Manufacturing AI

제어 시스템의 태그 값을 시각과 함께 오래 저장하는 시계열 전용 데이터베이스입니다. 공정 데이터 분석과 모델 학습의 원천이 됩니다.

제어 시스템이나 히스토리언에서 측정값 하나의 흐름에 붙이는 이름입니다. 설비 태그와 달리 온도, 압력 같은 신호 하나를 가리킵니다.

같은 조건에서 함께 만들어 하나로 추적하는 생산 묶음입니다. 품질 문제가 생기면 영향 범위를 로트 단위로 찾습니다.

설비, 제어기, 상위 시스템이 데이터를 주고받는 방식을 정한 통신 규약입니다. 같은 공장 안에서도 여러 프로토콜이 섞여 있어 변환이 필요합니다.

어떤 제품을 얼마나, 언제까지, 어느 라인에서 만들지 현장에 내리는 지시 단위입니다. 실적, 자재, 품질 기록이 이 번호로 묶입니다.

설비, 시스템, 사람이 데이터로 연결되어 생산을 감시하고 스스로 조정하는 공장입니다. 자동화 설비만 있다고 스마트공장이 되지는 않고, 데이터가 의사결정에 쓰여야 합니다.

현장 설비의 통신 규격을 받아 상위 시스템이 읽을 수 있는 형식으로 바꾸어 넘기는 현장 장치입니다. 간단한 전처리와 추론을 맡기도 합니다.

설비와 공정을 직접 감시하고 제어하는 하드웨어와 소프트웨어를 묶어 부르는 말입니다. 사무 정보 시스템과 보안, 가용성, 교체 주기의 기준이 다릅니다.

제품 하나를 만드는 데 들어가는 부품과 자재, 그 수량과 상하 구성을 적은 목록입니다.

구매, 재고, 판매, 원가, 회계를 한 데이터베이스로 관리하는 레벨 4 시스템입니다. 생산 계획과 자재 소요가 여기서 시작됩니다.

생산 오더를 현장에 내리고 작업 실적, 자재 투입, 품질 결과를 기록하는 레벨 3 시스템입니다. 제조 AI가 쓰는 맥락 데이터의 주된 원천입니다.

완제품에서 거꾸로 원자재, 설비, 작업자, 공정 조건까지 따라갈 수 있게 기록을 잇는 능력입니다.

공장의 모든 데이터를 사업장, 구역, 라인, 설비 순의 한 이름 체계 아래 실시간으로 발행하는 구성 방식입니다. 시스템끼리 일대일로 잇는 연결을 줄이려고 씁니다.

공장의 시스템을 센서와 설비(레벨 0~2), 제조 운영(레벨 3), 경영 계획(레벨 4)으로 나눈 기준 구조입니다. 어느 시스템이 어떤 데이터를 맡는지 정할 때 씁니다.

발행과 구독 방식으로 작은 메시지를 가볍게 주고받는 통신 규약입니다. 설비 데이터를 클라우드나 데이터 허브로 올릴 때 많이 씁니다.

설비와 시스템이 제조사와 상관없이 데이터와 그 의미를 주고받도록 정한 산업 통신 규격입니다. 값뿐 아니라 정보 모델도 함께 전달합니다.

센서 입력을 받아 정해진 논리대로 모터, 밸브 같은 구동기를 제어하는 산업용 제어기입니다. 설비 데이터의 가장 아래 원천입니다.

여러 PLC와 계측기의 값을 모아 운전 화면에 보여 주고 원격으로 명령을 내리는 감시 제어 시스템입니다.

입력과 결과 사이의 관계 자체가 바뀌는 현상입니다. 같은 공정 조건에서도 불량이 다르게 나오기 시작하면 모델을 다시 학습해야 합니다.

데이터를 내보내는 쪽과 받는 쪽이 필드 이름, 단위, 주기, 품질 기준을 미리 정해 둔 약속입니다. 원천 시스템이 바뀌어도 분석이 깨지지 않게 합니다.

예측 시점에는 알 수 없는 정보가 학습에 섞여 시험 성능이 실제보다 좋게 나오는 현상입니다. 검사 결과 뒤에 기록되는 값을 입력에 넣을 때 흔히 생깁니다.

운영 중 들어오는 입력 데이터의 분포가 학습 때와 달라지는 현상입니다. 원자재 변경, 계절, 설비 교체가 흔한 원인입니다.

학습 데이터에 양품과 불량, 불량 유형, 결함 위치 같은 정답을 붙이는 작업입니다. 제조에서는 검사원과 공정 기술자의 판단이 기준이 됩니다.

데이터를 학습용, 검증용, 시험용으로 나누는 일입니다. 제조에서는 무작위로 나누기보다 기간이나 로트로 나누어야 실제 성능에 가깝습니다.

원천 데이터를 모델에 넣을 수 있게 고치고, 맞추고, 변환하는 작업 전체입니다.

잘못된 값, 중복, 단위 차이, 형식 오류를 찾아 고치거나 표시하는 작업입니다.

서로 다른 시스템의 데이터를 같은 제품, 같은 로트, 같은 시각으로 맞추어 한 행에 묶는 작업입니다. 제조 데이터 준비에서 가장 시간이 많이 듭니다.

시각 순서로 쌓인 측정값입니다. 센서와 태그 값이 대부분 이 형태이며 시각을 기준으로 다른 데이터와 맞춥니다.

모델의 예측과 비교하는 기준이 되는 실제 결과입니다. 검사원마다 판정이 다르면 정답부터 흔들립니다.

양품은 많고 불량은 아주 적은 것처럼 범주별 데이터 수가 크게 차이 나는 상태입니다. 정확도만 보면 성능을 잘못 판단하게 됩니다.

원시 신호나 이미지에서 평균, 기울기, 주파수 성분처럼 모델이 쓰기 좋은 값을 뽑아내는 작업입니다.

모델이 규칙을 배우는 데 쓰는 데이터입니다. 운영 중 만날 조건을 고르게 담아야 현장에서 성능이 유지됩니다.

검사에서 실제 상태와 다른 판정을 내리는 일입니다. 양품을 불량으로 보는 과검과 불량을 양품으로 보는 미검으로 나뉩니다.

영상이나 신호에서 결함이 있는지와 그 위치를 찾아내는 일입니다. 결함의 유형을 나누는 불량 분류보다 앞 단계이며, 영상에서는 위치를 상자나 픽셀 영역으로 표시합니다.

양품을 불량으로 잘못 판정하는 일입니다. 검사 자동화에서 재검 인력과 수율 손실로 이어집니다.

측정값을 시간 순으로 그리고 관리 한계를 그어 우연 변동과 이상 변동을 나누는 그래프입니다.

여러 변수를 한꺼번에 보아 변수 사이의 관계가 깨지는 이상을 찾는 공정 감시 방법입니다.

회전, 밝기 변화, 잡음 추가처럼 원본을 변형해 학습 데이터를 늘리는 방법입니다.

카메라와 조명, 영상 처리로 제품의 모양, 치수, 표면을 자동으로 판단하는 기술입니다.

불량을 양품으로 잘못 판정해 다음 공정이나 고객에게 넘기는 일입니다. 대개 과검보다 비용이 훨씬 큽니다.

찾아낸 불량을 스크래치, 찍힘, 이물 같은 유형으로 나누는 일입니다. 유형별로 원인 공정이 달라 대책을 고르는 근거가 됩니다.

카메라 영상을 모델로 판독해 제품의 외관 불량을 찾아내는 검사입니다. 사람 육안 검사를 대신하거나 보조합니다.

관측 하나가 정상에서 얼마나 벗어났는지 나타내는 수치입니다. 어디서 경보를 낼지는 오경보 비용을 보고 정합니다.

정상 데이터의 패턴을 배워 그와 다른 관측을 찾아내는 방법입니다. 불량 사례가 적은 제조 현장에서 많이 씁니다.

공정에서 측정한 값의 변동을 통계로 감시해 이상 원인을 일찍 찾는 품질 관리 방법입니다.

실제 불량이 적을 때 그래픽, 생성 모델, 시뮬레이션으로 만든 불량 영상이나 신호입니다. 실제 데이터로 성능을 다시 확인해야 합니다.

실제로 재지 않은 품질 값을 공정 데이터로 예측하는 모델입니다. 측정이 느리거나 표본으로만 재는 공정에서 씁니다.

물리 법칙이나 공정 모델로 조건을 바꿨을 때의 결과를 계산해 보는 일입니다.

온도, 압력, 속도, 시간처럼 공정 결과에 영향을 주며 조정할 수 있는 조건입니다.

품질, 생산성, 에너지 같은 목표를 함께 보며 공정 파라미터의 가장 좋은 조합을 찾는 일입니다.

시간이 오래 걸리는 시뮬레이션이나 실험을 대신해 빠르게 결과를 근사하는 모델입니다.

실제 설비나 공정의 상태를 데이터로 계속 받아 가상 모델에 반영하고, 그 모델로 감시와 예측을 하는 구성입니다. 실물과 데이터가 이어져 있다는 점이 단순 시뮬레이션과 다릅니다.

제품 하나를 만들기 위한 공정 순서와 단계별 설정값을 묶은 실행 단위입니다. 배치 공정에서 많이 씁니다.

지금까지의 실험 결과로 다음에 시험할 조건을 고르며 적은 시도로 최적점에 다가가는 방법입니다. 실험 한 번이 비싼 공정에 맞습니다.

직접 재기 어려운 값을 다른 측정값으로 계산해 내는 모델 기반 센서입니다.

적은 실험으로 여러 인자의 영향을 가려내도록 실험 조건의 조합을 미리 짜는 방법입니다.

작업 시작, 완료, 고장 같은 사건이 일어나는 시점만 따라가며 라인과 물류의 흐름을 모사하는 방법입니다. 병목과 재공을 미리 볼 때 씁니다.

자재, 설비 능력, 작업 순서 제약을 함께 고려해 실행 가능한 계획과 일정을 계산하는 시스템입니다.

완제품을 기간별로 몇 개 만들지 확정한 계획입니다. 자재 소요 계산의 입력이 됩니다.

라인 전체의 생산량을 정하는 가장 느린 공정이나 설비입니다. 병목이 아닌 곳을 개선해도 전체 생산량은 늘지 않습니다.

수요와 재고, 생산능력을 보고 무엇을 언제 얼마나 만들지 정하는 일입니다.

작업을 어느 설비에서 어떤 순서로 언제 할지 정하는 일입니다. 납기, 준비 시간, 설비 제약을 함께 맞춥니다.

계획한 생산량을 설비와 인력으로 감당할 수 있는지 따지고 부족분을 맞추는 일입니다.

과거 판매와 시장 정보로 앞으로의 제품 수요를 추정하는 일입니다. 생산 계획의 출발점입니다.

기준생산계획과 자재명세서, 재고로 필요한 자재의 수량과 발주 시점을 계산하는 방법입니다.

제품마다 거치는 설비 순서가 다른 작업장에서 일정을 짜는 문제입니다. 조합이 많아 최적화 알고리즘이나 강화학습을 씁니다.

모델이 낸 답의 각 주장에 어떤 문서나 데이터가 근거인지 붙이는 일입니다. 사람이 답을 확인할 수 있게 합니다.

설비 매뉴얼, 작업 표준서, 품질 기준서를 검색 대상으로 삼아 현장 질문에 답하는 RAG입니다.

AI의 판정이나 제안을 실제로 적용하기 전에 사람이 검토하고 승인하는 단계를 두는 설계입니다.

테이블 이름이 아니라 온톨로지의 개념과 관계로 질문을 적어 여러 원천 데이터를 함께 묻는 방식입니다.

생산 오더, 정비 기록, 교대 일지처럼 길고 흩어진 기록을 언어 모델로 요약해 담당자에게 넘기는 일입니다.

작업자가 한 공정을 어떤 순서와 기준으로 해야 하는지 적은 문서입니다. 매뉴얼 RAG의 주요 검색 대상입니다.

설비, 공정, 제품, 자재, 품질 기록 같은 개념과 그 관계를 정해 둔 공유 어휘입니다. 시스템마다 다른 이름을 같은 뜻으로 묶는 기준이 됩니다.

제조 온톨로지에 맞춰 실제 설비, 로트, 고장, 문서를 노드와 관계로 연결한 데이터입니다.

제조 문서, 용어, 데이터로 맞추어 현장 질문과 문서 작업에 쓰는 대규모 언어 모델입니다. 범용 모델에 검색이나 미세 조정을 더해 만듭니다.

언어 모델이 목표에 맞춰 데이터 조회, 계산, 문서 작성 같은 도구를 골라 쓰며 여러 단계 업무를 처리하는 프로그램입니다. 설비를 직접 조작하는 결정은 사람에게 남깁니다.

언어 모델이 근거 없는 내용을 사실처럼 만들어 내는 현상입니다. 수치와 설비 번호가 틀리면 현장 사고로 이어질 수 있습니다.

운영 중인 모델의 입력 분포, 예측 결과, 실제 정답과의 차이를 계속 지켜보는 일입니다.

모델이 운영에 쓰일 만큼 정확하고 안정적인지 학습에 쓰지 않은 데이터와 현장 조건으로 확인하는 일입니다.

새로 쌓인 데이터로 모델을 다시 학습해 바뀐 공정 조건에 맞추는 일입니다. 재학습한 모델도 검증을 거쳐 배포합니다.

학습한 모델을 버전, 학습 데이터, 성능 기록과 함께 보관하고 어느 버전이 운영 중인지 관리하는 곳입니다.

모델이 왜 그 판단을 했는지 사람이 이해할 수 있게 근거를 보여 주는 기법과 성질입니다. 공정 기술자가 결과를 받아들이는 데 필요합니다.

모델을 클라우드가 아니라 설비 옆 장치에서 실행해 결과를 바로 내는 방식입니다. 지연이 짧고 데이터를 밖으로 내보내지 않아도 됩니다.

불량이라고 판정한 것 가운데 진짜 불량의 비율이 정밀도이고, 진짜 불량 가운데 잡아낸 비율이 재현율입니다. 과검과 미검을 각각 보여 줍니다.

예측 하나에 각 입력 변수나 영상 영역이 얼마나 기여했는지 나타낸 값입니다.

학습과 운영에서 같은 방식으로 계산한 특징 값을 함께 쓰도록 모아 두는 저장소입니다.

모델의 학습, 배포, 감시, 재학습을 반복 가능한 절차와 도구로 묶어 운영하는 방식입니다.

작은 범위의 실제 데이터로 AI가 문제를 풀 수 있는지 짧은 기간에 확인하는 시험 과제입니다.

여러 회사가 데이터를 한곳에 모으지 않고 각자 보관하면서, 정한 규칙과 계약에 따라 필요한 만큼만 주고받는 구조입니다.

공장이 데이터를 얼마나 모으고, 잇고, 믿을 수 있게 관리하는지 단계로 나타낸 정도입니다. AI 과제를 고르기 전에 먼저 봅니다.

제품의 소재, 원산지, 수리 방법, 재활용 정보를 디지털로 담아 제품과 함께 넘기는 기록입니다.

설비나 부품 하나의 정보를 표준 구조의 서브모델로 묶어 디지털로 표현하는 껍데기입니다. 회사와 시스템 사이에서 자산 정보를 같은 형식으로 주고받게 합니다.

제조 데이터의 주인, 품질 기준, 접근 권한, 보관 기간을 정하고 지키게 하는 조직의 규칙과 역할입니다.

개념 검증에 성공한 모델을 다른 라인과 공장으로 넓혀 상시 운영에 넣는 단계입니다. 데이터 연결과 운영 체계가 없어 여기서 멈추는 과제가 많습니다.

현장 문제 가운데 데이터가 있고 효과가 크며 실패 비용이 감당할 만한 것을 골라 AI 과제로 정하는 일입니다.

AI 도입에 든 비용 대비 불량 감소, 생산성 향상, 인력 절감으로 얻은 효과를 돈으로 따진 비율입니다.

자동차 공급망의 회사들이 데이터 공간 방식으로 부품 추적, 탄소 배출량 같은 데이터를 주고받으려고 만든 협력 생태계입니다.