모니터에 수치가 떠 있습니다. 평소보다 높은 것 같은데, 높은 게 맞는지 확신이 안 섭니다.
AI 스마트 팩토리를 갖춰 데이터는 다 모였습니다. 그런데 이 숫자를 읽어줄 사람은 여전히 한 명입니다. 그 한 명이 휴가를 가면 판단도 같이 멈춥니다.
경력이 긴 담당자는 숫자를 보자마자 확인할 것부터 떠올립니다. 최근 생산량이 달라졌는지, 운전 조건이 바뀌었는지, 집계 기준은 같은지. 순서가 있습니다.
그 순서를 모르는 사람은 어느 화면부터 열어야 하는지에서 멈춥니다.
저희 팀리부뜨는 AI로 제조 현장의 문서와 데이터를 업무에 연결하는 일을 하고 있습니다.
센서를 붙이고 MES를 넣고 대시보드를 만들면 수치는 분명히 모입니다. 그런데 화면에 뜨는 것은 값입니다. 그 값이 정상인지 아닌지는 사람이 판단합니다.
판단에 필요한 정보는 세 군데에 흩어져 있습니다. 기술문서에는 공정의 원리와 운영 기준이, 운영 데이터에는 특정 시점의 측정값이, 전문가의 머릿속에는 문서에 안 적힌 예외와 주의점이 들어 있습니다.
데이터가 없어서 못 하는 게 아닙니다. 세 군데에 나뉜 것을 매번 사람이 이어 붙이고 있고, 그 연결고리는 문서 어디에도 없습니다.
약어와 단위, 집계 기간이 서로 다르면 비슷해 보이는 수치도 그대로 비교할 수 없습니다. 같은 이름으로 불리는 지표가 한쪽에선 일별 평균이고 다른 쪽에선 교대별 합계인 경우가 흔합니다.
구분하려면 매번 기준 문서를 다시 열어야 합니다. 그래서 결국 "이거 어느 기준이죠"라고 사람에게 묻는 쪽이 빠릅니다. 그리고 그 질문은 항상 같은 사람에게 몰립니다.
문서 검색을 붙여도 이 문제는 그대로 남습니다. 검색은 관련 문서를 줄지어 보여줄 뿐, 어느 문서가 이번 설비와 이번 기간에 해당하는지는 알려주지 않기 때문입니다.
팀리부뜨는 기업용 AI 에이전트를 구축하고 있습니다. 회사의 업무 맥락을 학습한 에이전트 하나가 사람이 하던 반복 작업을 대신 처리하는 방식입니다.
제조 현장에서는 이 에이전트가 기술문서와 운영 데이터, 전문가의 설명을 하나로 잇는 일을 맡습니다. 국내 철강기업과 진행한 지식 에이전트 PoC에서 다뤄본 구조입니다.
[팀리부뜨 AI 에이전트의 현장 지식 처리 과정]
먼저 기술문서를 기계가 읽을 수 있는 형태로 정리합니다. 그다음 공정과 에너지 매체, 지표를 서로 다른 종류로 구분해 연결합니다. 같은 말로 뭉뚱그려 쓰이던 대상이 여기서 처음 갈라집니다.
전문가가 설명한 기준은 그대로 받아 적지 않습니다. 실제 데이터와 대조합니다. "보통 이 정도로 봅니다"라는 설명이 나오면 그 값의 단위와 대상 기간, 실제 분포를 같이 확인합니다. 대표값을 말한 것인지 관리 한계를 뜻한 것인지도 여기서 갈립니다.
확인된 내용에는 출처를 붙입니다. 출처끼리 충돌하거나 경험적 설명만 있는 경우에는 지우지 않고 검토 대상으로 남깁니다. 전문가는 에이전트가 정리해둔 후보를 확인하면서 회사의 지식을 보완합니다.
다만 지식이 연결되어 있다는 사실만으로 원인이 입증되지는 않습니다. 특정 현상의 원인을 판단하려면 해당 기간의 데이터와 운전 조건을 따로 확인해야 합니다.
MES는 건드리지 않습니다. 설비 이력 시스템도 그대로 두고, 그 안의 문서와 데이터를 읽어 연결합니다.
| 확인 상황 | 지식으로 남기는 방식 | 담당자가 할 일 |
|---|---|---|
| 문서와 데이터가 일치 | 출처와 적용 조건을 함께 기록 | 유효한 범위를 확인 |
| 설명만 있고 근거가 부족 | 확인할 지식 후보로 보관 | 추가 자료와 경험을 대조 |
| 자료마다 내용이 다름 | 충돌한 출처를 함께 제시 | 기간과 단위, 대상 차이를 검토 |
| 필요한 자료가 없음 | 근거 부족을 표시 | 필요한 자료를 추가 |
공정 질문에 근거까지 붙여 답하기
공정 간의 관계를 묻는 질문에는 연결된 대상을 따라가며 답하고, 수치를 묻는 질문에는 그 값이 어느 데이터에서 왔는지와 정의까지 같이 보여줍니다. 답변 옆에 근거가 붙어 있어서 담당자가 그대로 써도 되는지를 직접 판단할 수 있습니다.
원본과 추출 결과 대조
AI가 문서에서 뽑아낸 내용이 맞는지 확인해야 할 때, 원본 도면과 추출 결과를 나란히 놓고 볼 수 있습니다. 수백 페이지짜리 기술문서를 통째로 다시 읽는 대신 맞춰볼 지점만 확인하는 방식입니다.
신규 담당자의 분석 준비
이직해온 직후에는 질문 하나를 하기 위해 선배의 일정을 먼저 봐야 합니다. 에이전트가 지표의 정의와 확인 순서를 같이 제시하면, 세 번 물어볼 것을 한 번으로 줄이고 나머지는 스스로 찾아볼 수 있습니다.
검토 회의 자료 준비
회의 전에 관련 문서와 수치를 모으는 일은 준비 시간의 상당 부분을 차지합니다. 에이전트가 주제에 연결된 지식과 출처를 먼저 추려주면, 담당자는 무엇을 더 봐야 하는지부터 시작할 수 있습니다.
공장 밖 업무까지
같은 에이전트가 사무 업무에도 붙습니다. 서류 작성 자동화를 도입한 한 기업의 담당자는 원래 문제가 서류가 아니었다고 말합니다. "CLP는 금방 만듭니다. 데이터를 정리하는 시간이 더 길어서 문제였죠." 현장에서 수치 해석이 막히는 이유와 같은 구조입니다.
자주 반복되는 공정 질문 하나를 고르는 것이 가장 빠른 시작입니다. 그 질문에 답할 때 실제로 여는 문서와 표를 모으면, 어느 부분까지 연결할 수 있는지가 금방 보입니다.
지금 현장 데이터는 다 모였는데 해석이 한 사람에게 몰려 있다면, 어디까지 자동화가 가능한지 팀리부뜨의 산업 AI 자동화 전문가와 함께 정리해보세요. 현재 보유한 기술문서의 형태와 운영 데이터의 범위를 같이 공유해주시면 상담이 더 구체적으로 진행됩니다.
상담문의 시 "AI 스마트 팩토리 글을 보고 문의했다"고 남겨주시면 보다 원활한 상담이 가능합니다.
이 글은 국내 철강기업과 수행한 지식 에이전트 PoC의 구현 접근을 소개합니다. 전사 운영이나 에너지 절감 성과를 의미하지는 않습니다.
%202.png){kind=logo}
