제조 데이터 모델에서 계획과 실적 분리하기

By Mirko Peters · 2026-10-22

현대 제조 공장에서 정확한 AI 진단과 근본 원인 분석을 위해 계획된 라우팅 데이터와 실제 실행 데이터를 분리하는 것이 왜 중요한지 알아봅니다.

Automatically translated with AI from the original post. Read the English original

공장 현장에 인공지능을 도입할 때 데이터 아키텍트는 종종 조용한 함정을 마주합니다. 이상적인 생산 라우팅 계획과 복잡하고 실제적인 실행 기록을 뒤섞는 것입니다. 신뢰할 수 있는 진단 도구를 구축하려면 엔지니어링 팀은 제조 데이터에서 계획과 실적을 분리하는 방법을 익혀야 하며, 이를 통해 AI 모델이 일어났어야 할 일이 아니라 실제로 일어난 일을 평가하도록 해야 합니다.

핵심 요약

• 계획된 라우팅 테이블과 실제 실행 기록을 섞으면 잘못된 AI 진단과 그릇된 근본 원인 결론으로 이어집니다.
• 전사적 자원 관리(ERP)와 제조 실행 시스템(MES)은 서로 다른 수명 주기 단계를 기록하므로, 각각 별도로 모델링해야 합니다.
• 계획과 실적을 엄격하게 분리하면 AI 모델이 어제의 라우팅 가정이 아니라 오늘의 운영 현실을 바탕으로 오늘의 문제를 설명하게 됩니다.
• 그래프 기반 관계는 계획된 사양과 현장에서 관측된 편차를 연결하는 데 필요한 구조적 가교 역할을 합니다.

산업용 AI에서 해피 패스라는 착각

전사적 자원 관리 시스템은 최적화의 결정체입니다. 이 시스템은 제품의 이론적 라우팅을 정의합니다. 즉, 어느 작업장에서 어떤 부품을 조립해야 하는지, 기계에 어떤 등급의 자재를 투입해야 하는지, 사이클 타임이 얼마여야 하는지를 규정합니다. 이 시스템은 완벽한 순서와 예측 가능한 파라미터가 있는 깨끗한 세계에서 작동하며, 이를 흔히 해피 패스라고 부릅니다.

그러나 실제 생산 현장은 혼란스럽습니다. 교대 근무가 바뀌고, 공구는 예상보다 일찍 마모되며, 작업자는 열팽창을 보정하기 위해 허용된 범위에서 조정을 하고, 원자재 로트는 화학적 성분에 미세한 차이를 보입니다. 데이터 과학자가 계획과 실적을 분리하지 않은 채 맥락 없는 원시 텔레메트리로 예측 정비나 근본 원인 분석 모델을 직접 학습시키면, 알고리즘은 위험한 착각을 그대로 물려받게 됩니다.

이상적인 라우팅 테이블로 학습한 AI 모델은 모든 제품 단위가 교과서대로의 경로를 따랐다고 본질적으로 가정합니다. 생산 라인 끝에서 품질 편차가 드러나면, 모델은 현재의 불량을 어제의 라우팅 정의로 설명하려고 합니다. 이러한 불일치가 주목받던 산업용 AI 프로젝트가 소리 없이 힘을 잃고 실행 가능한 인사이트를 제공하지 못하는 주된 이유입니다.

ERP 대 MES: 권한의 경계 이해하기

이 단절을 해결하려면 플랜트 엔지니어는 엔터프라이즈 소프트웨어 계층마다 고유한 권한이 있다는 점을 존중해야 합니다. ERP 시스템은 주문, 일정, 마스터 자재명세서(BOM)를 관리합니다. 제조 실행 시스템(MES)은 공정, 당직 중인 특정 작업자, 설비의 가동 시작과 종료 시각을 정확히 파악합니다.

이 기록들을 평평한 관계형 테이블로 한데 합치거나 머신러닝에 쓰기 위해 데이터 레이크에 무분별하게 쏟아부으면 문제가 생깁니다. 단순 조인은 센서 값을 제품 ID에 연결할 수 있지만, 운영 맥락은 완전히 지워 버립니다. 그 센서 측정값은 표준 생산 중에 발생했을까요, 아니면 유지보수 재정의 중에 발생했을까요, 혹은 수정된 레시피로 시험 배치를 돌리는 중에 발생했을까요?

평면 조인이 현대 분석에서 실패하는 이유

전통적인 데이터 웨어하우징 기법은 재무 보고와 재고 추적을 위해 설계된 평면 조인과 관계형 스키마에 의존합니다. 비즈니스 지표에는 효과적이지만, 공장 운영의 다차원적인 현실을 표현하는 데는 한계가 있습니다. 평면 테이블로는 하나의 제품 변형이 각각 고유한 교정 이력과 센서 기준선을 가진 세 대의 레거시 장비에서 처리되는 상황을 제대로 담아낼 수 없습니다.

AI 서비스가 품질 이상 상황에서 평면 데이터베이스를 조회하면, 일관된 맥락이 아니라 숫자 값의 나열만 보게 됩니다. 계획된 엔지니어링 변경 주문과 승인되지 않은 작업자 개입을 구별하지 못합니다. 그 결과 AI가 생성한 권장 사항은 현장 감독자가 요구하는 엄격한 출처 정보를 갖추지 못하게 됩니다.

열보다 관계를 모델링하기

신뢰할 수 있는 제조 인텔리전스로 나아가려면 핵심 설계 철학을 독립된 열을 저장하는 방식에서 명시적인 관계를 매핑하는 방식으로 전환해야 합니다. 산업 자산에서 수집되는 모든 데이터는 어떤 물리적 자산이 생성했는지, 어떤 운영 맥락에 속했는지, 그리고 정확한 그 시점에 엔지니어링 사양을 준수했는지에 대한 구조적 이력을 함께 지녀야 합니다.

실제로는 다음과 같은 의미적 관계 모델을 구축하는 것을 뜻합니다.

• 특정 리소스는 검증된 작업을 수행합니다.
• 각 작업은 측정된 공차를 가진 고유한 물리적 산출물을 생성합니다.
• 제품 개정판에는 정확한 엔지니어링 사양이 필요합니다.
• 유지보수 활동은 리소스의 운영 상태를 직접 변경합니다.

이러한 방향성 규칙을 적용하면 데이터 아키텍트는 읽기 쉬운 경로를 만들 수 있습니다. 엔지니어는 결함이 있는 제품 단위에서 시작해, 실행 로그, 툴링 기록, 자재 로트, 품질 결과를 따라 그래프를 탐색할 수 있으며, 서로 다른 시스템 로그를 일일이 수작업으로 해석할 필요가 없습니다.

교대 근무 전반에 걸친 운영 진실 확보

3교대로 연속 가동되는 공장을 생각해 봅시다. 주간 교대 감독자는 한 세트의 환경 파라미터에 따라 라인을 관리하고, 오후 작업조는 다른 주변 온도와 새로 입고된 원자재 로트를 마주합니다. 정비팀은 야간 교대 중간에 예방 정비를 수행합니다.

각 독립 소프트웨어 시스템은 자신이 맡은 부분을 정확히 기록합니다. 그러나 시스템 간 연결 고리가 빠져 있으면 공장 전체의 의사결정은 실패합니다. 계획된 라우팅과 실제 실행을 분리하면, 조직은 어떤 생산 단위에 대해서든 실제 운영 상황을 정확하게 재구성할 수 있습니다.

산업 지식을 구조화하고 고급 의미 모델로 클라우드 아키텍처를 강화하는 방법을 더 깊이 살펴보려면 전체 에피소드를 들어보세요. 이러한 관계를 모델링하는 방법을 이해하는 것이 공장 현장을 실제로 이해하는 AI 시스템을 구축하는 첫걸음입니다.

자주 묻는 질문

계획과 실적을 혼합하면 제조 AI 모델이 실패하는 이유는 무엇인가요?

AI 모델이 실시간 장애를 설명하기 위해 정적인 라우팅 계획에 의존하면, 일시적인 편차, 작업자 개입, 장비 우선 제어(override)를 정상 운영 상태로 잘못 해석하여 부정확한 근본 원인 분석으로 이어집니다.

ERP 라우팅 데이터와 MES 실행 로그의 차이는 무엇인가요?

ERP 라우팅 데이터는 제품에 대해 계획된 이상적인 작업 순서를 나타내는 반면, MES 실행 로그는 생산 중 실제로 발생한 시간, 구체적인 설비, 툴링 상태, 환경 조건을 기록합니다.

계획과 실적을 분리하면 품질 편차 추적이 어떻게 개선되나요?

엔지니어는 무엇이 이루어졌어야 했는지를 추측하는 대신, 완성된 제품을 현장에서 실제로 사용된 물리적 리소스, 자재 로트, 작업자 조치까지 직접 추적할 수 있습니다.

계획과 실적을 분리하면 기존 ERP 및 MES 시스템을 대체해야 하나요?

아닙니다. 기존 엔터프라이즈 시스템은 트랜잭션과 라우팅 정의에 대한 권한을 그대로 유지하며, 의미 모델링 계층은 특정 운영 실행 과정에서 이러한 과거 사실들이 어떻게 연결되는지를 기록합니다.