제조 AI 사업을 준비하며 배운 것 4가지
예지보전·공정 레시피 추천·RAG 지식검색 사업의 사전 준비 문서를 쓰며 발견한 것. 데이터 조건, 라이선스, GPU 예산, 단계적 접근.
입사 2주 차에 제조 AI 사업의 사전 준비 문서를 맡았다. 데이터 거버넌스 · 참고 자료 · 선행 작업 세 키워드로, 개발 단계에서 하면 늦거나 낭비인 작업만 골라 착수 가능한 수준으로 전개하는 일이다. 9절 · 표 34개짜리 문서를 쓰면서 발견한 것 네 가지를 남긴다. (고객사 · 수치 등 세부 사항은 제외했다.)
1. 진동 샘플링 주파수가 결함 분류의 성립 조건이다
계획서에 있던 Siamese WDCNN + LSTM 계열은 진동 원파형(CWRU 기준 12~48kHz)을 입력으로 받는 모델이다. 현장 시스템이 1초~1분 집계값(RMS)만 준다면 고주파 성분이 사라져 결함 “유형” 분류는 원리적으로 불가능하고, 이상 여부 판정까지만 가능하다. 논문의 F1 99%는 벤치마크 수치이지 현장 목표가 아니다.
→ 원파형이 없으면 특징공학 + XGBoost로 전환하고 목표를 현실화한다. 모델을 고르기 전에 센서 사양서부터 요청해야 했다.
2. 모델 라이선스는 성능표보다 먼저 본다
한국어 업무용으로 권장되던 오픈 모델 하나가 연구 목적 전용 라이선스였다. 수익 창출 제품 · 서비스 배포를 명시적으로 금지하고, 파생 모델과 출력물까지 같은 제한을 받는다. 상용 서비스에 넣으면 안 되는 모델이었다.
→ 상용 협의 또는 Apache 2.0 계열 대체 모델(Qwen, Kanana 등)로 후보를 다시 짰다.
3. GPU 예산은 “올라간다”가 아니라 “여유가 얼마”로 본다
T4 16GB는 Turing이라 BF16 · FP8 · FlashAttention-2를 지원하지 않는다(4-bit AWQ/GPTQ 권고는 타당). LLM 8B + 임베딩 + 리랭커를 한 장에 올리면 여유가 3~4GB뿐이다.
→ 동시 사용자 목표를 먼저 확정하고 실측한다. 대안은 4B급 기준선, 임베딩 배치 분리, 리랭커 경량화.
4. 강화학습 정비시점 추천은 2단계로
문헌상 RL 예지보전은 대부분 PoC 단계이고 sim-to-real 갭이 반복 지적된다.
→ 1단계는 비용민감 임계값 + MILP 스케줄링으로 요구사항을 완성하고, 2단계 실증 구간에서 실제 로그로 RL을 붙인다. 계획서 요소를 버리지 않으면서 개발 리스크만 제거하는 방법이다.
그 외 검토 결과
- 임베딩은 재선정 필요. multilingual-e5-large는 현재 한국어 검색 상위군이 아니다. BGE-M3 우세 보고가 반복되고, Qwen3-Embedding은 무파인튜닝 고성능.
- 신뢰도 임계값 0.75 같은 절대값 고정은 위험하다. 코사인 분포는 모델마다 다르고 e5는 접두어 유무로도 바뀐다. 평가셋 기반 캘리브레이션으로 정의.
- 하이브리드 α = 0.6은 관례값. 평가셋으로 0.3~0.8 스윕, 질의 유형별 차등.
- 지식그래프는 1차 스코프를 설비-부품-고장-조치 4종으로 축소.
- 시맨틱 캐시는 문서 개정 시 미반영 위험 → 증분 재색인과 캐시 무효화 연동.
정리
“어떤 모델을 쓸까”보다 데이터가 그 모델을 성립시키는가, 라이선스가 허용하는가, 하드웨어가 감당하는가가 먼저였다. 준비 문서의 절반은 외부 요청 목록(센서 사양서, 코드 체계표, 파서 출력 스키마…)과 결정 대기 항목(ADR)이 되었다.