인사이트 · AI 개발 기록 | NatureFractal 네이처프랙탈

배송 차량이 출발하기 직전에 새 주문이 들어옵니다. 무조건 경로에 끼워 넣으면 기존 고객의 약속 시간을 어길 수 있고, 무조건 다음 날로 넘기면 고객 기회를 놓칩니다. 추가 주문을 받아들일 기준과 경로 변경의 마감 시점을 함께 정해야 합니다.

설비 고장 기록에 '프레스 3호기'만 남으면 같은 장비의 센서, 모터, 금형 중 무엇이 반복 고장 나는지 알기 어렵습니다. 설비 계층을 너무 세밀하게 만들면 입력이 어려워집니다. 분석과 정비에 필요한 수준까지 일관되게 내려가는 것이 중요합니다.

교대 근무가 바뀌면 구두로 전한 내용은 금방 사라질 수 있습니다. 알람이 있었다는 사실보다 무엇을 확인했고 아직 무엇이 해결되지 않았는지가 중요합니다. 인수인계를 기록 중심의 업무 흐름으로 만들면 다음 근무자가 같은 조사를 반복하지 않습니다.

디지털 트윈에서 생산량이 늘어나는 결과가 나왔어도 현장에 바로 적용할 수는 없습니다. 시뮬레이션은 입력한 가정 안에서만 유효합니다. 설비 속도, 고장률, 인력 조건 중 무엇을 고정했는지 먼저 보여 줘야 의사결정에 쓸 수 있습니다.

AI 검사 모델을 학습하려는데 같은 제품을 본 검사자 두 사람이 서로 다른 불량 라벨을 붙였습니다. 이런 사례를 한쪽의 실수로 바로 처리하면 모델의 기준도 불안정해집니다. 판정 차이가 생기는 조건을 기록하고 합의 과정을 설계해야 합니다.

가동률을 계산할 때 계획 정지를 분모에서 빼는지, 고장 정지는 언제 시작되는지에 따라 숫자가 달라집니다. 같은 설비 데이터를 보고도 팀마다 다른 성과를 말한다면 산식보다 상태 정의를 먼저 합의해야 합니다.

예지보전 모델이 고장을 잘 맞혀도 부품 조달에 걸리는 시간이 경고보다 길면 조치할 수 없습니다. 예측 품질은 정답률만이 아니라 행동 가능한 시간을 얼마나 확보했는지로 봐야 합니다.

설비 한 곳이 멈췄는데 관련 알람이 수십 개 뜨면 중요한 신호가 묻힙니다. 알람을 단순히 줄이는 것만으로는 해결되지 않습니다. 같은 사건에 속한 신호를 묶고, 실제 원인 후보와 안전 조치를 구분해 보여 줘야 합니다.

센서가 조금씩 틀어지는 문제는 갑자기 0이 되는 고장보다 찾기 어렵습니다. 숫자는 계속 들어오고 그래프도 그럴듯하게 움직입니다. 예측 모델을 고치기 전에 측정값이 언제, 어떤 기준으로 보정됐는지 확인해야 합니다.

현장에서 배운 것들