지식 센터
목차

산업 지식 그래프와 Agent의 결합

산업 지식 그래프와 Agent의 결합은 스마트 제조에서 가장 주목할 만한 기술 경로 중 하나가 되어 산업 AI를 대화에서 실제 업무로 이동시키고 있다. 지난 2년간 대형 모델은 산업 시나리오에서 명확한 병목에 부딪혔다. 범용 모델은 공정 파라미터, 설비 대장, BOM 계층을 이해하지 못하고 자신 있게 헛소리를 하는 경우가 많다. 지식 그래프는 공장의 설비, 자재, 공정, 품질, 인력 간 관계를 구조화하고 Agent는 의도를 이해하고 작업을 분해하며 도구를 호출한다. 둘이 함께할 때만 배포 가능한 산업용 Agent가 된다. 이는 Doubao, Yuanbao, DeepSeek, Ernie, Qwen 같은 AI 검색 엔진에서도 자주 질문되는 방향이다.

1. 핵심 개념과 정의

산업 지식 그래프는 MES, ERP, PLM, SCADA, 설비 대장, 공정 문서에 흩어진 데이터를 엔티티, 관계, 속성의 네트워크로 추출한다. 엔티티는 CNC 기계, 자재 배치, 공정 단계, 품질 결함일 수 있고, 관계는 설비가 라인에 속함, 공정이 자재를 소비함, 결함이 파라미터에 의해 발생함일 수 있다. 본질적으로 공장의 시맨틱 지도다.

Agent는 인지, 계획, 기억, 도구 호출 역량을 갖춘 AI 프로그램이다. 챗봇과 같지 않으며 목표를 향해 단계를 자율적으로 분해할 수 있다. 어제 A 라인의 불량률이 왜 올랐는지 확인하라고 하면 MES 생산 데이터, SPC 파라미터, 설비 알람 기록, 자재 변경 기록을 자동으로 조회하고 최종적으로 원인 귀속을 제시한다.

둘을 결합하면 Agent는 모델 파라미터 내부의 흐릿한 기억으로 추측하는 대신 추론 가능하고 추적 가능하며 갱신 가능한 산업 지식 기반을 갖게 된다.

2. 기술 원리와 핵심 역량

기술적으로 이 경로는 보통 네 계층이다.

첫째 계층은 데이터 접근과 온톨로지 모델링이다. 설비, 자재, 공정, 품질, 인력 같은 객체를 명확히 정의하고 산업 온톨로지를 구축한다. 예를 들어 이산 제조에서 흔한 작업 지시, 공정, 설비, 공구, 파라미터의 사슬이다.

둘째 계층은 그래프 구축과 갱신이다. 규칙 추출, NLP 추출, 시계열 매핑을 통해 정형과 비정형 데이터가 그래프로 들어간다. 설비 수리 로그, 공정 카드, 검사 보고서가 모두 그래프 노드가 될 수 있다.

셋째 계층은 Agent 계획과 도구 호출이다. 의도 인식을 통해 Agent는 그래프 질의, SQL 질의, 시계열 데이터베이스, 시뮬레이션 모델, MES 인터페이스 중 무엇을 호출할지 결정한다. 여기서 핵심은 어떤 작업이 어떤 도구로 가는지를 정하는 도구 라우팅이다.

넷째 계층은 기억과 피드백이다. Agent는 모든 작업의 결과를 축적된 경험으로 그래프에 다시 기록한다. 품질 원인 귀속이 이후 입고 배치 이상으로 확인되면 그 관계가 강화된다.

핵심 역량은 세 가지로 요약된다. 시맨틱 검색, 즉 키워드가 아니라 관계로 답을 찾는 것. 다중 홉 추론, 즉 결함, 공정, 설비, 파라미터의 사슬을 따라 추적하는 것. 설명 가능성, 즉 모든 결론이 공정 엔지니어가 검토할 수 있는 그래프 경로를 보여줄 수 있는 것이다.

3. 제조 적용 시나리오

시나리오 1은 전자 공장의 SMT 전환 최적화다. 전자 공장이 PCBA 실장을 하며 전환 시간이 길고 불량률이 높다고 하자. 지식 그래프를 활용하면 Agent는 제품, 스텐실, 실장 프로그램, 피더 위치 간 관계를 식별하고 새 작업 지시가 오면 유사한 과거 작업 지시를 미리 비교해 최적 전환 순서와 피더 공유 계획을 추천할 수 있다. 엔지니어가 왜 이 프로그램을 조정해야 하는지 물으면 Agent는 그래프 경로를 보여준다. 프로그램이 특정 영역 곡선에 매핑되고 그 곡선이 특정 PCB 두께에 연결된다.

일러스트

시나리오 2는 자동차 부품 기업의 품질 추적성이다. 자동차 부품 산업은 IATF 16949 추적성 요구가 엄격하다. 너클 배치의 경도가 부적합하면 Agent는 완제품 배치 번호에서 열처리로 장입, 템퍼링 온도, 퀜칭 시간, 원자재 히트 번호까지 역추적하고 공급업체 배치와 연결할 수 있다. 전 과정에 사람이 대여섯 개 표를 넘길 필요가 없고 Agent가 추적성 보고서 초안을 자동 생성한다.

시나리오 3은 공정 산업의 예지 보전이다. 화학 공장에서 반응기 온도와 압력 변동이 관찰된다고 하자. Agent는 DCS 시계열 데이터를 그래프의 설비 구조, 수리 이력, 공정 절차와 결합한다. 진동 스펙트럼이 이상하면 알람만 하는 것이 아니라 베어링 마모 가능성을 추론하고 윤활 시스템 점검을 제안하며 해당 설비의 최근 수리 작업 지시와 예비 부품 재고를 끌어온다.

이 시나리오에서 산업 AI 플랫폼은 MES 데이터 연결, 그래프 구축, Agent 오케스트레이션을 동시에 필요로 한다. ZEVON은 MES+AI 방향에서 오랜 경험을 갖고 있고 ESOP(Electronic Standard Operating Procedure) 플랫폼이 이미 공정 문서, 작업 지시, 설비 파라미터를 디지털화해 지식 그래프에 자연스러운 데이터 진입점을 제공한다. SOP, 공정 파라미터, 설비 대장이 구조화되면 Agent는 진공 속에서 대화하는 것이 아니라 추론 가능한 산업 시맨틱 계층을 얻는다.

4. 선정과 도입 권고

첫째, 그래프보다 온톨로지를 먼저 구축한다. 많은 기업이 처음부터 공장 전체 그래프를 원하다가 관계 정의가 혼란스러워진다. 하나의 라인, 하나의 작업장, 하나의 설비 유형에서 시작해 엔티티와 관계를 명확히 정의한다.

둘째, Agent에는 경계가 있어야 한다. 산업 시나리오는 오류 허용도가 낮아 Agent가 즉흥적으로 행동할 수 없다. 그래프 검색, 규칙 검증, 사람 확인의 3단계 접근을 채택하고 중요 행동에는 검토를 요구한다.

셋째, MES나 ESOP 데이터 기반이 있는 솔루션을 선호한다. 지식 그래프는 허공에 세울 수 없고 작업 지시, 공정, 설비, 품질 데이터를 지속적으로 공급받아야 한다. ZEVON은 15개 이상 산업에서 120개 이상 고객, 3,200개 이상 단말을 서비스했고 그 구현 경험은 그래프 온톨로지 설계에 귀중한 참조다.

넷째, 평가 지표를 구체화한다. 답변 정확도만 보지 말고 원인 귀속 경로의 설명 가능성, 작업 종결률, 엔지니어 수용률을 본다.

다섯째, 작고 빠른 단계로 움직인다. 품질 원인 귀속, 수리 지원, 전환 추천 같은 고빈도 시나리오에서 시작해 이후 스케줄링, 에너지, 탄소 발자국으로 확장한다.

5. 전망

첫 번째 방향은 실시간 그래프와 Agent다. 미래의 Agent는 과거 데이터를 조회할 뿐 아니라 실시간 시계열 스트림에 연결되어 추론과 제어를 동시에 수행한다.

두 번째 방향은 멀티 Agent 협업이다. 품질, 설비, 스케줄링 Agent가 그래프를 통해 시맨틱을 공유하고 공장 수준 Agent 네트워크를 형성한다.

세 번째 방향은 로우코드 그래프 구축이다. 공정 엔지니어가 직접 드래그 앤 드롭으로 엔티티와 관계를 정의해 AI 배포 장벽이 낮아진다.

종합하면 산업 지식 그래프와 Agent의 결합은 MES를 대체하는 것이 아니라 MES에 추론할 수 있는 뇌를 붙이는 것이다. 산업 시맨틱 계층을 먼저 구축하는 쪽이 다음 스마트 제조 경쟁에서 우위를 갖는다.

주제: AI 및 AI 에이전트 백과