[내일배움캠프 QA/QC 6기] TIL #054

 

오늘은 제조 현장에서 가장 흔하게 발생하는 "이상(Anomaly)을 어떻게 정의하고, 모델로 감지할 것인가?"에 대해 공부했다.

단순히 상한값을 넘는 것뿐만 아니라, 센서 간 조합 이상, 시간 흐름상의 비정상 패턴까지 잡아내는 다양한 접근법을 정리해보자아

 

1. 제조 시계열에서 '이상(Anomaly)'이란?

1) 이상은 단순히 "큰 값"이 아니다!

제조 현장의 이상은 "현재 운전 조건에서 예상하기 어려운 패턴인가?"로 판단함.

• 센서 단독 이상: 압력만 독립적으로 높음.
• 조합 이상: 압력·온도·전류 모두 각각은 정상 범위에 있지만, 세 센서의 동시 반응 관계가 평소 운전 패턴과 다름 → 이상 후보!
• 정상 가압 Cycle: 전류 증가 → 압력 상승 → 온도 상승이 정해진 순서대로 일어난다면 수치가 높아도 정상일 수 있음.

2) 불량 분류 vs 이상탐지 

구분	불량 분류 (Defect Classification)	이상탐지 (Anomaly Detection)
핵심 질문	"이 제품/공정은 불량인가?"	"평소 정상 상태와 다른 패턴인가?"
Target	정상 / 불량 라벨 (Supervised)	이상 점수(Anomaly Score) 또는 복원 오차
데이터 단위	제품, LOT, 공정 최종 결과	센서 시점, 구간(Window), Sequence
라벨 필요성	반드시 필요 (이미 정의된 불량 학습)	라벨 없이 가능 (Unsupervised)
대표 모델	Random Forest, XGBoost	Isolation Forest, LOF, AutoEncoder

 

2. 제조 시계열 이상 유형 3가지

1) Point Anomaly (점 이상):

• 한 시점의 값이 정상 범위를 크게 벗어난 경우 (예: 순간 과전류 12A, 압력 급락, 센서 통신 오류).

2) Contextual Anomaly (문맥 이상):

• 값 자체는 정상이지만 현재 운전 조건(Context)에서는 부자연스러운 경우.
• 예: 오일 온도 70℃ ➔ 장시간 가동 중이면 정상이지만, '설비 정지 직후'라면 이상 후보

3) Collective Anomaly (집단/시퀀스 이상):

• 개별 시점의 값은 모두 정상 범위에 있지만, 연속된 시간 흐름이 평소와 다른 경우.
• 예: 압력 회복 속도가 평소보다 느림, 진동이 완만하게 지속 상승(Drift), 모터 전류가 너무 오래 유지됨.

 

3. 이상탐지 방법론 (Rule-based vs Model-based)

1) 규칙 기반 (Rule-based)

• 고정 Threshold: 온도 > 80℃처럼 사람이 정한 절대 기준. 운영이 단순하지만 운전 Mode 변화에 취약함.
• Rolling Threshold: 최근 Window의 평균 ± k×표준편차를 이용해 기준선이 천천히 이동하도록 설정.
• Nelson Rules: 관리도 상에서 연속 상승, 한쪽 몰림 등 시간 순서상의 비무작위 패턴 감지.

2) Feature 기반 모델 (Isolation Forest vs LOF) 

구분	Isolation Forest	LOF (Local Outlier Factor)
핵심 관점	얼마나 빠르게 고립(Isolation)되는가?	주변 이웃보다 밀도(Density)가 얼마나 낮은가?
이상 기준	전역적(Global) 분리	지역적(Local) 밀도 차이
운전 Mode	전체 분포 위주로 판단	여러 정상 군집(저부하/고부하/정지)이 존재할 때 유용
특징/한계	대용량 데이터에 빠름, 시간 순서 학습 X	n_neighbors에 민감, 신규 데이터 적용 시 novelty=True 필요

3) Sequence 기반 모델 (1D CNN AutoEncoder) 

• 한 행(Point)의 한계: "압력 회복이 평소보다 느린 현상"은 단 한 행의 숫자만 보고는 절대 찾을 수 없음
• Sequence Window 구축: [샘플 수 × 시간 길이 × 센서 수] 형태로 과거 10~20분간의 연속 구간을 묶어서 입력함
• AutoEncoder 작동 원리:
• 입력 Sequence ➔ Encoder (압축) ➔ Decoder (복원) ➔ Reconstruction Error (복원 오차) 계산
• 정상 데이터 위주로 학습시키면, 이상 패턴이 들어왔을 때 제대로 복원하지 못해 Reconstruction Error가 크게 튀는 원리를 이용함!

 

4. Threshold 설정 & 현장 평가 지표

1) 이상 점수를 알람으로 바꾸는 Calibration

• Isolation Forest, LOF, AutoEncoder의 이상 점수는 계산 방식이 완전히 달라서 점수 크기를 직접 비교할 수 없음!
• 정상 중심의 Calibration 데이터 점수 분포에서 95th 또는 99th Percentile을 임시 Threshold로 설정함.
• ⚠️ 주의: 이상 점수가 높다고 무조건 고장은 아님! (기동/정지, 레시피 변경, 정비 직후 등도 점수가 튈 수 있음)

2) 제조 현장의 실전 평가 지표

단순 Precision / Recall 외에 운영 관점에서 아래 지표를 반드시 함께 봐야 함.

• False Alarm (오탐): 정상인데 알람이 울린 횟수 (현장 피로도 직결)
• Detection Delay (탐지 지연): 실제 이상 발생 후 알람까지 걸린 시간
• Consecutive Alarm (연속 알람): 노이즈에 의한 오탐을 줄이기 위해 "3회 연속 Threshold 초과 시 알람 발송" 같은 조건을 적용함

 

5. 이상탐지 접근법 4종 최종 비교 

접근법	입력 형태	핵심 기준	주요 장점 / 한계
Rule-based (SPC)	개별 센서 수치	정해진 한계 및 Nelson Rules	설명이 매우 쉬움 / 복잡한 다변량 조합 감지 불가능
Isolation Forest	다변량 Feature	전역적 고립 속도	대용량 적용 용이 / 시간 순서(시퀀스) 직접 학습 못함
LOF	다변량 Feature	지역적 이웃 밀도	운전 Mode가 여러 개일 때 유용 / 계산량 많음
1D CNN AutoEncoder	센서 Sequence (Window)	정상 패턴과의 복원 오차	시간 흐름/변화 속도 이상 감지 가능 / 정상 Train 데이터 확보 필수

 

 

- 제조 시계열 이상탐지는 단순 수치 초과보다 "현재 운전 맥락에서 예상할 수 있는 흐름인가?"를 보는 게 핵심!
- Point Anomaly는 Isolation Forest/LOF로도 충분하지만, Collective Anomaly(시간 흐름 이상)를 잡으려면 무조건 Sequence Window + AutoEncoder 구조로 가야 함
- 점수가 높다고 무조건 고장은 아니므로, [센서 그래프 + 운전 Mode + 정비 이력]을 엮어서 최종 판단하는 현장 중심 시각이 필수

 

 

 

---

 

프로젝트 데이터셋 선정하고 각자 EDA 간단하게...

• 데이터 살펴보기 & 구조 파악
  • 도메인 데이터(시계열 센서 데이터)의 전반적인 구조와 결측치 패턴을 확인했다.
  • 실시간 센서 데이터와 오프라인 측정 변수 간의 특징 차이를 파악하면서, 실제 프로젝트에서 어떤 변수를 메인으로 활용해야 할지 방향을 잡을 수 있었다.
• 대조군 비교를 통한 패턴 탐색
  • 전체 데이터를 단순 평균으로 보는 것을 넘어, 성과가 극명히 갈리는 상위/하위 그룹을 나누어 대조군 분석을 진행했다.
  • 단순히 단일 변수 수치만 비교했을 때는 보이지 않던 패턴들이, 시간의 흐름(시계열)과 변수 간의 상관관계를 함께 펼쳐보니 명확하게 드러나는 점이 인상 깊었다.
• 데이터 기반의 문제 정의
  • 제어 조건의 평균값은 유사하더라도, 시간대별 스케줄링이나 특정 변수의 소비 패턴 차이가 최종 결과에 얼마나 큰 영향을 미치는지 데이터로 확인했다.
  • "단순히 결과를 예측하는 것을 넘어, 현업에서 실질적으로 활용할 수 있는 가치를 제공하려면 무엇이 필요할까?"에 대해 고민해 보는 계기가 되었다.
• Insight & Keep
  • EDA는 단순히 예쁜 그래프를 그리는 작업이 아니라, '데이터 속에 숨겨진 진짜 원인'을 찾아내어 논리적인 스토리를 만드는 과정임을 다시 한번 실감했다.
  • 앞으로도 모델링에 바로 들어가기 전에, EDA 단계에서 문제의 본질을 명확히 정의하는 습관을 계속 유지해야겠다.

 

 

---

 

[ 아티클 스터디 ] AI Agents: 비즈니스 워크플로우 통합과 시장 트렌드

읽고 정리한 거...

 

요즘 AI 생태계의 판도가 "글 잘 쓰는 LLM"에서 "스스로 판단하고 실행하는 AI Agent"로 완전히 넘어가고 있다

가트너와 맥킨지에서도 2025년 최고의 AI 트렌드로 'AI 에이전트'를 지목했고, 시장 규모도 2024년 51억 달러에서 2030년 471억 달러까지 폭풍 성장할 것으로 전망

 

1. LLM vs AI Agent: 뭐가 다를까?

기존 LLM은 통계적으로 다음에 올 단어를 예측하는 방식이라 단순히 "답변 생성"에 그쳤다면, AI 에이전트는 목표를 달성하기 위해 실제 행동(Action)을 수행함.

[상황 파악 (Perception)] ➔ [판단 (Decision)] ➔ [실행 (Action)] ➔ [학습 (Learning)]

• 인식 (Perception): 텍스트, 이미지, 카메라, 마이크 등 다양한 경로로 정보 수집
• 판단 (Decision): 정보를 분석하고 목표 달성을 위한 최적의 계획 수립
• 실행 (Action): 시스템 연동, API 호출, 답변 생성, 물리적 동작 등 실제 수행
• 학습 (Learning): 피드백과 결과를 바탕으로 스스로 파라미터 및 프로세스 조정

 

2. 에이전트를 똑똑하게 만드는 3대 재료

단순 챗봇을 넘어 복잡한 업무를 수행하는 에이전트로 업그레이드하기 위한 핵심 요소 3가지!

핵심 재료	역할 및 특징	비고
CoT (Chain of Thought)	문제를 한 번에 풀지 않고 단계별로 쪼개서 생각함	복잡한 장기 계획 수립의 기반
도구 & 기억 (Tools & Memory)	외부 API, DB, 웹 검색을 활용하고 과거 이력을 기억함	실시간 정보 반영 및 연속성 확보
멀티 에이전트 협업	CEO, 개발자, 검토자 등 역할을 분담해 협업함	단일 에이전트보다 정교한 결과 산출 (예: ChatDev)

• 주요 구축 프레임워크: LangChain, LangGraph, CrewAI, AutoGen, Semantic Kernel

 

3. 멀티 에이전트 협업 아키텍처

여러 에이전트가 팀을 이뤄 일할 때 목적에 맞게 소통 구조를 설계해야 함.

구조 타입	소통 방식	특징
Network (네트워크)	모든 에이전트가 상호간 자유롭게 소통	자율성이 높으나 제어가 어려울 수 있음
Supervisor (팀장 방식)	팀장 에이전트가 작업을 분배하고 지시	가장 직관적이고 널리 쓰이는 제어 형태
Hierarchical (계층형)	팀장 위에 상위 리더가 존재하는 다단계 구조	대규모 조직 업무 자동화에 적합
Custom (맞춤형)	필요한 특정 에이전트 간에만 수동 연결	특정 보안/정밀 공정에 유용

 

4. 필수 핵심 기술 및 용어 정리

용어	개념 정의
ReAct	**Reasoning(생각) + Acting(행동)**을 결합한 메커니즘. 현세대 에이전트 기술의 근본이 되는 구글 브레인(2022)의 연구.
Toolformer	LLM이 외부 앱/도구를 언제, 어떻게 불러서 써야 할지 스스로 익히도록 훈련시키는 기술 (메타, 2023).
RAG	외부 지식/문서를 검색하여 답변의 정확도를 높이고 할루시네이션(환각)을 최소화하는 기술 (법률·금융·의료 필수).
하이퍼오토메이션	단순 반복 업무를 넘어, AI 에이전트의 판단력을 기반으로 전사 업무 프로세스 전체를 자동화하는 흐름.

 

단순히 "프롬프트 잘 짜는 법"에 머무르지 않고, [LLM + 외부 도구 + 기억 + 자동화 프레임워크]를 연결해서 "실제로 일을 끝마치는 에이전트"를 만드는 게 향후 AI 개발의 핵심