지식 센터
목차

공장 AI 데이터 거버넌스의 핵심 포인트

공장 AI 데이터 거버넌스의 핵심 포인트는 데이터가 쓸 수 있는 상태인지를 먼저 통제하고 그다음에 모델과 에이전트를 논하는 것이다. 구체적으로 네 가지를 뜻한다. 데이터 정의 통일, 데이터 품질 정비, 설비와 시스템 연결, 책임과 권한 경계 명확화다. 이 네 가지가 없으면 AI 비전 검사, AI 스케줄링, AI 설비 예측 같은 응용은 착지하기 어렵다.

1. 공장 AI 데이터 거버넌스가 실제로 해결하는 문제

많은 공장이 AI 프로젝트를 시작할 때 첫 반응은 알고리즘, 연산, 카메라를 사는 것이다. 실제로 진도를 막는 것은 대개 모델이 아니라 데이터다. 전자 공장이 SMT 실장 후 외관 재판정에 AI를 쓰려 했는데, 알고리즘 팀이 도착해 보니 3년치 불량 이미지가 세 라인의 서로 다른 산업용 PC에 흩어져 있고 각자 명명 규칙이 달랐다. 어떤 것은 타임스탬프, 어떤 것은 작업 지시, 어떤 것은 작업자가 손으로 이름을 바꾼 것이었다. 불량 등급 라벨도 일관되지 않아 같은 오프셋을 A라인과 B라인에서 다르게 불렀다. AI 데이터 거버넌스 부재의 전형적 사례다.

쉽게 말해 공장 AI 데이터 거버넌스는 데이터를 찾을 수 있고, 이해할 수 있고, 신뢰할 수 있고, 추적할 수 있게 만드는 일이다. 찾을 수 있음은 카탈로그와 색인의 문제, 이해할 수 있음은 메타데이터와 라벨 분류 체계, 신뢰할 수 있음은 품질과 일관성 검증, 추적할 수 있음은 데이터 계보와 버전 관리다. 이 네 가지가 없으면 AI 학습 결과를 재현할 수 없고 현장도 사용을 꺼린다.

2. 공장 AI 데이터 거버넌스에 필요한 핵심 기술 역량

첫 번째 역량은 설비 계층의 데이터 캡처와 프로토콜 적응이다. 현장 데이터 소스는 매우 혼재하며 PLC, SCADA, CNC, AOI 검사 설비, AGV 스케줄링 시스템이 각자 다른 언어를 쓴다. 거버넌스 플랫폼은 OPC-UA, Modbus TCP, MQTT 같은 산업 프로토콜을 지원하고 MES와 ERP 업무 데이터도 연결해야 한다. 실무에서 많은 공장이 막히는 이유는 노후 설비에 표준 인터페이스가 없어 엣지 게이트웨이로 프로토콜 변환을 하고 원시 신호를 엣지에서 정제해야 하기 때문이다.

두 번째 역량은 메타데이터와 라벨 분류 체계 관리다. AI 학습에는 원시 데이터 스트림이 아니라 라벨이 붙은 구조화 데이터셋이 필요하다. 거버넌스 플랫폼은 통일된 데이터 사전을 정의해야 하며, 예를 들어 불량 유형 코드는 IPC-A-610의 등급 논리를 따르고 설비 상태 코드는 ISO 22400의 KPI 정의에 맞춘다. 분류 체계가 고정되면 라인과 공장을 넘어 데이터를 병합할 수 있다.

세 번째 역량은 데이터 품질 규칙 엔진이다. 산업 데이터 품질 문제는 매우 구체적이다. 센서 드리프트로 값이 서서히 어긋나고, 통신 두절로 타임스탬프에 구멍이 생기고, 수동 입력 필드에 공백이나 범위 밖 값이 들어간다. 플랫폼은 검증 규칙을 지원해야 하며, 예를 들어 N회 연속 샘플이 공정 한계를 넘으면 알람을 내거나 타임스탬프 간격이 임계값을 넘으면 기록을 불완전으로 표시한다. 이런 규칙은 학습 시점에 오염 데이터를 발견하는 것이 아니라 데이터가 레이크에 들어가기 전에 실행된다.

네 번째 역량은 데이터 계보와 버전 관리다. 모델이 반복 개선될 때 어떤 데이터 배치, 어떤 주석 버전, 어떤 정제 단계를 썼는지 추적할 수 있어야 한다. 계보 기록이 없으면 모델 성능 변동의 원인을 찾을 수 없다. 버전 관리는 주석 버전 변경까지 포함해야 하며, 불량 이미지 한 배치를 재주석한 뒤 구모델과 신모델의 결과 차이를 비교할 수 있어야 한다.

3. 공장 AI 데이터 거버넌스의 대표 적용 시나리오

자동차 부품 업체가 다이캐스팅 전수 비전 검사를 하려 한다고 하자. 다이캐스팅 공장은 덥고 분진이 많아 카메라 이미지 대비가 불안정하다. 여기서 데이터 거버넌스는 이미지를 교대조와 금형 번호로 색인하고, 서로 다른 조명에서 촬영된 이미지를 정규화하며, 검사자의 재판정을 라벨로 데이터셋에 기록하는 일이다. 그래야 학습된 모델이 현장의 실제 조명 변화에 대응할 수 있다.

전자 공장이 PCBA 라인에서 AI로 스케줄링을 최적화한다고 하자. 스케줄링 모델에는 설비 가동률, 전환 시간, 자재 키팅률, 작업 지시 우선순위 같은 이력 데이터가 필요하다. 이들은 MES, WMS, 스케줄링 스프레드시트에 따로 있고 정의도 제각각이다. 거버넌스는 가동률 계산 방식을 통일해야 한다. 계획 가동 시간인지 실제 산출량인지, 정지 시간에 계획된 전환이 포함되는지 등이다. 정의가 통일되어야 스케줄링 모델의 입력이 의미를 갖는다.

또 다른 시나리오는 예지 보전이다. 가공 공장이 진동과 전류 신호로 스핀들 베어링 수명을 예측하려 한다. 원시 신호는 샘플링 레이트가 높고 물량이 많아 거버넌스에서 다운샘플링과 특징 추출을 수행해 시간 영역 신호를 주파수 영역 특징으로 바꿔 저장한다. 동시에 수리 오더 기록을 설비 ID와 정합해야 하며 그렇지 않으면 모델이 학습한 고장이 실제 수리 조치와 맞지 않는다.

4. 공장 AI 데이터 거버넌스 배치 시 유의점

첫 번째로 자주 나오는 질문은 거버넌스 플랫폼과 MES, 데이터 중간 플랫폼의 관계다. 거버넌스는 MES를 대체하지도 데이터 중간 플랫폼을 다시 만들지도 않는다. 기존 시스템 위의 데이터 통제 계층으로 이해하는 것이 좋으며 표준 정의, 품질 검증, 계보 관리를 담당한다. MES는 생산 실행 흐름을, 데이터 중간 플랫폼은 저장과 연산 자원을, 거버넌스 계층은 데이터 규칙과 신뢰성을 관장한다. 경계가 분명해야 중복 구축을 피할 수 있다.

두 번째 질문은 구축 기간과 시작 방식이다. 실용적 접근은 한 라인이나 한 공정 단계를 파일럿으로 정하고 그 라인의 데이터 소스를 명확히 매핑하고 라벨 분류 체계를 확정하고 품질 규칙을 가동한 뒤 옆으로 확산하는 것이다. 전 공장 거버넌스로 시작하면 데이터 소스가 너무 많고 부서 책임이 불명확해 대개 정체된다. 파일럿은 보통 AI 응용이 가장 시급한 공정 단계에 집중하고 실제 성과로 거버넌스 범위를 정한다.

세 번째 질문은 하드웨어와 배포 조건이다. 엣지 측에는 프로토콜 변환과 데이터 정제가 가능한 산업용 게이트웨이나 엣지 서버가 필요하고 연산력은 크지 않아도 안정성이 높아야 하며 현장 환경에는 광온 설계와 방진이 요구된다. 중앙 측은 데이터량이 테라바이트 이내라면 기존 가상화 풀로 충분하고 별도 빅데이터 클러스터는 필요 없다. 핵심은 네트워크 연결로, 많은 공장에서 설비망이 사무망과 물리적으로 격리되어 데이터가 나오지 못하면 거버넌스를 시작할 수 없다.

네 번째 질문은 소유권이다. 데이터 거버넌스가 미완으로 죽는 가장 흔한 이유는 모두의 일이고 아무의 일도 아니기 때문이다. 실행 가능한 접근은 라인이나 업무 도메인별로 데이터 오너를 지정하고 오너가 정의와 품질에 책임지며 IT는 플랫폼과 도구를 지원하는 것이다. 주석 품질 문제는 검사 팀의 몫으로 남겨야 하며 전부 알고리즘 팀에 떠넘겨서는 안 된다.

5. 공장 AI 데이터 거버넌스가 적합한 시나리오와 그렇지 않은 시나리오

적합한 시나리오는 비전 검사, 예지 보전, 스케줄링 최적화처럼 AI 응용 목표는 명확하지만 데이터가 시스템에 흩어져 있고 정의가 불일치하며 품질을 통제할 수 없는 공장이다. 특히 ERP 시대부터 수십 년 이 분야에서 일해 왔고 120만 고객에게 서비스하며 수천만 대의 단말을 보급하고 국내외 시장을 커버하는 제조 기업은 축적된 이력과 층층이 쌓인 시스템 때문에 거버넌스의 회수가 더 분명하다.

덜 적합한 시나리오는 라인이 아직 안정되지 않아 공정 파라미터가 크고 자주 바뀌는 단계로, 지금 고정한 표준이 곧 낡아버리므로 공정이 고형화될 때까지 기다려야 한다. 또한 AI 응용이 확산 계획 없는 단일 지점 실험이라면 가벼운 스크립트 정제로 충분하고 전면 거버넌스 플랫폼은 불필요하다.

경계 하나를 더 말하자면, 데이터 거버넌스는 데이터의 사용 가능성을 해결하지 모델 정확도를 해결하지 않는다. 거버넌스가 아무리 좋아도 주석 자체에 체계적 편향이 있으면 모델은 여전히 부정확하다. 따라서 거버넌스와 주석 품질 관리는 병행해야 하며 플랫폼이 주석 오류를 자동으로 고쳐 주리라 기대해서는 안 된다.

주제: AI 및 AI 에이전트 백과