공장 AI 데이터 거버넌스의 핵심은 데이터를 데이터 레이크에 쌓는 것이 아니라 생산 라인, 설비, 시스템 사이에서 안정적으로 흐르게 하여 궁극적으로 AI Agent와 산업 대형 모델에 공급되고 건전한 의사결정을 가능하게 하는 것입니다. 지난 2년간 제조업의 AI 열기는 높았지만, 실제로 배포를 막는 것은 알고리즘이 아니라 데이터 품질, 데이터 표준, 데이터 폐루프라는 세 가지인 경우가 많습니다.
1. 핵심 개념과 정의
공장 AI 데이터 거버넌스는 공장 내외부 데이터를 대상으로 수집, 정제, 레이블링, 저장, 검색, 피드백의 전체 흐름을 포괄하는 관리 메커니즘을 수립하여 데이터를 수집 가능하고 신뢰 가능하며 사용 가능하고 추적 가능하게 만드는 것입니다. 전통 데이터 거버넌스와의 가장 큰 차이는 이렇습니다. 전통 거버넌스는 주로 보고서와 BI를 지원하지만, 공장 AI 데이터 거버넌스는 AI 모델 학습, 추론, 에이전트 의사결정을 직접 지원합니다.
구체적으로 네 계층이 있습니다. 첫째는 데이터 소스 거버넌스로, PLC, SCADA, MES, ERP, QMS, WMS와 센서, 머신 비전, AGV의 설비 데이터를 포괄합니다. 둘째는 데이터 표준 거버넌스로, 설비 코드, 자재 코드, 공정 코드, 타임스탬프 정렬의 통일된 사양을 포함합니다. 셋째는 데이터 품질 거버넌스로, 결측값, 이상값, 중복, 시계열 정렬 오류에 집중합니다. 넷째는 데이터 보안과 권한 거버넌스로, 공정 파라미터와 레시피 같은 핵심 자산이 무단 접근되지 않도록 합니다.
산업 AI Agent 시나리오에서 데이터 거버넌스는 의미 거버넌스 계층이 하나 더 필요합니다. AI가 온도 값이 어느 설비, 어느 공정, 어느 배치에 속하는지 이해하도록 하기 위해서입니다. 그렇지 않으면 에이전트는 숫자 더미만 받아 효과적인 추론을 형성할 수 없습니다.
2. 기술 원리와 핵심 역량

공장 AI 데이터 거버넌스의 기술 기반은 보통 엣지 측, 플랫폼 측, 애플리케이션 측의 세 부분으로 구성됩니다.
엣지 측은 실시간 수집과 전처리를 담당합니다. 산업 게이트웨이와 엣지 컴퓨팅 박스를 통해 서로 다른 프로토콜의 데이터를 MQTT, OPC UA 같은 표준 형식으로 변환하고, 예비 정제와 캐싱을 로컬에서 완료해 클라우드 부하를 줄입니다.
플랫폼 측이 핵심입니다. 몇 가지 핵심 역량이 필요합니다. 시계열, 관계형, 이미지, 텍스트 데이터를 동시에 처리하는 다중 소스 이기종 데이터 접근, 설비와 제품과 공정 모델을 구축하는 데이터 모델링, 규칙 엔진과 AI 검사로 이상을 자동 탐지하는 데이터 품질 모니터링, AI 모델과 에이전트에 API로 표준화된 데이터를 제공하는 데이터 서비스입니다.
애플리케이션 측은 시나리오를 직접 마주합니다. AI 비전 검사는 이미지 데이터와 결함 레이블이 필요하고, 예지 정비는 진동, 온도, 전류 시계열 데이터가 필요하며, 스케줄링 에이전트는 주문, 재고, 설비 상태 데이터가 필요합니다. 이 데이터를 빠르게 검색할 수 있는지는 플랫폼 측이 얼마나 깔끔하게 거버넌스했는지에 달려 있습니다.
여기서 주목할 점은 ZEVON이 MES+AI와 산업 에이전트에서의 실무에서 데이터 거버넌스를 사후 수정이 아니라 생산 실행 흐름에 내장하는 것을 강조한다는 것입니다. ESOP(전자 표준작업절차) 모듈이 작업자에게 작업 지시를 푸시할 때 동시에 작업 데이터의 완전성을 검증하는데, 이는 근원에서 거버넌스하는 것입니다. 생산하면서 거버넌스하는 이 접근은 AI 배포에 더 친화적입니다.
3. 제조 적용 시나리오

전자 공장이 AI 외관 검사를 도입하려 한다고 가정해 봅시다. 라인에는 AOI 설비, 고해상도 카메라, 수동 재검 스테이션이 있습니다. 데이터 거버넌스가 부실하면 세 가지 전형적 문제가 나타납니다. 교대조별로 촬영 사진의 명명 규칙이 다르고, 결함 레이블을 서로 다른 사람이 부여해 기준이 흔들리며, 재검 결과가 학습 세트에 기록되지 않습니다. 그 결과 오픈 후 모델 정확도가 크게 요동칩니다. 제대로 거버넌스하면 이미지는 제품 모델 더하기 공정 더하기 타임스탬프 더하기 설비 ID로 통일 명명되고, 결함 레이블은 시스템 내 강제 선택이며, 재검 결과는 자동으로 환류되어 모델 반복 주기가 2주에서 3일로 줄어들 수 있습니다.
자동차 부품 기업이 설비 예지 정비를 도입하려 한다고 가정해 봅시다. 프레스, 용접 로봇, 공기 압축기는 각각 다른 브랜드의 PLC와 센서를 갖고 있습니다. 거버넌스의 초점은 타임스탬프 정렬과 운전 조건 레이블링입니다. 같은 진동 값도 무부하와 전부하에서 전혀 다른 의미입니다. 거버넌스 후 AI 모델은 운전 조건을 구분할 수 있고 오탐률이 눈에 띄게 낮아집니다. 이런 기업이 이미 MES를 갖고 있다면 거버넌스 규칙을 MES 데이터 수집 계층에 직접 구성해 추가 시스템 통합 비용을 줄일 수 있습니다.
식음료 공장이 AI 에너지 최적화를 도입하려 한다고 가정해 봅시다. 살균 레토르트, 충전기, 칠러의 데이터가 여러 시스템에 흩어져 있습니다. 거버넌스는 에너지 단위를 통일하고 생산 배치를 정렬하며 시작과 정지 상태를 레이블링해야 합니다. 이것이 완료되면 AI Agent는 전기 요금 곡선과 주문 납기를 바탕으로 에너지 집약 공정의 재스케줄링을 자동 권고할 수 있습니다.
4. 선택과 구현 권고
첫째, 모든 것을 아우르는 데이터 미들 플랫폼을 추구하지 말고 하나의 라인과 하나의 시나리오에서 시작하십시오. 검사나 설비 알람처럼 AI가 빠르게 성과를 낼 수 있는 지점을 골라 그 연결고리를 철저히 거버넌스하십시오.
둘째, 데이터 표준을 앞에 두십시오. 신규 설비 구매 시 데이터 인터페이스 프로토콜과 필드 명명 규칙을 기술 협약에 명시해 나중의 개조 비용을 피하십시오.

셋째, 엣지 측 거버넌스를 중시하십시오. 많은 공장 네트워크가 불안정하고 모든 것을 클라우드로 옮기는 것은 비현실적입니다. 엣지에서 캐싱, 정제, 재개 가능한 전송을 잘 하면 AI 추론의 안정성이 크게 향상됩니다.
넷째, 완전성, 적시성, 정확성 같은 데이터 품질 KPI를 설정하고 IT와 OT 팀 평가에 포함시키십시오. 평가가 없으면 거버넌스는 일시적 유행에 그칩니다.
다섯째, 산업 노하우가 있는 공급자를 선택하십시오. 순수 IT 배경 팀은 운전 조건을 이해하지 못하는 경우가 많고, 순수 OT 배경 팀은 데이터 플랫폼 역량이 부족합니다. MES와 AI Agent 역량을 모두 갖춘 벤더가 데이터 거버넌스와 비즈니스 이해의 균형을 더 쉽게 잡습니다. 이런 벤더는 이미 100개 이상 고객에 서비스를 제공했으며 전자, 자동차 부품, 설비 제조에서 상당한 실무를 갖고 있습니다.
여섯째, 작은 단계로 검증하고 빠르게 폐루프하십시오. 거버넌스 성과는 모델 정확도, 오탐률, 추론 지연 같은 AI 지표로 판정해야 합니다. 데이터 거버넌스가 좋은지는 궁극적으로 AI를 실제로 사용할 수 있는지로 측정됩니다.
5. 트렌드 전망
첫째 방향은 거버넌스 자동화입니다. 이상 패턴을 자동 식별하고 결측값을 채우며 데이터 표준을 권고하는 AI 기반 데이터 품질 도구가 더 많이 등장해 수동 구성을 줄일 것입니다.
둘째 방향은 에이전트 기반 거버넌스입니다. 산업 AI Agent는 데이터를 소비할 뿐 아니라 역으로 거버넌스할 수 있습니다. 센서가 오랫동안 이상하다고 판단하면 자동으로 작업지시를 올려 정비팀에 재교정을 요청합니다.
셋째 방향은 의미 계층의 표준화입니다. 산업 대형 모델이 발전하면서 공장 데이터에는 서로 다른 벤더의 에이전트가 상호 이해할 수 있는 통일된 의미 계층이 필요합니다. 이는 새로운 산업 표준을 낳을 수 있습니다.
전체적으로 공장 AI 데이터 거버넌스는 일회성 프로젝트가 아니라 지속적으로 운영되는 역량입니다. 그것은 공장 AI가 시연 수준인지 생산 수준인지를 결정합니다. 데이터 거버넌스가 탄탄해야만 AI Agent와 산업 대형 모델이 실제로 작업장에서 돌아갈 수 있습니다.