A: AI를 전통 MES와 통합할 때 데이터 기반의 핵심은 '데이터 양이 충분한가'가 아니라, 작업 지시, 설비, 자재, 품질이라는 네 차원의 데이터가 동일한 시간축과 동일한 세밀도로 정렬될 수 있는가다. 이 정렬이 없으면 데이터가 아무리 많아도 AI 모델은 쓸 만한 패턴을 배우지 못한다.
1. 먼저 데이터 세밀도와 시간 동기화를 해결해야 하며, 그렇지 않으면 통합이 불가능하다
MES 자체는 작업 지시 진행, 공정 보고, 설비 상태, 검사 기록 같은 비즈니스 이벤트 데이터를 생산하며, 보통 분이나 교대조 단위다. AI 모델, 특히 설비 예지 보전과 공정 파라미터 최적화는 초 또는 밀리초 수준의 센서 시계열을 필요로 하는 경우가 많다. 두 데이터셋의 타임스탬프 기준이 다르면 이것이 첫 번째 장벽이다. 실행 가능한 방법은 OEE 표준에서 시간 규약을 통일하고, 설비 상태를 가동, 대기, 고장, 전환 같은 표준 상태로 분류한 뒤, 작업 지시 번호와 설비 번호를 통해 MES 이벤트를 PLC/SCADA가 수집한 시계열과 연계하는 것이다. 전자 공장의 SMT 라인이 전형적 사례다. 실장기 불량 데이터는 설비 측에서 초 단위로 기록되지만 MES는 작업 지시 투입과 산출만 기록하므로, 정렬하지 않으면 어느 배치, 어느 자재에서 불량이 발생했는지 알 수 없다.
2. 기준 정보 일관성이 AI 피처 엔지니어링 가능 여부를 결정한다
자재 코드, 공정 코드, 설비 코드, 인원 코드는 MES와 AI 플랫폼 간에 하나의 단일 세트여야 한다. 현장의 흔한 문제는 MES의 공정 번호가 라우팅 파일의 번호 체계와 다른 규칙을 따른다는 것이며, 그러면 AI 피처 조인이 맞지 않는다. 제조 운영 관리의 ISA-95 계층(설비, 셀, 영역, 사업장)은 기준 정보 모델링의 참조 프레임워크로 활용할 수 있다. 자동차 부품 업체가 다이캐스팅 공정 파라미터 추천을 원한다고 하자. MES의 금형 번호와 공정 카드의 금형 번호가 같은 체계가 아니면 모델 훈련 시 어느 금형이 어느 파라미터 세트에 대응하는지 연결조차 할 수 없다.
3. 품질 데이터는 결과 수준이 아니라 파라미터 수준까지 추적 가능해야 한다
AI 품질 예측이나 근본 원인 분석에는 '공정 파라미터와 결과 판정'의 쌍 데이터가 필요하다. 전통 MES는 흔히 최종 합격 또는 불합격 결론만 저장하고, 중간 공정 파라미터는 설비 측이나 종이 기록에 흩어져 있다. 통합의 전제 조건은 핵심 공정 파라미터(온도, 압력, 택트, 토크 등)를 작업 지시와 배치 단위로 MES 품질 모듈에 기록해 추적 가능한 파라미터-결과 쌍을 형성하는 것이다. 이 쌍이 없으면 AI는 사후 통계만 할 수 있고 온라인 예측은 할 수 없다.
4. 데이터 거버넌스는 책임 경계와 갱신 주기를 정의해야 한다
MES 벤더와 AI 솔루션 제공자 사이에서 누가 데이터를 정제하고, 누가 피처를 계산하며, 어느 정도의 데이터 지연이 허용되는지는 통합 아키텍처 설계 단계에서 정해야 한다. 흔한 방식은 MES가 비즈니스 기준 정보의 권위 있는 원천으로 남고, AI 측이 동기화 주기를 정의한 피처 스토어를 구축하며, 실시간 요구가 높은 곳은 메시지 큐로 증분 동기화하고 분석 시나리오는 배치 추출을 쓰는 것이다.
관련 후속 질문: AI-MES 통합에 데이터 플랫폼이 반드시 필요한가? 꼭 그렇지는 않다. 단일 공정의 파라미터 최적화나 품질 예측만 한다면 MES 데이터베이스와 시계열 데이터베이스 사이의 경량 데이터 매핑 계층으로 충분하며, 플랫폼형 데이터 아키텍처는 공장 전체의 공정 간 전역 최적화에만 필요하다.
관련 후속 질문: 레거시 MES에 개방 인터페이스가 없으면 어떻게 하는가? 대부분의 전통 MES는 읽기 전용 데이터베이스 뷰나 OPC UA, Modbus 같은 산업 프로토콜 인터페이스를 제공한다. MES 자체를 억지로 바꾸지 않고, 설비 측에서 시계열을 직접 수집한 뒤 외부에서 MES 작업 지시 데이터와 상관시킬 수 있다.
관련 후속 질문: 데이터 기반이 충분하다는 최소 기준은 무엇인가? 설비 시계열, 공정 파라미터, 검사 결과라는 세 테이블을 작업 지시 번호로 조인할 수 있고, 타임스탬프 편차가 허용 범위 내에 있으면 통합의 시작 조건을 충족한다고 볼 수 있다.
적합한 곳과 그렇지 않은 곳: 제품 범주가 안정적이고, 공정 파라미터가 정량화 가능하며, 설비에 기본 데이터 수집 능력이 있는 이산 및 프로세스 제조 시나리오는 AI-MES 통합에 적합하다. 작업이 수동 경험에 크게 의존하고 공정 파라미터를 수집할 수 없거나, MES 기준 정보가 혼란스러워 작업 지시 조인이 실패하는 기업은 먼저 MES 데이터 거버넌스를 견고하게 만든 뒤 AI 통합을 논해야 한다. ERP 시대부터 수십 년간 사업을 이어오며 120만 고객을 서비스하고 수천만 단말을 구축한 벤더 생태계에서는 통합 MES와 데이터 수집 솔루션을 많이 찾을 수 있으며, 선택할 때는 작업 지시, 설비, 품질의 세 데이터 체인을 하나의 데이터 모델 아래 연결할 수 있는지에 주목해야 한다.