사업계획서 — [고객사] 클라우드 종합솔루션 지원사업 (정밀가공 중소 6 개월 SaaS 경량 파일럿)¤

📖 약 88 분 읽기

통합 파일럿 인포그래픽 — 클릭하여 확대·SVG 다운로드

ℹ️ 페이지 정보 (워크스페이스 메타)

본 문서 성격 — Phase E2 통합 파일럿. 가상의 정밀가공 중소사 [고객사] 를 가정하여 워크스페이스 자산을 단일 사업계획서로 조립한 통합 테스트 결과물. Phase E1 의 패키지 2 (중견 스테인리스 냉연 18 개월 풀 인프라) 와 대척점에 있는 도메인 (정밀가공 6 개월 SaaS 경량) 으로 워크스페이스 자산의 일반성을 검증한다. 4 축 검증 — (i) 6 개월 압축 (guide/duration-compress.md 적용), (ii) SaaS 경량 (Track 2 축소), (iii) 신규 도메인 (정밀가공), (iv) 안전 모듈 간단 인용. 인용 표기 — 본 문서의 본문 다수는 워크스페이스 기존 자산을 인용한 것으로, 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 정밀가공 중소사, [공정] 대상 공정명, [수치] 수치, [기간] 기간, [%] 비율, [연도] 연도, [사업장] 사업장 위치 (부산·경남 내).

0. 과제 요약 (1 페이지)¤

항목	내용
과제명	[고객사] CNC 정밀가공·치수검사·에너지·도면검색 통합 클라우드 SaaS AI 플랫폼 구축
사업 분류	클라우드 종합솔루션 지원사업 (`other/support-programs.md` §5)
사업기간	6 개월 (압축 구조) — `guide/duration-compress.md` §1 의 4 분기 (시나리오 후순위·인프라 축소·HITL UI 단일화·로드맵 분리) 모두 적용
총 사업비	[수치] 천만 원 (정부지원 [%] / 자부담 [%]) — 중소기업 가이드라인 적용 (`재무_예산_산정_가이드.md` §2.3)
주관기관	(확인 필요 — 클라우드 종합솔루션 운영기관)
도입기업	[고객사] (가상의 정밀가공 중소사, 부산·경남 [사업장])
대상 공정	CNC 선반·머시닝센터·MCT (가공) + 3D 치수 검사 + 공장 에너지 + CAD 도면 관리
핵심 시나리오	SCN-MET-01 CNC 공구 마모·파손 예지 (주력) · SCN-MET-03 3D 스캔 치수 검사 자동화 (주력) · SCN-UTL-01 공장 에너지 최적화 (확장) · SCN-LLM-04 CAD 도면 지능 검색 (확장) · SCN-MLO-03 현장 피드백 루프 (단일 통합 UI 인프라)
데이터 성숙도	ICS 기반 부분 (Lv.0~Lv.1) — MES 단순 ERP 형태, CNC 컨트롤러 로그 부분 활용
MLOps 성숙도	Lv.0 (수작업) → Lv.1+ 압축 (모델 레지스트리·모니터링·피드백 3 종 만) — Track 2 풀 7 종 도입은 후속 위임
핵심 기대효과	공구 돌발 파손 [%] 감소 · 치수 전수검사 시간 [%] 단축 · 피크 부하 요금 [%] 절감 · 도면 검색 시간 [%] 단축 · 신입 단독 작업 가능 시점 [%] 단축

본 사업은 [고객사] 가 보유한 CNC 컨트롤러 로그·검사 결과·전력 데이터·CAD 도면 자산을 클라우드 SaaS 단일 테넌시 위에서 통합 운영하는 것을 목표로 한다. 18 개월 표준 패키지 5 (MET-01·MET-03 + UTL-01 + LLM-01·LLM-04 + SAF-01 의 6 시나리오) 대비 본 6 개월 압축은 MET-03 / LLM-01 / SAF-01 을 후속 단계로 분리 하고 4 시나리오 + 1 통합 UI 인프라로 축소하여, 중소사 도입 부담을 최소화하면서도 패키지 5 의 핵심 가치 (SaaS 경량 인프라 시너지) 를 입증한다. 본 사업의 차별성은 단일 시나리오 합산 대비 클라우드 SaaS 인프라 공유로 도입 비용 회수 효율을 비선형적으로 향상시키는 점에 있으며, 18 개월 표준 대비 사업비 [%] 수준으로 압축된다.

본 표 하단 1 문장 주석으로 표기한다 — "본 사업은 18 개월 표준 대비 압축 구조로, 후순위 시나리오·인프라는 §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 §5 클라우드 종합솔루션; scenario/catalog.md 부록 B 패키지 5; guide/duration-compress.md §4 6 패키지 압축 표 + §5.3 §0 사업비 양식; 재무_예산_산정_가이드.md §5.1 §0 과제 요약 양식]

1. 사업 개요 및 추진 배경¤

1.1 과제명·사업기간·추진 체계 (6 개월 압축 명시)¤

본 사업은 중소벤처기업부 산하 클라우드 종합솔루션 지원사업 의 일환으로, 단일 공장 단위의 클라우드 SaaS 기반 AI 도입을 목적으로 한다. 사업기간은 6 개월 압축 구조 로 설계되었으며, 이는 guide/duration-compress.md §1 의 4 분기 — 시나리오 후순위 (§1.1)·인프라 축소 (§1.2)·HITL UI 단일화 (§1.3)·로드맵 분리 (§1.4) — 를 모두 적용한 결과이다. 18 개월 표준 패키지 5 (MET-01·MET-03 + UTL-01 + LLM-01·LLM-04 + SAF-01) 대비 MET-03·UTL-01·LLM-04 의 핵심 시나리오는 본 사업에 유지하되, MET-03 의 전수 도입은 본 사업 범위로 제한 (라벨링 외주 대량 동반은 후속), LLM-01 SOP RAG·SAF-01 안전 영상 AI 는 후속 단계로 분리한다.

추진 체계는 (i) 도입기업 [고객사] 가 수요기업이자 운영 주체로서 CNC 컨트롤러 로그·검사 데이터·전력 데이터·CAD 도면 자산을 제공하며, (ii) 주관기관·공동수행기관이 클라우드 SaaS AI 엔진 4 종 + 단일 통합 UI 를 구축하고, (iii) 클라우드 인프라·라벨링 외주는 외부 전문업체에 위탁하는 삼각 구조로 설계된다. 본 사업이 6 개월 압축 사업임에도 불구하고 단계별 검수 게이트는 표준 사업과 동일한 운영위원회 검수 절차로 작동하며, 게이트 회수만 5 회에서 3 회 (M2·M4·M6) 로 축소된다.

구분	역할
주관기관	(확인 필요) — 클라우드 SaaS AI 엔진·통합 UI 구축 총괄
도입기업 [고객사]	데이터 제공·현장 운영·KPI 측정·검증
공동수행기관	(확인 필요) — 도메인 자문 (CNC 가공·치수 검사) · 라벨링 외주
클라우드 인프라	외부 클라우드 사업자 (AWS·NCP·KT Cloud 중 1)

[출처: other/support-programs.md §5 클라우드 종합솔루션; track/track1-index.md §1.1 카드; guide/duration-compress.md §1 4 분기 압축 정책]

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 정밀가공 클러스터의 중소 사업자는 CNC 컨트롤러·검사기 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 클라우드 종합솔루션 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. 정밀가공 중소사 [고객사] 도 5 인 이상 사업장이므로 동 법의 적용 대상이며, CNC 작업 영역의 협착·말림·튐 사고 위험·이송 장비 동선 사고는 여전히 중대재해 발생 잠재 영역으로 남는다. 본 사업은 1 차 범위에서 안전 AI 직접 시나리오 (SCN-SAF-01) 를 포함하지 않으나, 본 사업으로 구축되는 클라우드 데이터·통합 UI 기반은 후속 안전 AI 도입 시 그대로 재활용 가능하다.

[출처: track/track1-index.md §1.2 카드; module/safety.md BLK-SAF-A — 발췌·요약 (안전 시나리오 후순위라 깊이는 얕게); other/support-programs.md §5]

1.3 정밀가공 산업의 디지털 전환 당위성 (철강 → 정밀가공으로 도메인 교체)¤

정밀가공 산업은 자동차·전자·항공·의료기기 등 전방산업의 다품종 소량 생산 압력과 ±[수치] μm 수준의 초정밀 공차 요구가 동시에 강화되는 환경에 놓여 있다. CNC 선반·머시닝센터·MCT 의 가공 결과는 공구 마모·열변형·주축 진동·소재 편차 등 다변수 상호작용에 의해 결정되며, 단일 변수 통제만으로는 안정적인 품질을 확보하기 어려운 수준에 도달했다. 특히 부산·경남 정밀가공 클러스터의 중소사들은 대기업·중견 거래처의 SQA (Supplier Quality Audit) 와 PPAP (Production Part Approval Process) 요구를 1 차 협력업체로서 직접 받아내야 하나, 그 대응을 위한 데이터 인프라가 부재한 사례가 다수이다.

특히 CNC 정밀가공 공정은 다음과 같은 도메인 특수성을 갖는다. 첫째, 공구 (인서트·드릴·엔드밀) 의 마모·치핑·파손이 가공 표면조도·치수 정밀도·생산성에 직접 영향을 미치며, 그 진단의 상당 부분이 작업자의 청각·촉각·육안에 의존하고 있다. 둘째, 가공 후 치수 검사는 3 차원 측정기 (CMM)·3D 스캐너·핸드 게이지의 조합으로 수행되나, 부품 형상이 복잡할수록 검사 시간이 길어지고 작업자 숙련도에 따른 측정 편차가 누적된다. 셋째, 공장 에너지 사용은 CNC 가공 시간대 집중에 따른 피크 부하가 산업용 전기요금 청구서의 큰 비중을 차지하나, 가시화·관리 수단이 부재하다. 넷째, CAD 도면 자산 (DWG·STEP·PDF) 은 부서별·연도별·고객사별로 산재 보관되며, 신규 주문 접수 시 유사 도면 검색에 [기간] 단위의 시간이 소요된다.

이러한 도메인 특수성은 [고객사] 와 같은 정밀가공 중소사가 다음 단계로 도약하기 위한 AI 기반 가공·검사·에너지·도면 통합 지능화 를 사실상 필수적 과제로 만들고 있다. 다만 중소 규모 사업장의 한정된 IT 인력·예산 여건에서는 18 개월 풀 인프라 도입이 부담스러우며, 본 사업이 채택한 6 개월 클라우드 SaaS 경량 모델은 그 현실 제약에 부합하는 진입 경로로 작동한다.

[본 섹션은 새로 작성됨 — 정밀가공 도메인 특화. 골격은 track/track1-index.md §1.3 카드. Phase E1 의 철강 도메인을 정밀가공으로 교체.]

1.4 [고객사] 현황 요약 및 핵심 문제의식¤

[고객사] 는 부산·경남권 [사업장] 에 본사·공장을 두고 자동차 부품·전자 정밀 부품·산업용 정밀 가공품을 생산하는 중소 제조기업이다. [연도] 대 초 단순 선반 가공으로 출발하여 [연도] 대 머시닝센터·MCT 라인으로 확장하였고, [연도] 대 후반 5 축 가공기·3D 스캔 검사기를 도입하여 현재 CNC 선반 [수치] 대·머시닝센터·MCT [수치] 대·3D 스캐너 [수치] 식·CMM [수치] 식의 통합 라인을 운영하고 있다. 주력 제품은 자동차 변속기·엔진 부품·전자 정밀 케이스·반도체 장비 부품 등이며, 국내 1 차 협력업체로서 대기업 OEM 의 PPAP·SQA 인증을 보유하고 있다.

스마트공장 수준은 기초~중간 1 (ICS·MES Lv.0~Lv.1) 에 해당하며, MES 는 단순 ERP 형태로 작업지시·생산실적만 관리되고, CNC 컨트롤러 로그·검사기 결과·전력 데이터는 각 설비·검사실·전기실에 분산 보관된다. CAD 도면 자산은 DWG·STEP·PDF 혼재 형태로 [수치] 만 건 규모이며, 부서별 공유 폴더와 개인 PC 에 산재한다. 데이터를 "보유" 하고 있음에도 불구하고 그 데이터가 AI 학습·실시간 의사결정의 원재료로 기능하지 못하는 구조적 단절 상태이다.

[고객사] 가 직면한 4 가지 구조적 문제는 다음과 같이 요약된다.

공구 마모·파손 진단의 인적 의존 — CNC 가공 중 공구 상태 판단이 작업자 청각·촉각·육안 + 시간 주기 교체 방식에 의존하며, 돌발 파손 시 가공 부품 손상·라인 정지·재작업이 동시 발생한다. 베테랑 작업자의 진단 노하우는 형식지화되지 못한 상태이다.
3D 치수 검사의 작업자 숙련 편차 — 복잡 형상 부품의 3D 스캔 검사 시 측정 포인트 선정·정합 (alignment) 절차가 작업자별로 상이하여 측정 결과 편차가 누적되며, 전수 검사가 필요한 고정밀 부품의 경우 검사 시간이 가공 시간을 초과하는 사례가 발생한다.
공장 에너지 통제 수단 부재 — CNC 가공 시간대 집중에 따른 피크 부하가 한전 청구서의 [%] 이상을 차지하나, 시간대별·설비별 사용량 가시화·관리 수단이 부재하다. 계약전력 초과 페널티가 분기 단위로 반복 발생한다.
CAD 도면 지식 단절 — 신규 주문 접수 시 유사 형상·동일 고객·과거 가공 이력을 가진 도면을 검색하는 데 [기간] 단위의 시간이 소요되며, 검색 실패 시 베테랑의 기억과 종이 도면철에 의존한다. 도면 변경 이력 추적도 어렵다.

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

[고객사] 의 분산 보관된 CNC 컨트롤러 로그·치수 검사 결과·전력 데이터·CAD 도면 자산을 클라우드 SaaS 단일 테넌시 위에서 통합 활용하여, 가공·검사·에너지·도면 4 영역의 정량 KPI 를 동시에 끌어올리고, 6 개월 압축 사업으로 중소사 진입 부담을 최소화하면서 후속 단계 확장 가치 사슬을 보존한다.

[본 섹션은 새로 작성됨 — 가상 [고객사] 정밀가공 중소사 프로필; scenario/catalog.md 부록 B 패키지 5 의 "추천 근거" 와 정합]

2. 기업 현황 및 대상 공정 분석¤

2.1 [고객사] 개요 (정밀가공 중소사 적합 규모)¤

항목	내용
기업명	[고객사]
대표자	[대표자명]
소재지	부산·경남 [사업장]
업종코드	(확인 필요 — 기계·자동차 부품 정밀가공)
주생산품	자동차 변속기·엔진 부품, 전자 정밀 케이스, 산업용 정밀 가공품
종업원수	[수치] 명 (생산직 [수치] 명 / 사무·기술직 [수치] 명) — 중소 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 — 비EU 향 다수, CBAM 직접 영향 제한적)
부채비율	[%]
주요 인증	ISO 9001 · IATF 16949 · (확인 필요)
스마트공장 지원 이력	[연도] 기초 사업 (확인 필요)
본사 / 공장 전경	(사진 첨부)

[고객사] 는 부산·경남 정밀가공 클러스터 내 자리매김한 중소 사업자로, 자동차·전자·산업기계 등 다양한 전방산업에 정밀 가공 부품을 공급하고 있다. 최근 3 개년 매출은 원자재 가격 변동과 글로벌 자동차 산업 전기차 전환 추세의 영향을 받았으며, 영업이익률은 정밀가공업의 일반 범위 내에서 변동하고 있다. 본 사업의 도입 시점에 부채비율은 [%] 로 클라우드 SaaS 트랙의 자부담 여력을 확보하고 있다. 수출 비중은 일정 수준이나 EU 향이 미미하여 CBAM 직접 영향은 제한적이며, 따라서 본 사업에서는 CBAM 모듈을 별첨에서 생략한다.

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

2.2 대상 공정의 제조 프로세스 및 특성 (CNC 가공·치수 검사·에너지·도면)¤

본 사업의 대상 공정은 [고객사] 의 핵심 제조 라인인 CNC 가공 + 3D 치수 검사 + 공장 에너지 관리 + CAD 도면 관리 통합 영역이다. 전체 제조 플로우는 도면·BOM 접수 → CAD/CAM 가공 프로그램 작성 → 소재 입고·검사 → CNC 선반·머시닝센터·MCT 가공 (다단 공정) → 중간 검사 → 후가공 (디버링·세척) → 3D 스캔·CMM 정밀 검사 → 출하 검사 → 출하 의 직렬 흐름을 기본으로 하되, 부품 형상·정밀도 등급에 따라 다중 공정 분기가 발생한다.

공정 단계	핵심 변수	출력 품질 변수	측정·기록 도구
소재 입고 검사	화학성분·기계적 성질·치수 허용편차	입고 적합 판정	핸드 게이지·간이 분석기
CNC 선반·머시닝센터·MCT 가공	절삭 속도·이송·절입량·공구 종류·냉각수 유량	표면조도·치수 정밀도·진원도	CNC 컨트롤러 로그 (G/M 코드·주축 부하·진동)
중간 검사	작업자 측정 절차	가공 단계 적합 판정	핸드 게이지·디지털 캘리퍼스
3D 스캔·CMM 정밀 검사	측정 포인트·정합 절차·환경 온도	3D 형상 일치도·치수 편차	3D 스캐너·CMM·전용 SW
출하 검사	외관·표면·기능 시험	최종 합격 판정	작업자 시각·기능 시험기

본 공정은 [고객사] 가 보유한 국제 인증 IATF 16949 (자동차 부품 공급망 요구) · ISO 9001 의 적용 범위 안에 있으며, 자동차·전자 향 공급에는 고객 SQA·PPAP 요구의 변경관리·추적성 요구가 추가된다. 본 사업이 구축하는 AI 엔진은 이들 인증 체계의 변경관리 절차에 정합하도록 모델 카드·리니지·승인 기록을 자동 보존하도록 설계된다.

핵심 변수가 단일이 아닌 다변수 상호작용 구조라는 점이 본 공정의 본질적 복잡성이다. 예컨대 절삭 속도를 [수치] m/min 증가시키면 가공 시간은 단축되나 공구 마모가 가속되어 다음 부품의 치수 편차로 전이되며, 이 변화가 3D 검사에서 비로소 감지되는 식이다. 단일 변수 최적화로는 설명 불가능한 이러한 상호작용 구조가 본 사업이 4 시나리오 결합 패키지로 구성된 근본 이유이다.

[본 섹션은 새로 작성됨 — CNC 정밀가공·검사 도메인 일반 설명. 골격은 track/track1-index.md §2.2; 변수·인증 항목은 일반 도메인 지식]

2.3 기존 ICS·MES 구축 이력 (Lv.0~Lv.1 가정, 중소사 현실 반영)¤

본 사업은 [고객사] 가 단계적으로 구축해 온 ERP·CNC 컨트롤러·검사기·전기실 자산 위에 클라우드 SaaS AI 레이어 를 추가하는 성격이며, [고객사] 의 IT 성숙도가 ICS·MES Lv.0~Lv.1 수준에 머무르는 점이 본 사업의 SaaS 경량 도입 모델 채택의 직접적 근거이다. 연도별 주요 구축 마일스톤은 다음과 같다 — 중소사 현실을 반영하여 Phase E1 의 중견사 (ICS·MES Lv.2) 와는 단계가 다르다.

연도	구축 시스템	비고
[연도]	ERP 1 차 도입 (수주·재무·생산실적)	단순 ERP 수준 — MES 기능은 ERP 내 작업지시 모듈로 한정
[연도]	CNC 컨트롤러 로그 백업 (수동)	작업자가 USB 로 일별 백업 — AI 활용 위한 정형 적재는 부재
[연도]	3D 스캐너 도입	측정 결과는 PC 로컬 저장 — 제품 단위 추적 시스템 부재
[연도]	산업용 전력량계 설치 (한전 청구서용)	시간대별 분석 데이터 부재 — 월 청구서 수준
[연도]	부분 IoT 게이트웨이 도입 (확인 필요)	CNC 일부 설비 OPC-UA 연동 시도, 미완료

현재 [고객사] 의 스마트공장 수준은 정부 스마트공장 수준진단 기준으로 기초~중간 1 에 해당하며, ICS·MES 데이터의 누적은 부분적 Lv.1 단계 에 머물러 있다. 이는 18 개월 풀 인프라 도입에는 데이터 기반이 부족하나, 6 개월 SaaS 경량 도입에는 정합한 수준이다. 본 사업은 이를 Lv.0~Lv.1 → Lv.1+ (클라우드 데이터·통합 UI 도입) 으로 끌어올리는 1 차 단계 도입으로 위치시킨다. 본 사업 완료 시점의 목표 수준은 다음과 같다.

CNC 컨트롤러 로그·검사기 결과·전력 데이터·CAD 도면이 클라우드 SaaS 단일 테넌시 에 통합 적재 (Lv.1 완성)
AI 추론 4 종이 단일 통합 UI 화면에서 작업자 의사결정을 보조 (Lv.1+)
4 시나리오의 운영 성능이 모니터링·드리프트 감시·피드백 루프에 들어가 있음 (MLOps Lv.1+ 압축 모드 — 풀 7 종 미도입)

[본 섹션은 새로 작성됨 — 가상 [고객사] 마일스톤; 골격은 track/track1-index.md §2.3. Phase E1 의 ICS·MES Lv.2 와 대비되는 중소사 Lv.0~1 현실 반영.]

2.4 데이터 보유 현황¤

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 중견사 데이터 매트릭스 대비 절대 규모는 작으나 4 시나리오에 충분한 분포를 보인다.

데이터 카테고리	세부 구분	수집 주기	누적 규모	구축 위치	본 사업 활용 시나리오
시계열 센서 데이터	CNC 컨트롤러 로그 (주축 부하·진동·온도·이송 모터 전류)	1~10 Hz	[수치] GB / 일	설비별 PC 로컬 (현재) → 클라우드 (본 사업)	MET-01
시계열 센서 데이터	산업용 전력량계 (15 분 단위)	15 분	[수치] MB / 일	전기실 미터 → 클라우드 (본 사업)	UTL-01
정형 DB	ERP 작업지시·생산실적·로트 (단순 MES 형태)	이벤트	[수치] 만 건	RDB (MS-SQL)	MET-01·MET-03·UTL-01
정형 DB	3D 스캐너·CMM 측정 결과	부품별	[수치] 만 건	PC 로컬 (현재) → 클라우드 (본 사업)	MET-03
이미지·3D	3D 스캔 포인트클라우드·CMM 측정 보고서	부품별	[수치] TB	PC 로컬 → Object Storage (클라우드)	MET-03
비정형 문서	CAD 도면 (DWG·STEP·PDF)	비정기	[수치] 만 건, 부서별 산재	파일 서버·공유 폴더	LLM-04 (직접 활용)
비정형 문서	CAM 가공 프로그램·작업표준	비정기	[수치] 건, HWP/PDF/Excel 혼재	공유 폴더	LLM-04 (보조 활용)
비정형 문서	공구 사양·매뉴얼 (제조사별)	비정기	[수치] 건	파일 서버	LLM-04 (보조)

데이터 카테고리별 품질 상태는 다음과 같이 진단된다. CNC 컨트롤러 로그는 설비별 PC 로컬에 분산되어 있으나 OPC-UA 또는 직접 연결로 클라우드 적재가 가능하며, AI 학습에 충분한 양이다. 3D 스캐너·CMM 측정 결과도 클라우드 적재 후 부품 단위 키 정합성이 확보된다. 전력 데이터는 15 분 단위로 한전 미터에서 수집 가능하며, 외기 온습도·생산계획과 결합하여 예측 모델 학습에 활용된다. CAD 도면은 본 사업의 1 차 직접 자산 (LLM-04 도면 검색) 으로 위치하며, 형상 임베딩·메타 추출이 핵심 작업이다. 본 사업의 데이터 카테고리는 클라우드 SaaS 단일 테넌시로 통합되어, 시나리오 간 결합 분석 가능 구조를 확보한다.

[본 섹션은 새로 작성됨 — 데이터 매트릭스; 골격은 track/track1-index.md §2.4 표 골격. 정밀가공 도메인 + 클라우드 SaaS 적재 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-MET-01 CNC 공구 마모·파손 예지 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 CNC 공구 마모·파손 진단·3D 치수 검사 측정 절차의 2 개 영역이 베테랑 의존이 가장 큰 영역으로 식별되어 우선 형식지화 대상으로 선정되었다.

베테랑 숙련공 수치 (다이어그램 1)

[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-MET-01 로 치환 (인용성 미세 손상, 사업 범위 정합성 우선).]

📋 §3.2 데이터 단절 및 비정형 관리 한계 (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 클라우드 SaaS 단일 테넌시 기반 데이터 정형화 + 비정형 문서 지식자산화 (SCN-LLM-04 CAD 도면 RAG 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 는 본 사업의 1 차 범위 밖이며 §6.4 후속 로드맵의 단계 1 에 위치한다 — 도면 RAG (LLM-04) 우선 도입 후 SOP RAG 확장이 자연스러운 진화 경로이다.

비정형 · 이미지 원천 (다이어그램 2)

[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 내의 LLM-01·LLM-04 중 본 사업은 LLM-04 한정. LLM-01 후속 로드맵 위임 1 문장 부가. Mermaid 의 비정형 원천은 정밀가공 맥락 (CAD 도면·CAM 프로그램) 으로 일부 교체.]

📋 §3.3 품질 편차 및 불량 원인 추적 체계 부재 (정밀가공 치수 정밀도 맥락) (사업계획서 paste 가능)

본 사업의 대상 공정인 CNC 정밀가공의 품질 편차는 단순한 작업자 숙련도 차이를 넘어, 공구 상태 - 가공 파라미터 - 소재 편차 - 환경 조건 의 다변수 상호작용에서 비롯되며, 그 인과를 사후적으로 추적하기 위한 데이터 기반이 부재한 상태이다. 완제품에서 치수 이탈·표면조도 미달·진원도 불합 등 불량이 발생하는 경우, 이는 통상 3D 스캔·CMM 검사에서 비로소 발견되며, 발견 시점에서는 이미 해당 부품의 가공 시점 CNC 컨트롤러 로그·공구 사용 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 정밀가공 영역에서는 치수 표준편차 ±[수치] μm 수준의 편차가 발생하더라도 그 원인이 특정 공구의 마모 단계였는지, 입고 소재의 경도 편차였는지, 작업조 교대 시점의 미세 셋업 차이였는지를 데이터 단일 출처에서 즉시 식별할 수 있는 체계가 부재하다. 3D 스캔 결과는 PC 로컬에 적재되고 있으나, CNC 컨트롤러 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]%, 클레임 응대 비용, 그리고 IATF 16949·PPAP 변경관리 감사 시 추적성 입증의 부담으로 직결된다.

[출처: track/track1-index.md §3.3 카드 요지 + 정밀가공 치수 정밀도·3D 스캔 도메인 맥락 새로 작성]

📋 §3.4 실시간 운영·의사결정 체계의 공백 (중소 사업장 특화) (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. CNC 컨트롤러 로그는 설비별 PC 에 적재되고 있으나 이는 사후 백업용 저장소의 성격에 머물러 있고, 작업자 HMI 화면에서 즉시 활용할 수 있는 실시간 인사이트 형태로는 가공되지 못하고 있다. 그 결과 영업-생산-품질 간 정보 비대칭이 누적되어, 고객의 납기 변경·긴급 추가 주문 대응 시 의사결정이 지연되거나, CNC 공구의 미세 마모 징후가 작업자 청각·촉각 진단의 결과로만 인지되어 정량적 추적이 불가능하다. 설비 이상의 사전 감지 영역도 마찬가지로 시간 주기 공구 교체 (TBM 유사) 의 한계 안에서 운영되어 사후 대응에 그치는 비중이 크다.

또한 현행 안전 관리 체계는 정기 점검표·순회 점검일지·TBM (Tool Box Meeting) 기록 등 주로 사후 서류 중심 으로 운영되고 있어, 보호구 미착용·CNC 협착 위험구역 무단 진입·근로자 건강 이상·절삭유 취급 오류와 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 CNC 가공·치수 검사·에너지·도면이며, 안전 AI 는 후속 단계의 확장 대상으로 위치시킨다. 단, 본 사업으로 구축되는 클라우드 SaaS 데이터·통합 UI 기반은 향후 SCN-SAF-01 안전 AI 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 직면 (구조적 문제 요약) (사업계획서 paste 가능)

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

직면 상황	핵심 구조적 문제	전환 시급성
CNC 공구 진단의 핵심 의사결정이 [수치] 명 베테랑 청각·촉각·육안에 의존, 향후 [기간] 내 이탈 가시화	형식지화·표준화 부재 → 돌발 파손 시 부품 손상·라인 정지 동시 발생	베테랑 이탈 전 형식지 자산화 시급. 본 사업 골든타임 [기간]
3D 치수 검사가 작업자 숙련 의존, 측정 절차 편차 누적	측정 결과 신뢰도 저하 → SQA·PPAP 감사 시 추적성 입증 부담	검사 자동화로 측정 신뢰도·전수검사 시간 동시 개선
CNC 가공 시간대 집중에 따른 피크 부하, 가시화·통제 수단 부재	한전 청구서 [%] 이상의 피크 부하 요금 + 분기 단위 계약전력 초과 페널티	6 개월 SaaS 도입으로 즉시 가시화·시프트 가능
CAD 도면 자산 검색·재활용 불가	신규 주문 접수 시 유사 도면 검색에 [기간] 소요, 표준화 곤란	도면 RAG 도입으로 신입·교대 작업자 즉시 검색 가능 체계 구축

위 4 개 축은 서로 독립이 아닌 동일한 구조적 원인 — 데이터 단절·암묵지 의존 — 의 표현 형식이 다른 결과 이다. 따라서 본 사업은 4 장 이하에서 4 개 시나리오를 클라우드 SaaS 단일 통합 UI 위에 통합 구축하여, 동일 인프라가 4 개 문제를 동시에 해소하도록 설계된다. 이는 6 개월 압축 사업이 가능한 본질적 근거이며, Phase E1 의 18 개월 풀 인프라 사업과 다른 압축 사업의 가치 명제이다.

[출처: track/track1-index.md §3.5 카드 — 3 단 요약표 골격 + [고객사] 정밀가공 특화 4 행]

4. 목표 모습 (TO-BE) 및 제조 AI 도입 전략¤

📋 §4.1 TO-BE 개념도 및 핵심 전략 (6 개월 압축 강조) (사업계획서 paste 가능)

본 사업의 TO-BE 운영 모습은 [고객사] 의 기존 ERP·CNC 컨트롤러·검사기·전기실 자산 위에 클라우드 SaaS AI 레이어 를 추가하여, 작업자·검사원·생산관리·QA 가 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
공구 상태 진단	작업자 청각·촉각, 시간 주기 교체	CNC 컨트롤러 로그 시계열 이상탐지 + 모바일 알람 (HITL)
3D 치수 검사	작업자 측정 절차 의존	자동 정합·자동 측정 포인트 선정 + 작업자 검토
공장 에너지 통제	월 청구서 수준	15 분 단위 예측 + 피크 시프트 권고 (HITL)
CAD 도면 검색	부서별 폴더 검색 [기간]	자연어 질의 → 유사 도면 [수치] 초 회신
운영 학습 루프	작업자 정정·승인 이력 유실	단일 통합 UI 피드백 → 라벨 DB → 주기 재학습 자동화

본 사업의 핵심 추진 전략은 3-STEP Solution Architecture (6 개월 압축 모드) 로 요약된다.

STEP 1 클라우드 데이터 통합·정형화 CNC/검사/전력/도면 (다이어그램 3) 본 사업으로 [고객사] 가 도달할 수준은 정부 스마트공장 수준진단 기준 기초~중간 1 → 중간 1 (부분 도입) 이며, MLOps 성숙도 기준으로는 Lv.0 (수작업) → Lv.1+ 압축 모드 (모델 레지스트리·모니터링·피드백 3 종 만) 로 정의된다. 풀 7 종 도입은 후속 로드맵으로 위임된다 (guide/duration-compress.md §1.2 인프라 축소 분기 적용).

[출처: track/track1-index.md §4.1 카드 — Solution Architecture 3-STEP 골격 + [고객사] 특화 5 행 대조표 + guide/duration-compress.md §1.2 압축 적용]

📋 §4.2 AI 적용 공정 매트릭스 (4 시나리오 + 후속 시나리오 후순위) (사업계획서 paste 가능)

본 사업이 정부 서식의 "AI 적용 공정" · "AI 기능 분류" 항목에 매핑되는 범위는 다음과 같다.

7 대 공정 영역	본 사업 적용 여부	대응 시나리오
재무·인사	×	—
제품기획·설계	△ (간접)	(LLM-04 CAD 도면 검색이 보조)
구매	×	—
제조공정	○	MET-01 (가공)
물류	×	—
환경·에너지·안전	△	UTL-01 (에너지) — 안전은 후속
사후서비스	×	—
품질	○	MET-03 (3D 치수 검사)

5 대 AI 기능	본 사업 적용 여부	대응 시나리오
인지 (비전·음성)	○	MET-03 3D 치수 검사
예측 (회귀·시계열)	○	MET-01 공구 마모, UTL-01 에너지 예측
자동화 (제어·최적화)	○	UTL-01 피크 시프트
소통 (대화·검색)	○	LLM-04 CAD 도면 검색
생성 (생성·요약)	△ (제한적)	(LLM-04 답변 요약)

본 사업의 4 개 핵심 시나리오 + 1 인프라 시나리오의 매트릭스는 다음과 같다.

시나리오 ID	시나리오명	기반 엔진 (5.2 카드)	트랙 매핑	도입 단계
SCN-MET-01	CNC 공구 마모·파손 예지	5.2-b (+5.2-d 일부 결합)	Track 1 + Track 2	주력 (Phase 1)
SCN-MET-03	3D 스캔 치수 검사 자동화	5.2-c	Track 1	주력 (Phase 1)
SCN-UTL-01	공장 에너지 최적화·피크 시프트	5.2-e	Track 1	확장 (Phase 2)
SCN-LLM-04	CAD 도면 지능 검색	5.2-f	Track 3	확장 (Phase 2)
SCN-MLO-03	단일 통합 UI 현장 피드백 루프	— (Track 2 인프라 압축 모드)	Track 2	인프라 (전 단계)

18 개월 표준 패키지 5 대비 후순위 시나리오 (§6.4 후속 로드맵에 명시):

SCN-MET-03 (전수검사 확장) — 본 사업은 부분 도입 (라벨링 외주 대량 동반은 후속)
SCN-LLM-01 SOP RAG — 후속 단계 1
SCN-SAF-01 안전 영상 AI — 후속 단계 2

[출처: track/track1-index.md §4.2; scenario/catalog.md 부록 B 패키지 5; track/track1-engine-cards.md 매트릭스; guide/assembly.md §2 패키지 5 매핑 (5.2-b·5.2-c·5.2-e·5.2-f) 정합]

📋 §4.3 활용 데이터 유형 및 수집 설계 (정밀가공 — CNC 부하·진동·3D 스캔·전력·CAD 도면) (사업계획서 paste 가능)

본 사업의 AI 학습·추론에 투입되는 데이터는 §2.4 에서 분류한 4 개 카테고리를 토대로 다음과 같이 수집·저장 설계된다 — 클라우드 SaaS 단일 테넌시로 통합.

데이터 유형	수집 인터페이스	수집 주기	저장소 (클라우드)	활용 시나리오
CNC 컨트롤러 로그 (주축 부하·진동·온도·이송 모터 전류)	OPC-UA / FOCAS / MTConnect	1~10 Hz	TSDB (클라우드 매니지드)	MET-01
3D 스캐너·CMM 측정 결과	검사 SW API / 파일 watcher	부품별	RDB + Object Storage	MET-03
산업용 전력량계	Modbus / 한전 KEPCO API	15 분	TSDB	UTL-01
ERP 작업지시·생산실적	CDC / 배치 ETL	이벤트·일 단위	RDB Replica	MET-01·MET-03·UTL-01
CAD 도면 (DWG·STEP·PDF)	파일 서버 커넥터 + 형상 추출	변경 시	Object Storage + Vector DB	LLM-04
CAM 프로그램·작업표준·공구 매뉴얼	파일 서버 커넥터 + OCR	변경 시	Vector DB	LLM-04 (보조)

수집 설계의 핵심 원칙 3 가지는 다음과 같다. 첫째 클라우드 SaaS 단일 테넌시 — 모든 데이터는 단일 클라우드 테넌시에 적재되어 시나리오 간 결합 분석이 가능하도록 한다. 본 원칙은 Phase E1 의 온프레미스 ICS Historian + RDB Replica + Vector DB 분산 구조 대비 SaaS 경량 도입의 핵심 차별점이다. 둘째 부품·로트 키 — 시계열 데이터 (CNC 로그·전력) 와 정형 데이터 (ERP·검사) 는 부품 ID·로트 ID·작업조 ID 의 공통 키로 결합되어 추적성을 확보한다. 셋째 단일 진실원 — 동일한 측정량이 여러 시스템에 중복 적재되지 않도록 마스터 시스템을 명시한다 (예: 치수의 마스터는 3D 스캐너, ERP 는 참조).

[출처: track/track1-index.md §4.3 카드 + [고객사] 클라우드 SaaS 데이터 매트릭스 매핑. 정밀가공 도메인 + SaaS 적재 강조.]

📋 §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. 단, 본 사업은 6 개월 압축 모드로 피쳐 스토어 풀 도입은 후속 위임 하고, 1 차 단계는 모델별 피쳐 정의 메타데이터 + 클라우드 RDB 의 피쳐 테이블 형태의 경량 운영을 채택한다.

[출처: track/track1-top5.md §4.4 (BLK-T1-4.4) — 본문 그대로 인용 + 6 개월 압축 모드의 피쳐 스토어 후속 위임 1 문장 부가]

📋 §4.5 모델·알고리즘 선정 기준 및 앙상블 구성 (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 1 차 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-STL-01 연속주조 품질 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-STL-09 압연기 예지보전에서는 정상 상태 기반 AutoEncoder 와 신호 기반 Isolation Forest 를 Weighted 로 결합한다 (5.2-d 예지보전 엔진). LLM·검색이 결합되는 시나리오 (SCN-STL-07 공정설계 LLM, SCN-STL-08 밀시트 OCR) 는 5.2-a 유사 사례 검색 엔진과 5.2-f LLM·RAG 지식검색 엔진의 병기 구조로 구성되며, 본 절의 모델 선정·앙상블 거버넌스가 그 골격으로 작동한다.

[고객사] 정밀가공 적용 사례로의 보완 — 본 사업에서는 SCN-MET-01 CNC 공구 마모 신호에 LSTM 시계열 패턴 학습과 XGBoost 의 가공 파라미터 메타 결합을 Stacking 으로 결합하며 (5.2-b 적용), SCN-MET-03 3D 치수 검사에는 EfficientNet 기반 분류 모델 + 포인트클라우드 기반 형상 정합 모델을 Weighted 로 결합한다 (5.2-c 적용). SCN-LLM-04 CAD 도면 검색은 5.2-f LLM·RAG 지식검색 엔진의 도면 형상 임베딩 변형으로 구성되며, 텍스트 메타 + DWG 형상 임베딩의 멀티뷰 검색을 채택한다.

문제 유형 정의 (다이어그램 4)

[출처: track/track1-top5.md §4.5 (BLK-T1-4.5) — 본문 그대로 인용 + 정밀가공 적용 사례 1 단락 새로 작성. SCN 부정합 처리 — guide/assembly.md §3.3 분기 (a) 적용 — 인용 본문 내 SCN-STL-08·STL-07 등은 모델 선정 거버넌스의 일반 사례 참조이며, 본 사업의 시나리오 범위 밖이다. 정밀가공 보완 단락에서 본 사업 시나리오 (MET-01·03·LLM-04) 의 직접 적용을 명시 보완.]

📋 §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. 한편 비정형 문서 자산의 RAG 기반 활용 흐름은 5.2-f LLM·RAG 지식검색 엔진과 Track 3 LLM+RAG 섹션으로 분기되며 (SCN-LLM-01~04 참조), 따라서 본 파이프라인은 Track 1 의 종합 도식인 동시에 Track 2·3 으로의 교량 역할을 동시에 수행한다.

데이터 수집 (다이어그램 3)

[출처: track/track1-top5.md §4.6 (BLK-T1-4.6) — 본문 그대로 인용. Mermaid 는 정밀가공 도메인 + 클라우드 SaaS 적재 + 6 개월 압축 모드 (피쳐 스토어 풀 → 경량 피쳐 테이블, 모델 레지스트리 7 종 → 3 종 압축, LLM-01~04 → LLM-04 한정) 로 일부 교체.]

5. 구축 상세 (6 개월 압축)¤

5.1 데이터 수집·정형화 (저비용 IoT 키트 + SaaS 클라우드 적재)¤

구축 1 단계는 [고객사] 의 분산 보관된 CNC 컨트롤러 로그·검사기 결과·전력 데이터·CAD 도면 자산을 본 사업의 클라우드 SaaS AI 학습·추론 인프라 위로 통합하는 데이터 정형화 작업이다. 수집 범위는 다음 4 개 카테고리로 구성된다. 첫째, CNC 컨트롤러 로그 — OPC-UA / FOCAS / MTConnect 표준 인터페이스를 통한 1~10 Hz 주기 클라우드 적재. 일부 구형 설비는 저비용 IoT 게이트웨이 키트 ([수치] 식, 식당 [수치] 만 원 추정) 를 추가 설치하여 표준화한다. 둘째, 3D 스캐너·CMM 측정 결과 — 검사 SW API 연동 또는 파일 watcher 기반 자동 업로드. 셋째, 산업용 전력량계 — Modbus 또는 한전 KEPCO API 연동. 넷째, CAD 도면 — 파일 서버 커넥터 + DWG 파서·STEP 형상 추출 + PDF OCR 기반 일괄 적재 + 변경 시 증분 업데이트.

본 단계의 핵심 산출물은 다음과 같다. (i) 클라우드 단일 테넌시 적재 체계 — 4 개 카테고리 데이터를 단일 클라우드 워크스페이스에 적재하고, 데이터 카탈로그를 통해 전 시나리오 공유. (ii) 부품·로트 키 통합 — CNC 로그·검사 결과·ERP 작업지시에 부품 ID·로트 ID·작업조 ID 를 자동 태깅하여 시계열-정형 결합 분석을 가능하게 함. (iii) 품질 검증 룰셋 (압축 모드) — 누락·이상치·중복·시간 점프·동기 오류 5 종에 대한 표준 검증 룰을 적용하되, Phase E1 의 품질 검증 격리 큐 분리는 압축 모드에서 단순 알람 모드로 축소. (iv) CAD 도면 형상·메타 추출 — DWG·STEP·PDF 의 형상 임베딩과 메타 (고객사·부품군·재질·치수) 추출.

본 단계는 Track 1 §4.3 의 데이터 수집 설계와 Track 2 §5.1·§5.2 의 모델 레지스트리 구축 (압축 모드 — 풀 7 종이 아닌 3 종) 을 동시에 충족하도록 설계되며, 이후 §5.2 AI 엔진 단계의 학습·추론 입력으로 직접 연결된다. [고객사] 의 ICS Lv.0~Lv.1 데이터 기반은 본 단계에서 클라우드 SaaS 로 통합되면서 신규 고가 인프라 투자 없이 활용 가능하나, 일부 구형 CNC 설비를 위한 저비용 IoT 게이트웨이 키트는 본 단계에서 추가 설치된다.

[출처: track/track1-index.md §5.1 카드 + [고객사] 클라우드 SaaS 데이터 적재 + 6 개월 압축 모드 적용 새로 작성]

5.2 AI 엔진 개발 — 4 패턴 결합 (5.2-b · 5.2-c · 5.2-e · 5.2-f)¤

본 사업은 단일 엔진이 아닌 4 개 엔진 패턴 (5.2-b + 5.2-c + 5.2-e + 5.2-f) 을 결합한 복합 구조로 구성된다. 4 개 카드는 시나리오 매핑 (SCN-MET-01 ↔ 5.2-b, SCN-MET-03 ↔ 5.2-c, SCN-UTL-01 ↔ 5.2-e, SCN-LLM-04 ↔ 5.2-f) 에 따라 선택되었으며, 각 카드는 독립 모듈로 구축되되 공통 데이터·운영 인프라를 공유한다. 본 4 카드 매핑은 guide/assembly.md §2 의 패키지 5 매핑 표 (5.2-b·5.2-c·5.2-e·5.2-f) 와 정합하며, 6 개월 압축이라 결합 깊이는 Phase E1 의 패키지 2 (5 카드) 보다 얕다.

5.2-b 시계열 품질·이탈 예측 엔진 (SCN-MET-01 CNC 공구 마모·파손 예지)¤

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
목적: 공정 시계열 신호를 실시간 추론해 품질 이탈을 사전에 예측·경보하고, 필요 시 피드포워드 조치 힌트를 작업자에게 제공한다. 본 사업에서는 [고객사] 의 CNC 컨트롤러 로그 (주축 부하·진동·이송 모터 전류·온도) 를 입력으로 하여 공구 마모 단계 분류 + 파손 임박 조기경보를 모바일 알람 형태로 전달한다.
엔진 구조:
데이터 수집·동기화: CNC 컨트롤러 → OPC-UA 게이트웨이 → 클라우드 TSDB
피쳐 블록: 슬라이딩 윈도우 통계, 가공 단계별 분리, 공구 종류·재질 메타 결합
예측 모델: LSTM + XGBoost Stacking
이탈 판정 모듈: 정상 분포 대비 σ 임계 + 추세 기반 조기 경보 트리거
피드포워드 출력: 작업자 모바일 알람 + 공구 교체 권고
삽화 (Mermaid):

CNC 컨트롤러 1~10Hz 태그 (다이어그램 1) - 주의·선행조건: CNC 컨트롤러 OPC-UA 표준화·시간 동기 (NTP), 공구 교체 이력 라벨 확보, 추론 지연 요구 확정. Track 2 드리프트 탐지 (압축 모드) 와 결합 필수.

[출처: track/track1-engine-cards.md §5.2-b — 본문 그대로 인용 + MET-01 적용 1 문장 부가]

5.2-c 비전 검사 엔진 (SCN-MET-03 3D 스캔 치수 검사 자동화)¤

적용 시나리오: SCN-STL-10 표면결함 비전, SCN-STL-11 UT/ECT 자동판정, SCN-MET-02 용접 비드, SCN-MET-03 3D 치수 검사, SCN-MET-06 작업자 행동 인식, SCN-RUB-02 압출 표면·치수, 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 3D 스캐너·CMM 측정 결과 + CAD 도면을 입력으로 하여 자동 정합 (alignment)·자동 측정 포인트 선정·치수 편차 자동 산출을 수행한다.
엔진 구조:
촬영·조명 설계: 기존 3D 스캐너·CMM 활용, 조도 표준 환경
라벨링·사전학습: SaaS 모드 — 클라우드 라벨링 도구 + 클라우드 GPU 활용 (Phase E1 온프레미스 GPU 와 차별)
모델: 분류 (EfficientNet·ViT) + 포인트클라우드 형상 정합 (PointNet 계열 + ICP)
후처리: CAD 설계 허용치 대비 편차 산출, 합격·재검사·불량 등급 매핑, 이벤트 트리거
클라우드 배포: 클라우드 GPU 서빙, 검사실 PC 인터페이스
삽화 (Mermaid):

3D 스캐너 포인트클라우드 (다이어그램 2) - 주의·선행조건: 3D 스캔 환경 표준화, CAD 도면 디지털 자산 확보, 클라우드 라벨링 외주 협의. 본 사업은 부분 도입 (라벨링 외주 대량 동반은 후속) — 18 개월 표준 패키지 5 의 전수검사 확장은 후속 단계로 위임. - SaaS 모드 차별 양상: Phase E1 의 온프레미스 GPU 모드 대비 클라우드 라벨링 도구 (예: Labelbox·Roboflow) + 클라우드 GPU (P100·V100) 활용으로 1 차 학습 비용을 분기별 종량제로 변동비화한다.

[출처: track/track1-engine-cards.md §5.2-c — 본문 그대로 인용 + MET-03 SaaS 모드 적용 보완]

5.2-e 공정 최적화·제어 엔진 (SCN-UTL-01 공장 에너지 최적화)¤

본 카드는 scenario/detail-top5.md SCN-UTL-01 본문을 그대로 인용한다 — 본 사업의 UTL-01 시나리오는 워크스페이스 자산이 가장 풍부한 영역 중 하나이다.

적용 맥락 — 대기업·중견·중소 제조업체 공통으로 적용 가능한 본 시나리오는 공장 전체의 전력·가스·증기 사용량을 15 분 단위로 예측하고 생산계획과 연동하여 피크 시간대 부하를 능동적으로 이전·평탄화하는 것을 목적으로 한다. 한국 산업용 전기요금 체계의 피크 부하 요금 구조와 2026 년 본격 시행되는 CBAM, 그리고 RE100·K-ETS 4 기 대응 압력이 동시에 작용하는 환경에서, 본 시나리오는 단순 비용 절감을 넘어 ESG·탄소중립 대응의 정량 근거를 확보하는 자산 역할을 수행한다. 본 시나리오는 5.2-e 공정 최적화·제어 엔진 을 직접 차용한다.

AS-IS — 현재의 공백 — [고객사] 의 에너지 관리 현황은 월 단위 한전 청구서·도시가스 청구서 수준에서 종결되어, 어느 설비가·어느 시간대에·어느 제품을 가공할 때 에너지 원단위가 어떻게 변동하는지에 대한 정량 가시성이 거의 부재하다. FEMS 가 일부 설치된 경우에도 데이터는 별도 대시보드에 머물러 MES 생산 일정·KPI 와 연결되지 않으며, 피크 시간대 (13~17 시) 가 임박해 한전 수요반응 알림이 도달해도 실시간으로 비필수 부하를 식별·차단하는 절차가 부재하다. 결과적으로 피크 부하 요금이 청구서 총액의 [%] 이상을 차지하면서도 통제 수단이 없는 상태이며, 일부 사업장에서는 계약전력 초과 페널티가 분기 단위로 반복 발생하면서도 그 발생 원인을 사후에 정확히 짚어내지 못하는 사례가 누적되고 있다.

AI 해결 — 도입 후 운영 모습 — 본 시나리오의 AI 해결 방안은 5.2-e 공정 최적화·제어 엔진 을 차용한 두 단계 시스템 구축이다. 첫 번째는 에너지 수요 예측 단계로, 스마트미터·FEMS 데이터·외기 온습도·생산계획·설비 가동 스케줄을 입력으로 하여 LSTM·Temporal Fusion Transformer 기반 15 분 단위 다변량 예측 모델을 운영한다. 예측 horizon 은 24 시간으로 설정하고, 예측 신뢰구간을 함께 산출하여 의사결정의 위험 수준을 정량화한다. 두 번째는 부하 최적화·피크 시프트 단계로, 예측된 수요 곡선과 한전 요금제 (계시별 요금·수요반응 신호) 를 입력으로 하여 베이지안 최적화·MILP 기반 최적화 엔진이 비필수 설비 (공조·압축기·일부 보조 설비) 의 가동 일정을 시간대별로 재배치한다.

운영 단계 — 피크 임박 임계 (예측치가 계약전력의 [%] 도달) 시 자동으로 수요반응 모드가 활성화되어 사전 정의된 부하 차단 우선순위에 따라 비필수 설비를 단계적으로 차단하며, 작업자 화면에는 차단 사유·예상 절감액·해제 시점이 함께 표시된다. 안전 레이어는 생산계획·납기 제약·작업자 안전을 절대 위배하지 않도록 Safe RL·제약 BO 의 허용 범위 차단 메커니즘으로 보장된다.

[고객사] 6 개월 압축 적용 양상 — 본 사업에서는 [고객사] 가 FEMS 미보유 상태에서 출발하므로 1 차 단계는 한전 미터·소수 IoT 전력량계 + 외기·생산계획 결합 예측에 집중하며, 부하 최적화는 작업자 승인 기반 오픈 루프로 한정한다. 클로즈드 루프·DR 시장 참여는 후속 단계로 위임한다. CBAM 신고 자동화는 본 [고객사] 의 비EU 수출 비중에 따라 후속 단계로 분리한다.

[출처: scenario/detail-top5.md SCN-UTL-01 — 본문 그대로 인용 + [고객사] 6 개월 압축 적용 양상 1 단락 새로 작성]

5.2-f LLM·RAG 지식검색 엔진 (SCN-LLM-04 CAD 도면 지능 검색)¤

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 CAD 도면 (DWG·STEP·PDF) + CAM 프로그램·작업표준·공구 매뉴얼을 통합 RAG 지식베이스로 구축하여, 신규 주문 접수 시 유사 도면·과거 가공 이력·표준 작업 절차의 자연어 질의 회신을 가능하게 한다.
엔진 구조:
문서 수집·정제: CAD 도면 (DWG·STEP·PDF)·CAM 프로그램·작업표준·공구 매뉴얼 → 파서별 (DWG·STEP·PDF·이미지 OCR) 추출 + 형상 임베딩 (DWG/STEP 의 도형 자체를 임베딩하는 멀티뷰)
청킹·임베딩: 도면 단위 청킹 + 텍스트 메타 + 형상 임베딩의 멀티뷰 결합
검색기: 하이브리드 (Dense + BM25 + 메타 필터 + 형상 유사도), Re-ranker 로 상위 정제
LLM 응답: 근거 도면 ID·페이지·해당 형상 영역 인용, 확인 필요 시 휴먼 에스컬레이션
권한·보안: 고객사·부품군별 접근권한 동기화, 영업비밀 도면 마스킹, 외부 LLM 여부에 따른 온프레미스 · 클라우드 라우팅
삽화 (Mermaid):

CAD 도면 + CAM 프로그램 + 작업표준 + 공구 매뉴얼 (다이어그램 3) - 주의·선행조건: CAD 도면 디지털 자산화·고객사 권한 분류 표준화. DWG/STEP 형상 임베딩 모델은 본 사업의 도전적 영역으로 외부 자문 결합 권장. 클라우드 LLM API 사용 시 도면 영업비밀 마스킹 게이트 필수.

[출처: track/track1-engine-cards.md §5.2-f — 본문 그대로 인용 + LLM-04 도면 형상 임베딩·CAD 적용 양상 보완]

카드 결합 가이드 — 본 사업의 결합 구조 (6 개월 압축 — 결합 깊이 얕음)¤

본 사업의 4 개 엔진 패턴은 단순 병기 구조이며, Phase E1 의 패키지 2 (5 카드 + 4 결합 지점) 대비 결합 깊이는 얕다. 결합 가능 지점은 다음과 같으며, 6 개월 압축 모드에서는 핵심 2 지점만 1 차 도입한다.

5.2-b (MET-01 공구) ↔ 5.2-c (MET-03 검사) — 5.2-b 의 공구 마모 단계가 5.2-c 의 치수 편차 추세와 결합되어, 공구 단계별 부품 치수 편차 패턴이 모니터링된다. 1 차 도입 — 핵심 결합 지점.
공통 데이터 (CNC 로그 + ERP) → 5.2-e (UTL-01 에너지) — 5.2-e 의 에너지 예측 입력 변수에 CNC 가공 시간·부하 정보를 포함하여 정확도 향상. 1 차 도입 — 핵심 결합 지점.
5.2-c (MET-03 검사) ↔ 5.2-f (LLM-04 도면) — 검사 결과 불합 발생 시 5.2-f RAG 가 동일 부품의 과거 가공 이력·도면 변경 이력을 회신. 후속 도입 — 6 개월 압축에서는 단순 링크 표시로 한정.
공통 운영·모니터링 — 4 개 엔진의 추론 결과·드리프트 지표·재학습 트리거는 단일 통합 UI (§5.3) 에서 통합 가시화. 1 차 도입.

운영·모니터링 상세는 본 사업계획서 7 장 Track 2 연계 섹션에서 구체화한다 (압축 모드).

[출처: track/track1-engine-cards.md "변형 카드 결합 가이드" + [고객사] 4 개 시나리오 결합 + 6 개월 압축 모드 (결합 깊이 얕음) 새로 작성]

5.3 HITL 검증 체계 (단일 통합 UI — 압축 가이드 §1.3 적용)¤

본 사업의 4 개 AI 엔진은 모두 초기 운영 단계에서 작업자·검사원·QA 의 검토를 거쳐 의사결정에 반영되는 HITL (Human-in-the-loop) 검증 체계 를 표준 운영 모드로 채택한다. 본 사업의 차별적 핵심은 시나리오별 분리 UI 가 아닌 단일 통합 UI 로 시작하는 점이며, 이는 guide/duration-compress.md §1.3 의 HITL UI 단일화 분기를 직접 적용한 결과이다. 작업자는 한 번의 학습으로 4 시나리오의 검수·피드백을 동일 화면에서 처리할 수 있어, 6 개월 사업에서 학습 곡선 비용이 시간 단축에 유리하게 작동한다.

단일 통합 UI 의 화면 구성은 다음과 같다. (i) 상단 탭 — 4 시나리오 (MET-01·MET-03·UTL-01·LLM-04) 위젯 분기. (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 치수 편차 시각화, 5.2-e 의 부하 곡선·시프트 권고, 5.2-f 의 인용 도면). (iv) 공통 우측 — 작업자·검사원의 3 단 평가 버튼 (사용 가능 / 수정 필요 / 부적합) + 사유 드롭다운 + 자유 메모.

피드백 프로세스는 SCN-MLO-03 단일 통합 UI 피드백 루프 (§7.1 압축 모드) 와 직접 결합된다. "사용 가능" 평가는 모델 신뢰의 누적 신호로, "수정 필요" 평가는 미세 조정 라벨로, "부적합" 평가는 학습 강화 큐로 분기된다. 사유 드롭다운은 시나리오별로 사전 정의되며 (예: MET-01 — "공구 교체 직후 보정 필요", "신규 소재군 외삽" 등), 작업자가 추가 자유 메모를 입력하면 LLM 이 이를 구조화 태깅하여 LLM-04 RAG 인덱스에 자동 등재한다. 이로써 작업자의 미세조정 사유 자체가 후속 신입 작업자가 검색 가능한 노하우 자산으로 전환된다.

단일 UI 정보 밀도 거버넌스 — guide/duration-compress.md §1.3 의 주의 사항으로 단일 UI 의 정보 밀도가 작업자 인지 부담 누적·알람 피로도로 이어질 수 있음이 명시된다. 본 사업은 시나리오별 우선순위 (MET-01 공구 알람이 최우선)·시간대별 표시 정책 (UTL-01 피크 시프트는 13~17 시 한정 강조) 을 단일 UI 내부 거버넌스로 명문화하여 인지 부담을 관리한다.

[출처: track/track1-index.md §5.3 카드 + SCN-MLO-03 직접 연계 + guide/duration-compress.md §1.3 HITL UI 단일화 분기 적용]

5.4 기존 시스템 연동 (중소 환경 — MES 단순 ERP 형태, 클라우드 SaaS 통합)¤

본 사업의 AI 엔진은 [고객사] 가 기 운영 중인 ERP·CNC 컨트롤러·검사기·전기실 자산과의 양방향 연동을 전제로 설계되며, 신규 시스템이 기존 화면·업무 흐름을 대체하는 것이 아니라 기존 환경 위에 클라우드 SaaS AI 레이어를 추가 하는 방식으로 도입된다. 중소 환경의 특성상 ERP 가 단순 MES 형태로 운영되고 있어, 본 사업의 클라우드 SaaS 와의 연동 부담이 Phase E1 의 중견 ICS·MES Lv.2 환경 대비 단순한 점이 차별화 요소이다.

연동 아키텍처의 핵심 원칙 4 가지는 다음과 같다.

수집 방향 (기존 → 클라우드 SaaS) — CNC 컨트롤러는 OPC-UA / FOCAS 게이트웨이를 통해 클라우드 TSDB 로 1~10 Hz 주기 적재된다. ERP 정형 DB 는 CDC (Change Data Capture) 도구로 클라우드 RDB Replica 에 동기화된다. 3D 스캐너·CMM 측정 결과는 검사 SW API 또는 파일 watcher 기반으로 클라우드 Object Storage 에 적재된다. CAD 도면은 파일 서버 커넥터로 클라우드 Vector DB 에 야간 배치 적재된다.
추론 방향 (클라우드 SaaS → 기존 화면 + 단일 통합 UI) — 5.2-b 의 공구 마모 알람은 작업자 모바일·태블릿·CNC 옆 디스플레이로 통합 알람된다. 5.2-c 의 3D 검사 결과는 검사실 PC 의 측정 SW 사이드 패널로 노출된다. 5.2-e 의 피크 시프트 권고는 생산관리 PC·시설 담당자 모바일에 통합 알람된다. 5.2-f 의 도면 검색은 영업·설계·생산기술 PC 의 사이드 패널 또는 Web 단독 UI 로 제공된다.
권한 동기화 — [고객사] 의 사내 사용자 계정 (단순 LDAP 또는 클라우드 SSO) 이 본 사업의 단일 인증 게이트로 연동된다. 작업자·검사원·QA·생산관리·경영진은 각자의 직무 권한에 부합하는 인사이트만 노출되며, 영업비밀 도면·고객사 도면 등 민감 자산은 인가된 사용자에게만 RAG 회신이 가능하도록 설계된다.
OT/IT 경계 보호 + 클라우드 보안 — CNC 측은 일방향 게이트웨이를 통해 본 사업의 클라우드 SaaS 영역으로 데이터를 전달하되, 클라우드에서 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. 클라우드 보안은 SaaS 사업자의 ISO/IEC 27001·KISA 클라우드 보안인증 (CSAP) 인증을 활용한다.

OT 구역 — 기존 (다이어그램 6) 연동 작업의 단계별 산출물은 §5.5 의 마일스톤에서 구체화된다. 본 사업 종료 시점에 [고객사] 운영자는 단일 통합 UI 에서 4 개 AI 엔진의 추론 결과·작업자 피드백·운영 KPI 를 동시에 가시화할 수 있게 된다.

[본 섹션은 새로 작성됨 — [고객사] 중소 ERP·CNC 환경 + 클라우드 SaaS 통합 아키텍처. Phase E1 의 OT/IT 경계 + 온프레미스 ICS Historian 모델과 차별]

5.5 단계별 추진 일정 (6 개월 간트 — 압축_가이드 §5.1 양식 사용)¤

본 사업의 추진 일정은 6 개월 압축 기간 내에 4 개 시나리오 + 1 개 인프라 시나리오를 단계적으로 도입하는 구조로 설계된다. Phase 1 (1~4 개월) 은 클라우드 데이터 통합 + 주력 시나리오 (MET-01·MET-03) PoC·Pilot, Phase 2 (5~6 개월) 는 확장 시나리오 (UTL-01·LLM-04) Pilot + 단일 통합 UI 운영 + 후속 로드맵 수립이다. 본 양식은 guide/duration-compress.md §5.1 의 9 개월 압축 양식을 더 압축한 6 개월 변형이다.

고객사 (다이어그램 7) 마일스톤 표는 다음과 같이 5 행으로 압축된다.

Phase	월차	마일스톤	산출물	검수 기준
Phase 1	M2	클라우드 데이터 통합 완료	CNC·검사·전력·도면 통합 매트릭스	누락 [%] 이하, 수집 정합성 [%] 이상
Phase 1	M4	MET-01·MET-03 PoC 완료	베이스라인 모델 + 평가 보고서	KPI 개선율 [%] 이상
Phase 1	M5	MET-01·MET-03 Pilot 진입 + 단일 UI 운영	HITL 단일 통합 UI 가동	작업자 만족도 [수치]/5 이상
Phase 2	M5	UTL-01·LLM-04 Pilot 진입	4 시나리오 통합 운영	통합 UI 정보 밀도 점검 통과
Phase 2	M6	KPI 최종 검증 + 후속 로드맵 수립	사업 종료 보고서 + 후속 단계 명세	정량 KPI 목표 달성률 [%]

6 개월 사업의 검수 게이트는 M2·M4·M6 의 3 회로 축소되며 (guide/duration-compress.md §5.1 9 개월 양식의 M3·M5·M7·M9 4 회를 더 압축), Phase 종료 게이트의 회귀 절차는 18 개월 표준과 동일하게 운영위원회 검수로 작동한다.

[본 섹션은 새로 작성됨 — guide/duration-compress.md §5.1 의 9 개월 양식을 6 개월으로 더 압축. Mermaid Gantt + 5 행 마일스톤 표 + 검수 기준]

6. 기대효과 및 성과 지표¤

6.1 정량적 기대효과 (시나리오별 + 결합 시너지 ROI 행 신설)¤

본 사업의 4 개 시나리오 + 1 개 인프라 시나리오별 정량 기대효과를 통합 표로 제시한다. 모든 수치는 [고객사] 의 실측치·목표치로 사업 착수 시점에 교체된다.

시나리오	영역	AS-IS	TO-BE	단일 효과	결합 시너지 추가	종합 효과
SCN-MET-01	공구 돌발 파손 횟수 (월)	[수치] 회	[수치] 회	-[%]	--	-[%]
공구 마모·파손	공구 교체 평균 수명	[기간]	[기간]	+[%]	--	+[%]
	파손에 따른 부품 손상률	[%]	[%]	-[%]	--	-[%]
	신입 단독 작업 가능 시점	[기간]	[기간]	-[%]	--	-[%]
SCN-MET-03	3D 치수 전수검사 시간 (부품당)	[수치] 분	[수치] 분	-[%]	--	-[%]
3D 치수 검사	측정 작업자 간 편차	[수치] μm	[수치] μm	-[%]	--	-[%]
	SQA·PPAP 추적성 입증 시간	[기간]	[기간]	-[%]	--	-[%]
SCN-UTL-01	피크 부하 요금 (월)	[수치] 만 원	[수치] 만 원	-[%]	--	-[%]
공장 에너지	전력 원단위 (kWh/생산단위)	[수치]	[수치]	-[%]	--	-[%]
	계약전력 초과 페널티 (분기)	[수치] 회	[수치] 회	-[%]	--	-[%]
SCN-LLM-04	도면 검색 시간	[기간]	[수치] 초	-[%]	--	-[%]
CAD 도면 검색	신규 주문 견적 응답 시간	[기간]	[기간]	-[%]	--	-[%]
	도면 변경 이력 추적 시간	[기간]	[기간]	-[%]	--	-[%]
SCN-MLO-03	작업자 피드백 수집율	0 %	[%]	신규 확보	--	신규 확보
단일 통합 UI 피드백	모델 재학습 리드타임	—	[기간]	신규 확보	--	신규 확보
결합 시너지 (보수)	데이터 시너지 (CNC·ERP 클라우드 공유)	—	—	--	+[%]	(단일 합) × 1.[수치]
(시너지 ROI 모델 §4.1 패키지 5 보수 = 1.40, +40 %)	인프라 시너지 (클라우드 SaaS 단일 테넌시)	—	—	--	+[%]
	HITL 시너지 (단일 통합 UI)	—	—	--	+[%]
	KPI 상호보강 (MET-01 → MET-03 등)	—	—	--	+[%]
	종합 추가 효과 α_total (보수)	—	—	--	+40 %	(단일 합) × 1.40
결합 시너지 (낙관)	(시너지 ROI 모델 §4.2 패키지 5 낙관 = 1.71, +71 %)	—	—	--	+71 %	(단일 합) × 1.71

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 5 (정밀가공 중소 SaaS) 의 추정값은 동 문서 §4.1·§4.2 의 행을 직접 인용하였다."

종합하면 본 사업은 CNC 가공·치수 검사·에너지·도면 의 4 개 축에서 정량 효과를 동시에 도출하며, 단일 시나리오 합산 대비 클라우드 SaaS 단일 테넌시 공유에 따른 비선형 시너지가 보수 +40 % / 낙관 +71 % 추가로 발생한다. 패키지 5 의 시너지 폭이 6 패키지 중 가장 보수적인 이유는 시나리오 간 데이터·인과 결합도가 낮기 때문이며 (other/synergy-roi.md §4.3 표 해석 가이드), 그 대신 클라우드 비용·운영 인력 통합 효과가 인프라 시너지의 대부분을 차지한다 (other/synergy-roi.md §6.5 패키지 5 카드 인용).

[출처: 본 사업 시나리오별 단일 효과 행은 scenario/detail-top5.md SCN-UTL-01 기대효과 표 + scenario/catalog.md MET-01·MET-03·LLM-04 카드 요지 확장. 결합 시너지 행 신설 — other/synergy-roi.md §4.1·§4.2 패키지 5 추정값 (보수 1.40 / 낙관 1.71) + §5 §6.1 적용 양식 + §6.5 패키지 5 카드 직접 인용. 본 행 신설은 guide/assembly.md §9.2 권고 1 차 적용.]

6.2 정성적 기대효과 (BLK-SAF-A 안전 거시환경 간단 인용)¤

본 사업의 정성적 기대효과는 다음 6 개 영역으로 구조화된다.

지식 휘발 리스크 완화 — 베테랑 작업자·검사원의 공구 진단 노하우·3D 측정 절차·도면 매칭 노하우가 5.2-b 의 정상 분포 학습·5.2-c 의 측정 라벨·5.2-f 의 도면 RAG 인덱스로 형식지화되어 조직 자산으로 보존된다.
신규 인력 교육 기간 단축 — MET-01 모바일 알람 + LLM-04 도면 검색 결합으로 신입 작업자가 베테랑의 직접 자문 없이도 즉시 의사결정 근거를 회수할 수 있게 된다. 단독 작업 가능 시점이 [%] 단축된다.
품질·생산성·에너지의 동시 개선 — 공구 돌발 파손 감소 · 치수 전수검사 시간 단축 · 피크 부하 요금 절감 · 도면 검색 시간 단축이 동시에 발생함으로써, 단일 시나리오 도입 시보다 통합 KPI 개선이 비선형적으로 확대된다.
MLOps Lv.0 → Lv.1+ 진입 (압축 모드) — 본 사업으로 [고객사] 는 모델 레지스트리·모니터링·피드백 루프의 3 종 핵심 MLOps 운영 체계를 확보한다. 이는 본 사업 종료 후 신규 시나리오 추가 시 도입 비용을 비선형적으로 낮추는 자산이다 (피쳐 스토어·고급 거버넌스 등 풀 7 종은 후속 위임).
안전 거버넌스 강화 (간접·후속) — 2022 년 1 월 시행된 중대재해처벌법 체계 하에서 [고객사] 와 같은 5 인 이상 사업장은 경영책임자에게 안전보건 확보 의무가 부과되며, 데이터·로그 기반 상시 증빙 체계가 사실상 의무화된 환경이다. 본 사업의 1 차 범위에서는 안전 AI 직접 시나리오 (SCN-SAF-01) 를 포함하지 않으나, 본 사업으로 구축되는 클라우드 SaaS 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.
수출 경쟁력·규제 대응 — [고객사] 의 EU 향 수출 비중이 미미하므로 CBAM 직접 영향은 제한적이며, 본 사업에서는 CBAM 모듈을 별첨에서 생략한다. 단, 본 사업의 데이터 인프라가 향후 EU 향 수출 확대·미국 CCA·글로벌 OEM Scope 3 요구 강화 시 대응 자산으로 재활용 가능하다.

[출처: track/track1-index.md §6.2 카드 + module/safety.md BLK-SAF-A 거시환경 간단 인용 (SAF-01 후순위라 깊이는 얕게)]

6.3 핵심 성과 지표 (KPI) 및 측정 방법¤

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
MET-01	공구 돌발 파손율	월 가공 부품 대비 파손 발생 비율	월	[%]	[%] 이하	CNC 로그·작업자 보고
MET-01	공구 교체 권고 적중률	권고 후 실제 마모 진행 비율	알람별	—	[%] 이상	HITL 검증
MET-01	False Alarm Rate	실제 마모가 없었던 알람 비율	주	—	[%] 이하	HITL 검증
MET-03	자동 검사 정확도	자동 vs 작업자 검사 일치율	부품별	—	[%] 이상	자동 평가
MET-03	전수검사 시간	부품당 평균 검사 시간	일	[수치] 분	[수치] 분 이하	UI 로그
UTL-01	예측 정확도 (MAPE)	예측 vs 실측 평균 절대 오차율	일	—	[%] 이하	자동 평가
UTL-01	피크 부하 요금 절감	월 청구서 절감액	월	[수치]	[%] 절감	한전 청구서
LLM-04	답변 신뢰도	RAGAS 평가 점수	분기	—	[수치] 이상	RAGAS
LLM-04	도면 검색 적중률	Top-5 내 정답 포함 비율	분기	—	[%] 이상	평가셋
LLM-04	사용자 만족도	영업·설계·생산기술 평가 (1~5)	월	—	[수치]/5 이상	UI 평가
MLO-03	피드백 수집률	작업자 평가 입력 / 추론 발생 비율	일	0 %	[%] 이상	UI 로그
MLO-03	모델 재학습 리드타임	드리프트 탐지 → 신규 모델 배포	트리거별	—	[기간] 이내	MLOps

KPI 측정의 운영 거버넌스는 Track 2 §7.1 에서 구체화하며, 월간 모델 리뷰·분기 사업 리뷰의 정례 회의체 안건으로 직접 연결된다.

[출처: track/track1-index.md §6.3 카드 + 시나리오별 KPI 풀]

6.4 중장기 로드맵 (압축으로 후순위 미룬 시나리오 + 산단 공동 AI 비전)¤

본 사업은 [고객사] 의 3~5 년 디지털 전환 로드맵의 첫 단계로 위치한다. 본 사업 종료 시점부터의 단계별 확장 계획은 다음과 같다 — 6 개월 압축으로 후순위 미룬 시나리오를 명시 분리한다 (guide/duration-compress.md §5.2 양식 적용).

본 사업 6 개월 압축 MET-01·MET-03·UTL-01·LLM-04 (다이어그램 8) 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-LLM-01 SOP RAG + SCN-MET-03 전수검사 확장 (라벨링 외주 대량)
예상 기간: 12 개월 (본 사업 종료 직후 착수, Phase 1 6 개월 + Phase 2 6 개월)
예상 사업비: 본 사업 대비 [%]
예상 KPI: SOP 검색 시간 [%] 단축 / 전수검사 자동화율 [%] 향상
펀딩 가능성: 동일 지원사업 (클라우드 종합솔루션) 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 확장
예상 기간: 6 개월
예상 사업비: 본 사업 대비 [%]
예상 KPI: 안전 사고 사전 감지 [%] 향상 / 모델 운영 자동화율 [%] 향상
펀딩 가능성: 중대재해·산업안전 트랙 또는 자비 투자

[후속 단계 3 — +24 개월, 산단 공동 펀딩]
시나리오: 산단 공동 연합학습 (UTL-01 에너지·MET-01 공구 공동 모델)
예상 기간: 12 개월
예상 사업비: 본 사업 대비 [%]
예상 KPI: 산단 평균 모델 성능 [%] 향상
펀딩 가능성: 대중소상생·연합학습 지원사업

Phase	도입 시나리오	본 사업 자산 재활용
본 사업 (M0~M6)	MET-01·MET-03·UTL-01·LLM-04 + MLO-03	(신규 구축)
후속 1 (M7~M18)	LLM-01 SOP RAG · MET-03 전수 확장	본 사업 클라우드 RAG 인프라 + Vector DB + 권한
후속 2 (M19~M24)	SAF-01 안전 영상 · MLOps 풀 7 종	본 사업 클라우드 데이터·통합 UI
후속 3 (M25~M36)	산단 공동 연합학습 (UTL-01·MET-01)	본 사업 클라우드 SaaS 인프라

본 사업의 후속 로드맵 중 산단 공동 연합학습 단계는 부산·경남 산단 클러스터 내 다수 정밀가공 중소사가 데이터를 공유하지 않은 채 모델 파라미터만 공유하여 공통 모델을 학습하는 패턴이며, 개별 사업장의 데이터 부족 문제를 산단 공동체 차원의 데이터 협력으로 해소하는 비전을 담고 있다. 이는 대중소상생·연합학습 지원사업과의 매칭으로 발전 가능하며, [고객사] 가 산단 내 레퍼런스 사업장으로 자리매김하는 전략적 자산이 된다.

[출처: track/track1-index.md §6.4 카드 + scenario/catalog.md 부록 D + module/federated-learning.md 비전 1 문단 인용 + guide/duration-compress.md §5.2 후속 단계 명세 양식]

7. Track 2·3 연계 (별첨 — 6 개월 압축이라 핵심만)¤

7.1 MLOps (압축 모드 — 모델 레지스트리·모니터링·피드백 3 종 만)¤

본 사업의 4 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 구성요소는 6 개월 압축 모드로 풀 7 종이 아닌 3 종 (모델 레지스트리·모니터링·피드백) 만 1 차 도입하며, 피쳐 스토어·고급 거버넌스·고급 카나리 배포는 후속 위임한다 (guide/duration-compress.md §1.2 인프라 축소 분기 적용).

7.1.1 압축 모드 핵심 구성요소 3 종¤

본 사업의 MLOps 모듈 인벤토리는 다음 3 종으로 압축된다. 각 구성요소는 [고객사] 의 중소 규모 인력·예산 여건에 부합하도록 클라우드 SaaS 매니지드 서비스 결합 구조로 설계된다.

모델 레지스트리 (압축) — MLflow 매니지드 또는 클라우드 사업자 제공 모델 레지스트리 활용. 버전·아티팩트·모델 카드·단계 전이·롤백.
모니터링·드리프트 탐지 (압축) — Evidently OSS + 클라우드 매니지드 모니터링 (예: AWS CloudWatch). 인프라 (CPU/GPU/지연) + 데이터 (PSI/KS) + 성능 (실측 라벨 기반) 3 층 — 단, 풀 도입 대비 임계 자동 조정 등 고급 기능 축소.
피드백 루프 — SCN-MLO-03 단일 통합 UI 직결. 현장 모바일·검사실 PC UI → 라벨 DB → 학습셋 자동 편입.

후속 위임 4 종 — 피쳐 스토어 (Feast 풀 도입), 학습·재학습 파이프라인 (Airflow DAG 풀 도입), 추론 서빙 (BentoML + ONNX 풀 도입), 거버넌스 (RBAC + 감사 로그 + 데이터 리니지 풀 도입) 는 후속 단계 2 (18 개월 후) 로 위임한다.

7.1.2 모니터링·드리프트 탐지 (압축 모드)¤

본 사업의 시나리오별 모니터링 임계는 다음과 같이 초기 설정된다.

시나리오	모니터링 핵심 지표	주의 임계	경보 임계
MET-01	False Alarm Rate	[%]	[%]
MET-01	입력 피쳐 PSI	0.1	0.25
MET-03	자동 검사 정확도	[%]	[%]
UTL-01	예측 MAPE	[%]	[%]
LLM-04	답변 신뢰도 (RAGAS)	[수치]	[수치]

7.1.3 재학습 트리거 (압축 모드)¤

재학습 트리거는 5 축에서 본 사업은 (i) 시간 기반 + (ii) 드리프트 기반 + (iv) 피드백 기반의 3 축 만 1 차 도입하며, (iii) 성능 기반 (실측 라벨 부족) · (v) 외생 이벤트 기반은 후속 위임한다. 자동 vs 수동 전환 기준은 시나리오별로 분기되며, 본 사업에서 MET-01·UTL-01·LLM-04 는 자동 학습 → 수동 승인 후 배포, MET-03 은 자동 학습 → 자동 승급 (검수자 일정 기간 평가 후) 으로 운영된다.

[출처: track/track2-index.md §4.2 (7 종) + §5.5 (모니터링) + §6.2 (트리거 5 축) — 핵심 발췌 인용 + 6 개월 압축 모드 (3 종 + 3 축) 적용. 풀 발췌 대신 핵심만.]

7.2 LLM·RAG (LLM-04 도면 검색 한정)¤

본 사업의 Track 3 핵심 시나리오는 SCN-LLM-04 CAD 도면 지능 검색 한정이며, 패키지 5 의 18 개월 표준 LLM-01 SOP RAG 는 후속 단계 1 로 위임한다. Track 3 본문의 RAG 아키텍처·환각 방지·권한·UX 의 핵심을 본 절에서 발췌하고, 전체 상세는 별도 문서 track/track3-index.md 를 참조한다.

7.2.1 RAG 아키텍처 (도면 형상 임베딩 변형)¤

본 사업의 RAG 파이프라인은 6 단 구조로 설계된다 — 풀 7 단 대비 (vi) 감사·운영 계층은 압축 모드에서 단순 로그로 한정. (i) 수집 계층 — 파일 서버 커넥터, 변경 시 증분 수집. (ii) 정제 계층 — DWG·STEP·PDF 파서 + 형상 추출 (DWG/STEP 의 도형 자체를 임베딩 벡터로 변환), 메타데이터 추출, 권한 태깅. (iii) 청킹·임베딩 계층 — 도면 단위 청킹·텍스트 메타·형상 임베딩 멀티뷰, 클라우드 Vector DB 적재. (iv) 검색 계층 — Dense + BM25 + 형상 유사도 + 메타 필터, Re-ranker. (v) 생성 계층 — LLM 프롬프팅, 근거 도면 ID·해당 영역 인용 강제, 거부 정책. (vi) 감사·로그 계층 (압축) — 질의·응답 로그, 피드백 수집.

7.2.2 환각 방지·근거 인용·거부 정책¤

본 사업의 RAG 는 환각 방지를 위한 3 중 안전장치를 갖춘다. (i) 근거 강제 — LLM 응답에 인용 도면 ID·페이지·해당 형상 영역이 반드시 포함되도록 시스템 프롬프트에 강제 명시. (ii) 신뢰도 스코어 — 답변 신뢰도가 임계 미만인 경우 응답을 거부하고 휴먼 에스컬레이션. (iii) 답변 신뢰도 평가 — RAGAS·기업 내부 Q/A 테스트셋 기반 분기 단위 정기 평가.

7.2.3 현장 UX¤

영업·설계·생산기술 PC 의 사이드 패널 또는 Web 단독 UI 로 자연어 질의를 수용하며, "신규 ABC123 부품과 유사한 과거 도면" 과 같은 짧은 질의에 대해 (i) Top-N 유사 도면, (ii) 과거 가공 이력·치수 검사 결과, (iii) 표준 가공 절차 (작업표준 인용), (iv) 권장 공구 (공구 매뉴얼 인용) 를 [수치] 초 내에 회신한다.

7.2.4 권한·보안¤

[고객사] 사내 사용자 계정 + 고객사·부품군 권한 분류와 동기화하여 영업비밀 도면·고객사 도면은 인가된 사용자에게만 노출된다. 클라우드 LLM API 호출 시 도면 영업비밀 마스킹 게이트를 거치며, 민감도 라우팅 결과 민감 도면은 온프레미스 sLM 으로 분기된다.

[출처: track/track3-index.md §4.2 (RAG 아키텍처) + §5.5 (환각 방지) + §6.1 (현장 UX) + §5.6 (권한·보안) — 핵심 발췌 인용 + LLM-04 도면 형상 임베딩 변형 적용. 선택 발췌 (LLM-04 RAG 핵심만).]

8. 부록·별첨¤

8.1 시나리오 상세 (4 시나리오 — UTL-01 은 Top5 그대로 인용 + 나머지 3 카드 요지 확장)¤

본 부록은 본 사업의 4 개 핵심 시나리오 중 scenario/detail-top5.md 에서 이미 상세 작성된 SCN-UTL-01 의 본문을 그대로 인용하고, SCN-MET-01·SCN-MET-03·SCN-LLM-04 는 scenario/catalog.md 의 카드 요지를 본 사업 맥락에 맞춰 확장한다.

8.1.1 SCN-UTL-01 — 공장 에너지(전력·가스·증기) 최적화·피크 관리 (상세)¤

본 사업의 SCN-UTL-01 본문은 §5.2-e 카드 안에 이미 scenario/detail-top5.md 본문을 그대로 인용하였다. 본 부록 §8.1.1 은 §5.2-e 의 인용 본문을 참조 표기한다 — "본 사업의 SCN-UTL-01 상세는 scenario/detail-top5.md SCN-UTL-01 적용 맥락·AS-IS·AI 해결·운영 단계 4 단락을 §5.2-e 카드에서 직접 인용하였다." 중복 출력을 피하기 위해 본 §8.1.1 에서는 별도 재인용 대신 §5.2-e 참조로 한정한다.

[출처: scenario/detail-top5.md SCN-UTL-01 — 본문은 §5.2-e 에 이미 인용. 본 §8.1.1 은 참조 표기]

8.1.2 SCN-MET-01 — CNC 공구 마모·파손 예지 (카드 요지 확장)¤

대상 공정: CNC 선반·머시닝센터·MCT 가공. 고통점: 공구 마모·파손 진단이 작업자 청각·촉각·육안 + 시간 주기 교체 의존. 돌발 파손 시 가공 부품 손상·라인 정지 동시 발생. 베테랑 진단 노하우 형식지화 부재. AI 해결: CNC 컨트롤러 로그 (주축 부하·진동·이송 모터 전류·온도) 시계열 이상탐지 + 공구 마모 단계 분류 + 파손 임박 조기경보. 작업자 모바일 알람 → 공구 교체 권고. 데이터 소스: CNC 컨트롤러 로그 (OPC-UA / FOCAS), 공구 교체 이력 (ERP), 가공 파라미터 메타. 트랙 매핑: Track 1 + Track 2 (드리프트 트리거·압축 모드). 기대효과: 공구 돌발 파손율 ↓, 공구 평균 수명 ↑, 부품 손상률 ↓. 난이도·선행조건: 中. CNC 컨트롤러 OPC-UA 표준화 + 공구 교체 라벨 확보 필요.

본 사업 적용 맥락: [고객사] 는 CNC 컨트롤러 로그를 설비별 PC 에 적재 중이나 클라우드 통합·AI 활용 단계에는 진입하지 못한 상태이다. 본 사업의 클라우드 SaaS 단일 테넌시는 신규 고가 인프라 투자 없이 진입 가능하며, 5.2-b 시계열 품질·이탈 예측 엔진의 직접 적용 사례로 위치한다. 일부 구형 설비를 위한 저비용 IoT 게이트웨이 키트 추가 설치는 §5.1 에 명시되었다.

[출처: scenario/catalog.md SCN-MET-01 카드 인용 + 본 사업 적용 맥락 보완]

8.1.3 SCN-MET-03 — 3D 스캔 치수 검사 자동화 (카드 요지 확장)¤

대상 공정: 정밀가공 후 3D 스캔·CMM 정밀 검사. 고통점: 복잡 형상 부품의 측정 포인트 선정·정합 절차가 작업자별 상이 → 측정 결과 편차 누적. 전수 검사가 가공 시간을 초과하는 사례 발생. AI 해결: 3D 스캔 포인트클라우드 + CAD 도면을 입력으로 자동 정합·자동 측정 포인트 선정·치수 편차 자동 산출. EfficientNet 분류 + PointNet+ICP 형상 정합 Weighted 결합. 데이터 소스: 3D 스캐너·CMM 측정 결과, CAD 설계 도면. 트랙 매핑: Track 1 (비전 분류·형상 정합). 기대효과: 전수검사 시간 ↓, 측정 작업자 간 편차 ↓, SQA·PPAP 추적성 입증 시간 ↓. 난이도·선행조건: 中. 클라우드 라벨링 외주 + CAD 도면 디지털 자산 확보.

본 사업 적용 맥락: 본 사업은 [고객사] 의 3D 스캐너·CMM 자산 위에 클라우드 SaaS AI 레이어를 추가하며, 5.2-c 비전 검사 엔진의 SaaS 변형 적용 사례로 위치한다. 라벨링 외주 대량 동반은 후속 단계 1 로 위임 — 본 사업은 부분 도입 (주력 부품군 한정).

[출처: scenario/catalog.md SCN-MET-03 카드 인용 + 본 사업 적용 맥락 보완]

8.1.4 SCN-LLM-04 — CAD 도면 지능 검색 (카드 요지 확장)¤

대상 공정: 영업·설계·생산기술 부서의 신규 주문 접수 + 도면 매칭. 고통점: CAD 도면 자산이 부서별·연도별·고객사별 산재 보관, 신규 주문 접수 시 유사 도면 검색에 [기간] 단위 시간 소요. 도면 변경 이력 추적도 어려움. AI 해결: CAD 도면 (DWG·STEP·PDF) 형상 임베딩 + 텍스트 메타 멀티뷰 RAG. 자연어 질의 → 유사 도면 Top-N 회신 + 과거 가공 이력·치수 검사 결과·표준 가공 절차 결합. 데이터 소스: CAD 도면 자산 + CAM 가공 프로그램·작업표준·공구 매뉴얼. 트랙 매핑: Track 3 (LLM·RAG). 기대효과: 도면 검색 시간 ↓, 신규 주문 견적 응답 시간 ↓, 도면 변경 이력 추적 시간 ↓. 난이도·선행조건: 中~高. DWG/STEP 형상 임베딩 모델 외부 자문 결합 권장. 영업비밀 도면 권한·마스킹 설계.

본 사업 적용 맥락: 본 사업은 [고객사] 의 CAD 도면 자산을 클라우드 Vector DB 에 통합 인덱싱하며, 5.2-f LLM·RAG 지식검색 엔진의 도면 형상 임베딩 변형 사례로 위치한다. 18 개월 표준 패키지 5 의 LLM-01 SOP RAG 는 후속 단계 1 로 위임된다.

[출처: scenario/catalog.md SCN-LLM-04 카드 인용 + 본 사업 적용 맥락 보완]

8.2 사업비 산정 상세 (재무·예산 산정 §4.3 양식)¤

본 부록은 재무_예산_산정_가이드.md §5.3 별첨 양식을 따른다. 본 사업의 비목별 상세 산정 근거는 다음과 같다 — 패키지 5 (정밀가공 SaaS 경량) 특성상 인건비 비중 낮음, 외주·SaaS 운영비 비중 높음 (재무_예산_산정_가이드.md §4.3 표 인용).

비목	세부항목	산정 근거	단가	수량	금액 (만 원, 추정)
인건비 — PM	6 개월 × 1 인 × [%] 참여율	[수치] 만 / 인월	[수치] 만 / 인월	[수치] 인월	[수치] (확인 필요)
인건비 — DS·MLE 핵심	6 개월 × [수치] 인	[수치] 만 / 인월	[수치] 만 / 인월	[수치] 인월	[수치] (확인 필요)
인건비 — DE·QA·도메인 전문가	6 개월 × [수치] 인	[수치] 만 / 인월	[수치] 만 / 인월	[수치] 인월	[수치] (확인 필요)
재료비 — IoT 게이트웨이 키트	CNC 구형 설비용 [수치] 식	[수치] 만 / 식	[수치] 만 / 식	[수치] 식	[수치] (확인 필요)
재료비 — 클라우드 SaaS 라이선스	6 개월 × 1 식	(확인 필요)	(확인 필요)	6 개월	[수치] (확인 필요)
재료비 — RAG 임베딩·벡터스토어	6 개월 × 1 식 (LLM-04)	(확인 필요)	(확인 필요)	6 개월	[수치] (확인 필요)
연구장비 — GPU 서버·엣지 박스	클라우드 GPU 활용으로 최소화	(확인 필요)	—	—	[수치] (확인 필요)
연구활동비 — 출장·검증 워크숍	월 [수치] 회 × 6 개월 평균	(확인 필요)	(확인 필요)	(확인 필요)	[수치] (확인 필요)
외주 (연구과제 추진비) — UI 개발	단일 통합 UI	(확인 필요)	(확인 필요)	1 식	[수치] (확인 필요)
외주 — 도메인 자문	CNC 가공·치수 검사 자문 [수치] 인일	(확인 필요)	(확인 필요)	(확인 필요)	[수치] (확인 필요)
외주 — 라벨링·문서 정제	MET-03 라벨링 + LLM-04 도면 정제	(확인 필요)	(확인 필요)	(확인 필요)	[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] 천만 원 (확인 필요)
정부지원 ([%] — 중소 가이드라인 높음)					[수치] (확인 필요)
자부담 ([%], 현금 [%] / 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 4 종을 분리 발주할 경우 본 표의 [%] 증가가 추정된다.

18 개월 표준 대비 압축 비율 — 본 사업은 재무_예산_산정_가이드.md §4.2 의 6 패키지 비교 표에서 패키지 5 의 6 개월 표준 사업비 [수치] 천만 원 (가장 작음) 으로 분류된다. SaaS 경량 트랙으로 6 개월에 자연스럽게 부합하며, 본 사업비는 패키지 2 (중견 18 개월) 대비 [%] 수준의 압축 효율을 보인다.

[출처: 재무_예산_산정_가이드.md §0 사업비 (직접비 5 비목 + 간접비) + §4.1 패키지 2 양식을 패키지 5 6 개월 SaaS 경량으로 변형 + §4.3 비목 비중 패턴 (패키지 5 인건비 낮음·외주 비중 높음·SaaS 운영비 별도) 적용 + §5.3 별첨 양식]

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-e·5.2-f 카드 + 결합 가이드	5 회
`scenario/detail-top5.md`	SCN-UTL-01 본문 그대로 인용 (§5.2-e 안에 인용)	1 회
`scenario/catalog.md`	부록 B 패키지 5, MET-01·MET-03·LLM-04·MLO-03 카드	5 회
`guide/assembly.md`	§1 7 단계 / §2 패키지 5 매핑 (5.2-b·c·e·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`	§1.1~1.4 4 분기 압축 / §4 패키지 5 6 개월 표준 / §5.1 6 개월 마일스톤 양식 / §5.2 후속 단계 명세 / §5.3 §0 사업비 양식 / §6 압축 주의 사항	6 회
`other/synergy-roi.md`	§3 산식 + §4.1·4.2 패키지 5 추정 (보수 1.40 / 낙관 1.71) + §5 §6.1 양식 + §6.5 패키지 5 카드	5 회
`재무_예산_산정_가이드.md`	§0 사업비 + §2.3 중소 정부지원 비율 + §4.1 양식 변형 + §4.3 패키지 5 비목 비중 + §5.1·5.3 양식	5 회
`track/track2-index.md`	§4.2·5.5·6.2 핵심 발췌 (압축 모드)	3 회
`track/track3-index.md`	§4.2·5.5·5.6·6.1 핵심 발췌 (LLM-04 한정)	4 회
`other/support-programs.md`	§5 클라우드 종합솔루션	1 회
`module/safety.md`	BLK-SAF-A (1.2 거시환경 — 발췌·요약), BLK-SAF-C (3.4 — 발췌)	2 회
`module/federated-learning.md`	6.4 후속 로드맵 비전 1 문단	1 회
`module/cbam.md`	(생략 — [고객사] 비EU 수출 비중에 따라 생략 명시)	0 회

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

통합 테스트 자체평가 (Phase E2)¤

본 섹션은 Phase E2 통합 파일럿의 자체평가 결과이다. 본 문서 자체가 통합 테스트 산출물이므로, 조립 과정에서 발견한 이슈를 6 항목 + Phase E1 비교 1 항목으로 평가한다 (guide/assembly.md §8 자체평가 양식 + 본 임무의 추가 1 항목).

1. 자산 활용도 — 워크스페이스 자산 18 개 + 의 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 4 카드 (b·c·e·f) 인용
`scenario/detail-top5.md`	✓	§5.2-e 안에 SCN-UTL-01 본문 인용
`scenario/catalog.md`	✓	§0 패키지 5 + §8.1 카드 요지
`guide/assembly.md`	✓	§3·4·5 SCN 부정합 처리·§5.2 카드 매핑·§8 자체평가 양식
`guide/duration-compress.md`	✓	§1.1~1.4 4 분기·§4 패키지 5·§5.1~5.3 양식·§6 주의
`other/synergy-roi.md`	✓	§6.1 결합 시너지 행 신설
`재무_예산_산정_가이드.md`	✓	§0·§5.5·§8.2 사업비 양식
`track/track2-index.md`	✓ (압축 모드)	§7.1 발췌 인용 (3 종 압축)
`track/track3-index.md`	✓ (선택)	§7.2 발췌 인용 (LLM-04 한정)
`other/support-programs.md`	✓	§0·1.1 사업 분류
`module/safety.md`	✓ (간단)	§1.2 BLK-SAF-A 거시환경 (얕게) + §3.4 BLK-SAF-C 인용
`module/federated-learning.md`	✓ (간접)	§6.4 후속 로드맵 비전
`module/cbam.md`	✗	(생략 — 비EU 수출 비중 명시)
`pkg/pkg2-cold-rolled.md`	✓ (참조)	골격·자체평가 양식 참조
`meta/review-report.md`	✗	(메타 자료)
`meta/worklog.md`	✗	(프로젝트 내부)
`scenario/detail-phase2.md`	✗	(Phase 2 별도 시나리오, 본 사업 범위 외)

활용률: 20 개 중 16 개 직접·간접 인용 + 1 개 명시 생략 = 85 % (Phase E1 의 85.7 % 와 유사). 4 축 검증 신규 자산 (조립·압축·시너지·재무) 4 종 모두 활용한 점이 차별화.

2. 갭 발견 — 본 패키지 (압축·정밀가공·SaaS) 에서 새로 발견된 갭 (Top 3)¤

Phase E1 갭 (5.2 카드 매핑·시너지 정량화·SCN 부정합 처리·압축 가이드·재무 예산) 은 본 사업 시점에 모두 표준화·해소되었으나, 본 패키지 (정밀가공 6 개월 SaaS) 에서 다음 신규 갭이 발견되었다.

DWG/STEP 형상 임베딩 모델의 워크스페이스 자산 부재 — 본 사업의 SCN-LLM-04 CAD 도면 검색은 텍스트 임베딩이 아닌 도면 형상 자체의 임베딩 이 핵심 차별 요소이나, 워크스페이스의 5.2-f 카드는 텍스트·OCR 중심 RAG 만 다룬다. DWG/STEP 의 도형 임베딩·형상 유사도 검색은 본 사업 도전 영역으로 외부 자문에 의존해야 하며, 향후 5.2-f 의 "형상 임베딩 변형 카드" 또는 신규 5.2-g 카드 신설이 권장된다.
클라우드 SaaS 환경의 보안 거버넌스 자산 부재 — 본 사업은 클라우드 SaaS 단일 테넌시 도입을 핵심 차별점으로 두나, 워크스페이스에는 클라우드 보안 (CSAP·ISO 27001)·민감 도면 마스킹·클라우드 SSO 통합 등의 거버넌스 자산이 부재하다. Phase E1 의 온프레미스 OT/IT 경계 모델과 다른 보안 모델이 필요하며, 향후 "클라우드 SaaS 보안 거버넌스 모듈" 신규 자산이 권장된다.
6 개월 압축의 검수 게이트 표준 부재 — guide/duration-compress.md §5.1 은 9 개월 압축 양식까지만 표준화하였고, 본 사업이 6 개월으로 더 압축한 마일스톤·검수 게이트 (M2·M4·M6 의 3 회) 양식은 본 사업이 1 차 적용한 결과이다. 향후 압축 가이드의 6 개월 변형 양식 추가 권장.

3. 자연스럽지 않은 인용 (SCN 부정합 처리 결과 보고)¤

§3.1 BLK-T1-3.1 인용 — (b) 분기 적용 — 인용 본문 말미의 SCN-STL-07·MET-05 를 본 사업의 SCN-MET-01 로 치환. 출처 표기에 "발췌·재정렬" 명시. 결과 평가: 인용성 미세 손상 vs 사업 범위 정합성 우선 — 후자 채택. Phase E1 의 §3.1 처리와 동일 패턴.
§3.2 BLK-T1-3.2 인용 — © 분기 적용 — 인용 본문 내 LLM-01·LLM-04 중 본 사업 LLM-04 한정 명시 + LLM-01 후속 로드맵 위임 1 문장 부가. 본 사업의 LLM-04 가 본 사업 범위 내에 있어 (b) 치환이 불필요한 점이 Phase E1 의 §3.2 처리와 차이. 결과 평가: 인용성 유지 + 후속 단계 가시화 양립.
§4.5 BLK-T1-4.5 인용 — (a) 분기 적용 — 인용 본문 내 SCN-STL-08·STL-07 등은 모델 선정 거버넌스의 일반 사례 참조이며, 본 사업 시나리오 범위 밖이다. (a) 각주 처리 + 정밀가공 보완 단락 1 단락 추가로 본 사업 시나리오 (MET-01·03·LLM-04) 의 직접 적용 명시. 결과 평가: Phase E1 과 동일 패턴.

4. 새로 작성한 섹션 평가¤

섹션	새로 작성 분량 (대략)	평가 (1~5)	비고
§0 과제 요약 (압축 비율 표기 포함)	50 줄	5	`재무·예산 산정` §5.1 + `압축 가이드` §5.3 양식 결합. 압축 명시
§1.1 추진 체계 (6 개월 압축 명시)	25 줄	4	압축 4 분기 적용 명시
§1.3 정밀가공 산업 도메인	30 줄	5	Phase E1 철강을 정밀가공으로 교체 — 도메인 일반성 검증
§1.4 [고객사] 정밀가공 중소사 프로필	35 줄	4	가상 정밀가공 중소사 정합
§2.1·2.2·2.3·2.4	145 줄	4	ICS·MES Lv.0~1 중소사 현실 반영
§4.1 TO-BE (SaaS 강조)	30 줄	5	6 개월 압축 + 클라우드 SaaS 차별
§4.2 매트릭스 (4 시나리오 + 후속)	35 줄	5	후순위 시나리오 명시
§5.1·5.4·5.5	130 줄	5	클라우드 SaaS 적재 + 6 개월 간트
§5.2 카드 결합 가이드 (압축)	25 줄	4	결합 깊이 얕음 명시
§5.3 단일 통합 UI	35 줄	5	압축 가이드 §1.3 적용 차별
§6.1 시너지 행 (보수·낙관 신설)	50 줄	5	`other/synergy-roi.md` §4.1·4.2 직접 인용
§6.2 안전 거시 (간단)	25 줄	4	BLK-SAF-A 얕게
§6.3 KPI	30 줄	4	정밀가공 KPI 풀
§6.4 후속 로드맵 (4 항목 양식)	50 줄	5	압축 가이드 §5.2 양식 직접 적용
§7.1 압축 모드 MLOps 3 종	40 줄	5	풀 7 종 → 3 종 압축 명시
§7.2 LLM-04 한정	35 줄	5	LLM-01 후속 위임 명시
§8.2 사업비 (재무·예산 §4.3 양식)	50 줄	5	패키지 5 비목 비중 패턴 적용
자체평가 + Phase E1 비교	250 줄	5	4 축 검증 결과 보고

전체 평가: 새로 작성 섹션 모두 4 점 이상으로 평가되며, 본 사업의 [고객사] 정밀가공 중소사 + 6 개월 압축 + SaaS 경량 정합성은 양호하다.

5. 새로 작성 분량 비율¤

전체 본문 약 1,200 줄 (Mermaid 코드·표 포함). 새로 작성 분량 추정: - §0 과제 요약: 50 줄 - §1.1·1.3·1.4: 90 줄 - §2.1~2.4: 145 줄 - §3.1·3.4·3.5: 25 줄 (특화 1~2 문장 + 종합 표) - §3.3 (정밀가공 맥락): 25 줄 - §4.1·4.2·4.3: 95 줄 - §5.1·5.4·5.5: 130 줄 - §5.2 결합 가이드 + 5.2-c·5.2-f 정밀가공 보완: 30 줄 - §5.3 단일 UI: 35 줄 - §6.1 시너지 행 + §6.3 KPI + §6.4: 130 줄 - §6.2 (안전 정성 간단): 25 줄 - §7.1·7.2 압축 모드 발췌 + 본 사업 적용: 75 줄 - §8.1.2~8.1.4 + §8.2: 80 줄 - 자체평가: 250 줄

총 새로 작성 추정: 약 405 줄 / 1,200 줄 = 33.8 % (목표 25~35 % 부합 — 패키지 2 의 30 % 보다 약간 높음).

인용 분량 추정: 약 795 줄 / 1,200 줄 = 66.2 % (목표 65~75 % 부합).

Phase E1 (패키지 2) 와의 분량 비율 차이 — 본 패키지 5 의 신규 작성 비율 (33.8 %) 이 패키지 2 (30 %) 보다 약 4 %p 높은 이유는 (i) 정밀가공 도메인이 새 도메인이라 §1.3·§1.4·§2.x·§3.3 의 도메인 보완 분량이 컸음, (ii) 6 개월 압축이 워크스페이스 자산의 18 개월 표준 양식과 차이가 있어 §5.5·§7.1 압축 모드 보완이 필요했음, (iii) 클라우드 SaaS 환경이 Phase E1 의 온프레미스 ICS Historian 모델과 달라 §5.4·§7.1 의 SaaS 적용 보완이 필요했음의 3 가지로 분석된다.

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
인용 출처 표기 (`> [출처: ...]`)	5	모든 섹션 말미. SCN 부정합 처리 분기 명시
시나리오 ID 정합성	5	본 사업 범위 (MET-01·03·UTL-01·LLM-04·MLO-03) 일관. SCN 부정합 처리 정책으로 미세 부정합도 해소
트랙 매핑 일관성	5	카드 매트릭스와 정합
분량 균형	5	33.8 % / 66.2 %
압축 명시 일관성 (6 개월 + SaaS 경량)	5	§0·1.1·5.5·7.1 에서 반복 강조

종합 일관성 점수: 5.0 / 5 (Phase E1 의 4.7 보다 0.3 점 높음 — SCN 부정합 처리 정책 표준화 + 압축 가이드 표준화로 미세 부정합이 해소된 결과).

7. Phase E1 (패키지 2) 와의 비교 평가 — 추가 1 항목¤

본 임무의 추가 1 항목으로 워크스페이스 자산이 두 극단 도메인 (철강 풀 18 개월 vs 정밀가공 압축 6 개월) 에 모두 적용 가능했는지를 평가한다.

7.1 워크스페이스 자산의 양 극단 적용 가능성¤

결과 — 적용 가능. track/track1-top5.md 5 블록 (§3.1·3.2·4.4·4.5·4.6) 은 양 극단 도메인에 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 패키지 2 (a·b·d·e·f 5 카드) 와 패키지 5 (b·c·e·f 4 카드) 모두에 적용 가능하여, 카드 매트릭스의 일반성이 검증되었다.

7.2 인용 가능했던 본문 vs 다시 작성한 본문의 비율 차이¤

항목	Phase E1 패키지 2	Phase E2 패키지 5	차이
인용 비율	70 %	66.2 %	-3.8 %p
신규 작성 비율	30 %	33.8 %	+3.8 %p
일관성 점수	4.7 / 5	5.0 / 5	+0.3
활용 자산 수	14 개 중 12 개 (85.7 %)	20 개 중 16 개 (80 %, 명시 생략 1 포함 시 85 %)	유사

신규 작성 비율이 Phase E2 에서 약간 높아진 이유 (3.8 %p) 는 §5 (5) 에서 분석한 3 가지 — 신규 도메인·6 개월 압축·SaaS 환경 — 로 정리된다. 일관성 점수는 0.3 점 상승했는데, 이는 Phase E1 자체평가에서 식별된 갭 (5.2 카드 매핑·SCN 부정합·시너지·압축·재무) 이 Phase E1·E2 사이에 신규 자산 4 종 (조립 가이드·압축 가이드·시너지 ROI 모델·재무 가이드) 으로 모두 표준화·해소된 결과이다.

7.3 어느 자산이 가장 일반성 강했는지·가장 도메인 특화였는지¤

가장 일반성이 강한 자산 (양 극단 도메인 모두 그대로 인용 가능):

track/track1-top5.md (BLK-T1-3.1·3.2·4.4·4.5·4.6 5 블록) — Phase E1·E2 모두에 §3·§4 핵심 본문으로 그대로 인용. 도메인 교체는 SCN 부정합 처리 분기로 해소. 워크스페이스의 가장 강한 일반 자산.
track/track1-engine-cards.md 6 카드 — 양 극단 도메인의 4~5 카드 매핑 모두 가능. 단, 5.2-f 의 형상 임베딩 변형 (LLM-04) 은 본 사업이 1 차 적용 사례.
guide/assembly.md·other/synergy-roi.md·재무_예산_산정_가이드.md — Phase E1 자체평가 결과로 신설된 신규 자산이 Phase E2 의 1 차 적용에서 모두 직접 인용 가능한 일반성을 보였다.

가장 도메인 특화였던 자산 (도메인별 큰 변형 필요):

scenario/detail-top5.md SCN-UTL-01 — UTL-01 본문은 양 극단에 그대로 인용 가능했으나, 다른 시나리오 (STL-04·09 vs MET-01·03·LLM-04) 는 시나리오 카탈로그 카드 요지 확장으로 처리. 시나리오 상세의 도메인 특화도가 가장 높음.
track/track2-index.md 7 종 구성요소 — Phase E1 의 풀 7 종 도입 vs Phase E2 의 압축 3 종 도입으로 분기. 풀 도입 자산이 압축 사업에서 큰 폭 축소가 필요했음.
module/safety.md·module/cbam.md·module/federated-learning.md 3 종 모듈 — Phase E1 (중대재해 부분 통합) vs Phase E2 (중대재해 간단·CBAM 생략·연합학습 후속 로드맵) 로 활용 깊이가 큰 폭 차이. 모듈은 사업·도메인 특성에 따른 활용 분기가 가장 큰 영역.

7.4 통합 테스트로 드러난 가장 큰 이슈¤

DWG/STEP 형상 임베딩 자산 부재 — 본 사업의 SCN-LLM-04 가 워크스페이스 자산의 빈 영역을 1 차 노출. 텍스트·OCR RAG 자산은 강하나 도면 형상 임베딩 자산이 부재한 점이 본 통합 테스트의 가장 큰 신규 갭.
클라우드 SaaS 보안 거버넌스 자산 부재 — Phase E1 의 온프레미스 OT/IT 경계 모델이 Phase E2 의 클라우드 SaaS 단일 테넌시 모델로 전환되며 새로운 보안 거버넌스 영역이 노출됨. CSAP·민감 도면 마스킹·클라우드 SSO 등의 자산 영역이 추가 보강 권장.

본 Phase E2 통합 파일럿은 워크스페이스 자산이 두 극단 도메인 (철강 풀 18 개월 vs 정밀가공 압축 6 개월) 에 모두 적용 가능한 일반성을 갖춤을 검증하였으며, Phase E1 자체평가 갭이 모두 표준화·해소된 점을 확인하였다. 신규로 노출된 갭 (형상 임베딩·클라우드 SaaS 보안·6 개월 압축 양식) 은 후속 자산 보강 우선순위로 제안된다.

[본 자체평가는 guide/assembly.md §8 자체평가 양식 6 항목 + Phase E2 임무의 추가 1 항목 (Phase E1 비교) 의 7 항목 구조로 작성되었다]

📌 이 페이지 정보 (개발자용)

원본 파일: 사업계획서_패키지5_정밀가공중소_파일럿.md
자산 군: 📦 통합 파일럿
slug 경로: pkg/pkg5-precision.md
워크스페이스 정책: 원본 .md 수정 0 — hooks 로만 시각 변환
자산 자족성 정상화: Phase E7 완료 (잔여 외부 갭 4)