하여 인증서는 불합격(rejected)으로 바뀝니다.

저는 지금까지 분류기를 만들어 왔습니다. 그러나 제가 목격한 것은 분류기가 베일을 판매 가능하게 만드는 결정적 요인이 결코 아니라는 증거였습니다. 결정적 요인은 판정 보류, PVC 강제 기각, 그리고 결정론적 정책 검증이었습니다. 두 스크린샷 사이에서 모델은 바뀌지 않았습니다. 바뀐 것은 모델을 둘러싼 보증 인프라였으며, 그것이 바로 제출 가능한 A등급 베일과 오염된 분쇄 재생품 한 무더기 사이의 차이를 만들었습니다.

PVC를 비대칭적 의사결정으로 만든 이유

저는 의도적으로 PVC를 다른 모든 물질과 다르게 취급했으며, 그 이유는 명확히 설명할 가치가 있습니다. PP 베일에서 PVC 위음성은 작은 실수가 아닙니다. 이는 다운스트림의 용융물 전체를 변질시킬 수 있는 염소 오염물질입니다. 따라서 게이트는 PVC를 다른 클래스와 대칭적으로 저울질하지 않습니다. 신경망이 조금이라도 PVC 의심 물질로 표시한 객체는 염소 위험으로 간주되어 강제 기각되며, 이는 PVC가 혼입되지 않도록 일부 순수 PP의 유실을 감수함을 의미합니다. 이는 비용이며, 저는 데모에서 그 비용을 숨기기보다 명확히 보여주고자 했습니다. 게이트가 적용된 60개 베일 평가에서 시스템은 객체의 약 12.6%를 수동 QC로 보내고 PVC의 약 99.8%를 포집하여 60개 베일 전체에서 단 한 번의 PVC 유출만 허용하는 동시에, PP 스트림의 약 71.2%를 회수합니다. 이 시스템은 단순 시스템보다 더 많은 물질을 사람에게 보내고 완벽한 시스템보다 덜 회수하지만, 이를 있는 그대로 솔직하게 밝힙니다. 자신의 순도를 과장하는 회수 시스템은 존재 이유인 단 하나의 과업에서 이미 실패한 것입니다.

이 모든 발상의 함정은 판정 보류가 나약함처럼 보인다는 점입니다. 엔지니어들에게 수동 QC 적재물을 보여주면, 임계값을 낮춰 더 많이 회수하지 않는 이유가 무엇인지 반사적으로 묻곤 합니다. 선별 라인에서 결정되는 것은 평균적인 추정이 얼마나 우수한가가 아니기 때문입니다. 핵심은 염소 폭탄이 A등급 베일에 들어가는지 여부이며, 확률론적 모델이 그 결정을 내리게 두어서는 안 됩니다. 모델이 결코 무시할 수 없는 규칙이 필요한 것입니다.

점수판에 올리기로 선택한 숫자

저는 점수판 숫자에 대해 유지하는 데 일정한 대가가 따르는 한 가지 결정을 내렸습니다. 0.894는 오염된 보류 스트림에서 실제로 입증된 정직한 수치입니다. 판매에 유리한 수치는 깨끗한 Specim 연구실 측정 데이터에서 나온 99%에 가까운 숫자이며, 저는 이를 인용하여 사람들이 그렇게 믿도록 내버려둘 수도 있었습니다. 대신 저는 벤치마크 패널을 데모에 구축하여, 우리의 0.894를 0.668의 해석 가능한 베이스라인 및 83.4%의 동료 평가 현장 수치 바로 옆에 배치했습니다. 이를 통해 누구나 우리의 현주소를 정확히 확인하고 우리가 연구실 환경의 이상적 상한선을 주장하지 않는다는 점을 알 수 있도록 했습니다.

패널에는 실제로 중요한 숫자가 담겨 있으며, 그것은 정확도가 아닙니다. 무작위로 추출한 40개의 고하중 스트림 베일에서 게이트 적용 베일은 약 85%의 확률로 APR Grade A를 충족하는 반면, 게이트를 적용하지 않은 베일은 약 22.5%에 불과합니다. 이 두 가지 증거 포인트를 주의 깊게 살펴보아야 합니다. 서로 다른 측정치이며 의도적으로 구분해 두었기 때문입니다. 99.2 대 94.2 비교는 데모 시드 11이라는 특정 베일 하나에 대한 것이고, 85 대 22.5는 40개 무작위 베일 전체의 종합 집계입니다. 단일 베일이 생생한 사례라면, 종합 집계는 정직한 검증이며, 두 지표가 모두 동일한 방향을 가리키고 있기에 이 주장이 성립합니다. 0.894 수준의 모델은 게이트가 루프에 포함되어 있는지 여부에 따라 대부분 통과하는 베일이 되거나 대부분 실패하는 베일이 됩니다.

더 이상 고가 옵션을 유도하지 않게 된 이유

저는 제 자신의 청구서 금액을 깎아내리는 방향으로 연산 아키텍처를 설계했고, 이는 스스로도 놀라울 정도였습니다. 지연 시간 계산은 단순합니다. 압축 공기 분사의 변위는 벨트 속도에 감지부터 분사까지의 지연 시간을 곱한 값과 같으며, 순도를 유지할 수 있을 만큼 좁은 약 4개 이젝터 노즐 간격 이내로 분사가 이루어져야 아키텍처가 적합성을 갖춥니다. 시설의 초당 3.0미터 속도에서 최적화된 엣지 GPU(TensorRT를 14밀리초로 구동하는 Jetson AGX Orin)는 약 3.4개 노즐 간격에 걸치는 42밀리미터 분사를 생성하여 허용 범위 안에 들어옵니다. 따라서 엔진은 GPU를 권장하며 이 벨트 속도에서는 FPGA를 도입할 타당성이 없음을 명확히 밝혀, 약 32,000유로의 비용과 20주의 엔지니어링 기간을 절감합니다. 벨트 속도를 초당 약 3.6미터 이상으로 올리면 GPU 분사가 4개 노즐 기준선을 넘어서게 되며, 오직 그 시점에서만 FPGA 권장으로 전환됩니다. 물리적 조건이 허용하는 한 FPGA가 더 큰 매출을 안겨줄지라도 더 저렴한 하드웨어를 권장하는 것입니다. 저는 모든 구매자에게 비싼 옵션을 은근히 유도하는 데모를 원치 않았기에, 더 저렴한 권장 사양을 기본 동작으로 설정하고 그 근거를 화면에 투명하게 공개했습니다.

더 나은 모델이 등장해도 살아남는 부분

저는 선별기 자체를 만든 것이 아니며, 이 점을 분명히 하고자 합니다. TOMRA나 Steinert, Machinex를 대체하겠다는 주장으로 오해하기 쉽기 때문입니다. 이는 잘못된 해석입니다. Assay는 1차 NIR 선별의 다운스트림에 벤더 중립적인 사이드 벨트 스테이션으로 배치되어, 1차 선별에서 이미 기각된 검은색 중심의 잔재물을 판독하며 전단의 기존 장비에는 일체 손을 대지 않습니다. 그리고 이것이 더하는 가치는 모델이 개선된다고 해서 무용지물이 되는 숫자가 아닙니다. 출하되는 모든 베일에는 sha256으로 해시 처리된 서명된 인증서가 함께 제공되며, 여기에는 측정된 성분 구성, 각 APR 조항의 합격/불합격 여부, 모델의 해시값, 판정 보류 및 기각 건수, 그리고 회수된 톤수가 기록됩니다. 이 영수증이야말로 공장이 공식 제출할 수 있는 실질적 자산입니다.

이는 구체적인 규제상의 이유로 5년 전보다 지금 훨씬 더 중요합니다. 유럽연합의 PPWR(규정 2025/40), 캘리포니아의 SB 54, 그리고 RecyClass 프레임워크가 본격 적용됨에 따라, 시설 내에 MWIR 지원 선별 역량이 실제로 존재하는 경우에만 카본 블랙 포장재가 재활용 가능한 것으로 인정받기 때문입니다(WP45 연구, 2026). 이는 이 데모에 대한 규제 준수 주장이 아니며, 인증서는 제출 가능한 순도 증빙일 뿐 적합성 인증 스탬프가 아닙니다. 이는 지형이 왜 변화하고 있는지에 대한 배경 맥락입니다. 이러한 환경에서 승리하는 시설은 슬라이드에 적힌 가장 높은 벤치마크 수치를 자랑하는 곳이 아니라, 출하하는 모든 베일에 대해 감사관에게 공식 제출 가능한 영수증을 건넬 수 있는 곳입니다. 선별 라인에서의 신뢰는 결정론적이어야 하며, 그 결정론적인 부분이야말로 결코 분류기 내부에는 존재하지 않는 영역입니다.

제가 설명하는 글을 읽기보다 우수한 모델이 불합격 베일을 배출하는 모습을 직접 보고 싶으시다면, 전체 시스템이 엔드투엔드로 구동되는 모습을 아래에서 확인하실 수 있습니다.

우수한 모델이 규격 미달 베일을 배출하는 것을 지켜본 뒤 토글 하나를 전환하여 합격 베일을 배출하는 모습을 직접 확인하고 싶다면, 데모는 https://veriprajna.com/demos/materials-recovery-ai 에 공개되어 있으며, 동일한 스트림을 두 가지 방식으로 구동하므로 오직 게이트 유무만 달라집니다. 저는 처음에 검은색 플라스틱을 감지하는 것이 가장 어려운 문제라고 생각했습니다. 그것을 감지하는 데는 일주일간의 분광 분석과 소형 신경망이면 충분했습니다. 그러나 회수한 물질이 실제로 깨끗하다는 것을 증명하고, 그렇지 않을 때 기꺼이 판정을 보류하고 기각하며 명확히 불합격 처리를 내리는 시스템을 구축하는 데는 그 후의 모든 시간과 노력이 필요했습니다.