2026-09-04
GPS 없이도 길을 잃지 않는 드론, 비결은 "3차원 지도"
Breaking Defense에 재미있는 내용이 실려 관련 내용을 좀 더 쉽게 풀어서 이야기해보고자 한다. ## 한눈에 보는 핵심 메시지 > **GPS가 막히거나 조작당해도, 드론이 카메라로 주변 지형을 3차원 지도와 대조하면 스스로 자기 위치를 알아낼 수 있다.** > 이것이 GPS 방해가 일상화된 오늘날 전장·오지에서 드론이 임무를 계속 수행하게 해주는 핵심 기술이다. --- ## GPS는 왜 이렇게 쉽게 뚫릴까? 우리는 내비게이션, 지도 앱 등으로 GPS를 매일 사용하다 보니 "당연히 잘 되는 것"으로 여기기 쉽습니다. 하지만 바로 그 점이 약점입니다. - GPS 위성 신호는 지상에 도달할 때쯤이면 매우 약해져 있어서, **저렴한 방해 장비(재머) 하나만으로도 동네 전체, 혹은 그 이상 범위의 GPS를 무력화**할 수 있습니다. - 가짜 위치 신호를 보내 드론을 엉뚱한 곳으로 유인하는 '스푸핑(속임수 신호)' 공격도 흔해졌습니다. - 전장이 아니더라도 문제입니다. 극지방, 사막, 대양 한가운데처럼 애초에 위성 신호가 불안정하거나 아예 닿지 않는 지역들이 있습니다. 업계에서는 이를 "거리의 폭정(tyranny of distance)"이라 부르는데, 장거리 임무일수록 믿을 만한 위치 정보 없이 비행해야 하는 구간이 길어진다는 뜻입니다. 드론은 점점 더 많은 임무(전투 지원, 물자 수송, 정찰 등)에 투입되고 있고, 특히 사람이 가기 위험한 곳에 대신 보내는 경우가 많습니다. 그런데 정작 그런 곳일수록 GPS를 믿을 수 없다는 역설이 존재합니다. ## 그래서 나온 대안: "보고 대조해서" 위치를 찾는다 해법의 핵심 아이디어는 의외로 단순합니다. > 드론에 달린 카메라가 "지금 내 눈에 보이는 지형"을 촬영하고, 이를 미리 만들어둔 **정밀 3차원 지형 지도**와 비교해서 "아, 나는 지금 여기에 있구나"를 스스로 계산해내는 것입니다. 위성 신호 없이도, 드론이 보는 산의 능선, 건물의 형태, 지형의 굴곡 같은 것들이 일종의 '좌표'역할을 해주는 셈입니다. 평평한 2차원 지도로는 이게 잘 안 됩니다. 낮은 고도로 날면서 산악 지형이나 복잡한 건물 사이를 지날 때는, 높이와 굴곡 정보가 빠진 2D 지도로는 드론이 실제로 무엇을 보고 있는지 정확히 대조하기 어렵기 때문입니다. 반면 3차원 지도는 고도, 건물, 산, 기반시설의 입체 정보를 담고 있어서 위치 파악뿐 아니라 장애물을 피해 다니는 데도 도움이 됩니다. <br> > ### 📦 핵심 요소기술: 3차원 비전 기반 내비게이션(3D Vision-Based Navigation) > > **무엇인가** > GPS 같은 외부 위성 신호에 의존하지 않고, 드론에 탑재된 카메라 영상을 사전에 구축된 고해상도 3차원 지형 데이터와 실시간으로 대조하여 드론 스스로 절대 위치를 계산해내는 항법 방식입니다. > > **왜 2D가 아니라 3D인가** > 기존 2차원 지도는 평면 정보만 담고 있어, 산이나 건물이 많은 저고도·고지형 환경에서는 카메라가 본 장면과 지도를 정확히 맞춰보기 어렵습니다. 3차원 지도는 고도·경사·건물 윤곽 같은 입체 정보를 포함하므로, 드론이 "지금 보이는 풍경이 지도상 정확히 어느 지점의 모습인가"를 훨씬 정밀하게 판단할 수 있습니다. > > **적용 방식은 두 가지** > 1. **온보드 소프트웨어(SDK) 방식** — 드론 자체에 탑재되어 비행 중 실시간으로 위치를 계속 갱신하며, 사람 개입 없이 완전 자율 항법을 수행합니다. > 2. **운용자용 시각화 인터페이스 방식** — 조작자가 드론의 위치를 3차원 환경 속에서 확대·축소·회전하며 직접 확인할 수 있도록 돕는 방식입니다. > > **실제 활용 사례** > 방위산업체 밴터(Vantor)의 '랩터(Raptor)' 솔루션이 이 방식을 상용화한 대표 사례로, 수십 년간 축적된 전 지구적 지도 데이터를 기반으로 실시간 위치추적용 3D 참조 레이어를 제공합니다. --- ## 정리하면 GPS는 편리하지만 값싼 장비 하나로도 무력화될 수 있는 취약한 인프라입니다. 이런 환경에서 드론이 계속 임무를 수행하려면 "외부 신호에 기대지 않고 스스로 위치를 아는 능력"이 필요한데, 그 답으로 떠오른 것이 카메라와 3차원 지형 지도를 결합한 항법 방식입니다. 앞으로 드론이 전투, 물류, 재난 대응 등 더 위험하고 신호가 불안정한 환경으로 활동 반경을 넓혀갈수록, 이런 '스스로 보고 판단하는' 항법 기술의 중요성은 더 커질 것으로 보입니다. --- *원문: Breaking Defense, "3D vision is redefining how drones navigate without GPS"*
2026-08-27
[자율제조 시리즈 ⑩] 제조 AI 모델은 왜 구축보다 운영이 더 어려운가?
### 정확한 모델을 만드는 것에서 신뢰할 수 있는 모델을 계속 유지하는 것으로 제조 AI 프로젝트를 시작하면 대부분 모델의 정확도에 관심을 둔다. 과거의 생산데이터를 수집하고 정제해 학습데이터와 검증데이터로 나눈다. 여러 알고리즘을 비교하고 가장 높은 성능을 보인 모델을 선택한다. 비전검사 모델의 정확도가 98%에 도달하거나 설비고장을 일정 시간 전에 예측할 수 있다는 결과가 나오면 프로젝트가 성공한 것처럼 보인다. 그러나 실제 제조현장에 모델을 배포하면 새로운 문제가 시작된다. 제품이 변경되고 원재료 공급업체가 바뀐다. 설비부품이 교체되고 공정조건이 조정된다. 카메라와 조명도 노후화되며 작업자의 작업방식도 달라진다. 모델을 학습할 때는 없었던 불량유형과 고장모드가 나타날 수도 있다. 어제까지 정확했던 모델이 오늘도 정확하다고 보장할 수 없다. 모델은 정상적으로 작동하지만 입력데이터를 수집하는 센서가 고장 날 수 있다. 전처리 프로그램과 모델버전이 일치하지 않거나 새 모델이 일부 Edge 장치에만 배포되는 문제도 발생한다. 예측결과는 정상적으로 생성되지만 작업자가 더 이상 결과를 신뢰하지 않아 사용하지 않을 수도 있다. 따라서 다음과 같은 질문이 필요하다. **“AI 모델을 얼마나 정확하게 만들었는가?”** 뿐만 아니라, **“그 모델이 현재 제조환경에서도 정확하게 작동하는지 누가 확인하고 있는가?”** 제조 AI의 운영은 서버에 모델을 설치하고 장애 여부를 감시하는 것만을 의미하지 않는다. 데이터와 모델의 성능, 제조성과와 실행위험을 지속해서 확인해야 한다. 새로운 모델을 검증하고 안전하게 배포하며, 문제가 생기면 이전 버전으로 복원해야 한다. 더 이상 사용할 수 없는 모델은 자동실행에서 제외하고 폐기해야 한다. 자율제조에서 모델 운영은 기술지원 업무가 아니다. **AI가 현재 제조상황에서도 신뢰할 수 있는 판단을 내리고 있는지 지속해서 증명하는 제조 운영활동**이다. 이번 글에서는 제조 AI 모델의 구축보다 운영이 왜 더 어려우며, 모델의 개발과 배포, 감시와 재학습, 중단과 폐기의 전체 생애주기를 어떻게 관리해야 하는지 살펴보고자 한다. --- ### 목차 1. 실험실의 AI와 제조현장의 AI는 무엇이 다른가 2. 정확했던 모델의 성능은 왜 떨어지는가 3. 제조 AI의 성능은 무엇으로 측정해야 하는가 4. 제조 AI 모델의 생애주기는 어떻게 구성되는가 5. 운영 중 무엇을 지속해서 감시해야 하는가 6. 언제 모델을 다시 학습하고 교체해야 하는가 7. 새로운 모델은 어떻게 안전하게 배포해야 하는가 8. Edge에 흩어진 모델은 어떻게 관리해야 하는가 9. 제조 AI 운영조직은 어떤 역할과 책임을 가져야 하는가 10. 경영진은 모델 정확도보다 무엇을 확인해야 하는가 --- ## 1. 실험실의 AI와 제조현장의 AI는 무엇이 다른가 AI 모델은 일반적으로 과거 데이터를 이용해 개발한다. 수집된 데이터를 학습용과 검증용, 시험용으로 나누고 모델의 성능을 평가한다. 이 과정에서는 데이터의 범위가 고정되어 있다. 제품과 설비, 원재료와 작업조건도 이미 기록된 과거의 조건이다. 모델 개발자는 데이터의 누락과 오류를 정리하고 필요한 변수를 선택할 수 있다. 그러나 실제 제조현장은 고정되어 있지 않다. 매일 새로운 데이터가 들어오고 생산계획과 작업조건이 달라진다. 다음과 같은 변화가 지속해서 발생한다. * 새로운 제품과 제품사양 * 원재료와 공급업체 변경 * 설비부품과 금형 교체 * 센서와 검사장비의 교정상태 변화 * 작업자와 교대조 변경 * 공정속도와 생산량 변화 * 계절과 온습도 변화 * 작업표준과 품질기준 개정 * 새로운 불량과 고장유형 실험실에서는 모델에 입력할 데이터가 준비되어 있다. 현장에서는 센서통신이 끊기거나 작업자가 정보를 입력하지 않을 수 있다. 시간정보가 맞지 않고 제품코드와 설비코드가 변경될 수도 있다. 실험실에서는 모델의 예측결과를 확인한다. 현장에서는 그 결과가 작업자의 점검과 생산계획 변경, 설비 설정값 조정으로 이어진다. 모델의 작은 오류가 실제 손실로 연결될 수 있다. 예를 들어 비전검사 모델의 정확도가 98%라고 가정해보자. 전체 정확도만 보면 성능이 높아 보인다. 그러나 하루에 10만 개의 제품을 검사한다면 2%의 오류는 최대 2천 건의 잘못된 판정과 관련될 수 있다. 물론 실제 오류 건수는 데이터 구성과 오류유형에 따라 달라지므로 단순히 정확도만으로 계산해서는 안 된다. 특히 정상제품을 불량으로 판단하는 오검출과 불량제품을 정상으로 판단하는 미검출은 영향이 다르다. 오검출이 증가하면 재검사와 폐기비용이 늘어난다. 미검출이 증가하면 불량품이 고객에게 출하될 수 있다. 예지보전도 마찬가지다. 고장을 많이 예측하는 모델이 반드시 좋은 모델은 아니다. 오경보가 반복되면 불필요한 점검과 부품교체가 늘어나고, 작업자는 결국 AI 경보를 무시하게 된다. 실험실의 AI는 정해진 데이터에서 좋은 성능을 내는지가 중요하다. 제조현장의 AI는 다음을 함께 만족해야 한다. * 현재 제품과 설비에도 유효한가 * 필요한 시간 안에 결과를 제공하는가 * 데이터가 누락될 때 안전하게 대응하는가 * 오탐과 미탐의 비용을 감당할 수 있는가 * 작업자가 결과를 이해하고 활용하는가 * 제조성과를 실제로 개선하는가 * 오류가 발생하면 중단하고 복구할 수 있는가 모델 개발의 목표는 높은 정확도의 실험결과를 만드는 것이 아니다. **변화하는 제조환경에서도 필요한 성능과 안전성을 계속 유지하는 시스템을 만드는 것**이다. --- ## 2. 정확했던 모델의 성능은 왜 떨어지는가 운영 중 모델의 성능이 떨어지는 현상을 흔히 Drift라는 개념으로 설명한다. 그러나 모든 성능저하가 같은 원인으로 발생하는 것은 아니다. 어떤 변화가 발생했는지 구분해야 올바른 대응을 할 수 있다. ### ① Data Drift 모델에 입력되는 데이터의 분포가 학습 당시와 달라지는 현상이다. 예를 들면 다음과 같다. * 새로운 원재료 공급업체가 추가됐다. * 제품구성이 대형 제품 중심으로 바뀌었다. * 생산속도가 높아졌다. * 계절변화로 공장 온습도가 달라졌다. * 카메라 조명이 어두워졌다. * 설비가 노후화되면서 진동의 기본수준이 높아졌다. 입력데이터가 바뀌었다고 모델이 반드시 틀리는 것은 아니다. 그러나 학습하지 않은 범위가 증가하면 성능저하 가능성이 커진다. ### ② Concept Drift 입력과 결과의 관계가 달라지는 현상이다. 사출압력과 제품중량의 관계가 설비마모 또는 새로운 원재료로 인해 달라질 수 있다. 과거에는 특정 진동패턴이 베어링 고장을 의미했지만 부품구조가 변경된 뒤에는 같은 패턴이 다른 원인을 의미할 수도 있다. ### ③ Label Drift 또는 기준변화 품질판정과 정답의 기준이 달라진다. * 고객의 품질규격 변경 * 검사기준 강화 * 불량유형 분류체계 변경 * 작업자의 판정방식 변경 * 고장코드와 정비코드 개정 모델은 과거 기준으로 정확하게 작동하지만 현재의 품질기준과 맞지 않을 수 있다. ### ④ Sensor Drift 센서와 측정장비의 값이 실제 상태와 점차 달라지는 현상이다. * 온도센서의 편차 * 진동센서의 부착상태 변화 * 카메라 위치와 초점 변화 * 조명 밝기 감소 * 저울과 측정기의 교정오차 이 경우 모델보다 측정체계가 문제다. 모델을 다시 학습하기 전에 센서와 검사장비를 점검해야 한다. ### ⑤ Operational Drift 모델은 정확하지만 실제 업무에서 사용하는 방식이 달라진다. * 작업자가 경보를 확인하지 않는다. * 생산속도가 빨라져 판정결과가 늦게 도착한다. * 모델의 추천을 승인하는 담당자가 변경됐다. * MES 인터페이스가 바뀌어 작업지시와 연결되지 않는다. * AI 결과를 기록하는 절차가 생략된다. ### ⑥ Software와 Infrastructure Drift 모델을 둘러싼 실행환경이 달라진다. * 라이브러리 버전 변경 * 전처리 프로그램 수정 * Edge 장치 교체 * 운영체제와 드라이버 업데이트 * 데이터 스키마 변경 * API 입력형식 변경 모델 파일이 같더라도 실행결과와 처리속도가 달라질 수 있다. ### ⑦ Business Drift 기업이 중요하게 보는 목표가 달라진다. 처음에는 불량률 최소화가 목표였지만 이후에는 생산량과 에너지 사용량, 납기가 더 중요해질 수 있다. 기술적으로 정확한 모델이 현재의 경영목표에는 맞지 않을 수 있다. 결국 모델성능 저하는 알고리즘만의 문제가 아니다. **제품과 공정, 센서와 데이터, 품질기준과 업무방식, 실행환경과 경영목표가 변하면서 발생하는 시스템의 문제**다. --- ## 3. 제조 AI의 성능은 무엇으로 측정해야 하는가 제조 AI 모델을 운영할 때 하나의 정확도 지표만 감시해서는 안 된다. 모델의 기술적 성능과 시스템 운영성능, 제조성과와 위험을 함께 측정해야 한다. ### ① 기술적 성능 분류모델이라면 다음을 확인할 수 있다. * Accuracy * Precision * Recall * F1 Score * 오검출률 * 미검출률 * 제품별·불량유형별 성능 예측모델이라면 다음과 같은 지표를 사용할 수 있다. * MAE * RMSE * 예측오차의 분포 * 예측구간의 적절성 * 설비별·제품별 오차 그러나 지표의 이름보다 어떤 오류가 제조현장에서 더 위험한지 먼저 정해야 한다. ### ② 데이터 품질 * 누락률 * 이상값 비율 * 지연수집 비율 * 시간동기화 오류 * 코드매핑 오류 * 단위 불일치 * 라벨 정확성 * 데이터 분포 변화 ISO/IEC 5259 시리즈는 분석과 머신러닝에 사용되는 데이터의 품질을 관리하기 위한 개념과 측정, 요구사항 및 프로세스·거버넌스 체계를 다룬다. 특히 ISO/IEC 5259-4는 ML 데이터의 라벨링과 평가, 생애주기 관리를 포함한 데이터 품질 프로세스 프레임워크를 제시한다. [ISO/IEC 5259-3:2024](https://www.iso.org/standard/81092.html), [ISO/IEC 5259-4:2024](https://www.iso.org/standard/81093.html), [ISO/IEC 5259-5:2025](https://www.iso.org/standard/84150.html) ### ③ 운영성능 * 추론시간 * 시간당 처리건수 * 서비스 가용성 * CPU·GPU와 메모리 사용량 * Edge 장치의 온도와 전력 * 통신지연과 실패 * 모델 로딩과 재시작 시간 * 장애와 복구시간 비전검사 모델의 정확도가 높더라도 생산속도보다 판정이 늦으면 현장에 사용할 수 없다. ### ④ 사람과의 상호작용 * 작업자의 승인비율 * 추천 수정비율 * 경보 무시비율 * 수동전환 횟수 * 작업자의 판정과 AI 판정 차이 * 경보 확인과 대응시간 * 모델에 대한 이의제기와 피드백 작업자가 계속 수정하는 모델은 정확도 지표와 관계없이 현재 업무에 적합하지 않을 수 있다. ### ⑤ 제조성과 * 불량률 * 고객 불량유출 * 재검사와 재작업 * 비계획 정지시간 * 정비비용 * 납기준수율 * 생산량과 사이클타임 * 재고와 에너지 사용량 * 문제분석과 대응시간 AI 모델이 높은 성능을 보이더라도 제조 KPI가 개선되지 않으면 모델의 활용방식과 업무연계를 다시 확인해야 한다. ### ⑥ 위험과 부작용 * 불필요한 설비정지 * 과도한 부품교체 * 다른 품질특성 악화 * 작업자의 경보피로 * 데이터 유출 * 잘못된 자동실행 * Near-miss * 안전과 환경규칙 위반 제조 AI의 성능평가는 다음의 구조로 이루어져야 한다. **데이터는 정상인가** ↓ **모델은 정확한가** ↓ **시스템은 제시간에 작동하는가** ↓ **작업자는 결과를 활용하는가** ↓ **제조성과가 개선되는가** ↓ **허용할 수 없는 위험은 없는가** 좋은 모델은 시험데이터에서 정확한 모델만을 의미하지 않는다. **현장에서 필요한 시간에 신뢰할 수 있는 판단을 제공하고, 실제 제조성과를 개선하면서 위험을 허용범위 안에 유지하는 모델**이다. --- ## 4. 제조 AI 모델의 생애주기는 어떻게 구성되는가 제조 AI 모델은 개발과 배포로 끝나지 않는다. 기획부터 폐기까지 전체 생애주기를 관리해야 한다. ### ① 문제와 목적 정의 어떤 제조문제를 해결할 것인지 정한다. * 적용제품과 설비 * 예측대상 * 목표 KPI * 허용 가능한 오류 * 실행과 승인범위 * 사용해서는 안 되는 조건 ### ② 데이터 정의와 수집 판단에 필요한 데이터를 정의한다. * 데이터 출처 * 수집주기 * 단위와 시간 * 제품과 LOT의 연결 * 라벨의 정의 * 품질관리 기준 * 보존기간과 권한 ### ③ 모델 개발 * 특징과 알고리즘 선택 * 학습과 검증 * 제품·설비별 성능분석 * 불확실성 평가 * 설명 가능성 검토 * 위험한 오류의 분석 ### ④ 운영환경 검증 실제 설비와 Edge 또는 Cloud 환경에서 확인한다. * 추론시간 * 처리량 * 인터페이스 * 데이터 누락 시 동작 * 장애와 복구 * 보안 * 기존 제어시스템과의 경계 ### ⑤ 모델 등록과 승인 모델의 정보를 중앙에 등록한다. * 모델명과 버전 * 개발자와 소유부서 * 학습데이터 범위 * 성능지표 * 적용범위 * 제한조건 * 승인자 * 유효기간 ### ⑥ 시험배포 Shadow Mode와 Pilot 운영을 통해 실제 데이터에서 성능을 확인한다. 새 모델의 결과가 현실의 실행에 영향을 주지 않는 상태에서 기존 모델 및 작업자의 판단과 비교한다. ### ⑦ 운영배포 승인된 제품과 설비에 모델을 배포한다. 배포파일과 전처리 로직, 설정값과 실행환경의 버전을 함께 관리한다. ### ⑧ 지속적 모니터링 데이터와 모델, 시스템과 제조성과를 감시한다. ### ⑨ 재학습과 변경관리 새로운 데이터와 오류사례를 이용해 모델을 개선한다. 변경된 모델은 기존 모델과 별개의 새 버전으로 보고 다시 검증한다. ### ⑩ 중단과 롤백 성능이 기준 이하로 떨어지거나 예상하지 못한 위험이 발생하면 자동실행을 중단한다. 이전에 검증된 모델이나 수동업무로 전환한다. ### ⑪ 폐기 더 이상 필요하지 않거나 대체된 모델을 운영환경에서 제거한다. * 모델 실행중지 * 접근권한 회수 * 배포파일 제거 * 관련 데이터 보존 또는 삭제 * 폐기사유와 영향 기록 * 작업절차 전환 ISO/IEC 5338:2023은 머신러닝과 휴리스틱 기반 AI 시스템의 정의와 통제, 관리, 실행 및 개선을 지원하는 생애주기 프로세스를 다룬다. 제조 AI도 개별 모델 파일이 아니라 데이터와 소프트웨어, 운영환경과 사람을 포함한 AI 시스템의 생애주기로 관리해야 한다. [ISO/IEC 5338:2023](https://www.iso.org/standard/81118.html) 전체 흐름을 정리하면 다음과 같다. **문제 정의** ↓ **데이터 준비** ↓ **모델 개발** ↓ **운영환경 검증** ↓ **등록과 승인** ↓ **Shadow Mode와 시험배포** ↓ **운영배포** ↓ **지속적 모니터링** ↓ **재학습 또는 롤백** ↓ **모델 폐기** 모델 운영의 핵심은 자동배포 기술이 아니다. **각 생애주기 단계에서 누가 무엇을 검증하고 승인하는지를 명확히 하는 것**이다. --- ## 5. 운영 중 무엇을 지속해서 감시해야 하는가 운영 중 모델을 감시한다고 서버가 실행 중인지 확인하는 것만으로는 부족하다. AI 시스템은 정상적으로 응답하면서도 잘못된 판단을 할 수 있기 때문이다. 다음의 여러 계층을 함께 감시해야 한다. ### ① 입력데이터 * 필수 데이터가 들어오는가 * 값이 정상범위에 있는가 * 시간과 순서가 맞는가 * 단위와 데이터 형식이 변경되지 않았는가 * 제품과 작업지시가 정확히 연결됐는가 * 학습 당시 분포와 얼마나 달라졌는가 ### ② 모델출력 * 예측값의 분포가 갑자기 변하지 않았는가 * 특정 등급의 판정만 지나치게 증가하지 않았는가 * 모델의 신뢰도가 낮아지지 않았는가 * 불확실한 결과가 증가하지 않았는가 * 설비와 제품별 편차는 없는가 ### ③ 정답과 결과 예측 당시에는 정답을 바로 알 수 없는 경우가 많다. 품질검사 결과가 몇 시간 뒤에 나오거나 설비고장이 몇 주 후에 발생할 수 있다. 따라서 예측과 실제결과를 나중에 연결하는 구조가 필요하다. * AI 판정과 최종 품질검사 * 고장예측과 실제 고장 * 정비추천과 실제 부품상태 * 생산계획 예측과 실제 완료시간 * 에너지 예측과 실제 사용량 ### ④ 시스템 상태 * 서비스 가용성 * 처리시간 * 자원사용량 * 네트워크 상태 * 데이터 적체 * API 오류 * Edge 장치의 상태 * 모델과 전처리 버전 ### ⑤ 실행과 승인 * AI가 어떤 행동을 추천했는가 * 작업자가 승인 또는 거부했는가 * 무엇을 수정했는가 * 실제로 어떤 명령이 실행됐는가 * 실행이 정상적으로 완료됐는가 * 이전 상태로 복구됐는가 ### ⑥ 제조 KPI * 모델 적용 전후의 불량률 * 생산중단과 정비시간 * 작업자의 대응시간 * 납기와 생산량 * 에너지와 재고 * 비용절감과 추가비용 ### ⑦ 위험지표 * 중요 불량의 미검출 * 위험한 오경보 * 자동실행 실패 * 승인되지 않은 변경 * 안전조건 접근 * Near-miss * 반복되는 작업자 거부 NIST AI RMF는 AI 위험관리를 Govern, Map, Measure, Manage의 네 기능으로 구성하고, AI 시스템의 성능과 신뢰성이 운영 중 변할 수 있으므로 지속적인 측정과 관리가 필요하다고 설명한다. [NIST AI Risk Management Framework 1.0](https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10) 모니터링 화면에 많은 그래프를 표시한다고 운영이 되는 것은 아니다. 각 지표에 다음이 정의되어야 한다. * 정상범위 * 경고기준 * 자동실행 중단기준 * 담당자 * 대응시간 * 원인분석 절차 * 복구와 재검증 조건 모니터링의 목표는 문제가 발생한 뒤 보고서를 만드는 것이 아니다. **모델이 신뢰할 수 있는 범위를 벗어나는 순간을 조기에 발견해 잘못된 판단이 제조실행으로 이어지는 것을 막는 것**이다. --- ## 6. 언제 모델을 다시 학습하고 교체해야 하는가 데이터가 변했다고 항상 모델을 다시 학습해야 하는 것은 아니다. 재학습은 비용과 시간이 필요하고 잘못 수행하면 기존보다 성능이 낮아질 수도 있다. 반대로 일정한 주기만 기다리면 성능이 떨어진 모델을 계속 사용하게 될 수 있다. 따라서 재학습 조건을 명확하게 정의해야 한다. ### ① 성능기준 이하 * 중요 불량의 미검출률이 허용기준을 초과했다. * 설비별 예측오차가 증가했다. * 고장 사전감지 시간이 짧아졌다. * 오경보가 증가해 작업자의 거부율이 높아졌다. ### ② 데이터 분포 변화 * 신제품이 일정 비율 이상 투입됐다. * 원재료 공급업체가 변경됐다. * 새로운 설비와 센서가 추가됐다. * 온습도와 생산속도의 범위가 학습조건을 벗어났다. ### ③ 제조공정 변경 * 설비가 개조됐다. * 금형과 공구가 변경됐다. * 공정조건과 작업표준이 개정됐다. * 검사장비와 판정기준이 달라졌다. ### ④ 새로운 불량과 고장유형 기존 모델이 알지 못하는 새로운 문제유형이 나타나면 기존 분류체계와 학습데이터를 수정해야 한다. ### ⑤ 데이터 충분성 확보 과거에는 고장데이터가 부족했지만 운영 중 충분한 사례가 축적됐을 수 있다. 이 경우 새로운 데이터를 이용해 성능을 개선할 수 있다. ### ⑥ 정기 재검토 명확한 성능저하가 없어도 일정 주기마다 다음을 검토한다. * 모델의 목적이 여전히 유효한가 * 현재 생산제품과 설비에 적합한가 * 다른 모델로 대체할 필요가 있는가 * 운영비용 대비 효과가 있는가 * 자동실행 권한을 유지해도 되는가 재학습 과정에서는 다음을 주의해야 한다. ### 최근 데이터만 사용하지 않는다 최근 조건에는 적합하지만 과거에 드물게 발생했던 중요한 불량과 고장유형을 잊을 수 있다. ### 작업자의 수정값을 무조건 정답으로 사용하지 않는다 작업자의 판단에도 오류와 개인차가 있을 수 있다. 수정이 발생한 이유와 승인여부를 확인해야 한다. ### 성능지표 하나만 비교하지 않는다 평균 정확도가 높아졌지만 중요한 불량의 미검출이 증가할 수 있다. ### 기존 모델과 동일한 조건에서 비교한다 데이터와 평가기준이 다르면 모델의 개선 여부를 정확하게 판단하기 어렵다. ### 재학습과 재배포를 구분한다 모델을 다시 학습했다고 자동으로 운영환경에 배포해서는 안 된다. 검증과 승인, Shadow Mode를 다시 거쳐야 한다. 모델의 재학습은 단순한 기술적 업데이트가 아니다. **변경된 제조조건에서도 새로운 모델에 판단과 실행권한을 다시 부여할 수 있는지 검증하는 변경관리 절차**다. --- ## 7. 새로운 모델은 어떻게 안전하게 배포해야 하는가 새로운 모델이 시험데이터에서 기존 모델보다 높은 성능을 보였다고 곧바로 모든 설비에 배포해서는 안 된다. 운영환경에서는 데이터와 하드웨어, 인터페이스와 작업절차가 다를 수 있다. 새 모델의 배포는 단계적으로 이루어져야 한다. ### ① Offline Evaluation 과거 운영데이터와 별도의 시험데이터를 이용해 기존 모델과 비교한다. * 전체 성능 * 제품별·설비별 성능 * 중요 오류 * 처리시간 * 불확실성 * 알려지지 않은 조건에서의 동작 ### ② Integration Test 모델을 둘러싼 전체 파이프라인을 시험한다. * 센서와 카메라 입력 * 데이터 전처리 * 모델 추론 * MES와 QMS 연결 * 알람과 작업지시 * 로그와 모니터링 * 장애와 복구 ### ③ Shadow Mode 새 모델이 실제 데이터를 처리하지만 결과를 생산에 적용하지 않는다. 기존 모델과 작업자의 판정을 비교한다. ### ④ Champion–Challenger 현재 운영 중인 모델을 Champion, 후보모델을 Challenger로 두고 동일한 조건에서 비교한다. 후보가 실제 운영데이터에서 우수하고 위험기준도 만족하는지 확인한다. ### ⑤ Canary Deployment 일부 제품과 설비, 일부 시간대에만 새 모델을 적용한다. 문제가 없을 때 적용범위를 단계적으로 확대한다. ### ⑥ 승인형 운영 초기에는 새 모델의 판단을 작업자가 확인하고 승인한 뒤 실행한다. 충분한 사례와 성과가 확인된 뒤 제한적인 자동실행을 허용한다. ### ⑦ 롤백 준비 배포 전에 다음을 준비한다. * 이전 모델 * 이전 전처리 로직 * 설정값 * 실행환경 * 복원절차 * 롤백 책임자 * 롤백 판단기준 ### ⑧ 배포 후 집중관찰 새 모델 배포 직후에는 평상시보다 더 자주 성능과 오류를 확인한다. 새로운 제품과 야간조, 고부하 운전과 같은 다양한 조건에서 검증해야 한다. 배포방식을 비교하면 다음과 같다. | 단계 | 현실에 미치는 영향 | 주요 목적 | | ----------- | ---------- | ------------- | | Offline 평가 | 없음 | 과거 데이터에서 성능비교 | | 통합시험 | 시험환경 | 전체 파이프라인 확인 | | Shadow Mode | 실행 없음 | 실제 데이터에서 비교 | | Canary | 일부 적용 | 제한된 범위에서 위험확인 | | 승인형 운영 | 사람 승인 후 실행 | 현장 신뢰성 검증 | | 자동실행 | 현실에 직접 반영 | 검증된 범위의 자율운영 | 새 모델의 배포는 소프트웨어 파일을 복사하는 일이 아니다. **새로운 판단주체가 제조운영에 참여하도록 권한을 부여하는 절차**다. --- ## 8. Edge에 흩어진 모델은 어떻게 관리해야 하는가 9회차에서 살펴본 것처럼 제조 AI 모델은 Cloud뿐 아니라 카메라와 센서, Machine Edge와 Factory Edge에 배포될 수 있다. 하나의 공장에 수십 또는 수백 개의 AI 모델이 운영될 수도 있다. 중앙관리가 없으면 다음과 같은 문제가 발생한다. * 같은 설비에 서로 다른 모델버전이 설치된다. * 승인되지 않은 시험모델이 운영환경에 남는다. * 어느 제품에 어떤 모델을 사용했는지 알 수 없다. * 일부 Edge만 업데이트되어 결과가 달라진다. * 취약한 라이브러리와 오래된 운영체제가 방치된다. * 문제가 생겨도 이전 모델로 복구할 수 없다. 따라서 Edge 모델의 자산관리와 배포관리가 필요하다. ### ① AI 자산목록 다음을 등록한다. * AI 시스템과 모델 * 배포된 Edge 장치 * 대상공장과 설비 * 적용제품 * 모델버전 * 소프트웨어와 라이브러리 * 모델 소유자 * 승인상태 * 운영기간 ### ② 모델과 데이터의 연결 어떤 데이터로 학습하고 검증했는지 추적한다. 운영 중 발생한 판정결과도 사용한 모델버전과 연결해야 한다. ### ③ 장치의 상태관리 * 하드웨어 사양 * 운영체제 * GPU와 가속기 * 저장공간 * 네트워크 * 온도와 전력 * 보안패치 * 인증서와 자격증명 ### ④ 서명된 배포물 모델과 실행프로그램, 설정파일의 출처와 무결성을 확인한다. 승인되지 않았거나 변조된 모델은 실행하지 않아야 한다. ### ⑤ 배포그룹 제품과 설비, 하드웨어 조건이 같은 Edge를 그룹으로 관리한다. 한 번에 전체 장치에 배포하지 않고 시험그룹과 운영그룹을 구분한다. ### ⑥ 통신단절 대응 Edge가 중앙과 연결되지 않아도 마지막으로 검증된 모델을 사용할 수 있어야 한다. 다만 유효기간을 초과하면 자동실행을 제한하거나 수동운영으로 전환해야 한다. ### ⑦ 원격 롤백과 현장복구 중앙에서 롤백할 수 있어야 하지만 네트워크 장애를 고려해 현장에서도 이전 버전으로 복구할 수 있어야 한다. ### ⑧ 사용종료 처리 폐기된 모델과 불필요한 계정, 인증서와 데이터를 Edge에서 제거한다. 중앙의 모델 저장소만 정리하고 현장장치에 파일을 남겨두어서는 안 된다. Edge 모델관리의 핵심은 모든 장치를 항상 최신버전으로 만드는 것이 아니다. 설비와 제품별로 검증된 버전이 다를 수 있기 때문이다. **어느 현장에서 어떤 모델이 어떤 근거와 승인으로 운영되고 있는지를 정확하게 알고 통제하는 것**이 중요하다. --- ## 9. 제조 AI 운영조직은 어떤 역할과 책임을 가져야 하는가 제조 AI 운영을 데이터분석팀이나 IT 부서에만 맡겨서는 안 된다. 모델성능은 데이터와 알고리즘뿐 아니라 제품과 공정, 설비와 품질기준에 의해 결정된다. 생산과 품질, 설비와 IT·OT, 보안과 경영이 함께 책임을 가져야 한다. ### ① AI 모델 소유자 모델의 목적과 성과, 운영여부에 책임을 진다. * 적용범위 * 목표 KPI * 운영예산 * 재검토와 폐기 결정 ### ② 공정·설비 전문가 모델의 판단이 제조현상과 일치하는지 검증한다. * 변수와 원인관계 * 적용조건 * 설비 허용범위 * 현장변경의 영향 * 작업자 피드백 ### ③ 품질담당자 * 라벨과 판정기준 * 중요 오류의 정의 * 품질규격 * 변경승인 * 고객 불량과 모델결과 연결 ### ④ 데이터·AI 담당자 * 데이터 파이프라인 * 모델 개발과 검증 * Drift 분석 * 재학습 * 기술적 성능 모니터링 ### ⑤ IT·OT 운영담당자 * 서버와 Edge 장치 * 네트워크와 인터페이스 * 배포와 롤백 * 가용성과 복구 * 기존 제조시스템 연계 ### ⑥ 보안담당자 * 계정과 권한 * 모델과 데이터 보호 * 취약점과 패치 * 보안사건 * 공급망과 외부솔루션 위험 ### ⑦ 현장 작업자 * AI 결과의 실제 활용 * 잘못된 판단의 보고 * 수정과 거부이유 기록 * 새로운 작업조건과 예외 공유 ### ⑧ AI 검토 또는 거버넌스 조직 위험과 영향이 큰 모델의 등록과 배포, 자동실행 권한과 폐기를 검토한다. 조직별 역할은 RACI와 같은 방식으로 명확히 할 수 있다. | 주요 활동 | 생산·공정 | 품질 | 데이터·AI | IT·OT | 보안 | 경영·거버넌스 | | ---------- | ----- | --- | ------ | ----- | -- | ------- | | 문제와 KPI 정의 | R | C | C | C | I | A | | 데이터와 라벨 검증 | C | A/R | R | C | I | I | | 모델 개발 | C | C | A/R | C | C | I | | 현장 검증 | A/R | R | C | R | C | I | | 모델 배포 | C | C | R | A/R | C | I | | 자동실행 승인 | R | R | C | C | C | A | | 성능 모니터링 | R | R | R | R | C | I | | 롤백·중단 | R | R | C | A/R | C | I | | 모델 폐기 | C | C | R | R | C | A | 기업의 조직구조와 모델의 위험수준에 따라 책임배분은 달라질 수 있다. 중요한 것은 문제가 발생했을 때 데이터팀과 현장, 공급업체가 서로 책임을 미루지 않도록 하는 것이다. ISO/IEC 42001:2023은 조직이 AI 시스템을 책임 있게 개발·제공·사용하기 위해 정책과 목표, 역할과 절차를 수립하고 유지하며 지속해서 개선하는 AI 경영시스템을 요구한다. 개별 모델의 기술관리뿐 아니라 조직 전체의 AI 거버넌스가 필요한 이유다. [ISO/IEC 42001:2023](https://www.iso.org/standard/42001) 제조 AI의 운영주체는 모델개발자 한 사람이 아니다. **모델의 판단을 데이터와 공정, 품질과 설비, 시스템과 조직이 공동으로 유지하는 운영체계**다. --- ## 10. 경영진은 모델 정확도보다 무엇을 확인해야 하는가 제조 AI 사업을 보고받을 때 경영진은 정확도와 투자비용, 도입설비 수를 확인하기 쉽다. 그러나 운영단계에서는 다른 질문이 필요하다. **첫째, 현재 운영 중인 AI 모델이 몇 개이며 어디에 배포되어 있는가.** 기업의 AI 자산목록이 있어야 한다. **둘째, 각 모델의 목적과 적용범위, 사용금지 조건이 정의되어 있는가.** 어떤 제품과 설비, 공정조건에서 사용할 수 있는지 명확해야 한다. **셋째, 모델의 성능을 현장에서 지속해서 측정하고 있는가.** 개발 당시의 시험성능이 아니라 현재 운영성능을 확인해야 한다. **넷째, AI 판정과 실제 품질·고장결과를 연결할 수 있는가.** 정답이 나중에 발생하는 경우에도 예측과 결과를 연결해야 한다. **다섯째, 데이터와 제조환경의 변화를 감지할 수 있는가.** 제품과 설비, 원재료와 검사기준의 변경이 모델에 미치는 영향을 확인해야 한다. **여섯째, 성능이 어느 수준까지 떨어지면 자동실행을 중단하는가.** 허용기준과 중단조건이 사전에 정의되어야 한다. **일곱째, 새 모델은 어떤 검증과 승인을 거쳐 배포되는가.** 시험성능만으로 전체 현장에 배포해서는 안 된다. **여덟째, 문제가 발생하면 이전 모델이나 수동업무로 복구할 수 있는가.** 롤백 절차와 복구시간을 실제로 시험해야 한다. **아홉째, 모델과 데이터, 운영결과에 대한 책임자가 지정되어 있는가.** 모델 소유자와 현장·품질·IT·보안의 역할을 구분해야 한다. **열째, 모델 운영비용을 포함해 실제 사업성과가 있는가.** 다음의 비용과 효과를 함께 확인해야 한다. * 모델 개발과 재학습 비용 * 데이터 라벨링과 품질관리 비용 * Cloud와 Edge 인프라 비용 * 모니터링과 장애대응 인력 * 불량과 정지시간 감소 * 검사와 점검시간 단축 * 고객 불량과 재작업 감소 * AI 오류로 인한 추가비용 * 작업자의 신뢰와 활용률 ISO/IEC 23894:2023은 AI를 개발·제공·배포·사용하는 조직이 AI 관련 위험관리를 기존 조직활동과 기능에 통합할 수 있도록 지침을 제공한다. 모델 운영도 별도의 기술업무가 아니라 기업 위험관리의 일부로 다루어야 한다. [ISO/IEC 23894:2023](https://www.iso.org/standard/77304.html) 경영진이 확인해야 할 것은 정확도가 높은 모델을 몇 개 만들었는가가 아니다. **현재 현장에서 어떤 AI가 판단하고 있으며, 그 판단을 조직이 계속 신뢰할 수 있는 상태로 관리하고 있는가**이다. --- ## 마치며 제조 AI 프로젝트에서는 모델을 만드는 일이 가장 어려워 보인다. 데이터를 수집하고 정제하며 적절한 알고리즘을 선택해야 한다. 모델을 학습하고 성능을 높이는 데도 많은 시간과 전문성이 필요하다. 그러나 모델을 실제 제조현장에 배포하면 더 긴 운영의 시간이 시작된다. 제품과 설비, 원재료와 작업환경은 계속 변한다. 센서와 카메라는 노후화되고 품질기준과 작업표준도 개정된다. 새로운 불량과 고장유형이 나타나며 AI를 실행하는 Edge와 Cloud 환경도 변경된다. 따라서 한 번 정확했던 모델이 계속 정확할 것이라고 가정할 수 없다. 결국 제조 AI 모델은 다음의 흐름으로 관리해야 한다. **제조문제와 목적을 정의한다.** **필요한 데이터와 품질기준을 정한다.** **모델을 개발하고 위험한 오류를 분석한다.** **실제 운영환경에서 성능과 안전성을 검증한다.** **모델과 적용범위, 제한조건을 등록한다.** **Shadow Mode와 단계적 배포를 거친다.** **데이터와 모델, 시스템과 제조성과를 지속해서 감시한다.** **성능이 떨어지면 원인을 구분한다.** **필요하면 재학습하고 다시 검증한다.** **위험기준을 벗어나면 자동실행을 중단한다.** **문제가 발생하면 이전 모델 또는 수동업무로 복구한다.** **사용가치가 없어진 모델은 안전하게 폐기한다.** 이 흐름이 연결될 때 AI 모델은 일회성 프로젝트의 산출물에서 제조운영의 자산으로 발전한다. 중요한 것은 모델을 자주 업데이트하는 것이 아니다. 현재 모델이 왜 유효하며 어떤 조건에서 사용할 수 있는지를 설명할 수 있어야 한다. 새 모델이 나왔다는 이유로 자동으로 교체해서도 안 된다. 제조현장에서 충분히 검증하고 이전 모델과 비교한 뒤 필요한 승인을 받아야 한다. MLOps 플랫폼을 도입한다고 운영문제가 자동으로 해결되는 것도 아니다. 도구는 모델과 데이터, 배포와 모니터링을 관리하는 데 도움을 준다. 그러나 어떤 성능을 허용할지, 언제 자동실행을 멈출지, 누가 재학습과 배포를 승인할지는 조직이 결정해야 한다. 제조 AI의 경쟁력은 가장 높은 정확도의 모델을 한 번 만드는 데 있지 않다. **변화하는 제조환경에서 모델의 신뢰성을 계속 측정하고, 성능이 떨어지기 전에 발견하며, 안전하게 개선하거나 중단할 수 있는가.** 바로 이것이 제조 AI 모델이 구축보다 운영이 더 어려운 이유이며, 자율제조 기업이 갖추어야 할 실질적인 AI 운영역량이다. 다음 글에서는 여러 AI 모델과 Agent, Digital Twin이 실제 제조운영에 참여할 때 필요한 책임과 통제체계를 살펴보고자 한다. AI가 생산계획과 공정조건을 바꾸고 설비의 행동에 영향을 준다면 누가 그 판단을 승인하고 결과에 책임져야 할까. **[자율제조 시리즈 ⑪] 자율제조 AI 거버넌스는 무엇을 통제해야 하는가?** --- ### 참고자료 * [NIST — Artificial Intelligence Risk Management Framework 1.0](https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10) * [NIST — AI RMF Core](https://airc.nist.gov/airmf-resources/airmf/5-sec-core/) * [NIST — AI RMF Playbook: Measure](https://airc.nist.gov/airmf-resources/playbook/measure/) * [NIST — AI RMF Playbook: Manage](https://airc.nist.gov/airmf-resources/playbook/manage/) * [ISO — ISO/IEC 42001:2023, Artificial Intelligence Management System](https://www.iso.org/standard/42001) * [ISO — ISO/IEC 23894:2023, Guidance on AI Risk Management](https://www.iso.org/standard/77304.html) * [ISO — ISO/IEC 5338:2023, AI System Life Cycle Processes](https://www.iso.org/standard/81118.html) * [ISO — ISO/IEC 5259-1:2024, Data Quality Overview and Terminology](https://www.iso.org/standard/81088.html) * [ISO — ISO/IEC 5259-2:2024, Data Quality Measures](https://www.iso.org/standard/81860.html) * [ISO — ISO/IEC 5259-3:2024, Data Quality Management Requirements and Guidelines](https://www.iso.org/standard/81092.html) * [ISO — ISO/IEC 5259-4:2024, Data Quality Process Framework](https://www.iso.org/standard/81093.html) * [ISO — ISO/IEC 5259-5:2025, Data Quality Governance Framework](https://www.iso.org/standard/84150.html)
2026-08-26
[자율제조 시리즈 ⑨] 자율제조는 왜 Edge AI와 Cloud AI를 함께 사용해야 하는가?
### 현장의 빠른 판단과 공장 전체의 지능을 연결하는 분산형 AI 구조 제조기업이 AI를 도입할 때 가장 먼저 결정해야 하는 것 중 하나는 AI를 어디에서 실행할 것인가이다. 공장에서 발생한 데이터를 클라우드로 전송하고 대규모 서버에서 분석할 수도 있다. 설비 옆에 설치한 산업용 컴퓨터나 Edge Gateway에서 AI를 실행할 수도 있으며, 카메라와 센서, 로봇과 같은 장치 자체에서 AI 모델을 실행할 수도 있다. 클라우드는 대규모 데이터를 저장하고 복잡한 모델을 학습하는 데 유리하다. 여러 공장과 생산라인의 데이터를 통합해 전사 생산계획과 공급망을 최적화할 수도 있다. 필요에 따라 컴퓨팅 자원을 확대하고 중앙에서 AI 모델을 관리하기에도 적합하다. 그러나 제조현장의 모든 판단을 클라우드에 맡길 수는 없다. 제품이 컨베이어를 빠르게 통과하는 동안 불량을 판정해야 하고, 작업자와 로봇이 위험하게 접근하면 즉시 움직임을 중단해야 한다. 설비의 진동이 급격하게 증가했을 때도 통신상태와 관계없이 현장에서 대응할 수 있어야 한다. 공장의 외부통신망이 끊기거나 클라우드 서비스에 장애가 발생했다고 해서 생산과 안전기능이 모두 중단되어서는 안 된다. 반대로 모든 AI 기능을 현장의 Edge에 설치하는 것도 효율적이지 않다. 복잡한 AI 모델을 학습하려면 많은 데이터와 컴퓨팅 자원이 필요하다. 여러 공장에 배포된 모델을 개별적으로 관리하면 버전과 보안, 성능을 일관되게 유지하기 어렵다. 따라서 다음과 같은 질문이 필요하다. **“Edge AI와 Cloud AI 가운데 무엇을 선택해야 하는가?”** 가 아니라, **“어떤 판단은 현장에서 수행하고, 어떤 판단은 중앙에서 수행하며, 두 결과를 어떻게 연결할 것인가?”** 자율제조에서 Edge와 Cloud는 서로를 대체하는 기술이 아니다. **Edge는 현장의 상태를 빠르게 인식하고 통신장애에도 필요한 판단을 수행하며, Cloud는 여러 현장의 데이터와 지식을 이용해 학습과 장기 최적화를 담당한다.** 이번 글에서는 자율제조가 왜 Edge AI와 Cloud AI를 함께 사용해야 하며, 두 영역의 역할과 데이터, 모델과 실행권한을 어떻게 나누어야 하는지 살펴보고자 한다. --- ### 목차 1. 제조 AI는 왜 실행위치가 중요한가 2. Device AI와 Edge AI, Cloud AI는 무엇이 다른가 3. 어떤 제조업무를 Edge에서 처리해야 하는가 4. Cloud AI는 자율제조에서 무엇을 담당하는가 5. Edge와 Cloud는 데이터와 모델을 어떻게 나누는가 6. 통신이 끊겨도 공장은 어떻게 안전하게 운영되는가 7. AI 모델은 Edge에 어떻게 배포하고 관리하는가 8. Edge–Cloud 연결에는 어떤 보안이 필요한가 9. 현실적인 Edge–Cloud 제조 AI 구축방법 10. 경영진은 AI의 위치보다 무엇을 확인해야 하는가 --- ## 1. 제조 AI는 왜 실행위치가 중요한가 같은 AI 모델이라도 어디에서 실행되는가에 따라 성능과 위험이 달라진다. 제품의 품질을 검사하는 비전 AI를 예로 들어보자. 카메라에서 촬영한 영상을 클라우드로 전송하고 판정결과를 다시 받아 불량품을 배출할 수 있다. 이 방식은 중앙의 높은 컴퓨팅 성능을 활용할 수 있다. 그러나 네트워크 지연과 데이터 전송시간이 생산속도보다 길어지면 제품이 배출위치를 지나간 뒤 결과가 도착할 수 있다. 통신이 일시적으로 끊기면 검사 자체가 중단될 수도 있다. 반대로 카메라 가까이에 있는 Edge 장치에서 AI를 실행하면 영상을 외부로 전송하지 않고 빠르게 결과를 얻을 수 있다. 통신이 끊겨도 검사를 계속할 수 있고 대용량 영상의 네트워크 사용량도 줄일 수 있다. 하지만 Edge 장치의 연산성능과 저장공간은 제한되어 있다. 복잡한 모델을 학습하거나 여러 공장의 데이터를 장기간 분석하는 데는 적합하지 않을 수 있다. AI의 실행위치를 결정할 때는 다음의 조건을 함께 고려해야 한다. ### ① 지연시간 데이터가 발생한 뒤 몇 밀리초 또는 몇 초 안에 판단해야 하는가. ### ② 통신 안정성 외부통신이 끊겨도 기능을 유지해야 하는가. ### ③ 데이터의 양 고해상도 영상과 고주파 진동처럼 전송량이 많은 데이터인가. ### ④ 데이터 보호 도면과 제품영상, 공정조건을 외부로 전송해도 되는가. ### ⑤ 컴퓨팅 요구량 모델을 실행하거나 학습하는 데 어느 정도의 CPU와 GPU, 메모리가 필요한가. ### ⑥ 판단의 범위 하나의 설비와 공정을 판단하는가, 공장 전체와 여러 사업장을 최적화하는가. ### ⑦ 실행의 위험 판단결과가 단순한 보고서에 사용되는가, 설비와 로봇의 동작을 변경하는가. ### ⑧ 유지관리 여러 현장에 배포된 모델과 소프트웨어를 어떻게 갱신하고 감시할 것인가. NIST의 Fog Computing 개념모델은 대규모·이기종 IoT 데이터를 모두 중앙 클라우드에서 처리할 경우 지연과 데이터 규모가 문제가 될 수 있으며, 컴퓨팅과 데이터 분석을 네트워크 가까이 분산하는 구조가 이를 보완할 수 있다고 설명한다. [NIST SP 500-325, Fog Computing Conceptual Model](https://csrc.nist.gov/pubs/sp/500/325/final) 결국 AI의 실행위치는 단순한 서버 배치문제가 아니다. **제조업무의 응답시간과 연속성, 데이터 보호와 실행위험을 결정하는 운영설계의 문제**다. --- ## 2. Device AI와 Edge AI, Cloud AI는 무엇이 다른가 현장 가까이에서 AI를 실행한다는 표현에는 여러 형태가 포함된다. 용어의 구분은 기술과 공급업체에 따라 다를 수 있지만, 제조현장의 실행위치를 기준으로 다음과 같이 이해할 수 있다. ### ① Device AI 또는 On-device AI 센서와 카메라, 로봇 또는 설비제어기와 같은 장치 자체에서 AI를 실행한다. 예를 들면 다음과 같다. * 스마트카메라의 외관불량 판정 * 진동센서의 이상주파수 감지 * 로봇의 물체인식 * 작업자 접근 감지 * 소형 MCU의 간단한 이상탐지 장점은 빠른 응답과 낮은 네트워크 의존성이다. 그러나 연산능력과 전력, 메모리와 저장공간이 제한되어 모델의 크기와 기능을 줄여야 할 수 있다. ### ② Machine Edge 개별 설비 또는 제조 셀 가까이에 설치된 산업용 컴퓨터에서 AI를 실행한다. * 설비별 예지보전 * 공정조건 이상탐지 * 비전검사 * 로봇셀 상태분석 * 실시간 품질예측 여러 센서와 장치의 데이터를 함께 분석할 수 있고 Device보다 높은 연산성능을 확보할 수 있다. ### ③ Factory Edge 생산라인이나 공장 내부의 Edge Server에서 여러 설비의 데이터를 통합해 처리한다. * 생산라인 병목분석 * 여러 비전검사 모델 운영 * 공장 내 AGV 배차 * 공정 간 품질추적 * 로컬 Digital Twin * 현장 AI Agent * 공장 에너지 최적화 공장 내부의 데이터를 외부로 보내지 않고 여러 설비의 관계를 분석할 수 있다. ### ④ Private Cloud 또는 On-premise Cloud 기업 내부 데이터센터나 사설 클라우드에서 여러 공장과 업무시스템을 통합한다. * 기업의 보안정책에 따른 중앙 AI 운영 * 전사 제조데이터 통합 * 대규모 모델 학습 * 공장 간 성능비교 * 기업 내부 지식그래프와 GraphRAG 데이터에 대한 통제력은 높지만 인프라 구축과 운영책임도 기업이 부담해야 한다. ### ⑤ Public Cloud 외부 클라우드의 컴퓨팅과 저장, AI 서비스를 이용한다. * 대규모 모델 학습 * 장기간 데이터 저장과 분석 * 여러 사업장의 통합 최적화 * 생성형 AI와 Foundation Model 활용 * 모델 배포와 운영관리 * 협력사와 공급망 연계 필요에 따라 자원을 확장할 수 있지만 네트워크와 비용, 데이터 보호와 서비스 종속성을 검토해야 한다. 역할을 간단히 비교하면 다음과 같다. | 구분 | 주요 역할 | 장점 | 주요 제약 | | ------------- | ------------ | ------------------- | ---------- | | Device AI | 장치 단위 즉시 판단 | 가장 빠른 응답, 통신 의존도 낮음 | 연산·메모리 제한 | | Machine Edge | 설비·셀 단위 분석 | 현장성, 비교적 높은 성능 | 장치별 관리 필요 | | Factory Edge | 라인·공장 단위 최적화 | 여러 설비 통합, 데이터 현장 유지 | 공장 인프라 필요 | | Private Cloud | 기업 내부 통합 | 데이터 통제, 전사 표준화 | 구축·운영비용 | | Public Cloud | 대규모 학습·확장 | 높은 컴퓨팅 성능과 확장성 | 네트워크·보안·비용 | 중요한 것은 기술적으로 명확한 경계선을 긋는 것이 아니다. 실제 시스템에서는 Device와 Machine Edge, Factory Edge와 Cloud가 계층적으로 연결될 수 있다. **판단에 필요한 데이터와 응답시간, 실행위험에 따라 가장 적절한 위치에 기능을 배치하는 것**이 중요하다. --- ## 3. 어떤 제조업무를 Edge에서 처리해야 하는가 모든 실시간 데이터가 Edge에서 AI로 처리되어야 하는 것은 아니다. PLC와 모션컨트롤러가 이미 안정적으로 수행하는 고속 제어를 AI로 바꿀 이유도 없다. Edge AI는 기존 제어시스템을 무조건 대체하는 기술이 아니라, 현장 가까이에서 추가적인 인식과 예측, 제한적 최적화를 제공하는 기술이다. 다음과 같은 제조업무는 Edge 처리가 유리하다. ### ① 빠른 응답이 필요한 품질검사 제품이 빠르게 이동하는 동안 불량을 판정하고 배출장치를 작동해야 한다. * 표면결함 검사 * 조립누락 확인 * 치수와 형상 판정 * 라벨과 문자 인식 * 용접상태 검사 * 포장상태 확인 고해상도 영상을 모두 클라우드로 전송하는 대신 Edge에서 판정하고 불량영상과 주요 특징만 중앙에 전송할 수 있다. ### ② 안전과 가까운 상황인식 * 작업자와 로봇의 위험접근 * 보호구 착용 확인 * 위험구역 침입 * 연기와 불꽃 감지 * 설비의 비정상 움직임 다만 AI의 영상판정만을 공식적인 안전기능으로 사용해서는 안 된다. 안전 PLC와 인터록, 비상정지와 같은 검증된 보호계층은 AI와 독립적으로 유지해야 한다. ### ③ 설비의 빠른 이상탐지 * 진동과 온도의 급격한 변화 * 전류와 토크 이상 * 압력과 유량 이상 * 공구 파손 * 모터와 베어링 상태 변화 Edge에서는 고주파 데이터를 실시간으로 분석하고 이상구간만 저장하거나 중앙으로 보낼 수 있다. ### ④ 공정 중 품질예측 검사가 완료될 때까지 기다리지 않고 생산 중 공정조건을 이용해 품질위험을 예측한다. * 사출성형 중량과 치수 예측 * 열처리 경도 예측 * 용접품질 예측 * 도금두께와 표면품질 예측 * 절삭공정의 가공품질 예측 ### ⑤ 로컬 물류와 이동체 운영 * AGV와 AMR의 경로조정 * 생산셀 간 자재이동 * 장애물과 작업자 감지 * 로컬 작업 우선순위 조정 공장 전체의 물류계획은 Factory Edge나 Cloud에서 최적화하고, 즉각적인 장애물 회피와 안전동작은 장치와 현장에서 처리할 수 있다. ### ⑥ 외부통신이 끊겨도 유지해야 하는 기능 * 비전검사 * 기본 이상탐지 * 생산실적 임시저장 * 현장 알람 * 로컬 작업지시 확인 * 제한된 공정조건 보정 ### ⑦ 외부반출이 제한되는 데이터 * 고객제품 영상 * 도면과 제조조건 * 국방·보안 관련 데이터 * 작업자 영상 * 핵심 공정의 레시피 * 영업비밀에 해당하는 생산정보 Edge에서는 원본데이터를 현장에 유지하고 판정결과와 통계, 익명화된 특징정보만 중앙으로 전송할 수 있다. NIST의 산업용 IoT Edge Deep Learning 연구는 대규모 데이터를 모두 Cloud로 보내 학습·분석할 경우 네트워크 혼잡과 성능저하가 발생할 수 있으며, Edge에서 처리하면 데이터 전송부담을 줄일 수 있음을 설명한다. [NIST, Towards Edge-Based Deep Learning in Industrial Internet of Things](https://www.nist.gov/publications/towards-edge-based-deep-learning-industrial-internet-things) Edge에서 처리할 업무는 단순히 “빠른 업무”로만 정해서는 안 된다. **통신이 끊겨도 계속해야 하며, 데이터가 발생한 위치에서 즉시 판단해야 하고, 원본데이터를 외부로 보내기 어려운 업무**를 우선해야 한다. --- ## 4. Cloud AI는 자율제조에서 무엇을 담당하는가 Edge AI가 현장의 빠른 판단을 담당한다고 해서 Cloud가 단순한 데이터 저장소로 남는 것은 아니다. Cloud AI는 개별 설비와 공장의 범위를 넘어 대규모 데이터와 장기간의 제조경험을 분석하는 역할을 담당한다. ### ① 대규모 모델 학습 AI 모델을 학습하려면 많은 데이터와 연산자원이 필요하다. * 비전검사 모델 학습 * 설비 고장예측 모델 학습 * 품질예측 모델 학습 * 수요예측과 생산계획 모델 학습 * 도메인 언어모델과 GraphRAG * 다공장 최적화 모델 Edge에서는 학습된 모델의 추론을 수행하고, Cloud에서는 여러 현장에서 수집한 데이터를 이용해 모델을 개선할 수 있다. ### ② 장기간 데이터 분석 Edge 장치는 저장공간이 제한될 수 있다. Cloud에서는 월별·연도별 데이터를 보관하고 다음을 분석할 수 있다. * 설비성능의 장기변화 * 계절과 제품구성의 영향 * 공장별 품질과 생산성 비교 * 부품수명과 교체주기 * 에너지와 탄소배출 * 공급업체와 원재료 LOT의 영향 ### ③ 여러 공장과 공급망의 최적화 Edge는 하나의 설비와 공장의 상태를 빠르게 판단하는 데 적합하다. 하지만 생산과 재고, 주문을 여러 사업장에 배분하려면 더 넓은 정보가 필요하다. * 공장별 생산능력 * 설비와 금형의 가용성 * 원재료와 부품재고 * 고객납기 * 물류시간과 비용 * 에너지 가격 * 공급망 위험 이러한 전사적 판단은 중앙의 Cloud 또는 기업 데이터센터가 담당하는 것이 적절하다. ### ④ 모델과 소프트웨어의 중앙관리 여러 Edge에 배포된 AI 모델을 중앙에서 관리한다. * 모델 등록과 승인 * 버전관리 * 배포대상 관리 * 성능 모니터링 * 업데이트와 롤백 * 취약점과 라이선스 관리 * 모델 폐기 ### ⑤ 제조지식과 AI Agent 운영 8회차에서 살펴본 제조 온톨로지와 지식그래프는 여러 시스템과 공장의 지식을 통합한다. Cloud 또는 중앙 플랫폼에서 다음을 관리할 수 있다. * 제품과 설비의 공통 의미모델 * 승인된 작업표준과 매뉴얼 * 전사 문제해결 사례 * AI Agent의 정책과 도구 * Agent의 실행이력과 평가 * 공장별 지식의 공유와 재사용 ### ⑥ Digital Twin과 대규모 시뮬레이션 복잡한 생산계획과 공급망, 공장 전체의 Digital Twin은 높은 연산량을 요구할 수 있다. 중앙에서 여러 시나리오를 비교한 뒤 현장에 최적화된 정책과 계획을 전달할 수 있다. ### ⑦ 전사 거버넌스와 감사 * 누가 어떤 모델을 승인했는가 * 어느 공장과 설비에 배포했는가 * 모델별 성능과 오류는 어떠한가 * 어떤 자동실행 권한을 가졌는가 * 문제발생 시 어떤 버전이 사용됐는가 NIST의 Cloud-enabled Prognosis 연구는 제조설비의 상태정보를 공간적으로 연결하고 Cloud 자원을 이용해 예지와 자원배분, 정비계획과 잔여수명 분석을 지원할 수 있는 가능성과 과제를 다룬다. [NIST, Cloud-Enabled Prognosis for Manufacturing](https://www.nist.gov/publications/cloud-enabled-prognosis-manufacturing) Cloud AI의 가치는 Edge보다 더 똑똑한 판단을 하는 데만 있지 않다. **여러 현장의 데이터를 모아 공통의 모델과 지식을 만들고, 이를 다시 각 Edge에 배포해 전체 제조조직의 판단수준을 높이는 것**에 있다. --- ## 5. Edge와 Cloud는 데이터와 모델을 어떻게 나누는가 Edge와 Cloud를 함께 사용하려면 어느 데이터를 어디에 저장하고, 어떤 모델을 어디에서 실행할지 정해야 한다. 모든 원본데이터를 중앙에 전송하거나 모든 데이터를 현장에만 보관하는 방식은 모두 한계가 있다. ### ① 데이터의 역할을 구분한다 **Edge에 유지할 데이터** * 실시간 센서 데이터 * 고해상도 원본영상 * 단기 생산상태 * 설비별 제어변수 * 통신단절 중 임시 데이터 * 외부반출 제한정보 **Cloud에 전송할 데이터** * 생산과 품질 KPI * 이상구간 데이터 * 대표 불량영상 * 모델의 판정결과 * 설비상태 요약 * 학습에 필요한 선별 데이터 * 모델 성능과 오류정보 **양쪽에서 관리할 데이터** * 제품과 설비 기준정보 * 모델버전 * 품질기준 * 작업규칙 * 승인된 설정범위 * 보안정책 * 데이터와 모델의 시간정보 ### ② 데이터의 흐름을 설계한다 정상운전 중에는 모든 고주파 데이터를 Cloud로 보낼 필요가 없다. Edge에서 전처리와 특징추출, 이벤트 탐지를 수행하고 필요한 정보만 전송할 수 있다. 예를 들어 진동데이터를 초당 수만 건 수집한다면 다음과 같이 처리할 수 있다. **Edge** * 원시 진동신호 수집 * 노이즈 제거 * FFT와 특징추출 * 이상점수 계산 * 이상구간 원본 보존 * 즉시 알람 **Cloud** * 설비별 특징 추세 분석 * 여러 설비의 패턴 비교 * 고장사례와 정비이력 연결 * 예측모델 재학습 * 새로운 모델 배포 ### ③ 학습과 추론을 구분한다 일반적으로 대규모 학습은 Cloud가 유리하고 빠른 추론은 Edge가 유리하다. 그러나 모든 경우가 같은 것은 아니다. 보안과 데이터 반출제한이 강하면 학습도 공장 내부에서 수행할 수 있다. 반대로 응답시간이 중요하지 않은 업무는 Cloud에서 추론할 수 있다. ### ④ 모델의 크기와 성능을 조정한다 Cloud에서 학습한 대규모 모델을 Edge에 그대로 배포하기 어려울 수 있다. 다음과 같은 방법으로 모델을 경량화할 수 있다. * Quantization * Pruning * Knowledge Distillation * 입력해상도와 특징 수 조정 * 모델구조 단순화 * Edge 가속기 최적화 다만 모델을 줄이면 정확도와 일반화 성능이 달라질 수 있으므로 경량화 이후 별도의 검증이 필요하다. ### ⑤ 판단권한을 구분한다 **Edge의 판단** * 즉시 이상감지 * 제품별 품질판정 * 제한된 공정조건 보정 * 통신장애 시 안전상태 유지 * 현장 작업자 알림 **Cloud의 판단** * 모델 재학습과 승인 * 생산계획 최적화 * 공장 간 작업배분 * 장기 정비전략 * 전사 품질과 공급망 분석 **공동 판단** * Cloud가 정책과 모델을 제공한다. * Edge가 현재상태에 맞게 실행한다. * Edge가 결과와 예외를 Cloud에 전달한다. * Cloud가 여러 현장의 결과로 모델을 개선한다. Edge–Cloud 구조의 핵심은 데이터를 어디에 많이 저장하는가가 아니다. **현장에서 필요한 판단은 중단 없이 수행하고, 현장의 경험은 중앙에서 학습한 뒤 다시 전체 현장에 확산시키는 순환구조를 만드는 것**이다. --- ## 6. 통신이 끊겨도 공장은 어떻게 안전하게 운영되는가 자율제조 시스템이 Cloud와 연결되면 통신장애를 반드시 가정해야 한다. 외부회선과 네트워크 장비, Cloud 서비스에는 장애가 발생할 수 있다. 계획정비와 보안사고, 설정오류로 연결이 중단될 수도 있다. 따라서 통신이 정상일 때만 작동하는 자율제조 구조는 운영시스템으로 보기 어렵다. ### ① 기본제어는 현장에 유지한다 설비의 기본운전과 안전기능은 PLC와 모션컨트롤러, 안전제어시스템에서 수행한다. Cloud 연결이 끊겨도 다음의 기능은 유지되어야 한다. * 설비 기본운전 * 인터록 * 비상정지 * 안전정지 * 온도와 압력의 보호제어 * 수동운전 전환 AI가 이러한 기능을 대신하도록 설계해서는 안 된다. ### ② 로컬 AI 기능을 구분한다 통신이 없어도 계속해야 하는 AI 기능을 Edge에 유지한다. * 비전검사 * 설비 이상탐지 * 현장 알람 * 제한된 품질예측 * 로컬 작업안내 ### ③ Cloud 의존 기능을 중지하거나 제한한다 Cloud 연결이 필요한 기능은 장애 시 사전에 정한 방식으로 전환한다. * 새로운 생산계획 수신 중단 * 모델 업데이트 중단 * 전사 최적화 대신 기존 계획 유지 * 자동발주 대신 담당자 확인 * 중앙 AI Agent의 실행 중지 ### ④ 마지막으로 검증된 상태를 사용한다 Edge에는 마지막으로 승인된 모델과 정책, 작업규칙을 보관한다. 다만 오래된 정책을 무기한 사용해서는 안 된다. 유효기간과 사용 가능한 조건을 정하고 이를 벗어나면 수동운영으로 전환한다. ### ⑤ 데이터를 임시 저장한다 통신이 끊긴 동안 발생한 생산과 품질, 설비데이터를 Edge에 저장한다. 통신이 복구되면 시간순서와 중복 여부를 확인한 뒤 중앙과 동기화한다. ### ⑥ 명령 충돌을 방지한다 통신이 복구된 뒤 Cloud의 이전 명령이 뒤늦게 실행되면 위험할 수 있다. 모든 명령에는 다음이 포함되어야 한다. * 명령 생성시간 * 유효기간 * 대상설비와 상태 * 모델과 정책버전 * 승인정보 * 중복실행 방지번호 ### ⑦ 안전한 저하운전 상태를 정의한다 통신장애 시 완전정지할 것인지, 생산속도를 낮출 것인지, 일부 제품만 생산할 것인지 정해야 한다. 이를 Fail-safe 또는 Graceful Degradation 관점에서 설계해야 한다. 예를 들면 다음과 같다. | 장애상황 | 기본 대응 | | -------------- | ----------------- | | Cloud 분석 연결 중단 | Edge의 기존 모델로 운전 | | 중앙 생산계획 수신 중단 | 마지막 승인계획 유지 | | 모델 유효기간 초과 | AI 자동실행 중지 | | Edge Server 장애 | PLC 기본제어와 수동운영 전환 | | 데이터 동기화 실패 | 변경작업 보류 및 담당자 확인 | | 품질판정 불가 | 제품 격리 또는 생산중지 | 자율제조의 연속성은 모든 기능이 항상 작동하는 데 있지 않다. **일부 기능에 장애가 발생해도 안전에 중요한 기능을 유지하고, 위험한 자동실행은 중단하며, 사람이 통제할 수 있는 상태로 전환하는 것**에 있다. --- ## 7. AI 모델은 Edge에 어떻게 배포하고 관리하는가 AI 모델은 한 번 설치한 뒤 계속 사용하는 소프트웨어가 아니다. 제품과 원재료, 조명과 카메라, 설비상태가 바뀌면 모델의 성능도 달라질 수 있다. 여러 Edge에 배포된 모델을 개별적으로 관리하면 어느 설비가 어떤 모델을 사용하는지 확인하기 어려워진다. 따라서 Edge AI에는 모델의 개발과 배포, 감시와 재학습을 관리하는 운영체계가 필요하다. ### ① 모델 등록 다음의 정보를 중앙 모델 저장소에 기록한다. * 모델명과 버전 * 개발자와 책임부서 * 학습데이터 범위 * 대상제품과 설비 * 입력과 출력 형식 * 성능지표 * 제한조건 * 승인상태 * 보안검사 결과 ### ② 운영조건별 검증 Cloud에서 정확도가 높았다는 이유만으로 Edge에 배포해서는 안 된다. 실제 카메라와 센서, Edge 하드웨어에서 다음을 확인해야 한다. * 추론시간 * 메모리와 CPU·GPU 사용량 * 온도와 전력 * 장시간 운영 안정성 * 제품별 정확도 * 오탐과 미탐 * 네트워크 단절 시 동작 * 기존 제어시스템과의 연결 ### ③ 승인과 배포 검증된 모델만 지정된 Edge에 배포한다. 모든 공장과 설비에 동시에 배포하기보다 소수 장비에서 먼저 운영하는 방식이 안전하다. ### ④ Shadow Mode 새 모델이 판정은 수행하지만 실제 설비에는 반영하지 않도록 한다. 기존 모델과 새 모델의 결과, 작업자의 판정을 비교한다. ### ⑤ 단계적 전환 * 시험설비에 배포한다. * 일부 제품에 적용한다. * 작업자 승인 아래 사용한다. * 성과가 확인되면 적용범위를 확대한다. * 충분히 검증된 판단만 자동실행한다. ### ⑥ 성능 모니터링 Edge는 다음의 정보를 중앙에 전달한다. * 추론 횟수 * 처리시간 * 모델의 신뢰도 * 오탐과 미탐 * 작업자의 수정 * 입력데이터 변화 * 시스템 자원사용량 * 장애와 재시작 * 모델버전 ### ⑦ Drift 감지 제품과 환경의 변화로 입력데이터의 분포와 모델성능이 달라지는지 확인한다. * 신제품 투입 * 카메라와 조명 변경 * 설비부품 교체 * 원재료 공급업체 변경 * 계절과 온습도 변화 * 작업조건 변경 ### ⑧ 롤백 새 모델에서 문제가 발생하면 이전에 검증된 버전으로 복원할 수 있어야 한다. 모델뿐 아니라 전처리 로직과 설정값, 실행프로그램을 함께 관리해야 한다. ### ⑨ 재학습과 재승인 Edge에서 수집한 오류사례와 새로운 데이터를 중앙에서 검토하고 모델을 재학습한다. 재학습한 모델은 새로운 모델로 보고 다시 검증과 승인절차를 거쳐야 한다. 전체 흐름은 다음과 같다. **현장 데이터와 오류사례 수집** ↓ **Cloud에서 데이터 검토와 모델 학습** ↓ **성능·안전·보안 검증** ↓ **모델 승인과 서명** ↓ **선별된 Edge에 시험배포** ↓ **Shadow Mode와 현장검증** ↓ **운영배포** ↓ **성능과 Drift 모니터링** ↓ **문제발생 시 롤백** 이러한 과정을 일반적으로 MLOps 또는 Edge MLOps의 범위에서 다룬다. 그러나 도구를 도입하는 것만으로 운영체계가 만들어지는 것은 아니다. **누가 모델을 개발하고, 누가 승인하며, 어느 조건에서 배포·중단·폐기할지를 조직적으로 정의해야 한다.** --- ## 8. Edge–Cloud 연결에는 어떤 보안이 필요한가 Edge AI를 설치하면 기존 OT와 외부 Cloud 사이에 새로운 연결경로가 만들어진다. Edge 장치는 PLC와 센서, 카메라에 접근하면서 동시에 중앙 서버와 통신할 수 있다. 따라서 잘못 구성된 Edge는 IT와 OT 사이의 공격경로가 될 수 있다. 보안은 Edge 장비에 백신을 설치하는 수준으로 해결되지 않는다. ### ① 네트워크 구역과 통신경로를 분리한다 * 설비제어망 * 생산운영망 * Edge AI 구역 * 산업 DMZ * 기업 IT망 * Cloud 연결구역 Edge가 모든 구역에 자유롭게 접근하지 않도록 한다. 필요한 데이터와 명령만 정해진 경로로 전달해야 한다. ### ② 기본 통신방향을 제한한다 가능하면 Edge가 중앙으로 필요한 데이터를 전송하고, 중앙에서 OT 내부로 직접 접속하는 구조를 최소화한다. Cloud의 명령도 Edge의 검증계층과 승인절차를 거쳐야 한다. ### ③ 장치와 소프트웨어의 신원을 확인한다 * 장치별 인증서 * 상호인증 * 안전한 부팅 * 서명된 소프트웨어와 모델 * 장치 무결성 확인 * 만료된 자격증명 폐기 ### ④ 최소권한을 적용한다 비전검사 Edge가 생산계획을 변경하거나 PLC 프로그램을 수정할 권한을 가질 필요는 없다. 데이터와 도구, 설비별로 권한을 세분화해야 한다. ### ⑤ 데이터와 명령을 보호한다 * 전송구간 암호화 * 저장데이터 암호화 * 명령의 출처와 무결성 확인 * 재전송 공격 방지 * 중요정보의 마스킹과 익명화 * 데이터 보존기간 관리 ### ⑥ 모델을 보호한다 AI 모델은 기업의 제조지식과 학습데이터를 포함한 자산이다. * 모델 파일 암호화 * 복제와 유출 방지 * 승인되지 않은 모델 실행차단 * 모델 변조 확인 * 악성 입력과 적대적 공격 감시 * 오픈소스 구성요소와 취약점 관리 ### ⑦ 패치와 업데이트를 통제한다 Edge 소프트웨어를 업데이트할 때 생산이 중단되거나 기존 설비와 호환성 문제가 발생할 수 있다. 시험환경에서 검증하고 계획된 시간에 배포해야 한다. 문제가 생기면 이전 버전으로 복원할 수 있어야 한다. ### ⑧ 보안사건과 안전영향을 함께 본다 AI 모델이나 Edge 장치가 공격받으면 잘못된 품질판정과 설비명령으로 이어질 수 있다. 따라서 보안사건의 영향을 정보유출뿐 아니라 다음의 관점에서 평가해야 한다. * 제품품질 * 설비가용성 * 작업자 안전 * 환경 * 생산과 납기 ISA/IEC 62443 시리즈는 산업자동화·제어시스템의 수명주기 전반에 걸친 보안과 이해관계자의 공동책임, 위험기반 보호를 다룬다. 2024년 개정된 ANSI/ISA-62443-2-1은 자산소유자의 IACS 보안프로그램을 수립·운영하고 지속해서 개선하기 위한 요구사항과 성숙도 모델을 제시한다. [ISA/IEC 62443 시리즈](https://www.isa.org/standards-and-publications/isa-standards/isa-iec-62443-series-of-standards), [ANSI/ISA-62443-2-1-2024 개정 안내](https://www.isa.org/news-press-releases/2025/january/update-to-isa-iec-62443-standards-addresses-organi) ISA와 ISASecure의 IIoT 보안자료도 Cloud와 Edge-Cloud 기능을 산업제어환경에 적용할 때 ISA/IEC 62443 기반의 역할과 서비스, 적합성 검토가 필요하다고 설명한다. [ISA, IIoT System Implementation and Certification](https://www.isa.org/news-press-releases/2024/july/isa-white-paper-on-iiot-systems-addresses-unique-c) Edge–Cloud 보안의 목표는 연결을 모두 차단하는 것이 아니다. **생산에 필요한 연결만 허용하고, 연결된 주체와 명령을 확인하며, 침해가 발생해도 OT 전체로 확산되지 않도록 만드는 것**이다. --- ## 9. 현실적인 Edge–Cloud 제조 AI 구축방법 Edge–Cloud 구조를 구축한다고 처음부터 모든 설비의 데이터를 중앙에 연결할 필요는 없다. 하나의 제조문제와 하나의 생산라인을 선택하고, 현장판단과 중앙학습의 순환구조를 만드는 것이 현실적이다. 예를 들어 사출성형과 비전검사 라인의 불량을 줄이는 사업을 다음과 같이 추진할 수 있다. ### ① 문제와 목표를 정의한다 > *“비전검사의 미검출을 줄이고, 공정조건과 검사결과를 연결해 불량발생을 조기에 예측한다.”* 목표 KPI를 정한다. * 미검출률 * 오검출률 * 불량률 * 판정시간 * 검사중단시간 * 데이터 전송량 * 모델 업데이트 소요시간 ### ② 응답시간과 연속성을 정한다 제품의 판정결과가 몇 밀리초 또는 몇 초 안에 나와야 하는지 정한다. 외부통신이 끊겼을 때도 비전검사를 계속해야 하는지 확인한다. ### ③ Edge와 Cloud의 역할을 구분한다 **Edge** * 카메라 영상 수집 * 영상 전처리 * 제품별 불량판정 * 불량품 배출신호 * 원본영상 임시저장 * 통신장애 시 로컬운영 **Cloud 또는 중앙 플랫폼** * 불량영상과 정상샘플 관리 * 모델 학습과 성능비교 * 제품별 모델 관리 * 여러 라인의 성능분석 * 모델 승인과 배포 * 장기 품질추세 분석 ### ④ 기존 제어시스템과의 경계를 정한다 AI는 불량 가능성을 판정한다. PLC는 센서와 생산위치를 확인하고 배출장치를 제어한다. AI가 응답하지 않거나 신뢰도가 낮으면 제품을 별도로 격리하도록 한다. ### ⑤ 최소 데이터부터 연결한다 * 제품과 작업지시 * 촬영시간 * 카메라와 라인 * AI 판정결과 * 검사자의 최종판정 * 불량유형 * 모델버전 공정조건과 원재료 LOT는 단계적으로 연결한다. ### ⑥ Edge에서 기준모델을 운영한다 첫 번째 모델은 실제 실행 없이 Shadow Mode로 운영한다. 작업자와 기존 검사장비의 결과를 비교한다. ### ⑦ 오류사례를 중앙에 축적한다 * AI가 놓친 불량 * 정상을 불량으로 판단한 사례 * 새로운 불량유형 * 조명과 위치 변화 * 작업자가 판정을 수정한 사례 ### ⑧ Cloud에서 모델을 개선한다 여러 기간과 제품의 데이터를 이용해 재학습하고 기존 모델과 성능을 비교한다. 평균 정확도뿐 아니라 중요한 불량유형의 미검출을 별도로 평가한다. ### ⑨ 단계적으로 배포한다 * 시험용 Edge에 배포 * 일부 제품에 적용 * 작업자 승인 아래 사용 * 기준을 만족하면 자동판정 * 문제가 발생하면 이전 모델로 롤백 ### ⑩ 운영성과를 확인한다 기술적 성능뿐 아니라 실제 제조성과를 비교한다. * 불량유출이 감소했는가 * 불필요한 재검사가 줄었는가 * 판정속도가 생산속도를 만족하는가 * 통신장애에도 검사가 유지되는가 * 모델관리 업무가 표준화됐는가 * 운영비용이 절감됐는가 이 구조가 안정되면 예지보전과 공정조건 최적화, 에너지와 생산계획으로 확대할 수 있다. 현실적인 구축순서는 다음과 같다. **제조문제와 응답시간 정의** ↓ **Edge와 Cloud 역할분담** ↓ **최소 데이터 연결** ↓ **Edge 추론과 로컬운영** ↓ **Cloud 학습과 중앙관리** ↓ **Shadow Mode 검증** ↓ **승인된 모델 배포** ↓ **성능·보안·장애 모니터링** ↓ **현장결과를 이용한 재학습** ↓ **적용범위 확대** 중요한 것은 Edge 장비와 Cloud 서비스를 먼저 구매하는 것이 아니다. **하나의 제조업무에서 현장의 빠른 판단과 중앙의 학습이 반복되는 운영순환을 먼저 설계하는 것**이다. --- ## 10. 경영진은 AI의 위치보다 무엇을 확인해야 하는가 Edge AI와 Cloud AI 사업을 보고받으면 장비의 성능과 서버규모, 네트워크 속도에 관심을 두기 쉽다. 그러나 기술사양만으로 자율제조의 성과와 안정성을 판단할 수는 없다. 다음과 같은 질문이 필요하다. **첫째, 어떤 제조판단을 Edge에서 수행하는가.** 빠른 응답과 통신독립성이 실제로 필요한 업무인지 확인해야 한다. **둘째, 어떤 기능을 Cloud에서 수행하는가.** 대규모 학습과 장기분석, 다공장 최적화와 중앙 모델관리처럼 Cloud의 장점이 필요한지 확인해야 한다. **셋째, 판단에 필요한 응답시간은 얼마인가.** “실시간”이라는 모호한 표현 대신 업무별 허용지연시간을 정해야 한다. **넷째, 외부통신이 끊기면 어떤 기능이 유지되는가.** 설비운전과 안전, 품질검사와 생산계획이 어떤 상태로 전환되는지 확인해야 한다. **다섯째, 어떤 데이터를 현장에 남기고 어떤 데이터를 중앙으로 보내는가.** 원본영상과 공정조건, 고객정보와 작업자 데이터의 보호정책이 필요하다. **여섯째, Edge에 배포된 모델은 누가 승인하고 관리하는가.** 모델버전과 적용설비, 유효기간과 롤백 절차를 확인해야 한다. **일곱째, 모델의 성능저하를 어떻게 발견하는가.** 제품과 환경, 설비가 변경될 때 정확도와 처리성능을 지속해서 감시해야 한다. **여덟째, AI와 기존 제어시스템의 경계는 명확한가.** PLC와 안전시스템이 담당하는 기능을 AI가 임의로 우회하지 않아야 한다. **아홉째, Edge와 Cloud의 보안책임은 누구에게 있는가.** 설비담당자와 IT, 보안부서, 공급업체와 Cloud 사업자의 역할을 구분해야 한다. **열째, Edge–Cloud 구조가 실제 제조성과를 개선했는가.** 다음의 KPI를 확인해야 한다. * 판정과 대응시간 * 불량과 미검출 * 비계획 정지 * 네트워크 사용량 * Cloud 전송·저장비용 * 통신장애 중 운영시간 * 모델 배포와 복구시간 * 보안사건과 운영장애 * AI 도입 전후의 생산성 * 현장 작업자의 업무부담 경영진이 결정해야 할 것은 Edge와 Cloud 중 어느 기술이 더 우수한가가 아니다. **업무별로 필요한 속도와 안정성, 데이터와 위험에 맞게 AI의 역할이 배치되어 있는가**이다. --- ## 마치며 자율제조에서 모든 AI를 Cloud에 두는 것은 현실적이지 않다. 현장에는 수십 밀리초 또는 수초 안에 판단해야 하는 업무가 있다. 고해상도 영상과 고주파 센서데이터를 모두 외부로 전송하면 네트워크와 저장비용이 증가한다. 통신이 끊겨도 품질검사와 이상탐지, 기본 생산기능을 유지해야 한다. 그렇다고 모든 AI를 Edge에 설치하는 것도 효율적이지 않다. 복잡한 모델을 학습하고 여러 공장과 장기간의 데이터를 분석하려면 중앙의 컴퓨팅 자원과 통합된 데이터가 필요하다. 수많은 Edge에 배포된 모델과 정책을 일관되게 관리할 중앙체계도 필요하다. 결국 자율제조의 AI 구조는 다음과 같이 역할을 나누어야 한다. **Device는 가장 가까운 곳에서 감지하고 반응한다.** **Machine Edge는 개별 설비와 제조 셀의 상태를 판단한다.** **Factory Edge는 생산라인과 공장 내부의 데이터를 연결한다.** **Cloud는 여러 공장과 장기간의 데이터를 학습한다.** **Cloud에서 개선한 모델과 지식을 다시 Edge에 배포한다.** **Edge는 현장의 실행결과와 예외를 중앙으로 전달한다.** **중앙은 그 경험을 이용해 다음 모델과 정책을 개선한다.** 이 흐름이 연결될 때 Edge와 Cloud는 하나의 제조지능으로 작동한다. 중요한 것은 모든 데이터를 실시간으로 중앙에 모으는 것이 아니다. 모든 설비에 고성능 Edge 장비를 설치하는 것도 아니다. **판단이 필요한 시간과 장소에서 필요한 AI가 작동하고, 현장의 경험이 중앙에서 학습된 뒤 다시 전체 현장에 확산되도록 만드는 것**이 중요하다. Edge AI는 현장을 Cloud로부터 독립시키기 위한 기술만은 아니다. Cloud AI도 현장을 중앙에 종속시키기 위한 기술이 아니다. Edge는 현장에 필요한 속도와 연속성을 제공하고, Cloud는 개별 현장에서 만들기 어려운 규모의 학습과 최적화를 제공한다. 자율제조의 경쟁력은 AI를 어디에 설치했는가로 결정되지 않는다. **현장의 빠른 판단과 중앙의 장기학습을 얼마나 안정적이고 안전하게 연결할 수 있는가.** 바로 이것이 자율제조가 Edge AI와 Cloud AI를 함께 사용해야 하는 이유다. 다음 글에서는 Edge와 Cloud에 배포된 수많은 AI 모델을 어떻게 지속해서 관리해야 하는지 살펴보고자 한다. 정확도가 높았던 모델도 제품과 설비, 원재료와 환경이 바뀌면 성능이 떨어질 수 있다. 누가 이를 발견하고 다시 학습하며, 어느 시점에 자동실행을 중단해야 할까. **[자율제조 시리즈 ⑩] 제조 AI 모델은 왜 구축보다 운영이 더 어려운가?** --- ### 참고자료 * [NIST — Fog Computing Conceptual Model, SP 500-325](https://csrc.nist.gov/pubs/sp/500/325/final) * [NIST — Towards Edge-Based Deep Learning in Industrial Internet of Things](https://www.nist.gov/publications/towards-edge-based-deep-learning-industrial-internet-things) * [NIST — Cloud-Enabled Prognosis for Manufacturing](https://www.nist.gov/publications/cloud-enabled-prognosis-manufacturing) * [NIST — Scalable Data Pipeline Architecture to Support the Industrial Internet of Things](https://www.nist.gov/publications/scalable-data-pipeline-architecture-support-industrial-internet-things) * [NIST — Standard Connections for IIoT-Empowered Smart Manufacturing](https://www.nist.gov/publications/standard-connections-iiot-empowered-smart-manufacturing) * [NIST — Industrial Wireless 5G Testbed](https://www.nist.gov/programs-projects/nist-industrial-wireless-5g-testbed) * [5G-ACIA — Industrial 5G Edge Computing: Use Cases, Architecture and Deployment](https://5g-acia.org/whitepapers/industrial-5g-edge-computing-use-cases-architecture-and-deployment/) * [ISA — ISA/IEC 62443 Series of Standards](https://www.isa.org/standards-and-publications/isa-standards/isa-iec-62443-series-of-standards) * [ISA — ANSI/ISA-62443-2-1-2024 개정 안내](https://www.isa.org/news-press-releases/2025/january/update-to-isa-iec-62443-standards-addresses-organi) * [ISA — IIoT System Implementation and Certification Based on ISA/IEC 62443](https://www.isa.org/news-press-releases/2024/july/isa-white-paper-on-iiot-systems-addresses-unique-c)
2026-08-25
[자율제조 시리즈 ⑧] 제조 온톨로지와 지식그래프는 왜 AI Agent의 판단 기반이 되는가?
### 데이터를 찾는 AI에서 제조의 의미와 관계를 이해하는 AI로 제조기업에는 많은 데이터와 문서가 존재한다. ERP에는 제품과 주문, 구매와 재고정보가 저장되어 있다. MES에는 작업지시와 생산실적이 있고, QMS에는 검사결과와 불량이력, CMMS에는 설비고장과 정비이력이 축적된다. PLM에는 제품사양과 도면, BOM이 있으며 설비매뉴얼과 작업표준서, 품질기준서는 파일서버와 문서관리시스템에 저장되어 있다. 데이터는 적지 않다. 그러나 AI Agent가 제조문제를 해결하려고 하면 예상하지 못한 문제가 드러난다. 같은 설비가 시스템마다 다른 이름으로 관리된다. 제품코드와 품질검사 코드가 일치하지 않고, 설비의 알람과 정비작업이 연결되지 않는다. 작업표준서에는 “기준온도를 유지한다”고 적혀 있지만 어느 센서의 온도인지, 어떤 제품과 공정에 적용되는 기준인지 명확하지 않을 수 있다. 사람은 현장의 경험을 통해 이러한 차이를 이해한다. “사출 3호기”, `MC-003`, `INJ-03`, `LINE2_PLC03`이 같은 설비라는 것을 알고 있다. “중량편차 증가”가 원재료의 수분이나 보압조건, 체크링 마모와 관련될 수 있다는 것도 경험으로 판단한다. 그러나 AI는 별도의 연결정보가 없으면 이를 서로 다른 대상으로 인식한다. 문서를 검색해 관련된 문장을 찾는 것만으로도 한계가 있다. 검색된 문장이 어느 제품과 설비, 공정조건에 적용되는지 판단하려면 데이터 사이의 의미와 관계를 알아야 한다. 따라서 다음과 같은 질문이 필요하다. **“AI가 필요한 데이터를 찾을 수 있는가?”** 뿐만 아니라, **“AI가 찾은 데이터가 무엇을 의미하며 서로 어떤 관계가 있는지 이해할 수 있는가?”** 온톨로지와 지식그래프는 이 문제를 해결하기 위한 제조 지식의 기반이다. 온톨로지는 제품과 설비, 공정과 품질의 개념과 관계, 제약조건을 정의한다. 지식그래프는 이 정의를 바탕으로 실제 제품과 설비, 작업지시와 고장사례를 연결한다. 자율제조에서 온톨로지와 지식그래프는 단순한 검색기술이나 새로운 데이터베이스가 아니다. **흩어진 제조데이터에 공통된 의미와 관계를 부여해 AI Agent가 상황을 해석하고 판단할 수 있도록 만드는 제조 지식계층**이다. 이번 글에서는 제조 온톨로지와 지식그래프가 왜 AI Agent의 판단 기반이 되는지 살펴보고자 한다. --- ### 목차 1. 데이터가 많은데도 AI Agent가 제조현장을 이해하지 못하는 이유 2. 기준정보와 데이터베이스만으로 해결하기 어려운 문제 3. 온톨로지와 지식그래프는 무엇이 다른가 4. 제조 지식그래프에는 무엇을 연결해야 하는가 5. 온톨로지는 AI Agent의 질문을 어떻게 판단으로 바꾸는가 6. 검색형 RAG와 GraphRAG는 어떻게 다른가 7. 제조지식의 추론결과는 어떻게 검증해야 하는가 8. 제조 온톨로지와 기존 표준은 어떻게 연결되는가 9. 현실적인 제조 지식그래프 구축방법 10. 경영진은 데이터 플랫폼보다 무엇을 확인해야 하는가 --- ## 1. 데이터가 많은데도 AI Agent가 제조현장을 이해하지 못하는 이유 AI Agent는 데이터를 조회하고 문서를 검색할 수 있다. 그러나 데이터를 찾는 것과 제조상황을 이해하는 것은 다르다. 예를 들어 사출기 3호기에서 제품 A의 중량편차가 증가했다고 가정해보자. AI Agent가 원인을 판단하려면 다음의 관계를 확인해야 한다. * 제품 A는 어느 작업지시로 생산되고 있는가 * 작업지시는 어떤 공정과 설비를 사용하는가 * 어떤 금형과 원재료 LOT가 투입됐는가 * 중량에 영향을 주는 주요 공정변수는 무엇인가 * 현재값과 제품별 표준조건의 차이는 얼마인가 * 해당 설비에서 최근 어떤 정비가 이루어졌는가 * 과거의 동일 불량은 어떤 원인으로 발생했는가 * 어떤 대응조치가 효과가 있었는가 * 공정조건을 변경하려면 누구의 승인이 필요한가 이 정보는 하나의 시스템에 존재하지 않는다. 제품과 작업지시는 MES에 있고, 원재료 LOT는 ERP나 창고관리시스템에 있을 수 있다. 검사결과는 QMS에, 설비상태는 PLC와 SCADA에, 정비이력은 CMMS에 저장되어 있다. 과거의 문제해결 경험은 보고서나 작업자의 기억 속에 남아 있을 수도 있다. 데이터 형식도 다르다. 센서 데이터는 시간에 따라 연속적으로 생성되고, 작업지시는 테이블 형태로 저장된다. 도면은 CAD 파일이며 작업표준은 PDF나 문서파일이다. 또한 같은 용어의 의미가 부서마다 다를 수 있다. “가동률”이 생산부서에서는 계획시간 대비 실제 운전시간을 의미하지만, 설비보전부서에서는 비계획 정지를 제외한 시간으로 계산될 수 있다. “불량률”도 생산수량을 기준으로 하는지 검사수량을 기준으로 하는지에 따라 값이 달라진다. 사람은 문맥과 경험으로 이러한 차이를 보완한다. 하지만 AI Agent는 다음의 내용을 명시적으로 제공받아야 한다. * 같은 대상을 나타내는 서로 다른 명칭 * 제품과 설비, 공정의 계층구조 * 데이터 항목의 정의와 단위 * 공정변수와 품질특성의 관계 * 원인과 증상, 대응조치의 관계 * 규칙이 적용되는 조건과 범위 * 데이터와 문서의 출처와 유효기간 이 정보가 없으면 AI Agent는 관련된 데이터를 많이 찾더라도 하나의 제조사건으로 연결하기 어렵다. 결국 AI가 제조현장을 이해하지 못하는 이유는 데이터가 부족해서만이 아니다. **데이터가 무엇을 의미하고 서로 어떻게 연결되는지를 설명하는 지식구조가 부족하기 때문**이다. --- ## 2. 기준정보와 데이터베이스만으로 해결하기 어려운 문제 제조기업은 이미 제품코드와 설비코드, 불량코드와 같은 기준정보를 관리하고 있다. 데이터베이스에는 테이블과 컬럼, 키와 관계가 정의되어 있다. 그렇다면 온톨로지와 지식그래프가 별도로 필요한 이유는 무엇일까. 먼저 각각의 역할을 구분할 필요가 있다. ### ① 기준정보 기준정보는 제조업무에서 공통으로 사용하는 대상을 일관된 코드와 명칭으로 관리한다. * 제품과 품목 * 원재료와 부품 * 설비와 금형 * 공정과 작업 * 불량유형 * 거래처와 조직 * 단위와 분류 기준정보는 같은 대상을 서로 다르게 부르는 문제를 줄인다. 그러나 제품이 어떤 공정을 거치고, 특정 설비부품의 마모가 어떤 품질특성에 영향을 주는지까지 충분히 표현하지 못할 수 있다. ### ② 데이터베이스 관계형 데이터베이스는 구조화된 데이터를 안정적으로 저장하고 처리하는 데 적합하다. 예를 들어 생산실적 테이블과 품질검사 테이블을 작업지시 번호로 연결할 수 있다. 그러나 새로운 관계가 계속 추가되면 테이블 구조와 조인 조건이 복잡해진다. 또한 데이터베이스의 관계는 특정 시스템 내부에서 정의되는 경우가 많다. MES의 제품과 PLM의 제품, QMS의 검사대상이 같은 개념인지 데이터베이스만 보고 판단하기 어려울 수 있다. ### ③ 분류체계 분류체계 또는 Taxonomy는 상위개념과 하위개념을 계층적으로 정리한다. 예를 들면 다음과 같다. **설비** ↓ **성형설비** ↓ **사출성형기** ↓ **전동식 사출성형기** 분류체계는 대상을 체계적으로 찾는 데 도움이 된다. 그러나 사출성형기가 어떤 금형을 사용하고, 금형온도가 어떤 품질특성에 영향을 주는지와 같은 다양한 관계를 표현하는 데는 한계가 있다. ### ④ 온톨로지 온톨로지는 특정 영역의 개념과 관계, 속성, 제약조건을 명시적으로 정의한다. 예를 들면 다음과 같다. * 사출성형기는 제조설비의 한 종류다. * 금형은 설비에서 사용되는 생산자원이다. * 제품 A는 사출성형 공정을 거친다. * 사출성형 공정은 금형을 사용한다. * 금형온도는 중량편차에 영향을 줄 수 있다. * 제품 A의 금형온도 허용범위는 특정 조건에서 175~185℃다. * 허용범위를 벗어난 변경에는 품질책임자의 승인이 필요하다. 온톨로지는 단순히 데이터를 연결하는 것뿐 아니라 연결이 무엇을 의미하는지 설명한다. ### ⑤ 지식그래프 지식그래프는 온톨로지의 개념과 관계를 이용해 현실의 실제 대상을 연결한다. * `사출기_3호기`는 `사출성형기`다. * `금형_M-204`는 `사출기_3호기`에 장착되어 있다. * `작업지시_WO-260825-17`은 `제품_A`를 생산한다. * 이 작업지시는 `원재료_LOT-R0825`를 사용한다. * `불량사건_QE-148`은 작업지시 수행 중 발생했다. * 정비작업 `MT-2031`에서 체크링을 교체했다. 기준정보와 데이터베이스가 불필요해지는 것은 아니다. 오히려 온톨로지와 지식그래프는 기존 시스템의 데이터를 공통된 의미로 연결하는 역할을 한다. 다음과 같이 정리할 수 있다. **기준정보는 대상을 일관되게 부른다.** **데이터베이스는 데이터를 안정적으로 저장하고 처리한다.** **분류체계는 개념을 계층적으로 정리한다.** **온톨로지는 개념과 관계, 규칙의 의미를 정의한다.** **지식그래프는 정의된 의미를 이용해 현실의 데이터를 연결한다.** 온톨로지와 지식그래프는 기존 데이터 플랫폼을 교체하는 기술이 아니다. **기존 데이터가 제조현장에서 무엇을 의미하는지 설명하고, 시스템 사이의 관계를 해석할 수 있도록 보완하는 기술**이다. --- ## 3. 온톨로지와 지식그래프는 무엇이 다른가 온톨로지와 지식그래프는 함께 언급되지만 같은 개념은 아니다. 간단히 표현하면 온톨로지는 제조지식의 설계도에 가깝고, 지식그래프는 그 설계도에 따라 연결한 실제 제조지식이다. ### ① 온톨로지의 구성 온톨로지는 일반적으로 다음의 요소를 포함한다. **클래스 또는 개념** * 제품 * 원재료 * 설비 * 설비부품 * 공정 * 작업지시 * 품질특성 * 불량 * 고장 * 정비작업 * 작업자 **관계** * 제품은 공정을 거친다. * 공정은 설비를 사용한다. * 설비는 부품으로 구성된다. * 작업지시는 제품을 생산한다. * 원재료는 작업지시에 투입된다. * 공정조건은 품질특성에 영향을 준다. * 고장은 설비부품에서 발생한다. * 정비작업은 고장을 처리한다. **속성** * 제품코드 * 설비번호 * 공정시간 * 센서값 * 품질기준 * 고장발생시간 * 정비완료시간 **제약조건** * 모든 작업지시는 하나 이상의 대상제품을 가져야 한다. * 설비 설정값은 제품별 허용범위 안에 있어야 한다. * 특정 정비작업은 자격을 가진 작업자만 수행할 수 있다. * 안전과 관련된 설정변경은 승인 없이 실행할 수 없다. ### ② 지식그래프의 구성 지식그래프는 구체적인 대상을 노드와 관계로 연결한다. 예를 들면 다음과 같다. **노드** * 제품 A * 작업지시 WO-260825-17 * 사출기 3호기 * 금형 M-204 * 원재료 LOT R-0825 * 중량편차 불량 * 체크링 마모 * 정비작업 MT-2031 **관계** * 작업지시 WO-260825-17은 제품 A를 생산한다. * 작업지시는 사출기 3호기에서 수행된다. * 사출기 3호기는 금형 M-204를 사용한다. * 작업지시는 원재료 LOT R-0825를 사용한다. * 중량편차 불량은 작업지시 수행 중 발생했다. * 체크링 마모는 중량편차의 원인 후보다. * 정비작업 MT-2031은 체크링 마모를 처리했다. ### ③ 온톨로지와 지식그래프의 관계 온톨로지가 없더라도 데이터 사이를 그래프로 연결할 수 있다. 그러나 관계의 이름과 의미가 시스템마다 다르면 그래프가 커질수록 일관성이 떨어질 수 있다. 반대로 온톨로지만 있고 실제 데이터가 연결되지 않으면 개념정의에 머문다. 따라서 두 기술은 함께 사용해야 한다. **온톨로지** > *무엇이 존재하며 어떤 관계를 가질 수 있는지 정의한다.* **지식그래프** > *현실에서 어떤 대상이 실제로 어떻게 연결되어 있는지 표현한다.* W3C의 RDF는 자원과 관계를 주어–술어–목적어 형태로 표현할 수 있는 기본모델을 제공하고, OWL은 클래스와 관계, 논리적 제약을 보다 풍부하게 정의할 수 있도록 한다. SHACL은 RDF 그래프가 정해진 구조와 조건을 만족하는지 검증하는 데 사용할 수 있다. [W3C RDF 1.1 Concepts](https://www.w3.org/TR/rdf11-concepts/), [W3C OWL 2 Overview](https://www.w3.org/TR/owl2-overview/), [W3C SHACL](https://www.w3.org/TR/shacl/) 그러나 RDF와 OWL을 사용한다고 자동으로 좋은 제조 온톨로지가 만들어지는 것은 아니다. 제품과 설비, 공정의 실제 의미를 이해하는 현장전문가와 데이터·시스템 전문가가 함께 지식모델을 설계해야 한다. 온톨로지는 IT 부서가 혼자 만드는 데이터모델이 아니다. **제조조직이 사용하는 개념과 판단기준을 사람과 시스템이 함께 이해할 수 있는 형태로 합의하는 과정**이다. --- ## 4. 제조 지식그래프에는 무엇을 연결해야 하는가 제조 지식그래프의 범위를 처음부터 기업 전체로 잡으면 지나치게 복잡해질 수 있다. 먼저 해결할 제조문제에 필요한 대상과 관계를 정해야 한다. 다만 자율제조의 판단을 지원하려면 다음과 같은 핵심 영역을 연결할 필요가 있다. ### ① 제품 지식 * 제품과 품목 * 제품군과 모델 * 도면과 사양 * BOM과 부품 * 공차와 품질특성 * 고객과 적용산업 * 설계변경과 버전 ### ② 원재료 지식 * 원재료와 공급업체 * 원재료 LOT * 성분과 물성 * 입고검사 결과 * 보관과 건조조건 * 대체 가능 자재 * 제품 LOT와의 투입관계 ### ③ 공정 지식 * 공정과 작업단계 * 공정순서와 선후관계 * 표준 사이클타임 * 투입과 산출 * 공정조건 * 표준작업과 SOP * 공정변경 조건 ### ④ 설비 지식 * 공장과 생산라인 * 설비와 설비부품 * 센서와 측정위치 * 금형과 공구 * 설비능력과 허용범위 * 알람과 고장코드 * 정비와 교정이력 ### ⑤ 품질 지식 * 품질특성과 검사방법 * 규격과 관리한계 * 불량유형과 판정기준 * 검사장비 * 원인과 영향 * 시정조치와 예방조치 * FMEA와 관리계획서 ### ⑥ 생산운영 지식 * 주문과 작업지시 * 생산계획 * 생산실적 * 작업자와 교대조 * 자재와 재공품 * 생산시간과 대기시간 * 작업변경과 승인 ### ⑦ 문제해결 지식 * 이상과 고장사건 * 발생조건 * 원인 후보 * 근본원인 * 대응조치 * 승인자 * 실행결과 * KPI 변화 * 재발 여부 ### ⑧ 규칙과 책임 * 누가 데이터를 생성하는가 * 누가 품질을 확인하는가 * 누가 공정변경을 승인하는가 * 어떤 조건에서 설비를 정지하는가 * 어떤 조치는 자동실행할 수 있는가 * 어떤 판단에는 사람의 승인이 필요한가 이러한 지식은 단순한 목록이 아니라 관계로 연결되어야 한다. 예를 들어 불량사건 하나를 다음과 같이 추적할 수 있어야 한다. **불량사건** ↓ **발생한 제품 LOT** ↓ **생산 작업지시** ↓ **사용설비와 금형** ↓ **공정조건과 센서상태** ↓ **투입 원재료 LOT** ↓ **관련 설비부품과 정비이력** ↓ **과거 유사사례** ↓ **실행한 조치와 결과** 이 연결이 만들어지면 AI Agent는 다음의 질문에 답할 수 있다. > *“제품 A의 중량편차와 관련된 설비부품은 무엇인가?”* > *“원재료 LOT R-0825를 사용한 다른 제품에서도 동일한 불량이 발생했는가?”* > *“체크링 교체 후 불량률은 어떻게 변했는가?”* > *“현재 상황과 가장 유사한 과거사례의 조치는 무엇이었는가?”* > *“이 공정조건을 변경하려면 어떤 규칙과 승인절차를 적용해야 하는가?”* 좋은 제조 지식그래프는 데이터를 많이 연결한 그래프가 아니다. **AI가 해결해야 할 제조문제의 원인과 영향, 가능한 행동과 제약조건을 추적할 수 있는 그래프**다. --- ## 5. 온톨로지는 AI Agent의 질문을 어떻게 판단으로 바꾸는가 AI Agent가 제조현장에서 업무를 수행하려면 사용자의 질문을 단순한 검색어가 아니라 제조대상과 조건, 목표로 해석해야 한다. 예를 들어 작업자가 다음과 같이 질문했다고 가정해보자. > *“3호기에서 어제부터 중량이 흔들리는데 전에 비슷했던 문제와 조치내용을 찾아줘.”* 사람은 문맥을 통해 질문을 이해한다. 그러나 시스템에는 다음의 해석과정이 필요하다. ### ① 대상 식별 “3호기”가 어느 생산라인의 어떤 설비인지 확인한다. 현장 별칭과 MES 설비코드, PLC 장비명을 공통된 설비대상에 연결한다. ### ② 시간 해석 “어제부터”를 실제 시작시간과 종료시간으로 변환한다. 작업자의 교대시간과 공장의 운영일 기준도 반영해야 한다. ### ③ 품질특성 식별 “중량이 흔들린다”는 표현을 제품중량 편차 또는 관리한계 이탈과 연결한다. 어느 제품과 품질항목인지 확인한다. ### ④ 현재상황 연결 해당 시간에 생산한 제품과 작업지시, 원재료 LOT, 금형과 공정조건을 조회한다. ### ⑤ 유사성 기준 정의 “비슷한 문제”가 무엇을 의미하는지 정한다. * 동일 설비에서 발생한 같은 불량 * 같은 제품에서 발생한 같은 불량 * 동일 원인 후보가 있는 사건 * 비슷한 센서패턴을 가진 사건 * 동일 금형이나 원재료와 관련된 사건 ### ⑥ 과거사례 탐색 관계와 조건을 따라 관련된 문제사례를 찾는다. 단순한 문장 유사도뿐 아니라 제품과 설비, 원인과 조치의 구조적 관계를 함께 사용한다. ### ⑦ 조치의 유효성 평가 과거에 조치를 했다는 사실만 찾지 않는다. * 실제 원인이 확인됐는가 * 누가 조치를 승인했는가 * 불량률이 감소했는가 * 다른 부작용은 없었는가 * 현재 제품과 설비에도 적용 가능한가 ### ⑧ 실행 가능한 답으로 변환 Agent는 다음과 같이 근거와 적용조건을 포함해 답해야 한다. > *“현재 상황과 가장 유사한 사례는 2026년 5월 12일 사출기 3호기에서 제품 A를 생산할 때 발생했다. 당시 보압압력 변동과 체크링 마모가 함께 확인됐으며 체크링 교체 후 중량편차가 관리범위로 회복됐다. 다만 현재는 원재료 LOT도 변경됐으므로 체크링 점검 전에 원재료 건조상태와 보압추세를 함께 확인하는 것이 필요하다.”* 온톨로지는 이 과정에서 다음의 역할을 한다. * 현장용어와 시스템코드를 연결한다. * 질문의 대상과 관계를 해석한다. * 탐색해야 할 관련 데이터를 정한다. * 규칙이 적용되는 조건을 확인한다. * 불가능하거나 모순된 관계를 걸러낸다. * 답변의 근거경로를 제공한다. AI Agent의 판단은 언어모델이 임의로 만들어내는 답에만 의존해서는 안 된다. **제조 온톨로지가 질문의 의미와 탐색범위를 정하고, 지식그래프가 실제 근거와 관계를 제공해야 한다.** --- ## 6. 검색형 RAG와 GraphRAG는 어떻게 다른가 생성형 AI의 답변을 기업문서에 근거하도록 만들기 위해 RAG가 많이 사용된다. 일반적인 검색형 RAG는 문서를 작은 단위로 나누고 사용자의 질문과 의미적으로 유사한 내용을 찾는다. 검색된 내용을 언어모델에 제공해 답변을 생성한다. ### 검색형 RAG의 장점 * 문서검색을 빠르게 구현할 수 있다. * 설비매뉴얼과 SOP, 보고서를 자연어로 검색할 수 있다. * 언어모델의 사전학습 지식보다 기업 내부자료를 우선 활용할 수 있다. * 답변에 문서출처를 표시할 수 있다. 그러나 제조업무에서는 다음과 같은 한계가 있다. ### ① 문서에 없는 관계를 찾기 어렵다 제품과 작업지시, 원재료 LOT와 설비이력의 관계가 여러 시스템에 분산되어 있으면 하나의 문서검색만으로 찾기 어렵다. ### ② 같은 용어의 다른 의미를 구분하기 어렵다 “압력”이 사출압력인지 유압인지, 금형 내부압력인지 질문의 맥락에 따라 달라진다. ### ③ 긴 관계경로를 추적하기 어렵다 불량제품에서 작업지시와 원재료 LOT, 설비부품과 정비이력까지 여러 단계를 거슬러 올라가야 할 수 있다. ### ④ 적용범위와 규칙을 판단하기 어렵다 검색된 작업표준이 현재 제품과 설비버전에 유효한지 확인해야 한다. GraphRAG는 지식그래프의 개념과 관계를 검색과 답변생성에 활용하는 접근이다. GraphRAG라는 용어와 구현방식은 제품과 연구마다 차이가 있으므로 하나의 확정된 표준기술로 보기는 어렵다. 실무적으로는 다음과 같이 이해할 수 있다. **검색형 RAG** > 질문과 유사한 문장과 문서를 찾는다. **GraphRAG** > 질문과 관련된 제조대상과 관계를 따라 필요한 데이터와 문서, 사례를 찾는다. 예를 들어 다음의 질문을 비교해보자. > *“제품 A의 중량불량과 관련된 과거 조치를 찾아줘.”* 검색형 RAG는 “제품 A”, “중량불량”, “조치”라는 표현이 포함되거나 의미가 유사한 보고서를 찾는다. GraphRAG는 다음의 경로를 탐색할 수 있다. **제품 A** ↓ **중량 품질특성** ↓ **관련 공정변수** ↓ **사용설비와 부품** ↓ **발생한 과거 불량사건** ↓ **확인된 원인** ↓ **실행한 시정조치** ↓ **조치 전후 품질결과** 그리고 각 노드와 관계에 연결된 매뉴얼과 작업표준, 보고서를 함께 검색한다. 두 방식을 결합하면 더 효과적이다. **벡터검색** > 표현이 비슷한 문서와 현장기록을 찾는다. **지식그래프 탐색** > 제품과 설비, 원인과 조치의 관계를 따라 구조적으로 찾는다. **규칙과 제약검증** > 현재 조건에 적용 가능한 정보인지 확인한다. **언어모델** > 찾은 근거를 작업자가 이해할 수 있는 형태로 설명한다. GraphRAG의 가치는 검색결과를 많이 제공하는 데 있지 않다. **AI Agent가 어떤 관계를 따라 결론에 도달했는지 추적하고, 판단에 필요한 근거를 구조적으로 찾을 수 있다는 데 있다.** --- ## 7. 제조지식의 추론결과는 어떻게 검증해야 하는가 온톨로지와 지식그래프를 구축하면 AI가 자동으로 정확한 판단을 내릴 것이라고 생각할 수 있다. 그러나 지식그래프에도 오류가 발생한다. 잘못된 데이터가 연결될 수 있고, 오래된 규칙이 남아 있을 수 있다. 관계의 의미가 모호하거나 실제 현장과 다른 추론이 만들어질 수도 있다. 따라서 지식의 추론결과도 검증해야 한다. ### ① 구조검증 지식그래프가 정해진 형태를 만족하는지 확인한다. 예를 들면 다음과 같다. * 작업지시에는 대상제품이 존재해야 한다. * 품질검사 결과에는 검사대상과 검사시간이 있어야 한다. * 센서에는 소속설비와 측정단위가 있어야 한다. * 정비작업에는 대상설비와 작업결과가 있어야 한다. * 공정조건 변경에는 변경자와 승인정보가 있어야 한다. W3C SHACL과 같은 기술을 이용하면 RDF 그래프의 구조와 제약조건을 검증할 수 있다. [W3C SHACL](https://www.w3.org/TR/shacl/) ### ② 의미검증 개념과 관계가 실제 제조업무의 의미와 일치하는지 현장전문가가 확인한다. “사용한다”, “구성된다”, “영향을 준다”, “원인이다”는 서로 다른 관계다. 상관관계가 있다는 이유만으로 원인관계로 등록해서는 안 된다. ### ③ 시간검증 제조관계는 시간에 따라 달라질 수 있다. * 금형이 다른 설비로 이동한다. * 설비부품이 교체된다. * 작업표준이 개정된다. * 제품의 허용조건이 변경된다. * 원인으로 판단했던 내용이 이후 조사에서 수정된다. 따라서 관계가 언제부터 언제까지 유효한지 관리해야 한다. ### ④ 출처와 신뢰도 검증 모든 지식을 같은 수준으로 취급해서는 안 된다. 다음은 신뢰도가 다르다. * 승인된 품질기준 * 설비 제조사의 공식매뉴얼 * 검증된 고장분석 결과 * 작업자의 관찰기록 * AI가 데이터에서 추정한 관계 * 아직 확인되지 않은 원인 후보 지식에는 출처와 작성자, 승인상태와 신뢰도를 함께 기록해야 한다. ### ⑤ 모순검증 서로 충돌하는 규칙과 사실을 찾는다. 한 문서에서는 금형온도 상한을 185℃로 정의하고 다른 문서에서는 190℃로 정의할 수 있다. 이 경우 최신 버전과 대상제품, 적용설비를 확인해야 한다. AI가 임의로 하나를 선택해서는 안 된다. ### ⑥ 추론범위 제한 지식그래프에서 연결할 수 있다는 사실이 실제 인과관계를 의미하지는 않는다. 예를 들어 특정 원재료 LOT와 불량이 같은 작업지시에 연결되어 있다고 해서 원재료가 불량의 원인이라고 단정할 수 없다. Agent는 다음을 구분해야 한다. * 확인된 사실 * 규칙에 따라 추론된 내용 * 데이터 분석에서 발견한 상관관계 * 아직 검증되지 않은 원인 후보 * 전문가가 승인한 근본원인 ### ⑦ 실행 전 재검증 지식그래프의 추론이 설비나 생산시스템의 변경으로 이어질 경우 추가적인 검증이 필요하다. * 현재 데이터가 최신인가 * 규칙의 적용범위가 맞는가 * Digital Twin에서 결과를 확인했는가 * 필요한 승인을 받았는가 * 실행값이 설비의 허용범위 안에 있는가 온톨로지는 AI의 판단을 무조건 정답으로 만들어주는 기술이 아니다. **AI가 어떤 의미와 관계를 근거로 판단했는지를 명확하게 만들고, 잘못된 지식과 추론을 검증할 수 있도록 하는 기술**이다. --- ## 8. 제조 온톨로지와 기존 표준은 어떻게 연결되는가 제조기업이 온톨로지를 구축한다고 모든 용어와 개념을 처음부터 새로 정의할 필요는 없다. 이미 제조와 자동화 분야에는 제품과 설비, 공정과 정보교환을 위한 여러 표준과 정보모델이 존재한다. 중요한 것은 표준 하나를 선택해 모든 시스템에 강제하는 것이 아니라, 각 표준의 역할을 이해하고 기업의 지식모델과 연결하는 것이다. ### ① ISA-95·IEC 62264 기업업무와 제조운영·제어시스템 사이의 기능과 정보교환을 정의한다. 제품과 자재, 설비와 인력, 작업지시와 생산성과 같은 제조운영 개념을 정리하는 데 활용할 수 있다. ### ② OPC UA Information Model OPC UA는 데이터 전송뿐 아니라 설비와 장치의 객체, 변수와 관계를 정보모델로 표현할 수 있다. OPC UA Companion Specification은 로봇과 사출기, Machine Vision, AutoID 등 산업별 장비의 의미를 표준화한다. OPC Foundation은 안전한 데이터교환만으로 충분하지 않으며, 표준화된 데이터와 그 의미를 제공하는 Semantic Interoperability가 제조 상호운용성의 기반이라고 설명한다. [OPC UA for Factory Automation](https://opcfoundation.org/factory/), [OPC UA Companion Specifications](https://opcfoundation.org/about/opc-technologies/opc-ua/ua-companion-specifications/) ### ③ MTConnect 공작기계와 제조장비에서 생성되는 데이터를 공통된 의미와 구조로 제공한다. OPC Foundation과 MTConnect는 MTConnect의 의미모델을 OPC UA의 통신·정보모델 구조와 결합하는 Companion Specification을 제공하고 있다. [OPC Foundation–MTConnect](https://opcfoundation.org/markets-collaboration/mtconnect/) ### ④ ISO 10303 STEP 제품의 설계와 형상, 제품모델 데이터를 교환하는 표준이다. NIST의 OntoSTEP 연구는 STEP 스키마와 데이터를 OWL 기반 온톨로지와 지식그래프로 변환해 제품데이터의 의미적 통합과 추론 가능성을 높이는 방안을 다룬다. [NIST OntoSTEP](https://www.nist.gov/publications/new-implementation-ontostep-flexible-generation-ontology-and-knowledge-graphs-product) ### ⑤ ISO 23247 제조 Digital Twin의 기본원칙과 참조구조, 제조요소의 디지털 표현과 정보교환을 다룬다. Digital Twin의 제품과 설비, 공정모델을 지식그래프에 연결하면 AI Agent가 현재상태와 시뮬레이션 결과를 의미적으로 해석할 수 있다. ### ⑥ ISO 23726 시리즈 ISO에서는 산업 자동화시스템과 산업제품·설비의 생애주기 데이터를 의미적으로 연결하기 위한 Ontology-Based Interoperability 표준 시리즈를 개발하고 있다. 2026년 8월 기준으로 Part 1과 Part 2는 위원회 초안 단계이며, Part 3 Industrial Data Ontology는 최종 국제표준안 단계다. 아직 전체 시리즈가 모두 발행된 표준은 아니므로 적용 시 현재 상태를 구분해야 한다. Part 3의 Industrial Data Ontology는 OWL을 이용해 산업자산과 프로세스의 생애주기 데이터를 표현하고, 공통 클래스와 관계 및 재사용 가능한 표현패턴을 제공하는 것을 목표로 한다. [ISO/CD 23726-1](https://www.iso.org/standard/90902.html), [ISO/CD 23726-2](https://www.iso.org/standard/90855.html), [ISO/FDIS 23726-3](https://www.iso.org/standard/87560.html) 표준을 활용할 때 주의할 점도 있다. 표준의 용어를 데이터베이스에 그대로 복사한다고 상호운용성이 완성되는 것은 아니다. 기업의 제품과 공정, 설비구조에 맞게 적용범위를 정하고 기존 코드와 연결해야 한다. 또한 서로 다른 표준에서 중복되거나 다른 의미로 정의한 개념을 조정해야 한다. 제조 온톨로지의 목표는 모든 표준을 하나로 합치는 것이 아니다. **기존 표준과 기업의 현장언어를 연결해 사람과 설비, 시스템과 AI가 같은 제조대상을 일관된 의미로 이해하도록 만드는 것**이다. --- ## 9. 현실적인 제조 지식그래프 구축방법 제조 온톨로지와 지식그래프를 구축할 때 처음부터 전사 지식체계를 만들려고 하면 범위가 지나치게 커질 수 있다. 제품과 공정, 설비, 품질과 정비의 모든 용어를 정의하는 동안 실제 활용성과를 확인하지 못할 가능성이 크다. 먼저 하나의 제조문제와 AI Agent의 판단업무를 선택해야 한다. 예를 들어 프레스 설비의 예지보전 Agent를 위한 지식그래프를 구축한다면 다음과 같이 접근할 수 있다. ### ① 질문과 활용목표를 정의한다 Agent가 답해야 할 핵심질문을 정한다. * 현재 이상이 발생한 설비부품은 무엇인가 * 유사한 진동패턴이 발생한 과거사례는 무엇인가 * 어떤 고장모드와 관련될 가능성이 높은가 * 어떤 점검항목과 부품이 필요한가 * 정비를 지연하면 생산계획에 어떤 영향이 있는가 * 누가 정비작업을 승인해야 하는가 ### ② 대상범위를 제한한다 첫 단계에서는 다음과 같이 범위를 제한할 수 있다. * 프레스 생산라인 1개 * 주요 프레스 설비 3대 * 모터와 베어링, 감속기 * 진동·온도·전류 데이터 * 최근 2년의 고장과 정비이력 * 주요 고장모드 5개 ### ③ 기존 용어와 코드를 수집한다 * 현장에서 사용하는 설비명 * MES와 CMMS의 설비코드 * PLC 태그와 센서명 * 부품번호와 도면번호 * 고장코드와 정비코드 * 작업표준과 점검항목 같은 대상의 서로 다른 이름과 동일한 이름의 다른 의미를 찾는다. ### ④ 핵심개념과 관계를 정의한다 처음부터 수백 개의 개념을 만들 필요는 없다. 핵심 질문에 필요한 개념부터 정의한다. **개념** * 설비 * 설비부품 * 센서 * 상태 * 이상 * 고장모드 * 정비작업 * 부품교체 * 작업지시 * 생산영향 **관계** * 설비는 부품으로 구성된다. * 센서는 부품의 상태를 측정한다. * 이상징후는 고장모드와 관련된다. * 고장모드는 점검항목을 요구한다. * 정비작업은 설비부품을 대상으로 한다. * 설비정지는 작업지시에 영향을 준다. ### ⑤ 실제 데이터를 연결한다 MES와 CMMS, 센서 플랫폼의 데이터를 공통 식별자로 연결한다. 원천데이터를 모두 지식그래프에 복제할 필요는 없다. 지식그래프에는 대상과 관계, 원천데이터 위치와 주요 상태를 연결하고 대용량 시계열 데이터는 기존 Historian이나 데이터 플랫폼에 유지할 수 있다. ### ⑥ 문서와 경험을 연결한다 * 설비매뉴얼 * 점검표 * 정비보고서 * 고장분석 보고서 * 작업자의 조치기록 * 제조사 권고사항 문서 전체를 그래프에 넣기보다 관련 설비와 부품, 고장모드와 조치에 연결한다. ### ⑦ 출처와 유효성을 기록한다 각 지식에 다음을 추가한다. * 생성자와 출처 * 생성일과 개정일 * 적용설비와 제품 * 승인상태 * 신뢰도 * 유효기간 * 원천시스템 ### ⑧ 질문을 이용해 검증한다 현장전문가가 실제로 묻는 질문을 이용해 지식그래프를 시험한다. 답을 찾지 못한 이유가 데이터 부족인지 관계 부족인지, 용어 불일치인지 확인한다. ### ⑨ AI Agent와 연결한다 Agent가 자유롭게 전체 그래프를 탐색하게 하기보다 업무별로 검증된 질문과 도구를 제공한다. * 설비구성 조회 * 이상과 관련된 고장모드 조회 * 유사 고장사례 조회 * 점검항목과 부품 조회 * 정비작업 승인규칙 조회 ### ⑩ 결과를 평가하고 확대한다 * 문제분석 시간이 줄었는가 * 유사사례 검색 정확도가 높아졌는가 * 잘못된 설비와 문서를 선택하는 문제가 줄었는가 * Agent의 답변근거를 추적할 수 있는가 * 작업자가 제안내용을 얼마나 수정하는가 성과가 확인되면 다른 설비와 품질예측, 생산계획으로 확대한다. 현실적인 구축순서는 다음과 같다. **제조문제와 질문 정의** ↓ **대상제품·공정·설비 제한** ↓ **현장용어와 시스템코드 정리** ↓ **핵심개념과 관계 정의** ↓ **실제 데이터와 문서 연결** ↓ **현장전문가 검증** ↓ **AI Agent와 GraphRAG 적용** ↓ **판단결과와 업무성과 평가** ↓ **다른 영역으로 확장** 중요한 것은 기업 전체의 완벽한 온톨로지를 먼저 만드는 것이 아니다. **하나의 제조문제를 해결하는 데 필요한 지식을 연결하고, 실제 질문과 판단을 통해 지식모델을 성장시키는 것**이다. --- ## 10. 경영진은 데이터 플랫폼보다 무엇을 확인해야 하는가 온톨로지와 지식그래프 사업을 보고받으면 전문용어와 기술구조가 복잡하게 느껴질 수 있다. 경영진이 RDF와 OWL, 그래프 질의언어를 자세히 이해할 필요는 없다. 그러나 제조지식이 실제 AI의 판단과 업무성과로 연결되는지는 확인해야 한다. 다음과 같은 질문이 필요하다. **첫째, 어떤 제조문제를 해결하기 위해 지식그래프를 구축하는가.** 온톨로지 구축 자체가 목적이 되어서는 안 된다. 불량원인 분석과 예지보전, 생산계획과 같은 구체적인 활용목표가 필요하다. **둘째, AI Agent가 답해야 할 핵심질문은 무엇인가.** 질문이 명확해야 필요한 데이터와 개념, 관계의 범위를 정할 수 있다. **셋째, 같은 제품과 설비를 시스템마다 어떻게 연결하는가.** 현장명과 시스템코드, 설비태그와 문서의 명칭을 공통대상으로 연결해야 한다. **넷째, 데이터뿐 아니라 문서와 작업자의 경험도 연결되어 있는가.** 설비매뉴얼과 작업표준, 과거 문제해결 사례가 실제 제품과 설비, 고장모드에 연결되어야 한다. **다섯째, 온톨로지의 정의와 관계를 누가 승인하는가.** IT 부서만이 아니라 생산과 품질, 설비전문가가 의미를 검증해야 한다. **여섯째, 지식의 출처와 최신성, 신뢰도를 확인할 수 있는가.** 확인된 사실과 AI가 추정한 관계, 작업자의 의견을 구분해야 한다. **일곱째, AI의 판단근거를 관계경로로 추적할 수 있는가.** 어떤 제품과 작업지시, 설비와 과거사례를 근거로 결론에 도달했는지 확인할 수 있어야 한다. **여덟째, 기존 표준과 정보모델을 활용하고 있는가.** ISA-95와 OPC UA, MTConnect, ISO 23247과 같은 기존 제조표준을 검토해야 한다. **아홉째, 지식모델을 지속해서 관리하는 책임조직이 있는가.** 제품과 설비, 작업표준이 변경되면 온톨로지와 지식그래프도 갱신해야 한다. **열째, 지식그래프 도입 후 제조업무가 실제로 개선됐는가.** 다음의 성과를 확인해야 한다. * 데이터 탐색시간 감소 * 문제원인 분석시간 단축 * 유사사례 재사용 증가 * 시스템 간 코드매핑 오류 감소 * AI 답변의 근거성과 정확성 향상 * 작업자의 수정과 거부 감소 * 신규 Agent와 서비스 개발시간 단축 * 동일한 문제의 재발 감소 지식그래프의 규모가 커졌다는 사실은 성과가 아니다. 노드와 관계가 수백만 개 있어도 제조문제를 해결하지 못하면 활용가치는 낮다. 경영진이 확인해야 할 것은 그래프 데이터베이스의 크기가 아니다. **제조조직의 지식이 실제 판단과 실행에 재사용되고 있는가**이다. --- ## 마치며 많은 제조기업이 AI를 도입하기 위해 데이터를 수집하고 문서를 검색한다. 생성형 AI는 작업표준과 설비매뉴얼을 빠르게 찾고 생산현황을 자연어로 설명할 수 있다. 그러나 자율제조의 AI Agent는 관련 문장을 찾는 수준을 넘어야 한다. 현재 발생한 불량이 어떤 제품과 작업지시, 원재료와 설비조건에 연결되는지 알아야 한다. 설비의 이상징후가 어느 부품과 고장모드에 관련되는지, 과거에는 어떤 조치를 했으며 실제로 효과가 있었는지 확인해야 한다. 그리고 현재 조건에서 어떤 규칙과 승인절차를 적용해야 하는지도 판단해야 한다. 이를 위해서는 데이터 사이의 의미와 관계가 필요하다. 결국 제조지식은 다음과 같은 흐름으로 발전해야 한다. **서로 다른 시스템의 데이터** ↓ **공통 식별자로 연결된 데이터** ↓ **제품·설비·공정의 맥락이 포함된 정보** ↓ **개념과 관계가 정의된 온톨로지** ↓ **실제 제조대상이 연결된 지식그래프** ↓ **근거와 관계를 탐색하는 GraphRAG** ↓ **제조상황을 해석하는 AI Agent** ↓ **검증과 승인에 근거한 실행** 온톨로지는 제조기업의 모든 지식을 완벽하게 정의하는 작업이 아니다. 지식그래프도 데이터를 모두 하나의 그래프 데이터베이스로 옮기는 사업이 아니다. 온톨로지는 제품과 설비, 공정과 품질을 어떤 개념과 관계로 이해할 것인지 정한다. 지식그래프는 그 정의를 바탕으로 실제 제품과 설비, 작업지시와 문제해결 경험을 연결한다. AI Agent는 이 지식을 이용해 필요한 데이터를 찾고 현재상황을 해석한다. 그리고 판단의 근거를 추적하며 실행에 필요한 규칙과 제약조건을 확인한다. 자율제조에서 제조지식은 사람의 경험을 없애기 위한 수단이 아니다. 오히려 작업자와 엔지니어가 경험으로 알고 있던 관계와 판단기준을 조직의 자산으로 축적하고 다음의 의사결정에 재사용하기 위한 기반이다. 좋은 제조 온톨로지는 가장 많은 전문용어를 포함한 온톨로지가 아니다. **현장과 시스템이 같은 대상을 같은 의미로 이해하고, AI가 그 관계를 따라 올바른 근거를 찾을 수 있도록 만든 온톨로지**다. 좋은 지식그래프도 가장 많은 데이터를 연결한 그래프가 아니다. **하나의 제조문제가 왜 발생했으며, 어떤 행동을 할 수 있고, 그 행동에는 어떤 제약과 책임이 따르는지를 설명할 수 있는 그래프**다. AI Agent의 경쟁력은 언어모델의 크기만으로 결정되지 않는다. 같은 언어모델을 사용하더라도 어떤 제조지식에 연결되어 있는가에 따라 판단의 수준은 달라진다. **데이터에 의미를 부여하고, 경험을 관계로 연결하며, 판단의 근거를 검증할 수 있는가.** 바로 이것이 제조 온톨로지와 지식그래프가 AI Agent의 판단 기반이 되는 이유다. 다음 글에서는 이렇게 축적된 제조지식과 AI 모델을 실제 현장 가까이에서 실행하기 위한 Edge AI를 살펴보고자 한다. 모든 데이터를 클라우드로 전송한 뒤 판단해도 자율제조가 가능할까. 통신이 끊기거나 수십 밀리초 안에 대응해야 하는 상황에서는 AI를 어디에서 실행해야 할까. **[자율제조 시리즈 ⑨] 자율제조는 왜 Edge AI와 Cloud AI를 함께 사용해야 하는가?** --- ### 참고자료 * [NIST — A New Implementation of OntoSTEP for Ontology and Knowledge Graph Generation](https://www.nist.gov/publications/new-implementation-ontostep-flexible-generation-ontology-and-knowledge-graphs-product) * [NIST — OntoSTEP: OWL-DL Ontology for STEP](https://www.nist.gov/publications/ontostep-owl-dl-ontology-step) * [NIST — Manufacturing Interoperability](https://www.nist.gov/publications/manufacturing-interoperability) * [W3C — RDF 1.1 Concepts and Abstract Syntax](https://www.w3.org/TR/rdf11-concepts/) * [W3C — OWL 2 Web Ontology Language Overview](https://www.w3.org/TR/owl2-overview/) * [W3C — Shapes Constraint Language, SHACL](https://www.w3.org/TR/shacl/) * [OPC Foundation — OPC UA for Factory Automation](https://opcfoundation.org/factory/) * [OPC Foundation — OPC UA Companion Specifications](https://opcfoundation.org/about/opc-technologies/opc-ua/ua-companion-specifications/) * [OPC Foundation — MTConnect](https://opcfoundation.org/markets-collaboration/mtconnect/) * [OPC Foundation — OPC UA Information Model for ISA-95](https://opcfoundation.org/markets-collaboration/isa-95/) * [ISO — ISO/CD 23726-1, Ontology-Based Interoperability: Overview and Fundamental Principles](https://www.iso.org/standard/90902.html) * [ISO — ISO/CD 23726-2, Ontology-Based Interoperability: Vocabulary](https://www.iso.org/standard/90855.html) * [ISO — ISO/FDIS 23726-3, Industrial Data Ontology](https://www.iso.org/standard/87560.html)
2026-08-23
[자율제조 시리즈 ⑦] 제조 AI Agent는 어떻게 판단을 실행으로 연결하는가?
### 질문에 답하는 AI에서 제조업무를 수행하는 AI로 생성형 AI가 제조현장에 도입되면서 작업자가 자연어로 생산정보를 검색하고 문서를 작성하는 일이 가능해지고 있다. 작업자가 다음과 같이 질문하면 AI는 생산실적과 품질현황을 요약할 수 있다. > *“어제 야간조에서 불량률이 가장 높았던 제품을 알려줘.”* 설비매뉴얼과 정비이력을 검색해 점검방법을 설명할 수도 있다. > *“프레스 2호기의 진동 알람이 반복될 때 우선 확인해야 할 항목은 무엇인가?”* 이러한 기능은 정보를 찾고 이해하는 시간을 줄여준다. 그러나 질문에 답하는 것만으로 제조업무가 실행되는 것은 아니다. 설비를 점검하려면 정비이력과 부품재고를 확인해야 한다. 생산계획에서 정비시간을 확보하고 담당 작업자에게 작업지시를 발행해야 한다. 공정조건을 변경하려면 품질규격과 설비의 허용범위를 확인하고, Digital Twin에서 예상결과를 검증해야 한다. 필요한 승인까지 받은 뒤 MES 또는 설비제어시스템에 변경사항을 반영해야 한다. 하나의 제조판단이 실제 행동으로 이어지려면 여러 데이터와 시스템, 사람과 업무절차가 연결되어야 한다. AI Agent는 이 연결을 담당한다. AI Agent는 단순히 답변을 생성하는 AI가 아니다. **목표를 이해하고, 필요한 데이터와 지식을 찾으며, 수행할 작업을 계획하고, 승인된 도구를 사용해 업무를 실행한 뒤 그 결과를 확인하는 AI 시스템**이다. 그러나 제조현장에서 AI Agent에 곧바로 넓은 실행권한을 부여하는 것은 위험하다. 생산계획과 품질, 정비와 설비제어는 서로 연결되어 있다. 잘못된 명령 하나가 불량과 설비정지, 납기지연 또는 안전사고로 이어질 수 있다. 따라서 다음과 같은 질문이 필요하다. **“AI Agent가 무엇을 할 수 있는가?”** 뿐만 아니라, **“어떤 데이터와 도구를 사용할 수 있으며, 누가 실행을 승인하고, 잘못된 행동은 어떻게 중단할 것인가?”** 자율제조에서 AI Agent의 경쟁력은 사람처럼 자연스럽게 말하는 능력만으로 결정되지 않는다. **제조의 목표와 제약조건을 이해하고, 검증과 승인 절차를 지키면서 판단을 안전하게 실행하는 능력**이 중요하다. 이번 글에서는 제조 AI Agent가 어떻게 데이터와 지식, Digital Twin과 업무시스템을 연결해 AI의 판단을 실제 행동으로 전환하는지 살펴보고자 한다. --- ### 목차 1. 제조 AI Agent는 챗봇과 무엇이 다른가 2. AI Agent가 제조업무를 수행하려면 무엇이 필요한가 3. 제조 AI Agent는 어떤 순서로 판단하고 행동하는가 4. 하나의 Agent와 Multi-Agent는 어떻게 다른가 5. AI Agent는 제조시스템과 어떻게 연결되는가 6. Digital Twin은 Agent의 실행을 어떻게 검증하는가 7. 제조 AI Agent에 어디까지 권한을 부여해야 하는가 8. AI Agent가 실패하면 어떻게 멈추고 복구해야 하는가 9. 제조 AI Agent를 현실적으로 도입하는 방법 10. 경영진은 AI Agent의 자율성보다 무엇을 확인해야 하는가 --- ## 1. 제조 AI Agent는 챗봇과 무엇이 다른가 챗봇과 AI Agent는 모두 자연어로 사용자와 대화할 수 있다. 그래서 화면만 보면 두 시스템의 차이를 구분하기 어려울 수 있다. 그러나 이들이 제조업무를 처리하는 방식은 다르다. ### ① 제조 챗봇 제조 챗봇은 사용자의 질문을 이해하고 관련된 정보를 찾아 답변한다. * 설비매뉴얼 검색 * 작업표준 설명 * 생산실적 요약 * 품질보고서 작성 * 고장사례 검색 * 용어와 업무절차 안내 제조 챗봇의 주요 결과는 답변과 문서다. 정보를 찾아주는 역할은 수행하지만 실제 시스템의 상태를 변경하지 않는 경우가 많다. ### ② AI Assistant AI Assistant는 정보제공을 넘어 작업자가 업무를 수행하도록 지원한다. * 점검표 초안 작성 * 정비작업 후보 생성 * 생산계획 대안 비교 * 품질회의 자료 작성 * 작업지시 변경안 작성 * 담당자와 승인절차 안내 실행에 필요한 내용을 준비하지만 최종적인 입력과 실행은 사람이 담당한다. ### ③ AI Agent AI Agent는 주어진 목표를 달성하기 위해 필요한 작업을 스스로 구분하고 순서를 정한다. 필요한 데이터와 문서를 찾고, 허용된 시스템과 도구를 사용한다. 실행 전에 규칙과 제약조건을 확인하고, 필요한 경우 사람에게 승인을 요청한다. 승인된 작업을 실행한 뒤 결과도 확인한다. 예를 들어 작업자가 다음과 같이 요청했다고 가정해보자. > *“프레스 2호기의 고장위험을 확인하고, 이번 주 생산계획에 미치는 영향을 최소화하는 정비안을 만들어줘.”* 제조 챗봇은 프레스 설비의 점검방법과 일반적인 고장원인을 설명할 수 있다. AI Assistant는 센서추세와 정비이력을 분석해 점검항목과 정비일정의 초안을 만들 수 있다. AI Agent는 다음의 업무를 연결할 수 있다. 1. 프레스 2호기의 진동과 온도, 전류 데이터를 조회한다. 2. 최근 알람과 정비이력, 부품교체 이력을 확인한다. 3. 고장 가능성과 예상 원인을 분석한다. 4. 설비매뉴얼에서 권장 점검항목을 찾는다. 5. 필요한 부품의 재고와 조달기간을 확인한다. 6. MES에서 이번 주 작업계획을 조회한다. 7. 대체설비의 생산능력과 금형 사용 가능 여부를 확인한다. 8. 정비시점별 생산영향을 Digital Twin에서 비교한다. 9. 정비안과 생산계획 변경안을 담당자에게 제시한다. 10. 승인된 뒤 CMMS에 정비작업을 생성하고 MES에 계획변경을 반영한다. 11. 정비가 완료되면 점검결과와 설비상태를 확인한다. 차이는 명확하다. **챗봇은 답을 제공한다.** **Assistant는 사람이 일을 할 수 있도록 준비한다.** **Agent는 목표 달성에 필요한 업무의 흐름을 연결한다.** 다만 현재 AI Agent라는 용어는 다양한 제품과 연구에서 폭넓게 사용되고 있으며, 제조현장에 통용되는 단일한 국제표준 정의가 확정됐다고 보기는 어렵다. 따라서 “Agent”라는 명칭보다 실제로 어떤 데이터에 접근하고, 어떤 도구를 사용하며, 어디까지 실행할 수 있는지를 확인해야 한다. AI Agent의 본질은 대화창에 있지 않다. **목표를 작업으로 분해하고, 제조시스템의 상태를 안전하게 변경할 수 있는 실행구조를 갖추었는가**에 있다. --- ## 2. AI Agent가 제조업무를 수행하려면 무엇이 필요한가 AI Agent가 제조업무를 수행하려면 대규모 언어모델 하나만으로는 충분하지 않다. 언어모델은 사용자의 요청을 이해하고 작업계획을 세우는 데 도움이 된다. 그러나 공장의 현재상태와 제품규격, 설비의 허용범위를 스스로 알고 있지는 않다. 제조 AI Agent에는 다음과 같은 구성요소가 필요하다. ### ① 목표 Agent가 무엇을 달성해야 하는지 명확해야 한다. * 불량률을 낮춘다. * 비계획 정지를 줄인다. * 긴급주문의 납기를 맞춘다. * 에너지 피크를 낮춘다. * 재고부족을 방지한다. * 작업자의 점검시간을 줄인다. “공장을 최적화하라”처럼 범위가 지나치게 넓은 목표는 실행기준이 불분명하다. 목표와 함께 우선순위와 성공조건을 정해야 한다. ### ② 제조 데이터 현재상태를 판단하기 위한 데이터가 필요하다. * 센서와 PLC 데이터 * 생산계획과 생산실적 * 제품과 원재료 LOT * 품질검사 결과 * 설비고장과 정비이력 * 재고와 구매정보 * 작업자와 자원 가용성 * 에너지와 환경정보 데이터에는 값뿐 아니라 발생시간과 대상설비, 제품과 작업지시의 맥락이 포함되어야 한다. ### ③ 제조 지식 Agent는 데이터를 읽는 것만으로 제조업무를 이해하기 어렵다. * 제품규격과 공차 * 설비의 구조와 운전원리 * 공정조건과 품질특성의 관계 * 작업표준과 SOP * FMEA와 고장모드 * 품질관리 기준 * 안전규칙과 법적 요구사항 * 과거의 문제와 조치사례 문서검색만으로는 충분하지 않을 수 있다. 어떤 설비가 어느 공정에 사용되고, 어떤 공정변수가 어떤 품질특성에 영향을 주는지 관계로 표현해야 한다. 공통 데이터모델과 온톨로지, 지식그래프가 필요한 이유다. ### ④ 계획기능 복잡한 목표를 실행 가능한 작업으로 나누어야 한다. 예를 들어 “불량 원인을 확인하고 대응하라”는 목표를 다음과 같이 구분할 수 있다. **불량제품과 발생시점 확인** ↓ **사용설비와 원재료 LOT 조회** ↓ **공정조건 변화 분석** ↓ **유사사례와 작업표준 검색** ↓ **원인 후보와 대응안 생성** ↓ **Digital Twin에서 영향 검증** ↓ **승인 요청** ↓ **실행과 결과 확인** 계획은 고정된 순서일 수도 있고 상황에 따라 달라질 수도 있다. ### ⑤ 도구 Agent가 실제 업무를 수행하려면 외부 시스템을 조회하고 변경할 수 있는 도구가 필요하다. * SQL과 데이터 플랫폼 조회 * MES 작업지시 조회·변경 * QMS 검사결과 조회 * CMMS 정비작업 생성 * ERP 재고와 구매요청 조회 * PLM 도면과 사양 검색 * Digital Twin 시뮬레이션 실행 * 보고서와 알림 생성 * 설비제어 요청 각 도구는 정해진 입력과 출력, 권한과 오류처리 방식을 가져야 한다. ### ⑥ 기억과 상태 Agent는 현재 어떤 작업을 수행하고 있는지 기억해야 한다. * 요청한 사용자 * 실행목표 * 완료한 작업 * 사용한 데이터 * 남은 작업 * 받은 승인 * 발생한 오류 * 최종 실행결과 다만 장기기억에 모든 내용을 무제한 저장해서는 안 된다. 개인정보와 영업비밀, 오래된 작업조건이 잘못 재사용되지 않도록 저장범위와 보존기간을 정해야 한다. ### ⑦ 정책과 안전장치 Agent가 해서는 안 되는 행동을 정의해야 한다. * 허용범위를 벗어난 설비조건 변경 * 승인받지 않은 생산계획 변경 * 안전시스템과 보호계층 우회 * 자격이 없는 작업자에게 작업배정 * 미승인 원재료와 대체부품 사용 * 검증되지 않은 모델의 자동실행 * 권한을 벗어난 데이터 조회 ### ⑧ 결과평가 Agent는 도구를 실행했다는 사실만 확인해서는 안 된다. 실제 제조결과가 목표와 일치하는지 확인해야 한다. * 불량률이 감소했는가 * 고장위험이 낮아졌는가 * 정비작업이 정상적으로 완료됐는가 * 납기에 부작용은 없었는가 * 다른 설비와 공정에 이상은 발생하지 않았는가 제조 AI Agent의 구조를 간단하게 정리하면 다음과 같다. **목표** ↓ **데이터와 제조 지식** ↓ **계획과 판단** ↓ **Digital Twin과 업무규칙을 통한 검증** ↓ **승인** ↓ **도구를 이용한 실행** ↓ **결과평가와 기록** AI Agent의 지능은 언어모델 하나에만 존재하지 않는다. **데이터와 지식, 도구와 규칙, 사람의 승인과 결과평가가 결합된 전체 시스템에서 만들어진다.** --- ## 3. 제조 AI Agent는 어떤 순서로 판단하고 행동하는가 제조 AI Agent가 업무를 수행하는 과정은 단순히 질문을 입력하고 답변을 받는 흐름과 다르다. Agent는 목표를 해석하고 현재상태를 확인한 뒤 수행할 작업을 계획한다. 실행 중에 새로운 문제가 발견되면 계획을 수정할 수도 있다. 예를 들어 다음과 같은 품질문제가 발생했다고 가정해보자. > *“사출기 3호기에서 제품 A의 중량편차가 증가했다. 원인을 확인하고 생산중단을 최소화하는 대응안을 마련하라.”* Agent의 수행 흐름은 다음과 같이 구성할 수 있다. ### ① 요청과 권한 확인 누가 어떤 목적으로 요청했는지 확인한다. 사용자가 조회만 할 수 있는지, 대응안을 승인할 수 있는지, 설비조건 변경권한이 있는지를 구분한다. ### ② 목표와 성공조건 정의 문제를 구체적인 목표로 변환한다. * 중량편차를 관리한계 안으로 복귀시킨다. * 추가 불량을 최소화한다. * 설비정지시간을 최소화한다. * 품질과 안전기준을 위반하지 않는다. 목표 사이의 우선순위도 정한다. ### ③ 현재상태 수집 필요한 데이터를 조회한다. * 제품 중량의 시간별 추세 * 사출압력과 보압시간 * 금형온도와 냉각수 상태 * 원재료 LOT와 건조조건 * 최근 설비알람 * 금형과 설비의 정비이력 * 작업자와 교대정보 * 동일 제품의 과거 생산결과 ### ④ 데이터 품질 확인 센서 이상과 누락, 시간 불일치가 없는지 확인한다. 측정장비의 보정상태와 검사결과의 신뢰성도 확인해야 한다. 데이터가 충분하지 않으면 억지로 원인을 단정하지 않고 추가측정을 요청한다. ### ⑤ 원인 후보 생성 수집한 데이터와 제조 지식을 바탕으로 가능한 원인을 정리한다. * 원재료 수분 증가 * 보압조건 변화 * 금형온도 불균형 * 체크링 마모 * 중량측정기의 이상 각 원인 후보에는 근거와 반대근거, 신뢰도를 함께 제시한다. ### ⑥ 대응안 생성 원인 후보별로 가능한 대응방안을 만든다. * 원재료 건조상태 확인 * 보압시간 제한적 조정 * 금형온도와 냉각수 점검 * 체크링과 노즐 점검 * 측정기 재교정 * 일시적인 검사주기 확대 ### ⑦ 규칙과 제약조건 확인 각 대응안이 제품규격과 작업표준, 설비의 허용범위를 만족하는지 확인한다. 변경관리와 승인절차도 적용한다. ### ⑧ Digital Twin에서 가상검증 공정조건 변경안을 실제 설비에 적용하기 전에 Digital Twin에서 시험한다. * 중량편차가 얼마나 감소하는가 * 사이클타임은 얼마나 증가하는가 * 다른 품질특성에는 어떤 영향이 있는가 * 설비와 금형의 부하는 안전한가 * 에너지 사용량에는 어떤 변화가 있는가 ### ⑨ 대응안 비교와 승인 요청 각 대응안의 효과와 위험, 예상시간을 비교해 작업자 또는 책임자에게 제시한다. > *“보압시간 0.2초 증가는 중량편차를 줄일 가능성이 가장 높다. 예상 사이클타임은 0.2초 증가한다. 제품 A와 사출기 3호기의 현재 조건에서만 적용하며 품질책임자의 승인이 필요하다.”* ### ⑩ 승인된 작업 실행 Agent는 승인된 범위 안에서만 작업한다. * MES에 임시 공정조건 변경기록 생성 * 설비에 변경요청 전달 * QMS의 검사주기 확대 * 작업자에게 확인항목 안내 안전과 품질에 중요한 설정값은 Agent가 PLC에 직접 기록하기보다 검증된 제어인터페이스와 기존 승인절차를 거치는 것이 바람직하다. ### ⑪ 결과 확인 변경 후 일정 수량의 제품을 검사한다. 중량편차와 다른 품질지표, 설비상태를 확인한다. 예상한 결과가 나오지 않으면 작업을 중단하고 이전 설정값으로 복원한다. ### ⑫ 기록과 학습 다음의 내용을 저장한다. * 사용한 데이터와 문서 * 원인 후보와 신뢰도 * 제시한 대응안 * Digital Twin의 예상결과 * 승인자와 승인시간 * 실제 실행내용 * 실행 전후 KPI * 작업자의 수정과 의견 * 예상하지 못한 부작용 Agent의 업무는 도구를 호출하는 것으로 끝나지 않는다. **실행결과가 목표를 달성했는지 확인하고, 실패했을 때 중단하거나 계획을 수정하는 것까지 포함한다.** --- ## 4. 하나의 Agent와 Multi-Agent는 어떻게 다른가 제조업무는 여러 전문영역이 연결되어 있다. 생산계획을 변경하면 품질과 설비, 물류와 에너지에 영향을 줄 수 있다. 하나의 Agent가 모든 분야를 판단하도록 구성하면 역할과 책임이 지나치게 커질 수 있다. 그래서 여러 전문 Agent가 협력하는 Multi-Agent 구조가 논의된다. ### ① 단일 Agent 하나의 Agent가 전체 작업을 계획하고 필요한 도구를 사용한다. 구조가 비교적 단순하고 전체 작업의 흐름을 관리하기 쉽다. 적용 가능한 업무는 다음과 같다. * 설비매뉴얼과 정비이력 검색 * 정기 품질보고서 작성 * 특정 설비의 점검지원 * 제한된 생산계획 시뮬레이션 * 작업표준 준수 확인 그러나 업무범위가 넓어지면 하나의 Agent가 너무 많은 데이터와 권한을 가지게 될 수 있다. ### ② 전문 Agent 업무영역별로 Agent를 구분한다. **생산 Agent** > 생산계획과 작업진도, 설비배정을 담당한다. **품질 Agent** > 검사결과와 불량원인, 품질규격을 관리한다. **정비 Agent** > 설비상태와 고장위험, 정비작업을 담당한다. **물류 Agent** > 원재료와 재공품, AGV와 창고를 관리한다. **에너지 Agent** > 설비별 에너지 사용과 피크부하를 최적화한다. **안전 Agent** > 위험조건과 작업허가, 안전규칙 위반을 확인한다. ### ③ 조정 Agent 여러 전문 Agent의 판단을 종합하고 충돌을 조정한다. 예를 들어 생산 Agent는 납기를 맞추기 위해 설비속도를 높이려 할 수 있다. 정비 Agent는 고장위험 때문에 설비부하를 낮추려고 할 수 있다. 품질 Agent는 공정안정성을 위해 현재 조건을 유지하려 할 수 있다. 조정 Agent는 각 판단의 근거와 제약조건을 비교하고 대안을 만든다. 그러나 Multi-Agent라고 해서 자동으로 더 좋은 결과가 나오는 것은 아니다. 다음과 같은 문제가 발생할 수 있다. * Agent 사이의 목표가 충돌한다. * 동일한 작업을 중복해서 수행한다. * 서로의 잘못된 정보를 확대한다. * 어느 Agent가 최종 판단했는지 불명확해진다. * 실행권한과 책임이 분산된다. * 대화와 검증이 반복되어 처리시간이 길어진다. 따라서 Multi-Agent 구조에는 다음이 필요하다. * Agent별 역할과 목표 * 접근 가능한 데이터와 도구 * 우선순위와 충돌조정 규칙 * 작업 인계의 입력과 출력 형식 * 최종 판단과 승인 책임 * 중복실행 방지 * 전체 수행이력 추적 * Agent를 중단하거나 격리하는 방법 ISA-95는 생산·품질·정비·재고와 같은 제조운영 활동과 기업시스템 및 제어시스템 사이의 기능과 정보교환을 구분한다. AI Agent의 역할을 설계할 때도 이러한 기존 제조업무의 경계와 책임을 무시해서는 안 된다. [ISA-95 표준 개요](https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard) Multi-Agent의 목적은 사람의 조직도를 그대로 AI로 복제하는 것이 아니다. **복잡한 판단을 전문영역별로 나누되, 최종 실행의 권한과 책임을 명확하게 유지하는 것**이다. --- ## 5. AI Agent는 제조시스템과 어떻게 연결되는가 AI Agent가 제조업무를 수행하려면 ERP와 MES, QMS, CMMS, PLM, SCADA와 설비제어시스템에 연결되어야 한다. 하지만 Agent에게 각 시스템의 데이터베이스와 제어기기를 직접 개방하는 것은 위험하다. Agent는 자연어를 처리하고 상황에 따라 다양한 계획을 만들 수 있다. 이러한 유연성이 통제되지 않은 시스템 접근과 결합되면 예상하지 못한 실행이 발생할 수 있다. 따라서 AI Agent와 제조시스템 사이에는 명확한 인터페이스와 통제계층이 필요하다. ### ① 읽기와 쓰기를 구분한다 정보조회와 시스템 변경은 위험수준이 다르다. **읽기 기능** * 생산실적 조회 * 센서와 알람 조회 * 품질검사 결과 조회 * 부품재고 확인 * 작업표준과 도면 검색 **쓰기 기능** * 작업지시 생성과 변경 * 정비작업 발행 * 검사주기 변경 * 자재구매 요청 * 설비 설정값 변경 * AGV 작업명령 생성 초기에는 읽기 중심으로 구성하고, 검증된 업무부터 쓰기 권한을 확대해야 한다. ### ② 정해진 업무도구만 사용한다 Agent가 임의의 SQL이나 PLC 명령을 직접 생성해 실행하지 않도록 한다. 다음과 같이 기능과 입력범위가 정해진 도구를 제공해야 한다. * `생산실적_조회(설비, 시작시간, 종료시간)` * `정비이력_조회(설비번호)` * `정비작업_초안생성(설비, 점검항목, 희망일시)` * `생산계획_시뮬레이션(계획안_ID)` * `공정조건_변경요청(설비, 변수, 변경값, 승인번호)` 도구 내부에서 데이터 형식과 권한, 허용범위를 다시 확인한다. ### ③ API와 통합계층을 사용한다 AI Agent가 생산시스템 내부구조에 직접 의존하지 않도록 기존 API와 ESB, 데이터 허브, 제조통합 플랫폼을 이용한다. 각 시스템의 기능과 책임을 유지하면서 필요한 정보와 작업만 표준화된 형태로 제공한다. ### ④ OT 제어경계를 보호한다 MES 작업지시 변경과 PLC 설정값 변경은 같은 수준의 작업이 아니다. 설비제어에 가까워질수록 더 강한 검증과 제한이 필요하다. AI Agent가 안전 PLC와 비상정지, 인터록을 변경하거나 우회할 수 있어서는 안 된다. 안전기능은 Agent와 독립된 보호계층으로 유지해야 한다. ### ⑤ 최소권한을 적용한다 Agent에는 맡은 업무에 필요한 최소한의 권한만 부여한다. 정비 Agent가 원가정보 전체를 조회하거나 ERP의 구매를 최종 승인할 필요는 없다. 생산 Agent가 안전제어 로직을 수정할 이유도 없다. 최소권한은 사용자뿐 아니라 Agent와 서비스 계정에도 적용되어야 한다. ### ⑥ 모든 행동을 기록한다 * 누가 Agent에 요청했는가 * Agent가 어떤 데이터를 조회했는가 * 어떤 도구를 호출했는가 * 도구에 어떤 값을 전달했는가 * 어떤 승인정보를 사용했는가 * 시스템에서 실제로 무엇이 변경됐는가 * 실행결과와 오류는 무엇이었는가 ISA/IEC 62443 시리즈는 산업자동화·제어시스템의 보안을 위한 요구사항과 프로세스를 다룬다. 제조 AI Agent를 OT에 연결할 때도 인증과 접근통제, 네트워크 분리, 최소권한, 보안 모니터링과 같은 기존 산업제어 보안원칙을 그대로 적용해야 한다. [ISA/IEC 62443 시리즈](https://www.isa.org/standards-and-publications/isa-standards/isa-iec-62443-series-of-standards) Agent를 연결한다고 기존 제조시스템의 책임을 Agent로 옮겨서는 안 된다. **AI Agent는 기존 시스템의 기능을 정해진 권한과 인터페이스를 통해 조정하는 계층으로 설계되어야 한다.** --- ## 6. Digital Twin은 Agent의 실행을 어떻게 검증하는가 AI Agent는 목표를 달성하기 위해 행동을 선택한다. 그러나 선택한 행동이 실제 공장에서 어떤 결과를 발생시킬지는 별도의 검증이 필요하다. 6회차에서 살펴본 Digital Twin은 Agent의 판단과 현실의 실행 사이에서 가상검증 환경으로 작동한다. 예를 들어 생산 Agent가 긴급주문을 반영해 다음의 계획을 제안했다고 가정해보자. > *“제품 B의 생산순서를 앞으로 이동하고 프레스 2호기의 작업 일부를 3호기로 재배정한다.”* 이 계획은 납기를 단축할 수 있지만 다음의 부작용이 발생할 수 있다. * 금형교체 횟수가 증가한다. * 프레스 3호기의 부하가 높아진다. * 원재료 공급순서가 맞지 않을 수 있다. * 후공정에 재공품이 집중된다. * 계획정비 시간이 사라질 수 있다. * 다른 주문의 납기가 지연될 수 있다. Agent는 실행 전에 Digital Twin에 계획안을 전달한다. ### ① 현재상태 반영 Digital Twin은 다음의 현실정보를 갱신한다. * 현재 생산진도 * 설비상태와 고장위험 * 금형과 공구 가용성 * 원재료와 재공품 * 작업자와 교대시간 * 주문별 납기와 우선순위 ### ② 가상실행 Agent가 제시한 생산계획을 현실의 시스템에는 적용하지 않고 가상공장에 먼저 적용한다. ### ③ KPI 영향 분석 * 주문별 완료시간 * 설비가동률과 대기시간 * 금형교체시간 * 재공품과 병목 * 불량발생 가능성 * 설비고장 위험 * 에너지 피크 * 작업자 투입시간 ### ④ 제약조건 검증 * 설비능력을 초과하지 않는가 * 작업자의 자격과 근무시간을 지키는가 * 품질규격과 공정조건을 만족하는가 * 계획정비와 안전조건을 위반하지 않는가 * 자재와 금형을 실제로 사용할 수 있는가 ### ⑤ 대안 생성 기존 안이 조건을 만족하지 못하면 Agent는 Digital Twin의 결과를 이용해 새로운 계획을 만든다. 이 과정은 정해진 횟수와 시간 안에서만 반복해야 한다. 무제한으로 계획과 시뮬레이션을 반복하면 실행이 지연되거나 예상하지 못한 결과를 선택할 수 있다. ### ⑥ 승인 또는 자동실행 검증결과가 허용범위 안에 있으면 담당자에게 승인요청을 보낸다. 위험이 낮고 이미 검증된 업무는 사전 정책에 따라 자동승인할 수 있다. ### ⑦ 실행 후 비교 현실에서 실행한 뒤 Digital Twin의 예상결과와 실제결과를 비교한다. 예상과 현실의 차이가 크면 Agent의 자동실행 범위를 축소하고 Twin과 판단모델을 다시 검증한다. NIST의 제조 Digital Twin 연구에서도 Digital Twin의 권고를 사람이 평가하고 실행하는 구조와 자동화된 피드백을 제어기에 전달하는 구조를 구분한다. 자동피드백으로 갈수록 데이터와 모델, 통신과 제어에 대한 더 엄격한 검증이 필요하다. [NIST, Building a Digital Twin of a CNC Machine Tool](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=957945) Digital Twin은 Agent가 항상 올바른 판단을 내린다고 보증하지 않는다. Twin 역시 현실을 단순화한 모델이고 오차가 존재한다. 따라서 중요한 결정에는 모델의 적용범위와 불확실성, 사람의 검토를 함께 고려해야 한다. **AI Agent가 행동을 계획한다면 Digital Twin은 그 행동이 현실에서 허용될 수 있는지를 시험한다.** --- ## 7. 제조 AI Agent에 어디까지 권한을 부여해야 하는가 AI Agent의 효과를 높이기 위해 가능한 한 많은 권한을 주고 싶을 수 있다. 그러나 제조현장에서 자율성은 많을수록 좋은 기능이 아니다. Agent가 잘못 판단했을 때 발생하는 영향과 복구 가능성에 따라 권한을 구분해야 한다. ### ① 조회형 Agent Agent는 데이터를 읽고 설명하지만 시스템을 변경하지 않는다. * 생산현황 조회 * 품질문제 분석 * 설비이력 검색 * 작업표준 안내 * 보고서 작성 초기 도입에 적합하다. ### ② 초안작성형 Agent Agent는 실행에 필요한 초안을 만들지만 시스템에는 반영하지 않는다. * 정비작업 초안 * 생산계획 변경안 * 품질조치 보고서 * 자재구매 요청안 * 검사계획 변경안 담당자가 내용을 확인하고 직접 실행한다. ### ③ 승인요청형 Agent Agent가 시스템 변경을 준비하고 담당자에게 승인을 요청한다. 승인되면 정해진 도구를 이용해 실행한다. * CMMS 정비작업 생성 * MES 작업순서 변경 * QMS 검사주기 확대 * ERP 구매요청 등록 ### ④ 제한적 자율실행 Agent 위험이 낮고 충분히 검증된 업무를 정해진 조건 안에서 자동실행한다. * 이상설비 점검요청 생성 * AGV의 제한된 경로 재배정 * 에너지 피크를 피하기 위한 보조설비 운전조정 * 기준에 따른 검사샘플 확대 * 안전재고 이하 품목의 발주초안 생성 ### ⑤ 감독형 자율 Agent Agent가 지속해서 상황을 관찰하고 대응하며 사람은 예외와 결과를 감독한다. 이 수준은 제한된 공정과 명확한 운전영역에서만 적용해야 한다. ### ⑥ 직접제어 Agent 설비의 설정값과 제어명령을 자동으로 변경한다. 가장 높은 위험을 가진다. 직접제어가 필요한 경우에도 다음의 조건이 필요하다. * 변경 가능한 변수와 범위가 제한되어 있다. * 기존 제어시스템의 인터록을 통과한다. * Digital Twin 또는 공정모델에서 사전 검증한다. * 모델의 신뢰도가 기준 이상이다. * 실행 전후의 품질과 설비상태를 확인한다. * 이상 발생 시 즉시 이전 상태로 복구한다. * 비상정지와 안전시스템은 Agent와 독립되어 있다. 권한수준을 결정할 때는 다음을 함께 평가해야 한다. | 평가기준 | 낮은 위험 | 높은 위험 | | ------- | --------- | ------------ | | 실행의 영향 | 일부 보고서·일정 | 품질·안전·설비제어 | | 복구 가능성 | 쉽게 취소·수정 | 복구가 어렵거나 불가능 | | 업무의 반복성 | 반복적·표준화 | 비정형·예외가 많음 | | 규칙의 명확성 | 허용범위가 명확 | 판단기준이 불명확 | | 데이터 신뢰도 | 충분하고 안정적 | 누락·변동이 큼 | | 모델 검증 | 운영조건에서 검증 | 새로운 조건 | | 권장 방식 | 제한적 자동실행 | 전문가 검토와 승인 | NIST AI RMF는 AI 시스템의 위험수준과 조직의 위험허용도에 따라 감독과 관리자원을 다르게 배분하고, 운영 중 성능과 신뢰성을 지속해서 감시하도록 제시한다. [NIST AI RMF](https://www.nist.gov/itl/ai-risk-management-framework), [NIST AI RMF Manage 지침](https://airc.nist.gov/airmf-resources/playbook/manage/) Agent의 권한은 기술적으로 가능한 범위로 정해서는 안 된다. **오류가 발생했을 때 조직이 감당하고 복구할 수 있는 범위로 정해야 한다.** --- ## 8. AI Agent가 실패하면 어떻게 멈추고 복구해야 하는가 AI Agent는 실패할 수 있다. 데이터를 잘못 해석하거나 오래된 문서를 사용할 수 있다. 존재하지 않는 원인을 그럴듯하게 설명하고, 잘못된 도구를 선택하거나 작업을 반복할 수도 있다. 외부 시스템의 오류와 네트워크 단절, 권한설정 문제로 일부 작업만 실행되는 경우도 있다. 따라서 정상적인 수행과정만 설계해서는 안 된다. Agent가 실패할 때 어떻게 감지하고 멈추며 복구할지를 함께 설계해야 한다. ### ① 잘못된 정보 생성 Agent가 실제 데이터와 문서에 근거하지 않은 내용을 생성할 수 있다. **대응방안** * 답변과 판단의 출처를 표시한다. * 승인된 문서와 데이터만 사용한다. * 주요 수치와 설비상태는 원천시스템에서 다시 확인한다. * 근거가 부족하면 판단하지 않고 추가정보를 요청한다. ### ② 잘못된 대상 선택 설비명과 제품코드가 유사하면 다른 설비에 작업을 요청할 수 있다. **대응방안** * 공통 식별자를 사용한다. * 실행 전에 설비번호와 위치, 작업지시를 다시 확인한다. * 중요 작업은 사람이 대상을 명시적으로 확인한다. ### ③ 오래된 상태 사용 생산계획과 설비상태가 이미 변경됐는데 이전 정보를 기준으로 행동할 수 있다. **대응방안** * 데이터의 발생시간과 갱신시간을 확인한다. * 실행 직전에 현재상태를 다시 조회한다. * 계획수립 이후 상태가 변경되면 기존 승인을 무효화한다. ### ④ 작업의 무한반복 Agent가 목표를 달성하지 못한 채 검색과 계획, 시뮬레이션을 계속 반복할 수 있다. **대응방안** * 최대 작업단계와 실행시간을 제한한다. * 동일 도구의 반복호출 횟수를 제한한다. * 목표가 달성되지 않으면 사람에게 전환한다. ### ⑤ 부분실행 MES 작업은 변경됐지만 CMMS 작업이 생성되지 않는 등 일부만 실행될 수 있다. **대응방안** * 여러 작업을 하나의 실행단위로 관리한다. * 각 단계의 성공 여부를 확인한다. * 중간에 실패하면 이전 상태로 되돌리는 보상작업을 정의한다. * 복구할 수 없는 작업은 실행 전에 별도로 승인받는다. ### ⑥ 권한초과 Agent가 허용되지 않은 데이터나 기능에 접근할 수 있다. **대응방안** * 역할별 최소권한을 적용한다. * Agent마다 별도의 계정과 자격증명을 사용한다. * 중요한 도구는 실행 시점에 다시 권한을 확인한다. * 비정상적인 접근은 차단하고 보안담당자에게 알린다. ### ⑦ 위험한 공정조건 변경 Agent가 설비와 제품의 안전범위를 벗어난 값을 제안할 수 있다. **대응방안** * 허용범위를 Agent의 프롬프트가 아니라 실행도구에 강제한다. * Digital Twin과 업무규칙에서 사전 검증한다. * PLC와 안전시스템의 인터록을 유지한다. * 위험한 변경은 사람의 이중승인을 받는다. ### ⑧ 모델과 데이터의 변화 처음에는 정상적으로 작동하던 Agent가 신제품과 설비변경 이후 잘못 판단할 수 있다. **대응방안** * 데이터와 모델의 성능변화를 감시한다. * 적용범위를 벗어난 조건을 감지한다. * 새로운 제품과 설비에서는 자동실행을 중단한다. * 재검증 후 권한을 다시 부여한다. Agent의 중단은 단순히 프로그램을 종료하는 것이 아니다. 진행 중인 작업과 변경된 시스템의 상태를 확인하고 안전한 상태로 복구해야 한다. 이를 위해 다음이 준비되어야 한다. * 긴급중지 기능 * 수동운영 전환 * 이전 설정값 복원 * 미완료 작업목록 * 담당자 알림 * 장애원인과 수행이력 * 재실행과 폐기 기준 * 사고와 Near-miss 기록 NIST는 AI 시스템의 성능저하와 예상하지 못한 행동, 공격과 Near-miss를 지속해서 감시하고, 조직의 위험허용도를 초과한 시스템은 중단하거나 폐기할 수 있어야 한다고 제시한다. [NIST AI RMF Manage 지침](https://airc.nist.gov/airmf-resources/playbook/manage/) 좋은 AI Agent는 많은 작업을 스스로 수행하는 Agent만을 의미하지 않는다. **자신이 판단하기 어려운 상황을 인식하고, 안전하게 멈춘 뒤 사람에게 업무를 넘길 수 있어야 한다.** --- ## 9. 제조 AI Agent를 현실적으로 도입하는 방법 제조 AI Agent를 도입한다고 처음부터 공장 전체의 시스템과 설비를 연결할 필요는 없다. 하나의 반복업무를 선택하고 조회와 추천, 승인 후 실행, 제한적 자동실행으로 단계적으로 발전시키는 것이 현실적이다. 예를 들어 프레스 설비의 예지보전 업무에 Agent를 도입한다면 다음과 같이 접근할 수 있다. ### ① 문제와 목표를 정의한다 > *“프레스 주요 베어링의 이상징후를 조기에 발견하고 정비계획 수립시간과 비계획 정지를 줄인다.”* 목표 KPI를 정한다. * 비계획 정지시간 * 고장 사전감지율 * 불필요한 점검건수 * 정비계획 작성시간 * 부품 긴급구매 건수 ### ② 현재 업무를 정리한다 현재 작업자가 어떤 순서로 업무를 수행하는지 확인한다. * 알람 확인 * 센서추세 분석 * 설비이력 조회 * 매뉴얼 검색 * 현장점검 * 부품재고 확인 * 정비일정 협의 * 작업지시 발행 * 결과기록 업무에서 시간이 오래 걸리는 부분과 반복되는 부분을 찾는다. ### ③ 조회형 Agent부터 시작한다 초기 Agent에는 실행권한을 주지 않는다. 다음의 정보만 조회하고 요약하도록 한다. * 진동과 온도 추세 * 최근 알람 * 정비와 부품교체 이력 * 과거 유사고장 * 설비매뉴얼 * 부품재고 ### ④ 판단의 근거를 검증한다 Agent가 제시한 원인과 점검항목을 정비전문가가 확인한다. 틀린 답변과 누락된 정보를 기록하고 데이터와 지식체계를 개선한다. ### ⑤ 정비안 초안을 작성한다 Agent가 다음 내용을 포함한 정비계획 초안을 작성한다. * 예상 고장부위 * 판단근거와 신뢰도 * 권장 점검항목 * 필요한 부품과 공구 * 예상 작업시간 * 생산영향 * 대체 가능한 정비시점 ### ⑥ Digital Twin에서 생산영향을 검증한다 정비시점별로 생산계획과 납기, 대체설비의 부하를 비교한다. Agent가 고장위험만 보고 정비시점을 정하지 않도록 한다. ### ⑦ 승인 후 CMMS에 등록한다 정비담당자가 계획을 검토하고 승인하면 Agent가 CMMS에 작업을 생성한다. Agent가 입력한 내용과 승인자의 수정내용을 모두 기록한다. ### ⑧ 결과를 다시 수집한다 정비 후 실제 부품상태와 고장원인, 작업시간을 기록한다. Agent의 예측과 실제결과를 비교한다. ### ⑨ 제한적 자동화를 적용한다 충분히 검증된 업무부터 자동화한다. * 기준 이상의 이상징후가 발생하면 점검요청 자동생성 * 필요한 센서추세와 이력을 작업지시에 자동첨부 * 부품재고 부족 시 구매요청 초안 생성 * 계획정지 시간에 맞춘 정비일정 후보 작성 정비의 최종 승인과 안전조치는 사람이 담당한다. ### ⑩ 적용범위를 확대한다 첫 번째 설비에서 성과와 안전성이 확인되면 유사한 프레스와 다른 회전설비로 확대한다. 신규 설비와 다른 고장모드에는 별도의 검증을 수행한다. 제조 AI Agent의 도입단계를 정리하면 다음과 같다. **검색과 요약** ↓ **상황분석** ↓ **업무초안 작성** ↓ **대응안 추천** ↓ **Digital Twin 검증** ↓ **사람의 승인 후 실행** ↓ **제한된 범위의 자동실행** ↓ **결과평가와 지속적 개선** 중요한 것은 Agent의 자율성을 먼저 높이는 것이 아니다. **하나의 제조업무에서 데이터와 판단, 검증과 승인, 실행과 결과평가가 실제로 연결되는지를 먼저 증명하는 것**이다. --- ## 10. 경영진은 AI Agent의 자율성보다 무엇을 확인해야 하는가 AI Agent 사업을 추진할 때 경영진은 “사람 없이 얼마나 많은 업무를 처리할 수 있는가”에 관심을 가질 수 있다. 그러나 자율성의 수준만으로 사업의 성과와 안전성을 판단해서는 안 된다. 다음과 같은 질문이 필요하다. **첫째, Agent가 해결하려는 제조문제와 목표가 명확한가.** AI Agent 도입 자체가 목표가 되어서는 안 된다. 불량과 고장, 납기와 재고, 에너지와 같은 제조성과에 연결되어야 한다. **둘째, Agent가 어떤 데이터와 제조 지식을 사용하는가.** 원천데이터와 문서의 출처, 최신성과 품질을 확인해야 한다. **셋째, Agent가 사용할 수 있는 도구와 시스템은 무엇인가.** ERP와 MES, CMMS와 설비제어 가운데 어디까지 조회하고 변경할 수 있는지 명확해야 한다. **넷째, 조회권한과 실행권한이 구분되어 있는가.** 정보를 읽는 기능과 현실의 상태를 변경하는 기능은 별도로 통제해야 한다. **다섯째, Agent의 판단은 어떻게 검증되는가.** 업무규칙과 품질기준, Digital Twin을 통해 실행 전 영향을 확인해야 한다. **여섯째, 어떤 작업은 자동으로 실행되고 어떤 작업은 승인을 받는가.** 업무의 위험수준에 따라 승인조건과 책임자를 정해야 한다. **일곱째, Agent의 행동과 승인과정을 추적할 수 있는가.** 사용한 데이터와 판단근거, 도구호출과 실행결과가 모두 기록되어야 한다. **여덟째, 잘못된 행동을 어떻게 차단하고 복구하는가.** 비상중지와 수동전환, 이전 상태 복원과 장애대응 절차가 필요하다. **아홉째, Agent의 성능을 지속해서 관리하는 책임자가 있는가.** 언어모델과 제조데이터, 업무규칙, 인터페이스가 변경될 때 재검증해야 한다. **열째, Agent가 실제 제조성과를 개선했는가.** 다음의 지표를 확인해야 한다. * 문제분석 시간 단축 * 작업지시 작성시간 감소 * 불량과 비계획 정지 감소 * 납기준수율 향상 * 작업자의 반복업무 감소 * 잘못된 추천과 실행의 빈도 * 작업자의 수정·거부 비율 * Agent 도입과 운영비용 * 예상하지 못한 부작용과 Near-miss 경영진이 확인해야 할 것은 Agent가 사람처럼 말하는가가 아니다. **Agent가 어떤 책임을 맡고 있으며, 그 판단과 실행을 조직이 통제하고 결과에 책임질 수 있는가**이다. --- ## 마치며 제조 AI Agent는 단순한 챗봇이 아니다. 작업자의 질문에 답하고 보고서를 작성하는 기능은 출발점일 뿐이다. AI Agent는 제조의 목표를 이해하고 필요한 데이터와 지식을 찾는다. 해결해야 할 문제를 작업단위로 나누고 적절한 도구를 선택한다. Digital Twin과 업무규칙으로 대응안을 검증하고, 필요한 경우 사람에게 승인을 요청한다. 승인된 작업을 MES와 QMS, CMMS와 ERP에 반영하고 그 결과가 실제로 목표를 달성했는지 확인한다. 결국 제조 AI Agent의 기본 흐름은 다음과 같다. **목표를 이해한다.** **현재상태를 확인한다.** **필요한 데이터와 지식을 찾는다.** **수행할 작업을 계획한다.** **가능한 대응방안을 만든다.** **Digital Twin과 업무규칙으로 검증한다.** **필요한 승인을 받는다.** **허용된 도구로 실행한다.** **결과를 확인한다.** **실패하면 멈추고 복구한다.** **경험을 기록해 다음 판단을 개선한다.** 이 흐름이 연결될 때 생성형 AI는 단순한 정보도구에서 제조운영의 일부를 수행하는 Agent로 발전할 수 있다. 그러나 Agent가 더 많은 일을 수행한다고 반드시 더 좋은 자율제조가 되는 것은 아니다. Agent의 권한이 커질수록 잘못된 판단의 영향도 커진다. 특히 생산계획과 공정조건, 설비제어에 접근하는 Agent에는 일반적인 사무업무용 AI보다 훨씬 엄격한 데이터 품질과 권한관리, 검증과 안전장치가 필요하다. 사람의 승인을 없애는 것도 자율제조의 최종목표가 아니다. 반복적이고 위험이 낮으며 충분히 검증된 업무는 Agent가 수행할 수 있다. 새로운 상황과 불확실성이 높은 판단, 안전과 품질에 중대한 영향을 주는 결정은 사람이 맡아야 한다. AI가 판단할 수 없는 상황을 인식하고 사람에게 넘기는 것도 Agent가 갖추어야 할 중요한 능력이다. 제조 AI Agent의 경쟁력은 얼마나 자율적으로 행동하는가만으로 결정되지 않는다. **정확한 제조 지식에 근거해 판단하고, 검증된 범위에서 실행하며, 실패했을 때 안전하게 멈출 수 있는가.** 바로 이 능력이 AI의 판단을 실제 제조의 실행으로 연결하는 기반이 될 것이다. 다음 글에서는 제조 AI Agent가 데이터를 넘어 제조현장의 의미와 관계를 이해하기 위해 필요한 지식체계를 살펴보고자 한다. 같은 설비와 제품을 시스템마다 다르게 부르고, 작업자의 경험이 문서와 시스템에 흩어져 있다면 AI Agent는 어떻게 정확하게 판단할 수 있을까. **[자율제조 시리즈 ⑧] 제조 온톨로지와 지식그래프는 왜 AI Agent의 판단 기반이 되는가?** --- ### 참고자료 * [NIST — Artificial Intelligence Risk Management Framework](https://www.nist.gov/itl/ai-risk-management-framework) * [NIST — AI RMF Playbook: Manage](https://airc.nist.gov/airmf-resources/playbook/manage/) * [NIST — Artificial Intelligence](https://www.nist.gov/artificial-intelligence) * [NIST — Operator 4.0 and Human–AI Decision Support](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=930099) * [NIST — Conceptual Architecture of Digital Twins with Human-in-the-Loop-Based Smart Manufacturing](https://www.nist.gov/publications/search_by_author/1147581) * [NIST — Building a Digital Twin of a CNC Machine Tool](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=957945) * [NIST — Data Requirements for a Digital Twin of a Robot Workcell](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=936902) * [NIST — Risk Management and Industrial Artificial Intelligence](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=935278) * [ISA — ISA-95 Enterprise-Control System Integration](https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard) * [ISA — ISA/IEC 62443 Series of Standards](https://www.isa.org/standards-and-publications/isa-standards/isa-iec-62443-series-of-standards)
2026-08-16
[자율제조 시리즈 ⑥] Digital Twin은 왜 자율제조의 검증환경이 되어야 하는가?
### 현실을 보여주는 모델에서 AI의 판단을 시험하는 가상 제조환경으로 Digital Twin을 이야기하면 가장 먼저 떠올리는 것은 3차원으로 구현된 공장이다. 화면에는 생산라인과 설비가 실제와 비슷한 모습으로 배치되어 있고, 설비의 가동상태와 센서값이 색상과 그래프로 표시된다. 고장이 발생한 설비는 빨간색으로 바뀌고, AGV와 로봇의 이동도 실시간으로 확인할 수 있다. 이러한 시각화는 현장을 이해하는 데 도움이 된다. 그러나 공장을 3차원으로 보여준다고 해서 Digital Twin이 완성되는 것은 아니다. 현실의 데이터를 화면에 표시하는 것은 현재 상태를 관찰하는 기능에 가깝다. 자율제조에 필요한 Digital Twin은 현재를 보여주는 것을 넘어 미래의 변화를 예측하고, AI가 제안한 행동을 실제 설비에 적용하기 전에 시험할 수 있어야 한다. 예를 들어 AI가 다음과 같은 판단을 내렸다고 가정해보자. > *“불량률을 낮추기 위해 금형온도를 3℃ 높이고 보압시간을 0.2초 늘려야 한다.”* 이 판단을 곧바로 설비에 적용하면 제품 중량의 편차는 줄어들 수 있다. 그러나 사이클타임이 증가하거나 다른 유형의 불량이 발생할 수도 있다. 금형의 열변형과 설비부하가 커지고 에너지 사용량이 증가할 가능성도 있다. AI가 제안한 하나의 조치가 품질과 생산량, 설비수명, 에너지와 납기에 서로 다른 영향을 줄 수 있다. 따라서 다음과 같은 질문이 필요하다. **“AI가 어떤 조치를 제안했는가?”** 뿐만 아니라, **“그 조치를 실제 공장에 적용하기 전에 어떤 결과가 발생할지 검증했는가?”** 자율제조에서 Digital Twin은 단순한 가상공장이 아니다. **현실의 제조시스템을 데이터와 모델로 재현하고, AI의 판단과 운영변경이 가져올 결과를 실제 실행 전에 검증하는 가상 제조환경**이다. 이번 글에서는 Digital Twin이 왜 자율제조의 핵심 검증환경이 되어야 하는지 살펴보고자 한다. --- ### 목차 1. Digital Twin은 3D 공장과 무엇이 다른가 2. 자율제조에서 Digital Twin이 필요한 이유 3. 현실과 가상모델은 어떻게 연결되는가 4. Digital Twin은 무엇을 모델링해야 하는가 5. 모델의 정밀도는 높을수록 좋은가 6. AI의 판단은 Digital Twin에서 어떻게 검증되는가 7. Digital Twin의 결과를 어떻게 신뢰할 수 있는가 8. 하나의 Twin에서 Digital Thread와 Twin의 연합으로 9. 현실적인 제조 Digital Twin 구축방법 10. 경영진은 3D 화면보다 무엇을 확인해야 하는가 --- ## 1. Digital Twin은 3D 공장과 무엇이 다른가 Digital Twin과 비슷한 표현으로 Digital Model과 Digital Shadow가 함께 사용된다. 이들을 엄격하게 구분하는 방식은 기관과 연구에 따라 차이가 있지만, 데이터의 연결방향과 활용목적을 기준으로 실무적으로 구분하면 이해하기 쉽다. ### ① Digital Model 현실의 제품과 설비, 공정을 디지털로 표현한 모델이다. CAD로 작성한 설비 형상, 생산라인의 3D 모델, 공정 시뮬레이션 모델이 여기에 해당할 수 있다. Digital Model은 현실을 설명하지만 현실의 상태가 자동으로 반영되지 않을 수 있다. 설비조건이나 생산계획이 변경되면 사용자가 모델을 직접 수정해야 한다. ### ② Digital Shadow 현실에서 발생한 데이터가 디지털 모델에 자동으로 반영된다. PLC와 센서, MES의 데이터가 연결되어 설비의 가동상태와 생산실적, 품질현황을 확인할 수 있다. 현실의 변화가 디지털 공간에 반영되기 때문에 현재상태를 관찰하고 분석하는 데 유용하다. 그러나 디지털 공간의 판단이 현실에 다시 반영되는 구조는 제한적일 수 있다. ### ③ Digital Twin 현실의 제조대상과 디지털 표현이 지속해서 연결된다. 현실의 데이터가 Twin을 갱신하고, Digital Twin은 현재상태를 분석하고 미래의 변화를 예측한다. 가상환경에서 여러 대응방안을 시험한 뒤 검증된 결과를 실제 제조운영에 반영할 수도 있다. 정리하면 다음과 같다. **Digital Model** > *현실을 디지털로 표현한다.* **Digital Shadow** > *현실의 변화가 디지털 모델에 반영된다.* **Digital Twin** > *현실과 디지털 모델이 연결되고, 분석과 시뮬레이션 결과가 다시 현실의 의사결정에 활용된다.* 그러나 양방향 데이터 연결만 있다고 해서 항상 충분한 Digital Twin이라고 보기는 어렵다. 모델이 실제 제조현상을 올바르게 설명하지 못하거나 시뮬레이션 결과의 오차를 알 수 없다면 잘못된 판단을 현실에 전달할 수 있다. NIST는 제조 Digital Twin을 스마트센서와 IIoT, AI, 모델링과 시뮬레이션을 이용해 제조시스템을 관찰·진단·예측·최적화하는 수단으로 설명한다. 또한 신뢰할 수 있는 Digital Twin을 위해 모델의 검증과 불확실성 정량화가 필요하다고 강조한다. [NIST Digital Twins for Advanced Manufacturing](https://www.nist.gov/programs-projects/digital-twins-advanced-manufacturing) 따라서 Digital Twin의 핵심은 화려한 3D 그래픽이 아니다. **현실을 설명하는 모델이 실제 데이터로 갱신되고, 그 모델을 이용한 판단의 결과를 다시 현실에서 활용할 수 있는가**이다. --- ## 2. 자율제조에서 Digital Twin이 필요한 이유 기존의 자동화시스템은 미리 정해진 규칙에 따라 동작한다. 온도가 기준을 넘으면 설비를 정지하거나, 센서가 제품을 감지하면 로봇이 정해진 동작을 수행한다. 규칙과 조건이 명확한 업무에서는 이러한 방식이 효과적이다. 그러나 자율제조에서는 AI가 현장의 상황에 따라 새로운 판단을 내릴 수 있다. * 생산순서를 변경한다. * 설비속도를 조정한다. * 공정조건을 변경한다. * AGV의 이동경로를 바꾼다. * 정비시점을 앞당긴다. * 일부 제품의 품질검사를 확대한다. * 에너지 사용을 줄이기 위해 설비운전을 분산한다. 이러한 판단은 사전에 모든 결과를 규칙으로 정의하기 어렵다. 또한 하나의 변경이 여러 공정과 KPI에 연쇄적으로 영향을 줄 수 있다. 예를 들어 생산계획 AI가 긴급주문을 반영하기 위해 작업순서를 변경했다고 가정해보자. 납기는 맞출 수 있지만 금형교체 횟수가 증가할 수 있다. 원재료 준비가 늦어지고 재공품이 특정 공정에 집중될 수도 있다. 계획정비 시간이 확보되지 않아 설비고장 위험이 커질 가능성도 있다. 사람이 이러한 영향을 모두 계산하는 것은 쉽지 않다. 그러나 AI의 판단을 검증 없이 실제 공장에 적용하는 것도 위험하다. Digital Twin은 이 사이에서 다음과 같은 역할을 수행한다. ### 첫째, 실행 전에 결과를 예상한다 AI가 제안한 공정조건과 생산계획을 가상환경에 적용해 품질과 생산량, 설비부하가 어떻게 변하는지 확인한다. ### 둘째, 여러 대안을 비교한다 하나의 대응안만 검토하지 않고 여러 시나리오의 결과를 비교한다. * 생산량을 우선한 계획 * 납기를 우선한 계획 * 에너지 사용을 줄이는 계획 * 설비부하를 최소화하는 계획 * 품질위험을 최소화하는 계획 ### 셋째, 실제 공장에서 시험하기 어려운 상황을 검증한다 설비고장과 화재, 통신장애, 공급중단과 같은 상황을 실제 공장에서 의도적으로 발생시키기는 어렵다. Digital Twin에서는 이러한 예외상황을 가상으로 만들고 대응절차를 시험할 수 있다. ### 넷째, AI를 운영 전에 시험한다 새로운 AI 모델을 실제 제어에 연결하기 전에 과거 데이터와 가상환경을 이용해 판단결과를 검증한다. ### 다섯째, 실행 후 예상과 현실을 비교한다 실제로 실행한 결과가 Digital Twin의 예상과 얼마나 일치했는지 확인한다. 차이가 발생하면 모델과 AI를 수정하고 다음 판단에 반영한다. Digital Twin은 자율제조의 Closed Loop 안에서 다음과 같은 위치를 가진다. **현실 데이터 수집** ↓ **AI의 상황 인식과 판단** ↓ **Digital Twin을 통한 가상실행** ↓ **품질·안전·생산성 영향 검증** ↓ **사람의 승인 또는 자동승인** ↓ **현실의 설비와 시스템에서 실행** ↓ **실행결과와 예상결과 비교** ↓ **AI와 Twin의 학습 및 보정** 자율제조에서 Digital Twin이 필요한 이유는 현실을 멋지게 보여주기 위해서가 아니다. **AI의 판단과 실제 실행 사이에 검증단계를 만들기 위해서**다. --- ## 3. 현실과 가상모델은 어떻게 연결되는가 Digital Twin은 현실의 설비와 공정을 한 번 모델링한다고 완성되지 않는다. 현실의 상태가 계속 변하기 때문이다. 설비부품은 마모되고, 원재료의 특성은 LOT마다 달라진다. 작업자와 생산제품이 바뀌고 계절에 따라 온도와 습도도 변한다. Digital Twin이 현실을 대신해 판단하려면 이러한 변화가 모델에 반영되어야 한다. 현실과 Digital Twin의 연결은 일반적으로 다음과 같은 흐름으로 구성할 수 있다. ### ① 현실 제조대상 Digital Twin의 대상이 되는 제품과 설비, 공정, 생산라인이다. ISO 23247에서는 이를 관찰 가능한 제조요소(Observable Manufacturing Element)라는 개념으로 다룬다. 대상은 하나의 센서나 부품일 수도 있고, 설비와 생산라인 또는 공장 전체일 수도 있다. ### ② 데이터 수집 현실의 상태를 확인하기 위해 다양한 데이터를 수집한다. * 센서의 온도·압력·진동·전류 * PLC의 운전조건과 알람 * CNC와 로봇의 위치 및 속도 * MES의 작업지시와 생산실적 * QMS의 검사결과 * CMMS의 고장과 정비이력 * ERP의 주문·재고·원가정보 * 작업자의 점검과 조치기록 ### ③ 데이터 맥락화 수집한 데이터를 제품과 LOT, 설비, 공정, 작업지시에 연결한다. 온도 180℃라는 값만 전달하는 것이 아니라 어떤 제품을 어느 설비에서 생산할 때 어느 위치에서 측정한 값인지 설명할 수 있어야 한다. ### ④ 상태추정 직접 측정하기 어려운 상태를 수집데이터와 모델을 이용해 추정한다. * 공구와 베어링의 마모상태 * 설비의 잔여수명 * 제품 내부의 온도분포 * 공정 중 제품의 품질상태 * 배관 내부의 압력과 유동상태 현장의 모든 상태를 센서로 직접 측정할 수 없기 때문에 Digital Twin은 관측된 데이터로 보이지 않는 상태를 추정한다. ### ⑤ 모델 갱신 현실에서 발생한 변화를 반영해 모델의 변수와 조건을 조정한다. 설비가 노후화되거나 새로운 원재료가 투입되면 동일한 운전조건에서도 결과가 달라질 수 있다. 이 차이를 모델에 반영하지 않으면 Digital Twin은 현실에서 멀어진다. ### ⑥ 시뮬레이션과 분석 현재상태를 기준으로 미래의 변화를 예측하거나 여러 운영대안을 시험한다. ### ⑦ 의사결정 지원과 실행연계 검증된 결과를 작업자에게 제공하거나 MES와 CMMS, 제어시스템에 전달한다. ISO 23247 시리즈는 제조 Digital Twin의 기본원칙과 참조구조, 제조요소의 디지털 표현 및 정보교환 요구사항을 제시한다. [ISO 23247-1:2021](https://www.iso.org/standard/75066.html), [ISO 23247-2:2021](https://www.iso.org/standard/78743.html), [ISO 23247-3:2021](https://www.iso.org/standard/78744.html), [ISO 23247-4:2021](https://www.iso.org/standard/78745.html) 여기에서 중요한 것은 데이터의 실시간성만이 아니다. 모든 Digital Twin이 밀리초 단위의 데이터 갱신을 필요로 하지는 않는다. 로봇충돌을 검증하는 Twin은 매우 빠른 갱신이 필요할 수 있지만, 설비의 주간 정비계획을 분석하는 Twin은 분 또는 시간 단위의 갱신으로 충분할 수 있다. 갱신주기는 활용목적에 맞게 정해야 한다. 현실과 Digital Twin의 연결에서 핵심은 무조건 빠른 데이터가 아니다. **판단에 필요한 상태가 필요한 시점에 정확한 의미와 함께 Twin에 반영되는 것**이다. --- ## 4. Digital Twin은 무엇을 모델링해야 하는가 제조공장을 하나의 모델로 완벽하게 표현하는 것은 현실적으로 어렵다. 제품의 형상과 재료특성, 설비의 물리적 움직임, 작업자의 행동, 생산계획과 물류흐름까지 모두 다른 방식으로 표현해야 하기 때문이다. 따라서 Digital Twin은 목적에 따라 필요한 모델을 조합해야 한다. ### ① 기하학적 모델 제품과 설비, 공장의 형상과 공간관계를 표현한다. * 제품과 부품의 3D CAD * 설비와 생산라인의 배치 * 로봇의 작업공간 * AGV와 작업자의 이동경로 * 배관과 전기설비의 위치 * 안전구역과 간섭영역 기하학적 모델은 충돌과 간섭, 공간배치, 작업동선을 검증하는 데 유용하다. ### ② 물리 모델 현실에서 발생하는 물리현상을 수식과 해석모델로 표현한다. * 열전달과 냉각 * 응력과 변형 * 유체의 압력과 흐름 * 진동과 마찰 * 전력과 에너지 * 로봇과 설비의 운동 물리 모델은 공정조건 변화가 제품과 설비에 미치는 영향을 설명하는 데 도움이 된다. 다만 계산량이 많아 실시간 운영에 적용하기 어려울 수 있다. ### ③ 데이터 기반 모델 과거의 센서와 생산·품질 데이터를 학습해 입력조건과 결과의 관계를 예측한다. * 품질예측 모델 * 설비 이상탐지 모델 * 고장과 잔여수명 예측 * 사이클타임 예측 * 에너지 사용량 예측 데이터 기반 모델은 복잡한 현상을 빠르게 예측할 수 있지만 학습하지 않은 조건에서는 신뢰도가 낮아질 수 있다. ### ④ 운영 모델 작업과 자재, 설비의 흐름을 표현한다. * 작업순서와 공정경로 * 설비별 처리시간 * 대기와 병목 * 자재와 재공품 이동 * 작업자 배치 * 금형과 공구 교체 * 고장과 정비일정 이산사건 시뮬레이션 등을 이용해 생산계획과 물류흐름을 검증할 수 있다. ### ⑤ 업무규칙 모델 제조현장에서 반드시 지켜야 하는 조건과 판단기준을 표현한다. * 제품별 공정조건의 허용범위 * 작업자의 자격요건 * 품질검사와 승인절차 * 설비의 안전조건 * 자재 대체사용 규칙 * 고객별 우선순위 * 정비와 교정기준 업무규칙은 AI가 수학적으로 좋은 결과를 제시하더라도 현장에서 실행할 수 없는 판단을 걸러낸다. ### ⑥ 경제성과 KPI 모델 운영변경이 생산성과 비용에 미치는 영향을 계산한다. * 생산량과 설비가동률 * 불량과 재작업 비용 * 전환과 준비시간 * 재고와 물류비용 * 에너지 사용량 * 납기지연 비용 * 설비정지 손실 ### ⑦ 사람과 조직의 모델 제조는 설비만으로 운영되지 않는다. 작업자의 숙련도와 근무시간, 이동, 피로도와 안전도 생산결과에 영향을 준다. 다만 사람을 모델링할 때는 개인정보보호와 노동권, 감시의 문제를 함께 고려해야 한다. 하나의 Digital Twin에 이러한 모델을 모두 넣을 필요는 없다. 예지보전을 위한 Twin은 설비의 상태와 정비이력이 중요하다. 생산계획을 위한 Twin은 공정경로와 처리시간, 자원제약이 중요하다. 사출성형 품질을 위한 Twin은 원재료와 금형, 공정조건과 제품 품질의 관계가 중요하다. 좋은 Digital Twin은 가장 많은 모델을 가진 Twin이 아니다. **해결할 문제와 검증할 의사결정에 필요한 현실을 적절한 수준으로 표현한 Twin**이다. --- ## 5. 모델의 정밀도는 높을수록 좋은가 Digital Twin을 구축할 때 현실과 똑같이 만들겠다는 목표를 세우기 쉽다. 설비의 모든 부품을 3차원으로 구현하고, 모든 센서데이터를 연결하며, 모든 물리현상을 정밀하게 계산하려고 한다. 그러나 현실을 완벽하게 복제하는 것은 불가능하다. 정밀한 모델은 많은 데이터와 계산자원, 개발비용을 요구한다. 시뮬레이션 시간이 길어져 실제 의사결정 시점에 결과를 제공하지 못할 수도 있다. 반대로 모델이 지나치게 단순하면 중요한 현상을 설명하지 못한다. 따라서 Digital Twin의 정밀도 또는 충실도(Fidelity)는 활용목적에 맞게 정해야 한다. 예를 들어 생산라인의 월간 생산능력을 분석하려면 설비 내부의 볼트와 배선까지 모델링할 필요는 없다. 다음의 정보가 더 중요하다. * 설비별 처리시간 * 고장과 정비시간 * 작업순서 * 자재공급 * 공정 간 대기 * 제품별 생산비율 반면 로봇과 작업자의 충돌위험을 검증하려면 설비의 형상과 로봇궤적, 안전구역을 정확하게 표현해야 한다. 공정품질을 예측하려면 온도와 압력, 재료특성, 금형상태의 모델이 필요하다. Digital Twin의 충실도는 다음과 같은 관점에서 평가할 수 있다. ### ① 공간적 충실도 제품과 설비의 형상, 위치와 간격이 현실과 얼마나 일치하는가. ### ② 시간적 충실도 현실의 변화가 얼마나 적절한 주기와 지연시간으로 반영되는가. ### ③ 물리적 충실도 온도와 압력, 운동, 마모와 같은 물리현상을 얼마나 정확하게 설명하는가. ### ④ 행동적 충실도 설비와 공정이 실제 운전규칙과 동일하게 동작하는가. ### ⑤ 데이터 충실도 센서와 생산, 품질데이터가 정확한 단위와 의미로 연결되는가. ### ⑥ 운영적 충실도 작업자와 자재, 설비, 생산계획의 제약조건이 현실적으로 반영되는가. ### ⑦ 시각적 충실도 화면의 모습이 현실과 얼마나 비슷한가. 이 가운데 어떤 충실도가 중요한지는 활용목적에 따라 달라진다. 3D 화면은 정교하지만 공정의 열변형을 계산하지 못할 수 있다. 시각적으로 단순한 수학모델이 품질변화를 더 정확하게 예측할 수도 있다. 모든 영역의 충실도를 가장 높은 수준으로 만드는 것보다, **검증하려는 판단에 영향을 주는 요소를 정확하게 표현하는 것이 중요하다.** --- ## 6. AI의 판단은 Digital Twin에서 어떻게 검증되는가 Digital Twin은 AI가 제안한 행동을 가상으로 실행해 결과를 비교하는 역할을 한다. 이 과정을 단계별로 살펴보면 다음과 같다. ### ① 현실상태 동기화 현재 생산제품과 작업지시, 설비상태, 원재료와 공정조건을 Digital Twin에 반영한다. 오래된 상태에서 시뮬레이션하면 현재 공장에 맞지 않는 결과가 나올 수 있다. ### ② AI의 대응안 생성 AI가 현재상황과 목표를 바탕으로 하나 이상의 대응방안을 만든다. 예를 들어 생산계획 AI는 다음과 같은 대안을 제시할 수 있다. * A안: 긴급주문의 납기를 최우선으로 조정 * B안: 기존 고객의 납기지연을 최소화 * C안: 금형교체와 준비시간을 최소화 * D안: 설비부하와 고장위험을 최소화 ### ③ 가상실행 각 대응안을 Digital Twin에 적용한다. 현실의 설비와 생산시스템에는 아직 변경사항을 전달하지 않는다. ### ④ 결과예측 각 대안이 다음의 KPI에 미치는 영향을 계산한다. * 주문별 완료예정시간 * 설비가동률과 병목 * 금형교체와 준비시간 * 재공품과 재고 * 불량발생 가능성 * 에너지 사용량 * 설비부하와 정비위험 * 작업자의 투입시간 ### ⑤ 제약조건 검증 대안이 반드시 지켜야 하는 조건을 만족하는지 확인한다. * 안전조건 * 품질규격 * 설비의 운전범위 * 작업자 자격과 근무시간 * 자재와 공구의 가용성 * 고객 납기 * 환경과 에너지 제한 ### ⑥ 대안비교 각 대안의 장점과 부작용을 함께 비교한다. 예를 들면 다음과 같다. | 대안 | 긴급주문 납기 | 기존 주문 영향 | 교체시간 | 설비부하 | 판단 | | -- | ------: | -------: | ---: | ---: | ------- | | A안 | 충족 | 2건 지연 | 높음 | 높음 | 조건부 적용 | | B안 | 4시간 지연 | 영향 없음 | 보통 | 보통 | 안정적 | | C안 | 1일 지연 | 영향 없음 | 최소 | 낮음 | 비용 우수 | | D안 | 8시간 지연 | 1건 지연 | 보통 | 최소 | 고장위험 우수 | AI는 단순히 “A안이 최적”이라고 제시해서는 안 된다. 어떤 목표에 가중치를 두었는지, 다른 KPI에는 어떤 영향이 있는지 설명해야 한다. ### ⑦ 승인과 실행 검증결과가 기준을 만족하면 담당자가 승인하거나 사전에 정의된 규칙에 따라 자동승인한다. 승인된 결과만 MES와 CMMS, PLC 또는 제어시스템에 전달한다. ### ⑧ 현실결과 비교 실행 후 실제 생산결과와 Digital Twin의 예상결과를 비교한다. * 예상한 사이클타임과 실제 사이클타임 * 예상불량률과 실제불량률 * 예상에너지와 실제에너지 * 예상완료시간과 실제완료시간 * 예상설비부하와 실제설비상태 차이가 허용범위를 벗어나면 모델과 데이터, 가정을 다시 확인한다. Digital Twin을 이용한 AI 검증은 처음부터 실제 실행으로 연결하지 않고 다음과 같이 단계적으로 운영할 수 있다. **오프라인 검증** > 과거 데이터를 이용해 AI와 Twin의 결과를 평가한다. **Shadow Mode** > 실제 공장의 데이터를 실시간으로 받지만 판단결과는 현실에 실행하지 않는다. 기존 작업자의 결정과 AI의 결정을 비교한다. **Advisory Mode** > AI가 대응안을 추천하고 Digital Twin의 검증결과를 작업자에게 제공한다. **Approval Mode** > AI가 실행안을 작성하지만 담당자의 승인을 받은 뒤 적용한다. **Limited Autonomous Mode** > 사전에 검증된 조건과 허용범위 안에서만 자동실행한다. 이 과정의 핵심은 Digital Twin에서 성공한 결과를 곧바로 일반화하지 않는 것이다. 가상환경과 현실에는 항상 차이가 존재한다. 따라서 작은 변경부터 실제에 적용하고 결과를 확인해야 한다. **Simulation-to-Reality의 차이를 지속해서 측정하고 줄이는 과정**이 필요하다. --- ## 7. Digital Twin의 결과를 어떻게 신뢰할 수 있는가 Digital Twin의 결과가 그럴듯하게 보인다고 해서 신뢰할 수 있는 것은 아니다. 잘못된 데이터와 가정으로 만든 정교한 시뮬레이션은 오히려 잘못된 판단에 확신을 줄 수 있다. Digital Twin의 신뢰성을 확보하려면 검증(Verification), 타당성 확인(Validation), 불확실성 정량화(Uncertainty Quantification)를 구분해야 한다. ### ① Verification: 모델을 의도한 대로 구현했는가 모델의 수식과 논리, 소프트웨어가 설계한 내용대로 작동하는지 확인한다. 예를 들면 다음과 같다. * 공정순서가 정확하게 구현됐는가 * 설비의 처리시간 단위가 올바른가 * 자재제약과 우선순위 규칙이 정상적으로 작동하는가 * 계산과 인터페이스에 오류가 없는가 * 입력조건에 따라 예상한 방향으로 결과가 변하는가 Verification은 쉽게 표현하면, > *“모델을 제대로 만들었는가?”* 를 확인하는 과정이다. ### ② Validation: 모델이 현실을 충분히 설명하는가 Digital Twin의 결과를 실제 제조데이터와 비교한다. * 설비의 실제 동작과 가상동작 * 실제 생산량과 예측 생산량 * 실제 사이클타임과 모델의 사이클타임 * 실제 품질결과와 예측결과 * 실제 에너지 사용량과 계산결과 Validation은, > *“올바른 현실을 모델링했는가?”* 를 확인하는 과정이다. ### ③ Uncertainty Quantification: 결과가 얼마나 불확실한가 제조현장의 데이터와 모델에는 불확실성이 존재한다. * 센서의 측정오차 * 원재료의 편차 * 작업시간의 변동 * 설비고장의 불확실성 * 모델의 단순화 * 학습데이터의 부족 * 미래 주문과 작업조건의 변화 따라서 Digital Twin의 결과를 하나의 확정값으로 제시하는 것보다 범위와 확률로 표현해야 한다. > *“생산완료 예상시간은 오후 4시 20분이다.”* 보다, > *“현재 조건에서 생산완료시간은 오후 4시 10분에서 4시 50분 사이로 예상되며, 오후 5시 이전 완료 가능성은 85%다.”* 라고 제시하는 것이 의사결정에 더 유용하다. ### ④ 적용목적에 따른 검증 하나의 Digital Twin이 모든 목적에서 동일한 신뢰도를 갖는 것은 아니다. 생산량 예측에는 충분한 모델이라도 로봇충돌을 판단하기에는 정확하지 않을 수 있다. 따라서 다음을 명시해야 한다. * 어떤 목적으로 사용할 수 있는가 * 어떤 제품과 설비에 적용되는가 * 어떤 운전조건에서 검증됐는가 * 허용오차는 얼마인가 * 어떤 조건에서는 사용할 수 없는가 NIST는 제조 Digital Twin의 신뢰성을 위해 데이터와 모델, 결과에 대한 검증과 불확실성 정량화가 필요하다고 설명하며, 제조 Digital Twin을 위한 VVUQ 프레임워크 표준화와 테스트베드 연구를 추진하고 있다. [NIST Digital Twins for Advanced Manufacturing](https://www.nist.gov/programs-projects/digital-twins-advanced-manufacturing), [NIST Validating and Advancement](https://www.nist.gov/digital-twins/validating-and-advancement) ### ⑤ 지속적인 재검증 Digital Twin은 한 번 검증한 뒤 계속 사용할 수 있는 고정모델이 아니다. 다음과 같은 변화가 발생하면 재검증이 필요하다. * 설비와 부품의 교체 * 금형과 공구의 변경 * 신제품과 신규 원재료 투입 * 공정조건과 작업표준 변경 * 센서와 데이터 수집방식 변경 * AI 모델 업데이트 * 생산계획과 제품구성 변화 Digital Twin의 신뢰도는 모델의 이름이나 공급업체가 보장하지 않는다. **예상결과와 현실결과를 지속해서 비교하고, 적용 가능한 범위와 오차를 관리하는 과정**에서 만들어진다. --- ## 8. 하나의 Twin에서 Digital Thread와 Twin의 연합으로 제조현장의 Digital Twin은 하나만 존재하지 않는다. 제품의 Twin과 설비의 Twin, 공정의 Twin, 생산라인과 물류의 Twin이 서로 다른 목적과 기술로 구축될 수 있다. 예를 들어 하나의 자동차부품을 생산하려면 다음의 Twin이 필요할 수 있다. * 제품 형상과 품질특성의 Product Twin * 금형과 프레스 설비의 Asset Twin * 성형과 용접, 도장공정의 Process Twin * 생산라인과 물류흐름의 System Twin * 공구와 설비의 유지보수 Twin * 완제품의 사용과 서비스 Twin 문제는 각각의 Twin이 서로 다른 데이터와 코드, 시간과 모델을 사용한다는 것이다. 제품 Twin에서는 설계품번을 사용하지만 MES에서는 생산품목코드를 사용할 수 있다. 설비 Twin과 정비시스템의 설비코드가 다를 수도 있다. 이들이 연결되지 않으면 하나의 공정변경이 제품과 설비, 생산계획에 미치는 영향을 함께 검증하기 어렵다. ### Digital Thread의 역할 Digital Thread는 제품과 제조시스템의 생애주기에서 생성되는 정보를 연결하는 데이터의 흐름이다. * 제품 요구사항 * 설계와 도면 * 공정설계 * 생산계획 * 작업지시 * 설비운전 * 품질검사 * 출하와 서비스 * 정비와 변경이력 Digital Thread가 연결되면 Digital Twin은 설계값과 현재 운전상태, 품질결과를 함께 활용할 수 있다. 2026년 발행된 ISO 23247-5는 설계·계획·생산·시험을 포함한 제품 생애주기 전반에서 Digital Thread가 제조 Digital Twin의 생성과 연결, 관리와 유지에 어떻게 활용되는지를 다룬다. [ISO 23247-5:2026](https://www.iso.org/standard/87425.html) ### 여러 Digital Twin의 결합 공장 전체를 하나의 거대한 Twin으로 만들기보다 목적별로 구축된 여러 Twin을 연결하는 방식이 현실적일 수 있다. 예를 들어 생산계획을 변경할 때 다음의 Twin을 연계할 수 있다. **생산라인 Twin** > 병목과 생산완료시간을 분석한다. **설비 Twin** > 변경된 부하가 고장위험에 미치는 영향을 분석한다. **품질 Twin** > 생산속도와 공정조건 변경이 불량에 미치는 영향을 분석한다. **에너지 Twin** > 설비운전 변경에 따른 에너지 피크를 분석한다. **물류 Twin** > 원재료와 재공품의 이동 및 적체를 분석한다. ISO 23247-6:2026은 여러 제조 Digital Twin의 통신과 집계, 상호운용을 위한 Digital Twin Composition을 다룬다. 서로 다른 개발주체가 구축한 Twin을 결합할 수 있도록 통합형, 통일형, 연합형 구성방식과 구현지침을 제시한다. [ISO 23247-6:2026](https://www.iso.org/standard/87426.html) Digital Twin의 확장은 모든 모델을 하나의 시스템에 넣는 방향이 아니다. **각 Twin의 역할과 데이터, 책임을 구분하면서 필요한 의사결정에 따라 서로 연결하는 방향**으로 이루어져야 한다. --- ## 9. 현실적인 제조 Digital Twin 구축방법 Digital Twin을 구축한다고 처음부터 공장 전체를 3D로 구현하면 범위와 비용이 지나치게 커질 수 있다. 먼저 하나의 제조문제와 하나의 판단을 선택해야 한다. 예를 들어 프레스 생산라인의 비계획 정지와 생산지연을 줄이는 것을 목표로 한다면 다음과 같이 접근할 수 있다. ### ① 해결할 문제를 정의한다 > *“프레스 설비의 고장위험을 반영해 생산계획을 조정하고 비계획 정지로 인한 납기지연을 줄인다.”* “공장 Digital Twin 구축”처럼 기술을 목표로 정하지 않는다. 줄여야 할 손실과 개선할 KPI를 명확하게 정의한다. ### ② 검증할 의사결정을 정한다 Digital Twin에서 무엇을 시험할 것인지 정한다. * 생산순서 변경 * 설비별 작업 재배정 * 예방정비 시점 조정 * 설비속도 제한 * 대체설비 사용 * 안전재고와 납기 조정 ### ③ 대상범위를 제한한다 첫 단계에서는 하나의 제품군과 생산라인, 주요 설비를 대상으로 한다. Twin의 대상과 적용조건, 제외범위를 명확하게 정한다. ### ④ 필요한 모델을 선택한다 목표에 필요한 모델만 구성한다. * 설비별 처리시간 * 제품별 공정경로 * 고장확률과 정비시간 * 금형과 공구의 가용성 * 작업자와 자재제약 * 주문별 납기 * 설비부하와 품질의 관계 생산지연 문제를 해결하는 데 필요하지 않다면 모든 부품의 정밀한 3D 모델은 후순위로 둔다. ### ⑤ 필요한 데이터를 연결한다 * MES의 작업지시와 생산실적 * PLC의 운전상태와 알람 * CMMS의 고장과 정비이력 * QMS의 품질결과 * ERP의 주문과 자재정보 * 설비별 처리시간과 준비시간 설비와 제품, 작업지시를 공통 식별자와 시간으로 연결한다. ### ⑥ 현재상태를 재현한다 Digital Twin의 생산량과 대기시간, 설비가동률이 실제 현장과 유사한지 확인한다. 현재를 설명하지 못하는 모델로 미래를 예측해서는 안 된다. ### ⑦ 과거사례로 검증한다 과거에 발생한 고장과 생산지연 상황을 Twin에서 다시 실행한다. 당시의 결과를 어느 정도 재현하는지 확인하고 모델의 변수와 규칙을 조정한다. ### ⑧ What-if 시나리오를 시험한다 * 프레스 1호기가 4시간 정지하면 어떻게 되는가 * 긴급주문이 추가되면 어느 설비에 배정해야 하는가 * 정비를 하루 앞당기면 납기에는 어떤 영향이 있는가 * 생산속도를 10% 줄이면 고장위험과 생산량은 어떻게 변하는가 * 원재료 공급이 지연되면 어떤 생산순서가 적절한가 ### ⑨ Shadow Mode로 운영한다 Digital Twin을 실제 데이터와 연결하되 실행에는 반영하지 않는다. 기존 계획과 Twin의 추천안을 비교하고 예상결과와 실제결과의 차이를 측정한다. ### ⑩ 승인형 실행으로 연결한다 충분히 검증된 뒤 Twin의 결과를 생산관리자와 설비담당자에게 제공한다. 담당자가 승인한 계획만 MES와 CMMS에 반영한다. ### ⑪ 제한적 자동화를 적용한다 위험이 낮고 검증된 범위에 한해 자동실행한다. * 정비점검 요청 생성 * 대체설비 추천 * 작업순서의 제한적 조정 * AGV 배차 변경 * 에너지 운전시간 조정 ### ⑫ 운영하며 지속해서 보정한다 예상결과와 실제결과의 차이를 지속해서 측정한다. 설비와 제품, 공정이 변경되면 Twin도 함께 갱신한다. 이 접근의 핵심은 다음과 같다. **3D 모델에서 시작하지 않는다.** **해결할 제조문제에서 시작한다.** **공장 전체에서 시작하지 않는다.** **하나의 의사결정에서 시작한다.** **곧바로 자동제어하지 않는다.** **가상검증과 Shadow Mode를 거쳐 권한을 확대한다.** Digital Twin의 첫 번째 성과는 공장을 멋지게 보여주는 것이 아니다. **현실에서 시험하기 어렵거나 위험한 의사결정을 가상환경에서 비교하고, 더 나은 선택을 할 수 있도록 만드는 것**이다. --- ## 10. 경영진은 3D 화면보다 무엇을 확인해야 하는가 Digital Twin 사업을 보고받을 때 경영진은 그래픽의 완성도에 주목하기 쉽다. 그러나 화면이 현실과 비슷하다고 해서 제조성과가 개선되는 것은 아니다. 다음과 같은 질문이 필요하다. **첫째, Digital Twin이 해결하려는 제조문제는 무엇인가.** 생산지연과 불량, 고장, 에너지, 물류와 같은 구체적인 문제가 정의되어야 한다. **둘째, 어떤 의사결정을 Digital Twin에서 검증하는가.** 단순히 현황을 보여주는지, 공정조건과 생산계획의 변경결과를 시험할 수 있는지 확인해야 한다. **셋째, 현실의 어떤 데이터가 Twin과 연결되어 있는가.** 센서값만 연결된 것인지, 제품과 LOT, 작업지시, 품질과 정비데이터까지 연결됐는지 확인해야 한다. **넷째, 현실과 Digital Twin은 얼마나 자주 동기화되는가.** 실시간이라는 표현보다 의사결정에 필요한 상태가 적절한 주기로 반영되는지가 중요하다. **다섯째, 모델은 실제결과와 비교해 검증됐는가.** 과거사례와 운영데이터를 이용해 예측오차와 적용범위를 확인해야 한다. **여섯째, Digital Twin의 결과에는 불확실성이 표시되는가.** 하나의 확정된 결과가 아니라 예상범위와 신뢰도를 함께 제시해야 한다. **일곱째, AI의 판단이 Twin에서 어떤 방식으로 검증되는가.** 품질과 생산성뿐 아니라 안전과 설비부하, 납기와 에너지에 미치는 영향을 확인해야 한다. **여덟째, Digital Twin의 결과를 누가 승인하고 실행하는가.** 모델의 결과가 자동으로 설비에 전달되는 범위와 사람의 승인범위를 구분해야 한다. **아홉째, 설비와 제품이 변경될 때 누가 Twin을 갱신하는가.** Digital Twin의 모델과 데이터, 규칙을 유지·관리할 책임조직이 필요하다. **열째, Digital Twin 도입 전후의 KPI는 어떻게 달라졌는가.** 시뮬레이션의 정밀도뿐 아니라 다음의 실제 성과를 확인해야 한다. * 의사결정 시간 단축 * 시험생산과 시운전 비용 감소 * 불량과 재작업 감소 * 비계획 정지 감소 * 생산계획 준수율 향상 * 설비와 로봇의 충돌 방지 * 에너지와 원재료 사용량 감소 * 변경에 따른 위험과 손실 감소 Digital Twin 사업의 목표는 가상공장을 보유하는 것이 아니다. **현실에서 시행착오를 일으키기 전에 가상환경에서 판단을 검증하고, 그 결과를 실제 제조성과로 연결하는 것**이다. --- ## 마치며 Digital Twin은 현실의 공장을 3차원으로 복제하는 기술로만 이해되기 쉽다. 그러나 자율제조에서 Digital Twin의 본질은 시각화가 아니다. 현실의 제품과 설비, 공정을 데이터와 모델로 표현하고 현재상태를 지속해서 반영한다. 그리고 AI가 제안한 생산계획과 공정조건, 정비와 물류의 변경안을 가상환경에서 실행한다. 그 결과가 품질과 생산량, 납기와 원가, 안전과 설비수명에 어떤 영향을 주는지 확인한다. 검증된 판단만 현실에 적용하고, 실행 후에는 예상과 실제의 차이를 다시 모델에 반영한다. 결국 자율제조에서 Digital Twin은 다음과 같은 역할을 수행한다. **현실의 상태를 디지털로 재현한다.** **직접 측정하기 어려운 상태를 추정한다.** **미래에 발생할 변화를 예측한다.** **여러 대응방안을 가상으로 시험한다.** **품질과 안전, 생산성의 영향을 검증한다.** **검증된 판단만 현실의 실행으로 연결한다.** **예상과 실제의 차이를 학습한다.** 이 흐름이 연결될 때 Digital Twin은 단순한 관제화면에서 자율제조의 검증환경으로 발전한다. 중요한 것은 현실과 똑같은 가상공장을 만드는 것이 아니다. 모든 현상을 가장 정교하게 모델링하는 것도 아니다. **AI가 내린 판단이 실제 제조현장에서 안전하고 효과적으로 작동할지를 판단할 수 있을 만큼 현실을 정확하게 표현하는 것**이 중요하다. Digital Twin은 현실을 대신하지 않는다. 모델에는 항상 오차가 있고 현실에는 예상하지 못한 변화가 존재한다. 따라서 Digital Twin의 결과를 맹신해서는 안 된다. 적용목적과 허용오차를 명확히 하고, 예상결과와 현실결과를 지속해서 비교해야 한다. 새로운 제품과 설비, 공정이 도입될 때마다 모델도 다시 검증해야 한다. 자율제조의 경쟁력은 시행착오를 모두 없애는 데 있지 않다. **위험하고 비용이 큰 시행착오는 가상환경에서 먼저 경험하고, 검증된 판단만 현실에서 실행할 수 있는가.** 바로 이것이 Digital Twin이 자율제조의 핵심 검증환경이 되어야 하는 이유다. 다음 글에서는 Digital Twin에서 검증된 판단을 여러 시스템과 설비에 연결해 실행하는 AI 에이전트를 살펴보고자 한다. AI 에이전트는 단순히 작업자의 질문에 답하는 제조 챗봇일까. 아니면 목표를 이해하고 데이터와 지식을 찾아 여러 시스템의 업무를 연결하는 새로운 제조운영 주체일까. **[자율제조 시리즈 ⑦] 제조 AI Agent는 어떻게 판단을 실행으로 연결하는가?** --- ### 참고자료 * [NIST — Digital Twins](https://www.nist.gov/digital-twins) * [NIST — Digital Twins for Advanced Manufacturing](https://www.nist.gov/programs-projects/digital-twins-advanced-manufacturing) * [NIST — Validating and Advancement: Digital Twin Standardization](https://www.nist.gov/digital-twins/validating-and-advancement) * [NIST — Use Case Scenarios for Digital Twin Implementation Based on ISO 23247](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=932269) * [NIST — Manufacturing Digital Twin Standards](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=957622) * [NIST — Building a Digital Twin of an Automated Robot Workcell](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=936285) * [NIST — Building a Digital Twin of a CNC Machine Tool](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=957945) * [ISO — ISO 23247-1:2021, Overview and General Principles](https://www.iso.org/standard/75066.html) * [ISO — ISO 23247-2:2021, Reference Architecture](https://www.iso.org/standard/78743.html) * [ISO — ISO 23247-3:2021, Digital Representation of Manufacturing Elements](https://www.iso.org/standard/78744.html) * [ISO — ISO 23247-4:2021, Information Exchange](https://www.iso.org/standard/78745.html) * [ISO — ISO 23247-5:2026, Digital Thread for Digital Twin](https://www.iso.org/standard/87425.html) * [ISO — ISO 23247-6:2026, Digital Twin Composition](https://www.iso.org/standard/87426.html)
2026-08-15
[자율제조 시리즈 ⑤] 제조 AI는 어디까지 판단할 수 있는가?
### 이상탐지에서 예측과 처방, 자율실행까지 제조현장에 AI를 도입하면 가장 먼저 기대하는 것은 예측이다. 설비가 언제 고장 날지 예측하고, 어떤 제품에서 불량이 발생할지 미리 알아내며, 생산계획과 공정조건을 최적화할 수 있을 것으로 생각한다. 최근에는 생성형 AI와 AI 에이전트가 등장하면서 기대의 범위가 더욱 넓어졌다. 작업자가 질문하면 생산현황을 설명하고, 이상 원인을 분석하며, 필요한 조치를 제안하는 수준을 넘어 AI가 생산계획을 수정하고 설비조건까지 스스로 변경하는 자율제조가 논의되고 있다. 그러나 제조 AI가 높은 정확도로 결과를 예측한다고 해서 그 판단을 곧바로 실행에 연결할 수 있는 것은 아니다. 품질에 영향을 주는 공정조건 변경과 안전에 관련된 설비제어, 납기와 원가를 바꾸는 생산계획 조정은 서로 다른 위험을 가진다. 같은 AI의 판단이라도 작업자에게 정보를 제공하는 것과 설비를 직접 제어하는 것은 전혀 다른 문제다. 따라서 다음과 같은 질문이 필요하다. **“AI가 얼마나 정확하게 예측하는가?”** 뿐만 아니라, **“AI가 어떤 의사결정을, 어느 범위까지, 어떤 조건에서 수행하도록 허용할 것인가?”** 제조 AI의 성숙도는 모델의 정확도만으로 결정되지 않는다. AI가 판단할 수 있는 범위와 실행할 수 있는 범위, 사람이 개입해야 하는 조건을 얼마나 명확하게 설계했는지가 중요하다. 이번 글에서는 제조 AI의 판단이 이상탐지에서 진단과 예측, 처방과 최적화, 제한적 자율실행으로 어떻게 확장되는지 살펴보고자 한다. --- ### 목차 1. 제조 AI가 판단한다는 것은 무엇인가 2. 이상을 찾는 것과 원인을 판단하는 것은 다르다 3. 제조 AI의 판단은 어떤 단계로 발전하는가 4. 예측 정확도가 높아도 실행을 맡기기 어려운 이유 5. 제조 AI는 무엇을 함께 고려해야 하는가 6. 생성형 AI와 AI 에이전트는 제조현장에서 무엇을 판단할 수 있는가 7. 사람의 승인은 어디에 남겨야 하는가 8. AI 판단의 신뢰성은 어떻게 검증해야 하는가 9. 제조 AI의 판단범위를 현실적으로 확대하는 방법 10. 경영진은 AI의 정확도보다 무엇을 확인해야 하는가 --- ## 1. 제조 AI가 판단한다는 것은 무엇인가 제조현장에서 AI의 판단이라는 표현은 넓은 의미로 사용된다. 센서값이 정상범위를 벗어났다고 알리는 것도 판단이라고 부르고, 불량 가능성을 예측하는 것도 판단이라고 한다. 생산계획을 최적화하거나 설비조건을 자동으로 변경하는 것도 AI의 판단으로 설명된다. 하지만 이들은 같은 수준의 판단이 아니다. 예를 들어 프레스 설비에서 진동이 증가했다고 가정해보자. AI는 다음과 같이 서로 다른 수준의 결과를 제시할 수 있다. **상태 확인** > *현재 진동값이 정상범위를 벗어났다.* **이상 진단** > *모터 구동부 또는 베어링에서 이상이 발생했을 가능성이 높다.* **고장 예측** > *현재 추세가 지속되면 10일 이내에 베어링 고장 위험이 높아질 수 있다.* **대응안 추천** > *다음 계획정지 시간에 베어링을 점검하고 윤활상태를 확인하는 것이 필요하다.* **운영 최적화** > *정비 전까지 설비속도를 8% 낮추면 고장 위험을 줄이면서 납기 영향을 최소화할 수 있다.* **자율실행** > *설비속도를 허용범위 안에서 자동으로 조정하고 CMMS에 점검작업을 생성한다.* 처음 두 단계는 현장의 상황을 인식하고 설명하는 수준이다. 고장 예측부터는 미래의 상태를 판단하며, 대응안 추천은 가능한 행동 가운데 무엇을 선택할 것인지 제안한다. 운영 최적화와 자율실행 단계에서는 품질과 생산성, 안전, 납기, 원가를 함께 고려해 실제 운영을 변경한다. 따라서 제조 AI의 판단은 단순한 분석결과가 아니다. **현재 상황을 인식하고, 미래의 결과를 예측하며, 목표와 제약조건을 고려해 적절한 행동을 선택하는 과정**이다. 자율제조가 되려면 AI의 판단이 설명이나 추천에 머물지 않고 실제 작업지시와 생산계획, 설비제어로 연결되어야 한다. 그러나 판단의 수준이 높아질수록 잘못된 결정이 현장에 미치는 영향도 커진다. 제조 AI의 발전은 기능을 많이 추가하는 문제가 아니라, **판단의 권한과 책임을 단계적으로 확대하는 과정**으로 보아야 한다. --- ## 2. 이상을 찾는 것과 원인을 판단하는 것은 다르다 현재 제조현장에서 비교적 많이 활용되는 AI 기능은 이상탐지다. 온도와 진동, 압력, 전류, 유량과 같은 센서값에서 평소와 다른 패턴을 찾아낸다. 정상 데이터의 분포를 학습한 뒤 일정 범위를 벗어난 값을 이상으로 판단하기도 한다. 이상탐지는 문제를 조기에 발견하는 데 유용하다. 그러나 이상을 발견했다고 해서 원인을 안다는 의미는 아니다. 사출성형 공정에서 제품 중량의 편차가 증가했다고 가정해보자. 중량 편차는 다음과 같은 여러 요인에 의해 발생할 수 있다. * 원재료의 수분함량 변화 * 사출압력 또는 보압시간 변화 * 금형온도의 불균형 * 체크링이나 노즐의 마모 * 원재료 LOT 변경 * 냉각수 온도와 유량의 변화 * 센서 자체의 이상 * 측정장비의 보정 문제 AI가 중량 편차의 이상을 정확하게 탐지하더라도 어느 원인이 실제 문제를 발생시켰는지는 별도의 분석이 필요하다. 상관관계와 인과관계도 구분해야 한다. 외부기온이 높아질 때 불량률이 함께 증가했다고 해서 외부기온이 직접적인 원인이라고 단정할 수 없다. 외부기온의 상승이 냉각수 온도에 영향을 주고, 다시 금형 냉각시간을 변화시켜 품질문제를 일으켰을 수 있다. 또는 여름철에 특정 원재료를 사용한 것이 실제 원인일 수도 있다. AI가 원인을 판단하려면 센서 데이터만으로는 충분하지 않다. * 설비의 구조와 작동원리 * 제품별 표준 공정조건 * 원재료와 제품의 관계 * 공정변수와 품질특성의 관계 * 고장모드와 고장영향 * 작업표준과 품질기준 * 과거의 문제와 조치이력 * 작업자와 설비전문가의 경험 이러한 제조 지식이 함께 연결되어야 한다. 따라서 제조 AI는 다음의 차이를 구분해야 한다. **이상탐지** > *평소와 다른 현상이 발생했다.* **이상진단** > *어디에서 어떤 문제가 발생했을 가능성이 높다.* **원인분석** > *어떤 조건과 사건이 문제 발생에 영향을 주었는지 설명한다.* **근본원인 판단** > *동일한 문제의 재발을 방지하기 위해 제거해야 할 원인을 특정한다.* 이상탐지 모델의 정확도가 높다고 해서 근본원인을 자동으로 찾을 수 있는 것은 아니다. 제조 AI가 판단의 수준을 높이기 위해서는 데이터를 넘어, **설비와 공정, 제품과 품질의 관계를 설명하는 지식**이 필요하다. --- ## 3. 제조 AI의 판단은 어떤 단계로 발전하는가 제조 AI의 판단수준을 설명하는 유일한 국제표준 분류가 정립된 것은 아니다. 다만 제조현장에 적용되는 분석과 의사결정 기능을 실무적인 관점에서 구분하면 다음과 같이 정리할 수 있다. ### ① 기술적 분석: 무엇이 발생했는가 현재와 과거의 생산상태를 정리한다. * 생산량과 설비가동률 * 불량률과 불량유형 * 비가동시간과 고장현황 * 작업지시 진행상태 * 에너지 사용량 * 재공품과 재고현황 이 단계에서는 주로 현황을 보여주고 사건을 확인한다. ### ② 진단적 분석: 왜 발생했는가 이상이나 성과변동의 원인을 분석한다. * 불량에 영향을 준 공정변수 * 설비정지의 주요 원인 * 생산계획과 실적의 차이 * 특정 원재료 LOT와 품질문제의 관계 * 작업조건 변경 전후의 차이 진단결과는 하나의 원인을 단정하기보다 원인 후보와 근거, 가능성을 함께 제시해야 한다. ### ③ 예측적 분석: 앞으로 무엇이 발생할 것인가 현재 상태와 과거 데이터를 이용해 미래의 결과를 추정한다. * 설비 고장 가능성과 잔여수명 * 제품별 불량 발생확률 * 주문량과 수요 변화 * 공정완료 예상시간 * 납기지연 가능성 * 재고부족과 과잉 가능성 * 에너지 수요와 피크 발생 가능성 예측은 미래를 확정하는 것이 아니라 불확실성을 확률이나 구간으로 표현하는 과정이다. ### ④ 처방적 분석: 무엇을 해야 하는가 예측된 문제에 대응하기 위한 행동을 추천한다. * 정비시점과 점검항목 추천 * 공정조건 변경안 제시 * 생산순서와 작업배정 변경 * 자재 발주량과 발주시점 추천 * 대체설비 또는 대체공정 제안 * 품질검사 대상과 검사주기 조정 처방 단계에서는 하나의 답보다 여러 대안과 각각의 예상효과를 비교하는 것이 중요하다. ### ⑤ 최적화: 여러 목표 가운데 어떤 선택이 가장 좋은가 제조운영에는 하나의 목표만 존재하지 않는다. 생산량을 늘리면 에너지 사용과 설비부하가 증가할 수 있다. 재고를 줄이면 긴급주문에 대응하기 어려워지고, 품질을 높이기 위해 공정시간을 늘리면 납기가 늦어질 수 있다. 따라서 최적화는 다음과 같은 여러 목표와 제약조건을 함께 고려해야 한다. * 생산량 * 품질 * 납기 * 원가 * 에너지 * 재고 * 설비수명 * 작업자의 안전 * 환경규제 * 고객별 우선순위 최적화의 결과는 절대적으로 가장 좋은 답이라기보다 주어진 목표와 제약조건에서 선택한 해다. 목표함수와 우선순위가 바뀌면 결과도 달라진다. ### ⑥ 제한적 자율실행: 검증된 범위 안에서 행동한다 AI가 권장안을 제시하는 데 그치지 않고 실행시스템과 연결된다. * MES의 작업순서 변경 * CMMS의 정비작업 생성 * AGV의 운송경로 조정 * 검사장비의 검사주기 변경 * 에너지 설비의 운전조건 조정 * PLC 또는 제어시스템의 설정값 변경 이 단계에서도 모든 권한을 AI에 부여하는 것은 아니다. 허용범위와 금지조건, 승인규칙, 비상정지 조건을 미리 정의하고 그 안에서만 실행하도록 해야 한다. 제조 AI의 판단은 결국 다음의 방향으로 발전한다. **현상을 보여준다.** ↓ **이상을 찾는다.** ↓ **원인을 분석한다.** ↓ **미래를 예측한다.** ↓ **대응방안을 추천한다.** ↓ **여러 대안을 최적화한다.** ↓ **검증된 범위에서 실행한다.** 그러나 모든 제조업무가 반드시 마지막 단계까지 발전해야 하는 것은 아니다. 업무의 위험과 복잡성, 데이터 수준에 따라 적절한 판단단계를 선택해야 한다. **자율화의 목표는 사람을 완전히 제거하는 것이 아니라, 판단과 실행의 배치를 합리적으로 다시 설계하는 것**이다. --- ## 4. 예측 정확도가 높아도 실행을 맡기기 어려운 이유 AI 모델의 예측 정확도가 95%라고 가정해보자. 수치만 보면 상당히 높은 성능처럼 보인다. 그러나 제조현장에서는 나머지 5%의 오류가 어떤 상황에서 발생하는지가 더 중요할 수 있다. 제품의 외관불량을 일부 놓치는 것과 작업자의 안전에 영향을 주는 설비 이상을 놓치는 것은 결과가 다르다. 잘못된 재고 추천은 비용을 증가시킬 수 있지만, 잘못된 설비제어는 설비 파손과 생산중단, 안전사고로 이어질 수 있다. 따라서 모델의 평균 정확도만으로 실행권한을 결정해서는 안 된다. 다음과 같은 질문이 필요하다. ### 첫째, 어떤 오류가 더 위험한가 고장을 정상으로 판단하는 오류와 정상을 고장으로 판단하는 오류의 비용은 다르다. 예지보전에서 고장을 놓치면 설비가 갑자기 정지할 수 있다. 반대로 정상설비를 고장으로 판단하면 불필요한 점검과 부품교체가 발생한다. AI 모델은 단순한 전체 정확도보다 업무에서 중요한 오류를 얼마나 줄였는지 평가해야 한다. ### 둘째, 학습하지 않은 상황에서 어떻게 행동하는가 새로운 제품이나 원재료가 투입되거나 설비가 개조되면 기존 데이터와 다른 조건이 만들어진다. 계절과 작업자, 생산속도, 부품마모 상태가 달라져도 데이터 분포가 변할 수 있다. AI가 학습하지 않은 조건에서 자신 있게 잘못된 답을 제시하면 위험하다. 판단하기 어려운 상황을 스스로 식별하고 사람에게 넘길 수 있어야 한다. ### 셋째, 오류를 되돌릴 수 있는가 잘못된 생산순서는 다시 조정할 수 있지만 이미 가공된 제품의 품질문제는 되돌리기 어렵다. 설비 설정값의 작은 변경은 복원할 수 있지만 고온과 고압의 위험공정에서 잘못된 조작은 즉각적인 사고로 이어질 수 있다. 실행권한은 오류의 가능성뿐만 아니라 결과의 회복 가능성을 함께 고려해야 한다. ### 넷째, 판단의 근거를 확인할 수 있는가 AI가 공정조건 변경을 추천했다면 어떤 데이터와 규칙, 과거 사례를 근거로 했는지 확인할 수 있어야 한다. 설명이 단순히 보기 좋은 문장으로 제공되는 것만으로는 충분하지 않다. 사용한 데이터와 모델버전, 적용된 제약조건, 예상효과와 불확실성이 추적되어야 한다. ### 다섯째, 다른 목표에 미치는 영향을 검토했는가 불량률을 낮추기 위해 설비속도를 줄이면 생산량과 납기에 영향을 줄 수 있다. 에너지 사용량을 줄이기 위해 설비를 정지하면 재가동 과정에서 더 많은 손실이 발생할 수도 있다. AI의 판단은 하나의 KPI 개선이 다른 KPI를 악화시키지 않는지 확인해야 한다. NIST AI RMF는 AI 시스템이 자율적으로 의사결정을 수행하는 경우와 인간의 판단을 보조하거나 인간에게 결정을 넘기는 경우를 구분하고, 각 역할과 책임을 명확하게 정의할 필요가 있다고 설명한다. 또한 AI 위험을 일회성이 아니라 설계·배포·운영 전 과정에서 지속해서 관리하도록 제안한다. [NIST AI Risk Management Framework 1.0](https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10) 결국 높은 예측 정확도는 자율실행의 필요조건일 수 있지만 충분조건은 아니다. **판단의 위험과 불확실성, 오류의 영향, 복구 가능성까지 검증되어야 실행을 맡길 수 있다.** --- ## 5. 제조 AI는 무엇을 함께 고려해야 하는가 제조현장에서 가장 좋은 판단은 특정 KPI 하나를 가장 크게 개선하는 판단이 아니다. 품질과 생산성, 납기, 원가, 안전을 함께 고려해 전체 제조운영에 가장 적합한 결정을 내려야 한다. 예를 들어 긴급주문이 들어왔다고 가정해보자. 납기를 맞추기 위해 생산순서를 변경하면 다음과 같은 영향이 발생할 수 있다. * 금형과 치공구 교체 횟수가 증가한다. * 원재료 준비순서가 바뀐다. * 작업자의 교대와 배치가 달라진다. * 다른 고객의 주문이 지연될 수 있다. * 설비의 세척과 준비시간이 증가한다. * 재공품과 창고 공간이 부족해질 수 있다. * 외주공정과 물류일정이 맞지 않을 수 있다. * 전력 피크가 증가할 수 있다. 따라서 AI가 생산계획을 판단하려면 주문과 설비능력만 보아서는 안 된다. 자재와 금형, 작업자, 품질, 정비, 물류와 에너지의 조건까지 고려해야 한다. 제조 AI가 판단에 포함해야 하는 요소는 크게 네 가지로 구분할 수 있다. ### ① 목표 무엇을 개선할 것인지 정한다. * 생산량 극대화 * 납기준수율 향상 * 불량률 최소화 * 제조원가 절감 * 재고 최소화 * 에너지 사용량 절감 * 설비수명 연장 목표가 명확하지 않으면 AI가 무엇을 좋은 판단으로 보아야 하는지 결정할 수 없다. ### ② 제약조건 반드시 지켜야 하는 조건을 정의한다. * 설비의 허용 운전범위 * 제품의 품질규격 * 작업자의 자격과 근무시간 * 원재료와 부품의 재고 * 금형과 공구의 사용 가능 여부 * 고객 납기와 우선순위 * 안전과 환경규제 * 유지보수와 교정 일정 제약조건을 고려하지 않은 최적화 결과는 수학적으로는 가능해 보여도 현장에서는 실행할 수 없다. ### ③ 영향범위 판단이 어느 업무와 시스템에 영향을 주는지 확인한다. 공정조건의 변경은 품질뿐 아니라 생산속도와 설비수명에 영향을 줄 수 있다. 생산계획 변경은 자재구매와 창고, 물류, 외주업체 일정까지 바꿀 수 있다. ### ④ 불확실성 예측결과가 얼마나 확실한지 표현해야 한다. AI가 고장시점을 하루 단위로 단정하는 것보다, > *“현재 조건에서는 7일 이내 고장 가능성이 70%이며, 설비부하가 증가하면 위험이 더 높아질 수 있다.”* 와 같이 확률과 조건을 함께 제시하는 것이 현실적인 판단에 도움이 된다. AI는 항상 하나의 정답을 찾는 기계가 아니다. 서로 충돌하는 목표와 제한된 자원, 불완전한 데이터 안에서 가능한 대안을 비교하는 도구다. 따라서 좋은 제조 AI는 답만 제시하지 않는다. **어떤 목표와 조건을 적용했으며, 다른 대안과 비교해 왜 이 선택이 적절한지를 함께 설명해야 한다.** --- ## 6. 생성형 AI와 AI 에이전트는 제조현장에서 무엇을 판단할 수 있는가 생성형 AI는 제조현장의 다양한 문서와 데이터를 자연어로 검색하고 설명하는 데 강점이 있다. 작업표준서와 설비매뉴얼, 품질기준, 정비이력, 과거 문제해결 보고서를 연결하면 작업자의 질문에 필요한 정보를 찾아줄 수 있다. 예를 들면 다음과 같다. > *“사출기 3호기에서 압력 편차 알람이 반복되는 원인을 알려줘.”* > *“이 불량유형과 관련된 과거 조치사례를 찾아줘.”* > *“현재 설비상태를 기준으로 점검항목을 순서대로 정리해줘.”* > *“긴급주문을 반영한 생산계획 변경안을 비교해줘.”* 생성형 AI는 정형데이터와 비정형문서를 연결하고 사람이 이해하기 쉬운 설명을 만드는 인터페이스로 활용할 수 있다. AI 에이전트는 여기서 한 단계 더 나아간다. 단순히 답을 생성하는 것이 아니라 목표를 달성하기 위해 필요한 데이터와 도구를 선택하고 여러 작업을 순차적으로 수행할 수 있다. 예를 들어 정비지원 에이전트는 다음과 같은 흐름을 수행할 수 있다. **이상 알람 확인** ↓ **센서 추세와 설비이력 조회** ↓ **매뉴얼과 과거 고장사례 검색** ↓ **원인 후보와 점검순서 작성** ↓ **부품재고와 정비인력 확인** ↓ **정비시점 추천** ↓ **승인 후 CMMS 작업지시 생성** 이러한 방식은 현장업무의 탐색과 정리, 조정을 줄이는 데 도움이 된다. 그러나 생성형 AI와 AI 에이전트의 답변이 곧바로 제조 제어의 근거가 되어서는 안 된다. 생성형 AI는 실제 데이터에 근거하지 않은 내용을 그럴듯하게 생성할 수 있다. 오래된 작업표준이나 다른 설비의 매뉴얼을 잘못 적용할 가능성도 있다. 또한 AI 에이전트가 여러 시스템에 접근할수록 잘못된 판단이 생산계획과 자재발주, 정비작업, 설비운영으로 확산될 수 있다. 따라서 제조 AI 에이전트에는 다음과 같은 통제가 필요하다. * 허용된 데이터와 시스템만 접근한다. * 사용한 자료와 데이터의 출처를 표시한다. * 최신 문서와 승인된 표준만 사용한다. * 작업자별 권한과 동일하거나 더 엄격한 권한을 적용한다. * 실행 전 업무규칙과 제약조건을 검증한다. * 중요한 변경은 사람의 승인을 받는다. * 모든 조회와 판단, 실행과정을 기록한다. * 이상행동이 발생하면 즉시 중단할 수 있어야 한다. * 실행 후 결과를 확인하고 필요하면 이전 상태로 복원한다. AI 에이전트의 가치는 사람처럼 말하는 데 있지 않다. **제조 데이터와 지식을 이용해 여러 시스템의 업무를 연결하되, 통제된 범위 안에서 실행할 수 있다는 데 있다.** --- ## 7. 사람의 승인은 어디에 남겨야 하는가 자율제조에서 사람의 개입을 모두 제거하는 것이 항상 좋은 것은 아니다. AI가 반복적이고 명확한 판단을 담당하고, 사람은 불확실성과 위험이 높은 판단을 담당하도록 역할을 나누는 것이 현실적이다. 사람의 승인 여부는 업무의 위험수준과 AI의 신뢰도에 따라 구분할 수 있다. ### ① 정보제공형 AI가 현황과 분석결과를 제공하지만 판단과 실행은 사람이 한다. 예를 들면 다음과 같다. * 생산실적 요약 * 설비 이상 알림 * 품질변동 분석 * 과거 유사사례 검색 AI가 잘못된 정보를 제공하더라도 사람이 확인하고 수정할 수 있다. ### ② 추천형 AI가 가능한 대응안을 제안하고 사람이 선택한다. * 정비시점 추천 * 공정조건 변경안 * 생산순서 변경안 * 검사대상 확대 * 자재 발주량 추천 AI는 예상효과와 위험, 근거를 함께 제시해야 한다. ### ③ 승인형 AI가 실행계획까지 작성하지만 사람의 승인을 받은 뒤 시스템에 반영한다. * MES 작업지시 변경 * 정비작업 생성 * 생산계획 재편성 * 설비 설정값 변경 * 구매 또는 외주 요청 누가 승인할 수 있는지와 승인기준을 미리 정해야 한다. ### ④ 감독형 AI가 허용범위 안에서 자동으로 실행하고 사람은 결과와 예외를 감독한다. * AGV 경로 조정 * 공조와 에너지 운전 최적화 * 검사주기 자동 조정 * 제한된 범위의 공정조건 보정 * 소모품 자동 보충 요청 허용범위를 벗어나거나 예상하지 못한 상황이 발생하면 즉시 사람에게 판단을 넘겨야 한다. ### ⑤ 자율실행형 AI가 인지와 판단, 실행, 결과평가를 수행한다. 이 수준은 충분히 검증된 반복업무와 제한된 운전영역에서 적용할 수 있다. 그러나 사람의 승인이 없다고 해서 사람의 책임과 감독까지 없어지는 것은 아니다. 자동화 수준을 결정할 때는 다음의 기준이 필요하다. | 판단 특성 | 권장 운영방식 | | --------------------- | --------------------- | | 영향이 작고 쉽게 복구할 수 있음 | 제한적 자동실행 | | 반복적이며 규칙과 허용범위가 명확함 | 사람의 감독 아래 자동실행 | | 품질과 납기에 중대한 영향을 줌 | 실행 전 담당자 승인 | | 안전·환경·법규에 영향을 줌 | 책임자의 명시적 승인과 독립적 보호계층 | | 새로운 제품·설비·조건에 해당함 | AI 추천 후 전문가 검토 | | AI의 신뢰도가 낮거나 데이터가 부족함 | 자동실행 금지 및 사람에게 전환 | NIST AI RMF는 운영환경에서 AI를 사용하는 조직이 인간과 AI의 역할, 책임 및 감독방식을 명확히 구분할 것을 강조한다. [NIST AI RMF의 Human-AI Interaction 지침](https://airc.nist.gov/airmf-resources/airmf/appendices/app-c-ai-risk-management-and-human-ai-interaction/) 핵심은 사람이 모든 판단을 다시 확인하도록 만드는 것이 아니다. 그렇게 하면 AI를 도입하고도 업무가 줄어들지 않는다. 사람은 위험과 예외, 새로운 상황을 담당하고 AI는 검증된 반복판단을 맡아야 한다. **사람의 개입은 AI를 불신하기 위한 절차가 아니라, 판단의 위험에 따라 책임을 배분하는 구조**다. --- ## 8. AI 판단의 신뢰성은 어떻게 검증해야 하는가 제조 AI를 검증할 때는 모델 개발 당시의 정확도만 확인해서는 안 된다. 실제 운영환경에서 AI가 올바른 데이터를 사용하고, 허용된 조건 안에서 판단하며, 시간이 지나도 성능을 유지하는지 확인해야 한다. ### ① 데이터 검증 AI가 판단에 사용한 데이터가 신뢰할 수 있는지 확인한다. * 센서의 교정상태 * 데이터의 누락과 이상값 * 시간과 LOT의 연결 * 제품과 설비코드의 일치 * 학습데이터와 운영데이터의 차이 * 데이터 변경이력과 출처 입력데이터가 잘못되면 모델이 정상적으로 작동해도 판단결과는 잘못될 수 있다. ### ② 모델 검증 모델이 목표한 문제를 실제로 해결하는지 평가한다. * 정확도와 오탐·미탐 * 제품별·설비별 성능 * 새로운 조건에서의 일반화 성능 * 불확실성 추정 * 데이터 편향 * 설명 가능성 * 처리속도와 안정성 평균성능뿐만 아니라 중요한 설비와 제품, 드물지만 위험한 상황에서의 성능을 따로 확인해야 한다. ### ③ 시스템 검증 AI가 연결된 전체 시스템이 정상적으로 작동하는지 확인한다. * 데이터 수집 지연 * 네트워크 단절 * 인터페이스 오류 * 중복 작업지시 * 잘못된 권한사용 * 실행결과 미반영 * 비상정지와 수동전환 * 장애 후 복구절차 AI 모델이 정확해도 MES나 PLC와의 연결에서 오류가 발생하면 잘못된 실행으로 이어질 수 있다. ### ④ 운영 검증 실제 제조성과가 개선됐는지 확인한다. * 불량률 감소 * 비계획 정지시간 감소 * 납기준수율 향상 * 재고 감소 * 에너지 사용량 감소 * 작업자 대응시간 단축 * 불필요한 경보와 점검 감소 모델의 기술적 성능과 사업성과를 구분해 측정해야 한다. ### ⑤ 지속적 모니터링 설비와 공정, 제품은 계속 변한다. 모델을 구축할 당시에는 없었던 신제품이 투입되고, 설비부품이 교체되며, 원재료와 생산조건도 달라진다. 따라서 다음의 변화를 지속해서 확인해야 한다. * 데이터 분포의 변화 * 모델 성능의 저하 * 판단결과의 편향 * 작업자의 수정과 거부 * 예상하지 못한 부작용 * 실행 전후 KPI의 변화 * 새로운 위험과 예외상황 NIST AI RMF의 측정 지침도 AI 시스템이 목적에 적합하게 작동하는지 평가하고, 허용 가능한 성능범위를 정하며, 오류와 부정적 영향을 지속해서 추적하도록 제안한다. [NIST AI RMF Measure 지침](https://airc.nist.gov/airmf-resources/playbook/measure/) AI 판단에는 다음과 같은 추적정보를 남겨야 한다. * 언제 판단했는가 * 어떤 데이터와 문서를 사용했는가 * 어떤 모델과 버전을 사용했는가 * 어떤 원인과 대응안을 제시했는가 * 판단의 신뢰도는 얼마였는가 * 누가 실행을 승인했는가 * 실제로 어떤 조치가 실행됐는가 * 작업자가 무엇을 수정했는가 * 실행 전후의 결과는 어떠했는가 * 예상하지 못한 영향은 없었는가 이 기록은 감사와 책임을 위한 자료이면서 동시에 AI를 개선하기 위한 학습데이터가 된다. 제조 AI의 신뢰는 한 번의 성능시험으로 확보되지 않는다. **판단과 실행, 결과를 지속해서 추적하고 검증하는 운영체계에서 만들어진다.** --- ## 9. 제조 AI의 판단범위를 현실적으로 확대하는 방법 제조 AI를 도입할 때 처음부터 설비를 자율적으로 제어하려고 하면 위험과 범위가 지나치게 커질 수 있다. 먼저 하나의 제조문제를 선택하고 판단단계를 순차적으로 높이는 것이 현실적이다. 예를 들어 사출성형 공정의 중량불량 감소를 목표로 한다면 다음과 같이 접근할 수 있다. ### ① 판단대상 정의 > *“제품 중량 편차가 관리범위를 벗어날 가능성을 조기에 판단한다.”* 판단대상을 구체적으로 정하고 대상제품과 설비, 공정범위를 제한한다. ### ② 기준상태 정의 정상과 이상의 기준을 정한다. * 제품별 목표중량과 허용편차 * 공정조건의 관리범위 * 측정주기와 검사방식 * 센서와 측정기의 교정기준 * 경고와 정지의 기준 ### ③ 이상탐지부터 시작 AI가 중량과 공정조건의 변화를 감지해 작업자에게 알린다. 이 단계에서는 AI가 설비조건을 변경하지 않는다. ### ④ 원인 후보 제시 금형온도와 사출압력, 보압시간, 원재료 LOT, 설비상태를 분석해 가능한 원인을 순위별로 제시한다. 작업자는 실제 원인과 조치결과를 기록한다. ### ⑤ 대응안 추천 과거 사례와 작업표준, 공정모델을 바탕으로 변경 가능한 조건을 추천한다. 예를 들면 다음과 같다. > *“보압시간을 0.2초 늘리면 중량편차가 감소할 가능성이 높다. 다만 사이클타임은 약 0.2초 증가할 수 있다.”* ### ⑥ 실행 전 검증 추천한 공정조건이 다음의 기준을 만족하는지 확인한다. * 설비의 허용범위 * 제품의 품질규격 * 금형과 원재료의 적용조건 * 작업표준과 변경관리 규칙 * 예상되는 생산량과 에너지 영향 Digital Twin을 이용할 수 있다면 실제 설비에 적용하기 전에 변경결과를 가상환경에서 확인한다. ISO 23247 시리즈는 제조대상의 디지털 트윈을 구성하기 위한 기본원칙과 참조구조, 정보교환 요구사항을 제시한다. [ISO 23247-1:2021](https://www.iso.org/standard/75066.html), [ISO 23247-2:2021](https://www.iso.org/standard/78743.html), [ISO 23247-4:2021](https://www.iso.org/standard/78745.html) ### ⑦ 사람의 승인 후 실행 초기에는 작업자가 추천안을 검토한 뒤 설비조건을 변경한다. AI의 추천과 작업자의 수정사항, 승인 이유를 모두 기록한다. ### ⑧ 제한적 자동조정 충분한 사례가 축적되고 효과와 안전성이 검증된 조건에 한해 AI가 좁은 범위에서 자동으로 보정하도록 한다. 예를 들면 보압시간을 표준값의 ±0.2초 안에서만 변경하도록 제한할 수 있다. ### ⑨ 예외상황에서 사람에게 전환 다음과 같은 조건에서는 자동조정을 중단한다. * 신제품이나 신규 원재료 투입 * 센서의 이상 또는 데이터 누락 * 허용범위를 벗어난 공정변화 * 모델의 신뢰도가 기준 이하 * 여러 품질지표가 동시에 악화 * 작업자가 수동운전을 요청 * 안전이나 설비보호 알람 발생 ### ⑩ 다른 제품과 설비로 확대 동일한 조건에서 성능이 확인된 뒤 유사 제품과 설비에 적용한다. 새로운 제품과 설비에 적용할 때는 기존 모델을 그대로 사용하지 않고 별도의 검증을 수행한다. 이러한 방식으로 판단범위를 확대하면 AI의 역할은 다음과 같이 발전한다. **알림** ↓ **설명** ↓ **예측** ↓ **추천** ↓ **승인 후 실행** ↓ **허용범위 내 자동실행** ↓ **결과평가와 학습** 중요한 것은 AI에 처음부터 넓은 권한을 주는 것이 아니다. **작은 범위에서 판단과 실행의 성과를 증명하고, 검증된 범위만큼 권한을 확대하는 것**이다. --- ## 10. 경영진은 AI의 정확도보다 무엇을 확인해야 하는가 제조 AI를 도입할 때 경영진은 모델의 알고리즘을 자세히 이해할 필요는 없다. 그러나 AI의 판단이 어떻게 만들어지고 어디까지 실행되는지는 확인해야 한다. 다음과 같은 질문이 필요하다. **첫째, AI가 해결하려는 제조문제와 판단대상이 명확한가.** AI 도입 자체가 목적이 아니라 불량과 고장, 납기, 재고와 같은 구체적인 문제를 해결해야 한다. **둘째, AI가 판단에 사용하는 데이터와 제조 지식을 신뢰할 수 있는가.** 센서 데이터뿐 아니라 제품과 LOT, 설비, 공정조건, 품질결과가 연결되어야 한다. **셋째, AI는 이상만 알리는가, 아니면 원인과 대응방안까지 제시하는가.** 현재 AI의 판단단계가 어디까지인지 명확하게 구분해야 한다. **넷째, AI가 고려하는 목표와 제약조건은 무엇인가.** 품질과 생산성, 납기, 안전 가운데 어떤 목표를 우선하며 무엇을 반드시 지켜야 하는지 확인해야 한다. **다섯째, AI의 판단근거와 불확실성을 확인할 수 있는가.** 결과만 제시하는 것이 아니라 사용한 데이터와 규칙, 신뢰도와 예상영향을 설명할 수 있어야 한다. **여섯째, 어떤 판단은 자동으로 실행되고 어떤 판단은 사람의 승인을 받는가.** 업무의 위험수준에 따라 실행권한을 구분하고 승인책임자를 지정해야 한다. **일곱째, AI의 판단을 실행하기 전에 검증할 수 있는가.** 업무규칙과 시뮬레이션, Digital Twin을 통해 품질과 안전, 다른 공정에 미치는 영향을 확인해야 한다. **여덟째, AI가 잘못 판단했을 때 중단하고 복구할 수 있는가.** 수동전환과 비상정지, 이전 설정값 복원, 장애대응 절차가 준비되어야 한다. **아홉째, AI의 성능을 지속해서 확인하는 책임자가 있는가.** 설비와 제품, 데이터가 변경되면 모델의 성능도 달라질 수 있다. **열째, AI의 판단이 실제 제조성과로 이어졌는가.** 예측 정확도가 아니라 불량과 정지시간, 납기와 원가가 실제로 개선됐는지 확인해야 한다. ISA-95는 기업업무와 제조운영·제어시스템 사이의 기능과 정보교환 구조를 정의한다. 2025년 개정된 Part 1도 변화된 산업환경을 반영해 통합을 위한 모델과 용어를 정비했다. AI의 판단을 생산계획과 작업지시, 설비운영에 연결하려면 이러한 시스템 간 역할과 경계를 명확히 해야 한다. [ISA-95 표준 개요](https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard), [ANSI/ISA-95.00.01-2025 개정 안내](https://www.isa.org/news-press-releases/2025/april/update-to-isa-95-standard-addresses-integration-of) 경영진이 확인해야 할 것은 AI가 사람보다 똑똑한가가 아니다. **AI가 어떤 판단을 맡고 있으며, 그 판단의 위험과 책임을 조직이 통제하고 있는가**이다. --- ## 마치며 제조 AI는 센서값에서 이상을 찾는 수준을 넘어 품질과 고장, 수요와 납기를 예측할 수 있다. 과거 사례와 제조 지식을 이용해 원인을 분석하고, 여러 대응방안을 비교하며, 생산계획과 공정조건을 최적화할 수도 있다. AI 에이전트는 필요한 데이터를 검색하고, 시스템을 연결하며, 승인된 작업을 실행하는 역할까지 수행할 수 있다. 그러나 AI가 기술적으로 수행할 수 있다는 것과 제조기업이 그 판단을 맡겨도 된다는 것은 다른 문제다. 제조현장에는 품질과 생산성, 납기와 원가, 안전과 환경이라는 서로 다른 목표가 존재한다. 판단이 복잡해질수록 하나의 예측 정확도만으로는 의사결정의 품질을 설명할 수 없다. 결국 제조 AI의 판단은 다음과 같이 발전한다. **무엇이 발생했는지 확인한다.** **이상과 변화를 감지한다.** **왜 발생했는지 분석한다.** **앞으로 무엇이 발생할지 예측한다.** **가능한 대응방안을 제시한다.** **여러 목표와 제약조건을 고려해 최적의 대안을 선택한다.** **검증된 범위에서 실행한다.** **실행결과를 평가하고 다음 판단을 개선한다.** 이 흐름이 연결되어야 제조 AI는 단순한 분석도구에서 의사결정 시스템으로 발전할 수 있다. 그렇다고 모든 판단을 AI에 맡길 필요는 없다. 반복적이고 위험이 낮으며 규칙이 명확한 업무는 AI가 담당할 수 있다. 반면 안전과 품질에 중대한 영향을 주거나 처음 접하는 상황은 사람이 판단해야 한다. AI가 스스로 판단하지 못하는 상황을 인식하고 사람에게 결정을 넘기는 능력도 자율성의 일부다. 자율제조의 목표는 AI가 모든 것을 결정하는 공장을 만드는 것이 아니다. **AI와 사람이 각자의 강점에 따라 판단하고, 그 판단이 안전하게 실행되며, 결과가 다시 지식으로 축적되는 제조체계를 만드는 것**이다. 제조 AI의 경쟁력은 얼마나 많은 답을 내놓는가로 결정되지 않는다. **어떤 상황에서 판단할 수 있고, 언제 판단을 멈추며, 그 결과에 어떻게 책임질 수 있는가.** 이 경계를 명확하게 설계하는 것이 제조 AI를 실제 자율제조로 연결하는 핵심이 될 것이다. 다음 글에서는 AI의 판단을 실제 설비에 적용하기 전에 검증할 수 있는 Digital Twin을 살펴보고자 한다. Digital Twin은 단순히 공장을 3차원으로 보여주는 기술일까. 아니면 AI가 실제 공장을 움직이기 전에 판단의 결과를 시험하는 가상 제조환경일까. **[자율제조 시리즈 ⑥] Digital Twin은 왜 자율제조의 검증환경이 되어야 하는가?** --- ### 참고자료 * [NIST — Artificial Intelligence Risk Management Framework 1.0](https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10) * [NIST — AI RMF Core: Govern, Map, Measure and Manage](https://airc.nist.gov/airmf-resources/airmf/5-sec-core/) * [NIST — AI Risk Management and Human-AI Interaction](https://airc.nist.gov/airmf-resources/airmf/appendices/app-c-ai-risk-management-and-human-ai-interaction/) * [NIST — AI RMF Playbook: Measure](https://airc.nist.gov/airmf-resources/playbook/measure/) * [NIST — Measurement Science for Robotics and Autonomous Systems](https://www.nist.gov/programs-projects/measurement-science-robotics-and-autonomous-systems-program) * [ISA — ISA-95 Standard: Enterprise-Control System Integration](https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard) * [ISA — ANSI/ISA-95.00.01-2025 개정 안내](https://www.isa.org/news-press-releases/2025/april/update-to-isa-95-standard-addresses-integration-of) * [ISA — ISA/IEC 62443 Series of Standards](https://www.isa.org/standards-and-publications/isa-standards/isa-iec-62443-series-of-standards) * [ISO — ISO 23247-1:2021, Digital Twin Framework for Manufacturing](https://www.iso.org/standard/75066.html) * [ISO — ISO 23247-2:2021, Reference Architecture](https://www.iso.org/standard/78743.html) * [ISO — ISO 23247-4:2021, Information Exchange](https://www.iso.org/standard/78745.html) * [ISO — ISO 23247-5:2026, Digital Thread for Manufacturing Digital Twins](https://www.iso.org/standard/87425.html) * [ISO — ISO 23247-6:2026, Digital Twin Composition](https://www.iso.org/standard/87426.html)
2026-08-13
[자율제조 시리즈 ④] 제조 데이터가 많은데 왜 공장은 스스로 판단하지 못하는가?
### 데이터의 양보다 중요한 것은 품질, 맥락 그리고 연결이다 많은 제조기업이 오랫동안 생산현장의 데이터를 수집해 왔다. 설비에는 센서가 설치되어 있고, PLC와 SCADA에는 수많은 운전정보가 기록된다. MES에는 생산실적과 작업정보가, ERP에는 주문과 재고, 구매정보가 저장되어 있다. 검사장비에는 품질데이터가 쌓이고, 설비관리시스템에는 고장과 정비이력이 축적된다. 얼핏 보면 제조기업은 이미 충분한 데이터를 보유한 것처럼 보인다. 그런데 AI 프로젝트를 시작하면 예상하지 못한 문제가 드러난다. 필요한 데이터가 없거나, 있더라도 서로 연결되지 않는다. 같은 설비와 제품을 시스템마다 다른 이름으로 관리하기도 한다. 데이터가 누락돼 있거나 측정단위가 다르고, 정확한 수집시점을 알 수 없는 경우도 있다. 데이터는 많지만 AI가 판단에 사용할 수 있는 데이터는 생각보다 많지 않다. 그래서 다음과 같은 질문이 필요하다. **“우리 공장에는 데이터가 얼마나 많은가?”** 가 아니라, **“우리 공장의 데이터는 하나의 제조상황을 설명할 수 있는가?”** 자율제조의 경쟁력은 데이터의 양보다 데이터를 얼마나 정확한 의미와 관계로 연결했는가에 달려 있다. 이번 글에서는 제조기업이 많은 데이터를 보유하고도 AI의 판단과 자율제조로 연결하지 못하는 이유를 살펴보고자 한다. --- ### 목차 1. 데이터가 많다는 것과 데이터가 준비됐다는 것은 다르다 2. 제조 데이터는 왜 서로 연결되지 않는가 3. AI가 필요로 하는 것은 숫자가 아니라 맥락이다 4. 시간과 LOT가 연결되지 않으면 원인을 찾기 어렵다 5. 데이터 품질이 낮으면 AI의 판단도 흔들린다 6. 같은 데이터를 서로 다르게 부르는 문제 7. 제조 데이터는 어디에서 끊어지는가 8. 데이터 사일로를 연결하는 방법 9. 자율제조를 위한 데이터 기반은 어떻게 구축해야 하는가 10. 경영진은 데이터의 양보다 무엇을 확인해야 하는가 --- ## 1. 데이터가 많다는 것과 데이터가 준비됐다는 것은 다르다 제조기업에서 “데이터가 있습니까?”라고 물으면 대부분 있다고 답한다. 설비에서는 초 단위로 센서값이 수집되고, MES에는 매일 생산실적이 입력된다. 품질부서는 검사결과를 관리하고, 설비보전부서는 고장과 정비이력을 기록한다. 하지만 AI 적용을 위해 데이터를 모아보면 이야기가 달라진다. 설비 데이터는 데이터베이스에 있지만 어떤 제품을 생산할 때 발생한 값인지 알 수 없다. 품질검사 결과는 엑셀파일에 있지만 생산시간이나 사용설비와 연결되지 않는다. 정비이력에는 “이상음 발생”, “부품 교체”라고 적혀 있지만 정확히 어떤 부품을 어떤 이유로 교체했는지 확인하기 어렵다. 작업조건이 변경됐지만 변경 전후의 값과 변경 이유가 기록되지 않은 경우도 있다. 이런 데이터는 생산현황을 확인하거나 단순한 통계를 만드는 데 사용할 수는 있다. 그러나 불량 원인을 찾고, 고장을 예측하고, 최적의 공정조건을 판단하는 데는 한계가 있다. AI가 판단하려면 최소한 다음의 질문에 답할 수 있어야 한다. * 어떤 제품을 생산했는가 * 어떤 원재료를 사용했는가 * 어느 설비와 금형을 사용했는가 * 어떤 공정조건으로 생산했는가 * 누가 언제 작업했는가 * 어떤 품질결과가 발생했는가 * 생산 전후에 설비상태는 어떠했는가 * 문제가 발생한 뒤 어떤 조치를 했는가 이 질문에 답할 수 없다면 데이터가 많더라도 제조상황을 설명하기 어렵다. 결국, **데이터 보유량과 데이터 활용 가능성은 같은 개념이 아니다.** --- ## 2. 제조 데이터는 왜 서로 연결되지 않는가 제조 데이터가 연결되지 않는 가장 큰 이유는 각 시스템이 서로 다른 목적을 가지고 구축됐기 때문이다. ERP는 주문, 구매, 원가, 재고와 같은 기업자원을 관리한다. MES는 작업지시, 생산실적, 공정진행과 같은 생산운영을 관리한다. SCADA와 PLC는 설비상태를 감시하고 제어한다. QMS는 품질검사와 부적합 정보를 관리하고, CMMS는 설비고장과 정비업무를 관리한다. 각 시스템은 자신의 업무를 처리하는 데는 문제가 없다. 그러나 하나의 제조문제를 분석하기 위해 여러 시스템의 데이터를 모으면 문제가 발생한다. ERP의 제품코드와 MES의 품목명이 다를 수 있다. MES의 설비번호와 PLC의 장비명도 일치하지 않을 수 있다. 품질시스템의 LOT 번호가 생산실적과 연결되지 않거나, 정비시스템의 설비코드가 현장에서 사용하는 명칭과 다를 수도 있다. 데이터 수집주기도 서로 다르다. 설비 데이터는 1초 단위로 수집되지만 생산실적은 작업이 종료된 뒤 입력된다. 품질검사는 생산 후 몇 시간 또는 며칠 뒤 이루어질 수도 있다. 결국 각 시스템에는 데이터가 있지만, **제품, 설비, 공정, 품질, 정비의 데이터가 하나의 사건으로 연결되지 않는다.** ISA-95 또는 IEC 62264가 기업시스템과 제조운영·제어시스템 사이의 공통 모델, 용어와 정보교환 구조를 다루는 이유도 여기에 있다. 자율제조를 위해서는 시스템을 단순히 연결하는 것보다 먼저, 각 시스템이 무엇을 의미하고 어떤 데이터를 교환해야 하는지를 정의해야 한다. --- ## 3. AI가 필요로 하는 것은 숫자가 아니라 맥락이다 설비의 온도가 180℃로 측정됐다고 가정해보자. 180℃라는 숫자만으로는 정상인지 이상인지 판단할 수 없다. 어떤 설비의 온도인지, 어느 부분에서 측정했는지, 어떤 제품을 생산하고 있는지 알아야 한다. 현재 공정단계와 원재료의 종류, 정상 운전범위도 확인해야 한다. 같은 180℃라도 어떤 제품에는 정상조건이지만 다른 제품에는 불량을 발생시키는 조건일 수 있다. 즉, 데이터에는 맥락이 필요하다. **데이터값** > *온도 180℃* **맥락이 포함된 데이터** > *2026년 8월 11일 10시 20분, 사출기 3호기에서 원재료 LOT R-0811을 사용해 제품 A를 생산하는 동안 금형 2번 구역의 온도가 180℃로 측정됐다.* **판단 가능한 데이터** > *같은 시간대에 사출압력이 상승하고 제품 중량 편차가 증가했으며, 과거 동일 조건에서 미성형 불량이 발생한 이력이 있다.* AI가 판단하려면 세 번째 수준까지 데이터가 연결되어야 한다. 단순한 센서값이 아니라 제품, 설비, 원재료, 공정조건, 품질결과, 과거 사례의 관계가 필요하다. 이를 정리하면 다음과 같다. **데이터(Data)** ↓ **맥락이 포함된 정보(Contextual Information)** ↓ **원인과 관계를 설명하는 지식(Knowledge)** ↓ **행동을 선택하는 판단(Decision)** 자율제조에서는 데이터 자체보다 데이터에 포함된 의미와 관계가 중요하다. 공장이 스스로 판단하지 못하는 이유는 데이터가 부족해서라기보다, **데이터가 제조상황을 설명할 수 있는 형태로 구조화되어 있지 않기 때문**인 경우가 많다. --- ## 4. 시간과 LOT가 연결되지 않으면 원인을 찾기 어렵다 제조 데이터에서 가장 중요한 연결기준은 시간과 LOT다. 설비에서 발생한 데이터와 생산실적, 품질결과가 같은 시간축에서 연결되어야 한다. 또한 어떤 원재료 LOT가 어떤 제품 LOT에 사용됐는지 추적할 수 있어야 한다. 예를 들어 제품 A에서 불량이 발생했다고 가정해보자. 불량의 원인을 찾으려면 다음의 흐름을 거슬러 올라갈 수 있어야 한다. **완제품 LOT** ↓ **생산일시와 작업지시** ↓ **사용설비와 금형** ↓ **공정조건과 설비상태** ↓ **원재료·부품 LOT** ↓ **작업자와 작업환경** ↓ **검사결과와 불량유형** 이 연결이 만들어져 있으면 불량이 특정 원재료와 관련 있는지, 특정 설비와 관련 있는지, 공정조건의 변화 때문인지 분석할 수 있다. 하지만 현장에서는 시간정보가 정확하지 않은 경우가 많다. 설비의 시계와 MES 서버의 시간이 다를 수 있다. 작업자가 생산실적을 나중에 입력하면 실제 생산시점과 기록시점이 달라진다. 하나의 제품에 여러 원재료 LOT가 혼합되거나, 재공품이 중간에 대기하면 연결은 더욱 복잡해진다. 시간과 LOT의 연결이 끊어지면 AI는 상관관계를 찾을 수는 있어도 실제 원인을 설명하기 어렵다. 따라서 자율제조 데이터의 첫 번째 기반은 거대한 데이터 플랫폼이 아니다. **제품과 원재료, 설비, 공정조건, 품질결과를 시간과 LOT로 연결하는 것**이다. --- ## 5. 데이터 품질이 낮으면 AI의 판단도 흔들린다 AI의 성능을 이야기할 때 알고리즘과 모델의 정확도에 관심을 두기 쉽다. 그러나 제조현장에서는 모델보다 데이터 품질이 더 근본적인 문제인 경우가 많다. 대표적인 데이터 품질 문제는 다음과 같다. ### ① 누락 센서 통신이 끊기거나 작업자가 정보를 입력하지 않아 데이터가 비어 있다. ### ② 오류 센서 고장이나 입력 실수로 실제와 다른 값이 기록된다. ### ③ 중복 동일한 생산실적이나 품질정보가 여러 번 저장된다. ### ④ 불일치 같은 제품과 설비가 시스템마다 서로 다른 코드와 명칭으로 관리된다. ### ⑤ 단위 차이 한 시스템은 온도를 섭씨로 관리하고 다른 시스템은 화씨로 관리할 수 있다. 압력과 길이의 단위도 서로 다를 수 있다. ### ⑥ 시점 차이 수집시간과 실제 발생시간이 다르거나 시스템 사이의 시간이 동기화되지 않는다. ### ⑦ 편향 정상 데이터만 많고 고장이나 불량 데이터는 매우 적을 수 있다. 특정 제품과 설비의 데이터만 집중적으로 수집되기도 한다. 이러한 문제가 있는 데이터를 AI에 학습시키면 그 결과도 신뢰하기 어렵다. 잘못된 센서값을 정상으로 학습할 수 있고, 특정 작업자나 설비의 특성을 전체 공정의 특성으로 오해할 수도 있다. ISO 8000 시리즈는 데이터 품질의 원칙과 관리체계를 다룬다. 특히 ISO 8000-66은 제조운영에서 데이터 품질관리 프로세스의 성숙도를 평가하기 위한 지표를 제시한다. 중요한 점은 데이터 품질을 일회성 정제작업으로 생각해서는 안 된다는 것이다. 데이터는 계속 생성되고 설비와 제품, 공정도 계속 변경된다. 따라서 데이터 품질은 프로젝트를 시작할 때 한 번 정리하는 대상이 아니라, **지속해서 측정하고 관리해야 하는 제조 운영활동**이다. --- ## 6. 같은 데이터를 서로 다르게 부르는 문제 제조현장에서는 같은 대상을 부서와 시스템마다 다르게 부르는 일이 흔하다. 현장에서는 “사출 3호기”라고 부르지만 MES에는 `MC-003`, 설비관리시스템에는 `INJ-03`, PLC에는 `LINE2_PLC03`으로 기록될 수 있다. 제품도 마찬가지다. 영업부서에서 사용하는 제품명과 생산현장의 품목명, 품질부서의 검사코드가 서로 다를 수 있다. 사람은 이 명칭들이 같은 대상을 의미한다는 것을 경험으로 이해한다. 하지만 AI와 시스템은 별도의 정의와 연결정보가 없으면 서로 다른 대상으로 인식한다. 또한 동일한 용어가 서로 다른 의미로 사용되기도 한다. “정지시간”이 어떤 부서에서는 계획정지를 포함하고, 다른 부서에서는 고장정지만 의미할 수 있다. “불량률” 역시 생산수량을 기준으로 계산하는지, 검사수량을 기준으로 계산하는지에 따라 값이 달라진다. 이 문제를 해결하려면 공통 데이터모델과 기준정보가 필요하다. * 제품과 품목의 기준코드 * 설비와 부품의 계층구조 * 공정과 작업의 표준명칭 * 품질항목과 불량유형 * 단위와 계산기준 * 데이터의 소유부서와 책임자 * 시스템 간 코드 변환규칙 그러나 공통 코드만 만드는 것으로 충분하지 않다. 제품이 어느 공정을 거치는지, 설비가 어떤 부품으로 구성되는지, 공정조건이 어떤 품질특성에 영향을 주는지와 같은 관계도 표현해야 한다. 그래서 자율제조에서는 Master Data Management뿐만 아니라 온톨로지, 지식그래프와 같은 의미 기반 기술이 중요해진다. AI가 데이터를 정확하게 이해하려면, **데이터의 이름뿐만 아니라 데이터 사이의 관계까지 설명할 수 있어야 한다.** --- ## 7. 제조 데이터는 어디에서 끊어지는가 제조 데이터는 시스템과 시스템 사이에서만 끊어지는 것이 아니다. 조직과 업무 사이에서도 끊어진다. 생산부서는 생산량과 납기를 중심으로 데이터를 관리한다. 품질부서는 검사결과와 불량을 중심으로 관리하고, 설비보전부서는 고장과 정비이력을 중심으로 관리한다. 각 부서는 자신의 업무에 필요한 데이터를 수집하지만 다른 부서에서 어떻게 활용되는지는 충분히 고려하지 않는 경우가 많다. 대표적으로 다음과 같은 단절이 발생한다. **설계와 생산의 단절** 도면과 공차, 제품 사양이 생산조건과 연결되지 않는다. **생산과 품질의 단절** 생산 당시의 공정조건과 최종 검사결과가 연결되지 않는다. **생산과 정비의 단절** 설비의 운전부하와 고장·부품교체 이력이 연결되지 않는다. **생산과 물류의 단절** 작업지시와 원재료 공급, 재공품 이동정보가 연결되지 않는다. **현장과 경영의 단절** 설비가동률과 불량률은 확인할 수 있지만 그것이 원가와 납기, 매출에 미치는 영향을 설명하기 어렵다. NIST는 스마트제조를 위한 Digital Thread를 설계, 생산, 제품지원 과정의 정보를 연결하고 통합하는 기반으로 설명한다. 자율제조 역시 특정 공정의 센서 데이터만으로 완성되기 어렵다. 제품의 설계부터 원재료, 생산, 품질, 출하, 유지보수까지 이어지는 데이터 흐름이 필요하다. 결국 데이터 사일로는 기술적인 문제이면서 동시에 조직의 문제다. 시스템을 연결하는 것만큼, **부서별로 분리된 데이터의 책임과 활용목적을 다시 정의하는 것**이 중요하다. --- ## 8. 데이터 사일로를 연결하는 방법 데이터 사일로를 해결하기 위해 모든 시스템을 하나로 통합해야 한다고 생각할 수 있다. 그러나 현실적으로 ERP, MES, QMS, CMMS, SCADA와 설비제어시스템을 하나의 시스템으로 교체하는 것은 어렵고 바람직하지도 않다. 각 시스템은 고유한 목적과 역할이 있기 때문이다. 중요한 것은 시스템을 없애는 것이 아니라 필요한 데이터를 공통된 기준으로 연결하는 것이다. 다음과 같은 접근이 필요하다. ### ① 공통 식별체계 정의 제품, 원재료, 설비, 금형, 공정, 작업지시에 공통으로 사용할 식별자를 부여한다. ### ② 시간체계 동기화 설비와 서버, 검사장비의 시간을 동기화하고 발생시간과 입력시간을 구분한다. ### ③ 데이터 인터페이스 표준화 시스템 간에 어떤 데이터를 어떤 형식과 주기로 교환할지 정의한다. ### ④ 기준정보와 코드 정비 제품코드, 설비코드, 불량유형, 단위, 공정명칭의 기준을 정한다. ### ⑤ 데이터 맥락 연결 센서값을 제품, LOT, 작업지시, 공정조건, 품질결과와 연결한다. ### ⑥ 의미모델 구축 설비·공정·제품·품질·정비 사이의 관계를 사람이 이해할 수 있고 기계가 처리할 수 있는 형태로 정의한다. ### ⑦ 책임체계 수립 누가 데이터를 생성하고, 누가 품질을 관리하며, 누가 변경을 승인할지 정한다. ISA-95는 기업과 제조운영·제어 기능 사이의 경계와 정보교환을 정의하는 대표적인 참조체계다. 그러나 표준을 도입하는 것만으로 데이터 연결이 자동으로 완성되는 것은 아니다. 각 기업의 제품, 공정, 설비와 업무특성에 맞는 데이터모델을 함께 설계해야 한다. 핵심은 모든 데이터를 한곳에 모으는 것이 아니다. **필요한 데이터가 공통된 의미로 서로 이해될 수 있도록 만드는 것**이다. --- ## 9. 자율제조를 위한 데이터 기반은 어떻게 구축해야 하는가 자율제조 데이터 기반을 구축할 때 처음부터 전사 데이터 플랫폼을 만들려고 하면 범위가 지나치게 커질 수 있다. 먼저 해결할 제조문제를 선택하고, 그 문제의 판단과 실행에 필요한 데이터를 연결해야 한다. 예를 들어 설비 예지보전을 추진한다면 다음과 같이 접근할 수 있다. ### ① 문제와 목표 정의 > *“프레스 설비의 주요 베어링 고장을 사전에 예측해 비계획 정지를 줄인다.”* ### ② 판단에 필요한 데이터 정의 * 진동, 온도, 전류 * 설비속도와 생산부하 * 고장코드와 알람 * 정비일자와 부품교체 이력 * 베어링 규격과 사용시간 * 생산제품과 작업조건 ### ③ 데이터 위치와 상태 확인 어떤 데이터가 어느 시스템에 저장되어 있는지 확인한다. 수집주기와 보존기간, 누락과 오류도 점검한다. ### ④ 공통 연결기준 정의 설비번호, 부품번호, 시간정보, 정비작업번호를 기준으로 데이터를 연결한다. ### ⑤ 데이터 품질규칙 설정 정상범위, 누락 허용기준, 이상값 처리방식, 단위 변환규칙을 정한다. ### ⑥ 분석과 판단 연결 AI가 고장 가능성만 제시하는 것이 아니라 예상 원인, 긴급도, 권장 정비시점을 함께 제시하도록 한다. ### ⑦ 실행과 결과 연결 AI의 판단을 CMMS의 정비작업 생성과 연결하고, 실제 점검결과와 부품상태를 다시 기록한다. ### ⑧ 다른 설비와 공정으로 확장 첫 번째 적용에서 검증한 데이터모델과 품질관리 방식을 유사 설비와 다른 공정에 확대한다. 이러한 방식은 품질예측, 에너지 최적화, 생산계획, 재고관리에도 적용할 수 있다. 중요한 것은 모든 데이터를 먼저 수집한 다음 활용방법을 찾는 것이 아니다. **해결할 문제에서 출발해 판단과 실행에 필요한 데이터를 역으로 정의하는 것**이다. --- ## 10. 경영진은 데이터의 양보다 무엇을 확인해야 하는가 제조기업의 경영진이 데이터베이스 구조나 센서 통신방식까지 이해할 필요는 없다. 그러나 자율제조를 위한 데이터가 준비되어 있는지는 확인해야 한다. 다음과 같은 질문이 필요하다. **첫째, 우리 공장의 핵심 제품과 설비, 공정에 공통 식별체계가 있는가.** **둘째, 원재료 LOT부터 생산과 품질, 출하까지 추적할 수 있는가.** **셋째, 공정조건과 품질결과를 동일한 시간축에서 비교할 수 있는가.** **넷째, 시스템마다 다른 제품·설비·불량 코드를 연결할 수 있는가.** **다섯째, 데이터의 누락과 오류, 단위, 수집주기를 지속해서 관리하는가.** **여섯째, 데이터가 어떤 의미인지 설명할 수 있는 담당자와 책임부서가 있는가.** **일곱째, AI의 판단과 실행 결과가 다시 데이터로 기록되는가.** 이 질문에 답하지 못한다면 데이터 플랫폼을 구축하고 AI 솔루션을 도입해도 실제 성과로 이어지기 어렵다. 자율제조 데이터 전략의 목표는 데이터를 많이 저장하는 것이 아니다. **제조현장에서 발생한 하나의 사건을 데이터로 재구성하고 설명할 수 있도록 만드는 것**이다. --- ## 마치며 많은 제조기업에는 이미 상당한 양의 데이터가 쌓여 있다. 문제는 데이터가 없다는 것이 아니다. 설비 데이터는 설비 안에 있고, 생산 데이터는 MES에 있으며, 품질 데이터는 QMS와 엑셀파일에 있다. 정비이력은 또 다른 시스템에 저장되어 있다. 각 데이터는 존재하지만 서로 연결되지 않는다. AI가 제조현장을 이해하려면 단순한 숫자 이상의 정보가 필요하다. 어떤 제품을, 어떤 원재료와 설비를 이용해, 언제, 어떤 조건으로 생산했으며, 그 결과 어떤 품질과 고장이 발생했는지를 알아야 한다. 결국 자율제조를 위한 데이터는 다음과 같은 흐름으로 발전해야 한다. **흩어진 데이터** ↓ **정리된 데이터** ↓ **시간과 LOT로 연결된 데이터** ↓ **제품·설비·공정의 맥락을 가진 데이터** ↓ **원인과 관계를 설명하는 제조 지식** ↓ **AI의 판단과 실행에 사용되는 데이터** 데이터가 많다고 공장이 스스로 판단할 수 있는 것은 아니다. 공장이 판단하려면 데이터가 서로 연결되어야 하고, 데이터의 의미와 관계가 설명되어야 하며, 판단 결과와 실행 결과가 다시 축적되어야 한다. 자율제조의 데이터 경쟁력은 거대한 데이터레이크의 크기로 결정되지 않는다. **필요한 순간에 정확한 데이터를 찾아, 그 의미와 관계를 이해하고, 실제 행동으로 연결할 수 있는가.** 바로 이것이 제조기업이 준비해야 할 데이터 기반이다. 다음 글에서는 이렇게 연결된 데이터를 바탕으로 제조 AI가 실제로 무엇을 판단할 수 있는지 살펴보고자 한다. 이상탐지와 예지보전, 품질예측을 넘어 제조 AI의 판단은 어디까지 확장될 수 있을까. **[자율제조 시리즈 ⑤] 제조 AI는 어디까지 판단할 수 있는가?** --- ### 참고자료 * [NIST — 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing](https://www.nist.gov/publications/2026-roadmap-artificial-intelligence-and-machine-learning-smart-manufacturing) * [NIST — Digital Thread for Smart Manufacturing](https://www.nist.gov/programs-projects/digital-thread-smart-manufacturing) * [NIST — Current Standards Landscape for Smart Manufacturing Systems](https://nvlpubs.nist.gov/nistpubs/ir/2016/nist.ir.8107.pdf) * [NIST — Standards-based Semantic Integration of Manufacturing Systems](https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=926942) * [ISA — ISA-95 Standard: Enterprise-Control System Integration](https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard) * [ISO — ISO 8000-1:2022, Data Quality—Overview](https://www.iso.org/standard/81745.html) * [ISO — ISO 8000-66:2021, Data Quality Management in Manufacturing Operations](https://www.iso.org/standard/76390.html) * [ISO — ISO 8000-150:2022, Data Quality Management Roles and Responsibilities](https://www.iso.org/standard/80753.html)
2026-08-12
[자율제조 시리즈 ③] 자율제조는 어떻게 보고, 판단하고, 행동하는가?
### 데이터 수집을 넘어 인지·판단·실행·학습이 연결되는 제조 운영체계 자율제조 공장은 스스로 판단하고 대응하는 공장이라고 이야기한다. 그렇다면 공장이 스스로 판단한다는 것은 구체적으로 무엇을 의미할까. 사람은 생산현장에서 문제가 발생하면 먼저 상황을 살펴본다. 설비의 상태와 제품의 품질을 확인하고, 이전에 비슷한 문제가 있었는지 기억해 본다. 이후 원인을 판단하고 적절한 조치를 선택한다. 조치를 실행한 다음에는 문제가 해결됐는지도 확인한다. 자율제조 공장도 기본적으로 이와 비슷한 과정을 거친다. 센서와 시스템을 통해 현장을 보고, AI와 제조 지식을 활용해 상황을 판단한다. Digital Twin이나 공정모델을 통해 대응방안을 검증한 뒤, 설비와 로봇 또는 업무시스템을 통해 실행한다. 그리고 실행 결과를 다시 데이터로 받아 다음 판단에 반영한다. 즉, 자율제조는 다음의 흐름으로 움직인다. **인지(Perception) → 판단(Decision) → 검증(Validation) → 실행(Action) → 학습(Learning)** 이 흐름이 하나의 **Closed Loop**로 연결되어야 공장은 단순히 스마트한 수준을 넘어 자율적으로 운영되기 시작한다. 이번 글에서는 자율제조 공장이 제조현장을 어떻게 보고, 판단하고, 행동하는지 살펴보고자 한다. --- ### 목차 1. 자율제조의 시작은 ‘보는 것’이다 2. 데이터를 수집한다고 상황을 이해하는 것은 아니다 3. 공장은 어떻게 현재 상황을 판단하는가 4. 제조 지식이 없는 AI는 현장을 이해하기 어렵다 5. AI의 판단은 어떻게 만들어지는가 6. 판단했다고 바로 실행할 수는 없다 7. 자율제조의 실행은 어디에서 이루어지는가 8. 실행 결과를 다시 학습해야 한다 9. 자율제조 Closed Loop를 만드는 현실적인 방법 10. 경영진은 무엇을 확인해야 하는가 --- ## 1. 자율제조의 시작은 ‘보는 것’이다 사람이 제조현장의 문제를 해결하려면 먼저 현재 상황을 정확하게 봐야 한다. 기계에서 이상한 소리가 나는지, 제품 표면에 결함이 있는지, 금형온도가 평소와 다른지, 생산속도가 떨어지고 있는지를 확인한다. 자율제조 공장도 마찬가지다. 공장이 스스로 판단하려면 먼저 공장 안에서 무슨 일이 일어나고 있는지 알 수 있어야 한다. 이를 위해 다음과 같은 다양한 데이터가 필요하다. **설비 데이터** * 온도, 압력, 진동, 전류, 전압 * 회전속도, 토크, 위치, 가동시간 * 알람, 고장코드, 정지시간 **공정 데이터** * 사이클타임, 공정조건, 작업순서 * 생산속도, 대기시간, 병목시간 * 금형과 치공구의 사용정보 **품질 데이터** * 치수, 중량, 표면 상태 * 검사결과, 불량유형, 불량률 * 머신비전 이미지와 측정데이터 **생산 데이터** * 생산계획, 작업지시, 생산실적 * 제품번호, LOT, 원재료, 작업자 * 주문량, 납기, 재공품과 재고 **환경과 에너지 데이터** * 온도, 습도, 분진, 조도 * 전력, 가스, 용수, 압축공기 * 설비별 에너지 사용량 기존 스마트공장에서도 이러한 데이터를 수집해 왔다. 그러나 자율제조에서는 데이터 수집의 목적이 달라진다. 기존의 데이터 수집이 생산현황을 보여주기 위한 것이었다면, 자율제조의 데이터 수집은 **AI가 현재의 상황을 이해하고 다음 행동을 결정하기 위한 것**이다. 따라서 중요한 것은 센서를 얼마나 많이 설치했는가가 아니다. **판단에 필요한 데이터를 적절한 시점에 확보할 수 있는가**가 중요하다. --- ## 2. 데이터를 수집한다고 상황을 이해하는 것은 아니다 생산현장에서 온도가 210℃로 측정됐다고 가정해보자. 210℃라는 숫자만으로는 정상인지 이상인지 판단하기 어렵다. 어떤 설비의 온도인지, 어떤 제품을 생산하고 있는지, 측정 위치가 어디인지, 정상범위는 얼마인지 알아야 한다. 동일한 온도라도 제품과 공정단계, 원재료, 설비상태에 따라 의미가 달라질 수 있다. 즉, 데이터에는 맥락이 필요하다. 예를 들어 다음의 정보가 연결되어야 한다. > *“2026년 8월 11일 10시 20분, 사출기 3호기에서 제품 A를 생산하는 동안 금형 2번 구역의 온도가 210℃로 상승했으며, 같은 시간대에 제품 중량 편차가 증가했다.”* 이렇게 데이터가 시간, 설비, 제품, 공정조건, 품질결과와 연결되어야 비로소 상황을 이해할 수 있다. 자율제조에서 필요한 것은 단순한 데이터 포인트가 아니다. **데이터 사이의 관계와 의미**다. 제품 LOT와 원재료 LOT가 연결되어야 하고, 공정조건과 품질결과가 연결되어야 한다. 설비의 이상징후와 정비이력도 같은 시간축에서 비교할 수 있어야 한다. ISA-95 또는 IEC 62264가 기업의 업무시스템과 제조운영·제어시스템 사이의 모델과 정보교환을 다루는 이유도 여기에 있다. 제조현장의 시스템이 서로 다른 데이터 구조와 용어를 사용하면 공정 전체의 상황을 일관되게 이해하기 어렵기 때문이다. 결국 자율제조의 인지 능력은 센서의 수보다, **데이터를 얼마나 정확한 맥락으로 연결했는가**에 달려 있다. --- ## 3. 공장은 어떻게 현재 상황을 판단하는가 데이터가 연결됐다고 해서 공장이 곧바로 상황을 이해하는 것은 아니다. 수집된 데이터를 해석해 현재 상태가 정상인지, 이상인지, 위험한지를 구분해야 한다. 자율제조 공장의 상황 인식은 대체로 다음과 같은 단계로 이루어진다. ### ① 상태 확인 현재 생산량, 설비상태, 공정조건, 품질수준을 확인한다. > *“현재 무슨 일이 일어나고 있는가?”* ### ② 이상 탐지 정상적인 범위와 패턴에서 벗어난 변화를 찾는다. > *“평소와 다른 점은 무엇인가?”* ### ③ 원인 추론 여러 데이터의 관계를 분석해 이상이 발생한 원인을 찾는다. > *“왜 이런 일이 발생했는가?”* ### ④ 영향 예측 현재 상태가 계속될 경우 품질, 생산량, 납기, 설비에 어떤 영향을 미칠지 예측한다. > *“이 상태가 계속되면 어떤 일이 발생하는가?”* ### ⑤ 대응 필요성 판단 즉시 조치해야 하는지, 관찰을 계속해야 하는지, 작업자의 확인이 필요한지 결정한다. > *“지금 무엇을 해야 하는가?”* 예를 들어 설비의 진동값이 평소보다 높아졌다고 가정해보자. 단순 경보시스템은 진동값이 설정된 기준을 초과했는지만 확인한다. 자율제조 시스템은 조금 더 복합적으로 판단해야 한다. 현재 생산 중인 제품과 설비속도, 베어링 온도, 전류값, 최근 정비이력, 과거 고장패턴을 함께 분석한다. 그리고 단순한 일시적 변화인지, 부품 마모가 진행되는 것인지, 즉시 정비가 필요한 상태인지를 판단한다. 결국 상황 인식은 하나의 센서값을 읽는 것이 아니다. **다양한 데이터를 결합해 제조현장의 현재 상태를 해석하는 것**이다. --- ## 4. 제조 지식이 없는 AI는 현장을 이해하기 어렵다 AI는 데이터에서 패턴을 찾는 데 강하다. 그러나 데이터만으로 제조현장의 모든 상황을 이해할 수 있는 것은 아니다. 예를 들어 불량률이 높아지는 패턴을 AI가 발견했다고 하자. AI는 금형온도와 사출압력의 변화가 불량률과 관련이 있다고 분석할 수 있다. 하지만 해당 조건을 어느 범위까지 변경할 수 있는지, 변경할 경우 설비와 제품에 어떤 위험이 생기는지는 별도의 제조 지식이 필요하다. 자율제조에서는 다음과 같은 지식이 함께 연결되어야 한다. * 설비의 정상 운전범위 * 제품별 표준 공정조건 * 원재료의 특성과 사용기준 * 품질검사 기준과 허용공차 * 고장원인과 정비절차 * 작업표준서와 안전수칙 * 생산계획과 납기 우선순위 * 작업자의 경험과 문제해결 사례 이러한 지식은 매뉴얼, SOP, 설비도면, 품질기준서, 정비이력, 작업자의 경험 속에 흩어져 있다. 문제는 이 지식들이 대부분 문서나 사람의 머릿속에만 존재한다는 점이다. AI가 제조현장을 제대로 판단하려면 데이터와 함께 **규칙, 관계, 제약조건, 과거의 경험**을 이해할 수 있어야 한다. 여기서 온톨로지와 지식그래프, Semantic AI의 중요성이 커진다. 설비와 부품, 제품, 공정, 작업조건, 품질결과 사이의 관계를 구조화하면 AI는 단순한 상관관계를 넘어 제조현장의 의미를 좀 더 체계적으로 해석할 수 있다. 결국 자율제조의 판단력은 AI 모델의 성능만으로 결정되지 않는다. **제조 데이터를 제조 지식과 얼마나 잘 연결했는가**가 중요하다. --- ## 5. AI의 판단은 어떻게 만들어지는가 자율제조에서 AI의 역할은 단순히 이상을 탐지하는 데서 끝나지 않는다. 현재 상황을 분석하고, 여러 대응방안을 비교해 제조목표에 가장 적합한 행동을 선택해야 한다. AI의 판단은 일반적으로 다음 요소를 함께 고려한다. ### ① 현재 상태 설비와 공정, 품질, 생산계획이 현재 어떤 상태인지 확인한다. ### ② 목표 생산량, 품질, 납기, 에너지, 안전 중 무엇을 우선해야 하는지 정의한다. ### ③ 제약조건 설비의 허용범위, 안전기준, 품질기준, 작업시간, 재고와 인력 등의 제한조건을 확인한다. ### ④ 가능한 행동 공정조건 조정, 생산순서 변경, 설비속도 조절, 정비 요청 등 가능한 대응방법을 생성한다. ### ⑤ 예상 결과 각 행동이 생산량과 품질, 에너지, 설비수명에 미치는 영향을 예측한다. ### ⑥ 최적안 선택 목표와 제약조건을 함께 고려해 가장 적합한 대응방안을 선택한다. 예를 들어 생산량은 유지하면서 에너지 사용량을 줄여야 한다고 가정해보자. AI는 단순히 전력 사용량이 높은 설비를 정지시킬 수 없다. 현재 주문과 납기, 설비별 생산능력, 제품 변경시간, 에너지 단가, 재공품 상태를 함께 고려해야 한다. 생산량을 유지하면서 피크시간대의 설비운전을 조정하거나, 생산순서를 변경하는 대안을 찾아야 한다. 이것이 자율제조에서 이야기하는 판단이다. 단순히 하나의 수치를 예측하는 것이 아니라, **여러 목표와 제약조건 사이에서 실행 가능한 행동을 선택하는 것**이다. --- ## 6. 판단했다고 바로 실행할 수는 없다 AI가 최적의 대응방안을 제시했다고 해서 실제 생산라인에 바로 적용할 수 있는 것은 아니다. 제조현장에서 잘못된 판단은 불량 증가를 넘어 설비손상, 생산중단, 안전사고로 이어질 수 있다. 따라서 AI의 판단과 설비의 실행 사이에는 검증과 통제 과정이 필요하다. 다음과 같은 방법을 활용할 수 있다. ### ① 업무규칙 검증 AI의 판단이 품질기준과 안전규칙, 설비 운전범위를 위반하지 않는지 확인한다. ### ② Digital Twin 검증 공정조건을 변경했을 때 생산량과 품질, 병목, 에너지 사용량이 어떻게 변하는지 가상환경에서 시험한다. ISO 23247은 제조 디지털트윈의 기본 원칙과 참조구조를 제시하고 있으며, 정보교환 요구사항을 통해 실제 제조요소와 디지털트윈 사이의 연결을 다룬다. ### ③ 과거 사례 비교 이전에 동일하거나 유사한 조치를 실행했을 때 어떤 결과가 발생했는지 확인한다. ### ④ 사람의 승인 위험도와 영향이 큰 결정은 작업자, 엔지니어 또는 관리자가 검토하고 승인한다. ### ⑤ 실행범위 제한 AI가 변경할 수 있는 온도, 압력, 속도 등의 범위를 사전에 제한한다. NIST의 AI 위험관리 프레임워크는 신뢰할 수 있는 AI의 주요 특성으로 유효성과 신뢰성, 안전성, 보안과 회복탄력성, 책임성과 투명성, 설명가능성과 해석가능성 등을 제시한다. 제조현장에서는 이러한 원칙이 더욱 중요하다. AI가 어떤 판단을 내렸는지뿐만 아니라, **왜 그런 판단을 내렸고, 어떤 조건에서 실행할 수 있으며, 문제가 발생하면 누가 개입할 것인지**가 명확해야 한다. --- ## 7. 자율제조의 실행은 어디에서 이루어지는가 자율제조에서 실행은 설비를 직접 제어하는 것만을 의미하지 않는다. AI의 판단은 제조현장의 여러 시스템과 업무에 다양한 형태로 반영될 수 있다. **설비 실행** * 온도, 압력, 속도 등 공정조건 조정 * 설비 운전모드 변경 * 로봇 동작과 작업순서 변경 **생산 실행** * 작업지시 변경 * 생산순서와 설비배정 조정 * 병목공정 우선처리 **품질 실행** * 검사주기 변경 * 불량 의심제품 자동 분리 * 추가검사 또는 공정조건 보정 **정비 실행** * 예방정비 작업 생성 * 부품교체 일정 조정 * 고장 위험 설비의 부하 감소 **물류 실행** * 원재료와 부품 공급 요청 * AGV·AMR 운행경로 변경 * 재공품과 완제품 이동 우선순위 조정 **에너지 실행** * 피크시간대 설비운전 조정 * 설비별 에너지 최적 운전 * 생산계획과 에너지 비용의 연계 ISA-95는 기업의 계획 영역과 제조운영·제어 영역 사이의 정보교환을 구조화한다. 이러한 연결이 필요한 이유는 AI의 판단이 ERP나 MES의 계획 변경에서 끝나지 않고, 실제 작업과 설비제어까지 일관되게 전달되어야 하기 때문이다. 자율제조의 실행은 하나의 시스템에서 이루어지지 않는다. ERP, APS, MES, QMS, CMMS, WMS, SCADA, PLC, 로봇과 설비가 서로 연결되어야 한다. 결국 실행의 핵심은 AI가 명령을 내리는 것이 아니라, **AI의 판단이 기존 제조시스템의 업무와 제어 흐름 안에서 안전하게 작동하도록 만드는 것**이다. --- ## 8. 실행 결과를 다시 학습해야 한다 자율제조의 Closed Loop는 실행에서 끝나지 않는다. AI가 제안한 조치를 실행한 다음에는 그 결과를 확인해야 한다. 공정조건을 변경한 뒤 불량률이 실제로 감소했는가. 설비속도를 조정한 뒤 생산량과 에너지 사용량은 어떻게 변했는가. 정비시점을 앞당긴 결과 고장을 예방할 수 있었는가. 생산순서를 변경한 뒤 납기와 재공품은 개선됐는가. 결과를 측정하지 않으면 AI의 판단이 옳았는지 알 수 없다. 따라서 자율제조 시스템은 다음의 정보를 기록해야 한다. * 어떤 상황이 발생했는가 * AI는 어떤 원인을 추론했는가 * 어떤 대응방안을 제시했는가 * 누가 실행을 승인했는가 * 실제로 어떤 조치가 실행됐는가 * 실행 전후의 KPI는 어떻게 변했는가 * 예상하지 못한 부작용은 없었는가 이러한 데이터가 축적되면 AI는 어떤 상황에서 어떤 조치가 효과적이었는지 학습할 수 있다. 작업자의 수정과 승인도 중요한 학습데이터가 된다. AI가 제시한 대응안을 작업자가 변경했다면, 왜 변경했는지를 기록해야 한다. 그 이유가 품질기준 때문인지, 설비의 특성 때문인지, 고객 납기 때문인지 알아야 다음 판단을 개선할 수 있다. 결국 학습은 AI 모델을 다시 훈련하는 것만을 의미하지 않는다. **제조조직이 실행의 경험을 지식으로 축적하고 다음 의사결정에 활용하는 것**까지 포함한다. --- ## 9. 자율제조 Closed Loop를 만드는 현실적인 방법 자율제조를 구현한다고 해서 처음부터 공장 전체의 인지·판단·실행을 연결할 필요는 없다. 하나의 공정과 하나의 문제를 대상으로 작은 Closed Loop를 만드는 것이 현실적이다. 예를 들어 사출성형 공정의 불량률 감소를 목표로 한다면 다음과 같이 접근할 수 있다. ### ① 문제 정의 어떤 불량을 줄일 것인지 명확히 한다. > *“제품 중량 편차로 인한 불량률을 낮춘다.”* ### ② 데이터 연결 금형온도, 사출압력, 보압시간, 원재료 LOT, 제품 중량과 품질결과를 연결한다. ### ③ 상황 인식 정상조건과 이상조건을 구분하고 불량 가능성이 높아지는 패턴을 탐지한다. ### ④ 원인과 대응방안 분석 AI가 불량에 영향을 주는 주요 요인을 분석하고 공정조건 변경안을 제시한다. ### ⑤ 실행 전 검증 공정모델이나 Digital Twin, 업무규칙을 통해 변경안이 허용범위 안에 있는지 확인한다. ### ⑥ 사람의 승인과 실행 초기에는 작업자가 대응안을 승인하고 설비조건을 변경한다. ### ⑦ 결과 평가 조건 변경 전후의 불량률, 사이클타임, 에너지 사용량을 비교한다. ### ⑧ 제한적 자동화 충분한 검증이 이루어진 범위부터 AI가 조건을 자동으로 조정하도록 한다. 이러한 작은 Closed Loop가 안정적으로 작동하면 다른 제품과 설비, 공정으로 확장할 수 있다. 중요한 것은 처음부터 자율성을 높이는 것이 아니다. **인지와 판단, 실행, 결과평가가 끊기지 않고 연결되는 경험을 만드는 것**이다. --- ## 10. 경영진은 무엇을 확인해야 하는가 자율제조 시스템을 구축할 때 경영진이 AI 모델의 알고리즘까지 이해할 필요는 없다. 그러나 의사결정 구조가 실제로 연결되어 있는지는 확인해야 한다. 다음과 같은 질문이 필요하다. **첫째, AI가 판단하기 위해 필요한 데이터가 실시간으로 연결되어 있는가.** **둘째, 데이터에 제품·설비·공정·품질의 맥락이 포함되어 있는가.** **셋째, AI는 이상을 탐지하는 데서 끝나는가, 아니면 원인과 대응방안까지 제시하는가.** **넷째, AI의 판단을 실행하기 전에 안전성과 품질 영향을 검증할 수 있는가.** **다섯째, AI의 판단은 작업지시와 생산계획, 설비제어에 연결되는가.** **여섯째, 위험한 결정에는 사람이 개입할 수 있는가.** **일곱째, 실행 전후의 성과를 측정하고 다음 판단에 반영하는가.** 이 질문에 답할 수 없다면 AI 기술을 도입했더라도 자율제조의 Closed Loop가 완성됐다고 보기 어렵다. 좋은 AI 모델을 만드는 것보다 더 어려운 것은, **AI의 판단을 실제 제조운영에 안전하게 연결하고 그 결과에 책임지는 체계를 만드는 것**이다. --- ## 마치며 자율제조 공장은 단순히 데이터를 많이 수집하는 공장이 아니다. AI가 설치된 공장도 아니고, 로봇이 사람 없이 움직이는 공장만을 의미하지도 않는다. 자율제조 공장은 제조현장에서 발생하는 데이터를 통해 현재 상황을 인식하고, 제조 지식과 AI를 이용해 필요한 행동을 판단한다. 그 판단을 Digital Twin과 업무규칙으로 검증하고, 설비와 로봇, 생산시스템을 통해 실행한다. 그리고 실행 결과를 다시 데이터와 지식으로 축적한다. 결국 자율제조의 핵심 구조는 다음과 같다. **현장을 본다.** **상황을 이해한다.** **무엇을 해야 할지 판단한다.** **실행하기 전에 검증한다.** **설비와 시스템을 통해 행동한다.** **결과를 확인하고 다시 학습한다.** 이 흐름이 하나로 연결될 때 공장은 단순한 자동화 시스템을 넘어 변화에 대응하는 제조시스템으로 발전한다. 자율제조의 경쟁력은 AI가 얼마나 똑똑한가만으로 결정되지 않는다. **데이터와 지식, 판단과 실행, 사람과 시스템을 얼마나 끊김 없이 연결할 수 있는가.** 바로 이 연결이 자율제조의 실질적인 경쟁력이 될 것이다. 다음 글에서는 자율제조의 출발점인 제조 데이터 문제를 조금 더 깊이 살펴보고자 한다. 많은 제조기업이 데이터를 수집하고 있지만, AI가 실제 판단에 사용할 수 있는 데이터는 생각보다 많지 않다. **[자율제조 시리즈 ④] 제조 데이터가 많은데 왜 공장은 스스로 판단하지 못하는가?** --- ### 참고자료 * [NIST — 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing](https://www.nist.gov/publications/2026-roadmap-artificial-intelligence-and-machine-learning-smart-manufacturing) * [NIST — Artificial Intelligence Risk Management Framework](https://www.nist.gov/itl/ai-risk-management-framework) * [NIST — Trustworthy and Responsible AI](https://www.nist.gov/trustworthy-and-responsible-ai) * [ISA — ISA-95 Standard: Enterprise-Control System Integration](https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard) * [ISA — ANSI/ISA-95.00.01-2025, Enterprise-Control System Integration](https://www.isa.org/news-press-releases/2025/april/update-to-isa-95-standard-addresses-integration-of) * [ISO — ISO 23247-1:2021, Digital Twin Framework for Manufacturing](https://www.iso.org/standard/75066.html) * [ISO — ISO 23247-4:2021, Information Exchange for Manufacturing Digital Twins](https://www.iso.org/standard/78745.html)
2026-08-11
[자율제조 시리즈 ②] 자동화 공장과 자율제조 공장은 무엇이 다른가?
### 정해진 대로 움직이는 공장에서, 상황을 이해하고 대응하는 공장으로 제조현장을 방문하면 자동화와 자율제조를 구분하기 어려울 때가 있다. 산업용 로봇이 움직이고, 컨베이어가 제품을 운반하며, PLC가 설비를 제어한다. 무인운반차가 자재를 공급하고 머신비전이 제품의 불량을 검사한다. 겉으로 보면 이미 공장이 스스로 움직이는 것처럼 보인다. 그렇다면 자동화 설비와 로봇이 많이 설치된 공장을 자율제조 공장이라고 부를 수 있을까. 결론부터 말하면 그렇지 않다. 자동화와 자율제조는 서로 연결되어 있지만, 같은 개념은 아니다. 자동화가 미리 정해진 조건과 절차를 기계가 반복해서 수행하는 것이라면, 자율제조는 생산환경의 변화를 인식하고 판단하며 필요한 대응을 실행하는 제조체계다. 쉽게 말하면, **자동화 공장은 ‘정해진 일을 잘하는 공장’이고,** **자율제조 공장은 ‘달라진 상황에 대응하는 공장’이다.** 이번 글에서는 자동화 공장과 자율제조 공장의 차이를 살펴보고, 제조기업이 자동화를 넘어 자율제조로 발전하기 위해 무엇을 준비해야 하는지 생각해 보고자 한다. --- ### 목차 1. 자동화 공장은 무엇을 잘하는가 2. 자동화가 많아지면 자율제조가 되는가 3. 핵심적인 차이는 ‘판단’에 있다 4. 자동화 공장과 자율제조 공장의 운영구조 5. 자율제조는 어떻게 상황에 대응하는가 6. 자율성은 한 번에 완성되지 않는다 7. 자율제조가 곧 무인공장을 의미하지는 않는다 8. 자동화에서 자율제조로 넘어가기 위한 조건 9. 작은 의사결정 하나부터 자율화해야 한다 10. 경영진은 무엇을 기준으로 판단해야 하는가 --- ## 1. 자동화 공장은 무엇을 잘하는가 자동화 공장의 가장 큰 장점은 반복성과 정확성이다. 사람이 수행하던 반복적인 작업을 PLC, 자동화 설비, 산업용 로봇이 대신한다. 미리 입력된 프로그램과 생산조건에 따라 같은 작업을 빠르고 일정하게 수행한다. 예를 들어 자동차 차체부품을 생산하는 프레스 공장을 생각해보자. 소재가 투입되면 프레스가 설정된 압력과 속도로 제품을 가공한다. 로봇은 가공된 제품을 다음 공정으로 옮기고, 검사장비는 정해진 기준에 따라 제품의 이상 여부를 확인한다. 모든 공정이 계획대로 진행되고 생산조건이 일정하다면 자동화 공장은 매우 효율적이다. 생산속도를 높일 수 있고, 작업 편차를 줄일 수 있으며, 위험하거나 반복적인 작업에서 사람을 분리할 수도 있다. 따라서 자동화는 제조혁신의 중요한 기반이다. 문제는 생산현장의 조건이 항상 일정하지 않다는 데 있다. 원재료의 특성이 달라질 수 있고, 금형온도가 상승할 수 있다. 설비의 진동이 평소보다 커지거나 특정 시간대에 불량이 증가할 수도 있다. 갑작스러운 주문 변경으로 생산계획을 수정해야 할 수도 있고, 앞 공정의 지연이 뒤 공정의 병목으로 이어질 수도 있다. 기존 자동화 시스템은 이러한 변화를 감지하고 경보를 발생시킬 수는 있다. 그러나 변화가 발생한 원인을 이해하고, 여러 대응 방법을 비교하고, 최적의 조치를 선택하는 일은 대부분 사람에게 남아 있다. 즉, **자동화는 움직일 수 있지만, 반드시 판단할 수 있는 것은 아니다.** --- ## 2. 자동화가 많아지면 자율제조가 되는가 공장에 로봇과 자동화 설비를 더 많이 설치하면 자율제조에 가까워진다고 생각하기 쉽다. 하지만 자동화의 양과 자율성의 수준은 반드시 비례하지 않는다. 공장 전체가 자동화되어 있어도 각각의 설비가 정해진 프로그램에 따라 독립적으로 작동한다면, 변화가 발생했을 때 전체 공정을 조정하는 것은 여전히 사람의 역할이다. 반대로 자동화 설비가 많지 않은 공장이라도 데이터를 기반으로 이상을 예측하고, 생산조건 변경안을 제시하며, 작업자의 승인을 받아 실행하는 체계를 갖추었다면 부분적인 자율제조가 시작됐다고 볼 수 있다. 결국 중요한 것은 자동화 설비의 개수가 아니다. **생산현장에서 발생하는 변화에 대해 시스템이 어디까지 스스로 대응할 수 있는가**가 중요하다. 이를 구분하면 다음과 같다. **자동화** > *정해진 조건에서 정해진 작업을 반복한다.* **지능화** > *데이터를 분석해 현재 상황과 미래 가능성을 알려준다.* **자율화** > *분석 결과를 바탕으로 대응 방법을 결정하고 실행하며, 그 결과를 다시 반영한다.* 자동화가 작업의 수행방식을 바꾸는 것이라면, 자율화는 제조현장의 의사결정 방식을 바꾸는 것이다. --- ## 3. 핵심적인 차이는 ‘판단’에 있다 자동화 공장과 자율제조 공장을 구분하는 핵심은 판단의 주체다. 기존 자동화 공장에서는 사람이 목표와 조건, 작업순서, 예외 처리방법을 미리 정의한다. 시스템은 정의된 규칙에 따라 작업을 수행한다. 설정된 범위를 벗어나는 상황이 발생하면 경보를 발생시키거나 설비를 정지한다. 이후 작업자나 엔지니어가 현장을 확인하고 원인을 분석한다. 즉, **사람의 판단 → 프로그램 설정 → 설비 실행** 의 구조다. 자율제조에서는 이 구조가 달라진다. 센서와 생산시스템을 통해 현재 상황을 파악하고, AI와 제조 지식을 활용해 원인을 추론한다. 여러 대응방법을 비교하고, 허용된 범위에서 최적의 조치를 추천하거나 실행한다. 즉, **데이터 → 상황 인식 → AI 판단 → 검증 → 실행 → 결과 확인** 의 구조다. 여기서 중요한 것은 AI가 예측 결과를 보여주는 것만으로는 충분하지 않다는 점이다. AI가 불량 가능성을 예측했지만 아무런 후속 조치와 연결되지 않는다면, 그것은 지능형 분석시스템일 수는 있어도 자율제조 시스템이라고 보기는 어렵다. 자율제조에서는 AI의 판단이 작업지시, 생산계획, 품질관리 또는 설비 제어와 연결되어야 한다. 결국 자율제조의 핵심은 분석이 아니라, **분석 결과가 실제 제조활동의 변화로 이어지는가**에 있다. --- ## 4. 자동화 공장과 자율제조 공장의 운영구조 자동화 공장과 자율제조 공장의 차이를 운영 관점에서 정리하면 다음과 같다. | 구분 | 자동화 공장 | 자율제조 공장 | | ------ | ---------------- | ----------------------- | | 운영 기준 | 미리 정의된 작업순서와 조건 | 실시간 상황과 생산목표 | | 데이터 활용 | 수집·모니터링·경보 | 예측·추론·최적화·실행 | | 변화 대응 | 작업자가 확인하고 조치 | AI가 대응안을 추천하거나 제한적으로 실행 | | 의사결정 | 사람 중심 | 사람과 AI의 협업 | | 설비 제어 | 사전 프로그램과 고정된 규칙 | 상황에 따른 동적 조건 변경 | | 문제 해결 | 문제 발생 후 원인분석 | 문제 예측과 선제적 대응 | | 개선 방식 | 사후 분석과 프로그램 수정 | 실행 결과를 반영한 지속적 개선 | | 주요 목표 | 생산속도와 반복 작업의 효율화 | 품질·생산성·납기·에너지의 종합 최적화 | 이 차이는 단순히 AI를 사용하는가의 문제가 아니다. 생산계획과 MES, 품질시스템, 설비제어시스템이 서로 분리되어 있다면 AI가 좋은 판단을 내리더라도 실제 생산운영에 반영하기 어렵다. ISA-95 또는 IEC 62264가 기업의 업무시스템과 제조제어시스템 사이의 통합구조를 다루는 이유도 여기에 있다. 생산과 경영, 설비 데이터가 명확한 정보모델을 기반으로 연결되어야 제조 의사결정을 일관되게 수행할 수 있기 때문이다. 자율제조는 하나의 AI 모델을 도입하는 프로젝트가 아니다. **기업의 목표와 생산운영, 현장 제어를 하나의 의사결정 흐름으로 연결하는 프로젝트**다. --- ## 5. 자율제조는 어떻게 상황에 대응하는가 사출성형 공정에서 제품의 불량 가능성이 높아진 상황을 생각해보자. 자동화 공장은 미리 설정된 사출압력, 금형온도, 보압시간에 따라 계속 제품을 생산한다. 센서값이 허용범위를 벗어나면 경보를 발생시키거나 설비를 정지할 수 있다. 품질검사에서 불량이 확인되면 작업자가 생산을 중단하고 원인을 분석한다. 자율제조 공장은 접근 방식이 다르다. 먼저 설비의 온도, 압력, 속도, 진동과 제품 품질 데이터를 실시간으로 분석한다. AI는 현재의 금형온도와 보압시간, 원재료 LOT, 이전 생산결과를 함께 비교한다. 특정 조건의 조합이 불량 가능성을 높이고 있다고 판단하면 대응방안을 만든다. 그러나 AI가 판단했다고 해서 즉시 설비값을 변경하는 것은 위험할 수 있다. 따라서 디지털트윈이나 공정모델을 이용해 조건 변경이 품질과 생산량, 설비 안전에 어떤 영향을 미칠지 먼저 검증할 수 있다. ISO 23247은 제조 분야 디지털트윈의 기본 원칙과 프레임워크, 정보교환 구조를 다루고 있다. 검증 결과가 허용범위 안에 있으면 작업자에게 조건 변경을 추천하거나, 사전에 승인된 범위에서 시스템이 직접 설정값을 조정한다. 마지막으로 불량률이 실제로 감소했는지를 확인하고, 그 결과를 다음 판단에 활용한다. 이를 정리하면 다음과 같다. **현장 데이터 수집** ↓ **현재 상황과 이상징후 인식** ↓ **원인과 영향 분석** ↓ **대응방안 생성** ↓ **Digital Twin 또는 공정모델 검증** ↓ **사람의 승인 또는 제한적 자동 실행** ↓ **결과 확인과 학습** 이러한 **Closed Loop**가 형성될 때 자동화는 자율제조로 발전하기 시작한다. --- ## 6. 자율성은 한 번에 완성되지 않는다 자율제조를 완전한 무인공장의 모습으로만 생각하면 현실적인 도입전략을 수립하기 어렵다. 제조현장에는 품질과 안전, 생산중단, 설비손상, 고객 납기 등 다양한 위험이 존재한다. 따라서 AI의 판단과 실행 권한은 위험도와 데이터의 신뢰성에 따라 단계적으로 확대해야 한다. 현실적인 발전과정은 다음과 같이 볼 수 있다. **1단계: AI가 알려주는 단계** AI가 이상, 불량 또는 설비고장의 가능성을 탐지해 작업자에게 알린다. **2단계: AI가 추천하는 단계** AI가 문제의 원인과 대응방법을 분석해 작업자에게 추천한다. **3단계: 사람과 AI가 함께 결정하는 단계** AI가 여러 대응안을 비교하고, 작업자 또는 관리자가 최종 실행안을 승인한다. **4단계: AI가 제한된 범위에서 실행하는 단계** 설정된 안전범위와 업무규칙 안에서 AI가 생산조건이나 작업계획을 자동으로 조정한다. **5단계: 여러 공정을 연결해 최적화하는 단계** AI가 생산, 품질, 설비, 물류, 에너지의 영향을 함께 고려해 공정 전체를 조정한다. 중요한 것은 높은 단계로 빠르게 올라가는 것이 아니다. 각 단계에서 AI의 판단 정확도와 실행 결과를 검증하고, 실패했을 때 사람이 개입할 수 있는 구조를 갖추는 것이 중요하다. NIST의 2026년 스마트제조 AI·ML 로드맵 역시 자율시스템의 확대 가능성과 함께 산업환경에서 요구되는 신뢰성, 설명가능성, 안전성과 이기종 센싱·제어시스템 통합을 주요 과제로 제시한다. --- ## 7. 자율제조가 곧 무인공장을 의미하지는 않는다 자율제조를 이야기하면 가장 먼저 나오는 질문이 있다. **“결국 사람을 없애는 것인가?”** 자율제조의 목적을 단순한 무인화로 이해해서는 안 된다. 제조현장의 모든 판단을 AI가 대신할 수 있는 것도 아니고, 그렇게 하는 것이 바람직한 것도 아니다. 일상적이고 반복적이며 충분히 검증된 판단은 AI가 담당할 수 있다. 반면 안전사고의 위험이 크거나, 고객과의 계약에 영향을 주거나, 대규모 생산중단으로 이어질 수 있는 결정은 사람이 최종 책임을 져야 한다. 따라서 현실적인 자율제조는 다음과 같은 역할 분담을 필요로 한다. **AI가 잘할 수 있는 일** * 대규모 데이터의 실시간 분석 * 반복되는 이상패턴 탐지 * 품질과 고장 가능성 예측 * 복수의 생산조건과 대안 비교 * 정해진 범위 내의 신속한 조건 조정 **사람이 담당해야 할 일** * 목표와 우선순위 설정 * 예외적 상황에 대한 판단 * 안전과 윤리, 책임이 수반되는 결정 * AI가 학습하지 못한 새로운 문제 해결 * 공정과 조직 전체에 대한 개선 방향 결정 결국 자율제조는 사람을 없애는 것이 아니라, **사람이 해야 할 판단과 AI가 수행할 판단을 다시 설계하는 것**이다. Human-in-the-loop를 무조건 제거하는 것이 아니라, 위험과 책임에 따라 사람의 개입 수준을 적절하게 배치해야 한다. --- ## 8. 자동화에서 자율제조로 넘어가기 위한 조건 자동화 설비를 보유한 공장이 자율제조로 발전하려면 몇 가지 기반이 필요하다. ### ① 데이터가 연결되어 있어야 한다 설비 데이터만으로는 공정 전체를 이해하기 어렵다. 제품, 원재료, 생산계획, 작업조건, 설비상태, 검사결과, 에너지 사용량이 시간과 LOT를 기준으로 연결되어야 한다. --- ### ② 데이터의 의미가 정의되어 있어야 한다 데이터를 많이 수집한다고 AI가 제조현장을 이해하는 것은 아니다. 각 데이터가 어떤 설비와 제품, 공정, 품질결과를 의미하는지 명확하게 정의해야 한다. 동일한 설비와 품질항목이 시스템마다 서로 다른 이름과 단위로 관리된다면 AI의 판단도 신뢰하기 어렵다. --- ### ③ AI의 판단이 업무와 설비에 연결되어야 한다 예측 결과가 대시보드와 경보에서 끝나서는 안 된다. AI가 제시한 결과가 작업지시, 정비계획, 생산계획, 품질판정 또는 설비조건 변경으로 이어질 수 있어야 한다. --- ### ④ 실행 전 검증체계가 있어야 한다 AI가 생성한 대응안을 실제 생산라인에 바로 적용하는 것은 위험하다. 공정모델, Digital Twin, 시뮬레이션 또는 안전규칙을 활용해 실행 가능성과 영향을 사전에 검증해야 한다. --- ### ⑤ 결과를 다시 평가해야 한다 AI의 판단이 실제로 불량률을 낮추고 생산성을 높였는지 확인해야 한다. 실행 결과가 다시 데이터로 축적되지 않으면 시스템은 스스로 개선될 수 없다. 결국 자율제조는 **데이터 → 의미 → 판단 → 검증 → 실행 → 학습** 이 연결되는 구조를 만드는 것이다. --- ## 9. 작은 의사결정 하나부터 자율화해야 한다 중소 제조기업이 처음부터 공장 전체를 자율화하는 것은 현실적이지 않다. 비용도 많이 들고, 데이터와 시스템, 조직의 준비 수준도 충분하지 않을 가능성이 높다. 따라서 자율제조는 작고 명확한 문제에서 시작해야 한다. 예를 들면 다음과 같다. * 설비의 진동과 온도를 분석해 고장 가능성을 사전에 알린다. * 품질 데이터를 분석해 불량 가능성이 높은 제품을 자동으로 선별한다. * 주문량과 재고량을 비교해 생산계획 변경안을 제시한다. * 생산량을 유지하면서 에너지 사용량을 낮출 수 있는 운전조건을 추천한다. * 공정 이상이 발생하면 원인 후보와 표준 대응절차를 작업자에게 제공한다. * 작업자의 승인을 받아 제한된 범위에서 공정조건을 자동 조정한다. 여기서 중요한 것은 AI 모델의 정확도만이 아니다. AI의 판단이 실제 현장 조치로 연결되고, 그 결과가 다시 확인되는 구조가 만들어져야 한다. 예지보전 모델이 고장 가능성을 예측했지만 정비계획과 연결되지 않는다면 현장의 변화는 일어나지 않는다. 품질예측 모델이 불량 가능성을 알려주지만 공정조건을 조정할 수 없다면 불량을 미리 알고도 계속 생산하게 된다. 따라서 첫 번째 자율제조 과제는 다음의 조건을 만족해야 한다. **문제가 명확한가.** **필요한 데이터를 확보할 수 있는가.** **AI가 판단할 수 있는가.** **판단 결과를 실제 행동으로 연결할 수 있는가.** **실행 전후의 성과를 측정할 수 있는가.** 이 다섯 가지가 연결된 작은 성공사례를 만드는 것이 중요하다. --- ## 10. 경영진은 무엇을 기준으로 판단해야 하는가 자동화와 자율제조를 구분하기 위해 경영진이 로봇의 수나 AI 모델의 개수를 확인할 필요는 없다. 오히려 다음과 같은 질문을 해야 한다. **첫째, 생산조건이 달라졌을 때 우리 시스템은 이를 스스로 인식할 수 있는가.** **둘째, AI가 단순히 이상을 알려주는가, 아니면 원인과 대응방법까지 제시하는가.** **셋째, AI의 판단이 실제 작업지시와 생산계획, 설비제어로 연결되는가.** **넷째, AI의 판단을 실행하기 전에 안전성과 품질 영향을 검증할 수 있는가.** **다섯째, 실행 결과가 다시 시스템의 학습과 개선에 반영되는가.** 이 질문에 대부분 답하지 못한다면, 그 공장은 자동화 수준이 높더라도 아직 자율제조 공장이라고 보기는 어렵다. 앞으로 제조기업의 경쟁력은 설비를 얼마나 많이 자동화했는가만으로 결정되지 않을 것이다. **변화가 발생했을 때 공장이 얼마나 빠르고 정확하게 상황을 이해하고 대응할 수 있는가**가 더욱 중요해질 것이다. 자동화는 생산활동의 속도와 반복성을 높인다. 자율제조는 제조시스템의 적응력과 회복력을 높인다. 바로 이 차이를 이해하는 것에서 자율제조 전략은 시작된다. --- ## 마치며 자동화 공장은 정해진 조건에서 정해진 작업을 매우 잘 수행한다. 그러나 제조현장은 언제나 계획대로 움직이지 않는다. 원재료가 달라지고, 설비가 노후화되며, 수요와 생산계획이 변한다. 예상하지 못한 품질문제와 공정의 병목도 발생한다. 이러한 변화가 발생할 때마다 사람이 데이터를 확인하고 원인을 분석하며 대응해야 한다면, 그 공장은 자동화되어 있을 수는 있어도 자율적이라고 보기는 어렵다. 자율제조의 시대에는 질문이 달라진다. **“우리 공장에는 자동화 설비가 얼마나 많이 설치되어 있는가?”** 가 아니라, **“변화가 발생했을 때 우리 공장은 어디까지 스스로 판단하고 대응할 수 있는가?”** 를 물어야 한다. 자동화는 정해진 일을 대신 수행하는 기술이다. 자율제조는 변화의 의미를 이해하고, 필요한 행동을 선택하며, 그 결과로부터 다시 학습하는 운영체계다. 결국 자동화 공장에서 자율제조 공장으로의 전환은 더 많은 기계를 설치하는 문제가 아니다. **사람이 일일이 판단하던 제조의 의사결정 구조를 데이터와 AI, Digital Twin, 설비 실행이 연결된 구조로 바꾸는 것.** 그것이 자동화와 자율제조를 구분하는 가장 중요한 기준이다. 다음 글에서는 자율제조 공장이 데이터를 통해 어떻게 현재 상황을 보고, 판단하고, 실제 행동으로 연결하는지 살펴보고자 한다. **[자율제조 시리즈 ③] 자율제조는 어떻게 보고, 판단하고, 행동하는가?** --- ### 참고자료 * [NIST — 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing](https://www.nist.gov/publications/2026-roadmap-artificial-intelligence-and-machine-learning-smart-manufacturing) * [NIST — Smart Manufacturing](https://www.nist.gov/smart-manufacturing) * [ISA — ISA-95 Standard: Enterprise-Control System Integration](https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard) * [ISO — ISO 23247-1:2021, Digital Twin Framework for Manufacturing](https://www.iso.org/standard/75066.html) * [ISO — ISO 23247-4:2021, Information Exchange for Manufacturing Digital Twins](https://www.iso.org/standard/78745.html) * [World Economic Forum — Global Lighthouse Network: The Mindset Shifts Driving Impact and Scale in Digital Transformation](https://reports.weforum.org/docs/WEF_Global_Lighthouse_Network_2025.pdf)
2026-08-08
[자율제조 시리즈 ①] 스마트공장의 다음은 무엇인가?
## 자율제조, AI Factory 그리고 제조업의 새로운 경쟁력 제조업의 디지털 전환을 이야기할 때 우리는 오랫동안 ‘스마트공장’을 이야기해 왔다. 설비를 연결하고, 데이터를 수집하고, MES를 구축하고, 생산현황을 실시간으로 확인하는 것. 여기에 AI를 적용해 품질을 예측하고 설비의 이상을 찾아내는 것까지. 분명 제조현장은 과거보다 훨씬 스마트해졌다. 그런데 최근 제조업의 현장을 둘러보면 새로운 질문이 등장하고 있다. **“스마트해진 공장은 이제 무엇을 할 수 있어야 하는가?”** 데이터를 보여주는 것만으로 충분한가. AI가 이상을 알려주는 것만으로 충분한가. 결국 사람이 데이터를 보고 판단하고 설비를 조작해야 한다면, 과연 그것을 ‘자율’이라고 부를 수 있는가. 최근 제조업에서 **자율제조(Autonomous Manufacturing), AI Factory, Industrial AI, Digital Twin, AI Agent, Physical AI**와 같은 키워드가 빠르게 부상하는 이유가 여기에 있다. 이제 제조업의 디지털 전환은 **‘연결과 가시화’에서 ‘판단과 실행’으로 이동하고 있다.** 이번 글을 시작으로 자율제조가 무엇이며, 기존 스마트공장과 무엇이 다른지, 그리고 제조기업은 앞으로 무엇을 준비해야 하는지를 몇 차례에 걸쳐 살펴보고자 한다. --- ## 목차 1. 스마트공장은 어디까지 왔는가 2. 자율제조는 스마트공장의 ‘다음 버전’이 아니다 3. 제조 AI의 변화가 생각보다 빠르다 4. AI Factory라는 새로운 개념 5. 자율제조를 만드는 핵심 기술 6. 중요한 것은 기술이 아니라 운영 방식의 변화다 7. 앞으로의 제조 경쟁력은 무엇이 될 것인가 8. ‘스마트한 공장’에서 ‘생각하는 공장’으로 9. 그래서 지금 무엇을 준비해야 하는가 10. 자율제조 시대, 경영진이 봐야 할 것은 기술 목록이 아니다 --- # 1. 스마트공장은 어디까지 왔는가 스마트공장의 발전을 단순하게 정리하면 **자동화 → 연결 → 가시화 → 지능화**의 흐름으로 볼 수 있다. 초기 제조혁신의 중심에는 자동화가 있었다. 사람이 하던 반복적인 작업을 PLC, 자동화 설비, 산업용 로봇이 대신했다. 생산성을 높이고 품질 편차를 줄이는 것이 중요한 목표였다. 그다음에는 연결이 시작됐다. 설비에 센서를 설치하고 데이터를 수집했다. MES, ERP, SCADA 등 다양한 시스템이 연결되면서 생산현장을 데이터로 바라볼 수 있게 됐다. 그리고 가시화가 이루어졌다. 생산량, 설비가동률, 품질, 재고, 에너지 사용량 등을 실시간으로 확인할 수 있게 됐다. 여기까지가 우리가 흔히 이야기하는 스마트공장의 기반이다. 다음 단계에서는 AI가 들어왔다. 설비 데이터를 분석해 고장을 예측하고, 머신비전으로 불량을 찾아내고, 생산조건과 품질 사이의 관계를 분석해 최적 조건을 찾기 시작했다. 즉, **데이터를 수집하는 공장 → 데이터를 이해하는 공장** 으로 발전한 것이다. 그런데 여기서 한 가지 질문이 남는다. **AI가 문제를 찾아냈다면, 그다음에는 누가 결정하고 누가 실행할 것인가?** 현재 많은 스마트공장은 여전히 사람이 최종 의사결정을 한다. AI가 “이 설비에 이상 가능성이 높습니다”라고 알려주면 엔지니어가 원인을 확인한다. AI가 “이 공정조건에서는 불량률이 증가할 가능성이 있습니다”라고 알려주면 작업자가 조건을 조정한다. 즉, **데이터 → AI 분석 → 사람의 판단 → 설비 실행** 이라는 구조다. 자율제조는 바로 이 지점에서 출발한다. --- # 2. 자율제조는 스마트공장의 ‘다음 버전’이 아니다 자율제조를 단순히 **“AI가 적용된 스마트공장”**이라고 설명하면 중요한 부분을 놓치게 된다. 자율제조의 핵심은 AI를 도입하는 것 자체가 아니라 **제조의 의사결정 구조가 바뀌는 것**에 있다. 기존 스마트공장이 > **사람이 데이터를 활용해 공장을 운영하는 시스템** 이었다면, 자율제조는 > **AI가 데이터를 이해하고 판단하며, 설비와 로봇이 이를 실행하는 시스템** 을 지향한다. 물론 모든 제조현장이 하루아침에 사람 없이 운영되는 것은 아니다. 제조는 안전과 품질, 생산중단, 설비손상 등 수많은 위험요소를 가지고 있다. 따라서 현실적인 자율제조는 단계적으로 발전할 가능성이 높다. **AI가 알려주는 단계** → **AI가 추천하는 단계** → **사람과 AI가 함께 결정하는 단계** → **AI가 제한된 영역에서 스스로 결정하는 단계** → **AI가 여러 공정을 연결해 자율적으로 운영하는 단계** 이렇게 보는 것이 현실적이다. 결국 자율제조의 핵심은 **Human-in-the-loop를 어떻게 줄여갈 것인가**에 있다. 사람을 없애는 것이 아니라, 사람이 반드시 판단해야 하는 영역과 AI가 판단할 수 있는 영역을 재정의하는 것이다. --- # 3. 제조 AI의 변화가 생각보다 빠르다 이러한 변화는 단순한 기술기업의 전망에 그치지 않는다. 세계경제포럼(WEF)의 **Global Lighthouse Network**는 2026년 6월 기준 238개의 선도 제조·공급망 사이트로 확대됐다. WEF는 최신 Lighthouse 사례에서 제조업의 변화가 개별 공정 최적화를 넘어 **End-to-End Intelligence, Human-Machine Collaboration, Sustainability**를 중심으로 전체 운영체계를 바꾸는 방향으로 진행되고 있다고 설명한다. 특히 주목할 부분은 AI의 역할이 달라지고 있다는 점이다. AI가 단순히 생산현장의 데이터를 분석하는 도구에 머무르는 것이 아니라, 생산과 품질, 설비, 공급망 등 다양한 의사결정 영역에 연결되고 있다. WEF 역시 2026년 제조업 동향을 설명하면서 **AI가 고립된 파일럿에서 핵심 운영역량으로 이동하고 있다**고 평가한다. 이 변화는 제조기업에 상당히 중요한 의미를 갖는다. AI가 단순히 생산현장의 분석 도구로 남는 것이 아니라, 생산계획과 품질, 설비, 물류, 유지보수 등의 의사결정에 직접 관여하기 시작했기 때문이다. 이제 제조 AI는 **“무슨 일이 일어났는가?”** 에서 **“무슨 일이 일어날 것인가?”** 를 넘어 **“그렇다면 무엇을 해야 하는가?”** 로 이동하고 있다. --- # 4. AI Factory라는 새로운 개념 최근 제조업에서 **AI Factory**라는 개념이 주목받는 것도 이러한 변화와 무관하지 않다. AI Factory를 단순히 “AI 솔루션이 많이 들어간 공장”으로 이해해서는 안 된다. 핵심은 AI가 공장 운영의 일부가 되는 것이다. 생산현장에서 발생하는 데이터를 AI가 이해하고, 생산·품질·설비·물류 등의 상황을 분석하며, 필요한 의사결정을 지원하거나 자동으로 수행하는 구조다. 따라서 AI Factory에서는 다음의 연결이 중요하다. **현장의 데이터** ↓ **AI의 인지와 판단** ↓ **Digital Twin을 통한 검증** ↓ **설비와 로봇의 실행** ↓ **결과 데이터의 재학습** 이러한 **Closed Loop**가 만들어져야 비로소 자율제조에 가까워진다. 결국 AI Factory와 자율제조의 핵심은 AI 모델 하나가 아니다. **데이터부터 실행까지 연결되는 전체 시스템**이다. --- # 5. 자율제조를 만드는 핵심 기술 자율제조를 하나의 기술로 생각하면 방향을 잡기 어렵다. 여러 기술이 서로 연결되는 하나의 시스템으로 이해해야 한다. ## ① 제조 데이터 가장 기본적이면서도 중요한 요소다. 센서, PLC, CNC, 로봇, 검사장비, MES, ERP 등에서 발생하는 데이터가 연결되어야 한다. 여기서 중요한 것은 데이터의 양이 아니다. **“이 데이터가 무엇을 의미하는가”를 AI가 이해할 수 있어야 한다.** 제품 LOT, 원재료, 설비상태, 공정조건, 작업정보, 품질결과 등이 시간축으로 연결되어야 한다. AI 시대의 제조 데이터 경쟁력은 결국 **데이터의 맥락(Context)**을 얼마나 잘 확보하고 있느냐에 달려 있다. NIST 역시 2026년 스마트제조 AI·ML 로드맵에서 산업 빅데이터의 복잡성, 데이터 관리, 이기종 센싱·제어시스템의 통합을 AI 확산의 중요한 과제로 제시하고 있다. --- ## ② AI와 AI Agent 제조 AI의 전통적인 영역은 예지보전, 이상탐지, 품질예측, 수율예측 등이었다. 이제는 생성형 AI와 Foundation Model, AI Agent로 영역이 확대되고 있다. 특히 AI Agent는 앞으로 주목할 필요가 있다. 기존 AI가 특정 질문에 답하거나 특정 문제를 예측했다면, Agent는 주어진 목표를 달성하기 위해 여러 단계의 작업을 연결할 수 있다. 예를 들어, > “생산량은 유지하면서 에너지 사용량을 줄여라.” 라는 목표가 주어진다면 생산계획을 확인하고, 설비별 에너지 데이터를 분석하고, 여러 조건을 비교하고, 최적 시나리오를 선택하는 과정까지 연결할 수 있다. 아직 제조현장에서 이를 곧바로 자율제어로 연결하는 것은 별개의 문제다. 그러나 **AI가 분석 도구에서 의사결정 지원을 넘어 업무 수행의 주체로 이동하고 있다는 점**은 주목해야 한다. 실제로 NIST는 2026년 제조 AI 워크숍에서 향후 산업용 자율 Agent의 신뢰성을 확보하기 위한 평가·검증·벤치마크 체계의 필요성을 논의하고 있다. --- ## ③ Digital Twin 자율제조에서 디지털트윈의 중요성은 더욱 커질 것이다. AI가 어떤 결정을 내렸다고 해서 실제 생산라인에 바로 적용하는 것은 위험할 수 있다. 그렇다면 가상환경에서 먼저 시험해 볼 수 있다. 생산조건을 변경했을 때 생산량은 어떻게 되는지, 병목은 어디에서 발생하는지, 품질에는 어떤 영향이 있는지를 디지털 공간에서 시뮬레이션하는 것이다. 따라서 디지털트윈은 단순한 3D 시각화 기술에서 **AI의 의사결정을 검증하는 시뮬레이션 환경**으로 역할이 확대되고 있다. NIST도 제조 디지털트윈을 단순한 시각화가 아니라 제조 데이터를 기반으로 활용하는 시스템으로 바라보고 있으며, ISO 23247을 포함한 디지털트윈 표준화의 중요성을 다루고 있다. --- ## ④ 로봇과 Physical AI AI가 아무리 똑똑해도 현실 세계에서 행동할 수 없다면 제조현장의 자율화에는 한계가 있다. 그래서 **Physical AI**가 중요해진다. AI가 카메라와 센서로 현실의 상황을 인식하고, 판단하고, 로봇이나 설비를 움직이는 것이다. 기존 로봇이 정해진 위치에서 정해진 동작을 반복했다면, 앞으로의 지능형 로봇은 상황을 인식하고 작업 목적에 따라 행동을 변경하는 방향으로 발전할 가능성이 높다. 결국 제조현장에서는 **AI Brain + Digital Twin + Robot** 의 결합이 중요한 기술적 기반이 될 것이다. NIST의 2026년 스마트제조 AI·ML 로드맵에서도 자율시스템, 고도화된 센싱과 인지, 디지털트윈, 로봇 등을 제조 AI의 주요 발전 영역으로 제시하고 있다. --- # 6. 중요한 것은 기술이 아니라 운영 방식의 변화다 여기서 제조기업의 경영진이 한 번 생각해 볼 필요가 있다. 자율제조의 핵심을 AI나 로봇 같은 개별 기술로만 바라보면 투자 방향이 분산될 수 있다. AI 검사 시스템을 구축하고, 디지털트윈을 만들고, 생성형 AI를 도입하더라도 각각의 시스템이 서로 연결되지 않는다면 공장은 여전히 사람이 판단하는 구조에 머무르게 된다. 결국 중요한 것은 **기술의 개수가 아니라 의사결정 구조의 변화**다. 지금까지 제조현장의 많은 의사결정은 사람의 경험에 기반했다. 숙련된 작업자와 엔지니어가 데이터를 보고 판단하고, 문제가 발생하면 경험과 지식을 활용해 해결했다. 자율제조는 이러한 경험과 지식을 데이터와 AI에 연결하고, 가능하다면 다시 시스템의 행동으로 연결하는 과정이라고 볼 수 있다. 따라서 자율제조는 기술혁신인 동시에 **운영혁신**이다. --- # 7. 앞으로의 제조 경쟁력은 무엇이 될 것인가 지금까지 제조기업의 경쟁력을 이야기할 때 원가, 품질, 납기, 생산성, 설비효율 등을 주로 이야기했다. 앞으로 여기에 새로운 역량이 추가될 가능성이 높다. **“얼마나 빠르게 스스로 판단하고 대응할 수 있는가.”** 수요가 갑자기 변했을 때 생산계획을 얼마나 빠르게 바꿀 수 있는가. 원재료의 특성이 달라졌을 때 공정조건을 얼마나 빠르게 최적화할 수 있는가. 설비 이상이 발생했을 때 생산중단을 최소화하면서 대응할 수 있는가. 불량이 발생했을 때 단순히 불량을 찾아내는 것이 아니라 원인을 추론하고 공정을 수정할 수 있는가. 이러한 능력이 앞으로의 제조경쟁력에서 중요한 요소가 될 것이다. WEF의 최신 Lighthouse 사례에서도 AI를 개별 생산공정이 아니라 공급망과 생산, 의사결정을 연결하는 **End-to-End Intelligence**로 확대하는 흐름이 나타나고 있다. 즉, 앞으로의 경쟁은 **스마트한 공장 하나를 만드는 경쟁에서 지능적인 제조 운영체계를 만드는 경쟁**으로 이동할 가능성이 높다. --- # 8. ‘스마트한 공장’에서 ‘생각하는 공장’으로 스마트공장의 지난 10여 년을 돌아보면 제조현장을 디지털화하는 과정이었다. 설비를 연결하고, 데이터를 모으고, 시스템을 구축했다. 앞으로의 변화는 조금 다를 것이다. **디지털화된 공장을 어떻게 지능화할 것인가.** 그리고 그 지능을 어떻게 실제 생산활동과 연결할 것인가가 중요한 과제가 될 것이다. NIST가 2026년 7월 발표한 AI·ML 스마트제조 로드맵은 산업 빅데이터, 자율시스템, 디지털트윈, 로봇, 공급망·물류 최적화뿐만 아니라 생성형 AI, Semantic AI, Explainable AI, LLM, Foundation Model 등을 제조 AI의 주요 영역으로 제시한다. 동시에 데이터 관리, 이기종 시스템 통합, 신뢰성·설명가능성 등을 중요한 과제로 꼽고 있다. 이는 자율제조가 단순히 새로운 설비나 솔루션을 도입하는 문제가 아니라 **제조 시스템 전체의 지능화**와 연결되어 있음을 보여준다. 결국 제조의 방향은 **연결 → 데이터 → AI → 판단 → 실행 → 학습** 이라는 하나의 흐름으로 수렴하고 있다. --- # 9. 그래서 지금 무엇을 준비해야 하는가 그렇다면 제조기업의 경영진은 무엇부터 준비해야 할까. 자율제조를 준비한다는 것이 당장 모든 공장을 무인화하겠다는 의미는 아니다. 오히려 다음과 같은 질문에서 시작해야 한다. **첫째, 우리 공장은 AI가 판단할 수 있을 만큼 데이터가 연결되어 있는가.** **둘째, 현재 사람의 경험과 판단에 의존하고 있는 의사결정은 무엇인가.** **셋째, 그중 AI가 먼저 지원하거나 자동화할 수 있는 영역은 무엇인가.** **넷째, AI의 판단을 실제 설비와 로봇의 행동으로 연결할 수 있는가.** **다섯째, 하나의 성공사례를 다른 라인과 공장, 공급망으로 확장할 수 있는가.** 특히 마지막 질문이 중요하다. 오늘날 제조 AI의 중요한 과제 중 하나는 **PoC에서 멈추지 않고 Scale-up하는 것**이다. 좋은 AI 모델 하나를 만드는 것보다 더 어려운 것은 그것을 실제 운영시스템에 넣고, 여러 라인과 여러 공장으로 확산하는 것이다. WEF가 2026년 Lighthouse 사례에서 강조하는 것도 바로 이러한 **확장 가능한 운영체계로의 전환**이다. 개별 기술의 성공보다 생산과 공급망 전체를 연결하고, 실제 운영성과로 이어지는 구조가 중요해지고 있다. 따라서 앞으로의 자율제조 전략은 **기술 도입 전략이 아니라 확산 가능한 운영모델을 만드는 전략**이어야 한다. --- # 10. 자율제조 시대, 경영진이 봐야 할 것은 기술 목록이 아니다 앞으로 제조현장에는 수많은 새로운 기술이 등장할 것이다. Generative AI, AI Agent, Digital Twin, Physical AI, 휴머노이드, Edge AI, 산업용 Foundation Model 등 이름도 계속 바뀔 것이다. 경영진이 모든 기술을 따라갈 필요는 없다. 오히려 중요한 것은 기술을 바라보는 기준을 갖는 것이다. **“이 기술이 우리 공장의 의사결정을 얼마나 빠르고 정확하게 만들고, 실제 실행까지 얼마나 연결해 주는가?”** 이 질문으로 기술을 바라보면 유행과 실질적인 혁신을 구분하기 쉬워진다. 자율제조의 본질은 AI가 아니다. **AI를 통해 제조의 의사결정 구조를 바꾸는 것**이다. 그리고 그 변화는 이미 시작됐다. --- # 마치며 스마트공장의 시대에는 **“우리 공장이 얼마나 디지털화되어 있는가?”**가 중요한 질문이었다. 자율제조의 시대에는 질문이 달라진다. **“우리 공장은 얼마나 스스로 판단하고 대응할 수 있는가?”** 그리고 한 단계 더 나아가면, **“우리 공장은 운영하면서 스스로 학습하고 진화할 수 있는가?”** 가 될 것이다. 결국 미래의 제조기업은 단순히 자동화된 공장을 가진 기업이 아니라, **데이터를 이해하고, AI로 판단하고, 디지털트윈으로 검증하고, 로봇과 설비로 실행하며, 그 결과를 다시 학습하는 제조 시스템을 가진 기업** 이 경쟁력을 갖게 될 것이다. 어쩌면 스마트공장의 다음 단계는 더 많은 자동화가 아닐지도 모른다. **공장이 스스로 생각하기 시작하는 것.** 그것이 자율제조가 우리에게 던지는 가장 중요한 질문이다. --- ## 참고자료 * [NIST — 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing](https://www.nist.gov/publications/2026-roadmap-artificial-intelligence-and-machine-learning-smart-manufacturing?utm_source=chatgpt.com) * [World Economic Forum — New Global Lighthouse Sites Demonstrate How AI Is Rewiring Manufacturing and Supply Chains](https://www.weforum.org/press/2026/06/new-global-lighthouse-sites-demonstrate-how-ai-is-rewiring-manufacturing-and-supply-chains/?utm_source=chatgpt.com) * [World Economic Forum — Global Lighthouse Network: Transforming Advanced Manufacturing](https://www.weforum.org/stories/manufacturing-and-value-chains/global-lighthouse-network-transforming-advanced-manufacturing-0488514bed/?utm_source=chatgpt.com) * [NIST — Manufacturing Digital Twin Standards](https://www.nist.gov/publications/manufacturing-digital-twin-standards?utm_source=chatgpt.com) * [NIST — Artificial Intelligence (AI) for Manufacturing Workshop](https://www.nist.gov/news-events/events/2026/05/artificial-intelligence-ai-manufacturing-workshop?utm_source=chatgpt.com)