산업 지식 그래프와 에이전트의 결합은 스마트 제조에서 가장 주목할 만한 기술 경로 중 하나가 되어 산업 AI를 대화할 수 있는 단계에서 실제로 일할 수 있는 단계로 이동시키고 있습니다. 지난 2년간 대형 모델은 산업 배포에서 어색한 지점에 부딪혔습니다. 모델은 보고서를 쓰고 질문에 답할 수 있지만 설비 대장, 공정 경로, BOM 사이의 깊은 관계는 이해하지 못합니다. 지식 그래프가 그 격차를 메우고 에이전트가 지식을 행동으로 바꾸며, 둘이 함께여야 공장에서 실제로 쓸 수 있는 에이전트가 됩니다.
1. 핵심 개념과 정의
산업 지식 그래프는 공장의 요소인 인원, 설비, 자재, 방법, 환경, 측정과 그들 사이의 종속, 인과, 시간, 제약 관계를 구조화된 시맨틱 네트워크로 조직한 것입니다. 설비는 노드이고 공정 파라미터도 노드이며 주문, 작업지시, 검사 기록도 노드이고, 엣지는 이 기계가 어느 라인에 속하는지, 이 파라미터가 어느 공정에 영향을 주는지, 어느 작업지시가 이 자재 배치를 소비하는지를 나타냅니다.
에이전트는 인지, 계획, 의사결정, 실행 능력을 갖춘 소프트웨어 실체입니다. 지시를 기다리지 않고 목표를 중심으로 작업을 분해하고 도구를 호출하며 결과를 자율적으로 검증합니다. 산업 환경에서 에이전트는 설비 건전성 관리자일 수도 있고 스케줄링 배차 담당자일 수도 있습니다.
둘을 결합하는 의미는 명확합니다. 지식 그래프는 에이전트의 장기 기억과 추론 기반이고, 에이전트는 지식 그래프의 행동 인터페이스입니다. 그래프가 없으면 에이전트는 쉽게 헛소리를 하고, 에이전트가 없으면 그래프는 조회할 수는 있지만 활용할 수 없는 차트에 불과합니다.
2. 기술 원리와 주요 역량
기술 구현 관점에서 이 경로는 보통 네 계층의 역량을 포함합니다.

첫째 계층은 온톨로지 모델링과 엔티티 추출입니다. ISA-95, IEC 62264 같은 표준과 공장의 현실을 결합해 설비, 공정, 자재, 결함의 온톨로지를 정의한 뒤 MES, SCADA, ERP, PLM의 데이터에서 엔티티와 관계를 추출합니다. 이 단계가 그래프가 공장을 닮았는지를 결정합니다.
둘째 계층은 그래프 추론과 시맨틱 질의입니다. 그래프 데이터베이스와 추론 엔진을 통해 다중 홉 질의를 지원합니다. 예를 들어 연속 세 배치의 불량이 같은 공급업체 배치의 자재에서 비롯된 모든 작업지시를 찾는 것입니다. 이런 질문은 긴 SQL을 작성해야 하지만 그래프 질의로는 훨씬 직관적입니다.
셋째 계층은 에이전트의 작업 계획과 도구 호출입니다. 목표를 받으면 에이전트는 먼저 그래프에서 관련 엔티티를 검색한 뒤 어떤 도구를 호출할지 결정합니다. 실시간 데이터 조회, 과거 작업지시 가져오기, 규칙 엔진 트리거, 작업지시 제안 생성입니다. 여기서 그래프는 제약 역할을 하여 에이전트가 무관한 도구를 호출하거나 환각을 일으키지 않게 합니다.
넷째 계층은 피드백 루프입니다. 에이전트가 실행한 뒤의 결과, 예를 들어 스케줄링 제안이 채택되었는지 알람이 확인되었는지가 그래프로 되돌아가 관계 가중치와 엔티티 속성을 갱신합니다. 이는 그래프를 사용할수록 더 정확하게 하고 에이전트를 사용할수록 더 신뢰할 수 있게 합니다.
MES+AI 방향에서 ZEVON의 ESOP 같은 시스템은 지식 그래프를 기반 역량으로 만들어 에이전트가 표면적 질의응답만 하는 대신 작업지시, 공정, 인원 자격 사이의 복잡한 제약을 이해하게 합니다.
3. 제조 적용 시나리오
SMT 라인 전환이 잦고 전환마다 스텐실, 솔더 페이스트, 리플로 프로파일, 초도품 검사 기준을 확인해야 하는 전자 공장을 가정해 보겠습니다. 예전에는 숙련자 경험에 의존했지만 이제 지식 그래프가 제품 모델, 공정 파라미터, 설비 능력, 자재 배치를 하나의 네트워크로 연결하고, 에이전트가 전환 전에 파라미터 패키지를 자동 푸시하며 전환 중 실제값과 그래프 권장값을 비교하고 편차가 한계를 넘으면 알립니다. 이는 사람을 대체하는 것이 아니라 경험을 축적하는 것입니다.

사출기의 배치 치수 편차가 자주 나타나는 자동차 부품 기업을 가정해 보겠습니다. 지식 그래프는 금형, 배럴 온도, 보압 시간, 주변 습도, 원자재 배치를 연결하고, 에이전트가 특정 기계가 세 샷 연속 공차를 초과한 것을 감지하면 그래프를 통해 역추적하여 같은 금형의 히팅 코일이 지난주 교체되었음을 찾고 해당 금형의 온도 제어 루프 점검을 제안합니다. 이런 시스템 간, 시간 간 상관 분석은 전통적인 알람 시스템이 하기 어렵습니다.
애프터서비스 수리가 전문가의 현장 방문에 의존하는 설비 제조사를 가정해 보겠습니다. 지식 그래프는 설비 BOM, 고장 코드, 수리 작업지시, 예비품 재고를 연결하고, 고객이 고장을 신고하면 에이전트가 먼저 원격 진단을 수행해 무엇을 먼저 확인하고 다음에 무엇을 볼지 단계를 제시하며 어떤 예비품이 필요할지 예측합니다. 그 이면에서 그래프가 추론을 지원하고 에이전트가 상호작용을 지원합니다.
ZEVON이 산업 AI와 에이전트에서 쌓은 축적은 바로 이런 시나리오를 중심으로 구성되어 지식 그래프가 전시용이 아니라 일상 업무 흐름에 들어가게 합니다. ZEVON은 15개 이상 산업의 120개 이상 고객에게 서비스를 제공하고 3,200개 이상 터미널을 연결해 왔으며, 이런 시나리오는 이산 제조와 프로세스 제조 모두에서 해당 수요를 갖습니다.
4. 선정과 구축 권고
먼저 기술보다 시나리오를 정의해야 합니다. 처음부터 공장 전체 지식 그래프를 구축하지 말고 전환 파라미터 권고, 설비 고장 원인 분석, 품질 이상 추적처럼 빈도가 높고 가치가 크며 경계가 명확한 시나리오를 선택해야 합니다. 시나리오가 구체적일수록 그래프가 수렴하기 쉽습니다.
둘째, 그래프는 업무 시스템과 연결되어야 합니다. 그래프는 독립 시스템이 아니며 MES, ERP, QMS, SCADA에서 데이터를 지속적으로 획득해야 합니다. 데이터가 연결되지 않으면 그래프는 죽은 것입니다. 선정 시 인터페이스 능력과 데이터 갱신 메커니즘에 주목해야 합니다.
셋째, 에이전트는 설명 가능하고 개입 가능해야 합니다. 산업 시나리오는 블랙박스 제안을 받아들이지 않습니다. 에이전트가 내는 모든 결론은 그래프의 구체적 엔티티와 관계 경로로 추적 가능해야 하며 운영자가 확인, 정정, 거부할 수 있어야 합니다.

넷째, 작은 폐루프에서 시작해야 합니다. 먼저 에이전트가 조언하고 사람이 실행하게 한 뒤 점진적으로 자율 실행을 개방해야 합니다. 이 과정에서 그래프의 커버리지와 정확도는 자연스럽게 향상됩니다.
다섯째, 장기 유지보수성에 주목해야 합니다. 산업 지식 그래프는 일회성 프로젝트가 아니라 지속 운영입니다. 온톨로지 설계는 확장 여지를 남겨야 하고 엔티티와 관계는 버전 관리가 필요하며, 그렇지 않으면 6개월 뒤 아무도 바꾸려 하지 않습니다.
5. 트렌드 전망
첫째 방향은 그래프와 멀티모달 데이터의 융합입니다. 미래 산업 지식 그래프는 정형 데이터만 담지 않고 이미지, 오디오, 진동 파형까지 연결합니다. 예를 들어 비정상 베어링 소음의 오디오 특징을 고장 모드와 연결된 노드로 사용하면 에이전트가 소리로 고장을 진단할 수 있습니다.
둘째 방향은 에이전트 간 협업입니다. 스케줄링 에이전트, 설비 에이전트, 품질 에이전트가 같은 지식 그래프를 공유하고 서로 협상합니다. 그래프는 다중 에이전트 시스템의 공유 칠판이 되며, 이것이 산업 AI가 단일 지점 지능에서 시스템 지능으로 이동하는 열쇠입니다.
셋째 방향은 엣지의 경량 그래프입니다. 공장의 많은 의사결정은 밀리초 응답이 필요해 모두 클라우드로 갈 수 없습니다. 서브그래프와 경량 에이전트를 엣지 게이트웨이에 배포하면 로컬 추론과 로컬 실행이 가능하고 클라우드는 전역 동기화와 모델 갱신만 담당합니다. 이는 실시간 요구가 높은 라인에서 특히 중요합니다.
산업 지식 그래프와 에이전트의 결합은 본질적으로 산업 노하우를 사람의 두뇌에서 시스템으로 옮기고 시스템에 손과 발을 달아 주는 것입니다. 이 경로가 공장을 하룻밤에 바꾸지는 않겠지만 산업 AI를 신뢰할 수 있고 사용 가능하며 축적되는 것으로 만들고 있습니다. 제조 기업이 지금 할 일은 관망이 아니라 시나리오 하나를 골라 그래프와 에이전트를 돌려 보는 것입니다.