💻 computer science

Artificial Intelligence Framework for Audit-Ready Pharmaceutical Manufacturing Under Explainability, Fairness, and Regulatory Transparency Constraints

본 연구는 감사 준비가 된 방어 가능한 품질 거버넌스 의사결정을 보장하기 위해 예측 모델링을 설명 가능성, 공정성, 교정, 드리프트 모니터링 및 규제 추적성과 통합하는 제약 제조를 위한 포괄적인 AI 프레임워크를 제안한다.

원저자: Charles Onyeka Nwamekwe, Nkemakonam Chidiebube Igbokwe, Chukwuma Godfrey Ono

게시일 2026-07-22

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Charles Onyeka Nwamekwe, Nkemakonam Chidiebube Igbokwe, Chukwuma Godfrey Ono

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

의약품을 만드는 세상을 수십억 개의 알약을 매일 구워내는 거대하고 긴박한 주방이라고 상상해 보세요. 이 주방의 규칙은 지구상 그 어디보다도 엄격합니다. 쿠키가 약간 탔다면 그냥 버리면 그만일 수도 있습니다. 하지만 알약이 아주 조금이라도 잘못된다면, 그것을 복용하는 사람에게 해를 끼칠 수 있습니다. 이 때문에 이 주방은 모든 성분, 모든 온도, 그리고 모든 레시피 단계를 점검하는 조사관 팀에 의해 끊임없이 감시됩니다. 이것이 바로 모든 약품의 배치(batch)가 안전하고 완벽하도록 보장하는 일련의 규칙인 "우수 의약품 제조 및 품질관리 기준(GMP)"의 세계입니다.

이제 주방이 너무 크고 바빠서 인간 요리사들이 모든 오븐을 동시에 지켜볼 수 없다고 상상해 보세요. 그래서 그들은 도움을 줄 초지능 로봇 조수(인공지능)를 데려옵니다. 이 로봇은 수천 개의 숫자를 살펴보고, 알약 배치가 완성되기도 전에 그것이 불량일 것이라고 예측할 수 있습니다. 하지만 함정이 있습니다. 일반적인 주방에서는 로봇이 "이것은 불량입니다"라고 말하면 그냥 그 말을 들으면 됩니다. 하지만 의약품 주방에서는 로봇이 단순히 "불량!"이라고 외치고 떠나버릴 수 없습니다. 인간 요리사와 조사관들은 로봇이 왜 그것이 불량이라고 생각하는지 알아야 합니다. 그들은 로봇이 자신의 논리를 설명할 수 있는지, 모든 오븐에 대해 공정하게 대하고 있는지, 그리고 오래된 데이터 때문에 혼란을 겪고 있지는 않은지 확인해야 합니다. 만약 로봇이 자신의 생각을 명확하게 설명하지 못한다면, 조사관들은 로봇을 신뢰하지 않을 것이며 의약품은 출고될 수 없습니다. 이 논문은 단순히 추측만 하는 것이 아니라, 설명할 수 있고, 공정성을 유지하며, 조사관들을 위해 완벽한 일기를 기록하는 로봇 조수를 구축하는 것에 관한 것입니다.

논문: 완벽한 일기를 쓰는 로봇 셰프

Charles Onyeka Nwamekwe와 그의 Nnamdi Azikiwe 대학교 팀이 작성한 이 연구 논문은 큰 문제를 다룹니다: 어떻게 하면 인공지능(AI)을 의약품 제조를 돕기에 충분히 안전하고 신뢰할 수 있게 만들 것인가? 저자들은 단순히 예측 능력이 뛰어난 로봇을 갖는 것만으로는 부족하다는 것을 깨달았습니다. 만약 로봇이 (내부 작동 원리를 알 수 없는 미스터리한 기계인) "블랙박스"라면, 규제 기관(조사관)이 이를 허용하지 않을 것이기 때문에 의약품 제조에는 쓸모가 없습니다.

연구팀은 "감사 준비가 된(audit-ready)" AI 시스템을 구축하기 위한 새로운 "프레임워크", 즉 규칙이자 청사진을 설계했습니다. 이는 감사 준비가 된 은행 계좌처럼, AI가 언제든 검사를 받을 준비가 되어 있음을 의미합니다. 그들은 단순히 오류를 예측하는 모델을 만든 것이 아니라, 스스로 공정성을 점검하고, 자신의 논리를 설명하며, 모든 결정에 대한 상세한 기록을 남기는 시스템을 구축했습니다.

재료: 공장의 디지털 트윈

그들의 아이디어를 테스트하기 위해, 연구원들은 제약 공장의 거대한 디지털 시뮬레이션을 만들었습니다. 그들은 실제 환자나 실제 의약품을 사용하지 않았습니다(실제로 실험하기에는 너무 위험하기 때문입니다). 대신, 제조 기록 1,200개의 배치로 구성된 시뮬레이션 데이터셋을 사용했습니다. 이것은 실제 알약을 위험에 빠뜨리지 않고도 로봇을 테스트할 수 있는 비디오 게임 버전의 공장이라고 생각하면 됩니다.

이 디지털 공장은 다음의 모든 것을 추적했습니다:

레시피: 혼합물에 포함된 수분량, 기계가 누르는 압력, 기계의 회전 속도.
환경: 실내 온도와 습도.
사람: 작업 중인 작업자, 근무 교대 시간(오전, 오후 또는 밤), 사용된 기계.
결과: 배치가 완벽했는지 아니면 결함이 있었는지 여부.

마법의 기술: 로봇이 스스로를 설명하게 만들기

그들 프레임워크의 핵심은 SHAP라고 불리는 도구를 사용하는 특별한 종류의 AI입니다. 여러분의 로봇 조수가 단순히 "이 배치는 위험합니다"라고 말하는 대신, 다음과 같은 보고서를 건네준다고 상상해 보세요: "이 배치가 위험하다고 생각하는 이유는 수분이 2% 너무 높았고, 기계가 약간 과하게 진동했으며, 습도가 낮았기 때문입니다."

테스트에서 AI는 입자 형성 수분(granulation moisture)(혼합물이 얼마나 젖어 있었는지)이 문제를 예측하는 가장 큰 이유였으며, 그 다음으로는 압축력(compression force)(알약을 얼마나 세게 눌렀는지)임을 찾아냈습니다. 어떤 요소가 중요한지를 정확히 보여줌으로써, 로봇은 미스터리가 아닌 인간이 신뢰할 수 있는 유능한 파트너가 되었습니다.

공정성 점검: 로봇이 편향되었는가?

이 논문에서 가장 창의적인 부분 중 하나는 "공정성"을 확인하는 방법입니다. 보통 사람들이 AI의 공정성을 이야기할 때 인종이나 성별을 언급하지만, 공장에서의 공정성은 다르게 보입니다. 연구원들은 다음과 같이 질문했습니다: 로봇은 모든 기계, 모든 작업자, 그리고 모든 교대 시간을 동등하게 대하는가?

그들은 로봇이 항상 공정하지는 않다는 것을 발견했습니다. 예를 들어, 로봇은 "Lagos 공장"과 비교했을 때 "Aba 공장"에서 나온 배치들을 판단할 때 약간 더 많은 실수를 저지르는 경-경향이 있었습니다. 또한 특정 "제품군(예: 진통제 정제)에 대해 다른 제품들보다 판단하기 어려워했습니다. 논문은 만약 이러한 편향을 점검하지 않는다면, 로봇이 단순히 기계가 오래되었다는 이유로 특정 기계를 불량으로 잘못 표시하거나, 야간 데이터가 충분하지 않아 "야간 근무"의 문제를 놓칠 수 있다는 것을 보여주었습니다. 그들의 프레임워크는 이러한 편향을 포착하여 로봇이 실제로 사용되기 전에 수정할 수 있도록 합니다.

"드리프트(Drift)" 탐지기: 로봇이 혼란에 빠질 때

공장은 시간이 흐름에 따라 변합니다. 기계는 마모되고, 원료는 변하며, 계절이 바뀝니다. 이것을 "드리프트(drift)"라고 합니다. 로봇이 신선한 사과를 인식하도록 훈련받았는데, 공장의 사과가 새로운 공급업체 때문에 약간씩 달라지기 시작한다고 상상해 보세요. 로봇은 혼란에 빠져 좋은 사과를 나쁘다고 생각할 수 있습니다.

연구원들은 시스템에 "드리프트 모니터"를 구축했습니다. 시뮬레이션에서 그들은 24주 동안 데이터가 어떻게 변하는지 관찰했습니다. 그들은 데이터 패턴이 크게 변화한 15주 차 즈음에 로봇이 혼란을 느끼기 시작하는 것을 목격했습니다. 그들의 시스템은 "주의, 세상이 변했습니다. 로봇을 다시 훈련시켜야 합니다!"라고 알려주는 경보를 울렸습니다. 이는 AI가 아무도 모르는 사이에 서서히 틀려지는 것을 방지합니다.

최종 판결: 일기를 쓰는 로봇

이 논문의 가장 중요한 결론은 의약품 제조를 위한 최고의 AI는 반드시 예측 정확도가 가장 높은 모델이 아니라는 것입니다. 그것은 교정 가능하고, 설명 가능하며, 공정한 모델입니다.

그들은 여러 유형의 AI 모델을 테스트했습니다. 승자는 XGBoost라고 불리는 모델이었습니다. 이 모델은 단순히 90%의 확률로 맞히는 것에 그치지 않고, 완벽한 일기를 기록했습니다. 판단한 모든 배치에 대해 다음을 기록했습니다:

사용된 모델 버전.
결정의 정확한 이유 ("최상위 설명 요인").
공정성과 교정 가능 여부.
인간 검토자.
취해진 조치 (예: "CAPA", 즉 "수정 계획"이라는 전문 용어).

시뮬레이션에서, 그들이 감사한 모든 배치는 완전한 증거 추적을 보유하고 있었습니다. 시스템은 **93.12%**의 경우에 문서화가 충분히 완벽하여 조사관이 "네, 이것은 안전합니다"라고 말할 수 있는 수준임을 보여주었습니다.

이것이 미래에 의미하는 바

저자들은 이것이 시뮬레이션이라는 점을 주의 깊게 명시했습니다. 그들은 아직 이 로봇을 실제 살아있는 공장에 투입하지 않았습니다. 그들은 다음 단계가 실제 기계와 실제 작업자가 있는 실제 공장에서 이를 테스트하는 것이라고 제안합니다.

그러나 이 논문은 매우 중요한 점을 증명합니다: 의약품 공장에 똑똑한 컴퓨터를 그냥 연결하고 잘 되기를 바랄 수는 없습니다. 기초부터 투명하게 설계된 시스템이 필요합니다. 로봇은 "X, Y, Z 때문에 이것이 나쁘다고 생각합니다"라고 말할 수 있어야 하며, 야간 근무조나 오래된 기계에 대해 불공정하게 대하지 않는다는 것을 증명할 수 있어야 합니다.

이 "감사 준비가 된" 프레임워크를 만듦으로써, 연구원들은 AI가 단순히 추측을 하는 신비로운 블랙박스가 아니라, 어떻게 신뢰할 수 있는 파트너가 될 수 있는지에 대한 청사진을 제공했습니다. 이는 기술이 효과적일 뿐만 아니라 안전하고, 공정하며, 완전히 이해 가능한 의약품을 만드는 데 도움을 주는 미래를 향한 한 걸음입니다.

기술 요약: 감사 대응형 제약 제조를 위한 인공지능 프레임워크

문제 정의
제약 제조는 제품 품질, 배치 처분(batch disposition), 환자 안전이 핵심 공정 변수(CPP) 및 핵심 품질 특성(CQA)의 일관된 제어에 의존하는 엄격한 우수 의약품 제조 및 품질관리 기준(GMP) 규정 하에서 운영된다. 인공지능(AI)과 머신러닝(ML)은 실시간 품질 예측 및 예방 보전을 위한 잠재력을 제공하지만, 현재의 배치는 규제 환경에서 중대한 장벽에 직면해 있다. 즉, 예측 정확도만으로는 충분하지 않다는 점이다. 모델이 결함 위험을 올바르게 식별하더라도, 그 예측이 설명 가능하지 않거나, 감사가 불가능하거나, 서로 다른 생산 맥락 전반에 걸쳐 공정성을 입증하지 못하거나, 교정(calibration)이 결여되어 있다면, 이는 중요한 GMP 의사결정에 부적합한 상태로 남게 된다. 또한, 기존 문헌들은 설명 가능성, 공정성, 감사 문서화를 하나의 통합된 거버넌스 구조로 다루기보다 별개의 활동으로 취급하는 경우가 많다. 따라서 예측, 설명 가능성, 공정성, 교정, 드리프트 모니터링 및 인간의 책임성을 단일 운영 라이프사이클 내에서 동시에 해결하는 통합 프레임워크의 부재는 중요한 격차로 존재한다.

방법론
본 연구는 감사 대응형 제약 제조를 위해 설계된 "신뢰할 수 있는 AI" 시스템( $\mathcal{T}_{AI}$ )을 위한 개념적 및 시뮬레이션 준비형 프레임워크를 제안한다. 이 프레스크레임워크는 네 가지 통합된 계층으로 구성된다:

GMP 준수 데이터 계층 ( $\mathcal{D}_{GMP}$ ): 3개 제조 공장의 1,200개 레코드로 구성된 배치 단위 데이터셋을 활용한다. 데이터에는 CPP(예: 과립 습도, 압축력), CQA(예: 정제 중량, 경도), 환경 변수 및 생산 맥락(작업자, 교대 근무, 기계, 공장, 원료 로트)이 포함된다.
예측 모델링 계층 ( $\mathcal{M}_{AI}$ ): 예측 손실( $L_{pred}$ )을 넘어 공정성 손실( $L_{fair}$ ), 교정 손실( $L_{cal}$ ), 설명 안정성 손실( $L_{exp}$ ), 규제 거버넌스 페널티( $L_{reg}$ )를 포함하는 최적화 목표를 가진 머신러닝 모델(XGBoost, LightGBM, 로지스틱 회귀 등)을 채택한다.
신뢰성 및 거버넌스 계층 ( $\mathcal{T}_{TR}$ ): SHAP 기반의 설명 가능성, 기대 교정 오차(ECE) 평가, 제조 특화 공정성 분석(교대 근무 및 기계와 같은 운영 그룹 간의 성능 격차 평가), 그리고 통계적 발산 측정(인구 안정성 지수, 젠슨-샤논 발산)을 이용한 드리프트 모니터링을 통합한다.
감사 대응 의사결정 지원 계층 ( $\mathcal{D}_{AUD}$ ): 모든 AI 예측을 기원하는 배치 기록, 모델 버전, 설명, 교정 상태 및 시정 및 예방 조치(CAPA) 기록과 자동으로 연결하여 완전한 추적성을 보장한다.

본 프레임워크는 종합적인 지표 세트를 사용하여 평가되었다: 예측 성능(AUC, Macro-F1), 신뢰성(교정 오차, 공정성 격차, 드리프트 강건성), 그리고 거버넌스 효과성(감사 완결성, CAPA 연결성, 인간 개입율).

주요 결과

모델 성능: XGBoost가 AUC ~0.91 및 종합 신뢰도 점수 0.89로 가장 강력한 전반적 프로필을 보였다. 로지스틱 회귀는 높은 설명 안정성(0.90)을 제공했으나, 낮은 예측 성능(AUC ~0.72)을 나타냈다.
교정 및 설명 가능성: 교정 곡선은 확률이 일반적으로 신뢰할 수 있음을 나타냈으나, 중간 위험 구간에서 0.05–0.08의 편차가 관찰되었다. SHAP 분석 결과, 과립 습도가 주요 품질 위험 동인(평균 |SHAP| = 0.17)으로 확인되었으며, 압축력과 상대 습도가 그 뒤를 이었다.
공정성 분석: 공정성 리스크가 균일하지 않음이 드러났다. "제품군(Product Family)" 그룹이 가장 높은 공정성 격차(0.13)를 보였고, 공장 및 작업자 그룹이 그 뒤를 이었다. 기계 및 교대 근무 그룹은 더 안정적인 동작을 보였다. 이는 모델 성능이 운영 맥락에 따라 크게 달라질 수 있음을 확인시켜 주며, 그룹별 모니터링의 필요성을 입증한다.
드리프트 및 감사 준비성: 드리프트 탐지는 인구 안정성 지수(PSI)가 후기 생산 윈도우에서 경고 임계값을 넘어서는 것을 통해 분포 변화를 성공적으로 식별했다. 감사 대시보드는 100%의 모델 버전 추적성과 93.12%의 감사 완결성을 보여주었다. 추적성 매트릭스에서 검토된 모든 배치는 CAPA 기록 및 최종 처분과 성공적으로 연결되었으며, 감사 완결성은 81.98%에서 100% 사이의 범위를 나타냈다.

의의 및 주장
본 논문은 신뢰할 수 있는 AI 원칙을 제약 제조를 위한 통합된 GMP 준수 프레임워크로 전환한 첫 번째 운영적 번역을 제공한다고 주장한다. 본 연구의 주요 의의는 AI를 단순한 "블랙박스" 자동화 도구가 아닌, 규제된 품질 거버넌스 시스템으로 재정의하는 데 있다.

저자들은 AI가 규제 기관의 검사에서 방어력을 갖추기 위해서는 모든 예측이 다음의 7가지 기준을 동시에 충족하는 "품질 관련 결정 객체"로 취급되어야 한다고 단언한다: 예측 신뢰성, 설명 적절성, 교정 품질, 운영 공정성, 드리프트 안정성, CAPA 추적성, 그리고 인간 검토 책임성. 이러한 요소들을 통합함으로써, 본 프레임워크는 AI를 단순한 정확도 지표를 넘어 제품 수명 주기 전반에 걸쳐 투명하고 공정하며 추적 가능한 시스템으로 위치시켜, 감사 준비성과 규제 신뢰도를 향상할 수 있는 체계를 구축한다.

한계점
본 연구는 프레임워크가 실제 다기관 GMP 현장이 아닌 시뮬레이션 준비형 산업 데이터셋을 사용하여 검증되었음을 인정한다. 향-후 다양한 제형 및 장비 플랫폼을 사용하는 실시간 생산 데이터와 함께 시스템을 테스트하고, 전향적인 QA 검토자 연구 및 규제 기관 대상 감사 패키지를 통합하는 추가 연구가 필요하다.