지식 센터
목차

산업용 Agent에서의 RAG

RAG는 산업용 Agent가 말하기에서 행동하기로 넘어가는 핵심 조각으로, 설비 알람, 공정 파라미터, 스케줄링 규칙에 대한 질문에 답할 때 모델 기억으로 추측하지 않고 기업 자체 지식 기반을 실시간으로 인용하게 한다.

지난 2년간 산업 AI에 대한 관심은 대형 모델 자체에서 Agent로 이동했다. 제조사는 대형 모델이 자사 설비 매뉴얼, 공정 문서, 유지보수 기록을 이해할 수 있는지, MES 안에서 예외를 직접 처리할 수 있는지 점점 더 많이 묻는다. 검색 증강 생성, 즉 RAG가 그 문제의 핵심 기술 경로이며 오늘날 산업용 Agent를 배포하는 가장 실용적인 방법 중 하나다.

1. 핵심 개념과 정의

RAG는 Retrieval-Augmented Generation의 약자다. 간단히 말해 대형 모델이 질문에 답하기 전에 기업 자체 지식 기반에서 먼저 조회하고 검색된 내용을 컨텍스트로 사용한 뒤 답을 생성하는 것이다.

산업 시나리오에서 RAG는 단순 문서 검색이 아니다. 처리해야 할 대상에는 설비 매뉴얼, PLC 알람 코드표, SOP 작업 지시, 공정 파라미터 카드, 과거 유지보수 작업 지시, 품질 검사 기준, 스케줄링 규칙이 포함된다. 이 내용은 종종 MES, ERP, WMS, 설비 관리 시스템과 다량의 PDF와 스프레드시트에 흩어져 있다. 산업용 Agent가 해야 할 일은 이 이종 지식을 통일적으로 색인하고 대화나 작업 실행 중에 정밀하게 검색하는 것이다.

2. 기술 원리와 핵심 역량

일러스트

산업용 Agent에서 RAG의 기술 사슬은 보통 네 단계다. 지식 청킹, 벡터 색인, 시맨틱 검색, 답변 생성이다. 그러나 산업 시나리오에는 몇 가지 특별한 요구가 있다.

첫째는 멀티모달 지식 처리다. 산업 문서에는 표, 도면, 곡선 차트가 많고 순수 텍스트 청킹은 핵심 정보를 잃는다. 성숙한 솔루션은 정형 표 파싱과 도면 OCR을 지원해야 한다.

둘째는 용어와 코드 정렬이다. 제조업에는 자재 번호, 공정 번호, 설비 태그 번호 같은 내부 코드가 많다. RAG는 용어 매핑을 구축해야 한다. 그렇지 않으면 사용자가 A3 라인이 왜 멈췄는지 물을 때 시스템이 A3가 어떤 설비와 라인을 가리키는지 알아야 한다.

셋째는 권한과 버전 관리다. 공정 문서에는 버전이 있고 작업장과 역할마다 보는 내용이 다르다. 산업용 Agent의 RAG는 MES 권한 체계를 계승해야 하며 민감한 레시피를 권한 없는 사람에게 유출해서는 안 된다.

넷째는 업무 시스템과의 연계다. RAG는 질의응답만이 아니라 행동을 트리거해야 한다. Agent가 알람 코드가 베어링 과열에 해당한다는 것을 검색하면 추가로 MES 작업 지시 인터페이스를 호출해 수리 작업 지시 생성을 제안할 수 있다. ZEVON의 MES+AI와 산업용 Agent 역량은 RAG를 제조 실행 시스템의 업무 흐름과 연결해 지식 검색이 생산 의사결정에 직접 기여하게 한다.

3. 제조 적용 시나리오

일러스트

시나리오 1은 전자 공장의 SMT 전환 질의응답이다. 전자 공장이 SMT 라인을 자주 전환하고 신입 직원이 전환 단계를 찾기 위해 십여 개 문서를 뒤져야 한다고 하자. RAG 산업용 Agent를 배치하면 작업자가 워크스테이션 단말에서 제품 A로 전환할 때 실장 프로그램을 어떻게 조정하는지 묻고, Agent는 해당 제품의 프로그램 버전, 노즐 구성, 레일 폭 파라미터를 검색해 단계를 제시한다. 프로그램 버전이 MES 작업 지시와 맞지 않으면 현재 작업 지시는 V3.2인데 기계는 V3.1이므로 먼저 업그레이드하라고 경고한다.

시나리오 2는 자동차 부품 기업의 설비 수리 지원이다. 사출기가 알람 E-045를 발생시키면 기술자가 Agent에 묻고, Agent는 해당 알람이 배럴 온도 센서 이상에 해당함을 검색하고 최근 세 건의 유사 알람 처리 기록을 끌어와 열전대 배선을 먼저 확인하도록 제안한다. 기술자가 센서 교체를 확인하면 Agent는 MES에서 수리 작업 지시를 생성하도록 안내하고 예비 부품 재고를 연결할 수 있다.

시나리오 3은 공정 산업의 공정 파라미터 조회다. 화학 공장에서 작업자가 반응기 R-102의 현재 배치 유지 시간을 물으면 Agent는 MES 배치 기록과 공정 카드에서 해당 배치 번호의 유지 시간을 검색하고 표준 범위와 비교해 85분이 경과했으며 표준은 80에서 90분이므로 정상이라고 보고한다.

이 시나리오들의 공통점은 지식이 기업 자체에서 오고 답변이 추적 가능해야 하며 업무 행동을 직접 트리거할 수 있으면 가장 좋다는 것이다. ZEVON의 ESOP(Electronic Standard Operating Procedure)는 작업 지시 디지털화와 워크스테이션 단말 상호작용에서 경험을 축적했고, RAG를 ESOP와 결합하면 작업자가 워크스테이션에서 직접 묻고 보고 실행할 수 있다.

4. 선정과 도입 권고

첫째, 모델로 달려가기 전에 지식을 정리한다. 설비 매뉴얼, 공정 문서, 유지보수 기록을 우선순위로 분류하고 어떤 지식이 자주 조회되며 어떤 것이 빈도는 낮지만 중요한지 식별한다. 하나의 라인이나 하나의 작업장에서 시작한다.

일러스트

둘째, 생성 품질보다 검색 품질을 중시한다. 산업 시나리오에서 올바른 내용을 검색하지 못하면 유창한 생성은 무용지물이다. 청킹 전략, 임베딩 모델이 산업 용어에 얼마나 적합한지, 키워드와 벡터를 결합한 하이브리드 검색의 효과를 평가한다.

셋째, 권한 체계가 MES와 ESOP에 맞아야 한다. RAG가 권한 구멍이 되어서는 안 된다. 선정 시 기존 제조 시스템의 역할 권한을 계승할 수 있는지 확인한다.

넷째, 검색과 행동의 루프를 설계한다. 좋은 산업용 Agent는 답만 하지 않고 작업 지시, 알람 확인, 파라미터 다운로드를 제안하거나 트리거할 수 있다. 선정 시 MES, ERP, WMS 표준 인터페이스가 제공되는지 확인한다.

다섯째, 작은 단계로 검증하고 추적성에 집중한다. 모든 답변은 인용 출처를 보여주어 엔지니어가 신뢰성을 판단할 수 있게 해야 한다. 초기에는 자동 실행 없이 검색과 인용만 하고 신뢰가 쌓이면 행동 권한을 개방한다.

5. 전망

첫 번째 방향은 RAG와 지식 그래프의 융합이다. 순수 벡터 검색은 복잡한 관계 추론에 약하다. 예를 들어 설비 A의 고장이 공정 B를 멈추고 주문 C의 납기에 영향을 주는 경우다. 지식 그래프는 관계 추론을 제공하고 RAG는 비정형 지식을 처리하며, 함께 산업용 Agent가 인과를 더 잘 이해하게 한다.

두 번째 방향은 엣지 측 RAG다. 공장 네트워크는 종종 제한되므로 벡터 저장소와 검색 모델을 엣지 서버나 워크스테이션 단말에 배포하면 지연이 줄고 데이터가 공장 내부에 남는다. 이는 ESOP 워크스테이션 단말과 MES 엣지 노드에 자연스러운 확장이다.

세 번째 방향은 Agent가 RAG와 업무 행동을 자율적으로 오케스트레이션하는 것이다. 미래의 산업용 Agent는 어떤 지식 기반을 먼저 조회하고 어떤 인터페이스를 다음에 호출하며 사람 확인이 필요한지 스스로 결정한다. RAG는 Agent의 기억 검색 계층이 되고 MES, ESOP, WMS는 실행 계층이 된다.

종합하면 산업용 Agent에서 RAG의 가치는 대형 모델을 더 똑똑하게 만드는 것이 아니라 적절한 순간에 올바른 기업 지식을 얻게 하는 것이다. 이미 MES와 ESOP를 운영하는 제조사에게 RAG는 저비용 고효율의 AI 진입 경로다. ZEVON은 15개 이상 산업에서 120개 이상 고객, 3,200개 이상 단말을 서비스했고, MES+AI와 산업용 Agent 실무는 RAG를 제조 실행 시스템과 연결하는 것이 오늘날 제조업 AI의 가장 실용적인 경로 중 하나임을 보여준다.

주제: AI 및 AI 에이전트 백과