Notes · 2026-08-13

[자율제조 시리즈 ④] 제조 데이터가 많은데 왜 공장은 스스로 판단하지 못하는가?

데이터의 양보다 중요한 것은 품질, 맥락 그리고 연결이다

많은 제조기업이 오랫동안 생산현장의 데이터를 수집해 왔다.

설비에는 센서가 설치되어 있고, PLC와 SCADA에는 수많은 운전정보가 기록된다. MES에는 생산실적과 작업정보가, ERP에는 주문과 재고, 구매정보가 저장되어 있다.

검사장비에는 품질데이터가 쌓이고, 설비관리시스템에는 고장과 정비이력이 축적된다.

얼핏 보면 제조기업은 이미 충분한 데이터를 보유한 것처럼 보인다.

그런데 AI 프로젝트를 시작하면 예상하지 못한 문제가 드러난다.

필요한 데이터가 없거나, 있더라도 서로 연결되지 않는다. 같은 설비와 제품을 시스템마다 다른 이름으로 관리하기도 한다. 데이터가 누락돼 있거나 측정단위가 다르고, 정확한 수집시점을 알 수 없는 경우도 있다.

데이터는 많지만 AI가 판단에 사용할 수 있는 데이터는 생각보다 많지 않다.

그래서 다음과 같은 질문이 필요하다.

“우리 공장에는 데이터가 얼마나 많은가?”

가 아니라,

“우리 공장의 데이터는 하나의 제조상황을 설명할 수 있는가?”

자율제조의 경쟁력은 데이터의 양보다 데이터를 얼마나 정확한 의미와 관계로 연결했는가에 달려 있다.

이번 글에서는 제조기업이 많은 데이터를 보유하고도 AI의 판단과 자율제조로 연결하지 못하는 이유를 살펴보고자 한다.

데이터가 많다는 것과 데이터가 준비됐다는 것은 다르다
제조 데이터는 왜 서로 연결되지 않는가
AI가 필요로 하는 것은 숫자가 아니라 맥락이다
시간과 LOT가 연결되지 않으면 원인을 찾기 어렵다
데이터 품질이 낮으면 AI의 판단도 흔들린다
같은 데이터를 서로 다르게 부르는 문제
제조 데이터는 어디에서 끊어지는가
데이터 사일로를 연결하는 방법
자율제조를 위한 데이터 기반은 어떻게 구축해야 하는가
경영진은 데이터의 양보다 무엇을 확인해야 하는가

1. 데이터가 많다는 것과 데이터가 준비됐다는 것은 다르다

제조기업에서 “데이터가 있습니까?”라고 물으면 대부분 있다고 답한다.

설비에서는 초 단위로 센서값이 수집되고, MES에는 매일 생산실적이 입력된다. 품질부서는 검사결과를 관리하고, 설비보전부서는 고장과 정비이력을 기록한다.

하지만 AI 적용을 위해 데이터를 모아보면 이야기가 달라진다.

설비 데이터는 데이터베이스에 있지만 어떤 제품을 생산할 때 발생한 값인지 알 수 없다.

품질검사 결과는 엑셀파일에 있지만 생산시간이나 사용설비와 연결되지 않는다.

정비이력에는 “이상음 발생”, “부품 교체”라고 적혀 있지만 정확히 어떤 부품을 어떤 이유로 교체했는지 확인하기 어렵다.

작업조건이 변경됐지만 변경 전후의 값과 변경 이유가 기록되지 않은 경우도 있다.

이런 데이터는 생산현황을 확인하거나 단순한 통계를 만드는 데 사용할 수는 있다.

그러나 불량 원인을 찾고, 고장을 예측하고, 최적의 공정조건을 판단하는 데는 한계가 있다.

AI가 판단하려면 최소한 다음의 질문에 답할 수 있어야 한다.

어떤 제품을 생산했는가
어떤 원재료를 사용했는가
어느 설비와 금형을 사용했는가
어떤 공정조건으로 생산했는가
누가 언제 작업했는가
어떤 품질결과가 발생했는가
생산 전후에 설비상태는 어떠했는가
문제가 발생한 뒤 어떤 조치를 했는가

이 질문에 답할 수 없다면 데이터가 많더라도 제조상황을 설명하기 어렵다.

결국,

데이터 보유량과 데이터 활용 가능성은 같은 개념이 아니다.

2. 제조 데이터는 왜 서로 연결되지 않는가

제조 데이터가 연결되지 않는 가장 큰 이유는 각 시스템이 서로 다른 목적을 가지고 구축됐기 때문이다.

ERP는 주문, 구매, 원가, 재고와 같은 기업자원을 관리한다.

MES는 작업지시, 생산실적, 공정진행과 같은 생산운영을 관리한다.

SCADA와 PLC는 설비상태를 감시하고 제어한다.

QMS는 품질검사와 부적합 정보를 관리하고, CMMS는 설비고장과 정비업무를 관리한다.

각 시스템은 자신의 업무를 처리하는 데는 문제가 없다.

그러나 하나의 제조문제를 분석하기 위해 여러 시스템의 데이터를 모으면 문제가 발생한다.

ERP의 제품코드와 MES의 품목명이 다를 수 있다.

MES의 설비번호와 PLC의 장비명도 일치하지 않을 수 있다.

품질시스템의 LOT 번호가 생산실적과 연결되지 않거나, 정비시스템의 설비코드가 현장에서 사용하는 명칭과 다를 수도 있다.

데이터 수집주기도 서로 다르다.

설비 데이터는 1초 단위로 수집되지만 생산실적은 작업이 종료된 뒤 입력된다. 품질검사는 생산 후 몇 시간 또는 며칠 뒤 이루어질 수도 있다.

결국 각 시스템에는 데이터가 있지만,

제품, 설비, 공정, 품질, 정비의 데이터가 하나의 사건으로 연결되지 않는다.

ISA-95 또는 IEC 62264가 기업시스템과 제조운영·제어시스템 사이의 공통 모델, 용어와 정보교환 구조를 다루는 이유도 여기에 있다.

자율제조를 위해서는 시스템을 단순히 연결하는 것보다 먼저, 각 시스템이 무엇을 의미하고 어떤 데이터를 교환해야 하는지를 정의해야 한다.

3. AI가 필요로 하는 것은 숫자가 아니라 맥락이다

설비의 온도가 180℃로 측정됐다고 가정해보자.

180℃라는 숫자만으로는 정상인지 이상인지 판단할 수 없다.

어떤 설비의 온도인지, 어느 부분에서 측정했는지, 어떤 제품을 생산하고 있는지 알아야 한다. 현재 공정단계와 원재료의 종류, 정상 운전범위도 확인해야 한다.

같은 180℃라도 어떤 제품에는 정상조건이지만 다른 제품에는 불량을 발생시키는 조건일 수 있다.

즉, 데이터에는 맥락이 필요하다.

데이터값

온도 180℃

맥락이 포함된 데이터

2026년 8월 11일 10시 20분, 사출기 3호기에서 원재료 LOT R-0811을 사용해 제품 A를 생산하는 동안 금형 2번 구역의 온도가 180℃로 측정됐다.

판단 가능한 데이터

같은 시간대에 사출압력이 상승하고 제품 중량 편차가 증가했으며, 과거 동일 조건에서 미성형 불량이 발생한 이력이 있다.

AI가 판단하려면 세 번째 수준까지 데이터가 연결되어야 한다.

단순한 센서값이 아니라 제품, 설비, 원재료, 공정조건, 품질결과, 과거 사례의 관계가 필요하다.

이를 정리하면 다음과 같다.

데이터(Data)

↓

맥락이 포함된 정보(Contextual Information)

↓

원인과 관계를 설명하는 지식(Knowledge)

↓

행동을 선택하는 판단(Decision)

자율제조에서는 데이터 자체보다 데이터에 포함된 의미와 관계가 중요하다.

공장이 스스로 판단하지 못하는 이유는 데이터가 부족해서라기보다,

데이터가 제조상황을 설명할 수 있는 형태로 구조화되어 있지 않기 때문인 경우가 많다.

4. 시간과 LOT가 연결되지 않으면 원인을 찾기 어렵다

제조 데이터에서 가장 중요한 연결기준은 시간과 LOT다.

설비에서 발생한 데이터와 생산실적, 품질결과가 같은 시간축에서 연결되어야 한다.

또한 어떤 원재료 LOT가 어떤 제품 LOT에 사용됐는지 추적할 수 있어야 한다.

예를 들어 제품 A에서 불량이 발생했다고 가정해보자.

불량의 원인을 찾으려면 다음의 흐름을 거슬러 올라갈 수 있어야 한다.

완제품 LOT

↓

생산일시와 작업지시

↓

사용설비와 금형

↓

공정조건과 설비상태

↓

원재료·부품 LOT

↓

작업자와 작업환경

↓

검사결과와 불량유형

이 연결이 만들어져 있으면 불량이 특정 원재료와 관련 있는지, 특정 설비와 관련 있는지, 공정조건의 변화 때문인지 분석할 수 있다.

하지만 현장에서는 시간정보가 정확하지 않은 경우가 많다.

설비의 시계와 MES 서버의 시간이 다를 수 있다. 작업자가 생산실적을 나중에 입력하면 실제 생산시점과 기록시점이 달라진다.

하나의 제품에 여러 원재료 LOT가 혼합되거나, 재공품이 중간에 대기하면 연결은 더욱 복잡해진다.

시간과 LOT의 연결이 끊어지면 AI는 상관관계를 찾을 수는 있어도 실제 원인을 설명하기 어렵다.

따라서 자율제조 데이터의 첫 번째 기반은 거대한 데이터 플랫폼이 아니다.

제품과 원재료, 설비, 공정조건, 품질결과를 시간과 LOT로 연결하는 것이다.

5. 데이터 품질이 낮으면 AI의 판단도 흔들린다

AI의 성능을 이야기할 때 알고리즘과 모델의 정확도에 관심을 두기 쉽다.

그러나 제조현장에서는 모델보다 데이터 품질이 더 근본적인 문제인 경우가 많다.

대표적인 데이터 품질 문제는 다음과 같다.

① 누락

센서 통신이 끊기거나 작업자가 정보를 입력하지 않아 데이터가 비어 있다.

② 오류

센서 고장이나 입력 실수로 실제와 다른 값이 기록된다.

③ 중복

동일한 생산실적이나 품질정보가 여러 번 저장된다.

④ 불일치

같은 제품과 설비가 시스템마다 서로 다른 코드와 명칭으로 관리된다.

⑤ 단위 차이

한 시스템은 온도를 섭씨로 관리하고 다른 시스템은 화씨로 관리할 수 있다. 압력과 길이의 단위도 서로 다를 수 있다.

⑥ 시점 차이

수집시간과 실제 발생시간이 다르거나 시스템 사이의 시간이 동기화되지 않는다.

⑦ 편향

정상 데이터만 많고 고장이나 불량 데이터는 매우 적을 수 있다. 특정 제품과 설비의 데이터만 집중적으로 수집되기도 한다.

이러한 문제가 있는 데이터를 AI에 학습시키면 그 결과도 신뢰하기 어렵다.

잘못된 센서값을 정상으로 학습할 수 있고, 특정 작업자나 설비의 특성을 전체 공정의 특성으로 오해할 수도 있다.

ISO 8000 시리즈는 데이터 품질의 원칙과 관리체계를 다룬다. 특히 ISO 8000-66은 제조운영에서 데이터 품질관리 프로세스의 성숙도를 평가하기 위한 지표를 제시한다.

중요한 점은 데이터 품질을 일회성 정제작업으로 생각해서는 안 된다는 것이다.

데이터는 계속 생성되고 설비와 제품, 공정도 계속 변경된다.

따라서 데이터 품질은 프로젝트를 시작할 때 한 번 정리하는 대상이 아니라,

지속해서 측정하고 관리해야 하는 제조 운영활동이다.

6. 같은 데이터를 서로 다르게 부르는 문제

제조현장에서는 같은 대상을 부서와 시스템마다 다르게 부르는 일이 흔하다.

현장에서는 “사출 3호기”라고 부르지만 MES에는 MC-003, 설비관리시스템에는 INJ-03, PLC에는 LINE2_PLC03으로 기록될 수 있다.

제품도 마찬가지다.

영업부서에서 사용하는 제품명과 생산현장의 품목명, 품질부서의 검사코드가 서로 다를 수 있다.

사람은 이 명칭들이 같은 대상을 의미한다는 것을 경험으로 이해한다.

하지만 AI와 시스템은 별도의 정의와 연결정보가 없으면 서로 다른 대상으로 인식한다.

또한 동일한 용어가 서로 다른 의미로 사용되기도 한다.

“정지시간”이 어떤 부서에서는 계획정지를 포함하고, 다른 부서에서는 고장정지만 의미할 수 있다.

“불량률” 역시 생산수량을 기준으로 계산하는지, 검사수량을 기준으로 계산하는지에 따라 값이 달라진다.

이 문제를 해결하려면 공통 데이터모델과 기준정보가 필요하다.

제품과 품목의 기준코드
설비와 부품의 계층구조
공정과 작업의 표준명칭
품질항목과 불량유형
단위와 계산기준
데이터의 소유부서와 책임자
시스템 간 코드 변환규칙

그러나 공통 코드만 만드는 것으로 충분하지 않다.

제품이 어느 공정을 거치는지, 설비가 어떤 부품으로 구성되는지, 공정조건이 어떤 품질특성에 영향을 주는지와 같은 관계도 표현해야 한다.

그래서 자율제조에서는 Master Data Management뿐만 아니라 온톨로지, 지식그래프와 같은 의미 기반 기술이 중요해진다.

AI가 데이터를 정확하게 이해하려면,

데이터의 이름뿐만 아니라 데이터 사이의 관계까지 설명할 수 있어야 한다.

7. 제조 데이터는 어디에서 끊어지는가

제조 데이터는 시스템과 시스템 사이에서만 끊어지는 것이 아니다.

조직과 업무 사이에서도 끊어진다.

생산부서는 생산량과 납기를 중심으로 데이터를 관리한다.

품질부서는 검사결과와 불량을 중심으로 관리하고, 설비보전부서는 고장과 정비이력을 중심으로 관리한다.

각 부서는 자신의 업무에 필요한 데이터를 수집하지만 다른 부서에서 어떻게 활용되는지는 충분히 고려하지 않는 경우가 많다.

대표적으로 다음과 같은 단절이 발생한다.

설계와 생산의 단절

도면과 공차, 제품 사양이 생산조건과 연결되지 않는다.

생산과 품질의 단절

생산 당시의 공정조건과 최종 검사결과가 연결되지 않는다.

생산과 정비의 단절

설비의 운전부하와 고장·부품교체 이력이 연결되지 않는다.

생산과 물류의 단절

작업지시와 원재료 공급, 재공품 이동정보가 연결되지 않는다.

현장과 경영의 단절

설비가동률과 불량률은 확인할 수 있지만 그것이 원가와 납기, 매출에 미치는 영향을 설명하기 어렵다.

NIST는 스마트제조를 위한 Digital Thread를 설계, 생산, 제품지원 과정의 정보를 연결하고 통합하는 기반으로 설명한다.

자율제조 역시 특정 공정의 센서 데이터만으로 완성되기 어렵다.

제품의 설계부터 원재료, 생산, 품질, 출하, 유지보수까지 이어지는 데이터 흐름이 필요하다.

결국 데이터 사일로는 기술적인 문제이면서 동시에 조직의 문제다.

시스템을 연결하는 것만큼,

부서별로 분리된 데이터의 책임과 활용목적을 다시 정의하는 것이 중요하다.

8. 데이터 사일로를 연결하는 방법

데이터 사일로를 해결하기 위해 모든 시스템을 하나로 통합해야 한다고 생각할 수 있다.

그러나 현실적으로 ERP, MES, QMS, CMMS, SCADA와 설비제어시스템을 하나의 시스템으로 교체하는 것은 어렵고 바람직하지도 않다.

각 시스템은 고유한 목적과 역할이 있기 때문이다.

중요한 것은 시스템을 없애는 것이 아니라 필요한 데이터를 공통된 기준으로 연결하는 것이다.

다음과 같은 접근이 필요하다.

① 공통 식별체계 정의

제품, 원재료, 설비, 금형, 공정, 작업지시에 공통으로 사용할 식별자를 부여한다.

② 시간체계 동기화

설비와 서버, 검사장비의 시간을 동기화하고 발생시간과 입력시간을 구분한다.

③ 데이터 인터페이스 표준화

시스템 간에 어떤 데이터를 어떤 형식과 주기로 교환할지 정의한다.

④ 기준정보와 코드 정비

제품코드, 설비코드, 불량유형, 단위, 공정명칭의 기준을 정한다.

⑤ 데이터 맥락 연결

센서값을 제품, LOT, 작업지시, 공정조건, 품질결과와 연결한다.

⑥ 의미모델 구축

설비·공정·제품·품질·정비 사이의 관계를 사람이 이해할 수 있고 기계가 처리할 수 있는 형태로 정의한다.

⑦ 책임체계 수립

누가 데이터를 생성하고, 누가 품질을 관리하며, 누가 변경을 승인할지 정한다.

ISA-95는 기업과 제조운영·제어 기능 사이의 경계와 정보교환을 정의하는 대표적인 참조체계다. 그러나 표준을 도입하는 것만으로 데이터 연결이 자동으로 완성되는 것은 아니다.

각 기업의 제품, 공정, 설비와 업무특성에 맞는 데이터모델을 함께 설계해야 한다.

핵심은 모든 데이터를 한곳에 모으는 것이 아니다.

필요한 데이터가 공통된 의미로 서로 이해될 수 있도록 만드는 것이다.

9. 자율제조를 위한 데이터 기반은 어떻게 구축해야 하는가

자율제조 데이터 기반을 구축할 때 처음부터 전사 데이터 플랫폼을 만들려고 하면 범위가 지나치게 커질 수 있다.

먼저 해결할 제조문제를 선택하고, 그 문제의 판단과 실행에 필요한 데이터를 연결해야 한다.

예를 들어 설비 예지보전을 추진한다면 다음과 같이 접근할 수 있다.

① 문제와 목표 정의

“프레스 설비의 주요 베어링 고장을 사전에 예측해 비계획 정지를 줄인다.”

② 판단에 필요한 데이터 정의

진동, 온도, 전류
설비속도와 생산부하
고장코드와 알람
정비일자와 부품교체 이력
베어링 규격과 사용시간
생산제품과 작업조건

③ 데이터 위치와 상태 확인

어떤 데이터가 어느 시스템에 저장되어 있는지 확인한다. 수집주기와 보존기간, 누락과 오류도 점검한다.

④ 공통 연결기준 정의

설비번호, 부품번호, 시간정보, 정비작업번호를 기준으로 데이터를 연결한다.

⑤ 데이터 품질규칙 설정

정상범위, 누락 허용기준, 이상값 처리방식, 단위 변환규칙을 정한다.

⑥ 분석과 판단 연결

AI가 고장 가능성만 제시하는 것이 아니라 예상 원인, 긴급도, 권장 정비시점을 함께 제시하도록 한다.

⑦ 실행과 결과 연결

AI의 판단을 CMMS의 정비작업 생성과 연결하고, 실제 점검결과와 부품상태를 다시 기록한다.

⑧ 다른 설비와 공정으로 확장

첫 번째 적용에서 검증한 데이터모델과 품질관리 방식을 유사 설비와 다른 공정에 확대한다.

이러한 방식은 품질예측, 에너지 최적화, 생산계획, 재고관리에도 적용할 수 있다.

중요한 것은 모든 데이터를 먼저 수집한 다음 활용방법을 찾는 것이 아니다.

해결할 문제에서 출발해 판단과 실행에 필요한 데이터를 역으로 정의하는 것이다.

10. 경영진은 데이터의 양보다 무엇을 확인해야 하는가

제조기업의 경영진이 데이터베이스 구조나 센서 통신방식까지 이해할 필요는 없다.

그러나 자율제조를 위한 데이터가 준비되어 있는지는 확인해야 한다.

다음과 같은 질문이 필요하다.

첫째, 우리 공장의 핵심 제품과 설비, 공정에 공통 식별체계가 있는가.

둘째, 원재료 LOT부터 생산과 품질, 출하까지 추적할 수 있는가.

셋째, 공정조건과 품질결과를 동일한 시간축에서 비교할 수 있는가.

넷째, 시스템마다 다른 제품·설비·불량 코드를 연결할 수 있는가.

다섯째, 데이터의 누락과 오류, 단위, 수집주기를 지속해서 관리하는가.

여섯째, 데이터가 어떤 의미인지 설명할 수 있는 담당자와 책임부서가 있는가.

일곱째, AI의 판단과 실행 결과가 다시 데이터로 기록되는가.

이 질문에 답하지 못한다면 데이터 플랫폼을 구축하고 AI 솔루션을 도입해도 실제 성과로 이어지기 어렵다.

자율제조 데이터 전략의 목표는 데이터를 많이 저장하는 것이 아니다.

제조현장에서 발생한 하나의 사건을 데이터로 재구성하고 설명할 수 있도록 만드는 것이다.

마치며

많은 제조기업에는 이미 상당한 양의 데이터가 쌓여 있다.

문제는 데이터가 없다는 것이 아니다.

설비 데이터는 설비 안에 있고, 생산 데이터는 MES에 있으며, 품질 데이터는 QMS와 엑셀파일에 있다. 정비이력은 또 다른 시스템에 저장되어 있다.

각 데이터는 존재하지만 서로 연결되지 않는다.

AI가 제조현장을 이해하려면 단순한 숫자 이상의 정보가 필요하다.

어떤 제품을, 어떤 원재료와 설비를 이용해, 언제, 어떤 조건으로 생산했으며, 그 결과 어떤 품질과 고장이 발생했는지를 알아야 한다.

결국 자율제조를 위한 데이터는 다음과 같은 흐름으로 발전해야 한다.

흩어진 데이터

↓

정리된 데이터

↓

시간과 LOT로 연결된 데이터

↓

제품·설비·공정의 맥락을 가진 데이터

↓

원인과 관계를 설명하는 제조 지식

↓

AI의 판단과 실행에 사용되는 데이터

데이터가 많다고 공장이 스스로 판단할 수 있는 것은 아니다.

공장이 판단하려면 데이터가 서로 연결되어야 하고, 데이터의 의미와 관계가 설명되어야 하며, 판단 결과와 실행 결과가 다시 축적되어야 한다.

자율제조의 데이터 경쟁력은 거대한 데이터레이크의 크기로 결정되지 않는다.

필요한 순간에 정확한 데이터를 찾아, 그 의미와 관계를 이해하고, 실제 행동으로 연결할 수 있는가.

바로 이것이 제조기업이 준비해야 할 데이터 기반이다.

다음 글에서는 이렇게 연결된 데이터를 바탕으로 제조 AI가 실제로 무엇을 판단할 수 있는지 살펴보고자 한다.

이상탐지와 예지보전, 품질예측을 넘어 제조 AI의 판단은 어디까지 확장될 수 있을까.

[자율제조 시리즈 ⑤] 제조 AI는 어디까지 판단할 수 있는가?