왜 제조 현장에 Knowledge Graph가 필요한가?

"김 반장님, CNC 밀링머신에서 알람 E-201이 떴는데 어떻게 해요?"

월요일 오전 7시, 생산 라인에 비상이 걸렸습니다.

[상황]
- CNC 밀링머신 3호기에서 알람 E-201 (스핀들 과열) 발생
- 김 반장은 오늘 휴가
- 매뉴얼은 500페이지짜리 PDF (영어)
- 신입 기술자가 혼자 대응해야 함

[신입 기술자의 행동]
1단계: 매뉴얼 PDF 열기 → Ctrl+F "E-201" → 3개 결과 발견
2단계: 첫 번째 결과 확인 → "See Section 14.3.2" → 찾아감
3단계: "Check coolant level and bearing condition" → 냉각수? 베어링?
4단계: 냉각수 점검 방법을 다시 검색...

[경과 시간: 2시간]
[결과: 생산 라인 2시간 정지 → 일일 생산량 15% 감소]

---

만약 Knowledge Graph가 있었다면?

[신입 기술자의 행동 - KG 기반]
1단계: 시스템에 "알람 E-201" 입력
2단계: 즉시 표시됨:

  (알람 E-201: 스핀들 과열)
     ├── [원인 1] 냉각수 부족 (확률 45%)
     │      └── [조치] 냉각수 탱크 확인 → 보충
     │      └── [위치] 장비 후면 하단 패널
     │      └── [소요시간] 15분
     │      └── [필요공구] 없음
     ├── [원인 2] 베어링 마모 (확률 35%)
     │      └── [조치] 진동 측정 → 베어링 교체
     │      └── [위치] 스핀들 하우징 내부
     │      └── [소요시간] 4시간 (정비팀 호출)
     │      └── [필요공구] 베어링 풀러, 토크렌치
     └── [원인 3] 과절삭 (확률 20%)
            └── [조치] 절삭 조건 확인 → 이송 속도 조정
            └── [관련 파라미터] F값, S값
            └── [소요시간] 10분

3단계: 냉각수 확인 (가장 높은 확률부터) → 부족 확인 → 보충

[경과 시간: 20분]
[결과: 신속 복구, 생산 영향 최소화]

---

제조 현장의 지식 관리 문제

문제 1: 지식의 단절 (Knowledge Silo)

┌──────────────────────────────────────────────────────────┐
│              제조 현장의 지식 분산 현황                      │
├──────────────────────────────────────────────────────────┤
│                                                          │
│  [설비 매뉴얼]     [정비 이력]      [품질 데이터]           │
│   PDF 500pg        Excel 파일       MES 시스템            │
│   영어/일어         개인 PC          DB 테이블              │
│       │                │                │                │
│       ▼                ▼                ▼                │
│     읽기 어려움      공유 안 됨       연결 안 됨            │
│                                                          │
│  [작업 표준서]     [숙련공 경험]     [부품 도면]            │
│   종이 문서         머릿속           CAD 파일              │
│   캐비닛 보관       퇴직 시 소실     설계팀만 접근          │
│       │                │                │                │
│       ▼                ▼                ▼                │
│     낡은 버전       전수 불가        찾기 어려움            │
│                                                          │
│  ❌ 이 모든 지식이 서로 연결되어 있지 않다!                 │
│                                                          │
└──────────────────────────────────────────────────────────┘

문제 2: 숙련공 의존 (Expert Dependency)

[실제 사례: 한국 제조업체 A사]

베테랑 기술자 박 과장 (경력 25년):
- "이 소리가 나면 베어링이야. 저번에도 그랬어."
- "겨울엔 예열 20분, 여름엔 10분이면 돼."
- "이 제품은 공차가 +-0.01인데, 습도 높으면 0.005로 잡아야 해."

→ 이 지식이 그의 머릿속에만 존재
→ 은퇴하면? 모든 지식 소실

통계:
- 제조업 숙련공 평균 연령: 52세
- 10년 내 은퇴 예상 비율: 40%
- 신입 기술자 숙련 기간: 5-10년

문제 3: 복합 원인 추적의 어려움

[실제 문제: 가공 정밀도 불량]

원인이 하나가 아니라 여러 개가 복합적으로 작용:

  (정밀도 불량)
     ├── 공구 마모 → 절삭력 변화
     │      └── 과절삭 → 이송 속도 과다
     ├── 축 진동 → 가공면 거칠기 증가
     │      └── 베어링 마모 → 윤활 부족
     │      └── 기초 볼트 풀림 → 진동 전달
     └── 열변형 → 치수 변화
            └── 냉각 불량 → 냉각수 막힘
            └── 환경 온도 변화 → 에어컨 고장

기존 방식: 하나씩 순차적으로 점검 (평균 2시간)
KG 방식: 모든 가능한 원인 경로를 한눈에 파악 (30분)

---

Knowledge Graph의 해결책

Knowledge Graph란?

[정의]
실세계의 엔티티(사물, 개념)와 그들 간의 관계를
그래프 구조로 표현한 지식 베이스

[핵심 구성 요소]
노드 (Node)  : 엔티티 (장비, 부품, 작업자, 알람, 조치...)
엣지 (Edge)  : 관계 (포함, 원인, 담당, 생산, 공급...)
속성 (Property): 노드/엣지의 특성 (이름, 날짜, 수치...)

[트리플 (Triple)]
(주어) --[관계]--> (목적어)

예시:
(CNC선반1호기) --[포함]--> (스핀들)
(스핀들)      --[발생가능]--> (과열알람)
(과열알람)    --[원인]--> (냉각수부족)
(냉각수부족)  --[조치]--> (냉각수보충)
(냉각수보충)  --[필요공구]--> (없음)
(냉각수보충)  --[소요시간]--> (15분)

온톨로지는 설계도(타입), 지식그래프는 그 설계도로 찍어낸 실체(인스턴스)다. 같은 온톨로지 하나로 수천 개의 일관된 지식그래프를 찍어낼 수 있다.

제조 KG가 만드는 가치

기존 방식	KG 기반 방식	개선 효과
매뉴얼 PDF 검색	관계 기반 탐색	문제 해결 시간 80% 단축
숙련공에게 물어봄	지식 그래프 자동 추천	24/7 지식 접근
엑셀 정비 이력	연결된 정비 이력	패턴 기반 예지 보전
단일 원인 추정	복합 원인 추적	재발률 60% 감소

글로벌 제조 KG 도입 사례

[지멘스 (Siemens)]
- 산업용 KG "MindSphere Knowledge Graph" 구축
- 설비 20만대의 고장 패턴 분석
- 예지 보전 정확도 30% 향상

[보쉬 (Bosch)]
- 자동차 부품 제조 KG
- 부품-공정-품질 관계 모델링
- 불량률 25% 감소

[현대자동차]
- 차량 부품 BOM(Bill of Materials) KG
- 15만+ 부품 관계 모델링
- 설계 변경 영향 분석 시간 70% 단축

[삼성전자]
- 반도체 공정 KG
- 수율 저하 원인 추적
- 공정 최적화로 수율 2% 향상 (수천억 원 가치)

---

이번 주 학습 로드맵

Day 1: 제조 온톨로지 설계
  └── "어떤 지식을 어떻게 구조화할까?"

Day 2: Neo4j & Cypher
  └── "그래프 데이터베이스에 지식을 넣자"

Day 3: GraphRAG 통합
  └── "LLM이 그래프를 이해하게 만들자"

Day 4: KG 기반 Q&A
  └── "자연어로 그래프에 질문하자"

Day 5: 설비-공정 Knowledge Graph 구축
  └── "실전 프로젝트: 제조 KG 시스템 완성"

이번 주가 끝나면: "알람 E-201이 떴는데 뭐부터 확인하나요?"라는 질문에 AI가 KG를 탐색해서 단계별 조치 방법을 자동으로 안내하는 시스템을 만들 수 있습니다.