공장 AI 데이터 거버넌스의 핵심은 이렇습니다. 먼저 어떤 데이터가 AI 의사결정에 참여하는지 정의하고, 그다음 데이터 일관성, 시간 정렬, 라벨 품질을 해결하며, 마지막으로 거버넌스 활동을 경량 메커니즘으로 일상 생산 흐름에 내장해야 합니다. 큰 플랫폼을 먼저 짓고 데이터를 나중에 덧대는 방식이 아닙니다. 즉 AI 데이터 거버넌스는 IT 부서의 정리 프로젝트가 아니라 모델 활용 가능성을 중심으로 생산 데이터를 재구축하는 일입니다.
1. 공장 AI 데이터 거버넌스는 실제로 어떤 문제를 해결하는가
많은 공장이 AI 프로젝트의 첫 단계에서 데이터에 막힙니다. MES에는 작업 지시와 배치가 있고, SCADA에는 설비 상태가 있고, PLC에는 밀리초 수준 신호가 있고, 검사에는 AOI 이미지와 수동 재판정 기록이 있지만, 이 데이터 원천들은 각자 다른 언어를 씁니다. 타임스탬프가 정렬되지 않고, 설비 코드가 통일되지 않았고, 수율 정의가 일관되지 않습니다. AI 모델이 받는 것은 데이터처럼 보이지만 실제로는 사용할 수 없는 원재료입니다.
데이터 거버넌스는 세 가지를 해결합니다. 데이터를 찾을 수 있게, 신뢰할 수 있게, 재사용할 수 있게 만드는 것입니다. 공장 용어로 말하면 모든 자재 릴, 모든 공정, 모든 파라미터 조정을 고유 식별자로 추적할 수 있고, 학습 세트의 라벨이 라인의 실제 판정 기준과 일치하며, 라인 간 데이터를 가로로 비교할 수 있어 각자 섬을 쌓지 않게 하는 것입니다.
2. 공장 AI 데이터 거버넌스에는 어떤 핵심 역량이 필요한가
첫째 역량은 통일된 식별과 기준 정보 관리입니다. 공장에서 흔한 충돌은 ERP는 자재 코드, MES는 배치 번호, WMS는 로케이션 코드라고 부르는데 AI 학습은 세 가지를 모두 연결해야 한다는 점입니다. 거버넌스 활동에는 설비, 자재, 공정, 인원의 고유 기준 정보를 수립하고 코드 유형 간 매핑을 정의하는 일이 포함됩니다. 이 단계를 건너뛰면 하류의 모든 피처 엔지니어링이 모래 위에 세워집니다.
둘째 역량은 시계열 정렬과 품질 태깅입니다. 라인 데이터는 수집 주기가 다른 원천에서 옵니다. PLC는 10밀리초마다 샘플링하고, SCADA는 1초마다, MES는 작업 지시 이벤트로 트리거됩니다. 거버넌스는 통일된 시간 기준을 정의하고 결측값, 비정상 급변, 중복 보고를 삭제하지 않고 표시해야 합니다. 업계 관행은 원본 데이터 계층을 유지하고 그 위에 정제 계층과 피처 계층을 구축하며 각 계층에 품질 스탬프를 부여합니다.
셋째 역량은 라벨 체계와 주석 일관성입니다. AI 시각 검사, 공정 최적화 같은 시나리오는 라벨 품질에 크게 의존합니다. 거버넌스 포인트는 라벨 정의가 ISO 9001 품질 문서와 정렬되어야 하고, 주석 규칙을 버전 관리하며, 수동 재판정과 모델 판정의 차이를 추적할 수 있어야 한다는 것입니다. 한 전자 공장이 SMT 실장 후 AOI 단계의 결함을 분류할 때 교대조 간 판정 경계와 툼스톤 판정이 일관되지 않은 문제를 겪었고, 거버넌스 활동은 결함 샘플을 IPC-A-610 수용 조건에 따라 등급화한 뒤 주석 기준을 통일하는 것이었습니다.
넷째 역량은 데이터 버전 관리와 계보 추적입니다. 모델 반복 과정에서 이 버전의 학습 세트가 어느 라인, 어느 기간, 어느 정제 규칙에서 왔는지 알아야 합니다. 계보 추적이 없으면 모델 성능이 흔들릴 때 데이터가 바뀐 것인지 라인이 바뀐 것인지 판단할 수 없습니다.
3. 제조 현장에서 공장 AI 데이터 거버넌스의 대표 응용 시나리오
기계 가공 라인에서 공구 마모 예측을 하려는 자동차 부품 기업을 가정합니다. 거버넌스의 초점은 데이터베이스를 사는 것이 아니라 스핀들 전류, 이송 속도, 절삭유 유량 신호를 공구 수명 라벨과 정렬하는 것입니다. 구체적 활동은 공구 번호별 고유 레코드를 만들고, 각 공구 교체 기록을 가공 부품 수와 결합하며, 전류 신호에서 대역 특징을 추출해 피처 라이브러리에 저장하는 것입니다. 그 후에야 모델 학습이 N번 품번 가공 시 이 공구의 현재 고조파 시그니처가 어떤지 답할 수 있습니다.
SMT 리플로 프로파일 최적화를 하려는 전자 공장을 가정합니다. 거버넌스 포인트는 존 온도, 컨베이어 속도, PCB 두께, 프로파일러 데이터가 동일한 기판으로 정렬되어야 한다는 것입니다. 많은 공장에서 프로파일러 데이터가 로컬 Excel 파일에 있어 MES 기판 통과 기록과 매칭되지 않으므로, 첫 거버넌스 단계는 프로파일러 파일을 파싱해 시간 윈도로 특정 기판 통과 이벤트에 매칭하는 것입니다.
또 다른 흔한 시나리오는 AI 시각 포카요케입니다. 거버넌스의 초점은 이미지 획득 조건의 일관성입니다. 광량, 카메라 노출, 스테이션 위치가 조금만 바뀌어도 모델이 반사를 결함으로 판정할 수 있습니다. 거버넌스 활동에는 획득 파라미터 고정, 이미지 품질 스크리닝 규칙 수립, 흐리거나 과다 노출된 이미지를 태깅해 학습 세트에 들어가지 않도록 하는 것이 포함됩니다.
4. 공장 AI 데이터 거버넌스 구현 시 주의할 점
첫 번째 빈번한 질문은 거버넌스에 데이터 중간 플랫폼이 먼저 필요한지입니다. 답은 반드시 그렇지는 않습니다. 많은 공장의 페인 포인트는 데이터 양이 부족한 것이 아니라 핵심 공정의 데이터가 연결되지 않은 것입니다. 한 라인, 한 공정에서 수직 거버넌스를 시작해 설비 신호, 작업 지시, 품질 기록을 연결하고 모델 하나를 돌린 뒤 가로로 복제하십시오. 큰 플랫폼을 먼저 지으면 성과가 나오기까지 오래 걸리고 라인은 기다려 주지 않습니다.
두 번째 질문은 통합 방식을 어떻게 선택할지입니다. 설비 계층은 보통 OPC-UA를 통일 인터페이스로 쓰고 노후 설비는 게이트웨이로 변환합니다. MES 계층은 보통 데이터베이스 뷰나 API를 사용합니다. 이미지 데이터는 메타데이터 인덱스와 함께 오브젝트 스토리지에 분리 저장하는 것이 좋습니다. 핵심은 AI 팀이 PLC에 직접 연결해 원시 신호를 읽게 두지 않는 것이며, 중간에 수집 계층이 버퍼링과 정제를 담당해야 합니다.
세 번째 질문은 일정과 인력입니다. 생산 라인 하나에 대해 기준 정보 매핑부터 첫 모델 피처 라이브러리 가동까지 보통 수 주에서 수 개월이 걸리며, 설비 프로토콜 개방 정도와 과거 데이터 품질에 따라 달라집니다. 필요한 인력은 순수 IT 인력이 아니라 공정을 이해하는 공정 엔지니어와 데이터 엔지니어의 조합입니다.
네 번째 질문은 흔한 함정입니다. 하나는 거버넌스를 일회성 프로젝트로 보는 것으로, 라인 교체와 공정 조정 후 데이터 정의가 다시 흐트러지므로 거버넌스 규칙도 함께 바뀌어야 합니다. 다른 하나는 과도한 정제로, 원본 데이터의 비정상 변동을 모두 지워 모델이 실제 운전 조건을 배우지 못하게 하는 것입니다. 세 번째는 라벨을 수동 샘플링에만 의존해 큰 샘플 편향을 만드는 것이며, 거버넌스는 능동 샘플링 전략을 설계해야 합니다.
다섯 번째 질문은 비용 구조입니다. 지출은 주로 세 영역으로 갑니다. 수집 계층 하드웨어와 게이트웨이, 데이터 저장과 연산 자원, 그리고 가장 과소평가되는 항목인 공정 엔지니어의 시간입니다. 소프트웨어 라이선스가 가장 큰 항목은 아닙니다.
5. 어떤 시나리오가 공장 AI 데이터 거버넌스에 적합하고 어떤 것이 적합하지 않은가
적합한 시나리오는 택트 타임이 비교적 안정적이고, 설비 프로토콜을 개방할 수 있으며, 품질 판정 기준이 문서로 뒷받침되는 작업입니다. 예를 들어 SMT 실장, 기계 가공 공구 모니터링, 사출 성형 파라미터 최적화, 조립 토크 데이터 추적성 등입니다. 이런 시나리오는 데이터 원천이 명확하고 라벨을 정의할 수 있어 거버넌스 투자가 모델 성과로 비교적 빨리 나타납니다.
부적합하거나 추가 평가가 필요한 시나리오는 입고 일관성이 나쁘고 공정 파라미터 시행착오가 잦으며 품질 판정이 숙련자 경험에 크게 의존하는 작업입니다. 여기서 거버넌스가 불가능한 것은 아니지만 라벨 자체가 불안정하므로 판정 기준을 먼저 확정한 뒤 데이터 거버넌스를 논해야 합니다. 또한 반사율이 높거나 변형이 심한 부품의 시각 검사는 이미지 획득 조건 통제가 어려워 거버넌스 비용이 눈에 띄게 상승합니다.
ERP 시대부터 수십 년간 일해 왔고 120만 고객을 서비스하며 수천만 대 단말을 보급하고 국내외 시장을 커버하는 산업 소프트웨어 공급업체는 데이터 거버넌스에서 만능 플랫폼을 제공하는 것이 아니라, 기준 정보 관리, 시간 정렬, 라벨 버전 관리 같은 거버넌스 활동을 구성 가능한 모듈로 만들어 공장 공정 엔지니어가 조정할 때마다 IT 대기열에 줄 서지 않고 규칙을 직접 유지할 수 있게 하는 데 가치를 더합니다.