25

주간 프로젝트: 설비-공정 Knowledge Graph Q&A 시스템

설비-공정 Knowledge Graph

학습 목표

프로젝트 전체 요구사항과 산출물을 파악한다 데이터 모델 설계부터 Q&A 시스템까지 전체 흐름을 이해한다 평가 기준과 제출 형식을 확인한다 시간 배분 계획을 수립한다

주간 프로젝트: 설비-공정 Knowledge Graph Q&A 시스템

프로젝트 목표

루트브릭스 김포 공장의 Knowledge Graph를 구축하고, 자연어로 질문할 수 있는 Q&A 시스템을 완성합니다.

[완성 시나리오]

신입 기술자: "CNC밀링 3호기에서 알람 E-201 떴어요"

KG Q&A 시스템:
"CNC밀링 3호기의 스핀들 과열(E-201) 대응 안내:

1순위: 냉각수 부족 (확률 45%) - 15분
  → 후면 하단 패널 → 냉각수 레벨 확인 → 부족 시 보충
  → 이신입 님 수행 가능 (기본 정비)
  → 최근 3개월: 2회 발생 이력

2순위: 베어링 마모 (확률 35%) - 4시간
  → 진동 측정 필요
  → 현재 사용률 81.3% (교체 임박)
  → 김기술 님 호출 필요 (스핀들 정비)

3순위: 과절삭 (확률 20%) - 30분
  → NC 프로그램 F값/S값 확인
  → CNC 프로그래밍 스킬 필요

먼저 냉각수를 확인하시겠습니까?"

요구사항

필수 요구사항 (Must Have)

#요구사항상세
1온톨로지 설계최소 8개 엔티티 타입, 10개 관계 타입
2Neo4j 데이터 구축50+ 노드, 80+ 관계
3고장 원인 추적알람 → 원인 → 조치 경로 탐색 (CAUSED_BY/RESOLVED_BY)
4부품 수명 관리사용률 기반 교체 예정 부품 조회
5인력 스킬 매칭조치 필요 스킬 → 가용 인력 매칭
6Q&A 인터페이스자연어 질문 → KG 탐색 → 포맷팅 답변

선택 요구사항 (Nice to Have)

#요구사항상세
7공정 흐름 모델링공정 순서 및 설비 연계
8영향도 분석설비 정지 시 영향받는 공정 분석
9정비 이력 관리MaintenanceRecord 노드 + 패턴 분석
10하이브리드 RAGVector + Graph 하이브리드 검색
11대화 맥락 유지후속 질문에서 이전 맥락 활용
12LLM 연동OpenAI/로컬 LLM으로 자연어 답변 생성

시간 배분 계획 (5시간)

[09:00 - 10:00] Step 1: 온톨로지 설계 + 데이터 모델링 (1시간)
  - 엔티티/관계/속성 정의
  - 인스턴스 데이터 준비

[10:00 - 11:30] Step 2: Neo4j 데이터 구축 (1.5시간)
  - 스키마 생성 (인덱스, 제약조건)
  - 노드/관계 데이터 입력
  - 검증 쿼리 실행

[11:30 - 13:00] Step 3: 핵심 쿼리 구현 (1.5시간)
  - 고장 원인 추적
  - 부품 수명 관리
  - 인력 스킬 매칭
  - 영향도 분석 (선택)

[13:00 - 14:30] Step 4: Q&A 시스템 구현 (1.5시간)
  - 엔티티 추출기
  - 쿼리 라우터
  - 답변 포맷터
  - 대화 루프

[14:30 - 15:00] Step 5: 테스트 + 문서화 (30분)
  - 시나리오별 테스트
  - README 작성
  - 스크린샷 첨부

평가 기준

항목배점기준
온톨로지 설계20점엔티티/관계 정의의 완성도와 현실성
Neo4j 데이터20점노드/관계 수, 데이터 품질
핵심 쿼리25점원인 추적, 수명 관리, 인력 매칭 정확성
Q&A 시스템25점자연어 처리, 답변 품질, 사용성
문서화10점README, 온톨로지 다이어그램, 스크린샷
보너스+10점선택 요구사항 구현 (각 +2점)

제출 형식

mfg-knowledge-graph/
├── README.md                      # 프로젝트 설명
├── ontology/
│   ├── ontology_design.md         # 온톨로지 설계 문서
│   └── ontology_diagram.png       # 온톨로지 다이어그램
├── data/
│   ├── setup_schema.cypher        # 스키마 생성 쿼리
│   ├── load_data.cypher           # 데이터 입력 쿼리
│   └── sample_queries.cypher      # 핵심 분석 쿼리
├── src/
│   ├── kg_builder.py              # KG 구축 스크립트
│   ├── graphrag_pipeline.py       # GraphRAG 파이프라인
│   ├── qa_system.py               # Q&A 시스템
│   └── utils.py                   # 유틸리티
├── tests/
│   └── test_scenarios.py          # 테스트 시나리오
└── screenshots/
    ├── neo4j_schema.png           # Neo4j 스키마 시각화
    └── qa_demo.png                # Q&A 시스템 데모
AI로 학습하기 — 꿀팁
🧪설비-공정 KG 데이터 모델 심화AI 학습 팁

설비-공정 KG Q&A 프로젝트의 데이터 모델을 AI에게 제조 현실을 반영해 확장 설계 요청하세요.

제조 공장 설비-공정 Knowledge Graph Q&A 시스템 프로젝트를 위한 데이터 모델을 설계해줘. 필수 노드: Equipment(설비), Process(공정), Component(부품), Failure(고장), MaintenanceRecord(점검이력), Operator(작업자). 각 노드의 주요 속성과 노드 간 관계 타입(방향 포함)을 Mermaid 그래프 다이어그램으로 표현해줘.
이 팁이 도움이 됐나요?
핵심 포인트
  • 필수 6개 + 선택 6개 요구사항으로 구성
  • 온톨로지 설계 → Neo4j 구축 → 쿼리 구현 → Q&A 시스템의 4단계
  • 50+ 노드, 80+ 관계, 8+ 엔티티 타입이 최소 기준
  • 평가: 온톨로지(20) + 데이터(20) + 쿼리(25) + Q&A(25) + 문서(10)