공장 AI 데이터 거버넌스의 핵심 포인트는 한 문장으로 요약할 수 있습니다. 먼저 데이터를 신뢰 가능하고 사용 가능하며 추적 가능한 자산으로 만든 뒤에 AI 비전 검사, 예지 보전, 지능형 스케줄링을 이야기해야 하며, 그렇지 않으면 가장 앞선 AI Agent조차 더러운 데이터에 발목이 잡힙니다. 지난 2년 동안 제조업의 AI 열기는 시연을 보는 단계에서 작업장으로 들어오는 단계로 이동했지만, 프로젝트 성패를 실제로 결정하는 것은 대개 알고리즘 자체가 아니라 보이지 않는 기초인 데이터 거버넌스입니다. 업계 조사에 따르면 산업 AI 프로젝트의 60퍼센트 이상이 지연되거나 기대에 못 미치며, 그 근본 원인은 모두 데이터 정의 불일치, 설비 프로토콜의 혼란, 라벨링 품질의 들쭉날쭉함을 가리킵니다. 그래서 점점 더 많은 공장이 MES와 AI를 기획하거나 산업용 AI Agent를 도입할 때 데이터 거버넌스를 우선순위에 둡니다.
I. 핵심 개념과 정의
공장 AI 데이터 거버넌스란 인공지능 활용 사례를 위해 다중 소스 이기종 공장 데이터를 수집, 정제, 표준화, 라벨링, 저장, 권한 관리, 품질 모니터링하는 일련의 메커니즘을 말합니다. 전통적인 IT 데이터 거버넌스와 가장 큰 차이는, 전통 거버넌스는 보고서와 ERP를 위해 봉사하며 장부와 실물의 일치를 추구하지만, AI 데이터 거버넌스는 모델 학습과 추론을 위해 봉사하며 안정적 특징, 균형 잡힌 샘플, 시계열 정렬을 추구한다는 점입니다. 구체적 대상으로는 설비 PLC 시계열 데이터, SCADA 알람 로그, MES 작업 지시와 공정 파라미터, QMS 검사 기록, 머신 비전 이미지, AGV 궤적, 각종 센서 데이터가 있습니다. 산업용 AI Agent 시나리오에서는 데이터 거버넌스가 추가로 Agent가 데이터를 안전하게 호출할 수 있는지, 즉 데이터 인터페이스의 의미적 일관성과 접근 경계를 해결해야 합니다. 제조 고객을 지원하면서 데이터 거버넌스는 흔히 소스, 관리, 활용의 세 계층으로 나뉩니다. 소스에서는 프로토콜을 통일하고, 관리에서는 마스터 데이터와 품질 규칙을 세우며, 활용에서는 모델과 Agent를 위한 특징 집합을 산출합니다.

II. 기술 원리와 핵심 역량
산업 AI 데이터 거버넌스의 기술 스택은 보통 네 가지 핵심 역량을 포함합니다. 첫째는 프로토콜 파싱과 엣지 수집입니다. 공장은 Modbus, OPC UA, Profinet, EtherCAT 등 여러 프로토콜을 동시에 운용하며, 엣지 게이트웨이는 서로 다른 프로토콜의 시계열 데이터를 타임스탬프와 설비 ID를 갖춘 표준 형식으로 통일해야 합니다. 둘째는 데이터 정제와 정렬로, 센서 드리프트로 인한 이상치 제거, 서로 다른 샘플링 레이트의 데이터를 같은 시간 창으로 재샘플링, 결측값 처리 등입니다. 셋째는 마스터 데이터와 의미 계층 구축으로, 설비 번호, 자재 배치, 공정 경로의 명명 방식을 시스템 간에 통일하는 것이며, 이는 AI 모델을 라인 간에 재사용할 수 있는지를 직접 결정합니다. 넷째는 데이터 품질 모니터링과 계보 추적으로, 모든 학습 샘플을 원래 작업 지시와 작업자까지 역추적할 수 있게 합니다. MES와 AI 아키텍처에서 이런 역량은 흔히 MES의 작업 지시, 자재, 품질 모듈과 깊이 결합되어 폐루프를 형성합니다. ZEVON의 ESOP가 작업 지시서와 공정 파라미터 배포에서 축적한 구조화 데이터는 AI 모델 특징의 한 원천이 될 수 있어, 데이터 거버넌스를 사후 보수에서 공정 내 축적으로 바꿉니다.
III. 제조 현장 적용 시나리오

전자 공장이 SMT 실장 후 지능형 AOI 재검을 원하는 상황을 가정해 봅시다. 과거에는 하루 수만 장의 결함 이미지가 생성되었지만 라벨링 기준이 일관되지 않아 과검률이 계속 높았습니다. 데이터 거버넌스를 통해 먼저 결함 분류 사전을 통일하고, 다음으로 이미지를 해당 솔더 페이스트 인쇄 파라미터 및 리플로우 존 프로파일과 시간 정렬하여, 모델이 어떤 공정 조건에서 어떤 결함이 나타나는 경향이 있는지 학습할 수 있게 합니다. 또 다른 시나리오는 AI 공구 마모 예측을 원하는 자동차 부품 기업의 가공 현장입니다. 어려움은 서로 다른 기계의 진동 센서가 모델도 다르고 샘플링 레이트도 다르다는 점이므로, 데이터 거버넌스가 먼저 재샘플링과 정규화를 수행한 뒤 공구 교체 기록, 절삭 파라미터, 자재 배치를 연관시켜야 하며, 그렇지 않으면 모델은 실험실에 머뭅니다. 세 번째 시나리오는 이산 제조의 지능형 스케줄링 Agent로, 설비 상태, 작업 지시 우선순위, 자재 키팅을 실시간으로 읽어야 합니다. 이런 데이터가 ERP, MES, WMS에서 정의가 일치하지 않으면 Agent의 스케줄링 권고는 실행 불가능합니다. 이런 시나리오는 데이터 거버넌스가 IT 부서의 독주가 아니라 공정, 설비, 품질, IT의 공동 작업임을 보여줍니다.
IV. 선정과 구축 권고
첫째, 단일 시나리오에서 시작하고 처음부터 공장 전체 데이터 플랫폼을 구축하지 마십시오. 통점이 명확하고 데이터량이 적당하며 업무 책임자가 협조적인 시나리오를 선택하십시오. 예컨대 한 라인의 AI 검사나 한 핵심 기계의 예지 보전입니다. 둘째, 데이터를 수집하기 전에 표준을 세우십시오. 데이터를 연결하기 전에 결함 사전, 설비 코딩, 공정 파라미터 명명 규칙을 정의하지 않으면 나중의 재작업 비용이 매우 큽니다. 셋째, 엣지 측 데이터 품질을 중시하십시오. 많은 공장이 원시 데이터를 그대로 클라우드로 보낸 뒤 대량의 무효 데이터를 발견하여 대역폭을 낭비하고 학습 집합을 오염시키므로, 엣지 게이트웨이에서 1차 정제와 캐싱을 수행하십시오. 넷째, 결측률, 이상률, 라벨 일관성 비율 같은 데이터 품질 KPI를 수립하고 일상 운영에 포함하십시오. 다섯째, 제조 DNA를 가진 파트너를 선택하십시오. ZEVON은 15개 이상 산업의 120개 이상 고객을 지원하며 MES, ESOP, 산업 AI를 융합한 깊은 경험이 있고, 그 접근은 플랫폼을 먼저 만들고 시나리오를 나중에 찾는 것이 아니라 비즈니스 프로세스와 함께 데이터 거버넌스를 추진하는 것을 강조합니다. 여섯째, 작은 단계로 검증하여 하나의 폐루프를 3개월에서 6개월 운영한 뒤 다른 라인으로 복제하십시오.
V. 전망
첫 번째 방향은 AI Agent가 주도하는 능동적 데이터 거버넌스입니다. 미래의 산업용 Agent는 데이터를 호출하는 데 그치지 않고 데이터 이상을 감지하여 정제 작업을 자동으로 시작합니다. 예컨대 지속적 드리프트를 감지하면 정비에 센서 교정을 알립니다. 두 번째 방향은 데이터 거버넌스와 디지털 트윈의 융합입니다. 디지털 트윈은 고충실도 데이터를 필요로 하고, 반대로 데이터 거버넌스에 시뮬레이션 검증 환경을 제공하여 어떤 결측 데이터가 모델 결과에 영향을 주는지 판단하도록 돕습니다. 세 번째 방향은 경량화와 표준화입니다. 엣지 연산이 향상되면서 더 많은 거버넌스 역량이 디바이스 측으로 내려가고, 산업 수준의 데이터 사전과 인터페이스 표준이 점차 통일되어 중소 공장의 AI 장벽이 낮아집니다. 제조사에게 데이터 거버넌스를 먼저 견고히 만드는 기업이 산업 AI의 다음 단계에서 더 안정적으로 달릴 것입니다. ZEVON 역시 MES와 AI 및 산업용 Agent의 배치 경로를 계속 탐구하여 공장이 데이터를 부담에서 자산으로 바꾸도록 돕고 있습니다.