안산 중소벤처기업연수원 · 종일
AI 도입을 위한 문제 정의와 데이터 역할
- AI 도입 실패의 주요 원인(데이터 부재·문제 정의 불명확성 등)
- 중소기업 현장에서 가능한 문제 정의 방법
- “AI가 아니라 문제에서 시작한다” 접근법
- 데이터의 종류(정형·반정형·비정형)와 수집 포인트 이해
- 현장 데이터 수집 구조 설계(제조중심)
제조·물류 환경의 데이터 흐름(설비→PLC→MES→ERP 등) 센서 데이터, 이벤트 로그, 품질 데이터의 수집 포인트 ● IoT 기반 간단한 데이터 수집 예시(온도·진동 등) ● 중소기업이 실제 활용 가능한 수집 방식 비교 데이터 전처리 기본기 실습 ● 데이터 정제(cleaning) 개념 ● 결측치 처리 방식(삭제·평균치·최빈값 등) ● 이상치 탐지 기본(기초 통계 기반) ● 바이브코딩을 통한 데이터 분석 데이터 표준화와 품질 수준 진단 ● AI 도입을 위한 데이터 표준의 필요성 ● 제조/서비스 산업 데이터 표준 예시 소개 산업별 데이터 기반 AI 적용 사례 분석 ● 제조: 품질 예측, 설비 예지보전, 불량 자동검출 ● 물류: 입·출고 수요예측, 피킹 최적화 ● 서비스: 매출 예측, 고객 분류 ● 각 사례의 데이터 구조 및 준비 포인트 설명