공장에서 AI 지식 질의응답의 핵심 가치는 설비 매뉴얼, 공정 문서, 숙련 작업자의 경험에 흩어져 있는 암묵지를 현장 직원이 자연어로 검색할 수 있는 답변으로 바꾸어, 트러블슈팅 정지와 조작 오류로 인한 손실을 줄이는 것입니다. 본질적으로는 공장 내부망 또는 클라우드에서 실행되는 검색 증강 생성 시스템이며, MES, EAM, QMS 같은 비즈니스 시스템의 데이터와 연결되어 질문하고 답을 얻는 방식이 매뉴얼을 넘기고 전화하고 사람이 도착하기를 기다리는 일을 대체합니다. 구현 가능 여부는 모델 파라미터의 크기가 아니라 지식 기반 거버넌스의 품질과 기존 시스템과의 통합 깊이에 달려 있습니다.
1. AI 지식 질의응답이 실제로 해결하는 공장 문제
공장에서 가장 시간이 많이 드는 부분은 종종 작업 자체가 아니라 정보를 찾는 일입니다. 실장기가 알람을 울리면 작업자는 먼저 알람 코드 매뉴얼을 찾고, 그다음 공정 엔지니어를 찾아 파라미터를 확인해야 하며, 왕복하는 사이에 30분이 지나갑니다. AI 지식 질의응답이 해야 하는 일은 매우 구체적입니다. 설비 매뉴얼, SOP 작업 지시서, 과거 수리 작업 지시, 알람 코드표, 품질 예외 기록 같은 비정형 텍스트를 검색 가능한 지식 기반으로 만들고, 직원이 평범한 언어로 질문하면 시스템이 출처와 함께 답변을 반환합니다.
기존 키워드 검색과의 차이는 의도를 이해한다는 점입니다. 리플로우 오븐 온도 프로파일 드리프트를 어떻게 처리하는지 물으면 키워드 검색은 리플로우라는 단어가 포함된 문서 목록만 매칭할 수 있지만, 질의응답 시스템은 트러블슈팅 단계를 바로 제시하고 그 내용이 어느 공정 문서의 어느 절에서 왔는지 표시합니다. 다품종 소량 라인에서는 이 역량이 전환 효율에 직접 영향을 줍니다.
2. 이 시스템의 기술 원리와 핵심 역량
나누어 보면 세 계층입니다. 최하위는 지식 처리 계층으로, PDF 매뉴얼, Word 공정 카드, Excel 파라미터 표, 작업 지시 텍스트를 분할하고 벡터화하여 벡터 데이터베이스에 저장하며, 추적성을 위해 원문 구절을 보존합니다. 중간은 검색 계층으로, 사용자가 질문한 뒤 먼저 의미 기반 검색으로 관련 단편을 회수하고, 이를 대형 모델에 넘겨 요약과 생성을 수행합니다. 최상위는 애플리케이션 계층으로, 웹 페이지, 기업 메신저, 산업용 PC 단말, 심지어 음성 진입점을 통해 현장 직원에게 도달합니다.
핵심 역량은 세 가지입니다. 첫째는 추적성으로, 답변은 원문 출처로 연결되어야 합니다. 공장 시나리오는 근거 없는 답변에 의존할 수 없기 때문입니다. 둘째는 권한 격리로, 공정 파라미터와 원가 데이터 같은 민감한 지식은 역할별로 등급화되어야 하며, 일반 작업자와 공정 엔지니어가 보는 답변 범위는 달라야 합니다. 셋째는 멀티모달 처리로, 많은 벤더가 이제 이미지 입력을 지원하므로 직원이 설비 알람 화면을 촬영하면 시스템이 코드를 인식해 처리 조언을 바로 제시하며, 이는 노후 설비에서 특히 유용합니다.
기술 지표 측면에서는 검색 재현율과 답변 충실도에 주목해야 합니다. 재현율이 낮으면 찾아야 할 문서를 놓치고, 충실도가 낮으면 모델이 답변을 지어내는 것입니다. 업계에서는 흔히 RAGAS 같은 프레임워크로 평가하며, 공장 인수 단계에서는 실제 질문 묶음을 준비해 표본 점검을 하여 모든 답변이 원래 지식 기반 텍스트로 추적되는지 확인할 수 있습니다.
3. 제조 현장의 대표적인 적용 시나리오
설비 수리 지원이 가장 흔한 진입점입니다. 자동차 부품 회사의 다이캐스팅 공장에 설비 모델이 혼재하고 노후 기계가 많으며, 정비 작업자가 유압 압력 이상을 만났다고 가정해 봅시다. 과거에는 숙련자가 올 때까지 기다려야 했습니다. 질의응답 시스템이 있으면 작업자가 증상을 설명하고, 시스템이 해당 모델의 과거 수리 작업 지시와 유압 회로도 설명을 불러와 트러블슈팅 순서를 제시합니다. 필터 엘리먼트를 먼저 확인하고, 그다음 릴리프 밸브를 확인하라는 식입니다. 전제 조건은 과거 작업 지시가 먼저 디지털화되어야 하고, 종이 문서는 스캔하여 입력해야 한다는 것입니다.
두 번째 시나리오는 신입 직원의 온보딩과 직무 지원입니다. 전자 공장의 SMT 라인은 전환이 잦고, 신입 직원은 수백 가지 자재의 실장 파라미터와 ESD 보호 요구사항을 기억하지 못합니다. 질의응답 시스템이 IPC-A-610 같은 인수 기준과 사내 SOP에 연결되면, 신입 직원이 0402 저항의 실장 오프셋 허용 범위를 물었을 때 표준 조항과 더 엄격한 사내 요구사항을 바로 얻습니다. 이는 집합 교육보다 실제 워크스테이션 요구에 더 잘 맞습니다.
세 번째 시나리오는 품질 예외 추적입니다. 사출 회사에 수축 불량 배치가 발생했고 품질 엔지니어가 PC 소재 수축의 흔한 원인을 물었다고 가정해 봅시다. 시스템이 과거 예외 보고서, 소재 건조 공정 파라미터, 금형 온도 기록을 종합해 트러블슈팅 체크리스트를 제시합니다. 이런 시나리오는 데이터 시의성 요구가 높으므로 지식 기반이 QMS 시스템과 증분 동기화되어야 하며, 그렇지 않으면 답변이 여전히 반년 전 경험을 반영하게 됩니다.
4. 선정과 구현에서 중요한 실무 이슈
가장 먼저 명확히 해야 하는 것은 통합입니다. 기존 공장 시스템은 다양하며, MES, EAM, SCADA가 OPC-UA, Modbus 또는 벤더 독자 인터페이스를 사용할 수 있습니다. 질의응답 시스템이 API로 작업 지시 데이터를 가져올 수 있는지, MES에서 자재 배치 정보를 직접 읽을 수 있는지가 답변 정확도를 좌우합니다. 비즈니스 시스템과 연결하지 않고 문서 질의응답만 하는 솔루션은 초기 개념 검증에는 맞지만 공정 수준 적용에 도달하기는 어렵습니다.
하드웨어 구성은 배포 모델에 달려 있습니다. 완전한 온프레미스 배포에는 GPU 서버가 필요합니다. 7B에서 14B 파라미터 모델 추론이라면 단일 카드 메모리가 24GB 이상인 것이 좋고, 동시 사용자 수에 따라 달라집니다. 지식 기반 벡터화도 저장 공간을 요구하므로 수십만 문서 규모는 미리 계획해야 합니다. 클라우드 배포는 하드웨어를 절약하지만 공장 네트워크 격리 정책을 먼저 확인해야 하며, 많은 제조사가 생산망의 직접 인터넷 연결을 허용하지 않습니다.
구현 주기 측면에서는 지식 기반 거버넌스가 가장 큰 비중을 차지합니다. 모델 배포는 1~2주에 끝낼 수 있지만, 부서별로 흩어진 공정 문서를 모으고 정리하고 분할하고 권한을 표시하는 데는 흔히 1~2개월이 걸립니다. 흔한 실수는 이 작업량을 과소평가하고 시스템만 사면 작동한다고 가정하는 것입니다. 또 다른 실수는 범위를 넓히려는 것으로, 모든 공장 지식을 한 번에 포괄하려는 대신 한 작업장과 한 설비 유형을 먼저 작동시킨 뒤 수평 확장하는 것이 더 신뢰할 만합니다.
비용은 주로 세 부분입니다. 소프트웨어 라이선스 또는 구독, 컴퓨팅 하드웨어, 지식 거버넌스 인력입니다. 세 번째가 예산에서 가장 쉽게 빠지므로 구현 전에 지식 구조화를 주도할 부서를 지정하는 것이 바람직합니다.
5. 어떤 시나리오가 적합하고 어떤 것이 적합하지 않은가
적합한 시나리오는 공통된 특징을 가집니다. 지식 밀도가 높고 문서 기반이 어느 정도 있으며 질문의 반복성이 높습니다. 설비 수리 지원, SOP 조회, 품질 기준 참조, 신입 온보딩 지원은 요구가 명확하고 지식 출처가 비교적 고정되어 있어 성과가 빨리 나옵니다. 라인 택트가 안정적이고 입고 자재가 일관된 공정에서는 질의응답의 처리 조언도 표준화하기 쉽습니다.
부적합한 경우도 분명히 밝혀야 합니다. 지식이 여전히 대부분 숙련자의 머릿속에 있고 텍스트 기반이 없는 공장에서는 시스템을 배치하는 것보다 지식을 축적하는 것이 더 현실적입니다. 안전 인터록, 고전압 작업, 화재 비상 대응처럼 위험이 큰 결정에서 질의응답 시스템은 보조 참조 역할만 할 수 있으며, 자격을 갖춘 인력의 현장 판단과 확립된 절차를 대체할 수 없습니다. 강한 실시간 시나리오도 맞지 않습니다. 밀리초 응답이 필요한 모션 제어는 엣지 컨트롤러와 PLC의 일이며, 질의응답 시스템이 손댈 영역이 아닙니다.
또한 공정 파라미터 질문은 주의가 필요합니다. 문서 출처가 있더라도 모델이 생성한 답변을 설비에 직접 보내서는 안 되며 공정 엔지니어의 확인을 거쳐야 합니다. 질의응답 시스템을 의사결정의 대체물이 아니라 정보 탐색의 가속기로 위치시키면, 이 경계가 명확해질 때 구현이 훨씬 순조로워집니다.
ERP 시대부터 수십 년간 현장에서 일해 온 경영 소프트웨어 벤더들, 즉 120만 고객에게 서비스하고 국내외 시장에 수천만 단말을 배치한 벤더들도 지난 2년간 질의응답 역량을 제조 실행과 설비 관리 모듈에 내장해 왔으며, 접근 방식은 기본적으로 일관됩니다. 데이터 기반이 먼저이고 지능형 질의응답이 그다음입니다. 시스템을 선택하는 공장은 같은 순서로 역산할 수 있습니다. 먼저 자사의 지식 자산이 목록화되었는지, 그다음 시스템이 기존 데이터에 연결될 수 있는지, 마지막으로 모델 역량을 비교하면 됩니다.