공장 AI 데이터 거버넌스의 핵심 포인트는 먼저 데이터를 사용 가능하고 신뢰할 수 있으며 추적 가능하게 만든 뒤에 모델과 Agent 배포를 논하는 것입니다. 그렇지 않으면 아무리 앞선 AI Agent도 오염된 데이터 위에서 헛돌 뿐입니다. 산업 AI, 로보틱스, MES+AI가 제조업에 빠르게 확산되면서 공장 데이터 거버넌스는 IT 부서의 지원 역할에서 스마트 제조 프로젝트의 성과를 좌우하는 핵심 전제로 이동했습니다. 점점 더 많은 기업이 AI 비전 검사, 설비 예측 보전, 스케줄링 최적화를 배포할 때 진행을 실제로 막는 것이 알고리즘이 아니라 데이터 정의 불일치, 설비 프로토콜 비호환, 수작업 입력 누락 같은 오래된 문제라는 점을 발견합니다.
1. 핵심 개념과 정의
공장 AI 데이터 거버넌스는 산업 AI 적용 시나리오를 위해 공장의 다중 소스 이기종 데이터를 수집, 정제, 표준화, 모델링, 저장, 권한 관리, 품질 모니터링하는 일련의 완전한 메커니즘을 뜻합니다. 전통적 데이터 거버넌스와 가장 큰 차이는 목표가 보고서 산출이 아니라 데이터를 AI Agent, 머신러닝 모델, 산업 소프트웨어가 직접 소비할 수 있게 만드는 것입니다.
구체적으로 여러 데이터 범주를 포함합니다. 설비 측 PLC, 센서, CNC, 로봇 운전 데이터, 생산 측 작업 지시, 공정 파라미터, 사이클 타임, 수율 데이터, 품질 측 검사 기록, SPC 데이터, 재작업 기록, 인력 측 교대 일정, 숙련도 매트릭스, ESOP 실행 데이터입니다. ZEVON은 120여 개 고객(15개 이상 산업 분야)을 지원하면서 제조 기업에서 가장 전형적인 데이터 거버넌스 격차가 설비 데이터와 업무 데이터가 서로 다른 언어를 사용해 AI 모델 학습 시 피처를 정렬할 수 없다는 점임을 확인했습니다.
2. 기술 원리와 핵심 역량
공장 AI 데이터 거버넌스는 소프트웨어 하나를 설치한다고 끝나지 않으며 여러 핵심 역량에 의존합니다.
1. 다중 프로토콜 데이터 수집과 엣지 전처리. 공장 설비는 브랜드가 많고 프로토콜이 다양하며 OPC UA, Modbus, MQTT, Profinet은 각기 다른 사용 방식을 갖습니다. 거버넌스의 첫 단계는 엣지에서 프로토콜 변환과 1차 정제를 완료하고, 고주파 진동 신호나 온도 곡선 같은 원시 데이터를 다운샘플링하고 타임스탬프를 부여한 뒤 업로드하는 것입니다.
2. 통합 데이터 모델과 마스터 데이터 관리. "설비 번호", "작업 지시 번호", "자재 코드" 같은 용어는 시스템 전반에서 하나의 마스터 데이터 집합으로 통일되어야 AI Agent가 이들 사이를 넘나들며 추론할 수 있습니다. 예를 들어 Agent가 설비 보전 시점을 판단하려면 설비 대장, 과거 수리 기록, 현재 가동 시간을 동시에 읽어야 합니다.
3. 데이터 품질 규칙 엔진. 완전성, 유일성, 적시성, 일관성 규칙을 설정하고 이상을 자동 표시합니다. 자동차 부품 기업이 특정 라인의 수율 데이터가 갑자기 0으로 표시되는 것을 발견했다고 가정하면, 규칙 엔진은 이를 곧바로 AI 모델에 입력하기 전에 수집 중단인지 실제 라인 정지인지 먼저 판별해야 합니다.

4. 데이터 계보와 추적성. 모든 AI 결론은 원래 데이터 소스까지 추적 가능해야 하며, 이는 품질 추적성과 컴플라이언스 감사에서 특히 중요합니다.
5. AI 지향 라벨링과 피처 엔지니어링. 원시 데이터를 모델이 사용할 수 있는 피처로 가공합니다. 예를 들어 전류 곡선을 피크 값, 평균, 변동성 같은 라벨로 변환합니다.
ZEVON의 MES+AI 및 산업용 Agent 역량은 바로 이러한 거버넌스 단계를 제조 실행 시스템과 연결하여 ESOP 작업 지시서, 품질 데이터, 설비 데이터가 같은 데이터 기반 위에서 흐르게 하고 AI 배포 시 데이터 재작업을 줄입니다.
3. 제조 현장 적용 시나리오
시나리오 1: 전자 공장 SMT 라인의 AI 비전 검사. 공장의 실장기, AOI, 리플로우 오븐은 서로 다른 공급업체에서 왔고 데이터 형식이 일치하지 않습니다. 거버넌스는 시간 기준선과 기판 번호 연관을 통일하여 AI 검사 모델이 AOI 이미지, 오븐 온도 곡선, 실장 프로그램 파라미터를 정렬할 수 있게 하는 데 초점을 둡니다. 거버넌스가 자리 잡으면 오판율이 눈에 띄게 떨어지고, 엔지니어는 ESOP를 통해 어떤 공정 윈도가 흔들렸는지 빠르게 찾을 수 있습니다.
시나리오 2: 자동차 부품 기업이 설비 예측 보전을 도입한다고 가정해 보겠습니다. 프레스, 용접 로봇, 도장 라인은 각각 진동과 전류 데이터가 있지만 샘플링 주기가 다릅니다. 거버넌스는 샘플링 윈도와 피처 정의를 통일해야 하며, 그렇지 않으면 A 설비로 학습한 모델이 B 설비에서 실패합니다. 동시에 수리 작업 지시와 예비품 재고 데이터를 연결하여 AI Agent가 "베어링을 교체하고 예비품을 확보하라"는 폐루프 권고를 자동 생성하게 합니다.
시나리오 3: 신에너지 배터리 공장이 스케줄링을 최적화합니다. 셀 라인의 작업 지시, 자재, 설비 상태, 인력 숙련도 데이터는 ERP, MES, 종이 기록에 흩어져 있습니다. 거버넌스는 마스터 데이터 정렬과 실시간성 개선에 초점을 두어 스케줄링 AI가 분 단위 설비 상태를 얻을 수 있게 합니다. ZEVON의 3,200개 이상 단말 실무는 데이터 적시성 부족이 스케줄링 AI 프로젝트 실패 원인의 높은 비중을 차지한다는 것을 보여 줍니다.
4. 선정 및 구현 권장 사항
첫째, 거버넌스 범위를 정하기 전에 AI 시나리오를 정의하십시오. 공장 전체 데이터 레이크를 한 번에 구축하지 말고 AI 비전 검사나 설비 조기 경보 같은 하나의 구체적 시나리오를 중심으로 최소 데이터 집합을 정의하십시오.

둘째, 마스터 데이터와 설비 연결성을 우선하십시오. 설비가 네트워크로 연결되지 않고 코드가 통일되지 않으면 나머지 모든 것은 모래 위에 세워집니다.
셋째, 데이터 품질 지표를 KPI에 포함하십시오. 수집 완전성 비율, 라벨 정확도, 종단 간 지연 같은 지표를 두어 거버넌스 성과를 정량화할 수 있게 하십시오.
넷째, MES 및 ESOP와 연결되는 솔루션을 선택하십시오. 공장 AI 데이터 거버넌스가 작업 실행 시스템과 분리되면 거버넌스 성과가 현장에 도달하기 어렵습니다. ZEVON이 MES+AI와 산업용 Agent에서 취하는 설계 접근은 거버넌스된 데이터가 ESOP 푸시와 Agent 의사결정을 직접 구동하게 하여 중간 단계를 줄이는 것입니다.
다섯째, 작은 단계로 검증하고 점진적으로 확장하십시오. 먼저 하나의 작업장이나 하나의 라인에서 "수집 - 거버넌스 - AI 적용 - 피드백" 루프를 처음부터 끝까지 실행한 뒤 다른 라인으로 복제하십시오.
5. 전망
방향 1: AI Agent 기반 적응형 거버넌스. 미래의 공장 Agent는 데이터 이상을 자동 감지하고 거버넌스 규칙을 권고하며 라벨까지 자동 교정하여 수작업 구성을 줄일 것입니다.
방향 2: 엣지 AI와 데이터 거버넌스의 융합. 더 많은 거버넌스 작업이 엣지에서 완료되어 대역폭과 지연을 낮추고, 데이터가 공장을 떠나지 않아야 한다는 보안 요구도 충족할 것입니다.
방향 3: 산업 데이터 모델의 표준화. 전자, 자동차 부품, 신에너지 같은 분야에서 더 성숙한 참조 데이터 모델이 등장하여 기업이 처음부터 구축할 필요가 없어질 것입니다.
요약하면 공장 AI 데이터 거버넌스는 일회성 프로젝트가 아니라 지속적인 운영 역량입니다. 데이터 기반을 먼저 강화하는 기업이 산업 AI와 Agent 경쟁에서 더 안정적으로 달릴 수 있습니다.