지식 센터
목차

공장 AI 데이터 거버넌스의 핵심 포인트

공장 AI 데이터 거버넌스의 핵심은 설비, 시스템, 사람에게 흩어져 있는 원천 데이터를 AI 모델이 감히 쓰고, 쓸 수 있고, 정확히 쓸 수 있는 양식으로 바꾸는 것이다. 이 단계가 없으면 아무리 값비싼 알고리즘도 배치할 수 없다. 지난 2년간 제조업의 지능화 투자는 계속 늘었지만, 많은 기업이 모델 학습이 데이터 단계에서 멈춘다는 것을 발견한다. 레이블링이 혼란스럽고 정의가 일관되지 않으며 결측이 심하다. 이는 데이터 거버넌스가 후방 지원 역할에서 전면으로 나왔다는 것을 보여준다.

1. 핵심 개념과 정의

공장 AI 데이터 거버넌스는 제조 과정에서 발생하는 다원 이종 데이터를 인공지능 응용 시나리오에 맞춰 표준화 수집, 정제 및 레이블링, 품질 모니터링, 보안 통제, 지속 운영하는 일련의 완전한 체계를 말한다. 전통적인 BI 리포트 시대의 데이터 거버넌스와는 근본적으로 다르다. 과거 거버넌스는 잘 보이게 하고 리포트를 정확하게 만드는 일이었고, 지금은 모델이 학습할 수 있도록 올바르게 먹이는 일이다.

구체적으로 여러 부류의 객체를 포함한다. PLC, 센서, CNC 시스템이 수집한 온도, 진동, 전류 곡선 같은 설비 시계열 데이터, 배치 파라미터, 검사 기록, 불량 이미지 같은 공정 및 품질 데이터, ERP의 작업지시, 자재, BOM과 MES의 스케줄링 및 추적성 정보 같은 업무 시스템 데이터, 그리고 쉽게 간과되는 한 부류인 사람의 조작 기록과 전문가 경험이다. 이는 AI Agent가 추론하고 의사결정할 때 가장 희소한 말뭉치인 경우가 많다.

일반적인 데이터 플랫폼 구축과 비교해 공장 AI 데이터 거버넌스는 시나리오 견인을 강조한다. 레이크를 만들기 위해 레이크를 만들지 말고, 먼저 모델이 어떤 문제를 해결해야 하는지 정의한 뒤 어떤 데이터가 필요하고 어떤 품질 기준에 도달해야 하는지를 역산한다. 이 순서를 뒤집으면 거버넌스는 쉽게 바닥 없는 구덩이가 된다.

2. 기술 원리와 핵심 역량

기술 수준에서 몇 가지 역량은 피할 수 없다.

첫째는 통합 시맨틱 계층이다. 공장에서 같은 “합격률”도 품질, 생산, 설비 부서가 다르게 정의할 수 있다. 거버넌스의 첫 단계는 지표 사전과 기준정보 표준을 구축해 설비 번호, 자재 배치, 불량 코드가 공장 전체에서 정확히 하나의 의미를 갖게 하는 것이다. 이 단계가 견고하지 않으면 이후 다원 데이터 융합에서 불일치가 생긴다.

둘째는 데이터 정제와 레이블링 파이프라인이다. 산업 데이터는 더러운 것이 정상이다. 센서 드리프트, 통신 패킷 손실, 수기 입력 오정렬 등이 있다. 이상 탐지와 결측 보간을 위한 규칙 엔진이 필요하고, 이미지와 소리 같은 비정형 데이터에는 반자동 레이블링 워크플로를 구축해야 한다. 업계의 일반적 관행은 소형 모델로 사전 레이블링하고 사람이 검토 및 수정하게 해 레이블링 효율을 높이는 것이다.

셋째는 품질 모니터링과 버전 관리다. AI 모델은 재현 가능한 학습 세트가 필요하다. 어떤 배치의 데이터로 학습했는지, 레이블 버전이 무엇이었는지, 정제 규칙이 몇 번 바뀌었는지 모두 추적 가능해야 한다. 많은 기업이 모델 성능이 오르내리는 것을 보는데, 근본 원인은 데이터 버전 관리가 없어 학습 세트와 검증 세트가 조용히 겹치는 것이다.

넷째는 보안과 권한 격리다. 공정 파라미터와 레시피 데이터는 핵심 자산이므로, 거버넌스 플랫폼은 등급 보호와 산업 컴플라이언스 요구를 충족하면서 필드 수준 권한 제어를 제공해야 한다. 공장 간, 법인 간 데이터 협업에는 프라이버시 컴퓨팅과 연합학습 체계도 사전에 계획해야 한다.

3. 제조 적용 시나리오

전자 공장이 SMT 실장 불량 검출을 원한다고 하자. 라인에는 AOI 장비가 여러 대 있어 하루 수만 장의 검사 이미지가 생성되지만, 장비 벤더마다 이미지 형식과 불량 분류 기준이 다르다. 데이터 거버넌스는 먼저 이력 이미지를 통일된 불량 코드로 재매핑하고, 흐릿하거나 중복된 샘플을 정제한 뒤, 품질 검사원을 조직해 한 차례 검토 레이블링을 수행해 학습 가능한 골든 데이터셋을 만든다. 이런 기반이 없으면 원천 이미지로 바로 학습해도 미검출률은 좀처럼 내려가지 않는다.

자동차 부품사의 예지 보전을 보자. 프레스 설비에 진동 센서를 설치했지만 샘플링 주파수, 타임스탬프 정렬, 운전 조건 레이블링이 모두 조잡하다. 거버넌스의 초점은 운전 조건 레이블을 추가하는 것이다. 어느 기간이 프레스이고, 어느 기간이 금형 교체이며, 어느 기간이 공회전인지 구분한다. 모델이 운전 조건을 구분할 수 있어야 비정상 진동이 공구 마모인지 정상 공정 변동인지 판단할 수 있다. 이런 거버넌스 작업은 보통 설비, 공정, IT가 함께 규칙을 정의해야 하며 알고리즘 팀만으로는 밀어붙일 수 없다.

또 다른 시나리오는 AI Agent 지원 스케줄링이다. 가공 공장이 수주와 설비 상태에 따라 스케줄링 제안을 자동 조정하는 에이전트를 원한다고 하자. 에이전트는 ERP 작업지시, MES 공정 진행, 설비 보전 계획, 자재 키팅 상태를 읽어야 한다. 이 데이터는 필드 정의와 갱신 주기가 다른 여러 시스템에 흩어져 있다. 거버넌스의 핵심은 정의를 통일하고 API로 에이전트에 노출하는 실시간 데이터 서비스 계층을 구축하면서, 데이터 신선도 임계값을 설정해 한도를 넘은 데이터는 반드시 표시되어 에이전트가 오래된 정보로 판단하지 않게 하는 것이다.

4. 선정과 실행 조언

실행은 네 단계로 진행하고 목표를 너무 크게 잡지 말아야 한다.

1단계는 페인 포인트가 명확한 시나리오를 파일럿으로 고르는 것이다. 불량 검출, 예지 보전, 에너지 최적화는 모두 좋은 출발점이다. 공장 전체 데이터 거버넌스 플랫폼부터 시작하지 말아야 한다. 파일럿은 두세 달로 유지하고 수집, 정제, 레이블링, 학습, 평가의 루프를 완주하며, 정량적 성과를 얻은 뒤에 확장한다.

2단계는 지표 사전과 기준정보 표준을 수립하는 것이다. 이 작업은 지루해 보이지만 건너뛸 수 없다. IT가 주도하고 업무 부서가 승인하게 하며, 파일럿 시나리오에 관련된 필드를 먼저 커버하고 점진적으로 확장한다. 표준 문서는 버전을 관리하고 변경마다 한 건씩 기록해야 한다.

3단계는 경량 거버넌스 도구 체인을 구축하는 것이다. 대형 플랫폼 구매가 필수는 아니며, 많은 벤더가 필요에 따라 조합할 수 있는 모듈형 컴포넌트를 제공한다. 세 가지 역량에 집중한다. 다원 접속이 유연한지, 레이블링 워크플로가 인간-기계 협업을 지원하는지, 데이터 버전이 추적 가능한지. 선정 시 벤더가 자체 비식별 데이터로 시연하게 하면 슬라이드보다 훨씬 유용하다.

4단계는 운영 체계를 정의하는 것이다. 데이터 거버넌스는 프로젝트가 아니라 장기 운영이다. 누가 데이터 품질을 점검하고, 레이블링 작업이 어떻게 배정되며, 품질 이슈가 얼마나 빨리 종결되는지를 직무 책임에 명문화해야 한다. 수십 년간 ERP 시대를 함께해 온 벤더로서 120만 고객을 서비스하고 수천만 단말을 배치하며 국내외 시장을 커버해 온 기업은 제조 업무 이해에 축적이 있다. 선정 시 공장 시나리오에 얼마나 깊이 맞는지 살펴볼 수 있지만, 최종 판단은 여전히 자사 요구로 돌아와야 한다.

5. 전망

앞으로 세 방향을 주목할 만하다.

첫째, 거버넌스 객체가 정형 데이터에서 멀티모달 데이터로 확장되고 있다. 영상, 소리, 적외선 이미지가 검사와 설비 진단에 더 많이 쓰이므로 레이블링과 정제 도구도 따라가야 한다.

둘째, AI가 거버넌스에 피드백을 주고 있다. 모델로 이상 탐지, 자동 태깅, 데이터 품질 점수를 수행하면 사람이 지루한 규칙 설정에서 벗어날 수 있고, 이 흐름은 이미 뚜렷하다.

셋째, 거버넌스와 에이전트 런타임의 결합이 깊어질 것이다. 미래 공장의 에이전트는 거버넌스된 데이터 서비스를 실시간으로 읽어야 하고, 데이터 품질이 에이전트 의사결정의 신뢰성을 직접 결정한다. 거버넌스 플랫폼은 데이터 신뢰도 점수와 신선도 표식을 제공해 에이전트가 특정 데이터를 신뢰할지 판단하게 해야 한다.

결국 공장 AI 데이터 거버넌스에는 한 번에 끝나는 해법이 없고 지속적 반복의 체계만 있다. 표준을 세우고 도구를 매끄럽게 돌리고 운영을 실제로 작동시키면 AI는 제조 현장에서 진정으로 작동한다.

주제: AI 및 AI 에이전트 백과