스마트팩토리 관제 프로젝트 MVP 기능 선정 과정
최근 팀 프로젝트 주제로 자동차 스마트팩토리 기반 관제 시스템을 기획하면서, 단순히 “기능이 많은 시스템”이 아니라 실제 제조 현장에서 왜 필요한지 설명할 수 있는 기능이 무엇인지에 대해 많은 고민을 하게 되었다.
특히 중간 발표에서는 구현 자체보다도 어제 얘기한 내용에서의 연장선으로:
- 왜 해당 주제를 선택했는지
- 왜 이 기능이 필요한지
- 기존 시스템과 어떤 차별성이 있는지
를 논리적으로 설명하는 것이 중요하다는 피드백을 받았다.
그 과정에서 저희 팀은 스마트팩토리 환경의 특징을 다시 정리해보게 되었다.
왜 자동차 스마트팩토리였을까?
자동차 제조 공정은 프레스, 차체, 도장, 의장, 검사와 같이 여러 공정이 순차적으로 강하게 연결되어 있는 구조를 가진다.
특히 AGV, 컨베이어, 로봇 설비, PLC, MES 등 다양한 시스템이 동시에 동작하며 실시간 데이터를 지속적으로 생성한다는 특징이 있다.
이러한 구조에서는 하나의 작은 이상 상황이 단순 설비 오류로 끝나는 것이 아니라:
부품 공급 지연
공정 대기
품질 문제
생산량 감소와 같은 연쇄적인 문제로 이어질 가능성이 높다.
즉 자동차 스마트팩토리는 단순 모니터링이 아니라, 이벤트 간 상관관계를 분석하고 예방 중심으로 대응하는 관제 시스템의 필요성이 매우 높은 환경이라고 판단하였다.
MVP 기능 선정 과정
초기에는 원격 제어, 화재/침수 대응, 확장형 플랫폼 등 다양한 기능들을 후보로 고려하였다.
하지만 실제 구현 가능성, 프로젝트 기간, 그리고 “보안 관제”라는 핵심 방향성을 다시 고민하면서 기능을 재정리하게 되었다.
그 결과 최종적으로 아래 3가지 MVP 기능이 가장 현실적이면서도 프로젝트의 방향성을 잘 보여줄 수 있다고 판단하였다.
1️⃣ 알림 신뢰성 평가 시스템
스마트팩토리 환경에서는 수많은 이벤트와 알람이 동시에 발생한다.
문제는 실제 현장에서는 오경보(False Positive)가 많아질수록 작업자가 알람 자체를 신뢰하지 않게 되는 “경보 피로(Alarm Fatigue)” 문제가 발생한다는 점이다.
즉:
중요한 알림과 불필요한 알림이 구분되지 않으면 결국 실제 위험 상황도 놓칠 수 있게 된다.
이를 해결하기 위해 저희는 “불신 지수(Distrust Score)” 개념을 도입하였다.
작업자의:
무시한 알림
즉시 대응한 알림
반복적으로 발생한 이벤트등을 기반으로 알림 신뢰도를 계산하고, AI 모델이 임계값과 알림 방식을 동적으로 조정하도록 설계하였다.
예를 들어 불신 지수가 높아질 경우:
임계값 완화
알림 우선순위 조정
알림 방식 변경등을 통해 실제로 중요한 이벤트만 우선적으로 전달할 수 있도록 구성하였다.
단순히 AI가 알림을 생성하는 것이 아니라, 현장의 반응 데이터를 다시 AI 판단 로직에 반영하는 “피드백 루프 기반 관제 시스템”이라는 점에서 차별화를 두고자 하였다.
2️⃣ 공정 간 불량 전이 예측
자동차 제조 공정은 공정 간 연결성이 매우 강하다.
예를 들어:
- 차체 공정의 용접 품질 문제는
- 도장 공정의 표면 품질 저하로 이어질 수 있고,
- 이후 의장 공정의 조립 불량까지 영향을 줄 수 있다.
하지만 대부분의 제조 현장에서는 “현재 공정”만 관리하는 경우가 많아, 이후 공정에서 발생할 문제를 사전에 예측하기 어렵다.
우리는 이러한 구조에 주목하여 제품별 제조 이력과 공정 데이터를 기반으로:
센서 데이터
처리 시간
품질 검사 결과
공정 이동 정보간의 관계를 분석하고, 특정 이상 징후가 이후 공정의 품질 문제로 이어질 가능성을 예측하는 기능을 기획하였다.
이를 통해 단순 불량 탐지가 아니라:
“현재 발생한 이상이 미래 공정에 어떤 영향을 줄 것인가?”
를 분석하는 예방 중심 관제 시스템을 구현하고자 하였다.
3️⃣ AI 기반 운영 매뉴얼
스마트팩토리 환경은:
설비
PLC
센서
AGV
MES
품질 시스템등 수많은 요소들이 동시에 연결되어 있기 때문에, 초보 작업자나 신규 관제사가 시스템을 이해하기 어렵다는 문제가 존재한다.
특히 실제 현장에서는 여전히 숙련자의 경험과 노하우에 의존하는 경우가 많다.
우리는 이러한 문제를 해결하기 위해 AI 기반 운영 매뉴얼 기능을 기획하였다.
단순히 오류 코드만 출력하는 것이 아니라:
장애 원인 설명
영향받는 공정 분석
우선 점검 요소
대응 가이드
위험도 분석등을 자연어 형태로 제공하여 초보 사용자도 상황을 빠르게 이해할 수 있도록 구성하였다.
즉:
“숙련자 중심 운영 구조”에서 벗어나,
비숙련자도 쉽게 사용할 수 있는 서포터형 관제 시스템을 목표로 하였다.
마무리
이번 MVP 선정 과정에서 가장 중요하게 고민했던 부분은:
“이 기능이 실제 제조 현장에서 왜 필요한가?”
였다.
단순히 기술을 많이 사용하는 것이 아니라:
왜 Kafka를 사용하는지
왜 AI가 필요한지
왜 이벤트 상관관계 분석이 중요한지를 실제 스마트팩토리 환경과 연결해서 설명할 수 있어야 한다고 생각했다.
아직 구현 전 단계이지만,
프로젝트의 방향성과 문제 정의를 구체적으로 고민하는 과정 자체가 굉장히 중요하다는 것을 느낄 수 있었던 시간이었다.
