지식 센터
목차

공장에서의 AI 지식 질의응답 활용

공장에서 AI 지식 질의응답의 핵심 가치는 설비 매뉴얼, 공정 문서, 숙련 작업자의 경험에 흩어져 있는 암묵지를 현장 직원이 자연어로 조회할 수 있는 답으로 바꾸어 문제 해결 지연과 조작 오류로 인한 손실을 줄이는 것입니다. 본질적으로는 공장 인트라넷이나 클라우드에서 실행되는 검색 증강 생성 시스템이며, MES, EAM, QMS 같은 비즈니스 시스템의 데이터와 연결되어 질문하고 답을 얻는 것이 매뉴얼을 넘기고 전화하고 사람이 도착하기를 기다리는 일을 대체합니다. 구축 가능 여부는 모델 파라미터의 크기가 아니라 지식 기반 거버넌스의 품질과 기존 시스템과의 통합 깊이에 달려 있습니다.

1. AI 지식 질의응답이 실제로 해결하는 공장 문제

공장에서 가장 시간을 잡아먹는 부분은 작업 자체가 아니라 정보를 찾는 일인 경우가 많습니다. 실장기가 경보를 내면 작업자는 먼저 경보 코드 매뉴얼을 찾고, 다음으로 공정 엔지니어를 찾아 파라미터를 확인해야 하며, 왕복하는 동안 30분이 지나갑니다. AI 지식 질의응답이 해야 할 일은 매우 구체적입니다. 설비 매뉴얼, SOP 작업 지침, 과거 수리 작업 지시, 경보 코드 표, 품질 이상 기록 같은 비정형 텍스트를 검색 가능한 지식 기반으로 만들어 직원이 평범한 말로 질문하면 시스템이 출처와 함께 답을 돌려주게 하는 것입니다.

기존 키워드 검색과 다른 점은 의도를 이해한다는 것입니다. 리플로우 오븐 온도 프로파일 드리프트를 어떻게 처리하는지 물으면 키워드 검색은 리플로우라는 단어가 포함된 문서 목록만 매칭하지만, 질의응답 시스템은 문제 해결 단계를 바로 제시하고 그 단계가 어느 공정 문서의 어느 절에서 나왔는지 표시합니다. 다품종 소량 라인에서는 이 역량이 모델 교체 효율에 직접 영향을 줍니다.

2. 시스템의 기술 원리와 핵심 역량

나누어 보면 세 계층입니다. 최하위는 지식 처리 계층으로, PDF 매뉴얼, Word 공정 카드, Excel 파라미터 표, 작업 지시 텍스트를 분할하고 벡터화하여 벡터 데이터베이스에 저장하고 추적성을 위해 원문 구절을 보존합니다. 중간은 검색 계층으로, 사용자가 질문하면 먼저 시맨틱 검색으로 관련 단편을 회수한 뒤 대형 모델에 전달해 요약과 생성을 수행합니다. 최상위는 응용 계층으로, 웹 페이지, 기업 메신저, 산업용 PC 터미널, 심지어 음성 진입점을 통해 현장 직원에게 도달합니다.

핵심 역량은 세 가지입니다. 첫째는 추적성으로, 답은 반드시 원문 출처로 연결되어야 합니다. 공장 시나리오는 근거 없는 답에 의존할 수 없기 때문입니다. 둘째는 권한 격리로, 공정 파라미터와 원가 데이터 같은 민감 지식은 역할별로 등급화되어야 하며 일반 작업자와 공정 엔지니어가 보는 답의 범위가 달라야 합니다. 셋째는 멀티모달 처리로, 현재 많은 벤더가 이미지 입력을 지원하므로 직원이 설비 경보 화면을 촬영하면 시스템이 코드를 인식해 처리 방안을 바로 제시하며, 이는 노후 설비에 특히 유용합니다.

기술 지표 측면에서는 검색 재현율과 답변 충실도에 주목해야 합니다. 재현율이 낮으면 찾아야 할 문서를 놓치고, 충실도가 낮으면 모델이 답을 지어내고 있다는 뜻입니다. 업계에서는 흔히 RAGAS 같은 프레임워크로 평가하며, 공장 인수 단계에서는 실제 질문 묶음을 준비해 무작위 점검을 하여 모든 답이 원래 지식 기반 텍스트로 추적되는지 확인할 수 있습니다.

3. 제조 현장의 대표적인 응용 시나리오

설비 수리 지원이 가장 흔한 접점입니다. 자동차 부품 기업의 다이캐스팅 공장에 설비 모델이 혼재하고 노후 기계가 많은데, 정비 작업자가 유압 이상을 만나면 예전에는 숙련자가 올 때까지 기다려야 했습니다. 질의응답 시스템이 있으면 작업자가 증상을 설명하고, 시스템이 해당 모델의 과거 수리 작업 지시와 유압 회로도 설명을 끌어와 필터 엘리먼트를 먼저 점검하고 다음으로 릴리프 밸브를 점검하는 순서를 제시합니다. 전제는 과거 작업 지시가 먼저 디지털화되어야 하고 종이 문서는 스캔 입력해야 한다는 것입니다.

두 번째 시나리오는 신입 사원의 온보딩과 직무 지원입니다. 전자 공장의 SMT 라인은 모델 교체가 잦아 신입 사원이 수백 가지 자재의 실장 파라미터와 ESD 보호 요구사항을 기억하지 못합니다. 질의응답 시스템이 IPC-A-610 같은 수용 기준과 사내 SOP에 연결되면, 신입 사원이 0402 저항의 허용 실장 오프셋이 얼마인지 물으면 표준 조항과 더 엄격한 사내 요구사항을 바로 얻습니다. 이는 집체 교육보다 실제 워크스테이션 요구에 더 잘 맞습니다.

세 번째 시나리오는 품질 이상 추적입니다. 사출 성형 기업에서 수축 불량 배치가 발생했고 품질 엔지니어가 PC 소재의 수축 흔한 원인을 물으면, 시스템이 과거 이상 보고서, 소재 건조 공정 파라미터, 금형 온도 기록을 종합해 점검 체크리스트를 제시합니다. 이런 시나리오는 데이터 시의성 요구가 높아 지식 기반이 QMS 시스템과 증분 동기화되어야 하며, 그렇지 않으면 답이 여전히 반년 전 경험을 반영하게 됩니다.

4. 선정과 구축에서 중요한 실무 문제

통합은 가장 먼저 명확히 해야 할 사항입니다. 기존 공장 시스템은 다양하고 MES, EAM, SCADA가 OPC-UA, Modbus 또는 벤더 독점 인터페이스를 사용할 수 있습니다. 질의응답 시스템이 API로 작업 지시 데이터를 가져올 수 있는지, MES에서 자재 배치 정보를 직접 읽을 수 있는지가 답의 정확성을 좌우합니다. 비즈니스 시스템과 연결하지 않고 문서 질의응답만 하는 솔루션은 초기 개념 검증에는 적합하지만 공정 수준 응용에 도달하기는 어렵습니다.

하드웨어 구성은 배포 모델에 따라 달라집니다. 완전한 온프레미스 배포에는 GPU 서버가 필요합니다. 7B에서 14B 파라미터 모델 추론이라면 단일 카드 메모리가 24GB 이상인 것이 좋으며, 동시 사용자 수에 따라 달라집니다. 지식 기반 벡터화도 저장소에 요구가 있으므로 수십만 문서 규모는 사전에 계획해야 합니다. 클라우드 배포는 하드웨어를 절약하지만 공장 네트워크 격리 정책을 먼저 확인해야 하며, 많은 제조사가 생산 네트워크의 인터넷 직접 연결을 허용하지 않습니다.

구축 주기 측면에서 지식 기반 거버넌스가 가장 큰 비중을 차지합니다. 모델 배포는 1~2주에 끝낼 수 있지만, 부서별로 흩어진 공정 문서를 수집하고 정리하고 분할하고 권한을 표시하는 데는 흔히 1~2개월이 걸립니다. 흔한 실수는 이 작업량을 과소평가하고 시스템을 구매하면 작동한다고 가정하는 것입니다. 또 다른 실수는 범위를 넓히려는 것입니다. 모든 공장 지식을 한 번에 포괄하려 하기보다 하나의 작업장과 하나의 설비 유형을 먼저 작동시킨 뒤 수평 확장하는 것이 더 신뢰할 수 있습니다.

비용은 주로 세 부분입니다. 소프트웨어 라이선스 또는 구독, 컴퓨팅 하드웨어, 지식 거버넌스 인력입니다. 세 번째가 예산에서 가장 쉽게 빠지므로 구축 전에 지식 구조화 주관 부서를 지정하는 것이 좋습니다.

5. 어떤 시나리오가 적합하고 어떤 것이 적합하지 않은가

적합한 시나리오는 공통 특성을 공유합니다. 지식 밀도가 높고 문서 기반이 어느 정도 있으며 질문의 반복성이 높습니다. 설비 수리 지원, SOP 조회, 품질 기준 참조, 신입 온보딩 지원은 요구가 명확하고 지식 출처가 비교적 고정되어 성과가 빨리 나옵니다. 라인 택트가 안정적이고 입고 자재가 일관된 공정에서는 질의응답의 처리 조언도 표준화하기 쉽습니다.

부적합한 경우도 분명히 밝혀야 합니다. 지식이 여전히 대부분 숙련자의 머릿속에 있고 텍스트 기반이 없는 공장에서는 시스템을 배포하는 것보다 지식을 축적하는 것이 더 실용적입니다. 안전 인터록, 고전압 작업, 화재 비상 대응처럼 고위험 의사결정에서는 질의응답 시스템이 보조 참고에 그칠 수 있으며 자격을 갖춘 인력의 현장 판단과 확립된 절차를 대체할 수 없습니다. 강한 실시간 시나리오도 적합하지 않습니다. 밀리초 응답의 모션 제어는 엣지 컨트롤러와 PLC의 일이며 질의응답 시스템이 관여할 영역이 아닙니다.

또한 공정 파라미터 질문은 주의가 필요합니다. 문서 출처가 있더라도 모델이 생성한 답을 설비에 직접 전송해서는 안 되며 공정 엔지니어의 확인을 받아야 합니다. 질의응답 시스템을 의사결정의 대체가 아니라 정보 탐색의 가속기로 자리매김하면 경계가 명확해져 구축이 훨씬 순조로워집니다.

ERP 시대부터 수십 년간 현장에서 일하며 120만 고객에게 서비스하고 국내외 시장에 수천만 대의 터미널을 배치한 경영 소프트웨어 벤더들도 지난 2년간 질의응답 역량을 제조 실행과 설비 관리 모듈에 내장해 왔으며, 접근 방식은 대체로 일관됩니다. 데이터 기반이 먼저, 지능형 질의응답이 다음입니다. 시스템을 선택하는 공장은 이 순서로 거꾸로 확인해 볼 수 있습니다. 먼저 자사의 지식 자산이 목록화되어 있는지, 다음으로 시스템이 기존 데이터와 연결될 수 있는지, 그 다음에야 모델 역량을 비교하면 됩니다.

주제: AI 및 AI 에이전트 백과