제조업에서는 수많은 데이터를 다룹니다. 그 중 몇 가지 예를 들어볼까요?

• 센서 시계열 데이터: 0.1초 단위로 수집되는 온도, 압력, 진동 수치
• 설비 로그: 분 단위로 기록되는 장비 상태, 알람, 가동/정지 이력
• 이미지 데이터: 불량 검사, 표면 검사용 고해상도 사진
• 텍스트 데이터: 작업자 코멘트, 정비 이력, 이상 현상 기록
• 영상/음향 데이터: 실시간 모니터링 영상, 설비 소음 분석

개별 데이터의 의미도 있겠지만, 데이터 간 상호 결합되었을 떄 또다른 의미 있는 데이터가 생겨납니다.

그런데 제조업 데이터는 결합 자체가 어렵습니다.

• 측정 단위가 다르고, 센서마다 오차 범위가 다르기에, 이를 맞추는 작업이 쉽지 않습니다. 
• 심지어 일부 센서가 고장나서 품질이 저하된다면? 더욱 결과를 신뢰하기 어려운 것이죠. 
  

2) 부서 간 데이터 사일로

데이터 사일로란?

👉기업 간 타 부서 간에 데이터를 공유하기 어려운 상황 

같은 공장, 같은 설비를 다루고 있지만, 같은 설비에 대한 데이터가 네 군데 시스템에 각각 다른 이름으로, 다른 포맷으로 흩어져 있는 것이죠!

• 생산팀: MES(제조실행시스템)에 생산량, 작업 시간, 공정 진행 상황 기록
• 품질팀: QMS(품질관리시스템)에 검사 결과, 불량률, 클레임 이력 저장
• 설비팀: CMMS(설비관리시스템)에 정비 기록, 부품 교체 이력, 가동률 관리
• IT팀: ERP에 구매, 재고, 원가 정보 입력

이와 같은 내용을 서로 공유하지 않기 때문에, 데이터를 분석해도 문제의 원인을 빠르게 해결하기 어렵습니다.

단순히 오류를 해결하는 선에서 벗어나, 작업 효율을 80% 향상시켰어요. 

멋진 프로토타입만 만들기 VS 실제 현장에서 생산성 높은 AI를 만들기

후자를 지향하는 담당자 분들이라면 주목해주세요. 

1. 현실 속 희귀 상황까지 반영하지 못한다면?

피지컬 AI = 현실 기반으로 사고하고 움직이는 AI!

그런데 이 정의에 집중하다보니 데이터 분석 후 부족한 데이터를 개선하는 과정에서 '함정'에 빠질 수 있습니다.

현실을 그대로 반영해야 하는 AI라고 해서 ‘현실 세계 속 데이터만’ 사용하면?

실패한 AI라 볼 수 있습니다.

그 이유는...

• 현실에서 촬영하는 데이터들은 희귀 상황(Edge Case)에 대한 데이터가 매우 부족합니다. 예를 들어 폭발, 화재, 자연 재해, 충돌 등 다양합니다. 
  
  
• 현실적으로 발생하기 어렵지만, 그럼에도 불구하고 분명 예방해야 하는 상황입니다. 공장에 수억 원, 수십억 원의 손실을 입힐 수 있는 사고이니까요. 
  
  
• 그러나 희귀 상황에 대한 데이터의 경우, 자칫 현실과는 동떨어진 데이터를 생성하기 쉽습니다. 참고할 수 있는 데이터가 적기 때문이죠. 

이때 페블러스 입장에서는 제안할 수 있는 해결책은 '디지털 트윈'입니다.  

👉 현실 공장의 완벽한 가상 복제본을 만들어 지속적으로 실험해나가면, 실제와 최대한 유사한 데이터로 완성시킬 수 있습니다. 

2) 데이터를 '프로덕트'처럼 정의해야 합니다. 

지금부터는 데이터를 바라보는 관점이 바뀔 시간입니다.

단순한 파일이 아니라, ‘제품’처럼 관리하는 것이죠!

자세히 알아볼까요? 제품의 구성 요소를 보면 이렇게 나누어 관리하는 것이죠. 

• 소유권(Ownership): 이 데이터의 주인은 누구인가? (생산팀, 품질팀, IT팀)
• 사용자(Consumer): 누가 이 데이터를 사용하는가? (현장 관리자, 데이터 분석팀, 경영진)
• 제공 주기(Delivery): 언제까지 제공되어야 하는가? (실시간, 일 단위, 월 단위)
• 품질 기준(SLA): 어떤 품질로 제공해야 하는가? (정확도 99%, 지연시간 1초 이내 등)
• 접근 권한(Access Control): 누가 읽고, 누가 수정할 수 있는가?

🔸이렇게 데이터를 프로덕트로 정의하면, 데이터 품질에 대한 책임 소재가 명확해집니다.

🔸조직 내에서 문제 발생 시 각 조직별로 빠른 대응이 가능합니다.

🔸데이터를 분석하는 과정이 좀 더 효율적으로 발전하는 것이죠!