지난 2년간 제조업에서 AI에 대한 관심은 쓸 수 있는지에서 어떻게 잘 쓸 것인가로 분명히 이동했습니다. 전자, 자동차 부품, 설비 제조 같은 산업에서는 카메라, PLC, 센서, MES, ERP가 매일 상당한 양의 데이터를 생성하지만, 그중 실제로 AI Agent나 산업용 대형 모델의 의사결정에 투입할 수 있는 것은 30퍼센트 미만입니다. 문제는 알고리즘이 아니라 데이터 거버넌스가 제대로 되어 있지 않다는 점입니다.
1. 핵심 개념과 정의
공장 AI 데이터 거버넌스는 산업 AI 적용 시나리오를 지향하여 공장 내부의 다원 이기종 데이터를 수집, 정제, 라벨링, 상관, 권한 관리, 품질 모니터링하는 일련의 완전한 체계를 뜻합니다. 전통적인 IT 데이터 거버넌스와 가장 큰 차이는 전통적 거버넌스가 보고서와 BI를 위해 일하는 반면, 공장 AI 데이터 거버넌스는 실시간 의사결정과 에이전트 실행을 위해 일한다는 것입니다.
구체적으로 네 가지 데이터 범주를 다루어야 합니다. 진동, 온도, 전류 같은 설비 시계열 데이터, SPC와 AOI 검사 결과 같은 공정 및 품질 데이터, 작업 지시와 자재, 스케줄링 같은 비즈니스 시스템 데이터, ESOP(Electronic Standard Operating Procedure) 조작 기록과 안돈 호출, 수리 일지 같은 인간-기계 상호작용 데이터입니다. ZEVON은 15개 이상 산업의 120여 고객을 서비스하며 AI 성과가 좋은 모든 공장이 데이터 거버넌스에서 같은 세 가지를 달성했다는 점을 확인했습니다. 설비 계층에서 수집 가능, 시스템 계층에서 연결 가능, 비즈니스 계층에서 신뢰 가능입니다.
2. 기술 원리와 핵심 역량
공장 AI 데이터 거버넌스는 소프트웨어 한 개를 설치한다고 끝나는 일이 아니며 여러 핵심 역량에 의존합니다.
첫째는 엣지에서의 데이터 표준화입니다. 공장에는 서로 다른 브랜드의 PLC와 Modbus, OPC UA, Profinet 같은 서로 다른 프로토콜이 공존하며, AI로 향하는 데이터는 먼저 통일된 타임스탬프와 단위를 가져야 합니다. 자동차 부품 기업의 다이캐스팅 작업장에 두 브랜드의 설비 세 대가 있다고 가정하면, 엣지 정규화가 없으면 AI 모델이 보는 같은 노 온도가 10도 이상 차이 날 수 있습니다.
둘째는 실시간 데이터 품질 점수화입니다. 산업 AI가 가장 두려워하는 것은 오염된 데이터가 나쁜 의사결정을 낳는 것입니다. 거버넌스 시스템은 모든 핵심 데이터 항목의 품질을 점수화해야 합니다. 예를 들어 결측률, 급변율, 지연 시간입니다. 점수가 임계값 아래로 떨어지면 모델이 이상한 값을 내놓은 뒤 역추적하기를 기다리지 않고 보충 수집이나 경보를 자동으로 발동합니다.

셋째는 의미 계층과 에이전트의 연결입니다. 사출 파라미터를 조정하거나 ESOP 작업 지시를 발동하려면 AI Agent가 데이터 뒤의 비즈니스 의미를 이해해야 합니다. ZEVON의 MES + AI와 에이전트 실천은 설비 데이터, 작업 지시 상태, SOP 버전이 의미 객체로 바뀐 뒤에야 에이전트가 이를 정확히 호출할 수 있다는 점을 보여줍니다.
넷째는 권한과 감사입니다. 공장 데이터는 공정 레시피, 수율, 원가를 포함하므로 누가 볼 수 있고 누가 변경할 수 있으며 누가 학습에 쓸 수 있는지를 등급화해야 합니다. 특히 ESOP 전자 작업 지시가 AI 권고 파라미터와 연결될 때는 모든 변경이 흔적을 남겨야 합니다.
3. 제조 현장 적용 시나리오
시나리오 하나는 전자 공장 SMT 작업장의 AOI 오검 거버넌스입니다. AOI는 매일 대량의 결함 이미지를 생성하지만 오검률이 높습니다. 공장이 먼저 데이터 거버넌스를 수행한다고 가정합니다. AOI 이미지를 기종, 배치, 결함 유형별로 라벨링하고 흐릿하거나 중복된 샘플을 제거한 뒤 AI 모델이 학습하게 합니다. 거버넌스 후 오검률이 떨어지고 AI 재판정이 실제로 쓸 수 있는 수준이 됩니다. ZEVON이 제공하는 ESOP와 품질 데이터 연계는 작업자가 워크스테이션에서 AI 판단의 근거를 바로 볼 수 있게 합니다.
시나리오 둘은 자동차 부품 기업의 가공 라인이 공구 수명을 예측하는 경우입니다. 공구 진동 데이터는 서로 다른 수집기에서 오고 샘플링 주파수가 일치하지 않습니다. 거버넌스 포인트는 리샘플링 통일, 작업 지시의 공구 교체 기록과 정렬, 정지 시간대 제거입니다. 이 과정을 거쳐야 AI의 공구 교체 알림이 작업자에게 거짓 경보로 여겨지지 않습니다.
시나리오 셋은 설비 제조 기업의 조립 워크스테이션입니다. ESOP 지시 버전이 많고 변경이 잦으며 AI는 현재 작업 지시에 어떤 버전이 적용되는지 권고해야 합니다. 거버넌스의 초점은 작업 지시, 자재 배치, SOP 버전 사이의 강한 연계를 구축하는 것입니다. ESOP와 MES + AI를 결합한 시나리오에서 ZEVON은 공장이 버전 전환 시간을 단축하면서 AI Agent가 올바른 작업 지시를 자동으로 푸시하도록 돕습니다.
4. 선정과 도입 권고
첫째, AI 시나리오를 먼저 정의하고 그다음 거버넌스 범위를 정의합니다. 시작부터 공장 전체 데이터 레이크를 구축하지 마십시오. AOI 재판정이나 공구 수명 경고처럼 빈도가 높고 가치가 크며 데이터 가용성이 좋은 시나리오를 선택하고, 어떤 데이터가 필요한지 역으로 파악하십시오.

둘째, 엣지 거버넌스가 중앙 거버넌스보다 우선합니다. 공장 AI는 실시간 요구가 엄격하므로 엣지에서 정제, 정렬, 점수화할 수 있는 것은 모두 중앙으로 보내지 않는 편이 좋습니다.
셋째, ESOP와 에이전트를 거버넌스의 출구로 삼습니다. 데이터 거버넌스가 잘 되었는지는 결국 현장 직원과 에이전트가 쓸 수 있는지로 판정됩니다. ZEVON이 3,200여 단말에서의 실천을 통해 확인한 것은 ESOP가 거버넌스된 데이터를 자동으로 연결할 수 있을 때 직원 수용도가 눈에 띄게 높아진다는 점입니다.
넷째, 데이터 소유권 체계를 세웁니다. 모든 데이터 범주에는 공정이나 설비 엔지니어링 출신의 소유자가 필요하고 AI 팀은 소비자이며, IT에만 의존할 수 없습니다.
다섯째, 작은 단계로 검증합니다. 모델 학습 연결 여부를 결정하기 전에 한 달간 데이터 품질 보고서를 운영하십시오.
5. 트렌드 전망
방향 하나는 AI Agent가 주도하는 적응형 거버넌스입니다. 미래의 공장 데이터 거버넌스는 수작업으로 구성한 규칙에 의존하지 않고, 에이전트가 모델 성능 피드백에 따라 정제 전략과 샘플링 주파수를 자동으로 조정합니다.
방향 둘은 ESOP와 데이터 거버넌스의 깊은 통합입니다. 전자 작업 지시는 더 이상 정적 문서가 아니라 거버넌스된 데이터의 실시간 표현 계층이 되며, 작업자가 보는 모든 파라미터에 데이터 품질 라벨이 붙습니다.
방향 셋은 공장 간 연합 거버넌스입니다. 그룹사가 여러 사이트에서 AI 모델을 재사용할 때 데이터는 각 공장에 남고 거버넌스 규칙은 공유될 수 있으며, 이것이 제조 AI 확장의 핵심이 될 것입니다.
한 문장으로 말하면, 공장 AI 데이터 거버넌스는 IT 프로젝트가 아니라 제조 기업을 에이전트로 이끄는 기반 공사입니다. 생산 라인 옆에서 데이터를 제대로 정리해야 AI Agent가 공장에서 실제로 달릴 수 있습니다.