제조 AI 융합 - 데이터 융합
제조 AI 융합 - 데이터 융합(상호 보완적 활용)
제조 현장은 빠르게 디지털화 되고 있습니다. 그러나 설계, IoT 센서 로그, 품질 검사, 작업 지시서 처럼 각기 다른 형식의 데이터가 제각각 존재한다면 그 가치는 충분히 발휘되지 못합니다. 이 문제를 해결하기 위한 핵심은 데이터 융합(Data Fusion) 이며, 이를 가능하게 하는 네 가지 기술이 있습니다. 바로 Ontology, AAS, Knowledge Graph, Vector Embedding 입니다.
1. AAS의 가능성과 한계
AAS(Asset Administration Shell)는 자산(설비, 부품, 기계)을 디지털로 표현하는 국제 표준입니다.
이를 활용하면 챗봇이 단순한 질의에는 곧바로 답할 수 있습니다.
- "펌프 AX1001의 현재 압력은 얼마인가?"
- "지난달 에너지 사용량은?"
하지만 “유사한 고장 징후가 언제 있었나?”처럼 패턴과 맥락을 요구하는 질문에는 AAS만으로는 한계가 있습니다.
2. Knowledge Graph로 관계를 연결하다
이 한계를 보완하는 기술이 Knowledge Graph(KG)입니다. KG는 Ontology를 기반으로 AAS 데이터를 유기적으로 연결해, 데이터 간의 관계를 직관적으로 보여줍니다.
예를 들어,
- "펌프 AX1001 → 8월 15일 → 온도 85℃ 초과 → 불량률 12%"
- "불량 원인 → 임펠러 균열 → 동일 현상은 2024년에도 발생"
이런 식으로 관계를 저장하면, 복잡한 질문도 자연스럽게 답변할 수 있습니다.
3. Ontology의 역할: 의미의 통일
Ontology는 데이터의 언어를 통일합니다.
예를 들어 “압력(Pressure)”이라는 개념을 정의할 때 단위(bar), 측정 위치, 방법까지 명확히 지정합니다.
이렇게 해야 서로 다른 시스템에서 다르게 표현된 데이터도 동일하게 해석할 수 있습니다.
4. Vector Embedding으로 자연어 연결
CEO나 관리자는 자연어로 질문합니다.
- "불량이 많았던 시간대는 언제였지?"
- "소음이 비정상적으로 컸던 사례 있어?"
Vector Embedding은 이런 질문을 벡터로 변환하여 KG의 노드와 연결해줍니다.
결과적으로, 비전문가도 마치 사람에게 묻듯 데이터를 활용할 수 있습니다.
5. 사례: 워터펌프 불량률 분석
실제 현장 적용을 예로 들면,
- AAS: 펌프 AX1001의 센서 로그(압력, 유량, 온도) 저장
- KG: "온도 85℃ 초과 ↔ 불량률 상승" 관계 연결
- Ontology: “압력·유량” 개념 표준화
- Embedding: "유사한 고장 징후"라는 자연어 질의 → KG 매핑
그 결과, “지난달 고온으로 인한 불량은 3회 발생했고 모두 임펠러 균열과 관련 있음”과 같은 인사이트를 손쉽게 얻을 수 있습니다.
6. 결론: 데이터 융합과 암묵지 전환이 이끄는 제조 혁신
제조 혁신의 본질은 단순히 데이터를 모으는 데 있지 않습니다.
데이터의 미묘한 뉘앙스를 누구나 같은 상상으로 공유할 수 있는, 소통에 문제 없는 데이터로 만드는 것이 핵심입니다.
현장의 장인들이 경험으로 쌓아온 암묵지(暗默知) 는 종종 말로 표현하기 어렵고, 수치로 기록되지 않으며, 사람마다 다르게 해석되기 쉽습니다. 그러나 Ontology, AAS, Knowledge Graph, Embedding 같은 기술을 활용하면 이 암묵지를 형식지(形式知) 로 전환할 수 있습니다.
그렇게 전환된 데이터는 더 이상 개인의 기억이나 경험에 갇히지 않고, 사람이든 AI든 동일한 기준으로 판단할 수 있는 제조 환경을 만듭니다.
- 사람은 직관적 질의를 통해 통찰을 얻고,
- AI는 축적된 지식을 기반으로 예측과 최적화를 수행하며,
- 데이터는 모두가 이해할 수 있는 공통 언어가 됩니다.
