← 전문가 노트

Notes · 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_PLC03이 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 지식계층이다.

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 때문이다.

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_3호기는 사출성형기다.
  • 금형_M-204는 사출기_3호기에 장착되어 있다.
  • 작업지시_WO-260825-17은 제품_A를 생산한다.
  • 이 작업지시는 원재료_LOT-R0825를 사용한다.
  • 불량사건_QE-148은 작업지시 수행 중 발생했다.
  • 정비작업 MT-2031에서 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 기술이다.

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, W3C OWL 2 Overview, W3C 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 과정이다.

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 그래프다.

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

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 기술이다.

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, OPC 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

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

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, ISO/CD 23726-2, ISO/FDIS 23726-3

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 것이다.

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 것이다.

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 있는가이다.

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 온톨로지다.

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 그래프다.

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