공장의 AI 지식 질의응답은 본질적으로 설비 매뉴얼, 공정 파라미터, 고장 사례, SOP 문서, 그리고 숙련자의 머릿속과 하드디스크 깊숙한 곳에 흩어진 지식을 언제든 자연어로 불러낼 수 있는 질의응답 진입점으로 바꾸는 것이다. 데이터가 존재하는지가 아니라 현장 직원이 30초 안에 실행 가능한 답을 얻을 수 있는지를 해결한다. 오늘날 세 가지 배치 형태가 주를 이룬다. 과거 작업 지시와 수리 기록에 대한 검색형 질의응답, 설비 매뉴얼과 공정 문서에 대한 문서 질의응답, 실시간 MES 및 SCADA 데이터와 연결된 혼합형 질의응답이다.
1. AI 지식 질의응답이 공장에서 실제로 해결하는 문제
공장에서 가장 비싼 비용은 재료가 아니라 답을 찾는 시간인 경우가 많다. 마운터가 알람을 내면 신입은 매뉴얼을 넘기며 10분 이상을 쓰지만 숙련자는 기억으로 3분에 해결한다. 다만 그 숙련자가 야간 교대조에 없다. AI 지식 질의응답이 해야 할 일은 구체적이다. 알람 코드, 설비 모델, 과거 처리 기록을 의미적으로 연결해 작업자가 평이한 언어로 물으면 처리 단계를 얻게 한다.
전통적 FAQ 페이지와의 차이는 FAQ가 미리 정한 질문만 매칭하지만 의미 검색은 인쇄가 밀렸는데 솔더 페이스트 두께는 정상일 때 어디를 봐야 하는가 같은 복합적 설명을 처리한다는 점이다. 범용 모델 채팅 창과의 차이는 공장 질의응답이 출처를 제시해야 한다는 것이다. 답이 SOP의 버전 번호나 작업 지시의 처리 기록으로 소급되지 않으면 아무도 쓰지 않는다.
2. 기술 원리와 핵심 역량
핵심 체인은 세 단계다. 첫째는 지식 수집으로, PDF 매뉴얼, Excel 파라미터 표, 수리 작업 지시, 심지어 숙련자 음성 기록을 분할하고 벡터화하며 임베딩 모델로 텍스트를 벡터로 변환해 벡터 데이터베이스에 저장한다. 둘째는 검색 증강 생성으로, 사용자가 물으면 의미 검색이 관련 단편을 리콜하고 대형 모델이 답을 정리하는 전형적 RAG 아키텍처다. 셋째는 권한과 추적성으로, 역할에 따라 보이는 지식 범위가 다르고 답변에 출처 링크와 버전 정보가 붙는다.
핵심 역량은 엄격한 지표로 판정한다. 검색 리콜이 올바른 문서를 찾는지를 결정하며 산업 시나리오는 보통 가동 전 top-5 리콜 커버리지 90퍼센트 이상을 요구한다. 답변 충실도는 시스템이 창작하는지를 결정하며 답변 출처를 제한해 통제한다. 응답 지연은 경험을 직접 좌우한다. 라인에서 5초를 넘기면 직원은 매뉴얼로 돌아간다. 또한 실시간 데이터를 위해 OPC-UA와 Modbus를 지원해야 하며 그렇지 않으면 3라인의 현재 OEE를 물었을 때 과거 평균만 돌려줄 수 있다.
3. 제조의 대표 적용 시나리오
전자 공장이 SMT 실장을 하고 AOI가 연속 오판을 낸다고 하자. 작업자가 AOI 오판이 몰릴 때 어떻게 처리하는지 입력하면 시스템이 관련 IPC-A-610 판정 조항, 해당 모델의 과거 오판 작업 지시, 최근 광원 파라미터 조정 기록을 리콜해 세 가지 트러블슈팅 단계를 제시한다. 여기서 지식 출처는 품질 표준, 설비 파라미터, 과거 처리를 아우르며 키워드 검색으로는 한 번에 맞히기 어렵다.
자동차 부품 업체가 가공을 하고 공구 교체 후 치수가 공차를 벗어난다고 하자. 신입이 공구 교체 후 외경이 0.02 크게 나올 때 어떻게 조정하는지 물으면 시스템이 공구 보정 파라미터 표와 동일 기종의 보정 기록을 검색해 보정 번호가 맞는지 확인하도록 제안한다. 구별되는 특징은 답이 산문 단락이 아니라 파라미터 표에 숨어 있다는 것으로 표 파싱 역량이 필요하다.
또 다른 시나리오는 안전과 규정 준수 질의응답이다. 화학이나 도장 공장에서 이 라인의 화기 작업 허가가 어떤 승인 등급을 요구하는지 물으면 시스템이 EHS 문서에서 승인 흐름과 최근 사고 사례를 리콜한다. 이런 응용은 추적성 요구가 가장 높아 문서 번호와 시행일을 반드시 명시해야 한다.
4. 선정과 배치 시 유의할 사항
연동이 첫 번째 함정이다. 공장 시스템은 매우 다양해 MES가 10년 전 버전일 수 있고 설비 데이터가 OPC-UA인지 독자 프로토콜인지가 큰 차이를 만든다. 선정 시 질의응답 시스템이 직원에게 또 다른 자격 증명을 외우게 하지 않고 싱글 사인온과 지식 소스 동기화를 위한 표준 API를 제공하는지 확인해야 한다.
지식 거버넌스 공수는 자주 과소평가된다. 매뉴얼 버전 갱신, 작업 지시 종료 후 아카이빙, SOP 개정이 지식 베이스 동기화를 트리거해야 하며 그렇지 않으면 질의응답 시스템은 석 달 안에 신뢰를 잃는다. 구축 기간 측면에서 단일 라인 파일럿은 보통 4에서 8주가 걸리고 그중 지식 정제가 절반 이상을 차지하며 모델 조정은 상대적으로 빠르다.
하드웨어 구성은 배포 방식에 달려 있다. 프라이빗 배포는 GPU 서버가 필요하고 7B에서 14B 파라미터 모델은 추론 카드 한 장에서 돌지만 동시 스트림이 20개를 넘으면 확장이 필요하다. 클라우드 API 방식은 시작이 빠르지만 공정 파라미터가 공장을 떠나는 경우 정보 보안 평가를 먼저 통과해야 한다.
흔한 오해는 질의응답 시스템을 검색 엔진처럼 쓰며 개방형 질문의 답을 기대하는 것이다. 공장 질의응답의 가치는 수직 도메인에 있으며 질문이 구체적이고 지식 소스가 구조화될수록 결과가 좋다. 또 하나의 오해는 모든 문서를 한 번에 적재하려는 것으로, 공정별로 단계적으로 가동해 고빈도 시나리오 하나를 먼저 입증하고 확장하는 것이 옳다.
5. 적합한 시나리오와 부적합한 시나리오의 경계
적합한 시나리오는 몇 가지 특징을 공유한다. 지식 밀도가 높지만 검색 효율이 낮고, 인력 순환이 잦으며, 답에 명확히 추적 가능한 출처가 있다. 설비 수리 질의응답, 품질 판정 기준 조회, 안전 절차 조회, 신입 입문 교육은 성공 확률이 비교적 높다. 사이클 타임이 안정적이고 질문 반복률이 높은 단계는 회수를 계산하기 가장 쉽다.
부적합한 시나리오도 분명히 말해야 한다. 공정 레시피 개발 같은 창작 업무는 답이 과거 문서에 존재하지 않아 질의응답 시스템이 도울 수 없다. 복잡한 외관 흠집 등급 판정처럼 실시간 시각 판단에 크게 의존하는 결함 분류는 텍스트 질의응답이 아니라 비전 모델이 필요하다. 지식 소스가 혼란스럽고 버전이 일관되지 않은 공장은 질의응답을 배치하기 전에 문서 거버넌스를 해야 한다. 또한 안전 인터록과 비상 정지가 관련된 조작은 질의응답 답변에만 의존할 수 없고 하드와이어와 물리 비상 정지 백업이 있어야 한다.
ERP 시대부터 수십 년, 120만 고객, 수천만 대의 보급 단말이 보여 주는 것은 하나다. 공장에는 시스템이 부족한 것이 아니라 그 시스템 안에 가라앉은 지식을 다시 살리는 진입점이 부족하다. AI 지식 질의응답의 가치는 모델이 얼마나 큰지가 아니라 야간 교대조의 신입이 3분 안에 숙련자와 같은 판단에 도달할 수 있는지에 있다.