Hybrid Agentic AI and Multi-Agent Systems in Smart Manufacturing

이 논문은 LLM 기반의 전략적 조정 에이전트와 엣지에서의 규칙 기반 에이전트를 결합한 하이브리드 다중 에이전트 시스템을 제안하여 스마트 제조 환경의 예측 유지보수 (Prescriptive Maintenance) 에 대한 자동화된 스키마 발견, 적응형 데이터 처리, 최적화 및 해석 가능한 의사결정을 가능하게 함으로써 높은 견고성과 확장성을 입증합니다.

핵심

이 논문은 **"스마트 공장 (Smart Factory) 에서 기계가 고장 나기 전에 스스로 문제를 파악하고, 어떻게 고쳐야 할지 인간에게 조언하는 새로운 인공지능 시스템"**을 소개합니다.

기존의 공장 자동화는 "규칙대로만 움직이는 로봇"이었다면, 이 논문에서 제안하는 시스템은 **"생각하고 계획하며 팀워크를 발휘하는 지능형 팀"**과 같습니다.

이 복잡한 내용을 쉽게 이해할 수 있도록 한 공장 지휘소를 상상하며 설명해 드리겠습니다.

---

🏭 이야기: 지능형 공장 지휘소의 탄생

과거의 공장 시스템은 마치 엄격한 규칙만 따르는 경비원 같았습니다. "온도가 100 도를 넘으면 경보 울리기" 같은 정해진 규칙만 따랐죠. 하지만 현대 공장은 너무 복잡하고 변수가 많아, 단순한 규칙만으로는 대처하기 어렵습니다.

이 논문은 이 문제를 해결하기 위해 **두 가지 강력한 팀을 합친 '하이브리드 지휘소'**를 만들었습니다.

1. 두 가지 두뇌의 협업 (LLM + SLM)

이 시스템은 두 종류의 인공지능을 섞어서 사용합니다.

• 🧠 거대한 두뇌 (LLM - 대형 언어 모델):
  • 역할: 공장 전체를 굽어보는 **지휘관 (General)**입니다.
  • 특징: 매우 똑똑하고 논리적이지만, 생각하는 속도가 느리고 비용이 많이 듭니다.
  • 일: "지금 어떤 문제가 발생했지?", "어떤 데이터를 먼저 봐야 할까?", "어떤 해결책이 가장 좋을까?" 같은 큰 그림의 전략을 짭니다.
• ⚡ 빠른 두뇌 (SLM - 소형 언어 모델):
  • 역할: 현장에서 즉시 행동하는 **현장 기술자 (Technician)**들입니다.
  • 특징: 생각할 수 있는 범위는 좁지만, 매우 빠르고 저렴하며 공장 내부 (에지) 에서 바로 작동합니다.
  • 일: "이 센서 데이터가 이상하네?", "데이터를 정리해 볼까?", "간단한 고장 징후를 찾아볼까?" 같은 구체적이고 빠른 작업을 처리합니다.

비유: 마치 **명사 (지휘관)**가 전쟁의 큰 전략을 세우고, **특수부대 (현장 기술자)**들이 그 명령을 받아 즉각적으로 적을 제압하는 것과 같습니다.

2. 4 단계의 자동화 작업 흐름

이 시스템은 데이터를 받아서 결론을 내릴 때까지 4 단계로 나뉘어 일합니다. 마치 수술 팀이 환자를 치료하는 과정과 비슷합니다.

1. 👀 관찰자 (Perception Agent):
   • 공장 센서에서 쏟아지는 데이터를 받아 "이게 뭐야? 숫자야? 날짜야? 결손된 부분이 있어?"라고 데이터를 훑어봅니다.
2. 🧹 정리꾼 (Preprocessing Agent):
   • 더러운 데이터를 깨끗하게 씻어냅니다. 누락된 값을 채우고, 숫자를 표준화하며, 분석하기 좋은 형태로 정리합니다.
3. 🔍 분석가 (Analysis Agent):
   • 정리된 데이터를 보고 "어떤 고장 패턴이 가장 잘 맞을까?"를 고민합니다. 여러 가지 수학적 모델을 시험해 보고, 가장 정확한 예측 모델을 골라냅니다.
4. 💡 처방전 작성자 (Optimization Agent):
   • 분석 결과를 바탕으로 **"어떤 기계를 먼저 고쳐야 할지", "비용은 얼마나 들지", "언제 고쳐야 할지"**에 대한 구체적인 **처방전 (Maintenance Recommendation)**을 작성합니다.

3. 인간과의 협업 (Human-in-the-Loop)

이 시스템은 인간을 완전히 배제하지 않습니다. 오히려 인간을 '최종 승인자'로 두어 신뢰를 높입니다.

• AI 가 "M004 번 기계를 즉시 고쳐야 합니다"라고 제안하면, 공장 관리자는 그 이유와 근거를 보고 승인합니다.
• 만약 AI 가 실수하면 인간이 수정할 수 있고, 모든 결정 과정은 기록되어 나중에 **감사 (Audit)**할 수 있습니다.
• 비유: AI 가 수석 비서가 되어 모든 서류를 정리하고 해결책을 제안하면, **사장님 (인간)**이 최종 도장을 찍는 것과 같습니다.

---

🌟 이 시스템이 가져온 변화 (핵심 성과)

이 논문에서 개발한 시스템을 실제 공장 데이터로 테스트한 결과, 다음과 같은 놀라운 일들이 일어났습니다.

• 🔄 유연한 적응: 공장 데이터가 바뀌거나, 새로운 종류의 문제가 생겨도 수동으로 코드를 고칠 필요 없이 시스템이 스스로 방법을 찾아냅니다. (예: 분류 문제에서 회귀 문제로 바뀌어도 자동으로 대처)
• 🚀 자동화된 처방: 단순히 "고장 날 것 같다"고 예측하는 것을 넘어, **"지금 당장 A 부품을 교체하고 B 기계를 점검하라"**는 구체적인 행동 지침을 줍니다.
• 🔍 투명한 의사결정: AI 가 왜 그런 결정을 내렸는지 이유를 설명해 주기 때문에, 인간이 믿고 따라갈 수 있습니다.

📝 결론: 왜 이것이 중요한가요?

이 논문은 인공지능이 단순히 '데이터를 분석하는 도구'를 넘어, '생각하고 행동하는 파트너'로 진화하고 있음을 보여줍니다.

미래의 공장은 기계가 스스로 고장 징후를 감지하고, 지휘관 AI 가 전략을 세우며, 현장 AI 가 빠르게 대응하고, 인간이 최종적으로 안전을 확인하는 완벽한 팀워크를 이루게 될 것입니다. 이는 공장의 가동 중단 시간을 줄이고, 비용을 아끼며, 더 안전하고 지능적인 제조 환경을 만드는 게임 체인저가 될 것입니다.

한 줄 요약:

"거창한 지휘관 AI 와 빠른 현장 기술자 AI 가 팀을 이뤄, 공장 고장을 예측하고 인간에게 최고의 해결책을 제안하는 똑똑한 공장 시스템입니다."

기술 요약

논문 요약: 스마트 제조를 위한 하이브리드 에이전트형 AI 및 다중 에이전트 시스템 (MAS)

1. 연구 배경 및 문제 정의 (Problem)

스마트 제조 시스템 (SMS) 은 Industry 4.0 기술의 융합으로 인해 더욱 자동화되고 적응적인 환경으로 진화하고 있습니다. 그러나 현대 제조 환경은 방대하고 역동적인 데이터 스트림을 처리해야 하며, 기존의 규칙 기반 프레임워크나 중앙 집중식 예측 유지보수 (PdM) 접근 방식은 다음과 같은 한계에 직면해 있습니다.

• 유연성 부족: 고정된 규칙이나 정적 모델은 예상치 못한 환경 변화나 데이터 드리프트에 적응하기 어렵습니다.
• 추론 능력의 한계: 기존 다중 에이전트 시스템 (MAS) 은 분산 조정에는 강점이 있으나, 복잡한 상황 인식, 전략적 계획 수립, 그리고 맥락 기반 추론 능력이 부족합니다.
• 대규모 LLM 의 한계: 대규모 언어 모델 (LLM) 은 높은 추론 능력을 제공하지만, 계산 비용이 높고 지연 시간이 길며, 민감한 데이터를 클라우드에 전송해야 하는 프라이버시 문제가 있습니다.
• Prescriptive Maintenance (RxM) 의 부재: 단순히 고장을 예측하는 것을 넘어, 최적의 유지보수 전략을 제안하고 실행하는 '처방적 유지보수'를 위한 통합된 지능형 아키텍처가 필요합니다.

2. 제안된 방법론 (Methodology)

저자들은 **하이브리드 에이전트형 AI 와 다중 에이전트 시스템 (MAS)**을 결합한 새로운 프레임워크를 제안합니다. 이 프레임워크는 LLM 기반의 전략적 오케스트레이션과 규칙 기반/소형 언어 모델 (SLM) 기반의 전술적 실행을 조화시킵니다.

2.1 아키텍처 (5 계층 구조)
프레임워크는 다음과 같이 5 개의 계층으로 구성되며, 각 계층은 전문 에이전트에 의해 관리됩니다.

1. 지능 계층 (Intelligence Layer - LLM Orchestrator):
   • 역할: 전체 워크플로우의 전략적 조정, 도구 선택, 적응형 전략 수립.
   • 기술: Google Gemini (gemini-2.5-flash) 를 사용하여 워크플로우 상태, 목표, 도구 세트를 기반으로 추론하고 다음 단계를 지시합니다.
   • 특징: 유효하지 않은 출력이 발생 시 자동 재시도 (최대 3 회) 로 안정성을 확보하며, 실패 패턴을 기록하여 학습합니다.
2. 지각 계층 (Perception Layer):
   • 역할: 데이터셋 로드, 메타데이터 생성 (결측치, 열 타입, 통계 등), 데이터 품질 이상 탐지.
   • 기능: 인간 - 인공지능 협업 (HITL) 을 위해 데이터 미리보기 및 품질 이슈를 보고합니다.
3. 전처리 계층 (Preprocessing Layer):
   • 역할: 스키마 발견, 특징 분석, 전처리 파이프라인 자동 구축.
   • 기술: SLM (Ollama 실행의 Qwen3:4B 등) 을 사용하여 로컬에서 저지연 전처리를 수행합니다.
   • 논리: 결측치 비율에 따라 KNNImputer 또는 SimpleImputer 선택, 데이터 크기에 따른 Scaler(Standard vs Robust) 자동 선택 등 규칙 기반 로직을 적용합니다.
4. 분석 계층 (Analytics Layer):
   • 역할: 모델 선택, 학습, 평가.
   • 기능: 분류, 회귀, 이상 탐지 등 다양한 모델 (Random Forest, SVM, Isolation Forest 등) 을 지원.
   • 적응형 지능: 초기 모델 성능이 임계값 미만일 경우, 자동으로 다른 모델 패밀리와 하이퍼파라미터를 탐색하여 최적 구성을 찾습니다.
5. 최적화 계층 (Optimization Layer):
   • 역할: 예측 결과를 실행 가능한 유지보수 권고안으로 변환.
   • 기능: 특징 중요도 (Feature Importance) 를 기반으로 우선순위 점수 (Priority Score) 를 계산하고, 비용 및 시간 추정치를 포함한 조치 방안을 생성합니다.

2.2 핵심 기술 스택 및 워크플로우

• 하이브리드 접근법: 고차원 추론은 클라우드 LLM 이 담당하고, 민감하거나 저지연이 필요한 전술적 작업은 엣지 디바이스의 SLM 이 담당합니다.
• HITL (Human-in-the-Loop): 모든 에이전트 결정, 추론 경로, 권고안은 CLI 인터페이스를 통해 인간 전문가가 검토, 승인, 거부할 수 있도록 기록됩니다.
• 동적 워크플로우: 데이터 특성에 따라 분류, 회귀, 이상 탐지 등 문제 유형을 자동으로 식별하고 해당 파이프라인을 구성합니다.

3. 주요 기여 (Key Contributions)

1. 하이브리드 아키텍처 설계: 예측 유지보수 및 품질 검사를 위한 계층형 하이브리드 에이전트형 AI 아키텍처를 설계하여, LLM 의 맥락 추론 능력과 MAS 의 분산 자율성을 통합했습니다.
2. SLM 과 LLM 의 통합: 로컬에서 프라이버시를 보호하며 저지연으로 작동하는 SLM 과 전역적, 복잡한 추론이 필요한 LLM 을 계층적으로 결합하여 비용과 성능의 균형을 달성했습니다.
3. 목표 지향적 에이전트 구현: 도구 사용, 의사소통, 목표 달성을 위한 에이전트들을 통합하여 분산 자율성과 협력적 지능을 실현했습니다.
4. 적응형 지능 및 설명 가능성: 모델 성능이 저조할 때 자동으로 대안을 탐색하는 적응형 메커니즘과 모든 결정에 대한 추론 로그를 제공하여 투명성을 확보했습니다.

4. 실험 결과 (Results)

두 가지 산업용 데이터셋 (Smart Manufacturing Maintenance Dataset, 6G-Enabled Intelligent Manufacturing Resource Dataset) 을 사용하여 개념 증명 (PoC) 을 수행했습니다.

• 작업 수행: 분류 (유지보수 우선순위 예측), 회귀 (프로세스 효율성 추정), 이상 탐지 (네트워크/센서 이상 감지) 등 3 가지 다른 문제 유형을 동일한 프레임워크로 성공적으로 처리했습니다.
• 성능 지표:
  • 분류 (SMMD): Random Forest 기반 모델이 97.2% 의 정확도를 달성했으며, 다운타임 비용과 진동이 주요 예측 인자로 식별되었습니다.
  • 회귀 (SMMD): Linear Regression 모델이 $R^2$ 0.9209 의 높은 적합도를 보였습니다.
  • 이상 탐지 (6GMR): Isolation Forest 를 통해 10 만 개 샘플 중 1% (1,000 개) 의 이상치를 탐지했으며, 패킷 손실과 네트워크 지연이 주요 신호로 확인되었습니다.
• 자동화 및 적응성: 명시적인 프로그래밍 없이 에이전트가 데이터 구조를 분석하고 적절한 전처리, 모델 선택, 최적화 전략을 자동으로 결정했습니다.
• 실행 시간: 전체 워크플로우 (데이터 로드부터 권고안 생성까지) 는 약 127~165 초 내에 완료되었습니다.

5. 의의 및 결론 (Significance)

이 연구는 스마트 제조 환경에서 고차원 추론 (Agentic AI) 과 저수준 자율 실행 (MAS) 사이의 간극을 해소하는 중요한 단계입니다.

• 유연성과 확장성: 고정된 규칙에 의존하지 않고 데이터와 상황에 따라 동적으로 적응하며, 새로운 에이전트나 모듈을 쉽게 통합할 수 있는 모듈식 구조를 제공합니다.
• 신뢰성과 투명성: LLM 의 '블랙박스' 문제를 해결하기 위해 모든 의사결정 과정을 로그로 남기고 HITL 을 통해 인간이 최종 승인권을 가지도록 하여, 산업 현장에서의 신뢰를 확보했습니다.
• 미래 지향성: 이 프레임워크는 실시간 IIoT 데이터 스트림 처리, 디지털 트윈 통합, 그리고 완전한 자율 유지보수 시스템으로의 진화를 위한 기반을 마련했습니다.

결론적으로, 제안된 하이브리드 에이전트형 AI MAS 프레임워크는 데이터 기반 통찰력을 바탕으로 견고하고, 확장 가능하며, 설명 가능한 처방적 유지보수 (RxM) 를 실현할 수 있는 유망한 솔루션임을 입증했습니다.