"신약개발에 쏠린 AI, 비어 있는 제조… 해법은 '현장형 교육'"

인공지능(AI)이 모든 산업을 관통하는 가운데 제약·바이오 산업에도 빠르게 침투하고 있다. 다만 국내 산업에서 활용은 여전히 더딘 모습이다. 글로벌 규제 환경은 이미 체계화 단계에 접어들었지만 국내에서는 제조·품질관리 영역이 공백으로 남겨진 채 후보물질 발굴과 임상 데이터 분석에만 집중돼 있다는 지적이 나온다.

이러한 문제를 해결하기 위해 제조·품질관리 영역을 중심으로 AI를 현장에 적용하는 것을 목표로 실무형 교육이 마련됐다. 교육 강사로 나서는 김화종 K-멜로디 단장과 '경기시흥 SNU 제약바이오인력양성센터' 정진현 센터장을 만나 교육의 취지와 방향, 산업 현장에서 요구되는 역량을 들었다.

정진현 센터장 (이하 정)= 제약바이오 산업에서 인공지능이 쓰이는 분야는 크게 세 가지로 나뉘는데 ①후보물질 도출과 같은 신약개발 초기 단계 ②생산·제조 공정과 품질관리 ③비임상과 임상 데이터 분석과 임상 디자인까지 포함하는 영역이다.

현재 국내에서 가장 많이 활용되는 분야는 '후보물질 도출' 영역이다. K-멜로디 사업단이 가장 많이 관여하는 분야이기도 하다. 반면 제조와 품질관리 영역은 상대적으로 관심이 적고 실제 연구나 적용 사례도 많지 않은 상황이다.

정= 제약바이오 산업 전반에서 AI가 필요하다는 인식 자체는 모두 가지고 있지만 대다수가 어디서부터 시작해야 할지를 몰라 적극적으로 나서는 곳이 적다. 실제로 국내에서 제조·품질관리 영역 AI 적용 사례는 찾아보기 힘든 상황이다.

특히 제조·품질관리기준(GMP)이 이미 정해져 있어 그대로 따라가면 된다는 인식이 강하다 보니 새로운 기술을 먼저 적용하려는 움직임이 크지 않다. 아직 발등에 불이 떨어진 상황은 아니라고 느끼는 것이다.

하지만 현실을 보면 미국과 유럽에서는 이미 2018년부터 GMP에 AI를 어떻게 적용할지 논의가 진행돼 왔다. 지금은 이와 관련한 각종 가이드라인과 보고서가 계속해서 나오고 있다. 이제부터라도 제대로 준비하지 않는다면 국내 기업들은 글로벌 기준에서 뒤쳐질 가능성이 높다.

정= 유럽의 경우 EU-GMP에서 인공지능 기술 적용을 언급하는 문서가 이미 발표됐고 미국에서도 FDA를 중심으로 GMP에 AI와 로보틱스를 어떻게 활용할지 논의가 활발한 상황이다. 이제는 단순히 규정을 지키는 수준이 아니라 데이터 기반으로 품질을 설명하고 설득해야 하는 방향으로 가고 있다.

국내 업계는 GMP를 마치 법처럼 여겨 '지켜야 하는 규정'으로 보는 경향이 강하다. 하지만 실제 GMP는 기업이 주체가 돼 '어떠한 방식이 안전하고 합리적'이라는 것을 입증하면 되는 개념에 가깝다.

그동안 글로벌 기준이 만들어진 뒤 우리나라 당국과 산업이 뒤따라가는 구조였다면 이제는 국내에서도 인공지능과 관련해 선제적으로 목소리를 내야할 필요성이 있다고 본다. 아니라면 최소한 글로벌 기준을 이해하고 대응할 수 있는 수준은 돼야 한다.

정= 결국 사람이다. AI가 제조와 품질관리 영역에 들어올 수밖에 없다는 건 모두가 알고 있는 사실이다. 그런데 그걸 실제로 이해하고, 적용 방향을 잡고, 규제 대응까지 가능한 사람이 별로 없다.

글로벌에서 기준 초안이 나오면 그것을 해석하고, 필요하면 의견을 내고, 우리 환경에 맞는 방안을 제시해야 한다. 그런데 지금은 그런 역할을 해줄 인력이 부족하다. 따라서 지금 단계에서는 기술 그 자체 보다는 기술을 이해할 수 있는 인재를 먼저 만들어야 한다고 본다.

정= 그렇다. 제조·품질관리 분야에서 AI를 다루는 교육 자체가 국내에는 거의 없다. 앞으로 수요는 분명히 늘어날 텐데 준비된 인력이 부족한 상황이다. 실제로 삼성바이오로직스, 셀트리온을 비롯한 많은 기업들이 이미 AI 인력 확보와 도입을 적극적으로 추진 중이다. 이번 과정은 그런 수요를 대비해 미리 인력을 양성하자는 취지에서 만들었다.

김화종 단장 (이하 김)= 작년 교육은 14주 과정이었다. 대상이 재직자다 보니 지속적인 참여에 어려움이 있었고 교육 내용을 금세 잊는 경우도 많았다. 따라서 이번에는 4일 집중 과정으로 구조를 바꿨다. 기초와 실무 적용을 나눠 구성했고 지난번과 달리 단순 이론뿐 아니라 직접 실습을 진행하는 방식으로 교육을 설계했다.

AI라는 건 설명만 들으면 굉장히 어려운 기술처럼 느껴지지만 직접 해보면 생각보다 어렵지 않고 습득 속도도 훨씬 빠르다. 자동차 운전과 비슷하다. 옆에서 운전하는 걸 보는 것과 직접 핸들을 잡는 건 완전히 다르다.

이번 교육은 모든 수강생이 노트북을 가져와서 직접 코드를 실행하고, 데이터를 넣고, 모델을 만들어보는 방식으로 진행한다. 눈으로 보고 손으로 해봐야 자기 것이 된다.

김= 많은 사람들이 AI라고 하면 챗GPT나 제미나이 같은 '생성형 AI'만 떠올린다. 하지만 제조 현장에서 필요한 것은 대부분 '예측 모델'이다. 예컨대 제품이 양품인지 불량인지 판별하거나 설비가 언제 고장 날지 예측하는 것들이 전부 예측 모델이다.

생성형 AI는 새로운 것을 만들어내는 데 강점이 있지만 제조에서는 데이터를 기반으로 판단하고 예측하는 모델이 훨씬 중요하다. 이 교육에서는 그런 예측 모델을 직접 만들어보는 것에 초점을 맞춘다.

김= 물론이다. 과거에는 프로그래밍 언어인 '파이썬' 문법부터 머신러닝 이론까지 모두 배워야 했지만 지금은 환경이 완전히 달라졌다. AI가 코드를 생성해주는 도구가 생기면서 진입장벽이 많이 낮아졌다. 이제는 '코드를 잘 짜는 것'보다 '무엇을 만들지를 아는 것'이 더 중요해졌다.

교육은 최소한의 문법과 구조를 익히고 실제 예제를 통해 바로 적용할 수 있도록 구성했다. 결국 가장 중요한 건 시작하는 방법을 아는 것이다.

김= 가장 큰 변화는 기준이 바뀐다는 점이다. 과거 사람이 기준을 정했다. 예를 들어 특정 수치를 넘으면 불량이라고 판단하는 식이다.

하지만 AI는 데이터를 기반으로 패턴을 찾고 문제가 발생하기 전에 예측해 필요한 조치를 제안한다. 즉 경험과 규칙 중심에서 데이터 중심으로 의사결정 방식이 바뀌는 것이다. 앞으로는 FDA 등 규제기관도 이런 데이터 기반 평가를 활용하게 될 가능성이 높다.

김= 결국 AI를 이해하고 논의할 수 있는 사람이다. AI 기술 자체를 모두가 개발할 필요는 없다. 하지만 그 기술이 무엇인지 이해하고, 어떻게 적용할지 판단하고, 규제 환경 속에서 설명할 수 있어야 한다.

글로벌 기준이 만들어질 때 단순히 따라가는 것이 아니라 문제를 제기하고 대안을 제시할 수 있는 수준을 갖춰야 한다. 그런 인재가 있어야 기업도 대응할 수 있고 산업 전체의 경쟁력도 올라갈 것이라고 본다.