운행부터 승객 경험, 정비와 검증까지.
각기 다른 문제를 해결하는 활용안을 살펴보세요.
제조사 공식 자료에서 AI의 제품 제공 또는 현장 사용을 확인한 항목입니다. 표시가 없는 항목은 이 페이지에서 제안하는 활용안이며, 실제 적용 사례가 없다는 뜻은 아닙니다. 표시된 제품의 기능 범위와 아래 확장 아이디어는 구분해 읽어 주세요.자료 확인: 2026년 9월 15일 · 해외 사례 포함 · 모든 엘리베이터의 기본 탑재 기능을 뜻하지 않음
건물 전체의 이동 효율을 개선하는 AI
승객의 목적지와 현재 교통 패턴을 학습해 어떤 카에 어떤 호출을 배정할지 결정합니다. 같은 방향의 승객을 묶어 불필요한 정차를 줄이는 것이 목적입니다.
기존 1대 모델을 여러 대로 확장하고, 같은 호출 목록으로 일반 배차와 비교합니다.
KONE은 DCS의 AI 기반 교통 패턴 학습을 설명하며, 목적지 제어 솔루션을 제품으로 제공합니다. 모든 목적지 제어 제품이 동일한 AI를 사용한다는 뜻은 아닙니다.
AI 기술 설명 · PDF 10쪽 ↗ · 제품 안내 ↗승객 수요와 운행별 전력 소비를 예측하고, 서비스 수준을 유지하면서 가동 대수와 유휴 운전 계획을 추천합니다. 배차의 속도보다 에너지와 대기시간의 균형에 초점을 둡니다.
가상 전력 모델을 추가해 일반 운전과 절전 계획의 소비량을 비교합니다. 절감률은 실험으로 확인해야 합니다.
영상이나 깊이 센서 데이터를 분석해 사람·짐이 차지하는 공간을 추정합니다. 얼굴이나 개인 신원을 알아내는 대신, 다음 승객이 실제로 탈 공간이 있는지 판단하는 데 활용합니다.
가상의 사람과 짐을 배치하고 면적 추정값을 비교합니다. 하중 제한 판단을 대체하지 않습니다.
로봇의 배송 마감과 승객 흐름을 함께 고려해 탑승 가능한 시간과 대기 순서를 추천합니다. 단순 API 호출 연동을 넘어 사람과 로봇의 공간·시간 충돌을 줄이는 AI 활용안입니다.
사람 호출과 로봇 임무를 따로 생성해 우선순위 전략을 비교합니다. 로봇 API가 있다는 사실만으로 AI 적용으로 표시하지 않습니다.
건물 용도와 인구를 입력받아 승강기 대수·정원·속도 조합의 수송 성능을 예측합니다. 설계 단계에서 머신러닝 대리모델로 많은 후보를 빠르게 좁히는 방식입니다.
대수와 정원을 바꾼 실험 결과로 설계 후보를 비교합니다. 일반 교통 시뮬레이션 자체를 AI라고 부르지는 않습니다.
승객의 요청과 상황을 이해하는 AI
음성 인식과 의도 분석으로 말한 층과 요청을 구조화합니다. 소음이나 여러 사람의 발화가 섞일 수 있으므로 인식 결과를 확인한 뒤 허용된 목적지 호출로 전달합니다.
음성 또는 문장 입력을 층 번호로 변환하고, 사용자가 확인하면 호출하는 인터페이스로 확장합니다.
승객의 접근 속도와 문 주변 움직임을 추정해 추가 탑승 시간이 필요한 상황을 찾습니다. 장애 여부를 추측하기보다 실제 움직임을 기준으로 문 열림 연장을 보조합니다.
승객 접근 속도를 바꾸며 고정 대기시간과 비교합니다. 끼임 방지 센서와 문 안전 조건은 별도로 유지합니다.
카 내부 자세 변화나 명시적인 도움 요청을 분석해 관제 확인이 필요한 사건을 찾습니다. 장비 고장이 아니라 승객의 긴급 상황을 빠르게 발견하는 데 목적이 있습니다.
가상 사건 기록으로 탐지 성능을 평가합니다. 자동 의료 진단이나 자동 구조 완료 판단으로 사용하지 않습니다.
가속도·진동·소음의 패턴과 승객 평가를 연결해 불편함이 반복되는 운행 구간을 찾습니다. 고장 발생 확률보다는 흔들림·급격한 가속 변화 등 체감 품질을 평가합니다.
가상 진동 신호를 넣어 정상 구간과 불편 구간을 분류합니다. AI가 임의로 제동 설정을 바꾸지는 않습니다.
화재가 발생한 순간의 카 상태를 바탕으로 지정 귀환층에 도착하고 문이 열릴 때까지의 시간을 예측합니다. 귀환 명령 자체는 PLC가 수행하고 AI는 관제용 예상 정보를 제공합니다.
현재 AI 데이터 분석 페이지에서 실습할 수 있습니다. 화재 귀환 기능 자체는 AI가 아니며, 현재 모델은 가상 데이터로 학습합니다.
AI 데이터 분석 실습 열기 →설비 운영을 오래, 안정적으로 이어가는 AI
운전 기록과 센서 시계열을 학습해 정상 패턴에서 벗어나는 변화와 점검 필요성을 찾습니다. 문·구동부 등 부품별 이상 탐지는 하나의 예지보전 활용안으로 묶었습니다.
가상 마찰과 동작 지연을 주입해 이상 점수 변화를 확인합니다. 실제 고장 시점은 현장 데이터 없이 확정할 수 없습니다.
Otis는 머신러닝과 클라우드 기반 예지보전 정보를 정비사에게 제공하는 현장 활용 사례를 공개합니다.
정비사 현장 사례 ↗생성형 AI가 매뉴얼과 검증된 정비 이력을 검색해 고장 코드의 의미와 점검 순서를 근거와 함께 설명합니다. 자동 센서 경보를 만드는 기능과 달리 정비사의 질문에 답하는 작업 보조입니다.
가상 PLC 설명서와 오류 목록을 검색하는 도우미로 확장합니다. 문서에 없는 답은 모른다고 표시해야 합니다.
KONE의 2026년 8월 19일 자료는 생성형 AI 도우미가 전 세계 정비사 15,000명에게 제공되고 있다고 설명합니다.
현장 적용 안내 ↗여러 건물의 부품 소비와 조달 시간을 학습해 서비스 거점에 준비할 부품 수량을 예측합니다. 개별 설비의 고장 탐지와 달리 지역 전체의 재고 부족과 과잉을 줄이는 물류 의사결정입니다.
가상 정비 주문과 납기를 생성해 고정 재고 방식과 예측 발주 방식을 비교합니다.
정상적인 로그인·API 호출 패턴을 학습해 평소와 다른 접속이나 대량 요청을 경고합니다. 운행 고장이 아니라 연결된 제어·관제 시스템의 정보보안을 다룹니다.
실제 제어망과 분리된 가상 통신 로그에서 이상 점수를 분석합니다. 인증·접근 제어를 AI로 대체하지 않습니다.
이전 시험에서 지연이나 상태 전이가 복잡했던 조건을 학습해 다음 시험 입력을 선택합니다. 무작위 반복보다 적은 실험으로 취약 조건을 찾도록 돕는 개발·검증 도구입니다.
기존 PLC에 입력을 자동 주입하고 재현 가능한 시험 목록을 만듭니다. 시험 통과가 실제 설비 인증을 의미하지는 않습니다.