제조 AI 도입 가이드

제조 AI 도입은 모델 선택이 아니라 운영 문제를 먼저 정의하고 MES·ERP·SCADA 데이터를 연결하는 데서 출발합니다. 재고 예측, 스케줄링, 현장 질의응답 중 어디부터 시작할지와 성과를 검증할 운영 지표 기준을 정리합니다.

도입 요약

제조 AI는 공장 데이터를 연결해 예측, 추천, 질의응답, 이상 감지를 돕는 방식으로 작동합니다. 하지만 데이터가 시스템별로 흩어져 있거나 해결할 운영 문제가 불명확하면, 모델 성능이 좋아도 현장에서 결과를 신뢰하고 쓰기 어렵습니다.

처음부터 전 공정에 AI를 적용하려 하기보다, 현장에서 반복되는 의사결정 하나를 정하고 그 문제에 필요한 데이터만 먼저 연결하는 방식이 현실적입니다. 재고 예측, 생산 스케줄링, 가공 시간 예측, 자연어 질의응답은 출발 데이터, 필요한 연결 키, 성과 지표가 각각 다릅니다.

• 제조 AI는 운영 문제 정의와 데이터 구조 점검을 함께 진행해야 합니다.
• MES, ERP, SCADA, WMS, QMS 데이터의 기준 시점과 갱신 주기가 맞아야 합니다.
• 반복 조회 업무나 예측 범위가 좁게 정의된 업무부터 시작하는 것이 검증에 유리합니다.

제조 AI는 데이터 연결 뒤에 도입해야 합니다

AI 모델은 값을 읽지만, 현장은 그 값의 맥락을 필요로 합니다. 같은 재고 수량이라도 예약 재고, 검사 대기, 생산 투입 예정 중 어디에 속하는지에 따라 판단이 달라지고, 같은 설비 정지 시간도 고장, 셋업, 자재 대기 중 무엇인지에 따라 다음 조치가 달라집니다.

그래서 제조 AI 도입 전에는 데이터가 어느 시스템에 있고 현장에서 어떤 의미로 쓰이는지부터 정리해야 합니다. MES의 작업지시와 실적, ERP의 수주와 구매, SCADA의 설비 상태와 알람, WMS의 재고 이동, QMS의 검사 이력이 동일한 연결 키(품목코드, LOT번호, 작업지시번호, 설비번호)로 묶일 때 AI 결과를 운영 판단에 실제로 쓸 수 있습니다.

• 데이터 값 자체보다 현장에서 그 값이 쓰이는 맥락을 먼저 정리합니다.
• 작업지시, 설비, 재고, 품질, 수주 데이터를 잇는 연결 키(품목코드·LOT·작업지시번호·설비번호)를 확인합니다.
• 시스템별 기준 시점과 업데이트 주기가 다르면 같은 시각을 기준으로 본 것이 아니어서 AI 결과가 흔들릴 수 있습니다.

1단계. 해결할 운영 문제를 먼저 정해야 합니다

제조 AI 도입의 첫 질문은 어떤 모델을 쓸지가 아니라 어떤 운영 문제를 줄일지입니다. 결품 위험을 줄일지, 스케줄 변경에 걸리는 시간을 줄일지, 설비 정지 원인을 빠르게 찾을지, 품질 이상을 조기에 감지할지 중 우선순위를 정해야 다음 단계가 명확해집니다.

문제가 구체적일수록 필요한 데이터와 성과 지표도 구체적으로 정해집니다. 예를 들어 재고 예측은 품목별 수요 이력, 리드타임, 안전재고 기준, 입출고 데이터가 필요하고, 생산 스케줄링은 설비별 가용 능력, 표준 작업 시간, 납기, 자재 준비 상태 데이터가 필요합니다. 문제 정의 없이 데이터부터 모으면 나중에 어떤 데이터가 부족한지 판단하기 어렵습니다.

• 결품, 납기 지연, 설비 정지, 품질 이상, 재작업 중 이번에 줄일 문제 하나를 고릅니다.
• 현장 담당자가 매일 반복해서 판단하는 업무를 기준으로 문제를 정합니다.
• 성과 지표(예: 결품 건수, 스케줄 변경 소요 시간)를 문제와 함께 먼저 정해야 도입 후 효과를 검증할 수 있습니다.

2단계. MES ERP SCADA 데이터 상태를 확인해야 합니다

운영 문제가 정해졌다면 관련 데이터의 상태를 확인해야 합니다. MES에는 작업지시와 실적이, ERP에는 수주·구매·기준정보가, SCADA에는 설비 상태와 알람 이력이 쌓입니다. 여기에 WMS 재고 이동 이력과 QMS 검사 이력이 연결되면 AI가 판단에 활용할 수 있는 맥락이 넓어집니다.

중요한 것은 어떤 시스템을 쓰느냐가 아니라 그 데이터의 신뢰도입니다. 실적이 작업 종료 후 얼마나 늦게 입력되는지, 결측이나 오탈자가 많은 항목이 무엇인지, 같은 품목이 시스템마다 다른 코드로 관리되지는 않는지를 현장 담당자와 함께 확인해야 합니다. 이 확인 작업 없이 AI를 먼저 붙이면, 도입 이후에야 데이터 문제가 드러나 프로젝트가 지연되는 경우가 많습니다.

• 작업지시, 수주, 설비 상태, 재고, 품질 데이터가 각각 어느 시스템에서 나오는지 출처를 확인합니다.
• 품목코드, LOT번호, 설비번호, 작업지시번호 같은 연결 키가 시스템 간에 일치하는지 정리합니다.
• 결측이나 지연 입력이 잦은 데이터 항목은 AI 적용 범위에서 우선 제외하거나 별도 개선 과제로 분리합니다.

3단계. 재고 예측과 스케줄링 중 시작점을 고릅니다

제조 AI의 시작점은 공장이 현재 겪는 병목에 따라 달라집니다. 결품과 과잉재고가 반복된다면 수요 예측과 재고 예측이 먼저일 수 있고, 납기 변경이 잦고 설비 부하가 몰린다면 생산 스케줄링이 먼저일 수 있습니다.

두 영역을 동시에 시작할 수도 있지만, 초기 범위가 넓으면 어떤 요인이 성과 변화를 만들었는지 구분하기 어려워집니다. 한 품목군, 한 라인, 한 공정처럼 범위를 좁히고, 그 범위 안에서 명확한 성공 기준(예: 특정 품목군의 결품 건수, 특정 라인의 스케줄 변경 소요 시간)을 잡는 것이 검증에 유리합니다.

• 결품·과잉재고 반복이 크면 수요 예측과 재고 예측부터 검토합니다.
• 납기 변경과 설비 부하 쏠림이 문제라면 스케줄링 AI를 우선 검토합니다.
• 초기 적용 범위는 품목군 하나 또는 라인 하나로 좁혀 성과를 명확히 비교합니다.

4단계. 현장 질의응답은 조회 업무부터 적용합니다

제조 AI Agent를 도입할 때는 의사결정 자동화보다 조회 업무부터 시작하는 것이 안전합니다. 오늘 납기 지연 위험이 있는 작업, 설비별 정지 현황, 재고 부족 품목, 검사 대기 LOT처럼 담당자가 하루에도 여러 번 찾는 질문이 좋은 시작점이 됩니다. 자동화된 판단보다 반복 조회를 대체하는 쪽이 오답의 영향이 적고 검증도 쉽습니다.

자연어 질의응답은 편리하지만 권한과 데이터 출처 표시가 함께 설계되어야 합니다. 누가 어떤 데이터를 조회할 수 있는지, 답변이 어느 시점 데이터를 기준으로 하는지 화면에 함께 표시하지 않으면 현장에서 답변을 신뢰하지 못하거나 잘못된 시점의 데이터로 판단하는 문제가 생길 수 있습니다.

• 담당자가 하루 중 반복해서 찾는 조회 질문을 먼저 목록으로 정리합니다.
• AI 답변에는 데이터 출처(어느 시스템)와 기준 시점(언제 데이터)을 함께 표시합니다.
• 원가, 인사, 거래처 단가처럼 민감한 데이터는 사용자 역할별로 조회 권한을 구분합니다.

5단계. 운영 지표로 성과를 검증해야 합니다

제조 AI 성과는 모델 정확도만으로 판단하기 어렵습니다. 현장에서는 결품 감소, 납기 준수율, 스케줄 변경에 걸리는 시간, 설비 대기 시간, 재고 회전율, 조회에 걸리는 시간처럼 실제 운영 지표가 도입 효과를 말해줍니다.

도입 전 기준값(현재 결품률, 현재 스케줄 변경 소요 시간 등)을 남겨두지 않으면 도입 후 개선 여부를 비교할 기준이 없습니다. 또한 AI 예측이나 추천이 실제 생산계획이나 작업지시에 반영되지 않는다면, 모델 정확도가 높게 나와도 운영 성과로 이어지지 않습니다. 정확도 지표와 함께 AI 결과의 실제 반영률(현장 채택률)도 같이 추적해야 합니다.

• 도입 전후 운영 지표를 같은 기간·같은 조건으로 비교할 수 있도록 기준값을 먼저 남깁니다.
• 모델 정확도와 현장 사용률(AI 결과를 실제로 참고했는지)을 함께 확인합니다.
• AI 추천이 실제 생산계획, 발주, 작업지시에 반영되는 비율을 별도로 추적합니다.

현장에서 HD 제조 AI Agent가 하는 일

HD 제조 AI Agent는 HD-MES, ERP, HD-AIMS(설비 모니터링), 재고, 품질 데이터를 하나의 질의응답과 예측 흐름으로 연결합니다. 단순 챗봇 형태가 아니라, 데이터의 출처 시스템과 기준 시점을 답변과 함께 표시해 현장에서 답변을 그대로 판단 근거로 쓸 수 있도록 화면을 구성합니다.

HD-MES에 작업지시와 실적 데이터가 정리되어 있는 공장은 AI 적용 범위를 단계적으로 넓히기 유리합니다. HD-AIMS로 수집되는 설비 가동·정지 이력을 더하면 설비 정지 원인 조회나 부하 예측까지 확장할 수 있습니다. 조회 업무, 예측 업무, 스케줄링 업무를 단계적으로 나누어 적용하면 초기 도입 부담을 줄이면서 각 단계의 성과를 별도로 검증할 수 있습니다.

• HD-MES의 작업지시·실적 데이터를 AI 적용의 기준 데이터로 삼습니다.
• HD-AIMS의 설비 가동·정지 이력을 연결해 설비 관련 조회와 예측 범위를 넓힙니다.
• 반복 조회, 재고·수요 예측, 스케줄링을 단계별로 나눠 적용하며 각 단계의 데이터 출처와 기준 시점을 함께 관리합니다.

도입 전 체크리스트

제조 AI 도입 전에는 풀어야 할 문제, 필요한 데이터, 성과 지표를 한 장으로 정리해두는 것이 좋습니다. 문제, 담당자, 필요한 데이터와 연결 키, 성과 지표, 권한 기준을 각각 적어보면 이번에 실제로 적용 가능한 범위가 드러납니다.

재고 예측이나 스케줄링처럼 범위가 넓은 영역은 특히 처음부터 전사 통합을 목표로 하기보다, 한 공장·한 라인·한 품목군에서 먼저 검증하고 데이터 연결 상태와 성과를 확인한 뒤 범위를 넓히는 방식이 안전합니다.

• 이번에 AI로 줄이려는 운영 문제(결품, 납기, 설비 정지, 품질 등) 하나를 명확한 문장으로 적어둡니다.
• 그 문제에 필요한 데이터 출처(MES/ERP/SCADA/WMS/QMS)와 연결 키를 확인합니다.
• 도입 전 기준값이 될 운영 지표와, 조회 데이터에 대한 사용자 권한 기준을 미리 정의합니다.
• 적용 범위를 품목군 하나 또는 라인 하나로 좁혀 첫 검증 단위를 정합니다.