지식 센터
목차

제조 실행 Agent의 작업 지시 스케줄링 방식

제조 실행 Agent는 작업 지시 스케줄링에 대한 새로운 해답이 되고 있으며, 기존 MES의 수동 스케줄링과 경험 기반 배차를 실시간으로 인지하고 자율적으로 결정하며 동적으로 조정하는 에이전트 스케줄링으로 업그레이드한다. 지난 2년 동안 산업 AI가 개념에서 현장으로 이동하면서 점점 더 많은 제조 기업이 작업 지시를 정말 에이전트에 맡길 수 있는지 묻고 있다.

1. 핵심 개념과 정의

제조 실행 Agent는 제조 실행 계층에 배포되어 자율 인지와 의사결정 능력을 갖춘 AI 에이전트다. 기존 MES와 가장 큰 차이는 이것이다. MES는 기록 시스템이고 에이전트는 결정 시스템이다. 기존 MES는 작업 지시 A가 3호 라인에 투입되었다고 알려주지만, 제조 실행 Agent는 작업 지시 A를 3호 라인에서 5호 라인으로 옮겨야 한다고 알려준다. 3호 라인의 마운터가 18분 후 자재 교체 예정인데 작업 지시 A는 납기까지 4시간밖에 남지 않았기 때문이다.

작업 지시 스케줄링은 고객 주문이 실행 가능한 작업 지시로 분해된 후 각 작업 지시를 언제, 어느 기계에서, 어느 자재 배치로, 어떤 순서로 생산할지 결정하는 것이다. 이산 제조에서 이는 매우 복잡하며 설비 상태, 작업자 숙련도, 자재 키팅, 납기 우선순위, 전환 비용 같은 제약을 포함한다. 전통적으로 계획 담당자는 Excel이나 APS 시스템에서 계획을 실행하지만 계획이 변화를 따라가지 못하는 경우가 많다. 제조 실행 Agent의 가치는 스케줄링을 일회성 계획에서 연속 적응으로 바꾸는 데 있다.

2. 기술 원리와 핵심 역량

제조 실행 Agent는 세 계층의 역량으로 작업 지시를 스케줄링한다.

일러스트

첫째 계층은 실시간 인지다. 에이전트는 설비 인터페이스, 바코드 스캐너, RFID, PLC를 통해 라인 상태를 수집하여 각 기계가 무엇을 하는지, 남은 작업 시간이 얼마인지, 다음 자재 배치가 언제 도착하는지 안다. 이 인지 계층이 없으면 스케줄링은 장님이다.

둘째 계층은 제약 해결과 강화 학습이다. 에이전트에는 스케줄링 엔진이 내장되어 납기일, 전환 시간, 설비 생산능력, 인력 교대를 제약으로 다루고 강화 학습을 통해 스케줄링 전략을 계속 최적화한다. 예를 들어 가상의 전자 공장 시나리오에서 SMT 전환에 40분이 걸린다면 에이전트는 같은 공정의 작업 지시를 능동적으로 묶어 전환 횟수를 줄인다.

셋째 계층은 동적 재스케줄링이다. 긴급 주문이 도착하거나 설비가 고장 나거나 자재가 지연되면 에이전트는 누군가 계획을 수정하기를 기다리지 않고 영향을 받는 범위를 자동 평가하여 몇 초 안에 새 작업 지시 순서를 만들고 작업장 단말로 전달한다. ZEVON이 MES+AI 방향에서 구축한 실시간 데이터 기반은 바로 이 계층에 필요한 작업 지시, 설비, 자재의 통합 데이터 뷰를 제공하여 에이전트 결정에 견실한 근거를 마련한다.

또한 에이전트는 설명 가능하다. 결과만 제시하는 것이 아니라 왜 이렇게 스케줄링했는지 설명한다. 예를 들어 작업 지시 B는 고객이 A급 고객이고 자재가 완전히 키팅되었기 때문에 앞당겼으며 작업 지시 C의 자재는 2시간 후에야 도착한다는 것이다. 이 설명 능력이 현장 관리자가 기꺼이 사용하고 확신을 갖게 만든다.

3. 제조업 적용 시나리오

어느 전자 공장의 공정에 SMT 라인이 여덟 개 있고 하루 200건 이상의 작업 지시를 처리하며 납기일이 24시간에서 7일까지 다양하다고 가정하자. 전통적으로 계획 담당자는 매일 아침 2시간을 스케줄링에 쓰고 오후에 1시간을 긴급 주문 처리에 쓴다. 제조 실행 Agent가 맡으면 스케줄링 시간이 몇 분으로 압축되고 긴급 주문 대응이 몇 시간에서 몇 초로 줄어든다. 에이전트는 어떤 작업 지시를 병합할 수 있고 어떤 것을 우선해야 하는지 자동 식별하며 전환 횟수가 눈에 띄게 감소한다.

일러스트

어느 자동차 부품 기업의 공정에 사출기가 서른 대 있고 금형 교체 시간이 1~2시간이라고 가정하자. 에이전트는 금형 수명, 기계 온도, 자재 건조 시간에 따라 같은 금형을 사용하는 작업 지시를 묶어 스케줄링하면서 정비 시간대를 피한다. 기계가 갑자기 경보하면 에이전트는 후속 작업 지시를 즉시 예비 기계로 옮기고 자재 담당자에게 납품 순서를 조정하도록 알린다.

어느 설비 제조 기업의 조립 공정이 이산 작업이고 작업 지시가 각기 다른 수율을 가진 여러 공정을 거친다고 가정하자. 에이전트는 작업 지시 흐름을 동적으로 조정하여 수율이 높은 공정을 긴급 주문에 먼저 배정하고 재작업 작업 지시를 부하가 낮은 시간대에 삽입한다. ZEVON은 15개 이상 산업에서 120개 이상 고객을 서비스하며 이산 제조와 프로세스 제조 모두에서 작업 지시 스케줄링 업무 규칙을 축적해 왔고, 이를 에이전트에 패키징하면 처음부터 학습하는 것보다 구축이 훨씬 빠르다.

4. 선정과 구축 제안

첫째, 데이터 기반을 볼 것. 제조 실행 Agent는 작업 지시, 설비, 자재, 인력 데이터가 온라인이고 정확할 때만 작업 지시를 스케줄링할 수 있다. 현장이 아직 종이 배차표를 쓴다면 먼저 MES나 ESOP를 도입해 데이터를 흐르게 하는 것이 좋다. ZEVON의 ESOP 시스템은 작업장 계층에서 폭넓은 구축 실무를 갖고 있으며 3,200개 이상 단말이 사용 중이어서 에이전트에 실제 실행 피드백 데이터를 제공한다.

둘째, 단일 시나리오에서 시작할 것. 처음부터 공장 전체 스케줄링을 시도하지 말고 하나의 공정, 한 부류의 작업 지시, 하나의 병목 공정을 시범으로 고른다. 예를 들어 에이전트가 먼저 SMT 전환을 스케줄링하게 하고 결과가 입증되면 전체 공정으로 확장한다.

셋째, 사람의 대체 경로를 남길 것. 에이전트가 아무리 똑똑해도 자재 배치 품질 문제나 갑작스러운 설비 고장 같은 예외를 만난다. 계획 담당자가 한 번의 클릭으로 인계할 수 있는 수동 개입 진입점을 마련하고 수동 조정을 에이전트에 피드백하여 학습하게 한다.

일러스트

넷째, 설명 가능성과 통합 가능성에 주의할 것. 선정 시 에이전트가 스케줄링 근거를 설명할 수 있는지, 기존 MES, ERP, WMS에 연결할 수 있는지 명확히 물어야 한다. 산업 AI와 MES+AI에서 ZEVON의 역량은 별도 시스템을 만드는 것이 아니라 에이전트 스케줄링을 기존 제조 실행 시스템과 통합하는 데 초점을 둔다.

5. 전망

첫 번째 방향은 다중 에이전트 협업이다. 미래에는 하나의 큰 에이전트가 모든 작업 지시를 스케줄링하는 것이 아니라 스케줄링 Agent, 설비 Agent, 자재 Agent, 품질 Agent가 각각 한 구간을 담당하며 서로 협상할 것이다. 예를 들어 스케줄링 Agent가 작업 지시를 특정 기계에 배치하려 하면 설비 Agent가 2시간 후 정비가 필요하다고 보고하고 둘이 자동으로 새 계획에 도달한다.

두 번째 방향은 에이전트와 디지털 트윈의 결합이다. 스케줄링 계획을 가상 공정에서 먼저 실행하여 납기일, 생산능력, 전환 횟수를 검증한 후 실제 공정에 배포한다. 이는 시행착오 비용을 낮추고 스케줄링을 더 안정적으로 만든다.

세 번째 방향은 에이전트의 산업 지식 학습이다. 작업 지시 스케줄링 규칙은 산업마다 크게 다르다. 전자 공장은 전환 시간을, 자동차 부품 공장은 금형 수명을, 설비 공장은 공정 수율을 중시한다. 미래의 에이전트는 산업 데이터로 계속 미세 조정하여 산업별 스케줄링 전략을 형성할 것이다. ZEVON이 15개 이상 산업과 120개 이상 고객에서 축적한 비즈니스 이해는 바로 이러한 산업 에이전트를 훈련하는 희소한 자산이다.

제조 실행 Agent가 작업 지시를 스케줄링하는 것은 계획 담당자를 대체하는 것이 아니라 반복 계산에서 해방시켜 예외 처리와 규칙 최적화에 집중하게 하는 것이다. 스마트 제조를 추구하는 공장에게 이는 우선적으로 고려할 만한 구축 진입점이다.

주제: AI 및 AI 에이전트 백과