"우리 공장에는 어떤 DB를 써야 하나요?"

제조 현장에서 LLM을 도입하면 가장 먼저 부딪히는 질문이다. Vector DB? Knowledge Graph? 아니면 둘 다?

결론부터 말하면 답은 데이터의 성격에 달려있다.

---

한 줄 요약

저장소	가장 잘하는 것	못하는 것
Vector DB	의미 유사도 검색 ("비슷한 문서 찾기")	정확한 관계 추론
Knowledge Graph	관계 기반 추론 ("A 때문에 B가 망가졌어")	비정형 텍스트 검색
Hybrid	둘의 장점을 결합	구현 복잡도 증가

---

Vector DB가 잘하는 것

장점

• 단어가 정확히 일치하지 않아도 "의미"로 검색 ("떨림" ≈ "진동" ≈ "채터링")
• 비정형 매뉴얼/보고서/이메일에 강함
• 도입이 빠름 (수 시간 내 PoC)

단점

• "3호기에서 어제 발생한 알람의 원인이 무엇인가?" 같은 구조화된 질문은 약함
• 관계 추적 불가 ("이 알람과 연관된 부품은?" → 직접 답 못함)
• 환각(Hallucination) 위험: 비슷한 문서를 가져와도 LLM이 잘못 조합할 수 있음

---

Knowledge Graph가 잘하는 것

장점

• 정확한 관계 추론 (홉이 여러 개여도 정확)
• 설명 가능 (Why? 질문에 경로로 답변 가능)
• 사실 검증: KG에 없는 정보는 "모른다"고 명시 가능 → 환각 방지

단점

• 스키마 설계가 어려움 (도메인 전문가 협업 필수)
• 데이터 입력 비용 (ETL/스크래핑/수동 입력)
• 자연어 매뉴얼 검색은 약함

---

제조 데이터 유형별 가이드

데이터 유형	추천 저장소	이유
설비 매뉴얼 PDF (수백 페이지)	Vector DB	비정형 텍스트, 의미 검색이 핵심
설비-부품-고장 관계	Knowledge Graph	구조화된 관계 추론
정비 이력 로그 (정형)	Knowledge Graph	시간 + 작업자 + 부품 관계
안전 보고서/사고 사례	Hybrid	텍스트(Vector) + 인과 관계(KG)
도면/사양서	Vector DB + 메타데이터	시각 자료 임베딩 + 분류
작업자 스킬-자격증	Knowledge Graph	"~할 수 있는 사람" 쿼리

---

Hybrid Retrieval: 둘 다 쓰는 패턴

실무에서는 Vector DB + Knowledge Graph 결합이 최강이다.

효과: 환각 80% 감소, 답변 신뢰도 2배 향상 (자체 측정 기준).

---

결론: 우리 공장은?

이번 주에 만들 시스템은 KG 우선 + Vector 보조 패턴이다. 관계 기반 진단이 제조 현장의 70% 이슈를 커버하기 때문이다.