같은 질문을 어제도 물었고 오늘도 물었습니다. 그런데 답이 다르네요? 불량률을 물으면 품질팀이 아는 숫자와 AI가 답한 숫자가 다릅니다. 생산팀에 물어보면 또 다른 숫자가 나오고 말이죠.
이는 AI가 똑똑하지 않아서 생기는 문제가 아닙니다. 데이터가 회사만의 방식으로 정의되어 있는데, 그 정의를 AI가 모르기 때문입니다. 이 글은 제조 시맨틱 레이어(manufacturing semantic layer)가 무엇인지, 왜 필요한지, 그리고 어떻게 도입할 수 있는지를 살펴봅니다.
시맨틱 레이어(Semantic layer)란 무엇인가?
시맨틱 레이어는 기술적인 데이터를 사람이 쓰는 업무 언어로 번역해주는 계층입니다.
예를 들어 MES 시스템에는 "생산 수량"을 나타내는 필드가 있습니다. 그런데 이 필드가 실제로 완성된 제품 수량인지, 공정에 투입한 원자재 수량인지는 필드 이름만 봐서는 알 수 없습니다. 회사마다, 심지어 부서마다 이 값을 다르게 쓰고 있을 수 있습니다.
사람은 오랜 업무 경험으로 "우리 회사에서 이 숫자는 이런 뜻이다"를 압니다. 하지만 AI는 그 맥락을 학습한 적이 없습니다. 시맨틱 레이어는 이 간극을 메웁니다. "생산 수량이라는 개념은 어떤 시스템의 어떤 값을 가리키고, 어떤 조건일 때 포함하거나 제외하는지"를 명확하게 정의해두는 것입니다.
온톨로지와 헷갈릴 수 있는데, 역할이 조금 다릅니다. 온톨로지가 "설비, 공정, 제품, 불량이 서로 어떤 관계인지"를 정의하는 개념 지도라면, 시맨틱 레이어는 그 개념을 실제 데이터 조회와 계산으로 실행하는 부분입니다. 둘은 함께 작동하지만, 시맨틱 레이어는 조금 더 실무에 가까운 실행 계층입니다.
AI가 회사 데이터를 이해하지 못하는 이유는?
일반적인 AI는 인터넷에 공개된 문서와 텍스트로 학습됩니다. 그런데 제조 기업의 핵심 데이터는 사내 ERP, MES, 설비 시스템에만 있고, 이 데이터는 애초에 외부에 공개되지 않습니다. AI가 아무리 똑똑해도 회사 내부의 용어와 규칙은 배운 적이 없습니다.
스키마만 보여줘도 문제는 해결되지 않습니다. AI에게 데이터베이스 구조를 알려줘도, 특정 필드가 정확히 무엇을 의미하는지는 설명되어 있지 않은 경우가 많습니다. "이 수량이 최종 완성품 수량인지, 중간 공정 수량인지", "불량 수량에 재작업품을 포함하는지 제외하는지" 같은 것은 사람만 아는 암묵적인 규칙입니다.
시스템 간 연결 문제도 있습니다. ERP의 주문 번호와 MES의 작업지시 번호, 설비 시스템의 로트 번호는 서로 다른 체계를 씁니다. 사람은 업무 지식으로 이들을 연결할 수 있지만, 명시적인 매핑 규칙이 없으면 AI는 잘못된 데이터를 서로 연결할 위험이 있습니다.
같은 단어가 부서마다 다르게 정의되는 것도 흔한 문제입니다. "가동률"이라는 용어 하나도 어떤 부서는 "실제 가동 시간을 전체 시간으로 나눈 값"으로 쓰고, 다른 부서는 "계획된 가동 시간을 기준"으로 씁니다. AI는 질문하는 사람이 어느 정의를 원하는지 알 방법이 없습니다.
시맨틱 레이어 없이 AI를 붙이면 생기는 문제
이 상태에서 AI를 사내 데이터에 연결하면 어떤 일이 생길까요.
"지난달 생산량을 알려줘"라는 질문에 AI가 완성품 수량이 아니라 투입 자재 수량을 답할 수 있습니다. 숫자는 그럴듯하게 나오지만 실제 보고서와는 다른 값입니다. 담당자가 눈치채지 못하면 잘못된 숫자를 근거로 판단이 이뤄질 수 있습니다.
불량률처럼 계산 공식이 여러 가지일 수 있는 지표는 더 위험합니다. 전체 투입량 대비인지, 생산 완료 수량 대비인지, 최종 검사 기준인지에 따라 숫자가 크게 달라지는데, AI가 이 중 하나를 임의로 골라 답하면 생산팀과 품질팀이 서로 다른 숫자를 놓고 회의하게 됩니다.
같은 질문에 답이 매번 달라지는 것도 문제입니다. 여기서 구분이 필요합니다. 표현만 다르고 핵심 숫자와 근거가 같다면 괜찮습니다. "가동률은 86%입니다"와 "계획 대비 실제 가동 시간은 86%로 집계됩니다"는 표현만 다를 뿐 같은 답입니다. 그런데 어제는 가동률 86%, 오늘은 73%처럼 숫자 자체가 달라진다면 이건 표현의 문제가 아니라 계산 기준이 흔들린 것입니다. 이 차이가 계획정지 포함 여부 같은 정의 문제에서 나온다면, AI의 문제가 아니라 공통 기준이 없는 시스템 설계의 문제입니다.
가장 우려되는 것은 환각입니다. AI가 데이터를 찾지 못했는데도 그럴듯한 숫자를 만들어내거나, 실제로는 존재하지 않는 원인을 확정적으로 제시하는 경우입니다. "불량 증가는 설비 노후화 때문입니다"라고 자신 있게 답하지만, 실제로는 그런 분석을 한 적이 없고 일반적으로 흔한 원인을 조합해 만들어낸 답일 수 있습니다.
시맨틱 레이어를 도입하면 무엇이 달라지는가?
시맨틱 레이어에 지표를 미리 등록해두면 상황이 달라집니다.
"불량률"이라는 지표를 등록할 때 "어떤 데이터를 기준으로 계산할지, 어느 기간을 포함할지, 재작업품은 제외할지"까지 명확히 정의해둡니다. 그러면 AI는 이 데이터, 저 데이터 중 임의로 고르는 대신 정해진 지표만 사용해 계산합니다.
답변의 형태도 달라집니다. 단순히 "불량률은 1.8%입니다"로 끝나지 않고, "검사 완료일 기준이며, 확정된 불량과 양산품만 포함했습니다"처럼 근거가 함께 제시됩니다. 이렇게 되면 담당자가 그 답이 어떤 조건에서 나온 숫자인지 바로 확인할 수 있습니다.
핵심은 정확도를 한 번에 끌어올리는 것이 아닙니다. 같은 질문에 같은 정의로 같은 답이 나오는 재현 가능성입니다. 담당자가 바뀌어도, 다음 달에 같은 질문을 다시 해도 일관된 결과가 나와야 신뢰할 수 있는 시스템이 됩니다.
기존 시스템 위에 얹는 현실적인 방법
시맨틱 레이어를 만든다고 해서 ERP와 MES를 교체할 필요는 없습니다. 기존 시스템은 그대로 두고, 그 위에 의미를 정의하는 논리적 계층만 추가하는 방식입니다.
처음부터 모든 데이터를 대상으로 하면 범위가 너무 커집니다. 현실적인 시작은 부서마다 숫자가 다르게 나오는 지표 하나를 고르는 것입니다. 불량률, 가동률, 납기 준수율처럼 자주 쓰이면서 혼란이 잦은 지표부터 시작합니다.
그다음 핵심 업무 용어를 정의합니다. "작업지시"라는 개념이 MES에서는 어떤 이름으로, ERP에서는 어떤 이름으로 저장되는지 정리합니다. 지표의 계산 공식과 예외 조건을 명확히 코드화한 뒤, 기존 보고서 숫자와 비교해 검증합니다. 이 검증 과정을 거친 뒤에야 AI를 연결합니다.
AI를 먼저 붙이고 나중에 정의를 보완하는 순서보다, 정의를 먼저 하고 AI를 마지막에 연결하는 순서가 안전합니다.
근거 없는 답 대신, 회사 언어로 이해하는 AI
다비스(DARVIS)는 일반 AI가 모르는 회사만의 데이터 의미를 이해하도록 설계되어 있습니다. 공장의 설비 코드, 불량 유형, 라인 명칭처럼 회사마다 다른 개념을 정의하고 연결해, 질문에 답할 때 어떤 데이터를 어떤 기준으로 사용했는지 근거와 함께 제시합니다.
근거를 찾지 못한 경우에는 답을 만들어내지 않고 확인이 필요하다는 것을 알립니다. 그럴듯하지만 틀린 답보다, 모른다고 답하는 것이 현장에서는 더 안전합니다. 기존 ERP·MES는 그대로 두고 위에 얹는 방식이라 시스템 변경은 0건이고, 도입까지 5주입니다. AI가 우리 회사의 언어를 이해하게 만드는 것, 그것이 제조 시맨틱 레이어가 하는 일입니다.
실용적인 AI 활용 인사이트 및 최신 트렌드를 알아보고 싶으시다면 디피니트 다비스(DARVIS) 블로그를 구독해 보세요. 제조 현장의 실제 문제 해결 사례와 AI 활용 노하우를 공유합니다.
더 많은 제조 AI 인사이트를 보고 싶으시다면 'AI 인사이트 더 보러가기'를 통해 둘러보시면 도움이 되실 겁니다. 감사합니다.