산업 데이터를 자산으로 만드는 5가지 원칙

산업 현장에는 데이터가 부족하지 않습니다. 오히려 SCADA, MES, ERP, 센서, 문서에 데이터가 너무 흩어져 있어, 정작 판단이 필요한 순간에 쓰이지 못하는 경우가 많습니다. 문제는 양이 아니라 연결과 신뢰입니다.

우리가 여러 현장에서 반복해서 확인한 것은, 데이터를 자산으로 바꾸는 일이 거창한 기술 도입이 아니라 몇 가지 기본을 지키는 데서 시작한다는 점입니다. 아래 다섯 가지 원칙은 흩어진 데이터를 신뢰할 수 있는 의사결정 근거로 바꾸기 위한 출발점입니다.

1. 출처를 남긴다

모든 지표에는 “이 값이 어디서 왔는가”가 따라와야 합니다. 출처가 없는 숫자는 아무리 그럴듯해 보여도 의사결정에 쓸 수 없습니다.

현장에서 이상 신호가 뜨면 담당자가 가장 먼저 던지는 질문은 “이게 진짜인가”입니다. 같은 90이라는 값도, 센서가 방금 재교정된 직후의 90과 평소와 다른 흐름 끝에 나온 90은 전혀 다른 의미입니다. 어느 시스템에서 어떤 태그로 언제 수집됐고, 중간에 어떤 변환을 거쳤는지가 값과 함께 남아 있지 않으면, 그 숫자가 사실인지 오류인지 판단할 방법이 없습니다.

데이터 계보(lineage)는 그래서 부가 기능이 아니라 신뢰의 최소 조건입니다. 원천 시스템, 태그, 수집 시각, 적용된 단위 변환과 보정을 값과 함께 따라다니게 만드세요. 이 정보가 ETL 스크립트 안에만 묻혀 있으면 소용이 없습니다. 필요할 때 바로 되짚어 볼 수 있어야 합니다.

가장 흔한 실수는 대시보드에 뜬 숫자를 곧 사실로 받아들이는 것입니다. 화면의 숫자는 여러 단계를 거친 결과물이고, 그 과정 어딘가의 오류는 조용히 숫자에 섞여 들어옵니다. 출처가 보이면 그 오류를 거슬러 올라가 바로잡을 수 있습니다.

2. 의미를 부여한다 (온톨로지)

TAG_0421이 무엇을 뜻하는지 아는 사람이 조직에 한 명뿐이라면, 그 데이터는 조직의 자산이 아니라 그 사람의 기억일 뿐입니다. 그 사람이 자리를 비우거나 회사를 떠나는 순간, 수년간 쌓인 데이터가 다시 해석 불가능한 숫자 더미로 돌아갑니다.

데이터에 의미를 부여한다는 것은, 설비·라인·공정·문서 같은 대상을 개체로 정의하고 그 사이의 관계를 기술하는 일입니다. 이렇게 만든 구조를 온톨로지라고 부릅니다. 온톨로지가 있으면 하나의 신호를 그와 연결된 맥락과 함께 읽을 수 있습니다. 어떤 진동 값이 튀었을 때, 그 센서가 B라인 3번 펌프의 것이고, 그 펌프가 2주 전에 베어링을 교체했으며, 하류의 2번 반응기에 연결돼 있다는 사실을 시스템이 스스로 따라갈 수 있습니다.

온톨로지는 화려한 기술처럼 들리지만, 실제로는 현장의 상식을 데이터로 옮겨 적는 일에 가깝습니다. 어떤 설비가 어디에 속하고 무엇과 연결되는지는 현장을 오래 겪은 사람의 머릿속에 이미 들어 있습니다. 그 지식을 구조로 꺼내 놓는 것이 핵심입니다.

처음부터 전사 온톨로지를 그리려 하면 지칩니다. 지금 가장 자주 반복되는 판단 하나를 고르고, 그 판단에 필요한 대상과 관계만 먼저 정의하세요. 작게 시작해 실제로 쓰이는 것을 확인하며 넓혀 가는 편이 훨씬 오래갑니다.

3. 실시간과 이력을 함께 본다

이상은 순간값이 아니라 추세에서 드러납니다. 82도라는 온도 하나만으로는 정상인지 경고인지 알 수 없습니다. 평소 이 설비가 어느 범위에서 움직였는지, 지금 값이 얼마나 빠르게 오르고 있는지를 알아야 판단이 섭니다.

그래서 실시간 스트림과 과거 이력을 같은 화면에서 비교할 수 있어야 합니다. 현재 값 옆에 최근 며칠의 흐름, 지난 계절 같은 시기의 패턴, 과거 고장 직전의 곡선이 함께 놓일 때, 지금 벌어지는 일이 처음 보는 신호인지 예전에 본 전조인지 구분할 수 있습니다.

순간값에만 임계치를 걸면 알람이 쉼 없이 울리고, 결국 아무도 알람을 보지 않게 됩니다. 알람 피로는 대부분 맥락 없는 임계치에서 옵니다. 추세와 비교 기준을 함께 보면, 정말 봐야 할 신호와 그냥 흔들림을 나눌 수 있습니다.

4. 사람이 이해하는 언어로 되돌린다

분석의 결과가 대시보드의 숫자로만 남으면, 그 숫자를 해석하고 행동으로 옮기는 일은 온전히 사람의 몫이 됩니다. 빨간 게이지 하나는 “무엇이 잘못됐다”는 신호일 뿐, “무엇을, 왜, 어떻게 해야 하는가”에는 답하지 않습니다.

데이터가 행동으로 이어지려면 마지막 단계에서 다시 사람의 언어로 돌아와야 합니다. “B라인 3번 펌프의 진동이 최근 상승 추세이며, 지난 고장 직전과 비슷한 패턴입니다. 베어링 마모가 의심되니 점검을 권장합니다.” 이렇게 원인 추정과 다음 조치가 문장으로 전달될 때, 경험이 적은 담당자도 같은 판단에 도달할 수 있습니다.

AI 에이전트의 역할이 여기에 있습니다. 다만 그 답에는 반드시 근거가 따라야 합니다. 어떤 데이터, 어떤 이력, 어떤 문서를 바탕으로 그렇게 판단했는지를 함께 제시해야, 사용자가 답을 그대로 믿는 대신 근거를 확인하고 결정할 수 있습니다. 근거 없는 답은 편리하지만, 산업 현장의 의사결정에는 위험합니다.

5. 얹거나, 없으면 새로 만들거나

통합의 출발점은 현장마다 다릅니다. 이미 SCADA, MES, ERP를 오래 써 온 현장이 있는가 하면, 이제 막 데이터를 모으기 시작하는 현장도 있습니다.

이미 시스템이 있다면 걷어내는 접근은 대부분 실패합니다. 비용도 크고, 현장이 오래 길들여 온 도구를 한 번에 바꾸는 위험도 큽니다. 이때는 기존 시스템을 그대로 두고 그 위에 통합 지능 레이어를 얹어 양방향으로 연동하는 편이 현실적입니다. 기존 시스템은 계속 돌아가고, 그 데이터에 의미를 더하는 층이 얹히는 방식입니다.

반대로 아직 시스템이 갖춰지지 않은 현장이라면, 레거시에 맞출 제약이 없으니 데이터 수집 단계부터 처음부터 새로 구축하는 편이 오히려 깔끔합니다. 처음부터 온톨로지를 염두에 두고 구조를 설계할 수 있기 때문입니다.

중요한 것은 방식이 아닙니다. 얹든 새로 세우든, 결과가 하나의 지식으로 이어지는가가 전부입니다.

마치며

다섯 가지 원칙은 서로 이어져 있습니다. 출처가 남아야 신뢰가 생기고, 의미가 부여돼야 맥락이 생기며, 추세와 함께 봐야 판단이 서고, 사람의 언어로 돌아와야 행동이 됩니다. 그리고 이 모든 것은 기존 위에 얹든 새로 세우든 하나의 지식으로 모일 때 완성됩니다.

데이터 통합과 AI 에이전트가 실제로 어떻게 맞물리는지는 산업 데이터 통합과 산업 AI 에이전트 백서에서 더 자세히 다룹니다. 우리 현장에 어떻게 적용할지 이야기 나누고 싶다면 문의하기로 연락 주세요.