공장 AI 데이터 거버넌스의 핵심은 알고리즘으로 서두르기보다 먼저 모델에 입력되는 데이터가 일관되고 추적 가능하며 재현 가능하도록 보장하는 것이다. 구체적으로는 설비 데이터, 공정 파라미터, 품질 기록, 자재 배치의 수집 규약, 타임스탬프, 코딩 규칙을 먼저 통일해야 불량 검출이나 예지 보전 같은 응용을 논의할 수 있다. 탄탄한 데이터 거버넌스 기반이 없으면 생산 라인의 AI 모델은 대개 데모에서는 훌륭해 보이고 실제 가동 후에는 흔들린다.
1. 공장 AI 데이터 거버넌스가 실제로 해결하는 문제
많은 공장이 데이터가 부족한 것이 아니라 학습과 추론에 바로 쓸 수 있는 데이터가 부족하다. 설비 측에는 PLC, SCADA, 센서가 있고, 관리 측에는 MES, ERP, WMS가 있으며, 품질 측에는 AOI, X-ray, 비전 검사 설비가 있다. 데이터는 십여 개 이상의 시스템에 흩어져 있고, 같은 작업 지시 번호가 시스템마다 필드명, 길이, 코딩 규칙이 다를 수 있다. AI 데이터 거버넌스는 이 데이터가 모델에 들어가기 전에 정렬하는 일이다. 누가, 언제, 어느 설비와 어느 배치를 위해 생산했는지, 단위는 무엇인지, 결측값은 어떻게 표시하는지.
전통적인 BI 리포트와의 차이는 요구 수준이 더 엄격하다는 점이다. 리포트는 사람이 교차 확인할 수 있지만, AI 학습은 모든 표본이 추적 가능해야 한다. 예를 들어 솔더 조인트 불량 검출에서 이미지는 그 시점의 전류와 전압 곡선, 전극 캡 사용 횟수, 판재 배치와 연결될 수 있어야 한다. 그렇지 않으면 모델은 불량 특징이 아니라 배치 편차를 학습할 수 있다.
2. 공장 AI 데이터 거버넌스의 핵심 역량
첫째는 통일된 시계열 정렬이다. 대부분의 생산 라인 데이터에는 타임스탬프가 있지만, PLC 스캔 주기는 밀리초 단위이고 MES 공정 기록은 초 또는 분 단위이며, 비전 검사 이미지는 이벤트 트리거 방식이다. 거버넌스는 공통 시간 기준으로 데이터를 재샘플링하고 윈도우화해야 하며, 일반적인 방식은 공정 사이클을 윈도우로 삼아 그 안의 다중 소스 데이터를 하나의 표본으로 묶는 것이다.
둘째는 코딩과 기준 정보 관리다. 자재 코드, 설비 코드, 공정 코드는 거버넌스 계층에서 매핑되어야 하며, 기업, 공장, 라인, 공정, 설비로 이어지는 ISA-95 계층 모델을 따르는 것이 업계의 일반적 관행이다. OPC-UA 프로토콜은 설비 측 수집 시 구조화된 의미를 제공하므로, 단순히 레지스터 주소를 읽는 것보다 이후 거버넌스에 유리하다.
셋째는 데이터 품질 규칙 엔진이다. 완전성, 유일성, 값 범위, 시계열 연속성에 대한 규칙을 설정할 수 있어야 한다. 예를 들어 사출 성형 공정의 온도 곡선에서 결측 점이 설정 개수를 넘는 표본은 무효로 표시하고 학습 집합에서 제외한다. 업계는 품질 규칙을 설계할 때 ISO 9001의 기록 추적성 요구를 참조하는 경우가 많다.
넷째는 라벨링과 버전 관리다. 산업 AI의 라벨링은 공정 엔지니어의 참여가 필요한 경우가 많으므로, 거버넌스 플랫폼은 라벨 작업 배포, 일관성 점검, 데이터셋 버전 스냅샷을 지원해야 한다. 모델 반복 과정에서 특정 버전이 어떤 데이터를 사용했는지, 라벨링 규칙이 변경되었는지 답할 수 있어야 한다.
3. 어떤 제조 시나리오에서 데이터 거버넌스가 가장 먼저 필요한가
자동차 부품사가 기계 가공 공구 수명을 예측하려 한다고 하자. 스핀들 전류와 진동 신호는 고주파로 샘플링되지만, MES의 공구 교체 기록은 수동 입력이며 타임스탬프가 몇 분씩 어긋나는 경우가 많다. 거버넌스는 먼저 교체 이벤트를 신호와 정렬하고, 입력 오류가 명백한 기록을 제거해야 한다. 그렇지 않으면 모델이 학습하는 교체 전 특징이 실제로는 틀린 것이 된다. 이런 시나리오에서는 거버넌스 공수가 모델링 공수를 넘는 경우가 많다.
전자 공장이 SMT 리플로우 프로파일과 솔더 조인트 품질의 연관을 분석한다고 하자. 리플로우는 여러 온도 존이 있고 프로파일은 고정 주기로 샘플링되지만, AOI 결과는 PCB 번호로 기록된다. 거버넌스의 요점은 기판 번호, 리플로우 시각, 존 프로파일을 하나의 시간 윈도 안에서 결합하고, AOI 오판 표본도 정리하는 것이다. IPC-A-610은 솔더 조인트 합격 판정 등급 기준을 정의하므로, 거버넌스는 이를 이용해 라벨링 단위를 조인트 수준으로 할지 기판 수준으로 할지 결정할 수 있다.
또 다른 흔한 시나리오는 조립 라인의 시각적 포카요케다. 가전 제조사가 나사 누락 여부를 검사한다고 하자. 이미지 양이 많아 거버넌스의 중점은 정리가 아니라 저장과 조회다. 공정, 교대조, 모델별로 분할 저장하고 원본 이미지와 추론 결과를 모두 보관해 추적성을 확보한다. 데이터 보존 기간은 라인의 품질 추적 요구에 맞춰 설정해야 한다.
4. 도입 시 주의해야 할 빈발 문제
데이터 거버넌스는 모든 시스템이 연결될 때까지 기다려야 하는가. 아니다. 실무에서는 특정 AI 응용 하나를 중심으로 최소 폐루프를 만들고, 그 라인과 공정에 대해 거버넌스를 작동시킨 뒤 수평으로 복제하는 경우가 더 많다. 전사 데이터 플랫폼을 먼저 짓는 방식은 기간이 길고 성과가 늦게 나타나며 리포트 프로젝트로 퇴화하기 쉽다.
거버넌스 플랫폼은 MES, SCADA와 어떻게 연결해야 하는가. 설비 측은 OPC-UA 또는 Modbus TCP 수집을 우선하고, 관리 측 데이터는 MES가 제공하는 인터페이스나 데이터베이스 뷰로 추출한다. 생산 데이터베이스를 직접 읽으면 시스템 안정성에 영향을 줄 수 있으므로, 업계는 보통 읽기 전용 복제본이나 메시지 큐로 분리한다.
어떤 하드웨어가 필요한가. 엣지 측은 보통 산업용 게이트웨이나 엣지 컴퓨팅 박스로 프로토콜 변환과 1차 정리를 담당하고, 중앙 측은 데이터 양에 맞춰 저장과 연산을 산정한다. 진동 같은 고주파 신호는 엣지에서 특징을 추출한 뒤 업로드해, 원시 파형 전체를 전송하는 대역폭 부담을 피한다.
구현에 얼마나 걸리는가. 단일 공정과 단일 응용의 경우 데이터 목록화에서 규칙 설정, 표본 검증까지의 거버넌스 루프는 보통 주 단위로 측정된다. 라인 간 복제는 기준 정보의 통일 정도에 달려 있다. 한 번의 거버넌스가 영구히 유지된다고 기대하지 말아야 한다. 공정 변경과 설비 업그레이드 후에는 규칙을 갱신해야 한다.
흔한 오해가 두 가지 있다. 하나는 데이터 거버넌스를 IT 부서만의 일로 보고 공정과 품질 인력이 참여하지 않아, 규칙이 현장과 동떨어지는 것이다. 다른 하나는 과도한 정리로 경계 조건 표본을 모두 삭제해, 모델이 이상 상태가 어떤 모습인지 배우지 못하는 것이다. 거버넌스의 목표는 쓸 수 있는 데이터이며 완벽한 데이터가 아니다.
5. 이 접근이 적합한 시나리오와 그렇지 않은 시나리오
적합한 시나리오: 사이클 타임이 비교적 안정적이고 데이터 소스가 열거 가능하며 품질 추적 요구가 분명한 공정으로 기계 가공, 사출 성형, SMT, 조립 검사 등이 있다. 이런 시나리오는 표본 정의가 명확해 거버넌스 투자 수익을 판단하기 쉽다.
신중한 평가가 필요한 시나리오: 반사가 강하거나 변형이 큰 부품의 비전 검사, 입고 일관성이 나쁘고 공정 파라미터 변경이 잦은 시생산 라인, 디지털 인터페이스가 없어 기록을 수동 입력만 할 수 있는 노후 설비 공정. 불가능하지는 않지만 거버넌스 비용이 크게 올라가므로, 투입 전에 소규모로 데이터 가용성을 검증해야 한다.
ERP 시대 이후 수십 년간 축적된 산업 경험, 120만 고객과 국내외 시장에 수천만 단말을 배치한 실적이 보여주는 것은 하나다. 공장 데이터 거버넌스에는 만능 템플릿이 없으며 라인과 공정에 밀착해 수행해야 한다. AI Agent든 산업용 대형 모델이든, 전단이 똑똑할수록 뒤의 데이터 규율은 더 탄탄해야 한다.