최종 캡스톤: 제조 AI 풀스택 어시스턴트 v1.0
Day 5: 제조 AI 풀스택 캡스톤
최종 캡스톤: 제조 AI 풀스택 어시스턴트 v1.0
스마트 팩토리 최적화 > Day 5: 제조 AI 풀스택 캡스톤
최종 캡스톤 시나리오
중견 제조사 DX 부문의 AI 엔지니어로서, 12주간 배운 것을 하나의 어시스턴트로 묶습니다.
시작 재료
바닥부터 만들지 않습니다. 오늘까지 만든 세 파일을 한 폴더에 모으는 것으로 시작합니다.
capstone/
├── mfg_kpi.py # Day 1: OEE 계산과 가상 생산 로그
├── mfg_assistant_v3.py # Day 5: 도구 8개를 가진 어시스턴트
└── integration_test.py # Day 5: 통과 여부로 완성도를 재는 기준python integration_test.py # 지금은 네 검사 중 하나가 실패한다실패하는 그 하나가 오늘의 출발점입니다. 의도 분류가 수요 질문에 설비 관계 그래프를 붙이고 조치 질문에 매뉴얼 검색을 빠뜨립니다. 고치면 네 검사가 모두 통과하고, 그 상태가 제출 기준입니다.
12주 기술 통합 체크리스트
| 영역 | 기술 | 적용 위치 |
|---|---|---|
| Week 1-3 | LLM + 프롬프트 + RAG | 자연어 Q&A, 매뉴얼 검색 |
| Week 4-5 | LangGraph Agent | 워크플로우 라우팅 |
| Week 6 | QLoRA 파인튜닝 | 온프레미스 경량 모델 |
| Week 7 | Knowledge Graph | 설비·공정 관계 추론 |
| Week 8 | 통합 프로젝트 | MVP 아키텍처, Docker Compose 배포 |
| Week 9 | 발표 & 포트폴리오 | README, 데모 시나리오, 발표 자료 |
| Week 10 | 비전 AI 외관검사 | 부품 이미지 결함 판정 |
| Week 11 | 설비 예지보전 | 센서 이상 감지, 잔여 수명 예측 |
| Week 12 | 제조 ML 모델 | OEE, 수요예측, Bayesian 최적화, 대시보드 |
시간 배분과 중간 확인 지점
| 구간 | 할 일 | 이 시점에 손에 있어야 하는 것 |
|---|---|---|
| 0~10분 | 세 파일 모으고 테스트 실행 | 실패 한 건이 찍힌 출력 |
| 10~35분 | 의도 분류 수정 | 네 검사 모두 통과 |
| 35~55분 | 도구 응답을 실제 계산으로 교체 (최소 하나) | mfg_kpi 값을 읽는 KPI 도구 |
| 55~80분 | 질의 인터페이스 연결 | 질문 하나가 화면에서 답까지 가는 경로 |
| 80~105분 | README 작성 | 검증한 것과 검증하지 않은 것 두 목록 |
| 105~120분 | 실행 재현 점검 | 새 폴더에 복사해 문서대로 띄워 보기 |
35분까지 테스트가 통과하지 않으면 확장 항목은 건너뜁니다. 통과하지 못한 상태로 넓히면 무엇이 고장 났는지 알 수 없게 됩니다.
README 성과란에 적을 것
p8w12-d5-portfolio 의 원칙을 그대로 적용합니다. 이 캡스톤의 데이터는 전부 가상이므로
성과 수치를 적을 수 없습니다. 대신 이렇게 적습니다.
## 검증한 것
- OEE 계산이 손으로 검산한 참조 케이스와 일치 (integration_test.py 1번)
- 가상 생산 로그 450건에 물리적으로 불가능한 값 없음 (2번)
- 도구 8개의 응답 규약과 대화 이력 기록 (3번)
- 의도 분류가 질의 4종에서 기대 도구 집합과 일치 (4번)
## 검증하지 않은 것
- 실제 설비 데이터 연동, LLM 응답의 사실성, 비전 모델 정확도
- 예측 모델의 일반화 성능, 동시 접속 부하, 인증과 권한두 목록을 나란히 두는 README 가 성과 수치를 적은 README 보다 신뢰를 얻습니다. 무엇을 확인했는지 정확히 아는 사람이 쓴 글로 읽히기 때문입니다.
제출물
- GitHub 레포 (코드와 실행 문서)
integration_test.py실행 출력 (통과·실패 그대로)- 아키텍처 다이어그램
- README. 검증한 것과 검증하지 않은 것을 나눈 성과란을 포함한다
(필수) Day 5 의 어시스턴트를 기준으로 도구 다섯 개 이상을 하나의 질의 흐름에 연결한다
(필수) 의도 분류를 고쳐 integration_test.py 의 네 검사를 모두 통과시킨다
(필수) 자연어 질의 인터페이스를 붙인다 (Streamlit 또는 CLI)
(필수) README 에 아키텍처, 실행 방법, 그리고 '검증한 것과 검증하지 않은 것'을 나누어 적는다
(확장) Docker Compose 로 백엔드·벡터 DB·Neo4j 를 묶어 한 번에 뜨게 만든다
(확장) 도구 하나를 실제 API 호출로 바꾼다 (지금은 모두 문자열을 돌려준다)
(확장) 5분 영상 데모 시나리오를 작성한다
- • integration_test.py 네 검사 통과 여부와 실패 항목의 기록 (30점)
- • 도구 연결과 응답 종합의 논리성 (분기, 오류 처리) (25점)
- • README 가 검증 범위와 미검증 범위를 구분해 적었는가 (25점)
- • 실행 재현성 (다른 사람이 문서만 보고 띄울 수 있는가) (20점)
- • 통합 테스트(end-to-end) 시나리오 10개 작성 및 통과율 90% 이상 달성
- • 프로덕션 관측성(OpenTelemetry, Langfuse, Prometheus) 1개 이상 적용
- • GitHub Public 레포 + Hugging Face Spaces 또는 자체 도메인 데모 페이지 공개
12주 집대성 캡스톤에서 개별 모듈을 단순 연결하는 수준을 넘어 시스템 전체의 신뢰성·확장성·유지보수성을 AI로 리뷰하면 완성도를 한 단계 높일 수 있습니다.
내 제조 AI 풀스택 어시스턴트 v1.0 아키텍처 요약:
- 데이터 수집 레이어: {붙여넣기}
- AI 처리 레이어 (모델·RAG·그래프): {붙여넣기}
- 서빙·API 레이어: {붙여넣기}
- 모니터링·대시보드 레이어: {붙여넣기}
다음 관점에서 아키텍처 리뷰를 수행해줘: (1) 단일 실패 지점(SPOF) 식별, (2) 제조 현장 확장(공장 10개 이상) 시 병목 예상 구간, (3) 각 레이어 간 데이터 스키마 호환성 리스크, (4) MVP → v2.0으로 발전시킬 때 가장 먼저 리팩터링해야 할 구간.