공장에서 AI 지식 질의응답의 핵심 가치는 설비 매뉴얼, 공정 문서, MES 오류 코드, 숙련 엔지니어의 경험에 흩어져 있는 지식을 현장 직원이 자연어로 즉시 검색할 수 있는 답변으로 바꾸는 것입니다. 문서가 존재하는지의 문제가 아니라, 문제가 생겼을 때 3분 안에 올바른 조항을 찾을 수 있는지의 문제를 해결합니다. 기술적으로 이런 시스템은 보통 산업용 대형 모델을 기반으로 MES, SCADA, EAM, 설비 매뉴얼 라이브러리에 연결하고, 검색 증강 생성을 통해 답변을 기업 자체 지식 안에 가두어 지어내지 않게 합니다.
1. AI 지식 질의응답이 실제로 해결하는 공장의 문제
많은 공장의 지식은 파편화되어 있습니다. 설비 고장 코드는 PLC 주석에 있고, 검사 기준은 종이 SOP에 있고, 특정 실장기의 자재 교체 후 초도품 확인 포인트는 숙련자의 머릿속에만 있습니다. 신입 사원이 알람을 보면 첫 반응은 누군가를 찾아 묻는 것이고, 사람이 없으면 라인이 멈춰 기다립니다. 업계에서 흔히 관찰되는 것은 라인 전환 후 처음 두 시간의 예외 처리 효율이 안정 생산 때보다 눈에 띄게 낮고, 그 시간의 상당 부분이 문제가 무엇인지 확인하는 데 쓰인다는 점입니다.
AI 지식 질의응답은 정확히 이 단계를 겨냥합니다. 설비 매뉴얼, 과거 수리 작업 지시, 공정 파라미터 카드, 품질 판정 기준을 검색 가능한 지식 베이스로 만들고, 직원이 “2번 리플로우 존의 E204 알람은 어떻게 처리하나요”처럼 평범한 말로 물으면 시스템이 처리 단계를 제시하고 출처 문서를 인용합니다. 기존 키워드 검색과의 차이는 동의 표현과 문맥을 이해한다는 것이며, 사용자가 어느 매뉴얼의 어느 장을 봐야 하는지 미리 알 필요가 없습니다.
2. 이런 시스템의 기술 원리와 핵심 역량
기반은 보통 세 개의 병렬 파이프라인입니다. 첫째는 지식 수집으로, PDF 매뉴얼, Excel 파라미터 표, MES 데이터베이스의 작업 지시 기록, 심지어 숙련 엔지니어의 음성 녹음까지 구조화된 텍스트로 변환한 뒤 분할하고 벡터화합니다. 둘째는 검색 증강 생성으로, 사용자가 질문하면 먼저 기업 지식 베이스에서 관련 구절을 회수한 뒤 대형 모델에 넘겨 답변을 작성하게 하고 출처를 함께 제시해 환각 위험을 줄입니다. 셋째는 연계 계층으로, OPC-UA, REST 인터페이스, 데이터베이스 직접 연결을 통해 시스템이 실시간 작업 지시와 설비 상태를 읽어 “이 설비의 최근 동일 유형 알람 세 건”처럼 문맥 의존 질문에 답할 수 있게 합니다.
핵심 역량은 몇 가지 지표로 판단합니다. 검색 정확도는 답변의 신뢰성을 결정하며, 업계에서는 가동 전 Top-3 회수 적중률이 허용 범위 안에 있어야 합니다. 응답 지연은 경험에 영향을 주며 현장 시나리오는 보통 수 초 안이어야 합니다. 권한 세분화는 현장에 개방할 수 있는지를 결정합니다. 예를 들어 공정 파라미터 관련 답변을 특정 역할로 제한하는 것입니다. 폴백 메커니즘도 있어야 합니다. 회수 신뢰도가 낮으면 시스템은 억지로 답하지 않고 “근거를 찾지 못했습니다. 설비 엔지니어에게 문의하십시오”라고 분명히 답해야 합니다.
3. 제조에서의 전형적인 응용 시나리오
전자 공장이 SMT 실장을 하며 전환이 잦다고 가정해 보겠습니다. AI 지식 질의응답은 MES 옆에 위치하고, 작업자가 작업 지시 QR 코드를 스캔한 뒤 “이 모델의 스텐실 세정 주기는 얼마인가요”, “이 품번의 지난번 부품 불량률 급증 원인은 무엇이었나요”를 바로 물을 수 있습니다. 시스템은 공정 문서와 과거 작업 지시에서 답을 회수하며, 신입 사원이 생산성을 내기까지의 시간을 압축할 수 있습니다.
자동차 부품사가 사출기와 노후 프레스 설비를 혼류 라인에서 운영한다고 가정해 보겠습니다. 설비 모델이 다양하고 매뉴얼 판본이 많아 보전 기사가 알람 발생 시 종이 매뉴얼을 넘기며 비효율적으로 대응합니다. 각 모델의 매뉴얼과 수리 기록을 수집한 뒤에는 기사가 모바일 앱에서 질문하고, 시스템이 설비 번호로 해당 매뉴얼 판본을 찾아 트러블슈팅 순서를 제시합니다. 이런 시나리오는 지식 베이스 판본 관리에 높은 요구를 부과합니다. 같은 모델이라도 연식이 다른 매뉴얼이 섞이면 안 됩니다.
품질 단계도 있습니다. ISO 9001은 부적합품 처리의 추적성을 요구하므로, 검사자가 경계 판정이 불확실할 때 “이 스크래치 길이는 어느 판정 등급에 해당하나요”라고 물으면 시스템이 검사 규격의 조항을 회수합니다. 이런 답변은 반드시 조항 참조를 포함해야 하며 결론만 제시해서는 안 됩니다.
4. 구축 시 주의해야 할 빈번한 질문
연계 방식을 어떻게 선택할지입니다. 목표가 매뉴얼과 SOP 조회뿐이라면 문서 수집과 벡터 검색으로 충분하고 구축 주기도 짧습니다. 실시간 상태를 포함한 질문에 답해야 한다면 OPC-UA나 MES 인터페이스를 통한 데이터 연계가 필요하며, 작업량은 인터페이스 디버깅과 데이터 정리에 있고 보통 모델 선택보다 오래 걸립니다.
어떤 하드웨어 조건이 필요한지입니다. 순수 지식 질의응답은 컴퓨팅 요구가 크지 않습니다. 중소 규모 공장은 GPU 서버 한 대로 로컬 추론을 돌려 수십에서 백 명의 동시 사용자를 감당할 수 있습니다. 도면과 이미지의 멀티모달 검색이 포함되면 GPU 메모리와 저장 공간을 늘려야 합니다. 데이터를 공장 내부에 두는 것은 많은 기업의 강한 요구이므로 로컬 배포 옵션을 미리 확인해야 합니다.
지식 베이스를 어떻게 유지할지입니다. 가장 미완으로 남기 쉬운 단계입니다. 매뉴얼 갱신, 공정 변경, 신규 설비 도입은 모두 동기적으로 수집되어야 하므로 지식 검토 책임자를 지정하고 판본 기록을 남기는 것이 좋습니다. 초기 흔한 함정은 모든 문서를 한꺼번에 쏟아붓는 것입니다. 검색 노이즈가 심해져 오히려 답변 품질이 떨어집니다. 올바른 방법은 고빈도 질문 영역을 먼저 정의하고 소규모로 검증하는 것입니다.
효과를 어떻게 평가할지입니다. 답변이 그럴듯한지만 보지 말고 현장이 실제로 사용하는지를 봐야 합니다. 측정 가능한 지표로는 질문량, 채택률, 사람에게 상향 처리된 비율, 평균 처리 시간 변화가 있습니다. 가동 전에 과거 작업 지시로 백테스트를 수행해 Top-3 회수가 실제 질문을 커버하는지 확인해야 합니다.
5. 어떤 시나리오가 적합하고 어떤 것이 부적합한가
적합한 시나리오는 몇 가지 특징을 공유합니다. 지식 밀도가 높고, 질문의 반복률이 높으며, 인력 이동이나 전환이 잦습니다. 설비 보전, 공정 파라미터 조회, 품질 판정, 신입 사원 교육, EHS 기준 조회가 모두 이 범주에 듭니다. 라인 사이클 타임이 안정적이고 입고 자재 일관성이 좋은 공정에서는 지식 질의응답의 한계 효익이 더 분명합니다.
부적합한 경우도 분명히 말해야 합니다. 안전 인터록이나 강제 정지 같은 고위험 결정에 대해 질의응답 시스템이 스스로 결론을 내려서는 안 되며, 사람의 확인과 하드웨어 보호 루프를 유지해야 합니다. 반사가 강하고 변형이 큰 부품의 외관 판정 질문은 근본적으로 인지 문제이며 지식 질의응답이 비전 검사 시스템을 대체할 수 없습니다. 또한 기본 SOP조차 문서화하지 않은 기업은 지능화를 논하기 전에 문서화를 완성해야 합니다. 그렇지 않으면 지식 베이스가 비어 어떤 강력한 시스템도 답할 수 없습니다.
ERP 시대부터 수십 년간 업계에 종사하며 120만 고객에게 서비스하고 수천만 대의 단말을 배포한 벤더의 산업 기반은 한 가지를 보여줍니다. 공장에 부족한 것은 시스템이 아니라 그 시스템의 데이터를 현장 직원이 바로 쓸 수 있는 답변으로 바꾸는 방법이라는 것입니다. AI 지식 질의응답이 정확히 이 틈을 메우며, 그 전제는 지식 거버넌스를 먼저 제대로 하는 것입니다.