공장 RFP에 AI·ML·LLM·RAG·에이전트가 한 문장에 들어가는 이유
최종 수정일: 2일 전
공장 RFP에 AI·ML·LLM·RAG·에이전트가 한 문장에 들어가는 이유
그리고 그 한 장이 실제로 가리키는 층
보드룸과 발주 문서에서 단어가 먼저 섞인다. “생성형 AI로 불량을 잡겠다.” “LLM을 도입하겠다.”
“에이전틱하게 돌리겠다.” 같은 문장 안에 서로 다른 층이 들어 있다. 첨부한 그림이 그 혼선을 한 장으로 접어 준다.
AI 위에 ML이 있고, ML 위에 DL이, 그 위에 GenAI·LLM·RAG가 쌓이며,
맨 위가 Agentic AI다. 각 층은 대체재가 아니라 바로 아래 층을 전제로 능력과 책임을 한 단계 올리는 구조다.
공장의 질문은 모델 이름이 아니다. 이 작업은 어느 층까지 필요한가.
그 층이 우리 MES·SCADA·FDC·PLC·CCTV 위에서 무엇으로 입출력되는가.
1. 큰 그림 — 한 층이 다음 층을 가능하게 한다.
그림의 왼쪽, THE BIG PICTURE가 핵심이다.
바깥에서 안으로, 또는 아래에서 위로 읽으면 된다.
· AI — 기계가 생각하고, 추론하고, 행동하게 하는 가장 넓은 우산. 규칙 기반 전문가 시스템도 여기 들어간다.
· ML — 규칙을 사람이 다 쓰지 않고, 데이터에서 패턴을 배운다.
· DL — 그 학습을 여러 층의 신경망으로 밀어 올린다.
이미지·음성·시계열처럼 특징을 사람이 손으로 고르기 어려운 입력이 여기서 열린다.
· GenAI — 분류·예측을 넘어 텍스트·이미지·오디오 같은 새 콘텐츠를 만든다.
· LLMs — GenAI 중에서도 언어를 이해하고 생성하는 대규모 모델.
· RAG — 그 언어 모델에 외부 지식(문서, 매뉴얼, 로그, SOP)을 검색해 붙인다.
학습 시점 이후의 사실과 사내 규정에 답을 묶는다.
· Agentic AI — 이해와 생성을 넘어 목표를 분해하고, 도구를 쓰고, 계획하고, 실행한다.
오른쪽 THE EVOLUTION은 같은 이야기를 시간 순으로 다시 그린 것이다.
Think → Learn patterns → Learn complex patterns → Create content → Understand language → Knowledge + generation → Act autonomously.
중요한 문장은 그림 맨 위에 이미 있다.
Each layer builds on the previous one, adding more capability and intelligence.
공장이 이 문장을 빼먹으면, LLM 챗봇을 샀는데 레시피 파라미터를 기대한 발주가 된다.
2. 현장 예시가 가리키는 층 — 챗봇과 챔버는 같은 ‘AI’가 아니다.
그림 하단 REAL-WORLD EXAMPLES를 공장 언어로 옮기면 층이 갈린다.
층 | 그림이 든 예 | 공장에서 실제로 해당하는 일 | 이 층만으로 끝나는 착각 |
AI | 전문가 시스템, 로보틱스, 게임 AI | 인터록, 레시피 분기, 알람 로직 | “이미 AI가 있다”고 착각하고 학습·근거를 생략 |
ML | 스팸 탐지, 추천, 사기 탐지, 예측 분석 | 수율 예측, 설비 이상 점수, 수요 예측 | 표 데이터 모델로 영상·음향·진동까지 된다고 봄 |
DL | 이미지·음성 인식, 자율주행 | AOI 불량, 안전모·구역 위반, 음향 이상 | 인식률만 보고 조치·감사 추적을 빠뜨림 |
GenAI | ChatGPT, Midjourney, DALL·E, 확산 모델 | 작업표준 초안, 이상 리포트 초안, 교육 콘텐츠 | 생성된 문장을 곧 현장 지시로 씀 |
LLMs | GPT-4/5, Claude 3, Gemini, Llama 3, Qwen | SOP·FDC 로그 질의, 원인 가설 서술 | 모델이 우리 챔버를 안다고 가정 |
RAG | 기업 챗봇, 사내 문서 Q&A, 지식베이스 | 작업허가·LOTO·레시피· 과거 티켓을 근거로 답함 | 검색만 붙이면 환각과 책임이 사라진다고 봄 |
Agentic AI | 자율 에이전트, 도구 사용, 워크플로 자동화 | 순찰 경로, 레시피 보정 제안, 설비 정지 권고 | 자율을 무검증 실행과 동일시 |
그림이 정직한 지점이 여기다. ChatGPT는 LLM/GenAI의 예이지, 공장의 Agentic 레이어가 아니다.
기업 문서 Q&A는 RAG의 예이지, PLC에 명령을 넣는 체계가 아니다.
휴머노이드·로봇개의 ‘몸’이 공개 시장에서 값이 매겨지는 것과,
그 몸이 우리 규정 안에서 멈추는 판단은 다른 층이다.
3. 왜 이 계층이 공장에서 더 선명해지는가
그림의 WHY THIS MATTERS 네 줄을 제조 현장에서 다시 읽으면 이렇게 된다.
계층과 관계를 이해하라. LLM을 산 것이 RAG를 산 것이 아니고, RAG를 깐 것이 에이전트를 돌리는 것이 아니다.
문제에 맞는 층을 고르라. 안전모 미착용 탐지는 DL 비전으로 충분할 수 있다.
과거 동일 레시피의 이상 이력을 인용해 원인을 적으려면 RAG가 필요하다.
허용 범위 안에서 유량을 보정 제안하려면 에이전트와 검증 게이트가 필요하다.
가치를 내는 제품을 만들어라. 데모는 생성 층에서 끝난다. 수율·불량·중대재해는 조치와 감사 층에서 끝난다.
RAG와 에이전트를 정확도·자율에 맞게 써라. 정확도는 검색된 근거, 자율은 허용된 액션 공간이다.
둘을 한 단어로 묶으면 실패 지점이 안 보인다.
AI는 계속 바뀐다. 미래 대비는 모델 교체가 아니라 층 설계다.
딥러닝이 이미지를 읽게 된 것과, 그 이미지가 “이 SOP에서 지금 허용되는가”를 말하게 된 것은 같은 사건이 아니다.
4. 구조적 간극 — 언어 모델의 출력이 공장의 입력이 되려면
범용 스택을 현장에 그대로 옮기면 다섯 줄이 비다.
로봇 VLA와 산업 현장의 간극과 같은 종류의 표다.
핵심 요인 | 범용 LLM / 데모 에이전트 | 산업 현장이 요구하는 것 |
Action Space | 토큰, 툴 콜, 챗 응답, 6DoF 자세 | 레시피 파라미터, 설비 커맨드, 허용 엔벨로프 |
Knowledge | 사전학습 코퍼스 + (있다면) 웹 | SOP, 작업허가, LOTO, FDC, 사내 실패 모드 |
Sensor Modality | 텍스트 ± 이미지 | FDC 시계열 + 영상 + 음향·진동·열 |
Control Rhythm | 대화 턴, 클라우드 왕복 | 웨이퍼·배치 이벤트, 온프레미스 저지연 |
Safety & Audit | 정책 필터, 블랙박스 가능 | 모든 판단에 근거. 수율·불량·중대재해 책임 추적 |
LLM이 약해서가 아니다. 제어 대상이 문장이 아니라 공정이기 때문이다. RAG가 약한 것도 아니다.
검색 대상이 위키가 아니라 반출할 수 없는 라인 데이터이기 때문이다. 에이전트가 허황되어서가 아니다.
공장의 자율은 “무엇이든 한다”가 아니라 Typed Action만 검증 게이트를 통과한다는 뜻이어야 하기 때문이다.
그래서 그림 하단 KEY MODERN CONCEPTS가 공장 문장으로 다시 쓰인다.
Multimodal AI: 텍스트만이 아니라 영상·센서·로그를 한 맥락으로 본다. 기존 CCTV와 FDC가 출발점이다.
RAG: 생성 전에, 또는 생성과 함께, 우리 규정과 과거 사건을 꺼낸다.
Fine-tuning: 범용 모델이 “무엇이 보이는가”를 푸는 동안, 도메인 코어는 “이 챔버, 이 레시피에서 무엇이
허용되는가”를 푼다.
Prompt Engineering: 프롬프트는 입구다. 출구는 스키마화된 조치와 근거 사슬이다.
AI Safety: 필터 문장이 아니라, 잘못된 액션이 수율과 중대재해로 이어지지 않게 막는 설계다.
AI Agents: 계획·도구·실행. 단, 실행 주체는 종종 PLC이고 에이전트는 제안이다.
5. 한 코어 위에 층을 얹는 쪽 — 단어를 제품으로 바꾸려면
미스릴을 안전 회사로만 보면, 그림의 한 칸만 본 것이다. 제품은 여럿이지만 엔진은 하나다.
그림의 계층을 현장 어댑터로 읽으면 자리가 정해진다.
NENYA. 산업 현장의 영상·센서·공정·행동으로 직접 학습하는 sVLA(Specialized Vision-Language-Action) 코어. 오픈소스 VLM을 파인튜닝한 챗봇이 아니다.
산업 인코더·멀티모달 융합·추론기·XAI·검증 게이트·PLC 어댑터를 자체 층으로 쌓는다.
Guardian-Alpha. 사람·위험·IoT. 그림의 DL 비전 + 에이전트 조치(PTZ, 경보, 설비 신호) + 감사.
Optima-Alpha / Optima-Vision. FDC·품질·불량. RAG가 필요한 공정 지식과, DL이 필요한 스크래치·파티클이
한 루프에 들어간다.
Robotics & Physical OS. 로봇개·드론·휴머노이드의 액션 레이어. Agentic이 ‘몸’으로 내려오는 지점이다.
네 제품이 공유하는 문장은 그림의 진화와 같다. Perception → Context → Evidence → Action.
이 구조가 성립하는 조건
산업 데이터로 만든 코어. 일반 모델이 “무엇이 보이는가”를 푸는 동안
NENYA는 “이 레시피, 이 챔버, 이 SOP에서 지금 무엇이 허용되는가”를 푼다.
기존 시스템 위에 얹는다. MES·SCADA·FDC·PLC를 교체하지 않는다.
제안은 모델이, 검증은 규칙이, 실행은 PLC가 한다.
카메라와 폐쇄망에서 돌아간다. 별도 센서 인프라 없이도 기존 CCTV로 안전을 보고,
이미 붙어 있는 FDC를 받는다. 데이터가 공장 밖으로 나가지 않는다.
판단에 근거가 붙는다. Perception → Decision → Action(허용된 control envelope) → Audit(Evidence Chain). 알람 화면이 제품이 아니다.
사이트로 검증한다. 2023년 11월 이후 현장 배치 25곳 이상, 누적 학습 프레임 2,300만.
위험 행동 감지 재현율 98.7%, 위양성 0.8%, 안전사고 감소 94%(도입 전 대비, 내부 운영 기준). 한일현대시멘트,
삼표, 성신양회, SPC, 아주, 동원시스템즈, 한국타이어. 시멘트에서 식음료, 반도체 장비,
2차전지로 도메인이 늘어도 코어 문장은 바뀌지 않았다.
2차전지 코팅 사례에서는 불량률 26% 감소, 설비 다운타임 31% 감소,
수율 3.8%p 상승이 고객 피드백 기준으로 정리됐다.
반도체 장비 블라인드 테스트에서는 기존 시스템 2/5 대비 NENYA Gen1이 5/5를 맞춘 기록이 있다.
숫자의 출처가 리더보드가 아니라 라인이다.
NENYA 세대도 그림의 층과 맞물린다. Gen 1은 이해와 설명(LLM·RAG 층). Gen 2는 조치와 검증 게이트
(에이전트의 허용된 행동만). Gen 3는 PLC 연동과 피드백 재학습. 지향점은 자율 제조 지능이지만,
지금 현장에서 돌아가는 문장은 그림이 경고하는 그 순서다.
제안하는 AI + 검증하는 규칙 + 실행하는 PLC.
6. 엔터프라이즈가 지금 적어야 할 세 줄
그림이 “Choose the right approach for your problem”이라고 쓴 문장을, 발주 문서의 세 줄로 바꾸면 이렇다.
1) 도입 단위를 모델 이름이 아니라 층과 작업으로 적어라
“LLM 도입” “에이전트 도입”이 아니라 “이 공정의 이 작업, 필요한 층(인식 / 근거 / 생성 / 조치), 목표 성공률, 실패 시 인터록, 판단 근거를 누가 남기는가.” 검증 데이터셋은 공급사가 아니라 발주처가 쥐고 있어야 한다.
2) 평가 문항을 우리 규정에서 먼저 만들어라
공개 벤치마크는 필요하다. 그러나 그 문항이 밀폐공간 작업허가, LOTO, 고소 추락, 컨베이어 끼임,
IATF 품질 추적을 다루지 않으면 그 점수는 우리 현장의 점수가 아니다.
Evidence Chain을 루프의 마지막 칸에 두는 이유가 여기 있다.
3) 아래 층을 적으로 두지 마라
모델이 강해질수록 이미 있는 CCTV·FDC·PLC·SOP의 가치는 커진다.
범용 GenAI가 글을 더 잘 쓸수록, 우리 레시피와 금지 동작을 검색해 붙이는 RAG와 미세조정 코어가 더 비싸다.
교체 비용이 도입을 막는 공장일수록, 레트로핏이 가능한 판단 레이어가 먼저 돈이 된다.
7. 그림이 비워 둔 칸
첨부한 한 장은 모델의 가계도다. AI가 ML을 품고, ML이 DL을 품고, DL이 GenAI를 열고, LLM이 언어를 맡으며, RAG가 근거를 붙이고, Agentic AI가 목표를 향해 움직인다.
그림이 스스로 증명한 것은 용어가 일곱 개라는 사실이 아니다. 같은 ‘AI’라는 단어 아래에도 입출력과 책임이
완전히 다른 층이 쌓여 있다는 사실이다.
공장에 필요한 것은 그 옆의 빈칸이다. 이 공정·이 설비·이 SOP에서 우리는 어느 층부터 시작할 것인가.
생성이 필요한가, 검색된 근거가 필요한가, 허용된 액션이 필요한가.
실패가 났을 때 누가 멈추고 그 판단을 무엇으로 남길 것인가.
이 칸이 비어 있으면 ChatGPT는 홍보 문장이 되고, 현장에서 마주치는 시스템은 알람만 울리는 DL이 되거나,
근거 없는 생성이 되거나, 검증 없는 에이전트가 된다.
클라우드를 기다릴 수 없는 몸과, 데이터를 내보낼 수 없는 공장이 동시에 존재하는 이유가 여기 있다.
미스릴의 답은 그림의 계층을 제품 라인으로 펼친 것이다.
판단의 코어는 NENYA, 안전은 가디언, 수율은 옵티마,
움직임은 Physical OS. 같은 판단 언어가 사람 옆의 카메라에서 시작해 챔버 센서와 순찰 로봇까지 이어진다. NVIDIA Inception, TIPS, 충남 C-STAR, 고려대 패턴인식·머신러닝 연구실과의 R&D가 이 층을 받치고,
해외는 선웨이, TOA, Elsewedy/AOI 쪽으로 문이 열려 있다.
보유한 로그와 영상, 막고 싶은 사고, 올리고 싶은 수율만 있어도 충분하다
그 재료로 지금 필요한 층이 인식인지, 근거인지, 조치인지를 먼저 짚어 보면 된다.
미스릴과, 우리 현장의 빈칸이 그림의 어느 층에 있는지부터 함께 적어 보시기 바랍니다.
댓글