"데이터는 충분합니다. 몇 년치 쌓여 있어요." — 제조 AI 프로젝트의 킥오프에서 가장 자주 듣는 말이고, 몇 주 뒤 가장 자주 뒤집히는 말입니다. 공장에는 분명 데이터가 넘칩니다. 그런데 모델을 만들려는 순간, 학습에 쓸 수 있는 데이터는 거의 없다는 사실이 드러납니다. 센서 데이터와 학습 데이터 사이의 이 간극(training gap)은 공장 AI가 실패하는 가장 흔한 원인이면서, 이상하게도 잘 이름 붙여지지 않는 문제입니다.
간극을 만드는 여섯 가지
1. 라벨이 없다 — 지도학습은 정답이 필요한데, 현장 데이터의 99.9%는 "정상"입니다. 고장·불량이 언제 일어났는지조차 시계열과 연결돼 기록된 경우가 드뭅니다. 정비 일지는 수기이고, 시계열과 시간이 맞지 않습니다.
2. 맥락이 없다 — TAG_00042가 어느 라인 어느 설비의 무슨 신호인지 데이터 자체는 말해주지 않습니다. 자산 모델 없이 쌓인 데이터는 모델에게도, 사람에게도 암호문입니다.
3. 품질 표시가 없다 — 센서는 드리프트하고, 통신은 끊깁니다. 그 구간의 값이 "측정된 0"인지 "끊겨서 0"인지 구분되지 않으면, 모델은 노이즈를 패턴으로 학습합니다.
4. 시간이 안 맞는다 — 설비마다 수집 주기가 다르고 클럭이 어긋납니다. 이벤트(알람·정지)와 시계열을 정렬하지 못하면 인과가 뒤집힌 학습 데이터가 만들어집니다.
5. 작업 맥락이 유실된다 — 같은 온도 곡선도 제품 A의 레시피에서는 정상, 제품 B에서는 이상입니다. 작업오더·레시피·교대 정보와 연결되지 않은 시계열은 절반의 데이터입니다.
6. 분포가 이동한다 — 계절·원료·설비 노후에 따라 데이터 분포가 흐릅니다. 작년 데이터로 학습한 모델이 올해 침묵하는 이유이고, 한 라인의 모델이 옆 라인에서 실패하는 이유입니다.
간극은 모델링 단계가 아니라 수집 단계에서 메워진다
이 문제의 핵심은, 여섯 가지 모두 모델을 만들 때가 아니라 데이터를 모을 때 결정된다는 것입니다.
- 품질 코드를 값과 함께 저장 — 모든 포인트에 수집 품질을 남기면 "끊긴 0"과 "측정된 0"이 구분됩니다.
- 자산 모델 위에서 수집 — ISA-95 계층과 온톨로지로 태그에 의미를 부여하면, 데이터가 태어날 때부터 맥락을 갖습니다.
- 이벤트와 시계열을 한 기반에서 — 알람·작업오더·시계열을 같은 시간축에 축적해야 인과가 보존됩니다.
- 끊겨도 잃지 않는 수집 — store-and-forward 버퍼링으로 결측 구간 자체를 줄입니다.
- 라벨은 운영 속에서 쌓는다 — 별도 라벨링 프로젝트 대신, 이상탐지 → 담당자 확인(Ack) → 조치 기록의 워크플로가 돌 때마다 검증된 라벨이 하나씩 쌓입니다.
- 기준선 학습으로 시작 — 라벨 없이도 태그별 정상 거동을 학습하는 비지도 접근으로 먼저 가치를 내고, 라벨은 그 위에 축적합니다.
결론 — AI Ready는 상태가 아니라 설계다
"AI Ready 데이터"는 나중에 정제해서 도달하는 상태가 아니라, 수집 아키텍처가 처음부터 만들어내는 설계의 결과입니다. PlantPulse®가 품질 코드 저장, 온톨로지 자산 모델, 이벤트·시계열 통합 저장, store-and-forward, 그리고 Ack 피드백 루프를 플랫폼의 기본기로 두는 이유가 여기에 있습니다. 센서 데이터가 곧 학습 데이터가 되는 공장 — 그것이 간극을 없애는 유일한 방법입니다.
주제 참고: IIoT Sensor Data Training Gap — The Factory AI Problem Nobody Names (Medium · CreedTec)