연구자료실
설비 연결, 품질 검사, 생산 분석과 제조 업무에 관련된 외부 논문입니다.
연구자료 검색
논문 목록
T16. 제조 지식그래프와 시맨틱 레이어
- T16-8후보2025년 이후
Intent-Driven Smart Manufacturing Integrating Knowledge Graphs and Large Language Models
한국어 검토 보기
해결 문제
- 현장 사람이 하고 싶은 말을 그대로 하면 제조 시스템이 못 알아듣는다. 요구사항을 시스템이 쓰는 형식으로 바꿔야 한다.
핵심 구조
- Mistral-7B-Instruct-V02를 제조 도메인 데이터로 미세조정했다. 사람의 자연어 의도를 구조화된 JSON 요구 모델로 번역한다. 그 모델을 ISA-95 표준에 맞춘 Neo4j 지식그래프에 의미로 연결한다.
주요 결과
- 완전 일치 정확도 89.33%, 전체 정확도 97.27%를 보고했다. 제조 서비스화 환경에서 사람과 기계가 대화하는 기반으로 제시했다.
한계
- 프리프린트다. 정식 심사를 거치지 않았다. 평가가 자체 구축 데이터셋 기반이다. 실제 공장 운영 투입 결과는 없다.
우리 기능과의 연결
- 업무 실행 에이전트가 현장 지시를 받아 MES 작업 지시로 바꾸는 일에 향후 적용 후보다.
- T16-6구조대응2025년 이후
Knowledge Graphs as the Missing Data Layer for LLM-Based Industrial Asset Operations
한국어 검토 보기
해결 문제
- 설비 보전 질문에 언어모델 에이전트가 답하게 하면 정확도가 낮다. 문서를 평평하게 쌓아둔 저장소 위에서는 추론이 흔들린다.
핵심 구조
- 먼저 타입이 정해진 지식그래프를 근거 층으로 깐다. 그 위에서 질문을 성격에 따라 세 갈래로 나눠 보낸다. 첫째, 언어모델이 Cypher 질의를 만들어 구조화 검색을 한다. 둘째, 그래프로 바로 풀리는 질문은 언어모델을 아예 안 거치고 그래프 연산과 최적화로 확정 계산한다. 셋째, 데이터에 아예 없는 답은 생성 증강 지식(GAK, 언어모델이 없는 사실을 만들어 채우는 방식)으로 채운다. 이때 만들어낸 사실은 출처 표시를 붙인 노드로 그래프에 다시 넣고 나서 답한다.
주요 결과
- 기본 정확도가 65%에서 82~83%로 올랐다. 그래프로 풀리는 문제만 보면 99%다. 그래프는 라벨 9종, 간선 5종, 노드 12,647개 규모다.
한계
- 벤치마크 시나리오가 IBM 벤치마크와 겹친다. 잔여수명 예측 같은 예측 과제는 그래프가 맥락만 줄 뿐, 실제 예측은 별도 모델이 있어야 한다.
우리 기능과의 연결
- AI 보고서와 업무 실행 에이전트가 근거 없이 답하지 않게, 지식그래프를 근거 층으로 까는 방식과 구조가 대응한다.
- T16-7유사문제2025년 이후
Fault Cause Identification across Manufacturing Lines through Ontology-Guided and Process-Aware FMEA Graph Learning with LLMs
한국어 검토 보기
해결 문제
- FMEA(고장 유형과 영향 분석) 문서는 라인마다 따로 쌓인다. 새 라인에서 고장이 나면 옛 문서를 재활용하기 어렵다.
핵심 구조
- OGPAL이라는 틀이다. 언어모델이 온톨로지를 길잡이 삼아 여러 라인의 FMEA 문서에서 정보를 뽑는다. 뽑은 걸 하나의 지식그래프로 합친다. 관계형 그래프 합성곱 신경망에 공정 순서를 반영한 점수 함수를 붙여, 링크 예측으로 고장 원인을 순위 매긴다.
주요 결과
- 자동차 압력 센서 조립 라인 사례에서 nDCG@20이 0.719였다. 검색 증강 생성 방식 0.450, 일반 관계형 그래프 신경망 0.559보다 높았다.
한계
- 한 도메인 사례 연구다. FMEA 문서 품질이 회사마다 달라 일반화가 불확실하다. 아직 학회 심사를 거친 정식 발표본은 아니다.
우리 기능과의 연결
- 제조 AI 분석에서 불량 원인을 과거 사례 문서로부터 순위 매겨 제시하는 문제와 유사하다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기