공장 AI 데이터 거버넌스의 핵심 포인트는 먼저 설비와 공정, 품질, 자재의 원천 데이터를 수집하고 이해하며 관리하고 활용할 수 있는 통합 자산으로 만든 뒤에 AI 에이전트와 산업 대형 모델 배포를 논하는 것입니다. 이 단계가 없으면 가장 앞선 알고리즘도 오염된 데이터 주변을 맴돌 뿐입니다.
지난 2년간 제조업의 AI 열기는 데모를 보는 단계에서 수익을 계산하는 단계로 이동했습니다. 기업들은 공장에 데이터가 없는 것이 아니라 모델에 직접 투입할 수 있는 고품질 데이터가 없다는 점을 점차 깨달았습니다. 특히 기업이 AI 에이전트를 설비 예지 정비와 공정 파라미터 최적화, 품질 근본 원인 분석에 사용하려 하면 데이터 거버넌스가 피할 수 없는 첫 관문이 됩니다. 15개 이상 산업의 120개 이상 고객을 지원하면서 ZEVON도 AI 응용이 빠르게 성과를 내는 공장은 모두 데이터 거버넌스가 탄탄하다는 점을 발견했습니다.
I. 핵심 개념과 정의
공장 AI 데이터 거버넌스란 AI 응용의 요구를 충족하기 위해 다중 소스 이기종 공장 데이터를 수집하고 정제하며 라벨링하고 표준화하고 보호하며 수명 주기 관리하는 완전한 메커니즘 집합을 의미합니다. 전통적인 BI 리포트 시대의 데이터 거버넌스와 가장 큰 차이는 AI는 데이터가 정확할 뿐 아니라 시의적절하고 완전하며 라벨링되고 추적 가능해야 한다는 점입니다.
구체적으로 네 가지 객체를 포괄합니다. PLC와 CNC, 센서에서 수집되는 온도와 진동, 전류 같은 설비 시계열 데이터, SPC 파라미터와 검사 결과, 결함 이미지 같은 공정 및 품질 데이터, 배치와 BOM, 작업 지시 진척 같은 자재 및 주문 데이터, MES 조작 로그와 정비 기록 같은 인간-시스템 상호작용 데이터입니다. 이 데이터는 OT 계층과 IT 계층에 흩어져 있고 정형 테이블에서 비정형 이미지와 음성까지 다양하여 거버넌스가 사무 시나리오보다 훨씬 어렵습니다.
II. 기술 원리와 핵심 역량
공장 AI 데이터 거버넌스는 단일 소프트웨어 제품이 아니라 역량의 결합이며 다섯 계층으로 나눌 수 있습니다.
첫 번째 계층은 통합 수집과 엣지 전처리입니다. 엣지 게이트웨이가 Modbus와 OPC UA, Profinet 같은 프로토콜로 설비 데이터를 연결하고 설비 근처에서 노이즈 제거와 정렬, 압축을 완료하여 클라우드 부하를 줄입니다.
두 번째 계층은 데이터 표준과 기준 정보 관리입니다. 설비와 자재, 공정, 결함 유형에 통일된 코드를 수립하여 동일 베어링 모델이 MES와 ERP, WMS에서 같은 의미를 갖도록 합니다. 이것이 AI 모델을 라인 간에 재사용하기 위한 전제입니다.

세 번째 계층은 데이터 품질 모니터링입니다. 완전성과 일관성, 시의성 규칙을 설정합니다. 예를 들어 사출 성형기의 온도 데이터가 10분 연속 누락되면 자동으로 경고합니다. 품질 점수가 낮은 배치 데이터는 훈련 세트에 들어가지 않습니다.
네 번째 계층은 라벨링과 피처 엔지니어링입니다. 검사 이미지와 이상 음향 같은 시나리오에 반자동 라벨링 도구를 제공하고 도메인 지식을 피처 라이브러리로 만듭니다. 예를 들어 스핀들 진동과 절삭유 온도, 이송 속도를 결합해 공구 마모 피처를 만듭니다.
다섯 번째 계층은 보안과 권한입니다. 데이터를 분류하고 등급화하여 부서 간 호출 시 공정 레시피와 핵심 파라미터가 유출되지 않게 합니다. ZEVON ESOP가 산업 현장 데이터 수집과 작업 표준화에서 구축한 역량은 이 거버넌스 체계를 보완하여 운영 단의 데이터가 원천에서 더 표준화되게 합니다.
III. 제조업 적용 시나리오
SMT 실장 라인에서 냉납이 자주 발생하는 전자 공장이 AI로 결함 예측을 하려 한다고 가정해 봅시다. 데이터 거버넌스가 나쁘면 AOI 검사 이미지와 리플로 온도 곡선의 타임스탬프가 맞지 않아 모델이 실제 패턴을 전혀 학습할 수 없습니다. 거버넌스 후 각 PCB의 리플로 온도와 솔더 페이스트 배치, 실장 압력, AOI 결과가 동일 시간축에 정렬되어야 비로소 AI가 신뢰할 수 있는 경고를 낼 수 있습니다.
CNC 공구 수명 예측에 AI 에이전트를 사용하려는 자동차 부품 제조사를 가정해 봅시다. 스핀들 전류와 진동, 가공 택트, 공구 교체 기록의 통합 거버넌스가 필요합니다. 공구 교체 기록이 여전히 종이 대장에 있다면 에이전트는 폐루프를 완성할 수 없습니다. 거버넌스 후 데이터가 자동으로 연결되고 에이전트는 고장 전에 공구 교체를 권고하여 계획 외 다운타임을 줄일 수 있습니다.
포장 인쇄 결함을 비전 AI로 검사하려는 식음료 공장을 예로 들어 봅시다. 서로 다른 라인과 교대조, 조명 조건의 이미지 데이터를 거버넌스하고 결함 라벨을 통일해야 하며 그렇지 않으면 모델이 다른 라인에서 무용지물이 됩니다. 이런 시나리오는 라벨링 일관성 요구가 매우 높습니다.
IV. 선정과 구현 조언
첫째, 큰 플랫폼을 먼저 사지 말고 데이터 인벤토리를 하십시오. 공장에 어떤 시스템과 설비, 핵심 품질 특성이 있는지 나열하고 데이터 가용성과 현재 품질을 평가하십시오.

둘째, 단일 시나리오에서 시작하십시오. 예지 정비나 비전 검사처럼 AI 투자 수익을 명확히 계산할 수 있는 시나리오를 선택하고 그 주변에 최소 폐루프 데이터 거버넌스를 구축한 뒤 점진적으로 확장하십시오.
셋째, 엣지 측 거버넌스 역량을 중시하십시오. 공장 데이터는 양이 많고 실시간 요구가 높아 모든 데이터를 클라우드로 보내는 것은 경제적이지도 안전하지도 않습니다. 엣지 전처리와 클라우드 훈련의 결합이 더 실용적인 아키텍처입니다.
넷째, 부서 간 데이터 오너 메커니즘을 구축하십시오. IT와 OT, 품질, 공정이 데이터 품질에 공동 책임을 져야 하며 IT 부서에만 맡겨서는 안 됩니다.
다섯째, 데이터 거버넌스를 MES와 ESOP 같은 기존 시스템과 연결하십시오. 작업 지시가 변경되면 관련 공정의 데이터 수집 규칙도 동시에 갱신하여 시스템 간 충돌을 피해야 합니다. MES와 AI, 산업 에이전트 실무는 거버넌스 프로세스를 일상 업무 시스템에 내장할 때 저항이 크게 줄어든다는 것을 보여 줍니다.
V. 전망
첫 번째 방향은 AI 에이전트가 데이터 거버넌스를 역으로 추진하는 것입니다. 향후 에이전트는 어떤 데이터가 누락되어 자신의 판단이 신뢰할 수 없게 되는지 능동적으로 식별하고 수집이나 라벨링 작업을 자동으로 개시하여 데이터 플라이휠을 형성합니다.
두 번째 방향은 합성 데이터와 소수 샷 거버넌스입니다. 결함 샘플이 부족한 공장 시나리오에서 생성형 AI가 합성 데이터를 보충하고 실제 라벨링 물량에 대한 의존을 줄일 수 있으며, 거버넌스 프레임워크가 실제 데이터와 합성 데이터를 구분할 수 있어야 합니다.
세 번째 방향은 서비스로서의 데이터 거버넌스입니다. 중소 공장은 전담 거버넌스 팀을 감당할 수 없으므로 라인별 또는 시나리오별 구독 서비스가 등장하여 수집과 정제, 라벨링, 모니터링을 패키지로 제공할 것입니다.
전체적으로 공장 AI 데이터 거버넌스는 일회성 프로젝트가 아니라 지속적인 운영 역량입니다. 데이터 기반을 먼저 탄탄히 구축하는 기업이 AI 에이전트를 데모에서 라인으로 더 빨리 이동시킬 수 있습니다. 제조업의 지능형 업그레이드는 결국 이 데이터라는 기본기에 귀결됩니다.