당신이 거대한 첨단 공장을 걷고 있다고 상상해 보세요. 그곳에서는 로봇들이 복잡한 부품들을 만들고 있습니다. 옛날에는 기계가 실수를 하거나 센서가 이상한 온도를 기록하면, 그 정보는 종이 더미 속에 묻히거나 아무도 찾을 수 없는 컴퓨터 파일 속에 파묻혀 사라지곤 했습니다. 그것은 마치 어떤 양동이에 들어있는지도 모르는 채 해변의 특정 모래알 하나를 찾는 것과 같았습니다. 이것은 과학자와 엔지니어들이 인공지능(AI)을 활용해 공장을 더 똑똑하게 만들고자 할 때 발생하는 매우 큰 문제입니다. AI는 초스마트 학생과 같습니다. AI는 놀라운 것들을 배울 수 있지만, 오직 적절한 교과서가 있을 때만 가능합니다. 만약 데이터가 엉망이거나, 숨겨져 있거나, "오븐 온도가 200도일 때 기록됨"이라는 라벨이 없다면, AI는 혼란에 빠지고 학습할 수 없습니다.

이를 해결하기 위해 과학자들은 "FAIR" 데이터라는 것을 사용합니다. FAIR는 데이터가 Findable(찾기 쉽고), Accessible(접근하기 쉽고), Interoperable(다른 데이터와 언어가 통하며), Reusable(다시 사용하기 쉬운) 상태가 되도록 만드는 일련의 규칙이라고 생각하면 됩니다. 하지만 여기에 빠진 조각이 하나 있는데, 바로 *프로비넌스(provenance, 출처)*입니다. 프로비넌스는 그저 "기원의 이야기"나 "종이 기록(paper trail)"을 뜻하는 멋진 단어입니다. 이는 다음과 같은 질문에 답합니다: "누가 이것을 만들었는가?", "언제 일어난 일인가?", "이 일이 일어나기 직전에 기계는 무엇을 하고 있었는가?" 이 이야기가 없다면, 데이터는 그저 허공을 떠도는 숫자일 뿐입니다. 당신이 읽게 될 이 논문은 복잡하고 다단계적인 제조 공정을 위해 이러한 완벽한 '종이 기록'을 만드는 도전 과제를 다루며, 혼란스러운 공장 바닥을 모든 데이터가 자신의 역사를 알고 있는 잘 정리된 도서관으로 바꾸는 방법을 다룹니다.

가상 프로세스 도시에(Virtual Process Dossier): 공장을 위한 디지털 타임머신

이 논문의 저자들인 독일 카를스루에의 연구팀은 **가상 프로세스 도시(Virtual Process Dossier, VPD)**라고 불리는 새로운 도구를 제안하고 있습니다. 여러분은 VPD를 공장을 위한 "디지털 타임머신" 또는 "매우 상세한 일기"라고 생각할 수 있습니다. 일반적인 공장에서 제품은 많은 단계를 거칩니다. 가열되고, 눌리고, 식혀지고, 측정됩니다. 각 단계마다 센서들이 지켜보며 데이터를 기록합니다. 문제는 이 데이터가 종종 여러 곳에 흩어져 저장되며, 누구도 어떤 센서가 조립 라인의 특정 단계 중에 어떤 온도를 기록했는지 정확히 알지 못한다는 점입니다.

VPD는 **지식 그래프(Knowledge Graph)**를 구축함으로써 이 문제를 해결합니다. 모든 데이터가 하나의 노드(node)가 되고, 그들을 연결하는 선들이 어떻게 서로 연관되어 있는지 이야기를 들려주는 거대하고 상호작용적인 웹을 상상해 보세요. 이 웹 안에서 온도 수치는 단순한 숫자가 아닙니다. 그것은 부품을 잡고 있던 특정 로봇 팔, 오븐 문이 열린 정확한 순간, 그리고 재료를 눌렀던 특정 기계와 연결되어 있습니다. 이것은 누구나(또는 어떤 AI라도) 그래프를 보고 데이터의 전체 맥락을 즉시 이해할 수 있게 함으로써 데이터를 "FAIR"하게 만듭니다.

세 가지 마법의 재료

논문은 VPD가 서로 팀처럼 작동하는 세 가지 주요 부분으로 구성되어 있다고 제안합니다.

1. VPD 온톨로지 (규칙집):
   이것은 운영의 두뇌입니다. "온톨로지"란 모두가 동의하는 사전과 같습니다. 저자들은 완전히 새로운 언어를 처음부터 발명한 것이 아니라, 기존의 신뢰할 수 있는 사전들(DCAT, PROV, SSN/SOSA, WiLD 등)을 가져와서 하나로 엮었습니다.

   • 비유: 여러분이 레고 성을 쌓고 있다고 상상해 보세요. 여러분에게는 서로 다른 세트에서 가져온 기초, 벽, 지붕에 대한 설명서가 있습니다. VPD 온톨로지는 이 서로 다른 세트들을 어떻게 완벽하게 끼워 맞출 수 있는지 알려주는 마스터 설명서입니다. 이것은 "센서"가 "에이전트(Agent)"의 한 종류이며, "가열 단계"가 "활동(Activity)"의 한 종류임을 정의합니다. 이를 통해 로봇이 "나는 이것을 가열했다"라고 말하고 컴퓨터가 "이것은 가열되었다"라고 말할 때, 서로 같은 언어로 말하고 있음을 보장합니다.

2. VPD 프레임워크 (건설 크루):
   규칙집이 있는 것도 좋지만, 실제로 그것을 구축할 방법이 필요합니다. 프레임워크는 시스템을 설정하는 방법에 대한 단계별 가이드입니다. 이는 공장이 생산을 시작하기 전에 어떻게 준비해야 하는지(예측적 계획 설정)와 기계가 돌아가는 동안 어떻게 데이터를 기록할지(회고적 현실 캡처)를 알려줍니다.

   • 비유: 이것은 건설 크루의 체크리스트와 같습니다. 공장이 열리기 전, 그들은 계획을 작성합니다: "먼저 오븐이 가열되고, 그다음 프레스가 누른다." 이것이 예측적(prospective) 부분(우리가 기대하는 것)입니다. 그런 다음, 공장이 가동됨에 따라 크루는 실제로 일어난 일을 자동으로 기록합니다: "오븐이 오전 10시 5분에 200도에 도달했고, 프레스가 500뉴턴의 힘으로 눌렀다." 이것이 회고적(retrospective) 부분입니다. 프레임워크는 이 두 이야기가 완벽하게 연결되도록 보장합니다.

3. VPD 사용자 인터페이스 (대시 대시보드):
   완벽한 규칙집과 훌륭한 크루가 있더라도, 인간이 읽을 수 없다면 데이터는 쓸모가 없습니다. 사용자 인터페이스(UI)는 컴퓨터 전문가가 아니더라도 이 거대한 데이터 웹을 탐색할 수 있게 해주는 웹사이트입니다.

   • 비 비유: 지식 그래프가 수백만 권의 책이 있는 거대한 도서관이라면, UI는 "지난 화요일 오븐의 모든 온도 기록을 보여줘"라고 요청했을 때 즉시 알맞은 페이지를 찾아줄 수 있는 친절한 사서와 같습니다. 이는 인간이 생산 과정의 이야기를 볼 수 있도록 데이터를 시각화하거나, AI가 학습을 위해 데이터를 다운로드할 수 있게 합니다.

실제 생활에서의 작동 방식

저자들은 단순화된 예시를 사용하여 자신들의 아이디어를 테스트했습니다: 섬유 강화 플라스틱 부품 만들기.

1. 설정: 섬유 시트로 시작합니다. 이를 그리퍼 프레임에 넣습니다.
2. 단계: 먼저, 시트는 뜨거워지기 위해 오븐에 들어갑니다. 그다음 프레스가 모양을 잡기 위해 압착합니다.
3. 센서: 이 과정 동안 센서들은 시트의 상단과 하단의 온도, 그리고 그리퍼의 각도를 측정합니다.

일반적인 공장에서는 온도 데이터는 한 파일에, 프레스 데이터는 다른 파일에 저장될 수 있습니다. 여러분은 어떤 온도 수치가 어떤 프레스 사이클에 속하는지 추측해야 할 것입니다.

VPD를 사용하면 시스템이 모든 것을 자동으로 연결합니다. 센서가 온도를 기록할 때, VPD는 다음을 압니다:

• 누가: 파이로미터(pyrometer) 센서가.
• 무엇을: 상부 표면 온도를.
• 언제: 워크플로우의 "가열" 단계 중에.
• 어디에서: 오븐이 200도로 설정된 특정 워크플로우 인스턴스 내에서.

이 논문은 현재의 데이터 카탈로그만으로는 충분하다는 생각을 명시적으로 거부합니다. 저자들은 기존의 도구들이 대부분 일반적인 라벨(예: "파일 1" 또는 "파일 2")만 다룰 뿐, 워크플로우를 이해하지 못한다고 주장합니다. 또한 일부 다른 시스템은 디지털 데이터(예: 소프트웨어 코드)에만 집중하여, 기계와 재료가 상호작용하는 물리적 공장에 적용될 때 실패한다는 점을 지적합니다. VPD는 이러한 복잡하고 물리적인 현실을 처리하도록 특별히 설계되었습니다.

논문의 실제 내용 (그리고 포함되지 않은 내용)

저자들은 자신들이 작동하는 프로토타입과 프레임워크를 구축했지만, 세상의 모든 문제를 해결했다고 주장하는 것은 아님을 주의 깊게 밝히고 있습니다.

• 발견한 점: 그들은 센서 데이터를 워크플로우 단계와 연결하는 온톨로지를 성공적으로 구축했습니다. 기존 표준(PROV 및 SSN 등)을 사용함으로써 바퀴를 다시 발명하지 않고도 데이터를 "FAIR"하게 만들 수 있음을 보여주었습니다. 또한 시스템이 데이터셋을 생성한 정확한 기계 및 단계와 자동으로 연결할 수 있음을 입증했습니다.
• 제안하는 점: 그들은 이 접근 방식이 공장 데이터로 AI 모델을 훈련시키려는 데이터 과학자들에게 도움이 될 수 있다고 제안합니다. 데이터에 명확한 "이야기"가 붙어 있으면, AI는 훨씬 더 빠르고 정확하게 학습할 수 있습니다.
• 여전히 알 수 없는 점: 이 논문은 하나의 제안이자 프로토타입으로서 제시되었습니다. 저자들은 독일의 8개 연구소와 2개 연구 기관이 참여한 연구 프로젝트를 위해 이를 구축했다고 언급합니다. 그들은 이 시스템이 아직 전 세계 모든 공장에서 사용되고 있다고 주장하지 않으며, 추가 테스트 없이 모든 유형의 기계에 완벽하게 작동한다고 주장하지도 않습니다. 그들은 UI를 다른 사람들이 시도해 볼 수 있는 오픈 소스 도구로 제시하며, 실제 현장 도입과 확장이 다음 단계임을 암시합니다.

이것이 왜 중요한가

여기서 궁극적인 목표는 데이터 낭비를 막는 것입니다. 현대의 공장에서는 센서가 바다와 같은 데이터를 생성하지만, 이해하기 너무 어려워 사용되지 못한 채 방치되는 경우가 많습니다. 가상 프로세스 도시는 번역가이자 사서 역할을 하여, 그 데이터의 바다를 명확하고 읽을 수 있는 이야기로 바꿉니다. 공장이 부품이 만들어진 전체 이야기를 말할 수 있다면, 그들은 AI를 사용하여 왜 부품이 부서졌는지, 어떻게 하면 더 강하게 만들 수 있는지, 또는 어떻게 에너지를 절약할 수 있는지 찾아낼 수 있습니다.

논문은 데이터를 "프로세스 인식(process-aware)"형태로, 즉 데이터가 자신의 역사와 맥락을 알게 함으로써, 현재 제조 분야를 가로막고 있는 "사일로(silos, 고립된 정보 더미)"를 허물 수 있다고 결론짓습니다. 이는 공장이 단순히 물건을 만드는 기계가 아니라, "모든 데이터는 자신의 일기를 가져야 한다"라는 단순하지만 강력한 아이디어 덕분에 스스로 배우고 개선하는 스마트한 시스템으로 나아가는 단계입니다.