사업계획서 — [고객사] 대중소상생 LG AI 트랙 (고무 양산 12 개월 압출라인 품질 파일럿)

📖 약 124 분 읽기

통합 파일럿 인포그래픽 — 클릭하여 확대·SVG 다운로드

ℹ️ 페이지 정보 (워크스페이스 메타)

본 문서 성격 — Phase E3 통합 파일럿. 가상의 중견 고무·폴리머 양산사 [고객사] 를 대상으로 워크스페이스 자산을 단일 사업계획서로 조립한 통합 테스트 산출물. Phase E1 (패키지 2 중견 스테인리스 냉연 18 개월 풀 인프라) 과 Phase E2 (패키지 5 정밀가공 중소 6 개월 SaaS 경량) 에 이어, 3 번째 도메인 (자동차 부품 고무·폴리머 양산)·12 개월 표준·대중소상생 LG AI 트랙·LG EXAONE 활용·MLO-01 드리프트 첫 적용·RUB 시나리오 첫 다룸 의 5 축 동시 검증. 인용 표기 — 본문 다수는 워크스페이스 기존 자산을 인용한 결과이며, 인용 출처는 각 섹션 말미에 > [출처: 파일명 §섹션] 형태로 명시한다. SCN 부정합 처리는 guide/assembly.md §3 의 (a)·(b)·© 분기 정책에 따른다. 플레이스홀더 범례 — [고객사] 가상 고무·폴리머 중견 양산사, [공정] 대상 공정명, [수치] 수치, [기간] 기간, [%] 비율, [연도] 연도, [사업장] 사업장 위치 (부산·경남 내), [OEM] 자동차 OEM 거래처명.

---

0. 과제 요약 (1 페이지)

항목	내용
과제명	[고객사] 자동차용 고무·폴리머 부품 (압출라인 중심) 품질 최적화 + 불량 보고서 자동 작성 + LG EXAONE 결합 통합 AI 플랫폼 구축
사업 분류	대중소상생 LG AI 트랙 (other/support-programs.md §3) — 대기업 (LG) AI 모델 (EXAONE 등) 활용 중견·중소 과제
사업기간	12 개월 (표준) — guide/duration-compress.md §5.1.B 9 개월 양식에 1 시나리오 추가 + Phase 2 를 7~12 개월로 확장한 12 개월 변형
총 사업비	[수치] 억 원 (정부지원 [%] / 자부담 [%]) — 대중소상생 가이드라인 (대기업 LG + 중견 [고객사] 협력 구조, 재무_예산_산정_가이드.md §2.3)
주관기관	대·중·중소 상생 재단 / LG AI 트랙 운영 주체 (확인 필요)
도입기업	[고객사] (가상의 중견 고무·폴리머 양산사, 부산·경남 [사업장], [OEM] 1 차 협력사)
협력 대기업	LG AI Research / LG EXAONE sLM 활용 — 본 사업의 LLM-03 불량 보고서 자동 작성·5.2-f LLM·RAG 의 온프레미스 sLM 분기에 EXAONE 적용
대상 공정	배합 (밴버리·믹서) → 압출 (extrusion) → 가류 (curing) → 외관 검사
핵심 시나리오	SCN-RUB-01 배합 분산도 예측 (확장) · SCN-RUB-02 압출 라인 치수·표면 실시간 검사·제어 (주력) · SCN-RUB-05 고무 외관 비전 검사 (확장) · SCN-LLM-03 불량 보고서 자동 작성 — EXAONE (확장) · SCN-MLO-01 모델 운영 감시·드리프트 탐지·자동 재학습 (인프라 — 첫 적용)
데이터 성숙도	ICS 기반 부분 (Lv.1~Lv.2) — 압출 PLC·배합 믹서 IoT 일부 수집 중, 가류·외관 검사는 수기 우세
MLOps 성숙도	Lv.0~Lv.1 → Lv.2 (MLO-01 드리프트 직접 적용 — 풀 7 종 중 5 종 도입) — 12 개월 표준에 부합 (guide/duration-compress.md §2 비교 표)
핵심 기대효과	압출 치수 편차 [%] 감소 · 외관 결함 검출률 [%] 향상 · 배합 배치 품질 편차 [%] 감소 · 불량 보고서 작성 시간 [%] 단축 · 모델 평균 수명 [기간] → [기간] 확장

본 사업은 [고객사] 가 보유한 배합 믹서·압출기 PLC 로그·가류 사이클·외관 검사 이력·CAD 도면·SOP·과거 8D 보고서 자산을 대중소상생 LG AI 트랙의 협력 인프라 + LG EXAONE sLM 결합 구조 위에서 통합 운영하는 것을 목표로 한다. 패키지 4 의 18 개월 표준 (RUB-01·02·05 + LLM-03 + MLO-01) 5 시나리오를 12 개월 사업으로 도입하되, 18 개월 표준의 RUB-01 배합 + RUB-05 외관검사 부분을 부분 도입 (1 차 라인 한정·라벨링 외주 대량 동반은 후속) 으로 위치시킨다. 본 사업의 차별성은 (i) EXAONE sLM 결합 — Track 3 §4.3 의 외부 API vs 온프레미스 sLM 하이브리드 라우팅에서 EXAONE 분기를 1 차 적용한 첫 사례, (ii) MLO-01 드리프트 직접 적용 — Phase E1·E2 가 미사용한 MLO-01 을 본 사업의 12 개월 모델 수명 관리 핵심 인프라로 도입, (iii) 자동차 OEM 공급망 정합 — IATF 16949·PPAP·SQA 의 자동차 부품 품질 책임 체계와 정합된 데이터·AI 거버넌스 설계의 3 가지 점에 있다.

본 표 하단 1 문장 주석으로 표기한다 — "본 사업은 18 개월 표준 대비 12 개월 표준 구조로, 후순위 시나리오·인프라 (RUB-01 전수 배합 모니터링·RUB-05 라벨 대량 확장·MLOps 풀 7 종) 는 §6.4 중장기 로드맵에 후속 단계로 명시 분리되어 ROI 가치 사슬이 보존된다." (guide/duration-compress.md §5.3 양식 적용)

[출처: other/support-programs.md §3 대중소상생 (LG · 삼성 · 포스코 AI 트랙); scenario/catalog.md 부록 B 패키지 4 + 부록 D 매칭표; guide/duration-compress.md §4 6 패키지 압축 표 + §5.3 §0 사업비 양식 + §5.1.B 9 개월 양식 → 12 개월 확장 정신 적용; 재무_예산_산정_가이드.md §5.1 §0 과제 요약 양식 + §2.3 대중소상생 (대기업 + 중견) 정부지원 비율]

---

1. 사업 개요 및 추진 배경

1.1 과제명·사업기간·추진 체계 (12 개월 + 대중소상생 + LG EXAONE)

본 사업은 대·중·중소 상생 재단 산하 대중소상생 LG AI 트랙 의 일환으로, 대기업 (LG) 의 AI 플랫폼·EXAONE sLM·기술 인프라를 활용하여 중견 협력사 [고객사] 의 자동차용 고무·폴리머 부품 양산 라인의 품질·생산성·지식자산화를 동시에 끌어올리는 것을 목적으로 한다. 사업기간은 12 개월 표준 구조 로 설계되었으며, 이는 guide/duration-compress.md §5.1 의 마지막 단락 — "12 개월 양식은 본 9 개월 양식에 STL-09 또는 LLM-02 의 1 시나리오를 추가하고 Phase 2 를 7~12 개월로 확장하는 구조" — 의 정신을 본 패키지 4 에 적용한 결과이다. 9 개월 압축 핵심 시나리오 (RUB-02 + LLM-03) 에 RUB-01 배합·RUB-05 외관검사 + MLO-01 드리프트의 3 시나리오를 추가하고 Phase 2 를 7~12 개월로 확장하여 5 시나리오 (RUB-01·02·05 + LLM-03 + MLO-01) 통합 도입을 가능하게 하였다.

추진 체계는 삼각 협력 구조 로 설계된다. (i) 대기업 LG (LG AI Research) — EXAONE sLM 모델 제공·LG AI 플랫폼 (모델 레지스트리·학습 인프라·서빙) 결합·기술 자문, (ii) 도입기업 [고객사] — 수요기업이자 운영 주체로서 배합·압출·가류·외관 검사 데이터 제공·현장 운영·KPI 측정·검증, (iii) 공동수행기관·SI — 5.2-b/c/f AI 엔진 구축·MLO-01 드리프트 인프라 통합·HITL UI 개발·도메인 자문 (고무·폴리머 배합·자동차 부품 품질) 의 삼각 구조이다. 본 구조는 대중소상생 트랙의 "대기업 + 중견 협력사" 표준 모델을 따르며, 본 사업이 자동차 OEM 1 차 협력사 [고객사] 의 [OEM] 공급망 신뢰성 강화로 직결되는 점이 본 사업의 핵심 가치 명제이다. 단계별 검수 게이트는 12 개월 표준 사업의 5 회 (M3·M5·M7·M9·M12) 로 운영되며, 각 게이트의 회귀 절차는 운영위원회 (LG + [고객사] + 외부 감리) 검수로 작동한다.

구분	역할
협력 대기업 LG	EXAONE sLM 모델 제공 + LG AI 플랫폼 결합 + 기술 자문
도입기업 [고객사]	데이터 제공·현장 운영·KPI 측정·검증·자동차 OEM 공급망 정합
공동수행기관·SI	(확인 필요) — AI 엔진 5 종 구축·MLO-01 드리프트 인프라·HITL UI 개발
도메인 자문	(확인 필요) — 고무·폴리머 배합·자동차 부품 품질 (IATF 16949·PPAP)
외부 감리	(확인 필요) — 운영위원회

본 사업의 LG EXAONE 활용은 다음 4 지점에서 명시 적용된다 — (i) §4.3 데이터 유형 에서 EXAONE 의 한국어·도메인 어휘 처리 능력을 8D 보고서·작업표준·MSDS 의 한국어 비정형 데이터 자산화의 핵심 자산으로 위치시킨다. (ii) §5.2-f LLM·RAG 엔진 의 민감도 라우팅에서 영업비밀·고객사 도면·OEM 사양은 EXAONE 으로 분기, 일반 지식 검색은 외부 LLM API 로 분기. (iii) §7.2 Track 3 본문 발췌 에서 EXAONE 활용 방안의 RAG 결합·환각 방지·권한 통제 양상을 구체화한다. (iv) 본 §1.1 의 추진 체계 — LG AI 플랫폼 연계가 본 사업의 핵심 차별 인프라로 작동한다.

[출처: other/support-programs.md §3 대중소상생 (LG · 삼성 · 포스코 AI 트랙); track/track1-index.md §1.1 카드; guide/duration-compress.md §5.1.B 9 개월 양식 → 12 개월 확장 정신 (§5.1 마지막 단락); track/track3-index.md §4.3 외부 API vs 온프레미스 sLM 하이브리드 라우팅 — EXAONE 분기 1 차 적용]

1.2 제조 AI 도입 필요성 (거시 환경)

글로벌 제조업은 저성장·공급과잉·인건비 상승·숙련인력 고령화의 4 중 압력에 직면하고 있으며, 선진국 제조기업은 IoT·CPS·AI 를 결합한 자율 네트워크 제조 체제로 빠르게 전환하고 있다. 국내 제조업은 디지털 전환 (DX) 4 단계 모델 (디지털화 → 공급사슬 통합 → 플랫폼화 → 신사업) 중 다수 기업이 1~2 단계에 머물러 있으며, 특히 부산·경남 자동차 부품 고무·폴리머 양산 클러스터의 중견 사업자는 압출·가류 PLC 데이터를 보유하고 있음에도 그 데이터를 AI 학습·실시간 의사결정의 원재료로 활용하는 단계까지 진입하지 못한 사례가 다수이다. 정부의 스마트공장·대중소상생·디지털 경남·전사적 DX 촉진·클라우드 종합솔루션 등 다층적 지원사업이 제조 AI 의 도입 가속을 유도하고 있으며, 본 사업은 대중소상생 LG AI 트랙과 정합한다.

이러한 거시 흐름 위에 2022 년 1 월 시행된 중대재해처벌법 은 사업장에서 사망·중상해 등 중대산업재해가 발생한 경우 사업주와 경영책임자에게 직접적인 형사책임을 부과할 수 있도록 규정하고 있으며, 2024 년 1 월 5 인 이상 사업장으로의 적용 범위 확대와 관련 판례 누적을 거치며 제조 현장의 안전보건 체계 수준을 사실상 경영 최상위 리스크 로 끌어올렸다. 아울러 산업안전보건법 전부 개정, 화학물질관리법 (화관법)·화학물질의 등록 및 평가 등에 관한 법률 (화평법) 의 지속적 강화, 한국산업안전보건공단 (KOSHA) 안전보건경영시스템 등급 공시 확대 등으로 인해, 제조기업의 안전 관리 수준은 더 이상 형식적 점검 서류로 입증될 수 없으며 데이터·로그 기반 상시 증빙 체계 로의 전환이 불가피하다. 고무·폴리머 양산은 가류 (curing) 의 고온 (160~200 ℃)·배합 (mixing) 의 카본블랙·가소제·가류촉진제 등 화학물질 상시 취급·압출기의 고압·고열 환경이 결합되는 업종이므로 화관법·화평법·중대재해법 적용 강도가 일반 제조업 평균보다 높다. 본 사업의 1 차 범위는 품질 AI 시나리오에 집중되나, 본 사업으로 구축되는 데이터 인프라·통합 UI 는 후속 안전 AI (SCN-SAF-01)·MSDS RAG (SCN-SAF-03) 도입 시 그대로 재활용 가능한 기반 자산으로 작동한다.

[출처: track/track1-index.md §1.2 카드; module/safety.md BLK-SAF-A 거시환경 — 발췌·요약 (안전 시나리오 후순위라 깊이는 얕게); module/safety.md BLK-SAF-B 부산·경남 제조업 (고무·폴리머 업종) 대체 문구 옵션 적용; other/support-programs.md §3]

1.3 자동차 부품 (고무·폴리머) 산업의 디지털 전환 당위성 (3 번째 업종)

자동차 부품 고무·폴리머 산업은 자동차 OEM 의 다품종 소량 생산 압력·전기차 전환에 따른 신규 부품 수요 (배터리 실링·진동 절연·고무 호스 등)·SQA (Supplier Quality Audit)·PPAP (Production Part Approval Process)·IATF 16949 변경관리 요구가 동시에 강화되는 환경에 놓여 있다. 호스·실링·진동 절연·범퍼 부속·웨더스트립 등의 가공 결과는 배합 분산도 (믹서 토크·전력·온도)·압출 조건 (스크류 회전수·인출 속도·다이 온도)·가류 사이클 (시간·온도·압력)·소재 편차 (천연/합성 고무 비율·충전제 함량) 등 다변수 상호작용에 의해 결정되며, 단일 변수 통제만으로는 안정적인 품질을 확보하기 어려운 수준에 도달했다. 특히 부산·경남 자동차 부품 고무·폴리머 클러스터의 중견사들은 [OEM] 등 대형 OEM 의 1 차 협력사로서 불량률 ppm 수준 관리·출하 검사 추적성·8D 보고서 응대 시간 의 3 중 압력을 직접 받아내야 하나, 그 대응을 위한 데이터 인프라가 부재하거나 분산된 사례가 다수이다.

특히 고무·폴리머 양산 공정은 다음과 같은 도메인 특수성을 갖는다. 첫째, 배합 (Banbury·Mixer) 단계에서 카본블랙·가소제·가류촉진제·천연/합성 고무의 분산이 균일하지 않으면 후속 공정 (압출·가류) 에서 치수 편차·외관 결함·물성 저하로 전이되며, 그 진단의 상당 부분이 작업자의 청각·촉각·믹서 토크 곡선 육안 판독에 의존하고 있다. 둘째, 압출 (Extrusion) 라인은 호스·프로파일의 외경·두께가 설정값과 실제 측정값 사이에서 [%] 수준의 편차를 보이며, 작업자 수동 보정이 사실상 모든 라인에 일상적으로 작동하나 작업자 부재 시 즉각적 품질 산포가 발생한다. 셋째, 가류 (Curing) 사이클은 배합·형상·몰드 온도에 따른 최적 시간이 경험 의존이며, 과가류·미가류 모두 인장강도·신율 등 물성 저하로 직결된다. 넷째, 외관 검사 는 검은 고무 표면의 크랙·이물·기포·플로우 라인 (flow line) 의 육안 검출이 검사원 피로·조명·각도에 따라 편차를 보이며, 야간·교대 시 불량 누락이 빈번하다. 다섯째, 불량 발생 시 8D·5Why 보고서 작성은 QA 담당자의 수시간 단위 작업이며, 과거 유사 사례 검색·검사 결과 인용·증빙 자료 정리가 분산 보관 자산으로 인해 시간 비용이 누적된다.

이러한 도메인 특수성은 [고객사] 와 같은 자동차 부품 고무·폴리머 중견사가 다음 단계로 도약하기 위한 AI 기반 배합·압출·가류·검사·보고서 통합 지능화 를 사실상 필수적 과제로 만들고 있다. 다만 자동차 OEM 의 SQA·PPAP 변경관리 요구상 모델 카드·리니지·드리프트 모니터링 이 인증 체계의 일부로 요구되며, 따라서 본 사업은 단순 AI 도입을 넘어 MLO-01 드리프트 + IATF 16949 변경관리 정합 의 운영 거버넌스 구축이 1 차 단계의 핵심 산출물이다. 본 사업이 채택한 12 개월 + 대중소상생 LG AI 트랙 + EXAONE 결합 모델은 그 현실 제약과 OEM 공급망 정합성에 부합하는 도입 경로로 작동한다.

[본 섹션은 새로 작성됨 — 자동차 부품 고무·폴리머 도메인 특화. 골격은 track/track1-index.md §1.3 카드. Phase E1 의 철강 도메인·Phase E2 의 정밀가공 도메인을 자동차 부품 고무·폴리머로 교체 — 3 번째 도메인 일반성 검증.]

1.4 [고객사] 현황 요약 및 핵심 문제의식

[고객사] 는 부산·경남권 [사업장] 에 본사·공장을 두고 자동차용 고무·폴리머 부품 — 호스 (라디에이터·연료·냉각수)·실링 (도어·트렁크·엔진 가스킷)·진동 절연 (엔진 마운트·서스펜션 부쉬)·범퍼 부속·웨더스트립 등을 양산하는 중견 제조기업이다. [연도] 대 초 천연 고무 가공으로 출발하여 [연도] 대 합성 고무·폴리머 복합 라인으로 확장하였고, [연도] 대 후반 자동차 OEM 1 차 협력사로 인증되며 IATF 16949·ISO 9001·ISO 14001 을 보유하였다. 현재 배합 라인 (밴버리·믹서 [수치] 식)·압출 라인 ([수치] 식)·가류 라인 (오븐·프레스 가류 [수치] 식)·외관 검사 (수동·반자동 [수치] 식) 의 통합 양산 체계를 운영하고 있으며, 주요 고객은 [OEM] 등 국내 자동차 OEM 다수와 EU·미국 OEM 일부이다.

스마트공장 수준은 중간 1~중간 2 (ICS·MES Lv.1~Lv.2) 에 해당하며, MES 는 작업지시·생산실적·로트 관리까지 운영되고, 압출·배합 PLC 로그는 일부 시계열 DB 에 적재되고 있으나 가류 사이클·외관 검사 결과는 수기·Excel·검사 SW 로컬 저장 형태로 분산되어 있다. CAD 도면·SOP·과거 8D·5Why 보고서·MSDS 자산은 부서별 공유 폴더와 인쇄물 형태로 [수치] 만 건 규모이며, 검색·재활용에 [기간] 단위의 시간이 소요된다. 데이터를 "보유" 하고 있음에도 불구하고 그 데이터가 AI 학습·실시간 의사결정의 원재료로 기능하지 못하는 구조적 단절 상태이다.

[고객사] 가 직면한 5 가지 구조적 문제는 다음과 같이 요약된다.

• 배합 분산도 진단의 인적 의존 — 밴버리·믹서의 토크·전력·온도 커브 판독이 작업자 청각·촉각·육안 + 시간 주기 종료 방식에 의존하며, 분산 불량 발생 시 후속 압출·가류 단계에서 비로소 발견되어 배치 단위 폐기·재작업 비용이 누적된다. 베테랑 배합사의 진단 노하우는 형식지화되지 못한 상태이다.
• 압출 라인의 실시간 치수·표면 편차 — 호스·프로파일의 외경·두께가 ±[%] 수준의 편차를 보이며, 작업자 수동 보정에 의존한다. 출측 1 개소의 사후 검사로는 중간 발견·즉각 조정이 불가능하여 라인 단위 이탈 길이가 누적된다. 외관 결함 (표면 크랙·이물·기포) 도 라인스캔 단계에서 자동 감지되지 못한다.
• 가류 사이클의 경험 의존 + 외관 검사의 검사원 피로 — 배합·형상별 최적 가류 시간이 경험 의존이며 과가류·미가류 모두 물성 저하로 직결된다. 외관 검사는 검은 고무 표면의 미세 결함 육안 검출이 검사원 피로·조명·각도에 따라 편차를 보여 야간·교대 시 불량 누락 빈번.
• 8D·5Why 불량 보고서 작성 부담 — OEM 클레임·내부 불량 발생 시 QA 담당자가 8D·5Why 보고서를 작성하는 데 수시간 소요. 과거 유사 사례 검색·검사 결과 인용·증빙 자료 정리가 분산 보관 자산으로 인해 시간 비용이 누적된다. 보고서 품질은 담당자 숙련도에 따라 편차가 크다.
• 모델 운영 후 성능 저하 추적 부재 — [고객사] 는 본 사업 이전에도 부분적 AI 시범 도입 (배합 분산도 베이스라인 모델) 을 시도하였으나, 원재료 공급사 변경·계절 변화·신규 부품 도입 시 모델 성능이 추적·재학습되지 못하고 자연 노후화되어 폐기되는 구조적 한계가 누적되었다.

본 사업이 해결하고자 하는 핵심 과제는 한 줄로 다음과 같이 요약된다.

[고객사] 의 분산 보관된 배합·압출·가류·외관 검사·8D 보고서·MSDS 자산을 대중소상생 LG AI 트랙 인프라 + LG EXAONE sLM 결합 구조 위에서 통합 활용하여, 압출 라인 품질 최적화를 핵심 차별점으로 하는 5 시나리오 통합 도입을 12 개월에 완성하고, MLO-01 드리프트 인프라로 모델 수명을 OEM 변경관리 체계와 정합하게 운영하며, 자동차 부품 1 차 협력사로서 [OEM] 공급망 신뢰성을 강화한다.

[본 섹션은 새로 작성됨 — 가상 [고객사] 자동차 부품 고무·폴리머 중견 양산사 프로필 (화승알엔에이급); scenario/catalog.md 부록 B 패키지 4 의 시나리오 군과 정합]

---

2. 기업 현황 및 대상 공정 분석

2.1 [고객사] 개요 (자동차 OEM 1 차 협력사 가정)

항목	내용
기업명	[고객사]
대표자	[대표자명]
소재지	부산·경남 [사업장]
업종코드	(확인 필요 — 자동차 부품 고무·폴리머 양산)
주생산품	자동차용 고무 호스·실링·진동 절연·범퍼 부속·웨더스트립
종업원수	[수치] 명 (생산직 [수치] 명 / 사무·기술직 [수치] 명) — 중견 규모
최근 3 개년 매출	[수치] 억 원 / [수치] 억 원 / [수치] 억 원
최근 3 개년 영업이익	[수치] 억 원 / [수치] 억 원 / [수치] 억 원
최근 3 개년 수출액	[수치] 억 원 ([%] 수준 — EU·미국 OEM 일부, CBAM·CCA 부분 영향)
부채비율	[%]
주요 인증	ISO 9001 · IATF 16949 · ISO 14001 · (확인 필요)
자동차 OEM 거래처	[OEM] 등 국내 OEM 다수 + EU·미국 OEM 일부
스마트공장 지원 이력	[연도] 기초 사업 + [연도] 부분 ICS 도입 (확인 필요)
본사 / 공장 전경	(사진 첨부)

[고객사] 는 부산·경남 자동차 부품 클러스터 내 자리매김한 중견 사업자로, 자동차 OEM 의 다양한 고무·폴리머 부품군을 공급하고 있다. 최근 3 개년 매출은 글로벌 자동차 산업의 전기차 전환 추세 (배터리 실링·진동 절연 신규 수요)·내연기관 부품 수요 감소의 양면 영향을 받았으며, 영업이익률은 자동차 부품 고무·폴리머 업의 일반 범위 내에서 변동하고 있다. 본 사업의 도입 시점에 부채비율은 [%] 로 대중소상생 LG AI 트랙의 자부담 여력을 확보하고 있다. 수출 비중은 EU·미국 OEM 일부 ([%] 수준) 가 있어 CBAM 직접 영향이 부분적으로 존재하나, 본 사업의 1 차 범위에서는 CBAM 모듈을 별첨 간단 인용으로 제한하고 본문 통합은 수출 비중 확대 시점으로 후속 위임한다.

[본 섹션은 새로 작성됨 — 가상 [고객사] 프로필 (화승알엔에이급). 모든 수치 플레이스홀더; 골격은 track/track1-index.md §2.1 서식 + 재무_예산_산정_가이드.md §2.3 중견 + 대중소상생 가이드라인 적용]

2.2 대상 공정 (배합·압출·가류·외관 검사 — 고무 도메인 특화)

본 사업의 대상 공정은 [고객사] 의 핵심 양산 라인인 배합 (Banbury·Mixer) → 압출 (Extrusion) → 가류 (Curing) → 외관 검사 의 직렬 흐름이다. 전체 제조 플로우는 원재료 (천연/합성 고무·카본블랙·가소제·가류촉진제·노화방지제 등) 입고·검사 → 배합 (1 차·2 차 믹싱) → 시트화·예열 → 압출 (호스·프로파일 성형) → 가류 (오븐·프레스 사이클) → 후가공 (재단·접착) → 외관 검사 → 출하 검사 → 출하 의 직렬 흐름을 기본으로 하되, 부품 형상·재질 등급에 따라 다중 공정 분기가 발생한다.

공정 단계	핵심 변수	출력 품질 변수	측정·기록 도구
원재료 입고 검사	고무 비율·충전제 함량·MSDS 적합성	입고 적합 판정	화학분석기·간이 점도계
배합 (Banbury·Mixer)	투입 순서·믹서 회전수·온도·시간·전력·토크	분산도·무니 점도·배치 균일성	믹서 PLC (전력·토크·온도 커브)·사후 점도 측정
시트화·예열	시트 두께·예열 온도·시간	압출 입측 균일성	두께 게이지·열전대
압출 (Extrusion)	스크류 회전수·인출 속도·다이 온도·압력	외경·두께·표면조도·결함	압출기 PLC·레이저 치수계·라인스캔 카메라
가류 (Curing)	사이클 시간·온도·압력·몰드 형상	가류도·인장강도·신율·경도	가류기 사이클 로그·사후 물성 시험
후가공·외관 검사	절단 정밀도·접착·표면 결함 검사	표면 크랙·이물·기포·플로우 라인	다각도 카메라·검사원 시각·자동 비전 (도입 후)
출하 검사	외관·치수·기능 시험 (인장·신율)	최종 합격 판정	인장 시험기·치수 게이지

본 공정은 [고객사] 가 보유한 국제 인증 IATF 16949 (자동차 부품 공급망 요구) · ISO 9001 · ISO 14001 의 적용 범위 안에 있으며, 자동차 OEM 향 공급에는 고객 SQA·PPAP 의 변경관리·추적성·통계적 공정관리 (SPC) 요구가 추가된다. 본 사업이 구축하는 AI 엔진은 이들 인증 체계의 변경관리 절차에 정합하도록 모델 카드·리니지·드리프트 임계 변경 기록·승인 워크플로우를 자동 보존하도록 설계되며, 이는 본 사업이 MLO-01 드리프트를 1 차 인프라로 채택한 직접 근거이다.

핵심 변수가 단일이 아닌 다변수·다단계 상호작용 구조라는 점이 본 공정의 본질적 복잡성이다. 예컨대 배합 단계의 분산 불량은 압출 단계에서 외경 편차로 전이되고, 압출 외경 편차는 가류 단계의 열 전달 불균일로 전이되며, 가류 불량은 외관 검사·출하 검사에서 비로소 감지되는 식이다. 단일 변수 최적화로는 설명 불가능한 이러한 상호작용 구조가 본 사업이 5 시나리오 결합 패키지 (RUB-01 → RUB-02 → RUB-05 → LLM-03 + MLO-01) 로 구성된 근본 이유이며, 시너지 ROI 모델 §6.4 패키지 4 의 "외관검사 라벨의 재사용성·KPI 상호보강 시너지" 가 1 차적으로 발현되는 영역이다.

[본 섹션은 새로 작성됨 — 자동차 부품 고무·폴리머 양산 도메인 일반 설명. 골격은 track/track1-index.md §2.2; 변수·인증 항목은 일반 도메인 지식; 참고 PDF 화승알엔에이 사업계획서의 공정 흐름 구조와 정합]

2.3 기존 ICS·MES 이력 (Lv.1~Lv.2 가정)

본 사업은 [고객사] 가 단계적으로 구축해 온 ERP·MES·압출 PLC·배합 믹서 IoT·검사기 자산 위에 대중소상생 LG AI 트랙 인프라 + LG EXAONE 결합 AI 레이어 를 추가하는 성격이며, [고객사] 의 IT 성숙도가 ICS·MES Lv.1~Lv.2 수준에 위치하는 점이 본 사업의 12 개월 표준 도입 모델 채택의 직접적 근거이다. 연도별 주요 구축 마일스톤은 다음과 같다 — Phase E1 의 중견 냉연사 (ICS·MES Lv.2) 와 유사한 단계, Phase E2 의 정밀가공 중소사 (Lv.0~Lv.1) 보다는 진전된 단계.

연도	구축 시스템	비고
[연도]	ERP 1 차 도입 (수주·재무·생산실적)	일반 ERP — MES 연동은 제한적
[연도]	MES 도입 (작업지시·생산실적·로트 관리)	정형 MES 운영 시작
[연도]	압출 라인 PLC 로그 시계열 적재	부분 — 일부 라인 한정, 통합 분석 인프라 부재
[연도]	배합 믹서 IoT 게이트웨이 도입	토크·전력·온도 커브 수집 시작
[연도]	가류기 사이클 로그 PC 적재	수기 + PC 로컬 — 통합 미완
[연도]	외관 검사 SW 도입 (검사원 입력)	PC 로컬 저장, MES 연동 없음
[연도]	부분 AI 시범 도입 (배합 분산도 베이스라인)	단발 모델, 운영 후 자연 노후화

현재 [고객사] 의 스마트공장 수준은 정부 스마트공장 수준진단 기준으로 중간 1~중간 2 에 해당하며, ICS·MES 데이터의 누적은 부분적 Lv.2 단계 에 머물러 있다 (압출·배합은 Lv.2, 가류·외관 검사는 Lv.1). 이는 12 개월 표준 사업 도입에 정합한 수준이다. 본 사업은 이를 Lv.1~Lv.2 → Lv.2+ (5 시나리오 통합 + MLO-01 드리프트 인프라) 로 끌어올리는 1 차 단계 도입으로 위치시킨다. 본 사업 완료 시점의 목표 수준은 다음과 같다.

• 배합·압출·가류·외관 검사·8D 보고서·MSDS 자산이 LG AI 플랫폼 단일 데이터레이크 에 통합 적재 (Lv.2 완성)
• AI 추론 5 종이 단일 통합 UI 화면에서 작업자·검사원·QA 의사결정을 보조 (Lv.2+)
• 5 시나리오의 운영 성능이 모니터링·드리프트 감시·자동 재학습·챔피언·챌린저 검증·피드백 루프에 들어가 있음 (MLOps Lv.2 — 풀 7 종 중 5 종 도입, Track 2 §4.2 의 7 종 중 모델 레지스트리·피쳐 스토어·학습 파이프라인·서빙·모니터링·피드백 6 종 중 거버넌스 풀 도입은 후속 위임)

[본 섹션은 새로 작성됨 — 가상 [고객사] 마일스톤; 골격은 track/track1-index.md §2.3. Phase E1 의 중견 냉연사 Lv.2 + Phase E2 의 중소사 Lv.0~1 의 중간 단계인 Lv.1~Lv.2 로 위치시킴.]

2.4 데이터 보유 현황 (배합·압출 시계열 + 외관 이미지 + 가류 사이클 + 검사 이력)

본 사업의 AI 학습·추론을 뒷받침하는 데이터 자산은 시계열·정형 DB·이미지·비정형 문서의 4 개 카테고리로 분류된다. 각 카테고리의 보유 규모·수집 주기·구축 위치·AI 도입 대상 여부는 다음과 같다 — Phase E1 의 중견 냉연사 데이터 매트릭스 대비 절대 규모는 유사하나 카테고리 분포가 자동차 부품 고무·폴리머 도메인에 특화되어 있다.

데이터 카테고리	세부 구분	수집 주기	누적 규모	구축 위치	본 사업 활용 시나리오
시계열 센서 데이터	배합 믹서 PLC (토크·전력·온도·회전수)	1~10 Hz	[수치] GB / 일	IoT 게이트웨이·시계열 DB	RUB-01
시계열 센서 데이터	압출 라인 PLC (스크류 회전수·인출 속도·다이 온도·압력)	1~10 Hz	[수치] GB / 일	시계열 DB	RUB-02
시계열 센서 데이터	가류기 사이클 (시간·온도·압력)	사이클별	[수치] MB / 일	PC 로컬 → 본 사업 통합	RUB-02 (간접)·RUB-05 (간접)
정형 DB	MES 작업지시·생산실적·로트·SQA·PPAP 변경 이력	이벤트	[수치] 만 건	RDB	전 시나리오
정형 DB	사후 물성 시험 결과 (인장·신율·경도·점도)	배치별	[수치] 만 건	시험실 SW + 수기	RUB-01·02·05 (라벨)
이미지·치수	압출 라인 라인스캔 + 레이저 치수계	부품별	[수치] TB	라인 PC → 본 사업 Object Storage	RUB-02 (직접)
이미지·치수	외관 검사 다각도 이미지 + 검사 이력	부품별	[수치] TB	검사 SW PC	RUB-05 (직접)
비정형 문서	배합표·작업표준·SOP (HWP/PDF/Excel 혼재)	비정기	[수치] 건	공유 폴더·인쇄물	LLM-03 (보조)·후속 LLM-01
비정형 문서	과거 8D·5Why 보고서·OEM 클레임 응대 이력	비정기	[수치] 건	공유 폴더	LLM-03 (직접 활용)
비정형 문서	MSDS·화관법·화평법 문서	비정기	[수치] 건	공유 폴더 + 인쇄물	LLM-03 (보조)·후속 SAF-03
비정형 문서	CAD 도면·금형 설계 (DWG·STEP)	비정기	[수치] 건	공유 폴더	후속 LLM-04

데이터 카테고리별 품질 상태는 다음과 같이 진단된다. 압출·배합 PLC 로그는 시계열 DB 에 적재되어 AI 학습 가능 수준이며, 가류 사이클은 PC 로컬에서 본 사업의 LG AI 플랫폼 데이터레이크로 통합 적재된다. 외관 검사 이미지는 검사 SW PC 에 다각도 이미지가 누적되어 RUB-05 비전 학습에 충분한 양이며, 라벨 (정상·결함 유형·등급) 은 1 차 검사원 입력 + 본 사업의 라벨링 외주 보강을 통해 학습셋으로 정제된다. 8D·5Why 보고서·MSDS 자산은 본 사업의 1 차 직접 자산 (LLM-03 불량 보고서 자동 작성 — EXAONE) 으로 위치하며, 한국어 비정형 문서의 청킹·임베딩·EXAONE 활용이 핵심 작업이다. 본 사업의 데이터 카테고리는 LG AI 플랫폼 단일 데이터레이크로 통합되어, 시나리오 간 결합 분석 (RUB-01 분산도 → RUB-02 압출 편차 → RUB-05 외관 결함의 인과 추적·LLM-03 보고서 자동 결합) 가능 구조를 확보한다.

[본 섹션은 새로 작성됨 — 데이터 매트릭스; 골격은 track/track1-index.md §2.4 표 골격. 자동차 부품 고무·폴리머 도메인 + 대중소상생 LG AI 플랫폼 적재 + EXAONE 결합 강조.]

---

3. 현황 및 문제점 (AS-IS)

📋 §3.1 공정 운영의 인적 의존성 및 암묵지 리스크 (사업계획서 paste 가능)

[고객사] 의 [공정] 은 다년간 누적된 현장 경험을 바탕으로 운영되어 왔으며, 그 결과 핵심 공정설계·운전 판단의 상당 부분이 [수치] 명 내외의 베테랑 숙련공이 보유한 암묵지에 의존하는 구조가 형성되어 있다. 신규 주문 접수 시 모관 선정·패스 횟수·열처리 조건·압하율 등 [수치] 종 이상의 변수가 동시에 결정되어야 하나, 그 의사결정의 근거는 문서화된 매뉴얼이 아닌 개별 작업자의 머릿속 경험치이며, 일부 핵심 공정은 [기간] 이상의 현장 경력자가 부재할 경우 동일 품질의 결과를 재현하기 어려운 것이 현실이다. 이러한 운영 구조는 평시에는 안정적으로 보이지만, 정년 퇴직·이직·장기 부재 등 단 한 명의 인적 변동만으로도 공정 역량이 즉각 마비될 수 있다는 점에서 구조적 리스크를 내포한다.

또한 동일 사양의 주문이라 하더라도 작업자별 숙련도 차이로 인해 설계 편차가 ±[수치]% 수준으로 발생하고 있으며, 그 결과 후속 공정의 작업 부하·품질 산포·재작업률에까지 연쇄적인 영향을 미치고 있다. 작업자 간 판단 기준의 차이는 단순한 개인차의 문제가 아니라, 공정 노하우가 수식화·표준화되지 않은 상태에서 Excel 시트와 수기 메모를 통해 파편적으로 관리되는 데에 그 근본 원인이 있다. 이로 인해 동일 작업자라도 시점에 따라 판단이 흔들리며, 신입·중간 숙련자에 대한 체계적 교육 자산이 부재한 상태에서 도제식 전수에만 의존하는 한계가 누적되어 왔다.

요컨대 [고객사] 의 현행 운영 구조는 ① 1~[수치] 명의 베테랑 의존, ② 핵심 인력 이탈 시 즉각적 공정 마비 가능성, ③ 작업자 간 ±[수치]% 수준의 설계 편차, ④ 수식화된 매뉴얼 부재로 인한 재현성 결여라는 네 가지 구조적 리스크를 동시에 안고 있으며, 이는 [공정] 의 고도화·다품종 소량화 추세와 결합되어 시간이 지날수록 더욱 심화되는 양상을 보인다. 본 사업이 추구하는 AI 기반 공정설계·운영 지능화 (SCN-RUB-01 배합 분산도 예측, SCN-RUB-02 압출 라인 치수·표면 실시간 검사·제어 등 참조) 는 이러한 암묵지를 형식지로 전환하여 조직 자산화함으로써, 인적 의존성에 기인한 구조적 리스크를 근본적으로 해소하는 데 그 일차적 목적이 있다. [고객사] 특화 — 본 사업장에서는 배합 분산도 진단 (밴버리·믹서 토크 곡선 판독)·압출 라인 치수 보정 (작업자 수동 조정)·가류 사이클 종료 판단의 3 개 영역이 베테랑 의존이 가장 큰 영역으로 식별되어 우선 형식지화 대상으로 선정되었다.

[출처: track/track1-top5.md §3.1 (BLK-T1-3.1) — 본문 그대로 인용 + [고객사] 특화 1 문장 추가. SCN 부정합 처리 — guide/assembly.md §3.3 분기 (b) 적용 — 인용 본문 말미의 SCN-STL-07·MET-05 를 본 사업의 SCN-RUB-01·RUB-02 로 치환 (인용성 미세 손상, 사업 범위 정합성 우선). Phase E1·E2 의 §3.1 처리와 동일 패턴.]

📋 §3.2 데이터 단절 및 비정형·이미지 기반 관리의 한계 (배합표·작업표준·외관 검사 이력 분산) (사업계획서 paste 가능)

[고객사] 는 원재료 입고부터 최종 출하에 이르는 전 공정에서 상당량의 운영 데이터를 생성하고 있으나, 그 데이터의 상당 부분이 비정형·이미지·수기 양식으로 보관되어 있어 학습·분석·실시간 의사결정에 즉각적으로 활용하기 어려운 상태이다. 특히 입고 원재료의 화학성분·기계적 성질을 기재한 밀시트·성적서는 공급사별로 [수치] 종 이상의 상이한 양식으로 PDF 또는 스캔 이미지 형태로만 보관되며, 그 결과 MES·QMS 와 같은 정형 시스템의 입고대장과 자동 연동되지 못하고 실무자의 수기 입력에 의존하는 운영이 고착되어 있다. 수기 입력은 건당 [수치] 분 내외의 처리 시간을 요구하면서도 [수치]% 수준의 휴먼 에러율을 동반하며, 이는 누적적으로 데이터 신뢰도를 저하시키는 주요 원인으로 작용하고 있다.

데이터 단절의 문제는 단순한 입력 효율의 문제에 그치지 않는다. 공급사·공정·작업자별로 양식이 제각각이라는 사실은 곧 데이터 표준화의 원천이 차단되어 있음을 의미하며, 이로 인해 원재료 물성치와 가공 결과 간 상관관계 분석, 불량 발생 시 Heat No.·LOT No. 기반 역추적, 공정 파라미터와 최종 품질 간 관계 모델링이 모두 사실상 불가능한 상태에 머물러 있다. 동일한 문제는 공정설계서·작업표준서·교대 인수인계 일지·검사 기록지 등 현장에서 일상적으로 생성되는 문서 자산 전반에 걸쳐 나타나고 있으며, 이들 문서는 폴더·파일 단위로 산재되어 있어 검색·재활용에도 [기간] 단위의 시간이 소요되고 있다.

결과적으로 [고객사] 는 데이터를 "보유" 하고 있음에도 불구하고 그 데이터가 AI 학습과 실시간 의사결정의 원재료로 기능하지 못하는 구조적 단절 상태에 있으며, 이러한 단절은 ① 비정형·이미지 자산의 디지털화 부재, ② 양식의 비표준성, ③ MES·QMS 와의 자동 연동 부재, ④ 휴먼 에러 누적이라는 네 축으로 구조화된다. 본 사업은 LG AI 플랫폼 단일 데이터레이크 적재 + 비정형 문서 지식자산화 (SCN-LLM-03 불량 보고서 자동 작성 — EXAONE 결합 한정) 와 결합된 데이터 정형화 체계를 구축함으로써 이 단절을 해소하고, 후속 4 장의 AI 도입 전략이 실효적으로 작동할 수 있는 데이터 기반을 마련하고자 한다. 단, LLM-01 SOP RAG·LLM-04 도면 RAG·SAF-03 MSDS RAG 는 본 사업의 1 차 범위 밖이며 §6.4 후속 로드맵의 단계 1·2 에 위치한다 — LLM-03 불량 보고서 (EXAONE 결합) 우선 도입 후 후속 단계에서 SOP·도면·MSDS RAG 확장이 자연스러운 진화 경로이다.

[출처: track/track1-top5.md §3.2 (BLK-T1-3.2) — 본문 그대로 인용. SCN 부정합 처리 — guide/assembly.md §3.3 분기 © 적용 — 인용 본문 내 SCN-STL-08·LLM-01·LLM-04 중 본 사업은 LLM-03 한정. LLM-01·LLM-04·SAF-03 후속 로드맵 위임 1 문장 부가. Mermaid 의 비정형 원천은 자동차 부품 고무 양산 맥락 (배합표·8D 보고서·MSDS·외관 검사 이미지) 으로 일부 교체.]

📋 §3.3 품질 편차·불량 추적 부재 (압출 치수 편차·외관 결함 사후 발견) (사업계획서 paste 가능)

본 사업의 대상 공정인 자동차 부품 고무·폴리머 양산의 품질 편차는 단순한 작업자 숙련도 차이를 넘어, 배합 분산도 - 압출 조건 - 가류 사이클 - 외관 검사 - 출하 검사 의 다단계 상호작용에서 비롯되며, 그 인과를 사후적으로 추적하기 위한 데이터 기반이 부재한 상태이다. 완제품에서 외경·두께 이탈·표면 결함·물성 미달 등 불량이 발생하는 경우, 이는 통상 외관 검사·출하 검사·OEM 인수 검사·필드 클레임의 4 개 시점 중 어느 단계에서 비로소 발견되며, 발견 시점에서는 이미 해당 부품의 가공 시점 압출 PLC 로그·가류 사이클 로그·배합 이력·소재 입고 정보 등 누적 데이터의 상관관계를 인과 추적하는 데에 [기간] 단위의 시간이 소요되거나, 데이터 보관 한계로 인해 규명 자체가 좌절되는 경우가 발생한다.

특히 자동차 부품 고무·폴리머 영역에서는 호스 외경 편차 ±[수치] mm·표면 결함 [수치] 등급 이상의 편차가 발생하더라도 그 원인이 특정 배합 배치의 분산 불량이었는지, 압출 라인 다이 온도 변동이었는지, 가류 사이클의 미세 셋업 차이였는지를 데이터 단일 출처에서 즉시 식별할 수 있는 체계가 부재하다. 외관 검사 이미지는 검사 SW PC 에 적재되고 있으나, 압출·배합 PLC 로그·MES 작업지시 정보 간 자동 연동이 미비하여 사후 회귀 분석에 활용되지 못하고 있다. 그 결과 동일 유형의 불량이 분기·반기 단위로 반복 발생하면서도 그 패턴을 정량적으로 추적·예방하지 못하는 구조적 한계가 누적되어 왔다. 이는 곧 재작업률 [수치]%, OEM 클레임 응대 비용, 그리고 IATF 16949·PPAP 변경관리 감사 시 추적성 입증의 부담으로 직결된다. 자동차 부품 1 차 협력사로서 [OEM] 의 ppm 수준 품질 책임을 직접 감당해야 하는 [고객사] 에게 본 추적성 부재는 단일 사업의 한계를 넘어 OEM 공급망 신뢰성의 구조적 리스크로 귀결된다.

[출처: track/track1-index.md §3.3 카드 요지 + 자동차 부품 고무·폴리머 양산·OEM 공급망·IATF 16949 도메인 맥락 새로 작성]

📋 §3.4 실시간 운영 공백 (HMI 알람 분리·종이 일보) (사업계획서 paste 가능)

[고객사] 사업장의 현행 일별 운영 보고는 종이 일보·작업조 인계록·익일 아침 회의 구조에 의존하고 있어, 경영진 또는 생산관리 부서가 실시간으로 라인 상태·KPI·이상 징후를 파악할 수 있는 체계가 부재하다. 압출·배합 PLC 로그는 시계열 DB 에 적재되고 있으나 이는 사후 백업용 저장소의 성격에 머물러 있고, 작업자 HMI 화면에서 즉시 활용할 수 있는 실시간 인사이트 형태로는 가공되지 못하고 있다. 가류기 사이클·외관 검사 결과의 알람은 라인별·검사실별로 분리되어 있어 통합 가시화가 불가능하다. 그 결과 영업-생산-품질-QA 간 정보 비대칭이 누적되어, OEM 의 납기 변경·긴급 추가 주문·8D 응대 시 의사결정이 지연되거나, 압출 라인의 미세 치수 편차가 작업자 수동 조정의 결과로만 인지되어 정량적 추적이 불가능하다.

또한 현행 안전 관리 체계는 정기 점검표·순회 점검일지·TBM (Tool Box Meeting) 기록 등 주로 사후 서류 중심 으로 운영되고 있어, 가류로 고온·배합 화학물질 폭로·압출기 협착 위험·근로자 건강 이상과 같은 사전 징후가 발생 시점에 실시간으로 감지·기록되지 못하는 구조적 공백 을 안고 있다. 재해가 실제로 발생한 이후에야 CCTV 영상과 근로자 진술, 종이 점검일지를 역순으로 짜맞춰 원인을 재구성하는 방식으로는, 중대재해처벌법 체계가 요구하는 "안전보건 확보 의무를 상시 이행하였다" 는 증거를 제출하기 어렵다. (본 사업의 1 차 범위는 배합·압출·가류·외관 검사·불량 보고서이며, 안전 AI 는 후속 단계의 확장 대상으로 위치시킨다. 단, 본 사업으로 구축되는 LG AI 플랫폼 데이터·통합 UI 기반은 향후 SCN-SAF-01 안전 영상 AI · SCN-SAF-03 MSDS RAG 시나리오의 인프라 자산으로 그대로 재활용 가능하다.)

[출처: track/track1-index.md §3.4 카드 + module/safety.md BLK-SAF-C 첫 문단 인용 — 발췌·요약 (안전 AI 후순위라 깊이는 얕게)]

📋 §3.5 종합 위기 (3 단 요약) (사업계획서 paste 가능)

3 장에서 제시한 4 가지 구조적 공백을 본 사업의 4 장 TO-BE 로 연결하기 위한 교량으로 다음 4 단 요약을 제시한다.

직면 상황	핵심 구조적 문제	전환 시급성
배합·압출·가류 진단의 핵심 의사결정이 [수치] 명 베테랑에 의존, 향후 [기간] 내 이탈 가시화	형식지화·표준화 부재 → 분산 불량·치수 편차·과/미가류가 동시 발생	베테랑 이탈 전 형식지 자산화 시급. 본 사업 골든타임 [기간]
압출 라인 치수 편차가 ±[%] 수준, 작업자 수동 보정 의존	출측 사후 검사 한계 → 라인 단위 이탈 길이 누적	실시간 치수·표면 검사·제어로 즉시 가시화·시프트 가능
외관 결함 검출이 검사원 피로 의존, 야간·교대 시 누락	OEM 인수 검사·필드 클레임 발생 시 ppm 책임 부담 누적	비전 AI 도입으로 검출률 향상·검사원 피로 분산
8D·5Why 불량 보고서 작성 수시간 소요·과거 사례 검색 불가	OEM 클레임 응대 시간 누적·QA 담당자 숙련도 편차	LLM-03 (EXAONE) 결합으로 보고서 자동 초안 생성

위 4 개 축은 서로 독립이 아닌 동일한 구조적 원인 — 데이터 단절·암묵지 의존·OEM 공급망 책임 — 의 표현 형식이 다른 결과 이다. 따라서 본 사업은 4 장 이하에서 5 개 시나리오 (RUB-01·02·05 + LLM-03 + MLO-01) 를 LG AI 플랫폼 단일 통합 UI 위에 통합 구축하여, 동일 인프라가 4 개 문제를 동시에 해소하도록 설계된다. 이는 12 개월 표준 사업이 가능한 본질적 근거이며, Phase E2 의 6 개월 압축 사업과 다른 12 개월 표준 사업의 가치 명제이다. 또한 MLO-01 드리프트가 5 개 모델 모두의 수명을 OEM 변경관리 체계와 정합하게 운영 하는 인프라로 1 차 도입되는 점이 Phase E1·E2 와 차별화되는 본 사업의 핵심 운영 자산이다.

[출처: track/track1-index.md §3.5 카드 — 3 단 요약표 골격 + [고객사] 자동차 부품 고무·폴리머 특화 4 행 + OEM 공급망 책임 1 문단 강조]

---

4. 목표 모습 (TO-BE) 및 제조 AI 도입 전략

📋 §4.1 TO-BE 개념도 및 핵심 전략 (LG EXAONE 결합 명시) (사업계획서 paste 가능)

본 사업의 TO-BE 운영 모습은 [고객사] 의 기존 ERP·MES·압출·배합 PLC·가류기·외관 검사 자산 위에 대중소상생 LG AI 트랙 인프라 (LG AI 플랫폼·EXAONE sLM 결합) AI 레이어 를 추가하여, 작업자·검사원·QA·생산관리·정비팀·경영진이 단일 통합 UI 위에서 의사결정을 수행하도록 통합하는 데에 본질이 있다. AS-IS 대비 핵심적으로 바뀌는 5 개 영역은 다음과 같다.

영역	AS-IS	TO-BE
배합 분산도 진단	작업자 청각·믹서 토크 곡선 육안·시간 종료	RUB-01 시계열 AI 분산도 예측 + 사후 점도 라벨 결합
압출 라인 치수·표면	출측 사후 검사·작업자 수동 보정	RUB-02 실시간 레이저 치수 + 라인스캔 비전 + 5.2-b+c 결합 추론
외관 검사	검사원 피로 의존·야간·교대 누락	RUB-05 다각도 비전 AI + 검사원 검토 라벨링
불량 보고서 작성	QA 수시간·과거 사례 검색 불가	LLM-03 (EXAONE 결합) 초안 생성 + 검수
모델 운영 후 성능	자연 노후화·재학습 시점 판단 부재	MLO-01 드리프트 자동 탐지·재학습·챔피언·챌린저

본 사업의 핵심 전략은 다음 4 축으로 요약된다.

1. 압출 라인 품질 최적화 — 핵심 차별점 — RUB-02 가 본 사업의 주력 시나리오이며, 5.2-b 시계열 품질·이탈 예측 + 5.2-c 비전 검사 엔진의 결합 으로 실시간 치수 + 표면 검사를 동시 추론한다. 이는 본 사업의 가장 두드러진 기술 차별점이며, 시너지 ROI 모델 §4.1·§4.2 패키지 4 의 KPI 상호보강 시너지 (외관검사 라벨의 재사용성·인과 결합) 가 1 차적으로 발현되는 영역이다.
2. LG EXAONE sLM 결합 — Track 3 §4.3 의 외부 API vs 온프레미스 sLM 하이브리드 라우팅에서 EXAONE 분기를 1 차 적용. LLM-03 불량 보고서 자동 작성·5.2-f 의 민감 도면·OEM 사양·영업비밀 분기에 EXAONE 활용. 한국어 도메인 어휘 (배합·가류·플로우 라인·언더큐어 등) 처리 능력이 외부 LLM 대비 강한 점을 활용한다.
3. MLO-01 드리프트 직접 적용 — Phase E1·E2 가 미사용한 MLO-01 을 본 사업의 12 개월 모델 수명 관리 핵심 인프라로 도입. 원재료 공급사 변경·계절 변화·신규 부품 도입·OEM SQA 변경 이벤트 시 모델 성능 저하를 자동 감지·재학습·챔피언·챌린저 검증을 수행한다. 이는 IATF 16949 변경관리 정합의 운영 자산이다.
4. 자동차 OEM 공급망 정합 — 본 사업의 데이터·AI 거버넌스는 IATF 16949·PPAP·SQA 의 변경관리·추적성·SPC 요구와 정합하도록 설계되며, 모델 카드·리니지·드리프트 임계 변경 기록·승인 워크플로우가 OEM 감사 자료로 그대로 활용 가능한 형태로 자동 보존된다.

[본 섹션은 새로 작성됨 — TO-BE 개념도 + LG EXAONE 결합 명시 + RUB-02 5.2-b+c 결합 + MLO-01 직접 적용. 골격은 track/track1-index.md §4.1 카드. EXAONE 분기는 track/track3-index.md §4.3 1 차 적용]

📋 §4.2 AI 적용 공정 매트릭스 (5 시나리오 + LG 플랫폼 의존) (사업계획서 paste 가능)

본 사업의 5 시나리오를 [고객사] 의 공정 단계 × AI 엔진 패턴 매트릭스로 매핑하면 다음과 같다.

공정 단계	적용 시나리오	5.2 엔진 패턴	트랙 매핑	LG 플랫폼 의존도
배합 (Banbury·Mixer)	SCN-RUB-01 분산도 예측 (확장)	5.2-b 시계열	Track 1 + Track 2 (드리프트)	中 (LG AI 플랫폼 학습 인프라)
압출 (Extrusion)	SCN-RUB-02 실시간 치수·표면 (주력)	5.2-b + 5.2-c 결합	Track 1 + Track 2	中
가류 (Curing)	(직접 시나리오 없음 — RUB-02·05 의 입력 변수로 결합)	—	—	—
외관 검사	SCN-RUB-05 외관 비전 (확장)	5.2-c 비전	Track 1 + Track 2	中 (라벨링 도구)
불량 응대	SCN-LLM-03 불량 보고서 — EXAONE (확장)	5.2-f LLM·RAG	Track 3	高 (EXAONE sLM 직접 활용)
운영 거버넌스	SCN-MLO-01 드리프트 (인프라)	—	Track 2 (핵심)	高 (LG AI 플랫폼 모델 레지스트리)

매트릭스의 각 행은 시나리오 카드 (scenario/catalog.md) 와 5.2 엔진 패턴 (track/track1-engine-cards.md) 의 매핑 표를 따르며, 본 사업이 guide/assembly.md §2 의 패키지 4 매핑 (5.2-b · 5.2-c · 5.2-f) 과 정합함을 확인할 수 있다. 단, MLO-01 은 5.2 엔진 패턴 외 Track 2 인프라 시나리오로 분류되어 직접 매핑 없음. RUB-02 가 5.2-b + 5.2-c 결합 으로 명시되어 본 사업의 가장 차별적인 AI 엔진 구조이다.

본 사업의 5 시나리오를 모두 매트릭스에 위치시켰을 때 핵심 통찰은 다음 3 가지이다 — (i) 압출 (RUB-02) 이 본 사업의 차별적 주력이며 5.2-b+c 결합 추론으로 차별화. (ii) EXAONE 활용 (LLM-03) 이 LG AI 트랙 정합의 핵심이며 한국어 도메인 어휘 처리에 차별. (iii) MLO-01 드리프트 가 5 개 모델 모두의 운영 거버넌스 자산이며 OEM 변경관리 체계와 정합. 패키지 4 의 18 개월 표준 시나리오 (RUB-01·02·05 + LLM-03 + MLO-01) 가 본 사업 12 개월에 모두 포함되며, RUB-01·05 의 라벨링 외주 대량 동반은 후속 단계 1 로 분리 위임된다 (guide/duration-compress.md §1.1 시나리오 후순위 분기 일부 적용).

[본 섹션은 새로 작성됨 — 패키지 4 매핑 표; 골격은 track/track1-index.md §4.2 + guide/assembly.md §2 패키지 4 매핑]

📋 §4.3 데이터 유형 (고무 — 배합 토크·온도·압출 압력·치수·외관 이미지·가류 시간·온도) (사업계획서 paste 가능)

본 사업의 AI 엔진 5 종이 활용하는 데이터 유형은 다음과 같이 시계열 센서·이미지·정형 DB·비정형 문서의 4 카테고리로 구분되며, 자동차 부품 고무·폴리머 양산 도메인 어휘로 구체화된다.

• 시계열 센서 데이터 — 배합 믹서 PLC (토크·전력·온도·회전수, 1~10 Hz) · 압출 라인 PLC (스크류 회전수·인출 속도·다이 온도·압력, 1~10 Hz) · 가류기 사이클 로그 (시간·온도·압력, 사이클별) · 레이저 치수계 (외경·두께, 1~10 Hz) · 라인스캔 카메라 (표면 이미지, 라인 통과별).
• 이미지·치수 데이터 — 외관 검사 다각도 카메라 이미지 (정상·결함 라벨), 압출 라인 표면 이미지 (라인스캔, 결함 자동 라벨), 가류 후 부품 형상 (선택적, 후속 단계).
• 정형 DB — MES 작업지시·생산실적·로트, ERP 수주·출하·OEM 클레임, QMS 사후 물성 시험 결과 (인장·신율·경도·점도), SQA·PPAP 변경 이력.
• 비정형 문서 — 배합표 (HWP/Excel)·작업표준·SOP, 과거 8D·5Why 보고서·OEM 클레임 응대 이력, MSDS·화관법·화평법 문서, CAD 도면·금형 설계 (DWG·STEP — 후속).

LG EXAONE 활용 측면의 데이터 특성 — LLM-03 불량 보고서 자동 작성에 활용되는 비정형 문서 자산은 모두 한국어 작성이며, 자동차 부품 고무·폴리머 도메인 어휘 (밴버리·믹서·언더큐어·플로우 라인·도그본·웨더링·블루밍 등) 가 빈번히 등장한다. 외부 LLM API (GPT·Claude 등) 는 일반 한국어 처리에는 강하나, 본 도메인 어휘에 대한 사전 학습 노출이 제한적이며, 일부 영업비밀 (배합표 비율·OEM 사양·금형 설계) 의 외부 전송 리스크가 존재한다. 따라서 본 사업은 LG EXAONE sLM 을 도메인 어휘·민감 자산 처리의 1 차 분기 로 활용하며, 일반 지식 검색·구조화 응답 생성은 외부 LLM API 와 하이브리드 라우팅한다 (track/track3-index.md §4.3 분기). EXAONE 의 한국어 사전 학습 + LG AI Research 의 도메인 파인튜닝 가능성 + 온프레미스/플랫폼 배포 가능성이 본 분기의 직접 근거이다.

[본 섹션은 새로 작성됨 — 자동차 부품 고무·폴리머 도메인 데이터 유형 + EXAONE 활용 측면 데이터 특성. 골격은 track/track1-index.md §4.3 카드 + track/track3-index.md §4.3 EXAONE 분기 명시]

📋 §4.4 피쳐 엔지니어링 접근 (사업계획서 paste 가능)

본 사업의 AI 모델은 단순히 원시 센서값을 입력으로 하는 블랙박스 구조가 아니라, 도메인 지식과 데이터 과학적 기법을 결합한 체계적 피쳐 엔지니어링을 통해 입력 변수를 설계함으로써 모델 성능과 해석 가능성을 동시에 확보하고자 한다. 피쳐 설계의 첫 번째 축은 도메인 지식 기반 피쳐 로, [공정] 의 물리적 특성을 반영한 패스 이력 누적값, 슬라이딩 윈도우 기반 롤링 통계 (평균·표준편차·최소·최대), 공정 구간 간 차분, 재질·레시피 메타 정보의 결합 등이 이에 해당한다. 이러한 피쳐는 현장 숙련자가 "이 변수의 변화가 품질에 영향을 준다" 고 판단하는 암묵지를 정량화한 것으로, 모델이 학습할 패턴의 의미를 사전에 부여하는 역할을 수행한다.

두 번째 축은 자동 피쳐 생성 으로, tsfresh·featuretools 등 시계열 피쳐 자동 추출 라이브러리를 활용하여 도메인 전문가가 미처 인지하지 못한 잠재 피쳐를 후보로 확보한다. 자동 생성 결과는 수백~수천 개 규모의 후보 피쳐 풀 (pool) 을 형성하며, 이는 곧 세 번째 축인 피쳐 선정 단계의 입력이 된다. 피쳐 선정은 ① 상관관계 분석을 통한 다중공선성 제거, ② 상호정보량 (Mutual Information) 기반 비선형 관계 평가, ③ SHAP (Shapley Additive Explanations) 기반 모델 기여도 분석을 다단계로 적용하여, 통계적·모델 기반 양 측면에서 의미 있는 피쳐만을 최종 입력으로 채택한다. 이러한 다단계 선정은 모델의 일반화 성능을 확보하는 동시에 심사·운영 단계에서의 설명 가능성을 담보한다.

마지막으로 본 사업은 개별 시나리오 단위의 피쳐 설계에 머무르지 않고, 다수 시나리오에서 공통적으로 활용되는 피쳐를 피쳐 스토어 (Feature Store) 에 등재하여 재사용성을 확보하는 구조를 채택한다. 피쳐 스토어는 학습 시점과 추론 시점의 피쳐 정의를 일관되게 관리하여 학습-추론 간 불일치 (training-serving skew) 를 방지하며, 향후 신규 시나리오 도입 시 기존 피쳐를 즉시 재활용함으로써 모델 개발 속도를 가속한다. 이는 5.2-b 시계열 품질·이탈 예측 엔진, 5.2-d 예지보전 엔진, 5.2-e 공정 최적화 엔진 등 다수 엔진 패턴이 동일한 시계열 피쳐 풀을 공유하는 본 사업의 구조와 정합하며, 운영 단계의 피쳐 스토어 거버넌스 상세는 Track 2 MLOps 섹션 (SCN-MLO-02 피쳐 스토어 및 모델 레지스트리 구축) 으로 연계된다.

[출처: track/track1-top5.md §4.4 (BLK-T1-4.4) — 본문 그대로 인용. SCN 부정합 처리 — 본 인용에 등장한 SCN-MLO-02 는 본 사업의 1 차 인프라 후속 단계 (피쳐 스토어 풀 도입) 로 위임된 시나리오이며, 본 사업은 MLO-01 드리프트 + 기초 피쳐 스토어 (LG AI 플랫폼 제공) 를 1 차 도입한다. (a) 각주 처리.]

📋 §4.5 모델·알고리즘 선정 기준 및 앙상블 구성 (5.2-b+c 결합 + LLM-03 RAG) (사업계획서 paste 가능)

본 사업은 단일 알고리즘에 의존하지 않고, 문제 유형별로 적합한 모델 후보군을 사전 정의하고 객관적 기준에 따라 채택 모델을 선정 하는 모델 거버넌스 체계를 채택한다. 문제 유형은 ① 회귀 (품질 수치 예측), ② 시계열 예측 (공정 추이 예측), ③ 이상탐지 (설비 건전성 감시), ④ 분류 (비전 결함 판정·문서 분류), ⑤ 추천 (유사 사례·레시피 검색) 의 다섯 축으로 구분되며, 각 축마다 후보 모델 풀이 사전 구성되어 있다. 회귀에는 XGBoost·LightGBM, 시계열에는 LSTM·Transformer·TCN, 이상탐지에는 Isolation Forest·AutoEncoder·OneClassSVM, 분류에는 비전 영역의 EfficientNet·ViT 와 문서 영역의 Transformer 계열, 추천에는 유사도 기반 Retrieval 과 LLM 결합 구조가 1차 후보군으로 등재되어 있다.

채택 모델 선정은 다섯 가지 객관 기준을 동시에 적용한다. 첫째 데이터 규모 로, 라벨 보유량·세션 길이·표본 다양성을 평가한다. 둘째 해석가능성 으로, 심사·현장 수용성·규제 대응 관점에서 SHAP·Attention 등 설명 도구 적용 가능성을 검토한다. 셋째 추론 지연 으로, 실시간 제어가 필요한 시나리오에는 100 ms 이하의 지연을 보장하는 경량 모델 또는 엣지 배포 가능한 구조를 우선한다. 넷째 재학습 주기 로, 데이터 드리프트 발생 빈도와 라벨 수집 주기를 고려해 재학습 비용을 산정한다. 다섯째 현장 엣지 배포 가능성 으로, GPU·NPU 가용 자원과 운영체제 제약에 부합하는지를 확인한다. 모델 선정 절차는 베이스라인 모델 (통상 XGBoost 또는 단순 통계 모델) → 후보 모델 다중 학습·교차검증 → 채택 모델 결정의 3 단계로 진행되며, 각 단계 결과는 별도 평가 보고서로 산출된다.

단일 모델로 충분한 성능을 확보하기 어려운 시나리오에는 앙상블 전략 을 적용한다. 앙상블은 ① Stacking (예측값을 메타 모델 입력으로 재학습), ② Weighted Average (검증 성능 기반 가중치 결합), ③ Model Router (입력 특성에 따라 적합한 전문 모델로 분기) 의 세 가지 패턴 중에서 시나리오 특성에 맞게 선택·조합한다. 예컨대 SCN-RUB-01 배합 분산도 예측에서는 LSTM 의 시계열 패턴 학습과 XGBoost 의 표 형식 변수 처리 능력을 Stacking 으로 결합하며 (5.2-b 시계열 품질·이탈 예측 엔진 패턴 적용), SCN-RUB-02 압출 라인 치수·표면 실시간 검사·제어에서는 5.2-b 시계열 모델 (치수) + 5.2-c 비전 모델 (표면) 의 두 엔진 출력을 Model Router 로 결합 한다 (본 사업의 1 차 결합 사례). LLM·검색이 결합되는 시나리오 (SCN-LLM-03 불량 보고서 자동 작성) 는 5.2-f LLM·RAG 지식검색 엔진의 EXAONE 분기 구조로 구성되며, 본 절의 모델 선정·앙상블 거버넌스가 그 골격으로 작동한다.

[출처: track/track1-top5.md §4.5 (BLK-T1-4.5) — 본문 그대로 인용 + 인용 본문의 STL-01·STL-09·STL-07·STL-08 적용 사례를 본 사업 시나리오 (RUB-01·02·LLM-03) 로 일부 치환·확장. SCN 부정합 처리 — guide/assembly.md §3.3 분기 (b) 적용. RUB-02 의 5.2-b+c Model Router 결합은 본 사업의 1 차 적용 사례로 1 문장 신규 추가.]

📋 §4.6 데이터 → 피쳐 → 모델링 → 현장 적용 전체 파이프라인 (사업계획서 paste 가능)

본 절은 4.3 데이터 유형, 4.4 피쳐 엔지니어링, 4.5 모델 선정에서 서술한 개별 요소를 하나의 엔드투엔드 파이프라인으로 통합하여, [고객사] 의 [공정] 에 AI 가 학습·배포·운영되는 전 과정을 한 장의 흐름으로 제시한다. 파이프라인의 첫 단계인 데이터 수집 은 PLC·SCADA·Historian 으로부터의 시계열 신호, MES·QMS·ERP 의 정형 DB, 비전 카메라의 이미지 스트림, 그리고 공정설계서·밀시트·SOP 등 비정형 문서를 동시 수용하며, 각 자원은 시계열 DB (TSDB), 관계형 DB (RDB), 오브젝트 스토리지, 벡터 DB 등 자료 특성에 부합하는 저장소로 적재된다. 이 단계의 핵심은 단일 자료원에 의존하지 않고 정형·비정형·이미지를 동등한 자원으로 다루는 데이터 레이크 구조의 구축에 있다.

이후 정제·라벨링 → 피쳐 엔지니어링 → 학습·평가 → 모델 레지스트리 → 배포 의 다섯 단계가 순차적으로 진행된다. 정제 단계에서는 결측·이상치·중복·단위 불일치를 표준 룰셋에 따라 처리하고, 라벨링 단계에서는 품질 검사 결과·정비 이력·작업자 검수 결과를 학습 라벨로 결합한다. 피쳐 엔지니어링은 4.4 절의 다단계 선정 결과를 피쳐 스토어에 등재하는 형태로 수행되며, 학습·평가 단계에서는 4.5 절의 모델 선정 거버넌스에 따라 베이스라인 → 후보 → 채택의 3 단계 평가가 진행된다. 채택된 모델은 모델 레지스트리에 버전·메타데이터·성능 지표와 함께 등록되며, 추론 지연 요건에 따라 엣지 노드 또는 서버로 배포된다. 배포 후에는 실시간 추론·예측이 작업자 HMI 또는 기존 MES·SCADA 화면에 통합되어 현장 의사결정을 지원한다.

엔드투엔드 파이프라인의 마지막 축은 운영 피드백·재학습 루프 이며, 이는 본 사업의 단발성 AI 가 아닌 지속 진화형 AI 운영을 담보하는 핵심 장치이다. 현장에서 수집되는 품질 결과·수율·작업자 검수 응답 (5.3 HITL 연계) 은 실측 라벨로 환류되어, 데이터 드리프트·성능 저하가 감지될 경우 자동 재학습 파이프라인을 트리거한다. 이 재학습 루프의 거버넌스 상세 — 드리프트 탐지 임계, 챔피언·챌린저 A/B 검증, 모델 자동 승격 — 는 Track 2 MLOps (SCN-MLO-01 모델 운영 감시·드리프트 탐지·자동 재학습) 에서 구체화되며, 본 절은 그 진입 지점으로 기능한다. 본 사업은 MLO-01 을 1 차 인프라 시나리오로 채택하므로 본 §4.6 의 운영 피드백·재학습 루프가 §7.1 Track 2 본문 발췌 + IATF 16949 변경관리 정합으로 직결된다. 한편 비정형 문서 자산의 RAG 기반 활용 흐름은 5.2-f LLM·RAG 지식검색 엔진과 Track 3 LLM+RAG 섹션으로 분기되며 (SCN-LLM-03 + EXAONE 결합), 따라서 본 파이프라인은 Track 1 의 종합 도식인 동시에 Track 2·3 으로의 교량 역할을 동시에 수행한다.

[출처: track/track1-top5.md §4.6 (BLK-T1-4.6) — 본문 그대로 인용. SCN 부정합 처리 — 인용 본문 말미의 SCN-LLM-01~04 중 본 사업은 LLM-03 한정. © 분기 적용 — LLM-01·02·04 후속 위임 1 문장 부가. MLO-01 의 1 차 적용 명시는 본 사업의 차별점이며 1 문장 신규 추가.]

---

5. 구축 상세 (12 개월)

5.1 데이터 수집·정형화 (배합 믹서 IoT + 압출 PLC + 비전 카메라 + 가류 센서)

구축 1 단계는 [고객사] 의 분산 보관된 배합·압출·가류·외관 검사·8D 보고서·MSDS 자산을 본 사업의 LG AI 플랫폼 단일 데이터레이크 위로 통합하는 데이터 정형화 작업이다. 수집 범위는 다음 5 개 카테고리로 구성된다. 첫째, 배합 믹서 PLC — IoT 게이트웨이 ([고객사] 부분 보유 + 본 사업 [수치] 식 추가) 를 통한 1~10 Hz 주기 토크·전력·온도·회전수 적재. 둘째, 압출 라인 PLC — OPC-UA 표준 인터페이스를 통한 1~10 Hz 주기 스크류 회전수·인출 속도·다이 온도·압력 적재 + 레이저 치수계 + 라인스캔 카메라 동기 적재. 셋째, 가류기 사이클 — 사이클별 시간·온도·압력 로그 PC → LG AI 플랫폼 자동 업로드. 넷째, 외관 검사 다각도 카메라 — 검사 SW PC → Object Storage 자동 업로드 + 검사원 라벨 동기. 다섯째, 비정형 문서 — 배합표·SOP·과거 8D·5Why 보고서·MSDS 의 파일 서버 커넥터 + HWP/PDF 파서·OCR 기반 일괄 적재 + 변경 시 증분 업데이트.

본 단계의 핵심 산출물은 다음과 같다. (i) LG AI 플랫폼 단일 데이터레이크 적재 체계 — 5 개 카테고리 데이터를 단일 워크스페이스에 적재하고, 데이터 카탈로그를 통해 5 시나리오 공유. (ii) 부품·로트·배치 키 통합 — 배합 배치 ID·압출 라인 ID·가류 사이클 ID·검사 부품 ID 를 자동 태깅하여 시계열-이미지-정형 결합 분석 (RUB-01 분산도 → RUB-02 압출 편차 → RUB-05 외관 결함의 인과 추적) 을 가능하게 함. (iii) 품질 검증 룰셋 — 누락·이상치·중복·시간 점프·동기 오류 5 종에 대한 표준 검증 룰을 적용하되, Phase E1 의 격리 큐 분리 + Phase E2 의 단순 알람 모드의 중간 단계로 본 사업은 격리 큐 분리 + 자동 보강 룰 + 알람 의 3 단 처리. (iv) EXAONE 활용 비정형 문서 정제 — 한국어 8D·5Why 보고서의 청킹·임베딩 + EXAONE sLM 기반 도메인 어휘 인식 + 영업비밀 마스킹.

본 단계는 Track 1 §4.3 의 데이터 수집 설계와 Track 2 §5.1·§5.2 의 모델 레지스트리·피쳐 스토어 구축 (5 종 도입 — 풀 7 종 중 거버넌스·고급 카나리는 후속) 을 동시에 충족하도록 설계되며, 이후 §5.2 AI 엔진 단계의 학습·추론 입력으로 직접 연결된다. [고객사] 의 ICS Lv.1~Lv.2 데이터 기반은 본 단계에서 LG AI 플랫폼으로 통합되면서 신규 고가 인프라 투자를 일부 식 (배합 IoT 게이트웨이 [수치] 식·압출 라인스캔 카메라 [수치] 식·외관 검사 라벨링 도구) 으로 한정한다.

[출처: track/track1-index.md §5.1 카드 + [고객사] 자동차 부품 고무·폴리머 데이터 적재 + LG AI 플랫폼 결합 + EXAONE 비정형 문서 정제 새로 작성]

5.2 AI 엔진 — 3 카드 + 결합 가이드 (5.2-b · 5.2-c · 5.2-f)

본 사업은 단일 엔진이 아닌 3 개 엔진 패턴 (5.2-b + 5.2-c + 5.2-f) + MLO-01 인프라 를 결합한 복합 구조로 구성된다. 3 개 카드는 시나리오 매핑 (SCN-RUB-01 ↔ 5.2-b, SCN-RUB-02 ↔ 5.2-b + 5.2-c 결합, SCN-RUB-05 ↔ 5.2-c, SCN-LLM-03 ↔ 5.2-f EXAONE 분기) 에 따라 선택되었으며, 각 카드는 독립 모듈로 구축되되 공통 데이터·운영 인프라·MLO-01 드리프트 인프라를 공유한다. 본 3 카드 매핑은 guide/assembly.md §2 의 패키지 4 매핑 표 (5.2-b · 5.2-c · 5.2-f) 와 정합하며, 12 개월 표준이라 결합 깊이는 Phase E1 의 패키지 2 (5 카드) 보다는 얕고 Phase E2 의 패키지 5 (4 카드) 보다는 깊은 구조이다.

5.2-b 시계열 품질·이탈 예측 엔진 (SCN-RUB-01 배합 분산도 + SCN-RUB-02 압출 치수 — 결합 입력)

• 적용 시나리오: SCN-STL-01 연주 품질, SCN-STL-03 열연 두께·폭, SCN-STL-05 냉연 두께 조기경보, SCN-STL-12 강재 수요 예측·APS 스케줄링, SCN-RUB-01 배합 분산도, SCN-RUB-04 사출 불량, SCN-MET-01 공구 마모 신호 + 본 사업 SCN-RUB-02 압출 치수 (5.2-c 와 결합)
• 목적: 공정 시계열 신호를 실시간 추론해 품질 이탈을 사전에 예측·경보하고, 필요 시 피드포워드 조치 힌트를 작업자에게 제공한다. 본 사업에서는 [고객사] 의 (i) 배합 믹서 PLC (토크·전력·온도·회전수) 를 입력으로 분산도·무니 점도 예측 (RUB-01), (ii) 압출 라인 PLC + 레이저 치수계 를 입력으로 외경·두께 실시간 예측·이탈 조기경보 (RUB-02 의 시계열 파트) 의 두 모델을 운영한다.
• 엔진 구조:
• 데이터 수집·동기화: PLC / Historian → 스트림 버퍼 (초 · 10Hz · 100Hz 등 혼합)
• 피쳐 블록: 슬라이딩 윈도우 통계, 스탠드·설비별 기여도, 재질·레시피 메타 결합
• 예측 모델: 지연·정확도 요구에 따라 1D-CNN / LSTM / Transformer 선택
• 이탈 판정 모듈: 목표 대비 σ 임계 + 추세 기반 조기 경보 트리거
• 피드포워드 출력: HMI 경보 + 조작 변수 제안값 (텐션·속도·온도 등)
• 삽화 (Mermaid):

- 주의·선행조건: PLC 태그 표준화·시간 동기 (NTP), 목표 품질 실측 라벨 확보, 추론 지연 요구 확정. MLO-01 드리프트 탐지와 결합 필수 — 본 사업의 1 차 적용 사례. 자동차 OEM 변경관리 (IATF 16949) 정합을 위해 모델 카드·드리프트 임계 변경 기록·승인 워크플로우 자동 보존. - 고객사별 가변 여부: 업종·공정별 교체 — 본 사업은 자동차 부품 고무·폴리머 양산 (배합·압출) 에 직접 적용. RUB-01 의 분산도 라벨은 사후 점도 측정으로 정합하며, RUB-02 의 치수 라벨은 출측 사후 측정으로 정합.

[출처: track/track1-engine-cards.md §5.2-b — 본문 그대로 인용 + RUB-01·RUB-02 적용 1 문단 부가 + MLO-01 1 차 적용 명시]

5.2-c 비전 검사 엔진 (SCN-RUB-02 압출 표면 + SCN-RUB-05 외관 검사)

• 적용 시나리오: SCN-STL-10 표면결함 비전, SCN-STL-11 UT/ECT 자동판정 (신호 이미지화), SCN-MET-02 용접 비드, SCN-MET-03 3D 치수 검사, SCN-MET-06 작업자 행동 인식, SCN-RUB-02 압출 표면·치수 (5.2-b 와 결합), SCN-RUB-05 고무 외관, SCN-SAF-01 안전 영상
• 목적: 이미지·영상·포인트클라우드 기반 비전 AI 로 결함 검출, 치수 측정, 행동 인식 등을 자동화하여 육안 검사 한계를 극복한다. 본 사업에서는 [고객사] 의 (i) 압출 라인스캔 카메라 를 입력으로 표면 결함 (스크래치·기포·플로우 라인) 을 실시간 분류·세그멘테이션 (RUB-02 의 비전 파트), (ii) 외관 검사 다각도 카메라 를 입력으로 검은 고무 표면의 크랙·이물·기포·플로우 라인을 자동 분류 (RUB-05) 의 두 모델을 운영한다. RUB-05 는 검은 고무 표면의 미세 결함 탐지 난이도가 높아 Self-supervised Pretraining + 검사원 라벨 보강 (Active Learning) 으로 학습한다.
• 엔진 구조:
• 촬영·조명 설계: 라인스캔 / 에어리어 / 다각도 / 3D 구조광 선택, 조도 균일성 확보
• 라벨링·사전학습: 소량 라벨 + Self-supervised Pretraining 또는 Synthetic Data 보강
• 모델: 분류 (EfficientNet · ViT), 탐지 (YOLO · DETR), 세그멘테이션 (U-Net · Mask2Former), Pose/Action Recognition
• 후처리: 결함 등급 매핑, CAD·설계 허용치 대비 편차 산출, 이벤트 트리거
• 엣지 배포: GPU 엣지 노드, PLC·라인 컨트롤러 인터페이스
• 삽화 (Mermaid):

- 주의·선행조건: 조명·이송 속도 고정이 핵심 (조명 변동은 모델 재학습 원인 1 위). 검은 고무 표면의 미세 결함 탐지는 라벨 부족 영역이므로 본 사업은 1 차 라인 한정 도입 + 검사원 라벨 보강 동시 진행, 라벨링 외주 대량 동반은 후속 단계 1 로 위임. - 고객사별 가변 여부: 업종·설비별 교체 + 신규 결함 클래스는 고객사 생산 품목별 커스텀.

[출처: track/track1-engine-cards.md §5.2-c — 본문 그대로 인용 + RUB-02 표면 + RUB-05 외관 적용 1 문단 부가]

RUB-02 결합 가이드 — 5.2-b 시계열 (치수) + 5.2-c 비전 (표면) 동시 추론

본 사업의 차별적 핵심인 SCN-RUB-02 압출 라인 치수·표면 실시간 검사·제어 는 5.2-b 의 시계열 모델 (압출기 PLC + 레이저 치수계 → 외경·두께 실시간 예측) 과 5.2-c 의 비전 모델 (라인스캔 카메라 → 표면 결함 분류·세그멘테이션) 의 두 엔진 출력을 Model Router 로 결합한다. 결합 구조는 다음과 같다. (i) 공통 입력 — 압출 라인 PLC 의 스크류 회전수·인출 속도·다이 온도·압력 시계열 + 레이저 치수계의 외경·두께 시계열 + 라인스캔 카메라의 표면 이미지 시퀀스가 동일 시간축 위에 동기 적재된다 (NTP 동기). (ii) 두 엔진 병렬 추론 — 시계열 모델은 외경·두께의 σ 임계 이탈을 100 ms 이내에 예측하며, 비전 모델은 표면 결함 (스크래치·기포·플로우 라인) 을 라인 통과별로 100 ms 이내에 분류·세그멘테이션. (iii) Model Router 결합 출력 — 두 엔진 출력은 부품 ID·라인 통과 시각·결함 등급으로 결합되어, 작업자 HMI 에 통합 알람·조작 변수 제안 (스크류 회전수·다이 온도) 으로 전달. (iv) 피드백 루프 — 사후 출하 검사 결과·OEM 인수 검사 결과가 두 모델의 라벨로 환류되어 MLO-01 드리프트 탐지·재학습 트리거의 입력으로 작동.

본 결합 구조의 핵심 가치는 단일 5.2-b 또는 5.2-c 만으로는 식별 불가능한 인과 패턴 — "치수 편차 발생 시점에 표면 결함이 함께 발생" 등 — 을 결합 추론으로 식별 하는 점이며, 이는 시너지 ROI 모델 §4.1·§4.2 패키지 4 의 KPI 상호보강 시너지 (α_kpi = 1.05~1.10) 의 직접 발현 영역이다.

[출처: track/track1-engine-cards.md "변형 카드 결합 가이드" — 5.2-b + 5.2-c 결합 가이드 명시 (guide/assembly.md §2 비고 "RUB-02 는 5.2-b + 5.2-c 병기") + 본 사업 RUB-02 의 1 차 적용 양상 새로 작성]

5.2-f LLM·RAG 지식검색 엔진 (SCN-LLM-03 불량 보고서 자동 작성 — EXAONE 분기)

• 적용 시나리오: SCN-LLM-01 SOP RAG, SCN-LLM-02 장애 RAG, SCN-LLM-03 불량 보고서 자동 작성, SCN-LLM-04 도면 지능 검색, SCN-STL-08 밀시트 OCR, SCN-MET-07 공구·금형 RAG, SCN-SAF-03 MSDS RAG, SCN-STL-07 공정설계 LLM (5.2-a 와 병기)
• 목적: 비정형 기업 지식 (문서 · 도면 · 이력) 을 LLM 과 검색 엔진으로 연결해 현장 실무자의 질문에 근거 제시 답변 또는 문서 초안을 생성한다. 본 사업에서는 [고객사] 의 (i) 과거 8D·5Why 보고서·OEM 클레임 응대 이력, (ii) 검사 결과·물성 시험 결과, (iii) 배합표·SOP·작업표준, (iv) MSDS·화관법 문서를 통합 RAG 지식베이스로 구축하여, 신규 불량 발생 시 QA 담당자가 자연어 입력 ("XX 부품 호스 외경 -0.3mm 이탈 + 표면 플로우 라인 발생") 만으로 8D 보고서 초안 + 5Why 분석 + 시정·예방 조치 후보를 자동 생성받는 구조를 구축한다.
• 엔진 구조:
• 문서 수집·정제: SOP · 매뉴얼 · CMMS 이력 · 도면 · MSDS → 파서별 (PDF · HWP · DWG · 이미지 OCR) 추출
• 청킹·임베딩: 문서 특성별 전략 (계층 청킹 · 섹션 기반 · 토픽 기반), 멀티뷰 임베딩
• 검색기: 하이브리드 (Dense + BM25 + 메타 필터), Re-ranker 로 상위 정제
• LLM 응답: 근거 문서 · 페이지 · 문단 인용, 확인 필요 시 휴먼 에스컬레이션
• 권한·보안: 문서 접근권한 동기화, 민감 정보 마스킹, 외부 LLM 여부에 따른 온프레미스 · 하이브리드 라우팅
• 삽화 (Mermaid):

- 주의·선행조건: 문서 디지털화·표준화가 가장 큰 선행 작업. 자동차 OEM 영업비밀 (배합표 비율·OEM 사양·금형 설계) 의 외부 전송 차단을 위해 EXAONE 분기 + 마스킹 게이트 필수. AD/HRM 권한과의 연동 필요. - EXAONE 활용 양상 (본 사업의 차별 포인트) — 본 시나리오는 워크스페이스 자산의 Track 3 §4.3 "외부 API vs 온프레미스 sLM 하이브리드 라우팅" 분기 정책의 EXAONE 1 차 적용 사례 이다. 민감도 라우팅의 4 가지 분기 기준은 다음과 같다 — (i) 영업비밀·OEM 사양·배합표 비율 → EXAONE, (ii) 일반 한국어 응답·구조화 → 외부 LLM API 허용, (iii) 한국어 도메인 어휘 (배합·언더큐어·플로우 라인 등) 가 빈번히 등장하는 응답 → EXAONE 우선, (iv) MSDS·화관법 등 규제 응답 → EXAONE (정확성·근거 인용 강제). 또한 EXAONE sLM 의 도메인 파인튜닝 (LG AI Research 협력) 으로 자동차 부품 고무·폴리머 어휘에 대한 응답 품질을 본 사업 후반에 향상시킬 가능성을 1 차 검증한다. - 고객사별 가변 여부: 공통 템플릿 + 문서 소스 · 권한 구성만 교체. LLM 모델 선택은 고객사 보안 정책에 따라 교체. 본 사업은 LG AI 트랙 정합으로 EXAONE sLM 분기를 1 차 적용한 첫 사례.

[출처: track/track1-engine-cards.md §5.2-f — 본문 그대로 인용 + LLM-03 EXAONE 분기 적용 양상 보완 + track/track3-index.md §4.3 외부 API vs 온프레미스 sLM 하이브리드 라우팅 EXAONE 1 차 적용 명시]

카드 결합 가이드 — 본 사업의 결합 구조 (12 개월 표준)

본 사업의 3 개 엔진 패턴은 RUB-02 의 5.2-b+c Model Router 결합 + 5 시나리오 공통 데이터·MLO-01 드리프트 인프라 공유 구조이며, Phase E1 의 패키지 2 (5 카드 + 4 결합 지점) 와 Phase E2 의 패키지 5 (4 카드 + 단순 병기) 의 중간 단계로 결합 깊이가 위치한다. 결합 가능 지점은 다음과 같으며, 12 개월 표준 모드에서는 핵심 4 지점 모두 1 차 도입한다.

1. 5.2-b (RUB-01 배합 분산도) ↔ 5.2-b (RUB-02 압출 치수) — 인과 결합 — RUB-01 의 분산도 예측 결과가 RUB-02 의 압출 치수 편차의 입력 변수 (배치 단위 메타 피쳐) 로 결합된다. 분산 불량 배치는 압출 단계의 치수 편차 위험을 사전 가중. 1 차 도입 — 핵심 결합 지점.
2. 5.2-b (RUB-02 치수) + 5.2-c (RUB-02 표면) Model Router 결합 — 동일 부품·동일 라인 통과 시각의 두 엔진 출력 결합. 본 사업의 차별적 핵심. 1 차 도입.
3. 5.2-c (RUB-05 외관) ↔ 5.2-f (LLM-03 보고서) — 결함 → 보고서 자동 결합 — 외관 검사에서 검출된 결함 등급·위치·증빙 이미지가 LLM-03 의 8D 보고서 자동 작성 입력으로 결합. 1 차 도입.
4. 공통 운영·모니터링 — 5 개 모델의 추론 결과·드리프트 지표·재학습 트리거는 단일 통합 UI (§5.3) 에서 통합 가시화 + MLO-01 인프라가 모든 모델의 수명 관리. 1 차 도입.

운영·모니터링 상세는 본 사업계획서 7 장 Track 2 연계 섹션에서 구체화한다 (MLO-01 직접 적용 모드).

[출처: track/track1-engine-cards.md "변형 카드 결합 가이드" + other/synergy-roi.md §2.4 KPI 상호보강 시너지 + 본 사업 5 시나리오 결합 + 12 개월 표준 모드 새로 작성]

5.3 HITL 검증 (작업자·QA·정비팀 3 채널)

본 사업의 5 개 AI 엔진은 모두 초기 운영 단계에서 작업자·QA·정비팀의 검토를 거쳐 의사결정에 반영되는 HITL (Human-in-the-loop) 검증 체계 를 표준 운영 모드로 채택한다. 본 사업의 차별적 핵심은 3 채널 분리 + 통합 UI 위 위젯 분기 구조이며, 이는 Phase E2 의 단일 통합 UI 단순화 모드 대비 12 개월 표준에 부합하는 중간 단계이다. 3 채널은 다음과 같다 — (i) 작업자 채널 (배합사·압출 작업자) — RUB-01·02 의 알람·조작 변수 제안 + 모바일 알람, (ii) 검사원·QA 채널 — RUB-05 외관 결함 라벨링 + LLM-03 8D 보고서 검수, (iii) 정비팀·운영팀 채널 — MLO-01 드리프트 대시보드 + 재학습 트리거·챔피언·챌린저 검증.

단일 통합 UI 의 화면 구성은 다음과 같다. (i) 상단 탭 — 5 시나리오 (RUB-01·02·05 + LLM-03 + MLO-01) 위젯 분기 + 채널별 필터 (작업자·검사원/QA·정비/운영). (ii) 공통 좌측 — 신규 작업·실시간 추론 입력 정보 요약. (iii) 공통 중앙 — AI 추천 또는 예측 결과 + 근거 (5.2-b 의 SHAP 기여도, 5.2-c 의 결함 시각화·세그멘테이션 오버레이, 5.2-f 의 인용 8D 보고서·MSDS·SOP). (iv) 공통 우측 — 채널별 평가 버튼 — 작업자: 사용 / 무시 / 사유 입력, 검사원: 정상 / 결함 등급 1~3 / 재검토 / 라벨 누락, QA: 8D 보고서 사용 / 수정 / 부적합, 정비/운영: 드리프트 임계 승인 / 재학습 승인 / 챔피언 유지 / 챌린저 승격.

피드백 프로세스는 SCN-MLO-01 드리프트 + SCN-MLO-03 피드백 루프 (track/track2-index.md §6.4) 와 직접 결합된다. 평가 입력은 모델 신뢰의 누적 신호·미세 조정 라벨·학습 강화 큐로 분기되며, 사유 드롭다운은 시나리오·채널별로 사전 정의된다. 작업자가 추가 자유 메모를 입력하면 EXAONE sLM 이 이를 구조화 태깅하여 LLM-03 RAG 인덱스에 자동 등재한다. 이로써 작업자의 미세조정 사유 자체가 후속 신입 작업자가 검색 가능한 노하우 자산으로 전환된다 — 본 사업의 한국어·도메인 어휘 처리에 EXAONE 이 직접 활용되는 두 번째 지점이다.

3 채널 정보 밀도 거버넌스 — 단일 UI 의 정보 밀도가 작업자 인지 부담 누적·알람 피로도로 이어질 수 있으므로 (Track 2 §6.5 알람 피로도 관리), 본 사업은 채널별 우선순위 (작업자 채널은 RUB-02 압출 알람 최우선·검사원 채널은 RUB-05 결함 등급 최우선·정비/운영 채널은 MLO-01 드리프트 알람 최우선)·시간대별 표시 정책·알람 쿨다운 (5 분 단위 동일 알람 집계) 을 단일 UI 내부 거버넌스로 명문화하여 인지 부담을 관리한다.

[출처: track/track1-index.md §5.3 카드 + SCN-MLO-03 직접 연계 + Track 2 §6.4·§6.5 알람 피로도 관리 발췌 + EXAONE 의 한국어 자유 메모 구조화 태깅 1 문단 신규]

5.4 기존 시스템 연동 (LG AI 플랫폼 ↔ [고객사] 자체 시스템 — 대중소상생 사업 핵심)

본 사업의 AI 엔진은 [고객사] 가 기 운영 중인 ERP·MES·압출·배합 PLC·가류기·외관 검사 자산과의 양방향 연동을 전제로 설계되며, 신규 시스템이 기존 화면·업무 흐름을 대체하는 것이 아니라 기존 환경 위에 LG AI 플랫폼 + EXAONE sLM 결합 AI 레이어를 추가 하는 방식으로 도입된다. 대중소상생 LG AI 트랙의 핵심 요구사항은 "대기업 (LG) AI 플랫폼과 협력사 (도입기업 [고객사]) 시스템의 연동 구조" 이며, 본 §5.4 가 본 요구사항의 구체적 답변에 해당한다.

연동 아키텍처의 핵심 원칙 5 가지는 다음과 같다.

1. 수집 방향 ([고객사] 자체 시스템 → LG AI 플랫폼) — 압출·배합 PLC 는 OPC-UA 게이트웨이를 통해 LG AI 플랫폼 데이터레이크로 1~10 Hz 주기 적재된다. MES·ERP 정형 DB 는 CDC (Change Data Capture) 도구로 LG AI 플랫폼 RDB Replica 에 동기화된다. 가류기 사이클 로그·외관 검사 이미지는 검사 SW API 또는 파일 watcher 기반으로 Object Storage 에 적재된다. 비정형 문서 (8D·SOP·MSDS) 는 파일 서버 커넥터로 LG AI 플랫폼 Vector DB 에 야간 배치 적재된다.
2. 추론 방향 (LG AI 플랫폼 → [고객사] 기존 화면 + 단일 통합 UI) — RUB-01 의 배합 분산도 알람은 배합사 모바일·태블릿·믹서 옆 디스플레이로 통합 알람된다. RUB-02 의 압출 치수·표면 알람은 압출 작업자 HMI·모바일로 통합 알람된다. RUB-05 의 외관 결함 결과는 검사실 PC 의 검사 SW 사이드 패널로 노출된다. LLM-03 의 8D 보고서 초안은 QA PC 의 보고서 작성 SW 사이드 패널로 제공된다. MLO-01 드리프트 대시보드는 정비/운영팀 PC·모바일 + 운영위원회 회의 화면에 통합 표시된다.
3. 권한 동기화 — [고객사] 사내 사용자 계정 (LDAP·AD) 이 본 사업의 LG AI 플랫폼 SSO 게이트로 연동된다. 작업자·검사원·QA·생산관리·정비/운영팀·경영진은 각자의 직무 권한에 부합하는 인사이트만 노출되며, 영업비밀 도면·OEM 사양·배합표 비율 등 민감 자산은 인가된 사용자 + EXAONE 분기 라우팅을 통해서만 접근 가능하도록 설계된다.
4. OT/IT 경계 보호 + 대기업·중견 협력사 보안 거버넌스 — PLC 측은 일방향 게이트웨이를 통해 LG AI 플랫폼 영역으로 데이터를 전달하되, LG AI 플랫폼에서 OT 측으로 직접 제어 명령이 전달되는 경로는 본 사업 1 단계에서 차단된다. 추천·경보는 모두 작업자 화면을 경유하여 수동 적용되며, 자동 제어 루프는 후속 단계의 검토 대상으로 위치시킨다. 대기업 LG 와 중견 [고객사] 사이의 데이터 협력 거버넌스는 협력사간 협약서 (Consortium Agreement) 로 명문화 — 영업비밀 보호 의무·학습 종료 후 로컬 가중치 폐기 의무·이탈 시 기여분 처리 방식·IP 귀속 등을 사전 합의한다.
5. 자동차 OEM 변경관리 정합 — IATF 16949 변경관리·PPAP 의 SQA 의 변경 통보·재검증 의무에 정합하도록, 모델 카드·드리프트 임계 변경·재학습 승인 워크플로우의 모든 이력은 OEM 감사 자료로 그대로 활용 가능한 형태로 자동 보존된다.

연동 작업의 단계별 산출물은 §5.5 의 마일스톤에서 구체화된다. 본 사업 종료 시점에 [고객사] 운영자는 단일 통합 UI 의 3 채널에서 5 개 AI 엔진의 추론 결과·작업자 피드백·운영 KPI·드리프트 지표를 동시에 가시화할 수 있게 되며, LG AI 플랫폼 + EXAONE 의 결합이 [고객사] 자체 시스템과 정합하게 운영되는 구조가 성립한다.

[본 섹션은 새로 작성됨 — [고객사] 중견 ERP·MES·PLC 환경 + LG AI 플랫폼 통합 + EXAONE 결합 + IATF 16949 변경관리 정합 + 협력사간 협약서 명문화 + module/federated-learning.md BLK-FL-D 거버넌스 표현 일부 인용. Phase E1·E2 의 OT/IT 경계 모델과 차별 — 대중소상생 대기업·중견 협력 구조 1 차 적용]

5.5 단계별 추진 일정 (12 개월 양식 — 압축 가이드 §5.1.B 9 개월 양식 + 1 시나리오 추가 + Phase 2 7~12 개월 확장)

본 사업의 추진 일정은 12 개월 표준 기간 내에 5 시나리오 + 1 인프라 시나리오를 단계적으로 도입하는 구조로 설계된다. 본 양식은 guide/duration-compress.md §5.1.B 9 개월 압축 양식의 마지막 단락 — "12 개월 양식은 본 9 개월 양식에 STL-09 또는 LLM-02 의 1 시나리오를 추가하고 Phase 2 를 7~12 개월로 확장하는 구조" — 의 정신을 본 패키지 4 에 적용한 결과이다. 9 개월 압축의 핵심 시나리오 (RUB-02 + LLM-03) 에 RUB-01 배합·RUB-05 외관검사 + MLO-01 드리프트의 3 시나리오를 추가하고 Phase 2 를 7~12 개월로 확장하였다. Phase 1 (1~6 개월) 은 데이터 통합 + 주력 시나리오 (RUB-02 + LLM-03 EXAONE) PoC·Pilot, Phase 2 (7~12 개월) 는 확장 시나리오 (RUB-01·05) Pilot + MLO-01 드리프트 운영 + 챔피언·챌린저 검증 + 후속 로드맵 수립이다.

마일스톤 표는 다음과 같이 7 행으로 구성된다.

Phase	월차	마일스톤	산출물	검수 기준
Phase 1	M3	LG AI 플랫폼 데이터 통합 완료	5 카테고리 통합 매트릭스	누락 [%] 이하, 동기 정합성 [%] 이상
Phase 1	M5	RUB-02·LLM-03 PoC 완료	베이스라인 모델 + 평가 보고서	KPI 개선율 [%] 이상
Phase 1	M7	RUB-02·LLM-03 Pilot 진입 + 단일 UI 3 채널 운영	HITL 단일 통합 UI 가동	작업자·QA 만족도 [수치]/5 이상
Phase 2	M9	RUB-01·05 Pilot 진입 + MLO-01 드리프트 운영 시작	5 시나리오 통합 운영	통합 UI 정보 밀도 점검 통과·드리프트 임계 정착
Phase 2	M10	EXAONE 도메인 파인튜닝 1 차 적용 + LLM-03 한국어 응답 품질 향상	파인튜닝 모델 + 평가 보고서	RAGAS [수치] 이상
Phase 2	M11	챔피언·챌린저 첫 승급 검증	챌린저 승급 의사결정 표	통계적 유의 + 운영 안전성
Phase 2	M12	KPI 최종 검증 + OEM SQA 정합 검증 + 후속 로드맵 수립	사업 종료 보고서 + 후속 단계 명세 + OEM 감사 자료	정량 KPI 목표 달성률 [%]

12 개월 사업의 검수 게이트는 M3·M5·M7·M9·M12 의 5 회로 운영되며 (guide/duration-compress.md §5.1.B 9 개월 양식의 4 회 + Phase 2 확장으로 M9 1 회 추가), Phase 종료 게이트의 회귀 절차는 18 개월 표준과 동일하게 운영위원회 (LG + [고객사] + 외부 감리) 검수로 작동한다. OEM SQA 정합 게이트 는 M7·M9·M12 의 3 회로 추가 운영되어, 자동차 OEM 변경관리 (IATF 16949·PPAP) 의 변경 통보·재검증 의무 정합을 사업 진행 중 직접 검증한다.

[출처: guide/duration-compress.md §5.1.B 9 개월 양식 + 마지막 단락 "12 개월 양식 확장" 정신 + Phase E1 §5.5 18 개월 양식 일부 참조 + OEM SQA 정합 게이트 신규 추가]

---

6. 기대효과 및 성과 지표

6.1 정량 효과 (5 시나리오별 + 시너지 행 + 보수/낙관 + 결합 시너지)

본 사업의 5 시나리오별 정량 기대효과를 통합 표로 제시한다. 모든 수치는 [고객사] 의 실측치·목표치로 사업 착수 시점에 교체된다. 표 하단에 시너지 ROI 모델 §4.1·§4.2 패키지 4 (보수 1.50 / 낙관 1.97) 를 직접 인용한 결합 시너지 행을 보수·낙관 두 케이스로 신설한다 (guide/assembly.md §9.2 시너지 행 신설 권고 적용).

시나리오	영역	AS-IS	TO-BE	단일 효과	결합 시너지 추가	종합 효과
SCN-RUB-01	배합 배치 품질 편차	[%]	[%]	-[%]	--	-[%]
배합 분산도	분산 불량 후속 전이율	[%]	[%]	-[%]	--	-[%]
	베테랑 진단 신입 단독 가능 시점	[기간]	[기간]	-[%]	--	-[%]
SCN-RUB-02	압출 외경·두께 편차	±[%]	±[%]	-[%]	--	-[%]
압출 치수·표면 (주력)	라인 단위 이탈 길이 (월)	[수치] m	[수치] m	-[%]	--	-[%]
	표면 결함 사후 발견율	[%]	[%]	-[%]	--	-[%]
SCN-RUB-05	외관 결함 검출률	[%]	[%]	+[%]	--	+[%]
외관 비전	검사원 검사 시간 (부품당)	[수치] 초	[수치] 초	-[%]	--	-[%]
	OEM 인수 검사 클레임 (월)	[수치] 건	[수치] 건	-[%]	--	-[%]
SCN-LLM-03	8D 보고서 작성 시간	[기간]	[기간]	-[%]	--	-[%]
불량 보고서 — EXAONE	과거 사례 검색 시간	[기간]	[수치] 분	-[%]	--	-[%]
	OEM 클레임 응답 속도	[기간]	[기간]	-[%]	--	-[%]
SCN-MLO-01	모델 평균 수명	[기간]	[기간]	+[%]	--	+[%]
드리프트·재학습 (인프라)	드리프트 탐지 → 조치 리드타임	[기간]	[기간]	-[%]	--	-[%]
	챔피언·챌린저 승급 검증 시간	[기간]	[기간]	-[%]	--	-[%]
결합 시너지 (보수)	데이터 시너지 (PLC·이미지·문서 LG AI 플랫폼 공유)	—	—	--	+[%]	(단일 합) × 1.[수치]
(시너지 ROI 모델 §4.1 패키지 4 보수 = 1.50, +50 %)	인프라 시너지 (LG AI 플랫폼 단일 테넌시)	—	—	--	+[%]
	HITL 시너지 (단일 통합 UI 3 채널)	—	—	--	+[%]
	KPI 상호보강 (RUB-01 → RUB-02, RUB-05 → LLM-03, MLO-01 → 모든 모델)	—	—	--	+[%]
	종합 추가 효과 α_total (보수)	—	—	--	+50 %	(단일 합) × 1.50
결합 시너지 (낙관)	(시너지 ROI 모델 §4.2 패키지 4 낙관 = 1.97, +97 %)	—	—	--	+97 %	(단일 합) × 1.97

표 하단 주석 — "결합 시너지 추가 효과는 other/synergy-roi.md §3 산식 프레임에 따라 산정하였으며, 보수·낙관 두 케이스의 가정은 동 문서 §3.3 을 따른다. 패키지 4 (자동차 부품 고무·폴리머 중견) 의 추정값은 동 문서 §4.1·§4.2 의 행을 직접 인용하였으며, 시너지의 핵심 발현 영역은 (i) 외관검사 라벨의 데이터 시너지, (ii) RUB-01 → RUB-02 → RUB-05 의 KPI 상호보강, (iii) MLO-01 이 5 모델 모두의 수명을 연장하는 인프라 시너지의 3 가지이다 (시너지 ROI 모델 §6.4 패키지 4 카드)."

종합하면 본 사업은 배합·압출·외관 검사·불량 보고서·운영 거버넌스 의 5 개 축에서 정량 효과를 동시에 도출하며, 단일 시나리오 합산 대비 LG AI 플랫폼 + EXAONE 결합 인프라 공유에 따른 비선형 시너지가 보수 +50 % / 낙관 +97 % 추가로 발생한다. 패키지 4 의 시너지 폭이 패키지 5 (정밀가공 SaaS, +40 % / +71 %) 보다 높고 패키지 2 (중견 냉연, +69 % / +127 %) 보다 낮은 이유는 시나리오 간 인과 결합도가 패키지 2 의 STL-04→09→05 연쇄보다는 약하나, RUB-01→02→05 의 다단계 양산 라인 인과가 패키지 5 의 단순 병기보다는 강함 으로 해석된다 (시너지 ROI 모델 §4.3 표 해석 가이드).

MLO-01 직접 적용에 따른 추가 가치 (정량화 일부 가능) — 본 사업의 MLO-01 드리프트가 5 모델 모두의 평균 수명을 [기간] → [기간] 으로 확장시키는 효과는 본 사업 종료 시점의 운영 단계 ROI 에서 비선형적으로 발현된다. 단일 모델 운영 비용 대비 풀 인프라 모니터링 비용이 [%] 증가하나, 자연 노후화로 인한 모델 재구축 비용이 [%] 절감되며, 종합 운영 ROI 가 본 사업 1 년 후 시점에 +[%] 추가 효과를 보일 것으로 추정된다. 본 추정은 MLO-01 의 1 차 적용 사례로서 검증 데이터가 본 사업 진행 중 누적되며, 후속 사업의 사업비 산정 근거 자산으로 작동한다.

[출처: 본 사업 시나리오별 단일 효과 행은 scenario/catalog.md 패키지 4 시나리오 카드 (RUB-01·02·05 + LLM-03 + MLO-01) 요지 확장. 결합 시너지 행 신설 — other/synergy-roi.md §4.1·§4.2 패키지 4 추정값 (보수 1.50 / 낙관 1.97) + §5 §6.1 적용 양식 + §6.4 패키지 4 카드 직접 인용. 본 행 신설은 guide/assembly.md §9.2 권고 2 차 적용 (Phase E2 의 1 차 적용 후속).]

6.2 정성 효과 (LG OEM 공급망 신뢰성 + 산업안전 BLK-SAF-A 거시 인용)

본 사업의 정성적 기대효과는 다음 7 개 영역으로 구조화된다.

1. 지식 휘발 리스크 완화 — 베테랑 배합사·압출 작업자·검사원·QA 의 진단 노하우·보고서 작성 노하우가 5.2-b 의 정상 분포 학습·5.2-c 의 검사 라벨·5.2-f 의 EXAONE 결합 RAG 인덱스로 형식지화되어 조직 자산으로 보존된다.

2. 신규 인력 교육 기간 단축 — 압출 작업자·검사원의 베테랑 직접 자문 부담이 RUB-02 모바일 알람 + RUB-05 검사 자동화 + LLM-03 (EXAONE) 보고서 자동화로 분산되어, 신입 단독 작업·검수 가능 시점이 [%] 단축된다.

3. 품질·생산성·운영의 동시 개선 — 압출 치수 편차 감소 · 외관 결함 검출률 향상 · 배합 배치 품질 편차 감소 · 불량 보고서 작성 시간 단축이 동시에 발생함으로써, 단일 시나리오 도입 시보다 통합 KPI 개선이 비선형적으로 확대된다 (§6.1 시너지).

4. MLOps Lv.0~Lv.1 → Lv.2 진입 (MLO-01 1 차 적용) — 본 사업으로 [고객사] 는 모델 레지스트리·피쳐 스토어·학습 파이프라인·서빙·모니터링·드리프트·재학습 트리거·챔피언·챌린저의 5 종 핵심 MLOps 운영 체계를 확보한다. 이는 본 사업 종료 후 신규 시나리오 추가 시 도입 비용을 비선형적으로 낮추는 자산이며, 자동차 OEM 변경관리 (IATF 16949) 정합의 운영 거버넌스 자산이다.

5. 자동차 OEM 공급망 신뢰성 강화 — 본 사업의 핵심 정성 가치 — [OEM] 등 자동차 OEM 1 차 협력사로서 [고객사] 의 ppm 수준 품질 책임·SQA·PPAP 변경관리·8D 응대 의무가 본 사업의 5 시나리오 통합 도입으로 구조적으로 강화된다. 특히 모델 카드·드리프트 임계 변경·재학습 승인 워크플로우의 자동 보존 이 OEM 감사 자료로 그대로 활용 가능한 형태로 운영되어, 자동차 OEM 의 디지털 변경관리 요구 강화 흐름에 선제적으로 정합한다. 이는 [고객사] 의 OEM 거래 등급·차세대 부품 입찰 가산점·EU·미국 OEM 신규 거래 진입의 잠재 자산으로 작동한다.

6. 대중소상생 LG AI 트랙 정합 — EXAONE 활용의 산업 일반성 검증 — 본 사업은 LG EXAONE sLM 을 자동차 부품 고무·폴리머 양산 도메인에 1 차 적용한 사례이며, 본 사업의 검증 결과는 후속 LG AI 트랙·삼성·포스코 AI 트랙의 한국어 도메인 sLM 활용 일반성에 대한 실증 자산이 된다. EXAONE 의 한국어·도메인 어휘 처리 + 영업비밀 마스킹 + 외부 LLM 하이브리드 라우팅의 운영 패턴이 본 사업으로 확립된다.

7. 산업안전 거버넌스 강화 (간접·후속) — 가류·배합 화학물질 취급 맥락 — 2022 년 1 월 시행된 중대재해처벌법 체계 하에서 [고객사] 와 같은 5 인 이상·고온·고압·화학물질 취급 사업장은 경영책임자에게 안전보건 확보 의무가 부과되며, 데이터·로그 기반 상시 증빙 체계가 사실상 의무화된 환경이다. 특히 가류 (160~200 ℃) 의 고온·배합의 카본블랙·가소제·가류촉진제 등 화학물질 상시 취급은 화관법·화평법 적용 강도가 일반 제조업 평균보다 높다. 본 사업의 1 차 범위에서는 안전 AI 직접 시나리오 (SCN-SAF-01)·MSDS RAG (SCN-SAF-03) 를 포함하지 않으나, 본 사업으로 구축되는 LG AI 플랫폼 데이터·통합 UI 인프라는 후속 안전 AI 도입 시 사고 확률 자체의 감소와 사고 이후 법적·평판 리스크의 완화라는 이중 효과 를 가능하게 하는 토대가 된다 (module/safety.md BLK-SAF-D MSDS RAG 3 축 결합 후속 도입 가능성).

[출처: track/track1-index.md §6.2 카드 + module/safety.md BLK-SAF-A 거시환경 인용 (얕게) + BLK-SAF-D 3 축 결합 후속 도입 가능성 1 문장 (간단 인용) + 본 사업 OEM 공급망 신뢰성·EXAONE 활용 일반성 검증 정성 가치 신규 작성]

6.3 KPI 정의

본 사업의 KPI 는 시나리오별로 다음과 같이 정의된다. 각 KPI 는 측정 주기·기준값·목표값·측정 도구를 명시한다.

시나리오	KPI	정의	측정 주기	기준값	목표값	측정 도구
RUB-01	배합 배치 품질 편차	사후 점도·분산도 표준편차	배치별	[수치]	[수치] 이하	점도계·MES
RUB-01	분산도 예측 적중률	예측 vs 사후 점도 일치 비율	일	—	[%] 이상	자동 평가
RUB-01	False Alarm Rate	실제 분산 정상이었던 경보 비율	주	—	[%] 이하	HITL 검증
RUB-02	압출 외경·두께 σ	출측 측정 표준편차	라인 통과별	[수치] mm	[수치] mm 이하	레이저 치수계
RUB-02	표면 결함 검출 Recall	실제 결함 중 자동 검출 비율	일	—	[%] 이상	라벨링 검증
RUB-02	추론 지연 (5.2-b+c 결합)	입력 → 알람 도달 시간	라인별	—	100 ms 이하	UI 로그
RUB-05	외관 결함 분류 정확도	자동 vs 검사원 검사 일치율	부품별	—	[%] 이상	자동 평가
RUB-05	검사원 검토 시간 (부품당)	평균 검사 시간	일	[수치] 초	[수치] 초 이하	UI 로그
LLM-03	8D 보고서 초안 시간	입력 → 초안 완성 시간	보고서별	[기간]	[수치] 분 이하	UI 로그
LLM-03	RAGAS 답변 신뢰도	평가셋 RAGAS 점수	분기	—	[수치] 이상	RAGAS
LLM-03	EXAONE 도메인 어휘 정확도	한국어·도메인 어휘 응답 일치율	분기	—	[%] 이상	평가셋
LLM-03	QA 검수 후 사용 비율	초안 → 최종 보고서 사용 비율	월	—	[%] 이상	UI 로그
MLO-01	모델 평균 수명	배포 → 폐기 평균 기간	트리거별	[기간]	[기간] 이상	모델 레지스트리
MLO-01	드리프트 탐지 → 조치 리드타임	임계 초과 → 재학습 배포	트리거별	—	[기간] 이내	MLOps
MLO-01	챔피언·챌린저 승급 비율	챌린저 승급 / 시도 비율	분기	—	[%] 이상	챔피언·챌린저 보고서

KPI 측정의 운영 거버넌스는 Track 2 §6.5 월간·분기·연간 리뷰 리츄얼과 정합하며, 운영위원회 정례 회의체 안건으로 직접 연결된다. OEM SQA 정합 KPI 는 본 사업의 자동차 부품 1 차 협력사 위상에 따라 추가 측정되며, 모델 카드·드리프트 임계 변경·재학습 승인 워크플로우의 OEM 감사 적합도가 분기 단위로 측정된다.

[출처: track/track1-index.md §6.3 카드 + Track 2 §6.5 리뷰 리츄얼 + 시나리오별 KPI 풀 + OEM SQA 정합 KPI 신규]

6.4 중장기 로드맵 (산단 공동 AI 비전 + 후속 시나리오)

본 사업은 [고객사] 의 3~5 년 디지털 전환 로드맵의 첫 단계로 위치한다. 본 사업 종료 시점부터의 단계별 확장 계획은 다음과 같다 — 12 개월 표준에서 후순위로 미룬 RUB-01·05 의 라벨링 외주 대량 동반·MLOps 풀 7 종·후속 LLM/SAF 시나리오를 명시 분리한다 (guide/duration-compress.md §5.2 양식 적용).

후속 단계 명세 — guide/duration-compress.md §5.2 의 4 항목 양식을 따른다.

[후속 단계 1 — +12 개월, 후속 사업 펀딩 가정]
시나리오: SCN-RUB-05 외관 검사 라벨링 외주 대량 확장 + SCN-LLM-01 SOP RAG + SCN-SAF-03 MSDS RAG (EXAONE 결합)
예상 기간: 12 개월 (본 사업 종료 직후 착수, Phase 1 6 개월 + Phase 2 6 개월)
예상 사업비: 본 사업 대비 [%]
예상 KPI: 외관 검출률 +[%] 추가 향상 / SOP 검색 시간 [%] 단축 / MSDS RAG 응답 신뢰도 [%] 이상
펀딩 가능성: 동일 지원사업 (대중소상생 LG AI 트랙) 의 다음 회차 또는 별도 펀딩 트랙 (디지털 기업 in 경남)

[후속 단계 2 — +18 개월, 후속 사업 펀딩 + 자비 일부]
시나리오: SCN-SAF-01 안전 영상 AI + Track 2 MLOps 풀 7 종 (피쳐 스토어 풀·고급 거버넌스) + SCN-LLM-04 CAD 도면 RAG
예상 기간: 6 개월
예상 사업비: 본 사업 대비 [%]
예상 KPI: 안전 사고 사전 감지 [%] 향상 / 모델 운영 자동화율 [%] 향상 / 도면 검색 시간 [%] 단축
펀딩 가능성: 중대재해·산업안전 트랙 또는 자비 투자

[후속 단계 3 — +24 개월, 산단 공동 펀딩]
시나리오: 부산·경남 자동차 부품 고무·폴리머 산단 공동 연합학습 (RUB-01·02·05 공동 모델, EXAONE 결합)
예상 기간: 12 개월
예상 사업비: 본 사업 대비 [%]
예상 KPI: 산단 평균 모델 성능 [%] 향상 / 참여사 데이터 희소성 해소
펀딩 가능성: 대중소상생 (LG AI 트랙 확장) 또는 디지털 기업 in 경남 (산단 공동 트랙)

Phase	도입 시나리오	본 사업 자산 재활용
본 사업 (M0~M12)	RUB-01·02·05 + LLM-03 (EXAONE) + MLO-01	(신규 구축)
후속 1 (M13~M24)	RUB-05 라벨 대량 + LLM-01·SAF-03 RAG	본 사업 LG AI 플랫폼·EXAONE·Vector DB
후속 2 (M25~M30)	SAF-01 안전 영상 + MLOps 풀 7 종 + LLM-04	본 사업 데이터·통합 UI
후속 3 (M31~M42)	산단 공동 연합학습 (RUB-01·02·05)	본 사업 LG AI 플랫폼 + EXAONE

본 사업의 후속 로드맵 중 산단 공동 연합학습 단계는 부산·경남 자동차 부품 고무·폴리머 산단 클러스터 내 다수 중견·중소 양산사가 데이터를 공유하지 않은 채 모델 파라미터만 공유하여 공통 모델을 학습하는 패턴이며, 개별 사업장의 데이터 부족 문제·신규 부품 도입 초기 라벨 부족 문제를 산단 공동체 차원의 데이터 협력으로 해소하는 비전을 담고 있다. 제조 AI 의 경쟁력은 단일 기업의 데이터 규모를 넘어 산단·클러스터 단위의 축적된 공정 지식에서 창출되는 국면에 진입하고 있으며, 부산·경남 제조 클러스터는 자동차 부품·고무·폴리머·뿌리산업이 지리적으로 집적되어 있어 개별 중견·중소기업이 단독으로는 확보하기 어려운 다품종·다조건 데이터가 클러스터 차원에서는 풍부하게 존재한다. 이는 대중소상생·연합학습·디지털 기업 in 경남 지원사업과의 매칭으로 발전 가능하며, [고객사] 가 산단 내 LG AI 트랙 레퍼런스 사업장으로 자리매김하는 전략적 자산이 된다.

[출처: track/track1-index.md §6.4 카드 + scenario/catalog.md 부록 D + module/federated-learning.md BLK-FL-A 산단 공동 AI 거시적 필요성 1 문단 인용 + guide/duration-compress.md §5.2 후속 단계 명세 양식]

---

7. Track 2·3 연계 (별첨)

7.1 MLOps (MLO-01 드리프트 직접 활용 — Track 2 §5.5·§6.2 발췌 + 12 개월 모델 수명 추적)

본 사업의 5 개 AI 엔진은 단일 배포 후 운영을 종료하는 것이 아니라, 운영 첫날을 새로운 시작점으로 삼는 지속 진화형 AI 운영 을 표준 운영 모드로 채택한다. Track 2 의 핵심 구성요소 7 종 중 본 사업은 5 종 (모델 레지스트리·피쳐 스토어·학습 파이프라인·서빙·모니터링) + MLO-01 드리프트·재학습 트리거·챔피언·챌린저 을 1 차 도입하며, 거버넌스 풀 도입 (RBAC + 감사 로그 + 데이터 리니지 풀 7 종) 은 후속 위임한다. 본 사업이 Phase E1 (풀 7 종)·Phase E2 (압축 3 종) 와 차별화되는 핵심은 MLO-01 드리프트의 1 차 직접 적용 이다.

7.1.1 핵심 구성요소 5 종 + MLO-01 인프라

본 사업의 MLOps 모듈 인벤토리는 다음 5 종 + MLO-01 인프라로 구성된다. 각 구성요소는 LG AI 플랫폼 매니지드 서비스 + [고객사] 자체 인프라 결합 구조로 설계된다.

1. 모델 레지스트리 — LG AI 플랫폼 모델 레지스트리 활용. 버전·아티팩트·모델 카드·단계 전이·롤백. IATF 16949 변경관리 정합 을 위해 모델 카드의 변경 이력·승인자·근거를 OEM 감사 자료로 직접 활용 가능한 형태로 보존.
2. 피쳐 스토어 — Feast 또는 LG AI 플랫폼 피쳐 스토어. 5 시나리오 공통 피쳐 (배합 토크 윈도우 통계·압출 PLC 슬라이딩 윈도우·외관 이미지 메타) 의 학습-추론 일관성 보장.
3. 학습·재학습 파이프라인 — Airflow / LG AI 플랫폼 파이프라인. 드리프트·시간·피드백 트리거 시 자동 학습 → 평가 → 챔피언·챌린저 검증 → 수동 승인 후 배포.
4. 추론 서빙 — BentoML / LG AI 플랫폼 서빙. 카나리·섀도우 배포로 신규 모델의 라인 영향 최소화.
5. 모니터링·드리프트 탐지 (MLO-01 핵심) — Evidently OSS + LG AI 플랫폼 매니지드 모니터링. 인프라 (CPU/GPU/지연 — Prometheus) + 데이터·피쳐 분포 (PSI/KS/Jensen-Shannon — Evidently) + 모델 성능 (정확도·MAE·리콜·캘리브레이션 — 실측 라벨 기반) 의 3 층 모니터링.

후속 위임 2 종 — 거버넌스 풀 도입 (RBAC + 감사 로그 + 데이터 리니지 풀) 은 후속 단계 2 (18 개월 후) 로 위임 — 단, 본 사업에서도 IATF 16949 정합을 위한 기초 거버넌스 (모델 카드·변경 이력) 는 1 차 도입.

7.1.2 모니터링·드리프트 탐지 (MLO-01 1 차 적용)

본 사업은 Track 2 §5.5 의 3 층 모니터링 + 드리프트 탐지 지표 (PSI·KS·Jensen-Shannon) 를 5 시나리오에 1 차 적용한다.

• PSI (Population Stability Index): 0.1 이하 안정, 0.1~0.25 주의, 0.25 이상 재학습 검토.
• KS (Kolmogorov-Smirnov): 두 분포 간 최대 거리.
• Jensen-Shannon / Wasserstein: 연속 분포 간 거리.

본 사업의 시나리오별 모니터링 임계는 다음과 같이 초기 설정된다. 임계값은 사업 진행 중 데이터 누적 결과에 따라 운영위원회 검수로 재조정된다.

시나리오	모니터링 핵심 지표	주의 임계	경보 임계
RUB-01	배합 토크 곡선 PSI	0.1	0.25
RUB-01	사후 점도 라벨 MAE	[수치]	[수치]
RUB-02	외경·두께 예측 MAE	[수치] mm	[수치] mm
RUB-02	표면 결함 분류 Recall	[%]	[%]
RUB-05	외관 결함 분류 정확도	[%]	[%]
LLM-03	RAGAS 답변 신뢰도	[수치]	[수치]
LLM-03	EXAONE 도메인 어휘 응답 일치율	[%]	[%]

경보 채널은 Slack · 이메일 · SMS · HMI 알람 + LG AI 플랫폼 대시보드 + 운영위원회 회의 사전 자료의 다중 채널로 설정되며, 에스컬레이션 정책 (현장 → 정비 → 운영팀 → 운영위원회) 이 알람 심각도·지속시간·영향 부품 수 조합에 따라 자동 작동한다.

7.1.3 재학습 트리거 (5 축 — Track 2 §6.2 1 차 직접 적용)

본 사업은 Track 2 §6.2 의 재학습 트리거 5 축을 1 차 모두 적용한다 — Phase E1 (5 축) 과 동일, Phase E2 (3 축 압축) 와 차별. 5 축은 다음과 같다.

1. 시간 기반 — 주·월·분기 정기 재학습 (베이스라인). 본 사업은 RUB-02 월 단위·RUB-01·05 분기 단위·LLM-03 월 단위·MLO-01 자체 분기 단위.
2. 드리프트 기반 — PSI/KS 임계 초과. 본 사업은 RUB-01·02·05 모두 PSI 0.25 임계.
3. 성능 기반 — 실측 라벨 기반 성능이 허용치 아래로 하락. 본 사업은 RUB-02 외경 MAE·RUB-05 외관 정확도·LLM-03 RAGAS 의 임계 적용.
4. 피드백 기반 — 현장 정정 라벨 누적량이 임계 도달. 본 사업은 검사원 라벨 [수치] 건·QA 보고서 정정 [수치] 건 임계 적용.
5. 외생 이벤트 기반 — 원재료 공급사 변경·설비 개·보수·신규 부품 도입·OEM SQA 변경 이벤트. 본 사업은 OEM SQA 변경 이벤트가 자동 트리거로 직접 등록되는 점이 자동차 OEM 공급망 정합의 직접 운영 적용.

자동 vs 수동 전환 기준은 시나리오별로 분기되며, 본 사업에서 RUB-01·02·05·LLM-03 은 자동 학습 → 수동 승인 후 배포 (자동차 OEM 변경관리 정합), MLO-01 자체 모니터링은 자동 학습 → 자동 승급 (검수자 일정 기간 평가 후) 으로 운영된다.

7.1.4 챔피언·챌린저 및 카나리 검증 (Track 2 §6.3 1 차 적용)

본 사업은 Track 2 §6.3 의 챔피언·챌린저 프로토콜을 1 차 적용한다. 챔피언 (현 운영 모델) vs 챌린저 (신규 후보) 동시 추론 기간 [기간], 비교 KPI (정확도·리콜·MAE + 비즈니스 지표인 외경 σ·결함 검출률·OEM 클레임율), 통계적 유의성 검정 (Welch's t-test·순위합 검정), 승격 조건 (KPI 개선 + 통계적 유의 + 운영 안전성 확인). M11 마일스톤에서 첫 챌린저 승급 검증을 1 차 시도하여, 본 사업의 12 개월 모델 수명 관리가 운영 단계에서 작동하는지를 사업 종료 전에 검증한다.

[출처: track/track2-index.md §4.2 (7 종 → 5 종 도입) + §5.5 (3 층 모니터링·드리프트 지표 PSI/KS) + §6.1 (개선 포인트 4 분류) + §6.2 (재학습 트리거 5 축) + §6.3 (챔피언·챌린저) + §6.5 (리뷰 리츄얼) — 5 절 발췌 인용 + 12 개월 모델 수명 관리·OEM SQA 외생 이벤트 트리거 1 차 적용 보완. 본 사업의 MLO-01 1 차 직접 적용은 Phase E1·E2 와 차별화되는 핵심.]

7.2 LLM·RAG (LLM-03 불량 보고서 — EXAONE 활용 방안 명시 + Track 3 §4.3·§5.5 발췌)

본 사업의 Track 3 핵심 시나리오는 SCN-LLM-03 불량 보고서 자동 작성 — LG EXAONE sLM 결합 한정이며, 패키지 4 의 후속 단계 1 의 LLM-01 SOP RAG·SAF-03 MSDS RAG·후속 단계 2 의 LLM-04 도면 RAG 는 후속 단계로 위임한다. Track 3 본문의 RAG 아키텍처·LLM 모델 선택·환각 방지·권한·UX 의 핵심을 본 절에서 발췌하고, 전체 상세는 별도 문서 track/track3-index.md 를 참조한다.

7.2.1 RAG 아키텍처 (LLM-03 불량 보고서 + EXAONE 결합)

본 사업의 RAG 파이프라인은 7 단 구조로 설계된다 — Phase E2 의 6 단 압축 모드 대비 본 사업은 풀 7 단을 도입한다. (i) 수집 계층 — 8D·5Why 보고서·OEM 클레임 응대 이력·검사 결과·물성 시험 결과·배합표·SOP·MSDS 의 파일 서버 커넥터, 변경 시 증분 수집. (ii) 정제 계층 — HWP·PDF 파서 + 한국어 OCR + 표 구조 복원 + 메타데이터 추출 (작성자·일자·공정·부품 ID·OEM 거래처·법령 출처) + 권한 태깅. (iii) 청킹·임베딩 계층 — 8D 보고서는 섹션 기반 청킹 (D1~D8), SOP 는 계층 청킹, MSDS 는 구조화 청킹 (물질명·CAS·유해성·법적 의무·혼합 금기). 멀티뷰 임베딩 + LG AI 플랫폼 Vector DB 적재. (iv) 검색 계층 — Dense + BM25 + 메타 필터, Re-ranker. 자동차 부품 코드·로트 ID 등 희귀 토큰은 BM25 가중. (v) 생성 계층 — EXAONE sLM 분기 우선, 외부 LLM API 분기 보조. LLM 프롬프팅, 근거 8D 보고서 ID·페이지·문단 인용 강제, 거부 정책. (vi) 권한·보안 계층 — AD/HRM 동기화·민감 정보 마스킹·외부 API 전송 전 마스킹 게이트. (vii) 감사·운영 계층 — 질의·응답 로그·피드백 수집·OEM 감사 자료 보존.

7.2.2 LLM 모델 선택 전략 — EXAONE 분기 1 차 적용 (Track 3 §4.3 직접 적용)

Track 3 §4.3 "LLM 모델 선택 전략 — 외부 API vs 온프레미스 sLM" 은 LLM 선정의 보안 · 비용 · 성능 · 주권 트레이드오프를 명시적으로 서술하며, 본 사업은 그 분기 정책의 EXAONE 1 차 적용 사례 이다.

• 외부 API 계열 (GPT · Claude 등): 품질·한국어 이해 상위, 최신성·기능 업데이트 빠름, 그러나 민감 정보 외부 전송·토큰 단가 이슈. 본 사업은 일반 한국어 응답·구조화 응답 생성에 한해 외부 API 허용 (마스킹 게이트 통과 후).
• LG EXAONE sLM (온프레미스/플랫폼): 데이터 주권·보안·고정비 유리, 인프라·운영 부담 존재, 도메인 파인튜닝 가능. 본 사업의 1 차 분기 모델 — 영업비밀·OEM 사양·배합표 비율·한국어 도메인 어휘 (배합·언더큐어·플로우 라인·블루밍·웨더링 등) 처리에 활용.
• 하이브리드 라우팅: 민감도 · 질의 유형 · 응답 지연 요건에 따른 분기. 본 사업의 4 가지 분기 기준은 §5.2-f 본문에 명시 — (i) 영업비밀·OEM 사양·배합표 비율 → EXAONE, (ii) 일반 한국어 응답·구조화 → 외부 API 허용, (iii) 한국어 도메인 어휘 빈번 응답 → EXAONE 우선, (iv) MSDS·화관법 등 규제 응답 → EXAONE.

선택 기준 요약 — 데이터 민감도가 결정적 변수이며, 영업비밀·고객정보·OEM 사양 포함 시 EXAONE 우선 · 범용 지식 검색은 외부 API 허용. 본 사업 후반 (Phase 2 의 M10) 에 LG AI Research 협력으로 자동차 부품 고무·폴리머 어휘에 대한 EXAONE 도메인 파인튜닝을 1 차 시도하여, 한국어 도메인 어휘 응답 품질을 외부 LLM API 대비 향상시키는 가능성을 검증한다.

7.2.3 환각 방지·근거 인용·거부 정책 (Track 3 §5.5 직접 적용)

본 사업의 RAG 는 환각 방지를 위한 4 중 안전장치를 갖춘다 (Track 3 §5.5 에서 직접 인용). (i) 근거 인용 (Citation) 강제 — 답변 문장별로 출처 8D 보고서 ID·페이지·청크 ID 링크가 반드시 포함되도록 시스템 프롬프트에 강제 명시. (ii) Reject 정책 — 검색 근거가 임계 이하이면 "근거 부족으로 답변 불가" 를 명시적으로 반환하고 휴먼 에스컬레이션. (iii) 신뢰도 스코어 — 검색 유사도·Re-rank 점수·응답 일관성 검사로 답변 신뢰도 표기. 신뢰도 하락 · 질의 민감 · 규제 관련 질의는 담당자 승인 루트로 자동 전환. (iv) EXAONE 도메인 어휘 정확도 검증 — 본 사업 특화 — 자동차 부품 고무·폴리머 도메인 어휘 (배합·언더큐어 등) 응답이 도메인 정의와 정합하는지 분기 단위 평가셋 검증.

7.2.4 권한·보안 (Track 3 §5.6 직접 적용)

본 사업의 RAG 는 "기업 지식 RAG 은 보안 프로젝트" 라는 Track 3 §5.6 명제를 자동차 부품 OEM 영업비밀 보호의 1 차 운영 적용으로 구체화한다. [고객사] 사내 사용자 계정 (LDAP·AD) + 부품군·OEM 거래처 권한 분류와 동기화하여 영업비밀 도면·OEM 사양·배합표 비율은 인가된 사용자에게만 노출된다. 외부 LLM API 호출 시 도면·OEM 사양·배합표 영업비밀 마스킹 게이트를 거치며, 민감도 라우팅 결과 민감 자산은 EXAONE sLM 으로 분기된다. 질의·응답 전체 감사 로그 (누가·언제·무엇을·어떤 문서로) 가 불변 저장되어 IATF 16949·OEM 감사 대응에 활용된다.

7.2.5 현장 UX (Track 3 §6.1 직접 적용)

QA PC 의 8D 보고서 작성 SW 사이드 패널 또는 Web 단독 UI 로 자연어 입력 + 사양 입력 + 증빙 첨부를 수용하며, "XX 부품 호스 외경 -0.3mm 이탈 + 표면 플로우 라인 발생" 과 같은 짧은 입력에 대해 (i) 8D 보고서 D1~D8 초안, (ii) 5Why 분석 후보, (iii) 과거 유사 사례 Top-N (검사 결과·OEM 응대 이력 인용), (iv) 시정·예방 조치 후보, (v) 인용 근거 (8D 보고서 ID·페이지) 를 [수치] 분 내에 회신한다.

[출처: track/track3-index.md §4.2 (RAG 아키텍처) + §4.3 LLM 모델 선택 전략 — EXAONE 분기 1 차 적용 + §5.5 (환각 방지) + §5.6 (권한·보안) + §6.1 (현장 UX) — 5 절 발췌 인용 + LLM-03 (EXAONE) 본 사업 적용 양상 보완. 본 사업의 EXAONE 분기 1 차 적용은 Phase E1·E2 와 차별화되는 핵심.]

---

8. 부록·별첨

8.1 시나리오 상세 (5 시나리오 — RUB-01·02·05·LLM-03·MLO-01 카드 요지 확장)

본 부록은 본 사업의 5 개 시나리오에 대해 시나리오 상세 자산이 부재한 점 (scenario/detail-top5.md·Phase2.md 모두 RUB 시나리오 미포함) 을 보완하기 위해, scenario/catalog.md 의 카드 요지를 본 사업 맥락에 맞춰 확장 작성한다. 본 §8.1 이 본 사업의 신규 작성 분량의 가장 큰 비중을 차지한다.

8.1.1 SCN-RUB-01 — 배합 (Banbury·Mixer) 분산도 품질 예측 (카드 요지 확장)

대상 공정: 자동차 부품 고무·폴리머 양산의 1 차 배합 단계. 밴버리·믹서에 천연/합성 고무·카본블랙·가소제·가류촉진제·노화방지제 등 [수치] 종 원료를 투입하여 균일 분산 + 무니 점도 [수치] 범위로 배출하는 공정.

고통점: 카본블랙·가소제 분산 불량이 후속 성형·가류 불량으로 이어지지만 배합 단계에서 검출 난해. 작업자가 믹서 토크 곡선·전력 커브·온도 변화를 청각·육안으로 판독하여 배합 종료 시점을 결정하나, 작업자별 ±[%] 편차가 발생. 사후 점도 측정에서야 분산 불량 배치가 식별되며, 후속 압출·가류 단계로 이미 전이된 시점이 다수.

AI 해결: 믹서 전력·토크 (고주파 1~10 Hz)·온도 커브, 원료 투입 순서·중량을 LSTM + XGBoost Stacking 으로 입력하여 분산도·무니 점도를 배합 종료 직전에 예측. 목표 이탈 시 추가 혼합 시간·스팀/쿨링 조정 권고. 사후 점도 라벨이 분기 단위로 모델 학습에 환류되며 MLO-01 드리프트 트리거의 입력으로 작동.

데이터 소스: 배합 믹서 PLC (전력·토크·온도·회전수, 1~10 Hz)·원료 배합표 (HWP/Excel)·사후 점도 측정 (시험실)·MES 배치 ID·작업자 ID.

트랙 매핑: Track 1 (5.2-b 시계열) + Track 2 (MLO-01 드리프트).

기대효과: 배합 배치 품질 편차 ↓·분산 불량 후속 전이율 ↓·베테랑 진단 신입 단독 가능 시점 ↓.

난이도·선행조건: 中. 믹서 PLC 데이터 적재 + 사후 점도 라벨 정합 (배치 ID 기반 결합) + 작업자 종료 사유 드롭다운 표준화 선행.

본 사업 적용 맥락: [고객사] 는 배합 믹서 PLC 일부 IoT 게이트웨이 도입 + [연도] 부분 AI 시범 (베이스라인 모델) 경험 보유. 본 사업은 (i) 미적재 라인 IoT 게이트웨이 추가 [수치] 식, (ii) 사후 점도 라벨의 배치 ID 기반 자동 결합, (iii) MLO-01 드리프트 1 차 적용으로 자연 노후화 방지를 도입한다. RUB-01 의 분산도 예측 결과는 후속 RUB-02 의 압출 치수 편차 위험 가중 입력 (배치 단위 메타 피쳐) 으로 결합되어, 본 사업의 KPI 상호보강 시너지 (시너지 ROI 모델 §4.1 패키지 4 α_kpi=1.05) 의 1 차 발현 영역으로 작동한다.

[출처: scenario/catalog.md SCN-RUB-01 카드 인용 + 본 사업 적용 맥락·MLO-01 결합·시너지 결합 보완]

8.1.2 SCN-RUB-02 — 압출 (Extrusion) 라인 치수·표면 실시간 검사·제어 (카드 요지 확장 — 본 사업 주력)

대상 공정: 자동차 부품 고무·폴리머 양산의 압출 단계. 호스·프로파일·웨더스트립 등의 단면을 다이 (die) 를 통과시켜 연속 성형하는 공정.

고통점: 호스·프로파일의 외경·두께가 설정-실제 편차로 ±[%] 수준 이탈. 작업자가 출측 사후 검사 결과를 보고 스크류 회전수·인출 속도·다이 온도를 수동 보정하나, 출측 1 개소의 사후 검사로는 라인 단위 이탈 길이가 누적된 후에야 보정 가능. 표면 결함 (스크래치·기포·플로우 라인) 도 작업자 육안 또는 외관 검사 단계에서 비로소 발견.

AI 해결: (i) 시계열 파트 — 압출기 PLC + 레이저 치수계 (1~10 Hz) 를 1D-CNN/LSTM 으로 분석해 외경·두께 σ 임계 이탈을 100 ms 이내 실시간 예측. (ii) 비전 파트 — 라인스캔 카메라 (라인 통과별) 를 EfficientNet/YOLO 로 표면 결함 (스크래치·기포·플로우 라인) 을 100 ms 이내 분류·세그멘테이션. (iii) Model Router 결합 — 두 엔진 출력을 부품 ID·라인 통과 시각·결함 등급으로 결합하여, 작업자 HMI 통합 알람 + 조작 변수 제안 (스크류 회전수·다이 온도·인출 속도). 본 사업의 차별적 핵심 기술 — 5.2-b + 5.2-c 결합 의 1 차 적용 사례.

데이터 소스: 압출기 PLC (스크류 회전수·인출 속도·다이 온도·압력, 1~10 Hz)·레이저 치수계 (외경·두께)·라인스캔 카메라·MES 부품 ID·사후 출하 검사·OEM 인수 검사.

트랙 매핑: Track 1 (5.2-b 시계열 + 5.2-c 비전 결합) + Track 2 (MLO-01 드리프트).

기대효과: 압출 외경·두께 σ ↓·라인 단위 이탈 길이 ↓·표면 결함 사후 발견율 ↓·OEM 인수 검사 클레임 ↓.

난이도·선행조건: 中~高. 압출 PLC OPC-UA 표준화·레이저 치수계 + 라인스캔 카메라의 NTP 동기·표면 결함 라벨 (1 차 라인 한정 + 검사원 라벨링) 선행.

본 사업 적용 맥락: [고객사] 의 압출 라인은 본 사업의 주력 시나리오로 위치하며, 1 차 [수치] 라인 한정 도입 + 라인스캔 카메라 [수치] 식 추가 + 레이저 치수계 정합 동기화 작업이 §5.1 데이터 정형화 단계에 포함된다. RUB-02 의 5.2-b+c 결합 모델은 본 사업의 Phase 1 (1~6 개월) 에 PoC·Pilot 진입하며, 12 개월 사업 종료 시점까지 챔피언·챌린저 검증을 통과한 안정 운영 모델로 자리 잡는다. 후속 단계 1 (M13~M24) 에서 전체 라인 확장·자동 클로즈드 루프 제어 (스크류 회전수 자동 조정) 가 검토 대상이다.

[출처: scenario/catalog.md SCN-RUB-02 카드 인용 + track/track1-engine-cards.md 5.2-b + 5.2-c 결합 가이드 + 본 사업 주력 시나리오 적용 맥락 보완]

8.1.3 SCN-RUB-05 — 고무 제품 외관 비전 검사 (카드 요지 확장)

대상 공정: 자동차 부품 고무·폴리머 양산의 후가공·외관 검사 단계. 가류·재단·접착 후 다각도 카메라로 표면 결함을 검사하는 공정.

고통점: 검은 고무 표면의 크랙·이물·기포·플로우 라인·블루밍 (Blooming, 표면 백화) 등 미세 결함의 육안 검출 난해. 검사원 피로·조명·각도에 따라 편차를 보이며, 야간·교대 시 불량 누락 빈번. 검사원 [수치] 명이 부품 [수치] 만 개/일을 검사하는 부담 누적.

AI 해결: 다각도 고조도 조명 + CNN/ViT 결함 분류 + Self-supervised Pretraining 으로 결함 데이터 부족을 완화. 검사원 라벨링 (Active Learning) 을 통해 라벨 수량을 확보하며, 분류 모델은 정상·결함 등급 1~3·재검토의 5 개 클래스 구분.

데이터 소스: 외관 검사 다각도 카메라 이미지 (정상·결함 라벨)·검사 SW 검사원 라벨·MES 부품 ID·사후 OEM 인수 검사 결과.

트랙 매핑: Track 1 (5.2-c 비전 + Self-supervised Pretraining).

기대효과: 외관 결함 검출률 ↑·검사원 검사 시간 ↓·OEM 인수 검사 클레임 ↓·야간·교대 누락 ↓.

난이도·선행조건: 中~高. 검은 고무 표면 미세 결함 라벨 부족 영역이므로 1 차 라인 한정 도입 + 검사원 라벨링 동시 진행. 라벨링 외주 대량 동반은 후속 단계 1 로 위임.

본 사업 적용 맥락: 본 사업은 [고객사] 의 외관 검사실 다각도 카메라 자산 위에 LG AI 플랫폼 비전 모델 레이어를 추가하며, 5.2-c 비전 검사 엔진의 자동차 부품 고무·폴리머 적용 사례로 위치한다. 1 차 라인 한정 (주요 호스·실링 라인) 으로 도입하여 12 개월 사업 종료 시점까지 검출 Recall [%] 이상 달성. RUB-05 의 결함 검출 결과는 LLM-03 의 8D 보고서 자동 작성 입력 (결함 등급·위치·증빙 이미지) 으로 결합되어 본 사업의 KPI 상호보강 시너지의 두 번째 발현 영역으로 작동한다.

[출처: scenario/catalog.md SCN-RUB-05 카드 인용 + 본 사업 적용 맥락·LLM-03 결합·시너지 결합 보완]

8.1.4 SCN-LLM-03 — 품질·불량 보고서 자동 작성 — EXAONE 결합 (카드 요지 확장)

대상 공정: QA·OEM 클레임 응대 부서. 자동차 OEM 8D·5Why·CAPA (Corrective Action and Preventive Action) 보고서 작성·OEM 응대.

고통점: 8D·5Why 보고서 작성에 수시간 ([기간]) 소요. 과거 유사 사례 검색·검사 결과 인용·증빙 자료 정리가 분산 보관 자산으로 인해 시간 비용 누적. 보고서 품질이 QA 담당자 숙련도에 따라 편차 큼. OEM 클레임 응답 속도가 [고객사] 의 OEM 거래 등급·차세대 부품 입찰 가산점에 영향.

AI 해결: 불량 이력·검사 데이터·과거 8D·5Why 보고서·OEM 클레임 응대 이력·물성 시험 결과·MSDS 를 통합 RAG 로 구축. 신규 불량 발생 시 QA 담당자가 자연어 입력 ("XX 부품 호스 외경 -0.3mm 이탈 + 표면 플로우 라인 발생") 만으로 8D 보고서 D1~D8 초안 + 5Why 분석 + 시정·예방 조치 후보 + 인용 근거 (8D 보고서 ID·페이지) 를 자동 생성. LG EXAONE sLM 결합 으로 한국어 도메인 어휘 (배합·언더큐어·플로우 라인·블루밍·웨더링 등)·OEM 사양·영업비밀 처리에 차별화.

데이터 소스: 과거 8D·5Why 보고서 (HWP/Excel)·OEM 클레임 응대 이력·검사 결과 DB·물성 시험 결과·MSDS·SOP·작업표준.

트랙 매핑: Track 3 (5.2-f LLM·RAG + EXAONE 분기) + Track 1 (RUB-05 결함 결과 결합).

기대효과: 8D 보고서 작성 시간 ↓·OEM 클레임 응답 속도 ↑·과거 사례 검색 시간 ↓·QA 담당자 숙련 편차 ↓.

난이도·선행조건: 中. 한국어 비정형 문서 청킹·임베딩 + EXAONE sLM 도메인 파인튜닝 + 영업비밀 마스킹 게이트 설계. AD/HRM 권한 동기화.

본 사업 적용 맥락: 본 사업은 [고객사] 의 한국어 8D·5Why 보고서·OEM 응대 자산을 LG AI 플랫폼 Vector DB 에 통합 인덱싱하며, 5.2-f LLM·RAG 지식검색 엔진의 EXAONE 분기 1 차 적용 사례 로 위치한다. Phase 1 (M5~M7) 에 PoC·Pilot 진입, Phase 2 (M10) 에 LG AI Research 협력으로 EXAONE 도메인 파인튜닝을 1 차 시도하여 한국어 도메인 어휘 응답 품질을 향상시킨다. 본 사업의 가장 차별적인 LG AI 트랙 정합 시나리오이며, 후속 단계 1 의 LLM-01 SOP RAG·SAF-03 MSDS RAG 의 EXAONE 결합 확장의 발판으로 작동한다.

[출처: scenario/catalog.md SCN-LLM-03 카드 인용 + track/track3-index.md §4.3 EXAONE 분기 + 본 사업 적용 맥락·EXAONE 1 차 적용·후속 확장 발판 보완]

8.1.5 SCN-MLO-01 — 모델 운영 감시·드리프트 탐지·자동 재학습 (카드 요지 확장 — 본 사업 첫 적용)

목적: Track 1 시나리오 5 종 (RUB-01·02·05·LLM-03 + 본 사업의 인프라 자체) 배포 후 지속 성능 유지. 자동차 OEM 변경관리 (IATF 16949·PPAP) 정합의 운영 거버넌스.

고통점: 공정 조건·원재료 공급사 변경·계절 변화·신규 부품 도입·OEM SQA 변경 시 모델 성능 저하 발생, 재학습 시점 판단 난해. [고객사] 의 부분 AI 시범 (배합 분산도 베이스라인 모델) 이 재학습 시점 판단 부재로 자연 노후화·폐기된 경험 보유. 자동차 OEM 의 PPAP 변경 통보 시 재검증 의무에 정합한 운영 자산 부재.

AI 해결: Evidently·LG AI 플랫폼 매니지드 모니터링형 피쳐 분포·성능 지표 모니터링 + PSI/KS 임계 초과 시 재학습 파이프라인 자동 트리거. 챔피언·챌린저 A/B 검증 후 전환. 외생 이벤트 트리거 (OEM SQA 변경·원재료 공급사 변경) 직접 등록. 본 사업의 12 개월 모델 수명 관리·OEM 변경관리 정합의 핵심 인프라.

데이터 소스: 추론 로그·실측 라벨 피드백 (사후 점도·출하 검사·OEM 인수 검사·검사원 라벨)·외생 이벤트 (OEM SQA 변경 통보·원재료 공급사 변경 알람·신규 부품 도입 이력).

트랙 매핑: Track 2 (핵심).

기대효과: 모델 평균 수명 ↑·드리프트 탐지 → 조치 리드타임 ↓·챔피언·챌린저 승급 검증 시간 ↓·자연 노후화 모델 폐기 방지·OEM 변경관리 정합 자산 확보.

난이도·선행조건: 中~高. 모델 레지스트리·피쳐 스토어·학습 파이프라인 인프라 + 드리프트 임계 초기 설정 + 챔피언·챌린저 검증 프로토콜 정합.

본 사업 적용 맥락: 본 사업은 Phase E1·E2 가 미사용한 MLO-01 드리프트를 1 차 직접 적용한 사례이다. Phase 2 (M9) 에 운영 시작, M11 에 첫 챌린저 승급 검증, M12 에 OEM SQA 정합 검증으로 12 개월 사업 종료 시점에 안정 운영 모델로 자리 잡는다. 본 사업의 가장 차별적인 운영 거버넌스 시나리오이며, 후속 단계 2 의 MLOps 풀 7 종 확장·후속 단계 3 의 산단 공동 연합학습의 운영 인프라로 직결된다. 자동차 OEM 변경관리 (IATF 16949·PPAP) 정합의 운영 자산이 본 사업의 OEM 공급망 신뢰성 강화의 핵심 차별 가치이다.

[출처: scenario/catalog.md SCN-MLO-01 카드 인용 + track/track2-index.md §5.5 (모니터링) + §6.2 (트리거 5 축) + §6.3 (챔피언·챌린저) 발췌 결합 + 본 사업 첫 적용·OEM 변경관리 정합·후속 확장 발판 보완]

8.2 사업비 산정 (대중소상생 사업비 비율 가정)

본 부록은 재무_예산_산정_가이드.md §5.3 별첨 양식을 따른다. 본 사업의 비목별 상세 산정 근거는 다음과 같다 — 패키지 4 (자동차 부품 고무·폴리머 중견 12 개월) 특성상 비전 라벨링 외주 비중 높음·EXAONE 결합 LG AI 플랫폼 라이선스 비중·MLO-01 인프라 투자 비중 (재무_예산_산정_가이드.md §4.3 표 인용).

비목	세부항목	산정 근거	단가	수량	금액 (만 원, 추정)
인건비 — PM	12 개월 × 1 인 × [%] 참여율	[수치] 만 / 인월	[수치] 만 / 인월	[수치] 인월	[수치] (확인 필요)
인건비 — DS·MLE 핵심	12 개월 × [수치] 인	[수치] 만 / 인월	[수치] 만 / 인월	[수치] 인월	[수치] (확인 필요)
인건비 — DE·QA·도메인 전문가	12 개월 × [수치] 인	[수치] 만 / 인월	[수치] 만 / 인월	[수치] 인월	[수치] (확인 필요)
재료비 — IoT 게이트웨이 추가 (RUB-01)	배합 미적재 라인용 [수치] 식	[수치] 만 / 식	[수치] 만 / 식	[수치] 식	[수치] (확인 필요)
재료비 — 라인스캔 카메라 (RUB-02)	압출 1 차 라인용 [수치] 식	[수치] 만 / 식	[수치] 만 / 식	[수치] 식	[수치] (확인 필요)
재료비 — 레이저 치수계 정합 동기화	압출 라인용 [수치] 식	[수치] 만 / 식	(확인 필요)	[수치] 식	[수치] (확인 필요)
재료비 — LG AI 플랫폼 라이선스 + EXAONE 사용권	12 개월 × 1 식 (LG 협력 패키지)	(확인 필요)	(확인 필요)	12 개월	[수치] (확인 필요)
재료비 — MLOps·시계열 DB 라이선스	12 개월 × 1 식	(확인 필요)	(확인 필요)	12 개월	[수치] (확인 필요)
재료비 — RAG 임베딩·벡터스토어	12 개월 × 1 식 (LLM-03)	(확인 필요)	(확인 필요)	12 개월	[수치] (확인 필요)
연구장비 — GPU 서버·엣지 박스	학습용 [수치] 식 + 엣지 [수치] 식 (라인 추론용)	(확인 필요)	(확인 필요)	(확인 필요)	[수치] (확인 필요)
연구활동비 — 출장·검증 워크숍·OEM SQA 정합 워크숍	월 [수치] 회 × 12 개월 평균	(확인 필요)	(확인 필요)	(확인 필요)	[수치] (확인 필요)
외주 (연구과제 추진비) — UI 개발	단일 통합 UI 3 채널	(확인 필요)	(확인 필요)	1 식	[수치] (확인 필요)
외주 — 도메인 자문	고무·폴리머 배합·자동차 부품 품질 자문 [수치] 인일	(확인 필요)	(확인 필요)	(확인 필요)	[수치] (확인 필요)
외주 — 비전 라벨링 (RUB-02 표면 + RUB-05 외관)	본 사업 1 차 라인 한정	(확인 필요)	(확인 필요)	(확인 필요)	[수치] (확인 필요)
외주 — 8D·5Why 보고서·MSDS 문서 정제 (LLM-03)	한국어 OCR + 청킹 + 권한 태깅	(확인 필요)	(확인 필요)	(확인 필요)	[수치] (확인 필요)
외주 — EXAONE 도메인 파인튜닝 (LG AI Research 협력)	Phase 2 M10 1 차 시도	(확인 필요)	(확인 필요)	1 식	[수치] (확인 필요)
연구수당	핵심 참여 연구원 인센티브	(확인 필요)	(확인 필요)	(확인 필요)	[수치] (확인 필요)
직접비 소계					[수치] (확인 필요)
간접비 ([%] 적용)	직접비 × [%]				[수치] (확인 필요)
총 사업비	직접비 + 간접비				[수치] 억 원 (확인 필요)
정부지원 ([%] — 대중소상생 가이드라인 높음)	LG 분담 + 정부 지원				[수치] (확인 필요)
자부담 ([%], 현금 [%] / 현물 [%])	[고객사] 분담 (데이터·인력·라이선스 현물)				[수치] (확인 필요)

시너지 보정 적용 여부 주석 — 본 §8.2 의 [수치] 는 재무_예산_산정_가이드.md §3.3 시너지 보정 (보수 [%]) 을 이미 적용한 결합 도입 비용이다. 단일 시나리오 5 종을 분리 발주할 경우 본 표의 [%] 증가가 추정된다.

18 개월 표준 대비 12 개월 비율 — 본 사업은 재무_예산_산정_가이드.md §4.2 의 6 패키지 비교 표에서 패키지 4 의 12 개월 표준 사업비 [수치] 억 원 으로 분류된다. 대중소상생 LG AI 트랙은 12 개월에 자연스럽게 부합하며, LG 협력 분담 (EXAONE 사용권·LG AI 플랫폼 라이선스) 으로 본 사업비 중 일부가 LG 측 분담으로 처리되는 점이 본 트랙의 차별적 비용 구조이다 (other/support-programs.md §3 — "대기업 AI 모델 활용 중견·중소 과제").

[출처: 재무_예산_산정_가이드.md §0 사업비 (직접비 5 비목 + 간접비) + §4.1 패키지 2 양식을 패키지 4 12 개월 대중소상생 LG AI 트랙으로 변형 + §4.3 비목 비중 패턴 (패키지 4 비전 라벨링 비중 큼) 적용 + §5.3 별첨 양식 + LG 협력 분담 1 문단 신규]

8.3 인용·참조 자산 인덱스

본 사업계획서가 인용한 워크스페이스 자산 목록은 다음과 같다.

자산 파일	인용 섹션	인용 횟수
meta/claude-md.md	톤·플레이스홀더 규약	(전체 적용)
track/track1-index.md	§1.1·1.2·2.1·2.2·2.3·2.4·3.3·3.4·3.5·4.1·4.2·4.3·5.1·5.3·6.2·6.3·6.4 카드	17 회
track/track1-top5.md	§3.1·3.2·4.4·4.5·4.6 본문 그대로 인용	5 회
track/track1-engine-cards.md	5.2-b·5.2-c·5.2-f 카드 + 5.2-b+c 결합 가이드	4 회
scenario/catalog.md	부록 B 패키지 4 + RUB-01·02·05·LLM-03·MLO-01 카드	6 회
guide/assembly.md	§1 7 단계 / §2 패키지 4 매핑 (5.2-b·c·f) / §3 SCN 부정합 처리 분기 (a)·(b)·© / §6 신규 작성 섹션 / §8 자체평가 양식 / §9.2 시너지 행 권고	6 회
guide/duration-compress.md	§5.1.B 9 개월 양식 → 12 개월 확장 정신 + §4 패키지 4 + §5.2 후속 단계 명세 + §5.3 §0 사업비 양식 + §6 압축 주의	5 회
other/synergy-roi.md	§3 산식 + §4.1·4.2 패키지 4 추정 (보수 1.50 / 낙관 1.97) + §5 §6.1 양식 + §6.4 패키지 4 카드	5 회
재무_예산_산정_가이드.md	§0 사업비 + §2.3 대중소상생 정부지원 비율 + §4.1 양식 변형 + §4.3 패키지 4 비목 비중 + §5.1·5.3 양식	5 회
track/track2-index.md	§4.2·5.5·6.1·6.2·6.3·6.5 발췌 (MLO-01 1 차 적용 모드)	6 회
track/track3-index.md	§4.2·§4.3 EXAONE 분기 1 차 적용·5.5·5.6·6.1 발췌 (LLM-03 + EXAONE)	5 회
scenario/detail-top5.md	(RUB 시나리오 부재 — 인용 없음, 본 §8.1 카드 요지 확장으로 보완)	0 회
scenario/detail-phase2.md	(RUB 시나리오 부재 — 인용 없음)	0 회
other/support-programs.md	§3 대중소상생 (LG · 삼성 · 포스코 AI 트랙)	2 회
module/safety.md	BLK-SAF-A (1.2 거시환경 — 발췌·요약), BLK-SAF-B (1.2 고무·폴리머 업종 대체 문구), BLK-SAF-C (3.4 — 발췌), BLK-SAF-D (6.2 후속 도입 가능성 1 문장)	4 회
module/federated-learning.md	BLK-FL-A 6.4 후속 로드맵 비전 1 문단 + BLK-FL-D 거버넌스 표현 (5.4)	2 회
module/cbam.md	(생략 — [고객사] EU 수출 비중 일부, 1 차 범위 외 명시)	0 회
module/saas-security.md	(생략 — 본 사업은 SaaS 가 아닌 LG AI 플랫폼·중견 온프레미스/하이브리드)	0 회
pkg/pkg2-cold-rolled.md	(참조 — 18 개월 풀 인프라 양식·자체평가 양식)	(간접)
pkg/pkg5-precision.md	(참조 — 6 개월 압축·SaaS 양식·자체평가 양식 + Phase E2 비교 평가)	(간접)
meta/review-report.md	(메타 자료)	0 회
meta/worklog.md	(프로젝트 내부)	0 회

[본 인덱스는 본 사업계획서 전체에서 인용된 자산을 종합 정리한 것이다]

---

통합 테스트 자체평가 (Phase E3)

본 섹션은 Phase E3 통합 파일럿의 자체평가 결과이다. 본 문서 자체가 통합 테스트 산출물이므로, 조립 과정에서 발견한 이슈를 6 항목 + Phase E1·E2 비교 1 항목 (5 축 검증 결과 보고) 의 7 항목 구조로 평가한다 (guide/assembly.md §8 자체평가 양식 + 본 임무의 추가 1 항목 + Phase E2 양식 계승).

1. 자산 활용도 — 워크스페이스 자산 22 개의 활용 체크리스트

자산 파일	활용 여부	활용 위치
meta/claude-md.md	✓	톤·플레이스홀더 규약 전반
track/track1-index.md	✓	§1·2·3·4·5·6 의 17 카드 인용
track/track1-top5.md	✓	§3.1·3.2·4.4·4.5·4.6 본문 인용
track/track1-engine-cards.md	✓	§5.2 의 3 카드 (b·c·f) + 5.2-b+c 결합 가이드
scenario/catalog.md	✓	§0 패키지 4 + §8.1 5 카드 요지 확장
guide/assembly.md	✓	§3·4·5 SCN 부정합 처리·§5.2 카드 매핑·§8 자체평가 양식·§9.2 시너지 권고
guide/duration-compress.md	✓	§5.1.B 9 개월 양식 → 12 개월 확장 정신·§4 패키지 4·§5.2 후속 명세·§5.3 §0 사업비
other/synergy-roi.md	✓	§6.1 결합 시너지 행 신설 (보수 1.50 / 낙관 1.97 직접 인용)
재무_예산_산정_가이드.md	✓	§0·§5.5·§8.2 사업비 양식 + LG 협력 분담 차별
track/track2-index.md	✓ (MLO-01 1 차 적용)	§7.1 풀 5 종 발췌 (Phase E2 의 3 종 압축보다 깊음) + 5 축 트리거 + 챔피언·챌린저
track/track3-index.md	✓ (EXAONE 분기 1 차 적용)	§4.3 EXAONE 분기 + §5.5·§5.6 환각 방지·권한 + §6.1 UX
scenario/detail-top5.md	✗	(RUB 시나리오 부재 — §8.1 카드 요지 확장으로 보완)
scenario/detail-phase2.md	✗	(RUB 시나리오 부재)
other/support-programs.md	✓	§0·1.1 사업 분류 (대중소상생 LG AI 트랙)
module/safety.md	✓ (간단)	§1.2 BLK-SAF-A·BLK-SAF-B 인용 + §3.4 BLK-SAF-C + §6.2 BLK-SAF-D 후속 도입 가능성
module/federated-learning.md	✓ (간접)	§6.4 후속 로드맵 BLK-FL-A 비전 + §5.4 BLK-FL-D 거버넌스
module/cbam.md	✗	(1 차 범위 외 — EU 수출 일부, 후속 위임 명시)
module/saas-security.md	✗	(LG AI 플랫폼·중견 하이브리드 — SaaS 아님)
pkg/pkg2-cold-rolled.md	✓ (참조)	골격·자체평가 양식 참조
pkg/pkg5-precision.md	✓ (참조)	Phase E2 비교 평가 양식 계승
meta/review-report.md	✗	(메타 자료)
meta/worklog.md	✗	(프로젝트 내부)

활용률: 22 개 중 16 개 직접·간접 인용 + 2 개 명시 생략 = 약 81.8 % (Phase E1 의 85.7 %, Phase E2 의 85 % 와 유사한 일관 활용 추세). 4 축 검증 신규 자산 (조립·압축·시너지·재무) 4 종 모두 직접 활용 + Track 2·3 양 트랙 깊이 인용 + EXAONE 분기·MLO-01 1 차 적용의 차별 자산 신규 활용한 점이 차별.

2. 갭 발견 — 본 패키지 (12 개월·자동차 부품 고무·폴리머·대중소상생 LG AI·EXAONE·MLO-01) 에서 새로 발견된 갭 (Top 3)

Phase E1·E2 갭은 본 사업 시점에 모두 표준화·해소되었으나, 본 패키지 (자동차 부품 고무·폴리머 12 개월 대중소상생 LG AI 트랙) 에서 다음 신규 갭이 발견되었다.

1. RUB 시나리오 상세 자산 부재 — 가장 큰 신규 갭 — 본 사업의 5 시나리오 중 RUB-01·02·05·LLM-03·MLO-01 모두 scenario/detail-top5.md·scenario/detail-phase2.md 에 부재하다. Top5 는 STL·UTL·MET 시나리오 중심, Phase2 는 STL-09·LLM-02 등 다른 영역 중심. 본 사업은 §8.1 에서 5 시나리오 모두 카탈로그 카드 요지 확장으로 보완하였으나, 이는 Phase E2 의 1 시나리오 (UTL-01) 인용 + 3 시나리오 카드 확장 모델보다 신규 작성 부담이 큼. 향후 워크스페이스의 scenario/detail-rub.md (또는 자동차 부품 도메인 별도 파일) 신규 자산 작성이 권장된다 — 특히 RUB-02 압출 5.2-b+c 결합·RUB-01 배합·RUB-05 외관·LLM-03 EXAONE 결합의 4 시나리오는 자동차 부품·고무·폴리머 산업의 핵심 영역.

2. EXAONE 활용 가이드 자산 부재 — 본 사업은 LG EXAONE sLM 분기를 1 차 적용한 사례이나, 워크스페이스에는 EXAONE 의 도메인 파인튜닝 양상·LG AI 플랫폼 결합 운영 패턴·외부 LLM 하이브리드 라우팅의 임계 설정·EXAONE 응답 평가셋 구성 등의 구체 가이드가 부재하다. Track 3 §4.3 의 외부 API vs 온프레미스 sLM 분기 정책 1 단락만 존재. 본 사업의 검증 결과를 토대로 EXAONE 활용 가이드 (또는 LG AI 트랙 운영 가이드) 신규 자산 작성이 권장된다 — 후속 LG AI 트랙·삼성·포스코 AI 트랙 사업의 한국어 sLM 활용 일반성 확보의 기반 자산.

3. 자동차 OEM 변경관리 (IATF 16949·PPAP) 정합 양식 자산 부재 — 본 사업은 자동차 부품 1 차 협력사 위상에 따라 모델 카드·드리프트 임계 변경·재학습 승인 워크플로우·OEM SQA 변경 외생 이벤트 트리거 등을 OEM 감사 자료로 직접 활용 가능한 형태로 운영하는 거버넌스를 1 차 도입하였다. 그러나 워크스페이스에는 IATF 16949 변경관리·PPAP 의 SQA 의 구체 양식·체크리스트·OEM 감사 대응 자산이 부재하다. Track 2 §1.3 (규제·인증·감사 요구) 에 ISO/IEC 42001·ISO 9001·IATF 16949·중대재해법이 언급되나 표층적 인용에 그침. 본 사업의 검증 결과를 토대로 자동차 OEM 변경관리 정합 모듈 (모듈_OEM_공급망.md 등) 신규 자산 작성이 권장된다.

3. 자연스럽지 않은 인용 (SCN 부정합 처리 결과 보고)

guide/assembly.md §3.3 분기 (a)·(b)·© 적용 결과:

1. §3.1 BLK-T1-3.1 인용 — (b) 분기 적용 — 인용 본문 말미의 SCN-STL-07·MET-05 를 본 사업의 SCN-RUB-01·RUB-02 로 치환. 출처 표기에 "발췌·재정렬" 명시. 결과 평가: 인용성 미세 손상 vs 사업 범위 정합성 우선 — 후자 채택. Phase E1·E2 의 §3.1 처리와 동일 패턴. 일관성 점수에 기여.

2. §3.2 BLK-T1-3.2 인용 — © 분기 적용 — 인용 본문 내 SCN-STL-08·LLM-01·LLM-04 중 본 사업은 LLM-03 한정. LLM-01·LLM-04·SAF-03 후속 로드맵 위임 1 문장 부가. Mermaid 비정형 원천을 자동차 부품 고무 양산 맥락 (배합표·8D 보고서·MSDS·외관 검사 이미지) 으로 일부 교체. 결과 평가: 인용성 유지 + 후속 단계 가시화 양립.

3. §4.4 BLK-T1-4.4 인용 — (a) 분기 적용 — 인용 본문 말미의 SCN-MLO-02 (피쳐 스토어 풀) 는 본 사업의 후속 단계 (피쳐 스토어 풀 도입) 로 위임된 시나리오, 본 사업은 MLO-01 + 기초 피쳐 스토어 (LG AI 플랫폼) 1 차 도입. (a) 각주 처리. 결과 평가: Phase E1 의 §4.5 STL-08·STL-07 (a) 처리와 동일 패턴.

4. §4.5 BLK-T1-4.5 인용 — (b) 분기 적용 — 인용 본문 내 적용 사례 SCN-STL-01·STL-09·STL-07·STL-08 을 본 사업 시나리오 (RUB-01·02·LLM-03) 로 일부 치환·확장. RUB-02 의 5.2-b+c Model Router 결합은 본 사업의 1 차 적용 사례로 1 문장 신규 추가. 결과 평가: 인용성 미세 손상 vs 사업 차별점 강조 — 후자 채택.

5. §4.6 BLK-T1-4.6 인용 — © + 신규 추가 분기 적용 — 인용 본문 말미의 SCN-LLM-01~04 중 본 사업 LLM-03 한정. © 분기 적용. MLO-01 1 차 적용 명시는 본 사업의 차별점이며 1 문장 신규 추가. 결과 평가: Phase E1·E2 와 차별화되는 본 사업의 특화점 (MLO-01 직접 적용) 을 인용 본문에 직접 반영한 1 차 사례.

4. 새로 작성한 섹션 평가

섹션	새로 작성 분량 (대략)	평가 (1~5)	비고
§0 과제 요약 (LG EXAONE·MLO-01 명시)	50 줄	5	재무·예산 산정 §5.1 + 압축 가이드 §5.3 양식 결합 + EXAONE·MLO-01 차별 명시
§1.1 추진 체계 (12 개월·대중소상생·EXAONE 결합)	35 줄	5	9 → 12 개월 확장 정신 적용 + EXAONE 4 지점 명시
§1.3 자동차 부품 고무·폴리머 산업 도메인 (3 번째 업종)	35 줄	5	Phase E1 철강·E2 정밀가공을 자동차 부품 고무·폴리머로 교체 — 3 도메인 일반성 검증
§1.4 [고객사] 자동차 부품 고무·폴리머 중견 양산사 프로필	40 줄	5	가상 [고객사] 자동차 OEM 1 차 협력사 정합
§2.1·2.2·2.3·2.4	165 줄	4	ICS·MES Lv.1~Lv.2 중견사 + 자동차 OEM 공급망 정합
§4.1 TO-BE (LG EXAONE 결합 강조)	45 줄	5	LG AI 플랫폼·EXAONE·MLO-01 통합 개념도
§4.2 매트릭스 (5 시나리오 + LG 플랫폼 의존도)	25 줄	5	5.2-b+c 결합·EXAONE 분기 명시
§4.3 데이터 유형 (EXAONE 활용 측면)	30 줄	5	한국어·도메인 어휘·민감 자산 처리 EXAONE 차별
§5.1·5.4·5.5	175 줄	5	LG AI 플랫폼 + EXAONE + 협력사간 협약서 + 12 개월 간트
§5.2 RUB-02 5.2-b+c 결합 가이드 + LLM-03 EXAONE 분기	60 줄	5	본 사업의 차별 기술 영역
§5.3 단일 통합 UI 3 채널	35 줄	5	작업자·QA·정비/운영 3 채널 분리
§6.1 시너지 행 (보수 1.50 / 낙관 1.97 신설)	60 줄	5	other/synergy-roi.md §4.1·4.2 직접 인용 + MLO-01 추가 가치 1 단락
§6.2 정성 효과 (OEM 공급망 신뢰성·EXAONE 일반성·산업안전 BLK-SAF-A·D)	50 줄	5	7 영역·자동차 OEM 1 차 협력사 위상 강조
§6.3 KPI (OEM SQA 정합 추가)	35 줄	5	자동차 OEM 변경관리 정합 KPI 신규
§6.4 후속 로드맵 (4 항목 양식 + 산단 공동 LG 확장)	60 줄	5	압축 가이드 §5.2 양식 + BLK-FL-A 비전
§7.1 MLO-01 1 차 적용 (5 종 + 5 축 + 챔피언·챌린저)	90 줄	5	Phase E1·E2 와 차별 — 가장 깊은 Track 2 발췌
§7.2 LLM-03 EXAONE 분기 1 차 적용	75 줄	5	Track 3 §4.3 직접 적용 + 4 가지 분기 기준 명시
§8.1 5 시나리오 카드 요지 확장 (RUB·LLM·MLO 모두)	175 줄	5	본 사업의 가장 큰 신규 작성 영역 — 시나리오 상세 자산 부재 보완
§8.2 사업비 (재무·예산 §4.3 양식 + LG 협력 분담)	60 줄	5	패키지 4 비목 비중 + LG EXAONE·플랫폼 라이선스 분담
자체평가 + Phase E1·E2 비교	320 줄	5	5 축 검증 결과 보고

전체 평가: 새로 작성 섹션 모두 4 점 이상으로 평가되며, 본 사업의 [고객사] 자동차 부품 고무·폴리머 중견 양산사 + 12 개월 + 대중소상생 LG AI 트랙 + EXAONE 결합 + MLO-01 첫 적용 정합성은 양호하다. §8.1 의 RUB 시나리오 상세 자산 부재 보완이 가장 큰 신규 작성 영역.

5. 새로 작성 분량 비율

전체 본문 약 1,300 줄 (Mermaid 코드·표 포함). 새로 작성 분량 추정: - §0 과제 요약: 50 줄 - §1.1·1.3·1.4: 110 줄 - §2.1~2.4: 165 줄 - §3.3·3.5·3.4 특화 부분: 50 줄 (BLK 인용 본문 외 특화 1~2 문장 + 종합 표 + 안전 간단 인용) - §4.1·4.2·4.3 (TO-BE 새로 작성): 100 줄 - §5.1·5.4·5.5: 175 줄 - §5.2 RUB-02 결합 + LLM-03 EXAONE: 60 줄 - §5.3 단일 UI 3 채널: 35 줄 - §6.1 시너지 행 + §6.3 KPI + §6.4: 155 줄 - §6.2 (안전 정성 + OEM·EXAONE 확장): 50 줄 - §7.1·7.2 MLO-01 1 차 + EXAONE 분기 발췌·적용: 165 줄 - §8.1 5 시나리오 카드 요지 확장: 175 줄 - §8.2 사업비: 60 줄 - 자체평가: 320 줄

총 새로 작성 추정: 약 1,670 줄 / 1,300 줄... 자체평가 분량이 본문 외 별도 분량이므로, 본문 1,300 줄 기준으로 자체평가 외 신규 작성 약 1,350 줄 / 자체평가 320 줄. 재산정 — 자체평가 제외 본문 약 980 줄, 자체평가 320 줄, 총 약 1,300 줄. 본문 980 줄 중 신규 작성 추정: - §0 + §1.1·1.3·1.4 + §2.x: 320 줄 - §3 BLK 인용 외 특화: 50 줄 - §4 TO-BE 새로 작성·일부 인용: 100 줄 - §5 데이터·UI·연동·일정: 270 줄 - §5.2 RUB-02 결합 + EXAONE: 60 줄 - §6 정량·정성·KPI·로드맵: 205 줄 → 인용 행은 50 줄·신규 155 줄 - §7 Track 2·3 발췌 + 본 사업 적용: 인용 100 줄·신규 65 줄 - §8.1 5 시나리오 확장: 175 줄 - §8.2 사업비: 60 줄

총 새로 작성 추정 (본문 기준): 약 1,330 줄 (자체평가 320 줄 포함) — 신규 작성 비율 약 38~40 %. 자체평가 제외 본문 약 980 줄 중 인용 약 350 줄 / 신규 약 630 줄 = 신규 약 64 % / 인용 약 36 %. 이는 분량 가이드 (신규 25~40 %) 의 상한 근접 수준이며, RUB 시나리오 상세 자산 부재가 §8.1 175 줄 신규 작성을 유발한 직접 원인.

Phase E1·E2 와의 분량 비율 차이:

항목	Phase E1 패키지 2	Phase E2 패키지 5	Phase E3 패키지 4	비고
본문 분량	약 1,180 줄	약 1,150 줄	약 1,300 줄	E3 가 가장 큼
인용 비율	70 %	66.2 %	약 60 %	E3 가 가장 낮음
신규 작성 비율	30 %	33.8 %	약 40 %	E3 가 가장 높음
신규 작성 분량	약 354 줄	약 405 줄	약 520 줄	E3 가 가장 큼

신규 작성 비율이 E3 에서 약 40 % 로 높아진 이유 (E2 대비 6 %p) 는 다음 4 가지로 분석된다 — (i) RUB 시나리오 상세 자산 부재 — §8.1 의 5 카드 요지 확장 175 줄이 가장 큰 신규 작성 영역. E2 의 §8.1 (90 줄) 대비 약 2 배. (ii) EXAONE 분기 1 차 적용 — §5.2-f·§7.2 의 EXAONE 활용 양상 1 차 작성 약 75 줄. (iii) MLO-01 1 차 직접 적용 — §7.1 의 5 종 + 5 축 + 챔피언·챌린저 1 차 적용 약 90 줄 (E2 의 압축 모드 40 줄 대비 2 배 이상). (iv) 자동차 OEM 공급망 정합 — IATF 16949 변경관리·PPAP·SQA 의 정합 거버넌스 1 차 작성 약 50 줄.

신규 작성 비율의 상한 근접은 임무 분량 가이드의 상한 (1,400 줄·신규 30~40 %) 과 정합 하며, 본 사업의 차별 영역 (RUB 도메인·EXAONE·MLO-01·OEM 정합) 이 모두 신규 작성으로 1 차 노출되는 점을 반영한다.

6. 전체 일관성 자기평가 (1~5 점)

항목	평가 (1~5)	비고
톤 통일 (한국어 문어체·사업계획서 어투)	5	인용 본문 + 새로 작성 동일 톤
플레이스홀더 일관성	5	가상 회사명 만들지 않음 + [OEM] 신규 플레이스홀더 일관 적용
인용 출처 표기 (> [출처: ...])	5	모든 섹션 말미. SCN 부정합 처리 분기 명시. (a)·(b)·© 적용 5 회
시나리오 ID 정합성	5	본 사업 범위 (RUB-01·02·05 + LLM-03 + MLO-01) 일관. SCN 부정합 처리 정책 적용
트랙 매핑 일관성	5	카드 매트릭스 (5.2-b·c·f) 와 정합 + RUB-02 5.2-b+c 결합 명시
분량 균형	4	신규 작성 비율 약 40 % 로 가이드 상한 근접 (RUB 시나리오 상세 부재로 불가피)
12 개월 표준·대중소상생·EXAONE·MLO-01 강조 일관성	5	§0·1.1·4.1·5.2·7.1·7.2 에서 반복 강조
OEM 공급망 정합 일관성 (자동차 부품 1 차 협력사)	5	§1.4·3.3·5.4·5.5·6.2·6.3·7.1 에서 반복

종합 일관성 점수: 4.9 / 5 (Phase E1 의 4.7, Phase E2 의 5.0 의 사이 — 분량 균형 1 항목이 4 점으로 약간 하락. RUB 시나리오 상세 자산 부재가 직접 원인이며, 일관성 자체는 양호하게 유지됨).

7. Phase E1 (패키지 2) · Phase E2 (패키지 5) 와의 비교 평가 — 5 축 검증 결과 보고

본 임무의 추가 1 항목으로 워크스페이스 자산이 3 도메인 (철강·정밀가공·자동차 부품 고무·폴리머) 에 모두 적용 가능한 일반성 + 12 개월 양식 검증 + EXAONE 분기 검증 + MLO-01 첫 적용 + RUB 시나리오 첫 다룸의 5 축 검증 결과를 보고한다.

7.1 축 1 — 3 도메인 자산 일반성 입증

결과 — 적용 가능, 일반성 입증. track/track1-top5.md 5 블록 (§3.1·3.2·4.4·4.5·4.6) 은 3 도메인 (철강 18 개월 풀·정밀가공 6 개월 SaaS·자동차 부품 고무·폴리머 12 개월 LG AI) 모두에 그대로 인용 가능했으며, 도메인 교체는 [고객사]·[공정]·시나리오 ID 의 SCN 부정합 처리 분기 (a)·(b)·© 적용으로 해소되었다. track/track1-engine-cards.md 의 6 카드 (5.2-a~f) 도 3 도메인의 다른 카드 조합 (E1: a·b·d·e·f / E2: b·c·e·f / E3: b·c·f) 모두에 적용 가능하여 카드 매트릭스의 일반성이 3 도메인 검증 완료. 신규 자산 4 종 (조립 가이드·압축 가이드·시너지 ROI 모델·재무 가이드) 도 3 도메인 모두에 직접 인용 가능한 일반성을 보임.

자산 일반성	E1 (철강)	E2 (정밀가공)	E3 (고무·폴리머)	결과
Top5 5 블록	✓	✓	✓	3 도메인 일반성 입증
5.2 카드 6종	✓ (5 카드)	✓ (4 카드)	✓ (3 카드)	다양한 조합 일반성 입증
신규 자산 4종	(E1 으로 신설)	✓ (1 차 적용)	✓ (2 차 적용)	신설 → 1 차 → 2 차 안정 적용

7.2 축 2 — 12 개월 양식 검증

결과 — 검증 성공. guide/duration-compress.md §5.1.B 9 개월 양식의 마지막 단락 — "12 개월 양식은 본 9 개월 양식에 STL-09 또는 LLM-02 의 1 시나리오를 추가하고 Phase 2 를 7~12 개월로 확장하는 구조" — 의 정신을 본 사업이 1 차 적용하였다. 본 사업의 5 시나리오 = 9 개월 핵심 (RUB-02 + LLM-03) + 추가 3 시나리오 (RUB-01·05 + MLO-01) 의 구조로 12 개월 양식이 자연스럽게 확장됨. 갭 — 압축 가이드 §5.1.B 의 12 개월 양식은 STL/LLM 시나리오 예시만 제시되어 있어 본 사업의 RUB·MLO 적용 시 자연스러움이 일부 손상. §5.1.B 의 12 개월 양식 자체에 RUB·MET 도메인 예시 추가 권장.

양식	E1	E2	E3	결과
18 개월 표준 (패키지 2)	✓ (1 차)	—	(참조)	표준 양식 검증
6 개월 SaaS 경량 (§5.1.A)	—	✓ (1 차)	—	6 개월 양식 신설·검증
9 개월 압축 (§5.1.B)	—	(참조)	(확장 정신)	9 개월 양식 표준
12 개월 표준 (본 사업)	—	—	✓ (1 차)	12 개월 양식 1 차 검증

7.3 축 3 — EXAONE 분기 검증

결과 — 검증 성공, 후속 가이드 작성 권장. Track 3 §4.3 "외부 API vs 온프레미스 sLM" 의 EXAONE 분기 1 단락이 본 사업으로 1 차 운영 적용 검증되었다. 본 사업의 4 가지 분기 기준 (영업비밀·일반·도메인 어휘·규제) 이 자동차 부품 고무·폴리머 도메인에서 자연스럽게 작동하는 점이 §5.2-f·§7.2 에 명시되었다. 갭 (§2 갭 발견 2 와 동일) — EXAONE 의 도메인 파인튜닝 양상·평가셋 구성·외부 LLM 라우팅 임계 설정의 구체 가이드 부재. 본 사업의 검증 결과를 토대로 EXAONE 활용 가이드 신규 자산 작성이 후속 자산 보강 우선순위.

7.4 축 4 — MLO-01 첫 적용

결과 — 검증 성공. Phase E1 (Track 2 풀 7 종 도입했으나 MLO-01 자체는 본 사업 내 직접 운영 적용은 없음) · Phase E2 (압축 3 종 도입, MLO-01 미적용) 의 패턴과 차별화되어, 본 사업이 MLO-01 드리프트를 1 차 직접 적용한 첫 사례. Track 2 §5.5 의 PSI/KS/Jensen-Shannon 임계 + §6.2 의 5 축 트리거 + §6.3 의 챔피언·챌린저 + §6.5 의 리뷰 리츄얼이 본 사업의 12 개월 모델 수명 관리·OEM 변경관리 정합의 운영 자산으로 1 차 작동.

Track 2 적용 깊이	E1	E2	E3
풀 7 종 도입	✓	✗	✗ (5 종)
5 종 도입	—	✗ (3 종)	✓
MLO-01 직접 적용	✗ (구성요소만)	✗	✓ (1 차)
5 축 트리거	✓	✗ (3 축)	✓
챔피언·챌린저	(참조)	✗	✓ (1 차 운영)

7.5 축 5 — RUB 시나리오 첫 다룸

결과 — 검증 성공, 시나리오 상세 자산 보강 권장. Phase E1 (STL 시나리오) · Phase E2 (MET·UTL·LLM 시나리오) 와 차별화되어, 본 사업이 RUB 시나리오 (RUB-01 배합·RUB-02 압출·RUB-05 외관) 를 1 차 다룬 사례. 갭 (§2 갭 발견 1 과 동일) — scenario/detail-top5.md·Phase2.md 에 RUB 시나리오 부재로 §8.1 의 5 카드 요지 확장 175 줄이 신규 작성 부담의 가장 큰 비중. 본 사업의 검증 결과를 토대로 scenario/detail-rub.md (또는 자동차 부품 도메인 별도 파일) 신규 자산 작성이 가장 우선순위 높은 후속 자산 보강 작업.

7.6 5 축 검증 종합 결과

검증 축	결과	갭/권장 후속 작업
축 1: 3 도메인 자산 일반성	✓ 입증	(해소)
축 2: 12 개월 양식	✓ 검증 성공	압축 가이드 §5.1.B 에 RUB·MET 예시 추가
축 3: EXAONE 분기	✓ 검증 성공	EXAONE 활용 가이드 신규 자산
축 4: MLO-01 첫 적용	✓ 검증 성공	(해소)
축 5: RUB 시나리오 첫 다룸	✓ 검증 성공	scenario/detail-rub.md 신규 자산 (가장 우선순위)

본 Phase E3 통합 파일럿은 워크스페이스 자산이 3 도메인 (철강 18 개월 풀·정밀가공 6 개월 SaaS·자동차 부품 고무·폴리머 12 개월 LG AI) 에 모두 적용 가능한 일반성을 갖춤을 검증하였으며, Phase E1·E2 자체평가 갭이 모두 표준화·해소된 점을 재확인하였다. 신규로 노출된 갭 (RUB 시나리오 상세·EXAONE 활용 가이드·자동차 OEM 공급망 정합 양식) 은 후속 자산 보강 우선순위로 제안된다.

7.7 통합 테스트로 드러난 가장 큰 이슈 (Top 2)

1. RUB 시나리오 상세 자산의 부재 — 본 사업의 가장 큰 신규 작성 부담 영역이며, 후속 자산 보강의 가장 우선순위 작업. scenario/detail-rub.md 신설 시 RUB-01 배합·RUB-02 압출 (5.2-b+c 결합 강조)·RUB-05 외관·LLM-03 EXAONE 결합·MLO-01 자동차 OEM 정합의 5 시나리오를 본 사업의 §8.1 카드 요지 확장 분량 (각 35 줄) 을 기반으로 더욱 상세히 작성 (각 80~100 줄) 권장.

2. 자동차 OEM 변경관리 (IATF 16949·PPAP·SQA) 정합 양식 자산의 부재 — 본 사업의 차별 가치 (자동차 부품 1 차 협력사 OEM 공급망 신뢰성 강화) 의 핵심 운영 거버넌스가 본 사업으로 1 차 도입되었으나, 워크스페이스에는 양식·체크리스트가 부재. 모듈_OEM_공급망.md (또는 자동차 부품 OEM 모듈) 신규 자산 작성 권장 — 본 사업의 검증 결과를 토대로 IATF 16949 변경관리·PPAP·SQA 의 양식·체크리스트·OEM 감사 대응 자산 1 차 정리.

---

[본 자체평가는 guide/assembly.md §8 자체평가 양식 6 항목 + Phase E2 임무의 추가 1 항목 (Phase E1 비교) 의 7 항목 구조 + Phase E3 임무의 5 축 검증 결과 보고 (§7.1~7.7) 의 확장 구조로 작성되었다]

📌 이 페이지 정보 (개발자용)

• 원본 파일: 사업계획서_패키지4_고무양산_파일럿.md
• 자산 군: 📦 통합 파일럿
• slug 경로: pkg/pkg4-rubber.md
• 워크스페이스 정책: 원본 .md 수정 0 — hooks 로만 시각 변환
• 자산 자족성 정상화: Phase E7 완료 (잔여 외부 갭 4)