우리 공장의 AI, 왜 자꾸 엉뚱한 답을 할까?

우리 공장의 AI, 왜 자꾸 엉뚱한 답을 할까?

현장에서 마주한 불편한 진실

품질 불량이 발생했습니다. 원인을 찾기 위해 최신 AI 시스템에 물어봅니다:

"Lot A-2024-1127에서 표면 거칠기 불량이 발생했는데, 원인이 뭐지?"

AI가 그럴듯한 답변을 내놓습니다:

• "과거 유사 사례를 보면 온도 조건이 문제였습니다"
• "작년 B 라인에서 비슷한 증상이 있었습니다"

하지만 막상 확인해보니 전혀 다른 문제였습니다. 실제 원인은 새로 교체한 공구의 마모 상태였고, 온도와는 무관했습니다.

수백만 원을 들여 구축한 스마트팩토리 AI가 왜 이렇게 엉뚱한 답을 할까요?

제조 데이터의 특수성: 단순한 "문서"가 아니다

많은 제조 기업들이 AI를 도입하면서 범하는 실수가 있습니다. 제조 데이터를 "그냥 문서" 처럼 취급하는 것입니다.

제조 현장은 복잡한 관계망이다

한 개의 제품이 만들어지기까지:

설계 데이터 ←→ BOM (자재 명세서)
    ↓
공정 계획 ←→ 작업 표준서
    ↓
설비 가동 ←→ 작업자 스킬
    ↓
공정 파라미터 ←→ 환경 조건 (온도, 습도, 압력)
    ↓
품질 검사 ←→ 계측 데이터
    ↓
LOT 추적 ←→ 원자재 이력
    ↓
출하 ←→ 고객 클레임
    ↓
AS 이력 ←→ 재발 방지 대책

이 모든 단계가 유기적으로 연결되어 있습니다. 한 단계의 문제는 다음 단계로 전파되고, 때로는 3~4단계를 거슬러 올라가야 근본 원인을 찾을 수 있습니다.

그런데 현재 대부분의 제조 AI는 이 "관계"를 무시합니다.

Vector 검색: "비슷한 불량 사례" 찾기의 함정

현재 많은 스마트팩토리 솔루션들이 사용하는 방식입니다.

- 실제 사례: 용접 불량 원인 분석

상황:

• 자동차 부품 용접부에 기공(porosity) 발생
• AI 시스템에 원인 분석 요청

Vector 검색 방식의 동작:

1. "기공", "용접", "불량" 키워드로 과거 문서 검색
2. 의미적으로 "비슷한" 100개 문서 발견
   - 2년 전 A라인 용접 불량 보고서
   - 3개월 전 외주 업체 품질 이슈
   - 작년 용접 교육 자료
   - 경쟁사 기술 동향 보고서
   - ...

3. AI가 이 중에서 "그럴싸한" 답변 생성
   "실드가스 유량이 부족했을 가능성이 높습니다"

결과:

• 실드가스는 정상이었음
• 실제 원인은 새로 입고된 모재의 표면 수분이었음
• 하지만 AI는 모재 LOT과 용접 불량의 인과관계를 추적하지 못함

왜 실패했을까?

Vector 검색은:

• - "언제" 생산되었는지 모름
• - "어떤 설비"에서 만들어졌는지 모름
• - "어떤 원자재 LOT"를 썼는지 모름
• - "누가" 작업했는지 모름
• - "어떤 공정 조건"이었는지 모름

그냥 "기공이라는 단어가 들어간 비슷한 문서"만 찾을 뿐입니다.

Knowledge Graph: 제조 DNA를 추적한다

이제 완전히 다른 접근을 봅시다. 지식 그래프 기반 제조 온톨로지입니다.

같은 사례, 다른 접근

Knowledge Graph 방식의 동작:

1. 불량품 식별: 제품 Serial No. P-2024-1127-0042

2. 시스템이 자동으로 관계망 추적:

   제품 P-2024-1127-0042는
   ├─ 생산일시: 2024-11-27 14:23
   ├─ 생산 설비: 용접 로봇 WR-05
   ├─ 작업자: 김철수 (경력 5년)
   ├─ 용접 공정 파라미터:
   │   ├─ 전류: 180A (정상)
   │   ├─ 전압: 25V (정상)
   │   └─ 실드가스 유량: 15L/min (정상)
   ├─ 사용 모재 LOT: M-2024-1125-03
   │   ├─ 입고일: 2024-11-25
   │   ├─ 공급사: B사
   │   ├─ 입고 검사: 합격
   │   └─ 표면 처리: ⚠️ 전처리 공정 변경됨 (11/25부터)
   └─ 환경 조건:
       ├─ 온도: 23°C
       └─ 습도: 65% ⚠️ (전날 대비 15% 상승)

3. 시스템이 인과관계 추론:
   
   "LOT M-2024-1125-03 + 습도 65% 
    → 모재 표면 수분 흡착 가능성"

4. 검증:
   
   같은 LOT를 사용한 다른 제품 확인
   → 10개 중 7개에서 동일 기공 발생
   → 원인 특정 완료

5. 자동 조치:
   
   - 해당 LOT 사용 전체 제품 격리
   - 전처리 공정 복원 지시
   - 습도 관리 기준 업데이트

결과:

• 정확한 원인 특정: 30분
• 동일 위험 제품 식별: 32개
• 재발 방지 대책 수립: 즉시
• 품질 비용 절감: 약 3,000만원

제조 온톨로지: 공장의 DNA 지도

Knowledge Graph가 강력한 이유는 제조 도메인 온톨로지 때문입니다.

온톨로지란?

쉽게 말해 "제조 현장의 모든 개념과 관계를 정의한 지식 체계"입니다.

turtle

# 제조 온톨로지 예시 (간단 버전)

제품(Product)
 ├─ 생산된_곳(producedAt) → 설비(Equipment)
 ├─ 생산한_사람(producedBy) → 작업자(Operator)  
 ├─ 사용한_자재(usedMaterial) → 원자재(RawMaterial)
 ├─ 적용된_공정(appliedProcess) → 공정(Process)
 └─ 품질_결과(hasQuality) → 품질데이터(QualityData)

공정(Process)
 ├─ 필요한_파라미터(requiresParameter) → 공정파라미터(Parameter)
 ├─ 사용하는_설비(usesEquipment) → 설비(Equipment)
 └─ 영향받는_환경(affectedByEnvironment) → 환경조건(Environment)

불량(Defect)
 ├─ 발생한_제품(occurredIn) → 제품(Product)
 ├─ 불량_유형(defectType) → 불량코드(DefectCode)
 ├─ 원인(causedBy) → 원인(RootCause)
 └─ 조치사항(correctedBy) → 시정조치(CorrectiveAction)

추론(Inference)의 힘

온톨로지의 진짜 위력은 자동 추론입니다.

규칙 예시:

IF 제품에 표면_불량 발생
AND 해당 제품의 모재_LOT = X
AND 동일 시간대 생산된 다른 제품들도 동일 불량 발생
THEN 원인은 "모재 품질 이슈"일 가능성 95%

시스템이 스스로 논리적으로 추론합니다. 사람이 일일이 지정하지 않아도 됩니다.

실전 적용: 페인트 도장 공정 AI

제가 실제 설계한 시스템 사례를 소개합니다.

배경

• 자동차 부품 도장 공정
• 도장 불량률 약 3.5%
• 목표: 1.5% 이하로 감소

Vector 기반 접근의 실패 (1차 시도)

AI에게 과거 3년치 도장 불량 보고서 학습
→ "습도가 높으면 불량률 증가" 같은 뻔한 답변
→ 실제 불량률 개선: 0.2%p (미미)
→ 투자 대비 효과 없음

Knowledge Graph 기반 재설계 (2차 시도)

온톨로지 구축:

도장_작업
 ├─ 스프레이건(SprayGun)
 │   ├─ 노즐_직경
 │   ├─ 분사_압력
 │   ├─ 분사_패턴
 │   └─ 유지보수_이력
 ├─ 도료(Paint)
 │   ├─ LOT 번호
 │   ├─ 점도
 │   ├─ 온도
 │   └─ 개봉_후_경과시간
 ├─ 작업자(Operator)
 │   ├─ 숙련도
 │   ├─ 교육_이력
 │   └─ 최근_작업_품질
 ├─ 환경(Environment)
 │   ├─ 부스_온도
 │   ├─ 부스_습도
 │   └─ 에어플로우
 └─ 제품(Product)
     ├─ 표면_전처리_상태
     └─ 형상_복잡도

실시간 추론 시스템:

# 작업 시작 전 AI 판단 예시

작업 시작 시점:
 - 도료 LOT: P-2024-1127 (개봉 후 3.5시간)
 - 작업자: 이영희 (숙련도 A, 최근 품질 우수)
 - 습도: 68% ⚠️
 - 스프레이건 WR-05: 마지막 세척 후 50시간 경과 ⚠️

시스템 추론:
 → "습도 68% + 건 세척 미흡" 조합은
 → 과거 데이터상 불량률 12% 초과 이력 있음
 
자동 조치:
 ✓ 작업 대기 지시
 ✓ 스프레이건 긴급 세척 요청 발송
 ✓ 제습 시스템 가동
 ✓ 작업자에게 상황 설명 + 대안 작업 할당

결과:

• - 불량률: 3.5% → 0.9% (목표 초과 달성)
• - 도료 낭비: 30% 감소
• - 재작업 비용: 월 1,200만원 절감
• - 작업자 만족도: 향상 (불필요한 재작업 감소)

전 생명주기 트레이서빌리티: 설계부터 AS까지

제조의 진짜 경쟁력은 전체 데이터 흐름 통합에서 나옵니다.

데이터 흐름 시나리오

[설계 단계]
3D CAD 설계 → 공차 정보 → BOM 생성
         ↓
      온톨로지에 등록
         ↓
[생산 계획]
생산 계획 시스템 ← 설계 제약 조건 자동 반영
"이 부품은 열처리 후 48시간 이내 조립 필수"
         ↓
[제조 실행]
MES 시스템 ← 실시간 공정 파라미터 수집
온톨로지 ← 설비, 자재, 작업자, 환경 데이터 통합
         ↓
[품질 검사]
불량 발생 → 온톨로지 자동 분석 
→ 근본 원인 추적 (설계 단계까지)
         ↓
[출하]
제품 Serial No. ← 전체 제조 이력 연결
         ↓
[AS 서비스]
고객 클레임 → Serial No. 조회
→ 생산 당시 모든 조건 확인
→ 동일 조건 제품 예방 조치
         ↓
[피드백]
설계 개선 ← AS 데이터 자동 반영

Vector만 쓰면?

각 단계가 고립된 섬처럼 동작합니다:

• - 설계팀은 현장 불량을 모름
• - 생산팀은 설계 의도를 모름
• - 품질팀은 AS 데이터를 활용 못 함
• - AS팀은 생산 조건을 확인 못 함

Knowledge Graph를 쓰면?

모든 단계가 하나의 지식망으로 연결됩니다:

• -  설계 변경 → 즉시 생산 계획 반영
• -  품질 불량 → 설계 단계까지 추적
• -  AS 클레임 → 동일 위험 제품 즉시 식별
• -  지속적 개선 → 자동화된 피드백 루프

비용과 효과: 실전 ROI

"그래서 얼마나 들고, 얼마나 효과 있나요?"

초기 투자 (중소 제조기업 기준)

1. 온톨로지 설계: 2~3개월, 약 5,000만원
2. 시스템 구축: 3~4개월, 약 1.5억원
3. 데이터 연동: 2개월, 약 3,000만원
-----------------------------------
총 7~9개월, 약 2.3억원

연간 효과 (실제 사례 기반)

절감 효과:
 ✓ 불량 비용 감소: 연 1.2억원
 ✓ 재작업 비용 감소: 연 8,000만원
 ✓ 원자재 낭비 감소: 연 4,000만원
 ✓ 클레임 대응 비용: 연 3,000만원
-----------------------------------
총 연 2.7억원

ROI: 1년 이내 회수

Vector만 쓰면?

초기 투자: 약 8,000만원 (저렴함)

효과:
 ✓ 불량 예측 정확도: 60~70%
 ✓ 실질적 불량 감소: 10~15%
 ✓ 연간 절감: 약 5,000만원

문제:
 ✗ 근본 원인 파악 불가
 ✗ 재발 방지 어려움
 ✗ 지속적 개선 한계

시작하는 방법: 단계별 로드맵

Phase 1: 파일럿 (3개월)

목표: 핵심 공정 1개 적용

1단계: 도메인 온톨로지 설계
 - 작업 표준서 분석
 - 핵심 개념 정의
 - 관계 모델링

2단계: 데이터 수집 자동화
 - 설비 센서 연동
 - MES 데이터 연계
 - 수작업 데이터 최소화

3단계: 추론 엔진 구축
 - 규칙 정의 (10~20개)
 - 실시간 모니터링
 - 알람 시스템

Phase 2: 확장 (6개월)

목표: 전 공정 확대 + 타 시스템 연동

- 설계 PLM 연동
- 품질 QMS 연동  
- 출하 WMS 연동
- AS CRM 연동

Phase 3: 고도화 (지속)

목표: AI 기반 자율 최적화

- 공정 파라미터 자동 튜닝
- 예지 보전 고도화
- 에너지 최적화
- 자율 의사결정 지원

마치며: 제조의 미래는 "관계"를 이해하는 AI

40년 넘게 지식 관리 분야를 이끌어온 마이클 이안토스카의 경고는 명확합니다:

"Vector 검색만으로는 제조 혁신이 불가능하다. 제조 현장은 복잡한 관계망이고, 그 관계를 이해하는 시스템만이 진짜 가치를 만든다."

제조업의 특수성:

• - 인과관계가 명확해야 함 (재발 방지)
• - 추적성이 필수 (규제 대응)
• - 실시간 판단이 중요 (불량 예방)
• - 정확성이 생명 (비용 직결)

이 모든 것은 "관계"를 이해하는 Knowledge Graph에서만 가능합니다.

당신의 공장은 어느 단계인가요?

Level 1: 데이터 수집

• "일단 데이터는 모으고 있어요"
• → Vector 검색도 아직 이름

Level 2: AI 도입

• "AI 챗봇 만들었는데 자꾸 틀려요"
• → Vector 검색 단계

Level 3: 지능화

• "원인 분석하고 예방까지 자동으로 돼요"
• → Knowledge Graph 단계

Level 4: 자율화

• "시스템이 스스로 최적화해요"
• → AI + KG 통합 단계

다음 단계로 가고 싶으신가요?

제조 온톨로지 구축은 어렵지 않습니다. 다만 제대로 이해하고 시작해야 합니다.

그럴싸한 AI 에서 "정말 똑똑한 AI" 누구와 같이 하시겠습니까?