Series · 자율제조 15 sessions · 2026-10-27

온톨로지와 지식그래프는 제조데이터에 어떻게 의미를 부여하는가?

This post hasn't been translated yet, so the original Korean is shown.

제조현장에는 같은 대상을 가리키는 여러 이름이 존재한다.

생산현장에서는 ‘2호 프레스’라고 부르고 MES에는 PRESS-02, 설비관리시스템에는 EQ-P-002, PLC에는 LINE2_ST04로 등록돼 있을 수 있다.

사람은 이 이름들이 같은 설비를 의미한다는 것을 경험으로 안다.

그러나 컴퓨터와 AI는 별도의 관계가 정의돼 있지 않으면 서로 다른 대상으로 판단한다.

같은 단어가 서로 다른 의미로 사용되기도 한다.

‘완료’라는 상태는 부서와 시스템에 따라 다르다.

생산에서는 가공이 끝났다는 의미일 수 있다.
품질에서는 최종검사를 통과했다는 뜻일 수 있다.
물류에서는 포장과 창고입고가 완료됐다는 의미일 수 있다.
영업에서는 고객에게 출하됐다는 의미일 수 있다.

데이터 형식과 코드가 같아도 의미가 다르면 잘못된 판단이 발생한다.

반대로 데이터 형식이 달라도 같은 대상과 의미라는 관계가 명확하면 서로 연결할 수 있다.

자율제조에서 AI Agent는 여러 시스템의 데이터를 이용해 판단한다.

생산계획 Agent는 ERP의 주문과 MES의 작업, 설비관리시스템의 정비계획과 창고의 자재정보를 함께 확인해야 한다.

품질 Agent는 도면의 제품특성과 실제 공정조건, 검사결과와 고객불량을 연결해야 한다.

정비 Agent는 설비구조와 센서, 고장이력과 부품재고, 생산계획을 함께 이해해야 한다.

하지만 각 시스템의 데이터가 무엇을 의미하며 서로 어떤 관계인지 정의되지 않았다면 AI는 숫자와 문장을 검색할 수 있을 뿐 제조상황을 제대로 이해하기 어렵다.

Digital Thread가 데이터를 생애주기에 따라 연결한다면 온톨로지는 그 데이터가 무엇을 의미하는지 정의한다.

지식그래프는 정의된 의미에 따라 실제 제품과 설비, 공정과 품질의 관계를 연결한다.

온톨로지는 제조현장의 언어와 규칙을 정의하고, 지식그래프는 그 언어로 현실의 제조대상을 연결한 구조다.

1. 제조 온톨로지란 무엇인가

온톨로지는 특정 분야에서 사용하는 개념과 관계, 속성과 규칙을 명시적으로 정의한 의미체계다.

제조 온톨로지에는 다음과 같은 개념이 포함될 수 있다.

제품과 부품

제품
부품
원재료
반제품
완제품
BOM
LOT
일련번호

제조공정

공정
작업
작업순서
공정조건
작업표준
생산계획
작업지시

설비와 자원

공장
생산라인
설비
금형
공구
센서
작업자
에너지

품질

품질특성
검사
측정값
공차
불량
원인
재작업
개선조치

설비관리

상태
이상
고장
정비
부품교체
잔여수명
점검주기

온톨로지는 개념만 나열하지 않는다.

개념 사이의 관계를 정의한다.

제품은 부품으로 구성된다.
제품은 공정을 거쳐 생산된다.
공정은 설비에서 수행된다.
작업에는 자재가 투입된다.
설비는 센서로 감시된다.
센서는 측정값을 생성한다.
품질특성은 검사로 평가된다.
불량은 제품 또는 공정에 발생한다.
고장은 설비의 상태를 변경한다.
정비는 고장원인을 제거하거나 설비상태를 회복한다.

W3C의 OWL은 사물과 집합, 사물 사이의 복잡한 관계를 표현하기 위한 온톨로지 언어다. 클래스와 속성, 개별 대상과 데이터값을 정의하고 컴퓨터가 지식의 일관성을 검사하거나 명시되지 않은 관계를 추론할 수 있도록 한다.

온톨로지는 제조데이터를 저장하는 또 하나의 데이터베이스가 아니다.

데이터베이스에 저장된 값이 무엇을 의미하고 다른 값과 어떤 관계를 가지는지를 컴퓨터가 처리할 수 있도록 정의하는 모델이다.

2. 온톨로지와 지식그래프는 어떻게 다른가

온톨로지와 지식그래프는 함께 사용되지만 같은 것은 아니다.

온톨로지

제조현장의 개념과 관계, 제약과 규칙을 정의한다.

쉽게 말하면 제조지식을 표현하기 위한 설계도다.

지식그래프

온톨로지에 따라 실제 제품과 설비, 공정과 이벤트를 연결한 데이터다.

쉽게 말하면 설계도에 따라 구성한 현실의 관계망이다.

예를 들어 온톨로지에는 다음과 같은 일반적인 규칙이 있다.

설비는 공정을 수행한다.
공정은 제품을 생산한다.
센서는 설비를 감시한다.
측정값은 센서에서 생성된다.
불량은 제품에 발생한다.

지식그래프에는 실제 정보가 들어간다.

프레스_02는 성형공정_01을 수행한다.
성형공정_01은 제품_A_100245를 생산한다.
진동센서_V12는 프레스_02를 감시한다.
측정값_202610260815는 진동센서_V12에서 생성됐다.
균열불량_F301은 제품_A_100245에서 발견됐다.

이를 구조로 표현하면 다음과 같다.

프레스_02

→ 수행한다 → 성형공정_01

→ 생산한다 → 제품_A_100245

→ 포함한다 → 균열불량_F301

그리고 동시에 다음 관계도 존재한다.

진동센서_V12

→ 감시한다 → 프레스_02

→ 생성한다 → 진동측정값

→ 관련될 수 있다 → 균열불량_F301

온톨로지는 어떤 관계를 사용할 수 있는지 정의한다.

지식그래프는 실제 관계를 저장하고 탐색한다.

온톨로지가 제조현장의 문법이라면 지식그래프는 그 문법으로 작성된 제조현장의 기록이다.

3. 기존 데이터베이스만으로는 왜 충분하지 않은가

ERP와 MES, QMS와 설비관리시스템에도 제품과 공정, 설비정보가 이미 저장돼 있다.

그렇다면 왜 별도의 온톨로지와 지식그래프가 필요한지 질문할 수 있다.

기존 데이터베이스는 정해진 업무를 빠르고 안정적으로 처리하는 데 적합하다.

ERP

주문
구매
자재
재고
원가

MES

생산계획
작업지시
생산실적
공정상태

QMS

검사
측정
불량
개선조치

CMMS·EAM

설비
점검
고장
정비
부품

각 시스템 안에서는 데이터 구조가 명확하다.

문제는 여러 시스템의 데이터를 함께 해석할 때 발생한다.

다음 질문에 답하려면 여러 시스템의 관계를 연결해야 한다.

고객불량 제품은 어떤 자재 LOT를 사용했는가
어느 설비와 금형에서 생산됐는가
당시 공정조건은 무엇이었는가
설비에 어떤 이상징후가 있었는가
동일한 조건으로 생산된 다른 제품은 무엇인가
관련된 설계변경과 작업표준은 무엇인가
과거에 유사한 불량이 있었는가
어떤 조치가 효과적이었는가

관계형 데이터베이스에서도 복잡한 JOIN을 이용해 답을 찾을 수 있다.

그러나 시스템과 데이터가 늘어나고 관계가 자주 변경되면 연결구조도 복잡해진다.

또한 테이블 이름과 컬럼만으로는 데이터의 업무적 의미가 충분히 표현되지 않을 수 있다.

지식그래프는 서로 다른 데이터 원천의 대상을 관계 중심으로 연결한다.

새로운 관계를 추가하기 쉽다.
다단계 관계를 탐색할 수 있다.
데이터의 출처와 근거를 함께 관리할 수 있다.
온톨로지의 규칙을 이용해 암묵적인 관계를 추론할 수 있다.

온톨로지와 지식그래프가 기존 데이터베이스를 대체하는 것은 아니다.

ERP와 MES, QMS는 기존 업무를 계속 수행한다.

지식그래프는 이 시스템의 데이터를 의미와 관계 중심으로 연결한다.

기존 시스템이 각 업무의 기록을 관리한다면 지식그래프는 여러 업무의 기록이 서로 어떤 의미로 연결되는지를 관리한다.

4. 제조데이터에 의미를 부여한다는 것은 무엇인가

데이터에 의미를 부여한다는 표현은 추상적으로 들릴 수 있다.

실제로는 다음을 명확하게 만드는 일이다.

① 이 데이터는 무엇에 관한 것인가

75.3이라는 값만으로는 의미를 알 수 없다.

어떤 설비인가
어떤 센서인가
어떤 변수인가
단위는 무엇인가
언제 측정됐는가
어떤 운전상태였는가

를 알아야 한다.

② 어떤 대상과 연결되는가

온도값은 특정 설비와 연결돼야 한다.

그 설비가 수행한 작업과 생산한 제품까지 연결되면 품질분석에 사용할 수 있다.

③ 어떤 상태와 사건을 나타내는가

값이 높다는 사실만으로는 부족하다.

정상운전
공정전환
고부하
예열
냉각
이상상태

중 어떤 상황인지 구분해야 한다.

④ 어떤 기준으로 판단해야 하는가

설비 허용범위
제품별 공정조건
작업표준
품질규격
안전기준

과 연결해야 한다.

⑤ 누가 언제 어떤 근거로 만들었는가

데이터 원천
생성시각
승인자
모델버전
변경이력
신뢰수준

을 확인할 수 있어야 한다.

예를 들어 다음 두 데이터는 숫자는 같지만 의미가 다르다.

값	대상	변수	단위	상태	의미
75.3	사출기 1호	실린더 온도	℃	예열	정상
75.3	모터 2호	베어링 온도	℃	정상가동	위험 가능

AI가 숫자만 보면 같은 값으로 처리할 수 있다.

온톨로지는 대상과 변수, 단위와 상태, 판단기준의 관계를 함께 제공한다.

데이터의 의미는 값 안에 있는 것이 아니라 그 값이 어떤 대상·시간·상태·기준과 연결돼 있는가에 있다.

5. 제조 온톨로지는 어떤 계층으로 설계해야 하는가

처음부터 공장의 모든 업무와 데이터를 하나의 거대한 온톨로지로 만들려고 하면 범위가 지나치게 커진다.

다음과 같은 계층으로 나누는 것이 현실적이다.

① 상위 온톨로지

산업분야와 관계없이 공통으로 사용하는 개념을 정의한다.

사물
과정
사건
역할
시간
위치
정보
상태

ISO/IEC 21838-1:2021은 여러 도메인 온톨로지와 함께 사용할 수 있는 도메인 중립적인 상위 온톨로지가 갖춰야 할 특성을 규정한다.

② 산업 온톨로지

산업자산과 공정의 공통개념을 정의한다.

산업자산
장비
공정
자원
일정
성능
생애주기

ISO 23726 시리즈는 산업자동화 영역의 온톨로지 기반 상호운용성을 다루고 있다. ISO/FDIS 23726-3은 산업 데이터와 자산모델, 참조데이터 라이브러리에 사용할 OWL 기반 Industrial Data Ontology를 설명한다. 다만 시리즈의 일부 문서는 2026년 현재 제정 절차가 진행 중이므로 발행상태를 구분해 적용해야 한다.

③ 제조 도메인 온톨로지

기업과 업종에서 사용하는 제조개념을 정의한다.

사출성형
프레스
열처리
조립
도장
검사
물류
정비

④ 응용 온톨로지

구체적인 업무문제를 해결하기 위한 개념과 관계를 정의한다.

불량원인 분석
예지보전
생산계획
에너지 최적화
고객불량 추적
정비 의사결정

⑤ 기업·공장별 확장

실제 기업의 조직과 설비, 제품과 코드체계를 반영한다.

공장 A
생산라인 L1
프레스 P02
제품모델 M100
사내 불량코드 Q17

상위개념에서 현장개념으로 내려가는 구조는 다음과 같다.

산업자산

→ 제조설비

→ 프레스

→ 250톤 서보프레스

→ 성형라인 2호 프레스

상위 온톨로지는 공통성을 제공한다.

기업별 온톨로지는 현장의 구체성을 제공한다.

모든 기업이 같은 용어를 사용하도록 강제하는 것이 아니라 서로 다른 현장용어가 어떤 공통개념에 해당하는지 연결해야 한다.

6. 제조 온톨로지는 어떻게 만들어야 하는가

온톨로지 구축은 용어사전을 만드는 일과 다르다.

현장의 질문에서 시작해 필요한 개념과 관계를 정의해야 한다.

① 해결할 질문을 정한다

예를 들어 다음 질문에 답하는 것이 목표일 수 있다.

특정 불량에 영향을 받은 제품은 무엇인가
같은 자재 LOT를 사용한 제품은 무엇인가
고장징후가 있는 설비가 생산계획에 어떤 영향을 주는가
공정조건 변경이 품질에 어떤 영향을 주었는가
유사한 고장에 과거 어떤 정비를 수행했는가

이러한 질문을 역량질문이라고 할 수 있다.

② 범위를 정한다

첫 번째 온톨로지에 전사 업무를 모두 포함하지 않는다.

예를 들어 불량원인 분석이라면 다음으로 제한할 수 있다.

제품
자재 LOT
작업지시
공정
설비
공정조건
검사
불량
원인
조치

③ 현장용어를 수집한다

시스템의 코드
작업표준
설비명칭
품질용어
작업자의 표현
고객의 용어
공급업체의 용어

④ 개념을 구분한다

예를 들어 ‘프레스’가 다음 중 무엇을 의미하는지 구분해야 한다.

설비종류
실제 설비 한 대
프레스 공정
프레스 작업
담당부서

⑤ 관계를 정의한다

제품이 공정을 거친다.
공정이 설비에서 수행된다.
작업지시가 제품 LOT를 생산한다.
자재 LOT가 작업에 투입된다.
검사가 제품특성을 평가한다.
불량이 검사에서 발견된다.

⑥ 속성과 단위를 정의한다

온도
압력
속도
진동
사이클타임
생산량
불량률

속성에는 단위와 허용범위, 측정방법과 적용조건이 필요하다.

⑦ 제약조건과 규칙을 정의한다

모든 검사결과는 검사대상 제품과 연결돼야 한다.
모든 측정값은 단위와 측정시각을 가져야 한다.
폐기된 설비는 생산작업을 수행할 수 없다.
교정기간이 지난 측정장비의 결과는 승인할 수 없다.

⑧ 실제 데이터와 연결한다

ERP
MES
QMS
CMMS
WMS
Historian
문서
센서

⑨ 질문으로 검증한다

처음 정한 질문에 실제로 답할 수 있는지 확인한다.

⑩ 운영하면서 확장한다

새로운 제품과 설비, 관계와 활용사례를 단계적으로 추가한다.

온톨로지 구축의 목적은 가장 정교한 지식모델을 만드는 것이 아니다.

현장의 중요한 질문에 일관된 의미와 근거로 답할 수 있는 최소한의 모델을 만드는 것이다.

7. 지식그래프는 어떻게 구성되는가

지식그래프는 일반적으로 주어–관계–목적어 형태의 연결로 표현할 수 있다.

이를 Triple이라고 한다.

기본 구조

주어

→ 관계

→ 목적어

예를 들어 다음과 같다.

제품 A는 공정 P를 거쳤다.
공정 P는 설비 M에서 수행됐다.
설비 M은 센서 S로 감시된다.
검사 I는 불량 D를 발견했다.
불량 D는 원인 C와 관련된다.
조치 A1은 원인 C를 제거했다.

실제 제조데이터를 연결하면 다음과 같은 그래프가 만들어진다.

고객불량 C-102

→ 발생제품 → 제품 S-100245

→ 소속 LOT → LOT P-2408

→ 생산작업 → 작업지시 WO-5301

→ 사용설비 → 프레스 M-02

→ 사용금형 → 금형 T-14

→ 투입자재 → 자재 LOT R-882

→ 당시 공정조건 → 압력 82MPa

→ 검사결과 → 균열 미검출

이 그래프를 이용하면 다음 질문을 탐색할 수 있다.

같은 자재 LOT를 사용한 다른 제품은 무엇인가
같은 금형과 설비에서 생산된 제품은 무엇인가
동일한 공정조건에서 불량이 발생했는가
영향을 받은 제품이 어느 고객에게 출하됐는가
과거 유사한 불량에 어떤 조치를 했는가

RDF는 정보를 방향성과 이름을 가진 그래프로 표현하기 위한 W3C 표준 데이터모델이며, SPARQL은 RDF 그래프를 조회하고 조작하기 위한 표준 언어다. SPARQL은 서로 다른 원천의 데이터를 RDF 형태로 연결했을 때 관계 패턴을 기준으로 조회할 수 있다.

지식그래프는 관계를 보기 좋게 그리는 시각화 도구가 아니다.

여러 시스템의 제조데이터를 관계에 따라 탐색하고 질의하며 추론할 수 있도록 저장한 실행 가능한 지식구조다.

8. 온톨로지의 추론은 제조현장에서 어떻게 사용되는가

지식그래프에 명시적으로 저장된 관계만 조회하는 것도 유용하다.

하지만 온톨로지의 규칙을 적용하면 저장되지 않은 관계를 추론할 수 있다.

① 계층 추론

서보프레스가 프레스의 한 종류이고 프레스가 제조설비라면 다음을 추론할 수 있다.

서보프레스 P02

→ 프레스다.

→ 제조설비다.

따라서 ‘모든 제조설비’를 검색할 때 P02도 포함된다.

② 관계 추론

제품이 작업에서 생산되고 작업이 설비에서 수행됐다면 다음을 추론할 수 있다.

제품 A는 설비 M에서 생산됐다.

③ 영향범위 추론

불량원인이 특정 자재 LOT와 관련되고 그 자재가 여러 제품에 투입됐다면 다음을 찾을 수 있다.

영향 가능성이 있는 다른 제품과 고객

④ 규칙위반 추론

측정장비의 교정유효기간이 지났고 해당 장비가 검사에 사용됐다면 다음을 표시할 수 있다.

해당 검사결과는 재검토가 필요하다.

⑤ 상태 추론

진동 증가와 온도 상승, 윤활압력 저하가 동시에 나타나면 다음 후보상태를 제시할 수 있다.

베어링 또는 윤활계통 이상 가능성

⑥ 작업 가능성 추론

작업자가 필요한 자격을 보유하고 설비와 공구가 사용 가능하며 자재가 준비됐다면 다음을 판단할 수 있다.

작업지시를 실행할 수 있다.

OWL과 같은 논리 기반 온톨로지 언어는 지식의 일관성을 확인하고 명시되지 않은 내용을 추론하는 데 사용할 수 있다.

그러나 추론결과를 사실과 동일하게 취급해서는 안 된다.

다음과 같이 구분해야 한다.

현장에서 직접 수집한 사실
시스템에서 변환한 데이터
전문가가 입력한 관계
규칙으로 추론한 결과
AI 모델이 예측한 결과
사람이 승인한 판단

추론에는 근거와 적용규칙, 신뢰수준이 함께 표시돼야 한다.

온톨로지 추론은 없는 사실을 만드는 기술이 아니라 이미 정의된 관계와 규칙으로 확인 가능한 새로운 연결을 도출하는 기술이다.

9. 온톨로지와 AI 모델은 어떻게 결합되는가

온톨로지와 AI 모델은 서로 대체하는 기술이 아니다.

AI 모델은 데이터에서 패턴을 학습한다.

온톨로지는 제조개념과 관계, 규칙과 제한조건을 표현한다.

AI 모델이 잘하는 일

이미지에서 불량 탐지
센서데이터의 이상탐지
품질과 고장예측
수요예측
복잡한 비선형 관계 학습

온톨로지가 잘하는 일

제조용어의 정의
제품과 공정의 관계
설비구조와 구성
작업과 안전규칙
판단근거의 추적
명시적인 제약조건
시스템 간 의미연결

두 기술을 결합하면 다음과 같은 구조가 가능하다.

센서와 생산데이터

↓

AI 모델

→ 이상점수 0.87

↓

온톨로지·지식그래프

→ 대상설비 확인
→ 관련 부품 확인
→ 현재 생산제품 확인
→ 과거 유사고장 확인
→ 적용 가능한 정비절차 확인

↓

정비 Agent

→ 정비대안 작성
→ 생산계획 영향분석
→ 담당자 승인 요청

AI 모델은 이상 가능성을 발견한다.

온톨로지는 그 이상이 어떤 설비와 부품, 작업과 생산계획에 관련되는지를 설명한다.

NIST의 OntoSTEP 연구는 STEP 기반 제품모델을 OWL 온톨로지와 지식그래프로 변환해 다른 OWL 모델과 의미적으로 통합하는 방법을 다룬다. 이는 기존 제품데이터에 관계와 의미를 추가해 Digital Thread에서 활용할 수 있는 접근이다.

AI가 패턴을 찾는다면 온톨로지는 그 패턴이 제조현장에서 무엇을 의미하는지 연결한다.

10. 온톨로지와 생성형 AI·Agent는 어떻게 결합되는가

대규모 언어모델은 자연어를 이해하고 문서를 요약하며 계획을 작성하는 데 유용하다.

그러나 제조현장의 정확한 사실과 최신상태를 모델 내부 지식만으로 판단하게 해서는 안 된다.

언어모델은 다음과 같은 오류를 만들 수 있다.

존재하지 않는 설비와 부품을 제안한다.
오래된 작업표준을 사용한다.
서로 다른 제품과 설비를 혼동한다.
근거가 없는 원인을 확정적으로 설명한다.
권한이 없는 작업을 계획한다.

지식그래프를 연결하면 Agent가 제조사실을 조회하고 근거를 확인할 수 있다.

질문

“프레스 2호기의 진동이 높아진 원인과 오늘 생산계획에 미치는 영향을 알려줘.”

Agent의 처리

‘프레스 2호기’의 공식 설비 ID를 확인한다.
설비구조와 센서의 관계를 조회한다.
현재 측정값과 정상범위를 확인한다.
최근 정비와 부품교체 이력을 찾는다.
과거 유사고장과 조치를 검색한다.
현재 작업지시와 생산제품을 확인한다.
대체설비와 생산계획을 조회한다.
원인 후보와 영향, 조치대안을 작성한다.
사용한 데이터와 관계를 근거로 제시한다.
정비 또는 계획변경에는 담당자의 승인을 요청한다.

이 구조는 GraphRAG와 같은 방식으로 구현할 수 있다.

사용자 질문

↓

관련 개념과 대상 식별

↓

지식그래프 탐색

↓

근거 데이터와 관계 검색

↓

언어모델의 해석과 설명

↓

정책·권한 확인

↓

Agent의 계획과 승인 요청

중요한 것은 언어모델이 지식그래프의 내용을 읽는 것만이 아니다.

답변의 각 주장과 실행계획이 어떤 데이터와 관계에 근거하는지 추적할 수 있어야 한다.

지식그래프는 Agent가 더 많은 말을 하게 만드는 도구가 아니라 확인된 제조사실 안에서 판단하도록 범위를 제한하는 도구다.

11. 기존 제조표준과 온톨로지는 어떻게 연결해야 하는가

기업이 사용하는 모든 개념을 처음부터 새로 만들 필요는 없다.

기존 제조표준과 참조모델, 산업용 사전을 활용해야 한다.

① 제품정보

CAD
STEP
MBD
BOM
제품특성과 공차

② 제조운영

생산계획
작업지시
설비상태
생산실적
제조 KPI

③ 품질정보

검사계획
측정특성
측정장비
검사결과
불량과 통계

④ 설비와 자산

자산 식별
기술사양
구성품
운전상태
정비정보

Asset Administration Shell은 산업자산을 표준화된 디지털 형태로 표현하고 서로 다른 공급업체의 솔루션 사이에서 정보를 교환하기 위한 구조를 제공한다. AAS 메타모델은 XML·JSON·RDF 등의 교환형식과 연결될 수 있으며, 하위모델을 통해 자산별 정보를 구성한다.

AAS와 온톨로지는 같은 역할을 하는 것은 아니다.

AAS는 자산정보를 구조화하고 교환하는 표준화된 틀을 제공한다.
온톨로지는 자산과 공정, 제품과 품질의 의미와 관계를 논리적으로 정의한다.
지식그래프는 AAS와 MES, QMS 등에서 가져온 실제 데이터를 관계로 연결한다.

다음과 같이 결합할 수 있다.

AAS

→ 설비의 명판·기술사양·상태·정비 하위모델

제조 온톨로지

→ 설비가 수행하는 공정과 생산제품, 품질특성의 관계

지식그래프

→ 실제 설비·작업·제품·검사·고장 데이터 연결

표준을 사용한다고 의미가 자동으로 통일되는 것은 아니다.

기업별 코드와 현장용어를 표준개념에 매핑하는 작업이 필요하다.

표준은 공통의 출발점을 제공하고 온톨로지는 표준과 기업현장의 의미를 연결한다.

12. 온톨로지와 지식그래프의 품질은 어떻게 관리해야 하는가

온톨로지는 한 번 구축하고 끝나는 산출물이 아니다.

제품과 설비, 공정과 기준이 변경되면 함께 변경돼야 한다.

① 개념 품질

정의가 명확한가
중복된 개념은 없는가
같은 이름의 다른 의미를 구분했는가
상위와 하위 관계가 적절한가

② 관계 품질

관계의 방향이 올바른가
필수관계가 누락되지 않았는가
현실과 다른 관계가 등록되지 않았는가
관계의 적용범위가 명확한가

③ 데이터 품질

실제 대상과 정확히 연결됐는가
식별자가 중복되지 않았는가
최신상태가 반영됐는가
단위와 시간이 맞는가

④ 논리적 일관성

서로 모순되는 정의와 규칙이 없는지 확인한다.

⑤ 출처와 근거

각 사실과 관계가 어디에서 왔는지 기록한다.

시스템 데이터
문서
센서
작업자
전문가
AI 예측
추론결과

⑥ 버전과 변경

변경내용
변경사유
영향범위
검토자와 승인자
적용시점
이전버전

⑦ 활용 적합성

처음 정의한 현장의 질문에 실제로 답할 수 있는지 확인한다.

RDF 그래프의 구조와 데이터 제약을 검증하는 데에는 W3C의 SHACL과 같은 표준을 사용할 수 있다. SHACL은 RDF 데이터그래프가 정의된 조건을 만족하는지 확인하기 위한 언어다.

예를 들어 다음 조건을 검증할 수 있다.

모든 측정값은 단위를 가져야 한다.
모든 검사결과는 검사대상과 연결돼야 한다.
모든 작업지시는 제품과 공정을 가져야 한다.
모든 설비는 고유한 자산 ID를 가져야 한다.
모든 추론결과는 근거와 규칙을 가져야 한다.

온톨로지의 품질은 개념 수나 Triple 수로 평가해서는 안 된다.

현장의 질문에 정확하게 답하고 잘못된 연결과 추론을 방지할 수 있는가로 평가해야 한다.

13. 온톨로지 구축은 왜 실패하는가

제조 온톨로지 프로젝트가 실패하는 이유는 기술이 부족해서만은 아니다.

① 범위가 지나치게 크다

처음부터 기업 전체의 모든 제품과 설비, 업무를 모델링하려 한다.

② 목적이 없다

어떤 질문과 의사결정을 지원할지 정하지 않고 개념부터 수집한다.

③ 현장전문가가 참여하지 않는다

IT와 데이터조직이 시스템의 코드만 보고 제조의 실제 의미를 정의한다.

④ 용어사전에서 끝난다

용어와 설명은 있지만 대상 사이의 관계와 규칙이 없다.

⑤ 기존 표준을 무시한다

기업만의 개념을 모두 새로 만들면서 외부와 연결하기 어려워진다.

⑥ 실제 데이터와 연결되지 않는다

정교한 온톨로지를 만들었지만 ERP와 MES, QMS 데이터가 매핑되지 않는다.

⑦ 버전관리가 없다

설비와 제품, 작업표준이 바뀌어도 온톨로지는 그대로 남는다.

⑧ 운영책임자가 없다

프로젝트가 끝난 뒤 개념과 관계를 관리할 조직이 없다.

⑨ AI의 자동생성을 그대로 사용한다

언어모델이 만든 개념과 관계를 현장검증 없이 등록한다.

⑩ 성과를 측정하지 않는다

원인분석 시간과 추적성, Agent 답변의 정확도가 실제로 개선됐는지 확인하지 않는다.

온톨로지 프로젝트는 크게 시작할수록 좋은 것이 아니다.

다음과 같이 작은 문제에서 시작하는 편이 좋다.

고객불량 추적

또는

설비고장 원인분석

또는

작업표준 검색과 적용

그 문제에 필요한 제품과 설비, 공정과 품질의 관계를 먼저 만든다.

실제 질문에 답할 수 있게 된 뒤 다음 활용사례로 확장한다.

좋은 온톨로지는 세상을 모두 설명하는 모델이 아니라 지금 해결해야 할 제조문제를 정확히 설명하는 모델이다.

14. 경영진은 무엇을 확인해야 하는가

온톨로지와 지식그래프 사업을 보고받을 때 경영진은 개념 수와 데이터 수, 그래프 화면에 관심을 갖기 쉽다.

그러나 실제 성과를 위해서는 다른 질문이 필요하다.

첫째, 어떤 제조문제를 해결하기 위한 것인가.

불량원인과 설비고장, 생산계획과 추적성 중 목적이 명확해야 한다.

둘째, 어떤 현장의 질문에 답할 수 있는가.

구체적인 역량질문과 답변 사례가 있어야 한다.

셋째, 제품과 설비, 공정과 품질을 동일하게 식별할 수 있는가.

시스템별 코드의 대응관계가 관리돼야 한다.

넷째, 현장용어와 표준용어가 연결돼 있는가.

현장에 표준용어를 일방적으로 강요해서는 안 된다.

다섯째, 온톨로지와 실제 데이터가 연결돼 있는가.

개념모델만 있고 운영데이터가 없다면 활용하기 어렵다.

여섯째, 사실과 추론, AI 예측을 구분하는가.

모든 정보를 동일한 신뢰수준으로 취급해서는 안 된다.

일곱째, 관계의 근거와 출처를 추적할 수 있는가.

왜 그런 연결과 판단이 만들어졌는지 설명할 수 있어야 한다.

여덟째, 제품과 설비가 변경될 때 누가 온톨로지를 수정하는가.

운영책임과 변경승인 절차가 필요하다.

아홉째, AI Agent가 지식그래프의 범위를 넘어 임의로 판단하지 않는가.

근거가 없을 때 중단하고 사람에게 요청할 수 있어야 한다.

열째, 특정 그래프 제품과 공급업체에 종속되지 않는가.

RDF·OWL·SPARQL과 같은 표준과 데이터 내보내기 가능성을 확인해야 한다.

열한째, 온톨로지의 품질을 검증하는가.

개념과 관계, 데이터와 규칙의 일관성을 지속해서 확인해야 한다.

열두째, 실제 제조성과가 개선됐는가.

불량원인 분석시간
영향제품 추적시간
설비고장 진단시간
데이터 통합비용
작업표준 검색시간
AI 답변의 근거제시율
Agent 판단의 수정과 거부율

을 적용 전후로 비교해야 한다.

ISO/TC 184/SC 4는 산업데이터의 의미가 사람과 컴퓨터 모두에게 모호하지 않게 전달돼야 하며, 온톨로지 기반 표준이 클래스와 관계를 논리적으로 정의해 의미적 상호운용성을 지원한다고 설명한다.

경영진이 확인해야 할 것은 얼마나 큰 지식그래프를 구축했는가가 아니다.

중요한 제조질문에 여러 시스템의 데이터를 연결해 일관된 의미와 근거로 답할 수 있는가이다.

마치며

제조데이터는 값만으로 의미를 갖지 않는다.

어떤 제품과 설비, 공정과 시간, 상태와 기준에 연결돼 있는지를 알아야 한다.

온도 75.3이라는 값은 설비와 측정위치, 단위와 운전상태에 따라 정상일 수도 있고 위험일 수도 있다.

불량이라는 기록도 어떤 설계특성과 공정조건, 자재와 설비, 검사방법에 연결되는지 알아야 원인을 분석할 수 있다.

Digital Thread는 설계와 생산, 검사와 출하, 운영과 정비의 데이터를 이어준다.

하지만 연결된 데이터가 무엇을 의미하는지 정의하지 않으면 시스템과 AI는 그 관계를 일관되게 해석하기 어렵다.

결국 제조 온톨로지와 지식그래프는 다음의 흐름으로 구축해야 한다.

해결하려는 제조문제를 정한다.

현장에서 답해야 할 질문을 정의한다.

제품과 설비, 공정과 품질의 핵심개념을 선정한다.

개념 사이의 관계와 규칙을 정의한다.

기업의 현장용어를 표준개념에 연결한다.

ERP·MES·QMS·설비데이터를 실제 대상에 매핑한다.

온톨로지에 따라 지식그래프를 구성한다.

현장의 질문으로 관계와 추론을 검증한다.

AI 모델과 Agent가 지식그래프를 근거로 사용하게 한다.

사실과 추론, 예측과 승인을 구분한다.

제품과 공정의 변경에 따라 온톨로지를 지속해서 관리한다.

결과가 실제 제조성과를 개선하는지 측정한다.

온톨로지를 구축한다고 AI가 제조현장을 완전히 이해하는 것은 아니다.

현장의 경험과 예외, 암묵적인 지식까지 모두 형식화하기는 어렵다.

그러나 무엇이 제품이고 공정이며 설비인지, 어떤 데이터가 어떤 대상과 관계되는지조차 정의하지 않은 상태에서 AI가 제조현장을 이해할 것이라고 기대할 수는 없다.

온톨로지는 AI에게 정답을 주는 기술이 아니다.

AI가 무엇을 알고 있으며 무엇을 모르는지, 어떤 근거와 관계를 따라 판단해야 하는지를 정해주는 기술이다.

지식그래프는 많은 데이터를 화려하게 연결한 그림이 아니다.

제품과 설비, 공정과 품질의 관계를 따라 현장의 질문에 답하고 판단의 근거를 추적할 수 있게 하는 제조지식의 실행구조다.

자율제조의 경쟁력은 가장 큰 언어모델을 사용하는 데 있지 않다.

우리 공장의 제품과 설비, 공정과 품질이 무엇을 의미하며 서로 어떤 관계에 있는지를 기계가 사용할 수 있는 형태로 설명할 수 있는가.

바로 이것이 온톨로지와 지식그래프가 제조데이터에 의미를 부여해야 하는 이유다.

다음 글에서는 기업 내부에서 의미가 연결된 제조데이터를 협력업체와 고객, 공급망의 다른 기업과 어떻게 안전하게 공유할 것인지 살펴보고자 한다.

데이터를 공유한다고 소유권과 통제권까지 넘겨서는 안 된다. 누가 어떤 목적으로 어떤 조건에서 데이터를 사용할 수 있는지 관리하는 구조가 필요하다.

[자율제조 시리즈 ⑯] 산업 데이터 공간은 기업과 공급망의 데이터를 어떻게 연결하는가?

참고자료

Have a question about this post?

Leave a question and I'll reply by email. Good questions may be shared anonymously below this post and in the book (with your permission).

Leave a question Subscribe to the Series