센서값은 맞는데 AI 판단이 틀린 이유: OPC UA·Sparkplug로 현장 데이터의 시간과 품질 지키기
설비 센서값의 숫자만 저장하면 통신 지연, 오래된 값, 품질 불량을 구분할 수 없습니다. OPC UA의 시각·상태 코드와 Sparkplug의 연결 상태를 함께 보존해 신뢰할 수 있는 산업 AI 데이터를 만드는 방법을 설명합니다.
NOTES
현장에서 배운 것들
모델을 만들고, 웹과 앱을 짓고, 업무를 자동화하며 확인한 것을 기록합니다. 통한 방법만이 아니라 통하지 않았던 시도까지 남깁니다.
TOTAL 288
불량 이미지가 없는데 검사 AI를 어떻게 학습할까? 합성데이터와 Sim-to-Real 실전 설계
불량이 드물고 신제품 데이터가 없는 제조 현장에서 디지털 트윈으로 합성데이터를 만들고, 도메인 랜덤화와 실데이터 검증으로 비전 검사 AI의 현실 격차를 줄이는 방법을 설명합니다.
민감 데이터를 클라우드 AI에 맡겨도 될까? Confidential Computing과 TEE 기반 추론 설계
저장·전송 암호화만으로는 AI가 처리하는 순간의 데이터를 보호할 수 없습니다. TEE, 원격 증명, 정책 기반 키 해제와 Confidential GPU를 결합한 신뢰 가능한 AI 추론 구조를 설명합니다.
MCP만 연결하면 끝일까? A2A와 MCP를 구분하는 기업 AI 에이전트 통합 설계
MCP는 에이전트와 도구를, A2A는 독립 에이전트끼리 연결합니다. 두 프로토콜의 역할과 Agent Card·Task·Artifact, 신원 위임, 장애 복구와 관측성을 기업 시스템 관점에서 설명합니다.
AI에게 자연어로 DB를 물어보면 왜 숫자가 달라질까: 시맨틱 레이어와 안전한 Text-to-SQL 설계
자연어 질문을 곧바로 SQL로 바꾸는 것만으로는 신뢰할 수 있는 데이터 분석이 되지 않습니다. 시맨틱 레이어, 검증된 쿼리, 권한과 실행 가드레일을 결합하는 기업용 Text-to-SQL 설계를 설명합니다.
AI 에이전트를 붙이기 전에 실제 업무 경로부터 보라: 프로세스 마이닝으로 자동화 ROI 찾기
업무 매뉴얼이 아니라 ERP·CRM·MES의 이벤트 로그에서 실제 프로세스를 발견하고, 병목·재작업·예외를 근거로 AI 에이전트의 자동화 범위와 ROI를 결정하는 방법을 설명합니다.
예측만 하는 AI는 왜 현장을 바꾸지 못할까: 디지털 트윈과 최적화의 폐루프 운영
산업 AI가 고장을 예측하고도 성과를 만들지 못하는 이유는 실행 구조가 없기 때문입니다. 디지털 트윈, 상태 추정, AI 예측, 시나리오 최적화와 안전한 제어를 하나의 폐루프로 연결하는 방법을 설명합니다.
전화받는 AI, 데모와 운영의 차이: 실시간 음성 에이전트 설계
자연스러운 목소리만으로 기업용 음성 AI가 완성되지는 않습니다. 지연시간, 턴 감지, 끼어들기, 도구 호출, 본인 확인, 상담원 전환과 운영 지표까지 실시간 음성 에이전트의 핵심 설계를 설명합니다.
문서 한 줄이 AI 에이전트를 조종한다면: 간접 프롬프트 인젝션 방어 설계
웹페이지·이메일·PDF에 숨은 지시가 AI 에이전트의 도구 호출로 이어질 수 있습니다. 외부 콘텐츠와 명령을 분리하고, 출처 추적·권한 축소·행동 검증·사람 승인을 결합하는 실전 방어 구조를 설명합니다.