지식 센터
목차

에이전트가 산업 용어를 이해하는 방식

에이전트가 산업 용어를 이해하는 방식은 사전을 외우는 것이 아니라 용어를 그것이 살아 있는 설비, 공정 단계, 작업 지시의 문맥에 되돌려 놓고 그 안에서 의미 정렬을 수행하는 것이다. 구체적으로 세 계층으로 작동한다. 용어 온톨로지를 구축해 동의어와 약어를 정규화하고, 지식 그래프로 용어를 공정 파라미터, 설비 모델, 품질 결함에 부착하며, 마지막으로 특정 작업 안의 문맥으로 중의성을 해소한다. 그래야만 선재 긁힘, 플래시, 오븐 통과 같은 현장 은어가 문자 그대로 추측되지 않고 특정 공정 단계와 품질 특성에 정확히 매핑된다.

1. 용어 이해가 에이전트에게 실제로 해결하는 문제

현장의 언어와 범용 대형 모델이 학습한 말뭉치 사이에는 자연스러운 간극이 있다. 플래시라는 같은 단어가 사출 공장에서는 넘친 가장자리를 뜻하지만 금속 가공에서는 버를 뜻할 수 있다. 오븐 통과라는 같은 표현이 SMT 라인에서는 리플로우 납땜을 뜻하고 에나멜 공정에서는 전혀 다른 것을 뜻한다. 범용 대형 모델은 이런 현장 은어를 본 적이 없어 직접 물으면 문자적 해설을 내놓고 그것이 작업 지시에 적용되는 순간 틀린다.

에이전트가 해결해야 하는 핵심 문제는 자연어 지시를 받거나 공정 문서를 파싱할 때 용어를 기업 자체의 설비 대장, 공정 단계 코드, 품질 결함 분류 체계에 정확히 매핑하는 것이다. 이것이 없으면 하류의 스케줄링, 검사, 설비 진단에 기반이 없다. 실무에서 용어 이해는 산업용 에이전트 배치의 첫 관문이며 모델 선택보다도 앞선다.

2. 용어 이해의 기술 원리와 핵심 역량

나누어 보면 네 가지 역량 계층의 적층이다.

첫째 계층은 용어 정규화다. 같은 자재가 기업 안에서 여러 이름을 갖는 경우가 흔하다. ERP에서는 한 코드, MES에서는 한 약어, 숙련자 사이에서는 한 별명이다. 에이전트에는 자재 A, 자재 1형, 자재 번호 1을 같은 자재 마스터 레코드로 귀속시키는 동의어 매핑 테이블이 필요하다. 이 단계는 기업의 기존 마스터 데이터 체계에 의존하며 에이전트가 무에서 창조하는 것이 아니다.

둘째 계층은 온톨로지 모델링과 지식 그래프다. 용어가 노드가 되고 어느 공정 단계에 속하는지, 어떤 설비와 연관되는지, 어떤 결함이 흔한지가 엣지가 되어 도메인 그래프를 이룬다. 예를 들어 리플로우 납땜 노드는 온도 프로파일 파라미터, IPC-A-610의 납땜 합격 등급, tombstoning과 브리징 같은 흔한 결함에 연결된다. 그래프가 구축되면 용어 하나를 조회해 관련 엔티티의 줄을 끌어낼 수 있다.

셋째 계층은 문맥 중의성 해소다. 같은 단어가 공정 단계에 따라 다른 의미이므로 에이전트는 현재 작업 지시, 설비 상태, 주변 텍스트로 판단해야 한다. 기술적으로는 보통 벡터 검색과 규칙 제약의 결합으로, 후보 의미를 먼저 리콜하고 공정 단계 코드와 설비 유형으로 필터링한다. 정확도 측면에서 용어 중의성 해소는 그래프 커버리지에 크게 의존하며 커버리지가 불완전할 때는 사람 확인으로 에스컬레이션하는 폴백이 있어야 한다.

넷째 계층은 지속 학습이다. 새 공정이 새 이름을 낳으면서 현장 용어는 변한다. 에이전트는 숙련자의 수정을 매핑 테이블에 다시 적재하는 사람 수정 피드백 루프를 지원해야 한다. 이 계층이 시스템이 계속 쓸 만한지를 결정한다.

3. 제조의 대표 적용 시나리오

전자 공장이 SMT 실장을 하고 전환이 잦다고 하자. 작업자가 태블릿에 이번 기판 배치는 오븐 통과 후 tombstoning이 많다고 말하면, 에이전트는 오븐 통과가 리플로우 단계를 뜻하고 tombstoning이 부품 한쪽 끝이 들리는 납땜 결함임을 파싱한 뒤, 해당 라인의 온도 프로파일 기록과 스텐실 개구 파라미터를 자동 연관해 공정 엔지니어에게 전달해야 한다. 여기서 용어 이해가 출발점이고 근본 원인 분석은 그다음이다.

자동차 부품 업체가 가공을 하고 검사자가 이번 배치에 플래시가 과다하다고 기록한다고 하자. 에이전트는 여기서 플래시가 사출 넘침이 아니라 가공 버를 뜻함을 판단하고, 디버링 단계의 공구 마모 기록에 매핑하며, 해당 배치의 표면 거칠기 검사 데이터를 가져와 교차 비교해야 한다. 용어 매핑이 틀리면 이후 조회되는 모든 것이 빗나간다.

또 다른 시나리오는 설비 수리다. 숙련자가 스핀들이 걸린다고 보고하면 에이전트는 이를 스핀들 과부하나 고착 고장 모드로 매핑하고 해당 설비의 과거 알람 코드와 관련 매뉴얼 절을 제시해야 한다. 이런 구어체 고장 설명은 범용 모델에서 거의 찾을 수 없으며 기업이 구축한 용어 그래프로 커버해야 한다.

4. 선정과 배치 시 유의할 사항

용어 기반은 어디서 오고 다시 만들어야 하는가. 대부분의 기업은 ERP와 MES에 자재 마스터, 공정 단계 코드, 결함 분류를 이미 갖고 있으며 이것이 용어 기반의 토대다. 배치에서는 기존 마스터 데이터를 먼저 재사용하고 에이전트 측에 매핑 계층을 만들며 병행 시스템을 만들지 않아야 한다. 처음부터 다시 구축하는 것은 비용이 크고 유지가 어렵다.

기존 시스템과 어떻게 통합하는가. 흔한 방식은 설비 측 데이터에 OPC-UA를 쓰고 API나 데이터베이스 뷰로 MES와 ERP의 작업 지시 및 자재 정보를 동기화하는 것이다. 용어 매핑 테이블은 에이전트가 호출하는 독립 서비스로 배포할 수 있다. 통합 공수는 모델 자체보다 큰 경우가 많으므로 선정 시 벤더가 MES와 ERP 적응 경험을 갖추고 있는지 명확히 물어야 한다.

배치에 어떤 하드웨어가 필요한가. 용어 그래프와 벡터 검색은 연산 요구가 크지 않아 중소 라인은 GPU를 갖춘 엣지 서버 한 대로 충분하고 추론 지연은 보통 초 단위 이내로 유지된다. 공장 전체 지식 그래프일 때만 중앙 집중 배포가 필요하다. 구체적 구성은 용어 노드 규모와 동시 조회량에 달려 있어 일반화할 수 없다.

구축 기간은 얼마나 걸리는가. 용어 정규화와 그래프 콜드 스타트는 마스터 데이터 품질에 따라 보통 몇 주에서 몇 달이다. 마스터 데이터가 깨끗한 기업은 매핑 테이블을 빠르게 만들고, 어수선하면 정제에만 시간을 써야 한다. 선정 단계에서 쉽게 과소평가된다.

흔한 실수는 두 가지다. 첫째, 에이전트가 모든 현장 은어를 제로에서 학습하리라 기대하는 것으로 비현실적이며 사람 수정 루프가 필요하다. 둘째, 용어 이해를 일회성 프로젝트로 보는 것으로 공정이 바뀌고 인력이 순환하므로 용어 기반은 지속 유지보수가 필요하다.

5. 용어 이해가 적합한 시나리오와 그렇지 않은 시나리오

적합한 시나리오는 용어 체계가 비교적 안정적이고 마스터 데이터 기반을 이미 갖추었으며 공정 단계와 품질 결함 분류가 명확한 제조 기업이다. 전자 제조, 자동차 부품, 금속 가공처럼 공정 코딩 체계가 성숙한 산업이 배치 조건이 좋다. 사이클 타임이 안정적이고 용어 사용 빈도가 높은 단계는 회수가 더 분명하다.

부적합하거나 신중히 평가해야 하는 시나리오는 공정 경로가 자주 바뀌고 용어가 프로젝트를 따라가는 소배치 맞춤 작업장으로 그래프 유지 비용이 이득을 넘을 수 있다. 자재 코드조차 일관되지 않은 심각한 마스터 데이터 공백 기업은 에이전트를 배치하기 전에 마스터 데이터를 먼저 고쳐야 한다. 또한 중의성이 매우 크고 개별 숙련자의 경험에 의존하는 용어는 단기적으로 사람 폴백이 필요하며 에이전트가 전적으로 판정해서는 안 된다.

ERP 시대부터 수십 년, 120만 고객, 수천만 대의 보급 단말이 보여 주는 것은 하나다. 산업 소프트웨어의 뿌리는 마스터 데이터와 업무 프로세스에 있으며, 에이전트의 용어 이해는 그 뿌리 위에서 자랄 때만 안정적이다. 기업의 기존 데이터와 분리된 별도 언어 체계를 세우면 아무리 똑똑한 에이전트도 착지하지 못한다.

주제: AI 및 AI 에이전트 백과