제조 AI 도입 전 데이터 표준화 5단계 체크리스트: 설비 교체 없이 시작하는 법, 리쉐니에 OPC UA 사례

설비를 바꾸지 않는 제조 AI는 어떻게 돌아가나?

리쉐니에의 구조는 수집, 분석, 가상 운영 3단계다. 데이터스톤이 여러 제조사 설비의 정보를 모으고, 마이폴이 이상 여부를 판단하며, 결과를 표준화된 설비 정보와 함께 디지털 트윈으로 넘긴다. 설비는 그대로 두고 연결 방식만 바꾼다.

연결의 핵심은 산업용 통신 표준 OPC UA다. 진동·전류 센서와 PLC에서 나오는 정보를 한곳으로 모으고, 제조사가 달라도 같은 방식으로 데이터를 주고받게 한다. PLC가 없는 설비까지 포함하도록 구성해 제조사나 장비 종류와 관계없이 분석에 쓸 수 있는 형태로 정리한다. 연산은 중앙 서버가 아니라 설비 가까운 에지에서 하고, 수집된 데이터를 바로 전처리해 AI 분석으로 넘긴다.

분석 방식도 데이터 사정에 맞춰져 있다. 마이폴은 고장 사례를 정답으로 붙여 학습하지 않는다. 정상 운전 패턴을 먼저 익힌 뒤 거기서 벗어난 움직임을 이상 후보로 찾는 비지도학습이다. 고장 데이터가 드물고 과거 기록이 체계적으로 남지 않은 현장을 전제한 선택이다. 회사 발표 기준으로 공정 이상 탐지율 약 97%를 확보했다고 밝혔다. 이상 징후는 알람으로 끝나지 않고 자산관리셸(AAS) 기반으로 정리된 설비 정보와 함께 디지털 트윈에 연결돼 가상 시운전과 예지보전에 쓰인다. 전체 구조는 사이버물리시스템(CPS) 개념으로 묶이고, 리쉐니에는 센서 데이터 생애주기관리 국제표준 개발도 주관하고 있다.

왜 AI 모델보다 데이터 표준화가 먼저인가?

설비마다 데이터 수집 방식과 형식이 달라서다. 형식이 제각각이면 분석 단계에서 데이터를 쓸 수 없고, 모델이 아무리 좋아도 입력이 맞지 않으면 결과가 나오지 않는다. 그래서 순서는 표준화가 먼저, 모델은 나중이다.

같은 순서를 이미 결과로 증명한 곳이 있다. 삼성전자 자회사 하만은 글로벌 4개 공장에서 총 실장 물량 약 30% 증가, 100만 개당 불량 수 37% 개선을 냈는데, 시작은 자동화가 아니라 데이터 연결이었다. 하만 스마트팩토리 3단계 프레임워크에서 그 순서를 정리했다. 리쉐니에의 데이터스톤이 하만의 1단계에 해당한다.

AI 결과물을 검증하는 프레임워크에서도 같은 자리다. 하네스 엔지니어링의 네 질문 중 두 번째가 "무엇을 근거로 했는가(Context)"이고, 근거 데이터의 형식이 맞지 않으면 그 뒤의 검증은 성립하지 않는다. 하네스 엔지니어링 총론에서 다룬 대로 조직이 투자하는 자리와 사고가 나는 자리는 다르다. 데이터 표준화는 투자가 가장 적게 가는 자리다.

제조 AI의 첫 투자는 설비가 아니라 데이터의 이름을 맞추는 일이다.

데이터 표준화 5단계 체크리스트: 오늘 할 수 있는 순서

순서는 인벤토리, 네이밍 룰, 포맷 통일, 라벨링, 수집·보관 규칙이다. 앞의 두 단계는 예산이 0원이고 하루면 끝난다. 뒤로 갈수록 시간이 들지만 설비 교체는 어느 단계에도 없다.

1단계. 인벤토리: 데이터가 나오는 곳을 전부 적는다

설비, PLC, 센서, 엑셀 파일, 수기 작업일지까지 데이터가 생기는 자리를 한 장에 적는다. 각 항목에 형식(CSV, PLC 태그, 종이), 주기(초, 일, 월), 담당자를 붙인다. 리쉐니에가 PLC 없는 설비까지 포함하도록 구성한 것처럼, 자동으로 나오지 않는 데이터도 목록에 넣는다. 목록에 없는 데이터는 표준화도 분석도 되지 않는다.

2단계. 네이밍 룰: 항목명, 단위, 시간을 하나로 정한다

같은 온도를 한 설비는 temp, 다른 설비는 온도, 엑셀은 T로 적는 상태가 기본값이다. 항목명 규칙(영문 소문자와 밑줄), 단위 명시(섭씨인지 화씨인지, 초인지 분인지), 시각 표기(연-월-일 시:분:초, 시간대 명시)를 한 장짜리 문서로 정한다. 새 항목이 생기면 이 문서에 먼저 등록한다. 다섯 단계 중 비용 대비 효과가 가장 크다.

3단계. 포맷 통일: 설비는 표준 통신, 문서는 고정 템플릿

설비 데이터는 OPC UA 같은 산업 표준으로 모은다. 제조사가 달라도 같은 방식으로 읽히게 하는 것이 리쉐니에가 설비를 바꾸지 않은 방법이다. 사무 데이터는 보고서와 입력 양식의 열 순서와 항목을 고정한 템플릿으로 통일한다. 사람이 자유롭게 적는 칸을 줄일수록 AI가 읽을 수 있는 비율이 올라간다.

4단계. 라벨링: 정상을 먼저 정의한다

이상 사례에 라벨을 붙이려면 이상이 충분히 쌓여 있어야 하는데 대부분의 현장에는 없다. 마이폴이 정상 패턴부터 익히는 비지도학습을 택한 이유다. 그러니 라벨링도 순서를 바꾼다. 정상 운전 구간을 기간과 조건으로 먼저 정의하고, 이상은 발생할 때마다 날짜, 설비, 조치를 같은 양식으로 붙인다. 사무 업무라면 통과된 보고서와 반려된 보고서를 구분해 두는 것이 같은 일이다.

5단계. 수집·보관 규칙: 어디서 모으고 누가 책임지나

모든 데이터를 중앙으로 보낼지 설비 옆에서 처리할지, 얼마나 보관할지, 규칙이 깨졌을 때 누가 고치는지 정한다. 리쉐니에가 에지에서 전처리하는 구조를 택한 것은 원천 데이터를 전부 중앙으로 보내는 부담을 피하기 위해서다. 규칙 없이 모은 데이터는 양이 늘수록 쓸 수 없게 된다.

설비가 없는 사무직 업무에도 같은 순서가 통하나?

통한다. 엑셀, 보고서, 메일로 쌓이는 업무 데이터도 형식이 제각각인 것은 같다. 인벤토리와 네이밍 룰만 잡아도 AI가 읽을 수 있는 데이터의 비율이 달라진다.

롯데칠성 AI 경연대회 대상작은 1시간 걸리던 적재 도면을 30초로 줄였다. 결과는 AI가 냈지만 그 앞에는 입력값을 정해진 형식으로 받는 설계가 있었다. 롯데칠성 사례를 따라 하는 3단계에서 그 순서를 정리했다. 제조 현장의 OPC UA와 사무실의 입력 템플릿은 규모만 다를 뿐 같은 결정이다.

AI 트렌드 릴스를 매일 자동 발행하는 파이프라인을 직접 짜서 운영하고 있다. 여러 단계가 이어지는 자동화에서 한 단계의 출력 형식이 다음 단계의 입력 형식과 맞지 않으면 전체가 멈춘다. 그래서 파이프라인을 설계할 때 가장 먼저 고정하는 것은 모델이 아니라 단계 사이의 데이터 형식이다. 형식이 고정돼 있으면 모델은 나중에 바꿔도 된다. 거꾸로 형식이 흔들리면 어떤 모델을 넣어도 돌지 않는다.

이 사례에서 조심해서 읽을 부분

탐지율 97%는 회사 발표 수치이고 기사는 전시회 프리뷰다. 설비를 바꾸지 않는다고 비용이 0은 아니며, 표준화는 시작이지 완성이 아니다.

• 97%는 검증된 수치가 아니다: 조건, 기간, 비교 기준이 기사에 없다. 도입을 검토한다면 자기 현장 데이터로 파일럿을 요구해야 한다
• 전시 프리뷰 기사다: 제품 소개가 목적인 기사라 실패 사례와 한계는 나오지 않는다. 2026 산업AI EXPO(10월 21~23일, KINTEX)에서 직접 물어볼 수 있다
• 설비 무교체여도 비용은 든다: OPC UA 게이트웨이, 에지 장비, 센서 추가는 투자다. 다만 라인 교체와는 규모가 다르다
• 표준화는 끝이 아니다: 데이터가 맞춰진 뒤에 모델 선택, 검증 관문, 운영 루프가 남는다. 5단계는 그 앞의 준비다
• 사무 데이터 적용은 유추다: 리쉐니에의 사례는 설비 데이터이고, 사무 업무로 옮긴 부분은 이 글의 해석이다