지식 센터
목차

AI Agent 기억 메커니즘 설계

AI Agent의 기억 메커니즘 설계는 그것이 일회성 질의응답 도구인지, 사용할수록 비즈니스를 더 잘 이해하는 디지털 워커인지를 결정합니다. 스마트 제조에서 기억이 없는 Agent는 단일 지점 질문만 처리할 수 있지만, 계층화된 기억을 갖춘 Agent는 교대조, 작업 지시, 설비를 넘어 경험을 축적하고 진정한 생산 흐름의 일부가 될 수 있습니다. 이것은 또한 지난 2년간 산업 AI가 대형 모델 연결에서 Agent 배포로 이동하면서 가장 많이 논의된 기술적 분수령입니다.

I. 핵심 개념과 정의

AI Agent의 기억 메커니즘은 Agent가 운영 중 정보를 인코딩, 저장, 검색, 망각하는 전체 설계입니다. 대형 모델 자체의 파라미터 기억과 다르며, 외부에 있고 읽고 쓸 수 있는 맥락 관리 시스템입니다. 대개 세 가지로 나뉩니다. 단기 기억은 단일 세션 또는 단일 작업 지시의 맥락 창에 해당하고, 장기 기억은 세션을 넘어 지속되는 벡터 데이터베이스나 지식 그래프에 해당하며, 절차적 기억은 고형화된 운영 흐름, 규칙, 도구 호출 템플릿에 해당합니다.

산업 시나리오에서 기억 메커니즘은 한 계층이 더 필요하며, 이를 운전 조건 기억이라고 부를 수 있습니다. 예를 들어 실장기는 자재 교체 후 첫 30분 동안 부품 불량이 나기 쉬운데, 설비 상태와 시간과 배치에 긴밀히 결합된 이 경험은 다음 스케줄링이나 검사가 활용할 수 있도록 구조화된 형태로 저장되어야 합니다. ZEVON은 15개 이상 산업, 120개 이상 고객을 지원하면서 제조업체가 실제로 필요로 하는 것이 대화할 수 있는 AI가 아니라 공정 파라미터를 기억하고 각 기계의 특성을 기억하는 Agent임을 발견했습니다.

II. 기술 원리와 핵심 역량

기억 메커니즘의 핵심 역량은 쓰기, 색인, 회상, 망각의 네 단계로 나눌 수 있습니다.

쓰기 단계에서 Agent는 대화, 센서 판독값, MES 작업 지시, 수리 기록 같은 다원 정보를 통일된 표현으로 변환합니다. 일반적인 방법은 임베딩 모델로 벡터를 생성하면서 타임스탬프, 설비 번호, 라인 번호 같은 메타데이터를 유지하는 것입니다.

색인 단계는 어떻게 찾을 것인가의 문제를 해결합니다. 순수 벡터 검색은 산업 용어에서 부정확하기 쉽습니다. 예를 들어 피더와 자재 공급기는 같은 의미이지만 벡터 거리가 클 수 있습니다. 그래서 성숙한 솔루션은 벡터, 키워드, 지식 그래프 관계를 결합한 하이브리드 색인을 사용합니다. ZEVON은 MES와 AI 실천에서 공정 BOM, 설비 대장, 과거 경보 기록을 그래프 노드로 만들어 회상이 먼저 그래프 관계를 거치고 다음으로 벡터 유사도를 사용하게 하여 정확도를 눈에 띄게 높입니다.

일러스트

회상 단계는 얼마나 기억할 것인가의 문제를 해결합니다. 모든 이력을 맥락에 넣는 것은 비용도 크고 느립니다. 일반적인 전략은 계층적 회상입니다. 먼저 시간 감쇠로 점수를 매기고, 비즈니스 관련성으로 필터링하고, 요약으로 압축합니다. 전자 공장의 가상 시나리오에서 Agent가 어젯밤 리플로우 온도가 이상했는지 답할 때는 그 설비의 지난 8시간 데이터와 동일 제품의 최근 오븐 프로파일만 회상하면 되고, 한 달치 기록 전체가 필요하지 않습니다.

망각 단계는 가장 쉽게 간과되는 부분입니다. 산업 데이터는 시간 민감성이 강해 6개월 전 스케줄링 로직이 교체 때문에 이미 무효일 수 있습니다. 설계는 TTL 만료, 중요도 감쇠, 수동 삭제 표시를 지원해야 합니다. 망각 메커니즘이 없는 Agent는 사용할수록 더 완고해져 낡은 경험을 진리로 취급합니다.

III. 제조업 적용 시나리오

다이캐스팅 머신의 금형 교체가 잦고 교체 후 초물 검사가 자주 실패하는 자동차 부품 회사가 있다고 합시다. Agent에 기억 메커니즘이 있으면 첫 금형 교체 시 금형 번호, 사출 속도, 금형 온도, 보압 시간과 초물 결과의 관계를 기록할 수 있습니다. 같은 금형을 두 번째 사용할 때 Agent는 이 금형이 지난번 금형 온도 185도에서 초물 검사를 통과했다고 능동적으로 제안하고, 그 범위로 예열한 뒤 시도하도록 권고합니다. 이것은 베테랑의 경험을 재사용 가능한 기억으로 바꾸는 일입니다.

SMT 라인에서 자재 교체가 잦은 전자 공장을 예로 들어 보겠습니다. Agent는 자재 릴마다 품번, 배치, 피더 슬롯, 불량률을 기억할 수 있습니다. 특정 릴의 불량률이 두 교대조 연속 높으면 Agent는 다음 장입 전에 이 자재 배치가 피더 2번에서 역사적으로 불량 임계값을 초과했다고 알리고 슬롯 변경이나 사전 교정을 제안합니다. 이 기억은 단순 경보가 아니라 교대조를 넘어 축적된 통계적 기억입니다.

세 번째 시나리오는 설비 수리입니다. 유온 경보가 반복되는 사출 성형 회사가 있다고 합시다. Agent는 매 경보 전의 유압 곡선, 냉각수 유량, 생산 중이던 제품 모델을 기억할 수 있습니다. 세 번째 경보에서는 유온이 높다는 보고에 그치지 않고, 같은 모델의 이전 두 사례에서 냉각수 유량이 임계값 아래로 떨어진 15분 후 유온 경보가 발생했다는 점을 지적하며 냉각수 회로를 먼저 점검하도록 제안합니다. ZEVON은 산업 AI Agent 설계에서 이런 수리 기억을 ESOP(Electronic Standard Operating Procedure)와 연결하여, 수리 작업 지시가 종결될 때 유효한 처리 단계가 지식 베이스에 자동으로 기록되고 다음에 유사 문제가 발생하면 바로 푸시되게 합니다.

IV. 선정과 구현 제안

첫째, 기억의 경계를 정의하십시오. 모든 데이터가 기억될 가치는 없습니다. 최소 기억 단위를 설비, 제품, 공정 파라미터, 결과의 사중항으로 정의해 잡담과 무관한 로그 저장을 피하십시오.

일러스트

둘째, 단기 기억과 절차적 기억을 먼저 구축하십시오. 장기 벡터 저장소 구축은 비용이 크므로 단일 교대조나 단일 작업 지시의 맥락 관리부터 시작해 Agent가 현재 작업을 먼저 기억하게 하십시오. 절차적 기억은 도구 호출 템플릿으로 고형화할 수 있습니다. 예를 들어 항상 하나의 고정 API로 작업 지시 상태를 조회하고 매번 추론하지 않게 하는 것입니다.

셋째, 망각 정책은 구성 가능해야 합니다. 기억 유형별로 기본 TTL을 부여하십시오. 예를 들어 경보 기록은 90일, 공정 파라미터는 1년, 수동 표시한 중요 경험은 영구 보관입니다. 또한 공정 엔지니어가 특정 경험을 기억하거나 잊도록 수동으로 가르칠 수 있게 하십시오.

넷째, 기억을 기존 시스템과 분리하십시오. 기억 계층은 MES, SCADA와 독립적으로 두고 표준 인터페이스로 읽고 쓰는 것이 가장 좋습니다. 그래야 모델이나 MES를 교체할 때 기억 자산을 잃지 않습니다. ZEVON의 MES와 AI 아키텍처에서 기억 계층은 독립 서비스이며, 3,200개 이상 단말의 피드백은 분리가 긴밀 결합 설계보다 Agent 반복을 눈에 띄게 빠르게 한다는 것을 보여줍니다.

다섯째, 작은 시나리오에서 검증하십시오. 시작부터 공장 전체 기억을 구축하지 마십시오. 하나의 라인, 하나의 설비 유형, 하나의 교대조를 파일럿으로 골라 회상이 정확한지, 망각이 합리적인지, 응답 시간이 수용 가능한지 관찰하십시오. 작동하면 수평으로 복제하십시오.

V. 전망

첫째 방향은 여러 Agent 간 기억 공유입니다. 앞으로 라인의 스케줄링 Agent, 품질 Agent, 수리 Agent가 하나의 기억 풀을 공유하되 읽기와 쓰기 권한은 다르게 갖습니다. 스케줄링 Agent가 기록한 교체 기록을 수리 Agent가 읽을 수는 있지만 수정할 수는 없습니다. 이를 위해 기억 메커니즘은 세분화된 권한과 버전 관리를 지원해야 합니다.

둘째 방향은 기억과 시뮬레이션의 결합입니다. Agent가 기억한 공정 파라미터를 디지털 트윈에 바로 제공해 검증하고, 검증된 것만 장기 기억에 기록할 수 있습니다. 그러면 기억은 정적인 로그가 아니라 시뮬레이션으로 걸러진 신뢰할 수 있는 경험이 됩니다.

셋째 방향은 엣지의 경량 기억입니다. 많은 공장이 모든 데이터를 클라우드에 두기를 원하지 않으므로 엣지 박스가 로컬 벡터 검색과 요약 압축을 지원해야 합니다. 이는 압축률과 검색 속도에 더 높은 요구를 제기하며, ZEVON이 산업 AI Agent에 지속적으로 투자하는 우선순위 중 하나입니다.

종합하면, AI Agent의 기억 메커니즘 설계는 본질적으로 무엇을 기억하고 얼마나 보관하며 어떻게 사용할지의 균형입니다. 제조 시나리오는 특히 설명 가능성, 개입 가능성, 망각 가능성을 중시합니다. 기억 계층을 견고하게 구축하는 쪽이 Agent를 데모에서 생산 라인으로 진정으로 옮기는 쪽입니다.

주제: AI 및 AI 에이전트 백과