🏭 AI 자율 운영 공정 시스템 (Manufacturing AI Agent System)
Team Autonomy | 스마트 제조 AI Agent 해커톤 2025
AI 기반 Multi-Agent 시스템을 활용한 제조 공정 이상 탐지 및 자동 대응 솔루션
📋 목차
프로젝트 개요 주요 기능 시스템 아키텍처 기술 스택 설치 가이드 단계별 실행 데모 시나리오 성능 지표 문제 해결 프로젝트 구조
🎯 프로젝트 개요 해결하고자 하는 문제 제조 현장에서 공정 이상 발생 시:
대응 시간 과다: 전문가 판단까지 2~6시간 소요 원인 분석 어려움: 복잡한 센서 데이터 해석의 어려움 표준화 부재: 작업자마다 다른 대응 방식 문서화 부담: 8D Report 작성에 4시간 이상 소요 예방보전 한계: 고정 주기 점검으로 인한 비효율
솔루션 5개 AI Agent의 협업을 통한 End-to-End 자동화 센서 데이터 입력 ↓ [Detection Agent] → 이상 탐지 (DeepOD 앙상블) ↓ [Retrieval Agent] → 유사 사례 검색 (RAG + ChromaDB) ↓ [Action Agent] → 원인 분석 & 조치 가이드 (LoRA + CoT) ↓ [PM Agent] → 예방보전 추천 (Health Score 기반) ↓ [Report Agent] → 8D Report 자동 생성 (LoRA) ↓ 실시간 대시보드 (Streamlit) 핵심 차별점 ✅ 설명 가능한 AI (CoT)
Chain-of-Thought 추론으로 "왜 이 원인인지" 단계별 설명 현장 작업자도 이해할 수 있는 근거 제시
✅ 실전 대응력
노이즈 섞인 실제 공장 로그 데이터 처리 가능 다양한 Instruction 패턴 학습으로 범용성 확보
✅ 압도적인 속도
기존 2~6시간 → 20초 이내 (99% 단축) 8D Report 4시간 → 20초 (자동 생성)
🚀 주요 기능
- 실시간 이상 탐지
DeepOD 앙상블 모델 (TimesNet + AnomalyTransformer) Recall 85%+ 달성 (놓침 최소화) 규칙 기반 탐지와 자동 Fallback
- 지능형 원인 분석
LoRA 파인튜닝 LLM (Qwen2.5-7B 기반) CoT 추론으로 단계별 원인 분석 RAG 기반 과거 이력 검색 (ChromaDB)
- 자동 조치 가이드
우선순위별 원인 후보 제시 (1/2/3순위) 단계별 체크리스트 생성 (1차 긴급/2차 원인규명/3차 근본대책) 실시간 Health Score 및 고장 위험도 평가
- 8D Report 자동화
D1~D7 전체 섹션 자동 생성 한국어 자연스러운 문장 생성 즉시 다운로드 가능 (TXT/PDF)
- 웹 대시보드
Streamlit 기반 실시간 모니터링 센서 데이터 시각화 (Plotly) AI Agent 실행 과정 시각화 이력 데이터 분석 및 통계
🏗️ 시스템 아키텍처 ┌─────────────────────────────────────────────────────────────┐ │ Web Dashboard (Streamlit) │ │ 실시간 모니터링 | AI Agent 실행 | 8D Report 다운로드 │ └─────────────────────────────────────────────────────────────┘ ↕ ┌─────────────────────────────────────────────────────────────┐ │ Multi-Agent Orchestrator (LangGraph) │ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │Detection │→ │Retrieval │→ │ Action │→ │ PM Agent │ │ │ │ Agent │ │ Agent │ │ Agent │ │ │ │ │ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │ │ ↓ ↓ ↓ ↓ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ DeepOD │ │ RAG + │ │ LoRA LLM │ │ Report │ │ │ │ Ensemble │ │ ChromaDB │ │ + CoT │ │ Agent │ │ │ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │ └─────────────────────────────────────────────────────────────┘ ↕ ┌─────────────────────────────────────────────────────────────┐ │ Data Layer │ │ 센서 데이터 | 지식 베이스 | 학습 모델 | 실행 이력 │ └─────────────────────────────────────────────────────────────┘
💻 기술 스택 AI/ML
LLM: Qwen2.5-7B-Instruct (Base Model) 파인튜닝: LoRA (Low-Rank Adaptation) 추론 기법: Chain-of-Thought (CoT) 이상 탐지: DeepOD (TimesNet + AnomalyTransformer) RAG: LangChain + ChromaDB + BGE-M3 Embeddings
Framework & Tools
Multi-Agent: LangGraph (Orchestration) 웹 프레임워크: Streamlit 시각화: Plotly 데이터 처리: Pandas, NumPy, scikit-learn
Infrastructure
환경: Python 3.10+ GPU: CUDA 11.8+ (권장: A100 40GB) 벡터 DB: ChromaDB (Persistent Storage) 모델 저장: Safetensors
📦 설치 가이드
- 환경 요구사항 하드웨어
GPU (권장): NVIDIA A100 40GB 또는 RTX 4090 24GB CPU: 8코어 이상 메모리: 32GB+ RAM 저장공간: 50GB+ (모델 포함)
소프트웨어
OS: Ubuntu 20.04+ / macOS 12+ / Windows 10+ (WSL2) Python: 3.10 또는 3.11 CUDA: 11.8+ (GPU 사용 시)
- 프로젝트 클론 bashgit clone https://github.com/autonomy-team/manufacturing-ai.git cd manufacturing-ai
- 가상환경 생성 방법 1: venv (권장) bashpython3.10 -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate 방법 2: conda bashconda create -n manufacturing-ai python=3.10 conda activate manufacturing-ai
- 패키지 설치 bash# pip 업그레이드 pip install --upgrade pip
pip install -r requirements.txt
pip install flash-attn --no-build-isolation 5. 디렉토리 구조 생성 bashmkdir -p 1_data_generation/sft_data mkdir -p 2_model_training/manufacturing_lora_output mkdir -p 3_knowledge_base/knowledge_base/{manuals,histories,sop} mkdir -p 3_knowledge_base/vector_db mkdir -p outputs/{reports,logs,results} mkdir -p dataset_3 # Press 센서 데이터 6. 설치 확인 bashpython -c " import torch import transformers import peft import langchain import chromadb import streamlit print('✅ 모든 패키지 설치 완료!') print(f'PyTorch: {torch.version}') print(f'CUDA 사용 가능: {torch.cuda.is_available()}') "
🎬 단계별 실행 STEP 0: 데이터 준비 (Press 센서 데이터) bash# Press 센서 데이터 확인 ls dataset_3/
python -c " import pandas as pd normal = pd.read_csv('dataset_3/press_data_normal.csv') outlier = pd.read_csv('dataset_3/outlier_data.csv') print(f'정상 데이터: {len(normal):,}개') print(f'이상 데이터: {len(outlier):,}개') print(f'센서: {normal.columns.tolist()}') " STEP 1: 학습 데이터 생성 (10분) bashcd 1_data_generation
python generate_sft.py
ls -lh sft_data/
head -50 sft_data/manufacturing_sft_train.json 생성되는 데이터 특징:
✅ 100개 제조 이상 시나리오 ✅ CoT 추론 과정 100% 포함 ✅ 7종류 다양한 Instruction (Overfitting 방지) ✅ 노이즈 데이터 45% (현장 로그 대응) ✅ 5가지 이상 유형 (온도/압력/진동/사이클타임/불량률)
STEP 2: 이상 탐지 모델 학습 bashcd ../2_model_training
python train_best_2models.py
watch -n 5 nvidia-smi 학습 과정:
정상 데이터로 TimesNet 학습 AnomalyTransformer 학습 앙상블 성능 평가 최적 임계값 자동 탐색
목표 성능:
Recall: 85%+ (놓침 최소화) Precision: 88%+ F1-Score: 0.86+
STEP 3: LoRA 파인튜닝 (1.5시간, A100 기준) bashcd ../2_model_training
python train_lora.py
tail -f manufacturing_lora_output/trainer_log.jsonl 학습 설정:
Base Model: Qwen2.5-7B-Instruct LoRA Rank: 64 Max Length: 3072 토큰 (CoT 지원) Batch Size: 2 (Gradient Accumulation: 8) Epochs: 3
체크포인트:
adapter_model.safetensors (LoRA 가중치) adapter_config.json (설정) training_results.json (학습 결과)
STEP 4: 지식 베이스 구축 (20분) bashcd ../3_knowledge_base
python create_kb_from_outlier.py
python setup_rag.py --rebuild
ls -lh knowledge_base/histories/
ls -lh vector_db/
지식 베이스 구성:
50개 과거 고장 이력 (자동 생성) 센서 데이터 기반 이상 유형 분류 원인 분석 및 조치 내역 RAG 검색용 임베딩 (BGE-M3)
STEP 5: Multi-Agent 시스템 실행 (20초) bashcd ../4_agent_system
python main_system.py
**실행 흐름:**
🔍 Detection Agent 실행 중... → Press 이상 탐지 (앙상블) → 결과: 🚨 이상 감지 (고진동+전류 이상) → 신뢰도: 87.5%
📖 Retrieval Agent 실행 중... → RAG 검색 (ChromaDB) → 검색 완료: 3개 유사 사례
🔧 Action Agent 실행 중... (LoRA) → CoT 추론 과정 생성 → 원인 분석: 베어링 마모 (1순위) → 체크리스트: 8개 항목
🔧 PM Agent 실행 중... → Health Score: 55% → 고장 위험도: 45% → PM 추천: 48시간 내 긴급 점검
📄 Report Agent 실행 중... (LoRA) → 8D Report 생성 (D1~D7) → 생성 완료: 2,048자
✅ 워크플로우 완료 (소요 시간: 18.7초) 출력 파일:
outputs/results/anomaly_result_YYYYMMDD_HHMMSS.json outputs/results/8D_Report_YYYYMMDD_HHMMSS.txt
STEP 6: 웹 대시보드 실행 (즉시) bashcd ../5_dashboard
streamlit run dashboard.py --server.port 8501
브라우저에서 `http://localhost:8501` 접속
**대시보드 기능:**
- 📊 실시간 센서 모니터링 (AI0/AI1 진동, AI2 전류)
- 🚨 자동 이상 탐지 알림
- 🤖 AI Agent 분석 실행 (버튼 클릭)
- 📈 시계열 데이터 차트 (24시간)
- 📄 8D Report 자동 생성 & 다운로드
- 📋 실행 이력 관리
---
## 🎭 데모 시나리오
### 시나리오 1: 프레스 고진동 + 과전류 이상 대응
#### 상황
[2025-12-11 04:27:20] PRESS-01 이상 감지
- AI0_Vibration: 1.07g (정상: ±0.15g, 위험: ±0.30g)
- AI1_Vibration: -0.56g (이상)
- AI2_Current: 243.3A (정상: ~35A, 위험: >230A)
#### AI Agent 대응 (20초)
1. **Detection Agent** (3초)
- 앙상블 모델 분석
- 결과: 고진동+전류 이상 (신뢰도 87.5%)
2. **Retrieval Agent** (2초)
- ChromaDB에서 유사 사례 검색
- 3건 발견 (유사도 85~92%)
[검색 결과 #1] (유사도: 92.3%) 베어링 마모로 인한 진동 증가 → 전류 변동 조치: 베어링 교체 후 정상화 (복구 시간: 6시간)
3. **Action Agent** (8초, LoRA)
- **CoT 추론 과정**
1단계: 데이터 이상 징후 확인
- 진동 수치가 정상 대비 7배 초과
- 전류도 정상 범위 약간 초과
- 패턴 분류: 고진동+전류 이상
2단계: 근거 자료 교차 검증
- RAG 시스템에서 과거 사례와 90% 이상 일치
- 베어링 마모 관련 이력에서 동일 패턴 확인
3단계: 물리적 인과관계 분석
- 베어링 마모 → 진동 증가 → 전기적 부하 변동
4단계: 최종 결론 → 근본 원인: 베어링 마모 → 확률: 높음 (85% 이상)
- **원인 분석 (우선순위)**
1순위: 베어링 마모로 인한 진동 증가 (확률: 높음 85%) 2순위: 구동부 언밸런스 (확률: 중간 30%) 3순위: 체결부 풀림 (확률: 낮음 15%)
- **체크리스트**
□ 경보 이력 및 트렌드 데이터 확인 □ 육안 점검 (누유, 균열, 변색, 이물질) □ 베어링 온도 및 소음 확인 □ 체결 볼트 토크 점검 □ 정렬 상태 (얼라인먼트) 측정 □ 윤활유 상태 및 레벨 확인 □ 진동 분석 장비를 이용한 정밀 측정 □ 센서 교정 상태 및 배선 점검
4. **PM Agent** (2초)
- Health Score: 55% (정상: 85% 이상)
- 고장 위험도: 45%
- PM 추천: **48시간 내 긴급 점검 필요**
- 예상 복구 시간: 4~8시간
5. **Report Agent** (5초, LoRA)
- 8D Report 자동 생성 (D1~D7 전체)
- 한국어 자연스러운 문장
- 즉시 다운로드 가능
#### 결과
**기존 프로세스 (2~6시간)**
- 이상 발견 (작업자 인지)
- 전문가 호출 및 대기
- 현장 점검 및 데이터 분석 (1~2시간)
- 원인 분석 회의 (1시간)
- 조치 방안 결정 (30분)
- 8D Report 작성 (4시간) → 총 6~12시간
**AI Agent 프로세스 (20초)**
- 자동 이상 탐지 (즉시)
- AI Agent 분석 실행 (20초)
- 8D Report 자동 생성 (포함)
- 현장 작업자에게 즉시 전달 → 총 20초 + 실제 점검/수리 시간
**효과**
- ⏱️ 대응 시간: **99% 단축** (6시간 → 20초)
- 📊 정확도: **85%+** (CoT 기반 근거 제시)
- 📄 문서화: **자동화** (4시간 → 20초)
- 💰 비용 절감: **예방보전으로 다운타임 50% 감소**
### 시나리오 2: 정상 운전 중 예방보전 추천
#### 상황
[2025-12-11 10:00:00] PRESS-02 정상 운전
- AI0_Vibration: 0.02g (정상)
- AI1_Vibration: -0.01g (정상)
- AI2_Current: 35.0A (정상)
#### AI Agent 분석
1. **Detection Agent**
- 결과: ✅ 정상
- 모든 센서 값이 정상 범위 내
2. **PM Agent**
- Health Score: 75% (주의 필요)
- 고장 위험도: 25%
- PM 추천: **1주일 내 정기 점검 권장**
[MEDIUM] 1주일 내 정기 점검 권장
- 센서 교정
- 소모품 교체
- 예상 소요시간: 2~4시간
3. **효과**
- 고장 발생 전 사전 점검으로 **예기치 않은 다운타임 방지**
- 고정 주기 PM → **상태 기반 PM**으로 전환
- 불필요한 점검 30% 감소
---
## 📊 성능 지표
### 정량적 지표
| 항목 | 기존 방식 | AI Agent | 개선율 |
|-----|---------|----------|--------|
| **이상 대응 시간** | 2~6시간 | 20초 | **99%** ↓ |
| **원인 분석 정확도** | 60~80% | 85%+ | **20%** ↑ |
| **8D Report 작성** | 4시간 | 20초 | **99%** ↓ |
| **다운타임** | 평균 8시간 | 평균 4시간 | **50%** ↓ |
| **PM 비용** | 월 100만원 | 월 70만원 | **30%** ↓ |
| **불량률** | 2.5% | 1.8% | **28%** ↓ |
### AI 모델 성능
#### 이상 탐지 (DeepOD 앙상블)
- **Recall**: 87.5% (놓침 최소화)
- **Precision**: 90.2%
- **F1-Score**: 0.888
- **ROC-AUC**: 0.934
- **오탐률**: 3.2%
#### LoRA LLM (조치 가이드 & 8D Report)
- **Train Loss**: 0.72 (3 epochs)
- **Perplexity**: 2.05
- **생성 품질**: 인간 평가 8.5/10
- **추론 속도**: 50 tokens/sec (A100)
#### RAG 시스템
- **검색 정확도**: 92.3% (Top-3)
- **응답 시간**: 1.2초
- **임베딩 모델**: BGE-M3 (1024 dim)
- **벡터 DB**: ChromaDB (50개 문서)
---
## 🐛 문제 해결
### 1. LoRA 학습 중 GPU 메모리 부족 (OOM)
**증상**
RuntimeError: CUDA out of memory. Tried to allocate 2.00 GiB 해결방법 방법 1: Batch Size 줄이기 python# train_lora.py 수정 training_args = TrainingArguments( per_device_train_batch_size=1, # 2→1 gradient_accumulation_steps=16, # 8→16 (동일한 effective batch size 유지) max_length=2560, # 3072→2560 (시퀀스 길이 줄이기) ) 방법 2: Gradient Checkpointing python# 이미 활성화되어 있지만 확인 model.gradient_checkpointing_enable() training_args = TrainingArguments( gradient_checkpointing=True, ) 방법 3: 양자화 사용 python# 4-bit 양자화로 메모리 절약 bnb_config = BitsAndBytesConfig( load_in_4bit=True, bnb_4bit_compute_dtype=torch.bfloat16, )
### 2. RAG 검색 결과가 없음
**증상**
cd 3_knowledge_base python create_kb_from_outlier.py
### 3. Streamlit 대시보드 실행 안 됨
**증상**
ModuleNotFoundError: No module named 'streamlit' 해결방법 bash# Streamlit 재설치 pip uninstall streamlit pip install streamlit plotly
cd 5_dashboard streamlit run dashboard.py --server.port 8501
streamlit run dashboard.py --server.port 8502
**증상: AI 시스템 import 실패**
### 4. LoRA 모델 로드 실패
**증상**
cd 2_model_training python train_lora.py 원인 2: 경로 오류 python# 4_agent_system/utils/config.py 확인 LORA_MODEL_PATH = Path(file).parent.parent.parent / "2_model_training" / "manufacturing_lora_output"
### 5. DeepOD 모델 학습 실패
**증상**
ImportError: cannot import name 'TimesNet' from 'deepod.models.time_series' 해결방법 bash# deepod 재설치 pip uninstall deepod pip install deepod
pip install deepod==0.3.0
python -c "from deepod.models.time_series import TimesNet; print('OK')"
### 6. CUDA 관련 오류
**증상**
RuntimeError: CUDA error: device-side assert triggered 해결방법 bash# CUDA 버전 확인 nvidia-smi nvcc --version
pip uninstall torch pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
python -c "import torch; print(torch.cuda.is_available())"
### 7. LangChain 임포트 에러
**증상**
ImportError: cannot import name 'HuggingFaceEmbeddings' from 'langchain.embeddings' 해결방법 bash# LangChain 서브패키지 설치 pip install langchain-community langchain-core langchain-text-splitters --upgrade
python -c "from langchain_community.embeddings import HuggingFaceEmbeddings; print('OK')"
---
## 📁 프로젝트 구조
manufacturing-ai-agent/ │ ├── README.md # 📖 프로젝트 설명 (이 파일) ├── requirements.txt # 📦 필수 패키지 목록 ├── .gitignore # 🚫 Git 제외 파일 │ ├── dataset_3/ # 🔬 Press 센서 데이터 │ ├── press_data_normal.csv # 정상 운전 데이터 (27,596개) │ └── outlier_data.csv # 이상 데이터 (600개) │ ├── 1_data_generation/ # 📊 STEP 1: 학습 데이터 생성 │ ├── generate_sft.py # SFT 데이터셋 생성기 (CoT + 노이즈) │ └── sft_data/ # [자동 생성] 학습 데이터 │ ├── manufacturing_sft_train.jsonl # JSONL 형식 (100개) │ └── manufacturing_sft_train.json # JSON 형식 (가독성용) │ ├── 2_model_training/ # 🤖 STEP 2 & 3: 모델 학습 │ ├── train_best_2models.py # 이상 탐지 앙상블 학습 │ ├── train_lora.py # LoRA 파인튜닝 │ ├── test.py # LoRA 모델 테스트 │ ├── best_ensemble_2models.pkl # [자동 생성] 앙상블 모델 │ ├── best_timesnet.pkl # [자동 생성] TimesNet │ ├── best_anomalytransformer.pkl # [자동 생성] AnomalyTransformer │ └── manufacturing_lora_output/ # [자동 생성] LoRA 체크포인트 │ ├── adapter_model.safetensors # LoRA 가중치 │ ├── adapter_config.json # LoRA 설정 │ └── training_results.json # 학습 결과 │ ├── 3_knowledge_base/ # 📚 STEP 4: 지식 베이스 │ ├── create_kb_from_outlier.py # Press 이상 이력 KB 생성 │ ├── setup_rag.py # RAG 시스템 구축 │ ├── knowledge_base/ # 문서 저장소 │ │ ├── manuals/ # 📘 설비 매뉴얼 (PDF) │ │ ├── histories/ # 📋 과거 이력 (Markdown, 50개) │ │ ├── sop/ # 📝 표준 작업 절차 │ │ └── troubleshooting/ # 🔧 Trouble Shooting 가이드 │ └── vector_db/ # [자동 생성] ChromaDB │ └── chroma.sqlite3 # 벡터 DB 파일 │ ├── 4_agent_system/ # 🎯 STEP 5: Multi-Agent 시스템 │ ├── main_system.py # 🚀 전체 시스템 통합 실행 │ ├── main_system_backup.py # 백업 (참고용) │ │ │ ├── agents/ # 🤖 5개 AI Agent │ │ ├── init.py │ │ ├── detection_agent.py # 🔍 이상 탐지 (DeepOD) │ │ ├── retrieval_agent.py # 📖 RAG 검색 (ChromaDB) │ │ ├── action_agent.py # 🔧 조치 가이드 (LoRA + CoT) │ │ ├── pm_agent.py # 🛠️ 예방보전 추천 │ │ └── report_agent.py # 📄 8D Report 생성 (LoRA) │ │ │ ├── models/ # 📦 AI 모델 클래스 │ │ ├── anomaly_detector.py # 이상 탐지 모델 (앙상블) │ │ ├── lora_inference.py # LoRA 추론 엔진 │ │ └── rag_system.py # RAG 시스템 (ChromaDB) │ │ │ └── utils/ # 🛠️ 유틸리티 │ ├── config.py # 설정 파일 (경로 등) │ └── state.py # Agent 상태 정의 │ ├── 5_dashboard/ # 🖥️ STEP 6: 웹 대시보드 │ └── dashboard.py # Streamlit 대시보드 │ ├── outputs/ # 📤 실행 결과 출력 │ ├── reports/ # 8D Report (TXT) │ ├── logs/ # 시스템 로그 │ └── results/ # 분석 결과 (JSON) │ ├── anomaly_result_YYYYMMDD_HHMMSS.json │ └── 8D_Report_YYYYMMDD_HHMMSS.txt │ └── docs/ # 📖 문서 ├── architecture.md # 시스템 아키텍처 ├── api_reference.md # API 문서 └── deployment_guide.md # 배포 가이드
Team Autonomy
김지운 (팀장) 조영진
해커톤: 스마트 제조 AI Agent 해커톤 2025
🎓 참고 자료 논문
LoRA: Low-Rank Adaptation of Large Language Models Chain-of-Thought Prompting Elicits Reasoning in Large Language Models Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks DeepOD: Deep Outlier Detection
공식 문서
Qwen2.5 PEFT (Parameter-Efficient Fine-Tuning) LangGraph ChromaDB Streamlit DeepOD
차별화 포인트 ✅ 설명 가능한 AI (XAI)
CoT 추론으로 "왜 이 원인인지" 단계별 설명 현장 작업자도 이해할 수 있는 근거 제시 블랙박스 AI의 한계 극복
✅ 실전 대응력
노이즈 섞인 실제 공장 로그 처리 가능 45% 노이즈 데이터로 학습 다양한 Instruction 패턴 (7종류)
✅ End-to-End 자동화
이상 탐지부터 8D Report까지 완전 자동화 20초 만에 전체 워크플로우 완료 즉시 현장 적용 가능
✅ 확장성 & 범용성
다른 공정/설비로 즉시 적용 가능 모듈화된 Agent 구조 플러그인 방식으로 Agent 추가 가능
✅ 실제 데이터 기반
실제 Press 센서 데이터 사용 27,596개 정상 데이터 + 600개 이상 데이터 현실적인 성능 검증
📈 향후 계획 (Roadmap) Phase 1: 기능 확장 (3개월)
다중 설비 동시 모니터링 실시간 알림 시스템 (Email, SMS, Slack) 대시보드 모바일 최적화 MES/ERP 시스템 연동 API
Phase 2: 성능 개선 (6개월)
LoRA 모델 재학습 (더 많은 데이터) 이상 탐지 정확도 90%+ 목표 RAG 검색 속도 50% 향상 GPU 메모리 최적화 (20GB 이하)
Phase 3: 상용화 (12개월)
클라우드 배포 (AWS/Azure/GCP) On-premise 설치 패키지 고객 맞춤형 학습 파이프라인 기술 지원 및 유지보수 체계
마지막 업데이트: 2024-12-11 버전: 2.0 (CoT + Multi-Agent + RAG + Press Data) 라이선스: MIT