AI 기능 노드
한눈에 보기
AI 기능 노드는 제조 현장에서 자주 사용하는 AI 판단을 설정 몇 개로 사용할 수 있게 묶은 노드입니다. ML 이상 탐지, 시계열 이상 탐지, 설비 건강지수, 고장 위험도 예측, 스키마/비용 어드바이저, MLOps 프롬프트 조회까지 6종이 팔레트의 「AI 기능」 묶음에 있습니다.
무엇을 하는 노드인가
ML 추론 노드가 모델을 직접 골라 사용하는 범용 도구라면, AI 기능 노드는 목적이 먼 저 정해진 도구입니다. 「이 센서 데이터에 이상이 있는가」, 「이 설비는 지금 얼마나 건강한가」, 「고장 가능성은 얼마나 되는가」 같은 질문에 맞춰 입력·설정·출력이 짜여 있어서, 모델 이름이나 파일 위치를 몰라도 사용할 수 있습니다.
이 노드들은 플랫폼의 AI 서비스를 호출해 결과를 계산합니다. AI 서비스에 연결되지 않은 경우에는 통계 기법으로 대체 계산해 결과를 내고, 결과의 mode 값과 실행 로그에 fallback을 표시합니다.
노드 목록
| 팔레트 이름 | 하는 일 | 주요 설정 | 입력 → 출력 |
|---|---|---|---|
| ML 이상 탐지 | ML 모델로 여러 항목을 함께 보며 이상값을 찾습니다 | 탐지 방법(Isolation Forest·DBSCAN·앙상블), 분석할 항목, 예상 이상 비율(0.01 | 표 데이터 → 이상 탐지 결과 + 통계(JSON) |
| 시계열 이상 탐지 | 시계열 통계 기법으로 공정의 변화 시점을 감지합니다 | 탐지 방법(CUSUM 누적합·EWMA 가중이동평균), 측정값 항목, 시간 항목, 임계값(기본 5.0), 분석 윈도우 크기(기본 50) | 표 데이터 → 이상 탐지 결과 + 통계(JSON) |
| 설비 건강지수 | 센서 데이터로 설비 상태를 0~100 점수로 계산합니다 | 설비 ID, 센서 데이터 항목, 기준 기간(7~365일, 기본 30), 열화 임계값(기본 70), 위험 임계값(기본 40) | 표 데이터 → 건강 점수 + 상세 분석(JSON) |
| 고장 위험도 예측 | 설비 데이터로 고장 가능성과 예상 시기를 예측합니다 | 설비 ID, 예측 기간(1~365일, 기본 30), 신뢰도 임계값(기본 0.7), 위험 요인 분석 포함, 고장 유형 | 표 데이터 → 예측 결과 + 위험 요인(JSON) |
| AI 어드바이저 | 스키마 구조와 쿼리 비용을 분석해 최적화 제안을 냅니다 | 분석 유형(쿼리 최적화·인덱스 제안·저장소 최적화·파티셔닝 전략), 대상 테이블, 분석할 쿼리, 예상 효과 포함 | 분석 대상(모든 형식, 선택) → 제안 목록 + 분석 결과(JSON) |
| MLOps 프롬프트 | MLOps에 등록된 프롬프트의 활성 버전을 불러옵니다 | 프롬프트 키, 대체 프롬프트, 메타데이터 포함 | 없음 → 프롬프트(JSON) |
설비 건강지수의 상태 구분
건강 점수는 두 임계값으로 상태가 정해집니다.
| 점수 (기본 임계값 기준) | 상태 값 | 의미 |
|---|---|---|
| 70 이상 | healthy | 정상 |
| 40 이상 70 미만 | degraded | 열화 진행 |
| 40 미만 | critical | 위험 |
열화·위험 임계값을 바꾸면 이 경계도 함께 바뀝니다.
앞뒤로 무엇을 연결하나
- 앞: 이상 탐지·건강지수·고장 예측은 표 데이터 입력을 받습니다. DB 노드의 표 데이터뿐 아니라 시계열 데이터·공장 설비 노드의 시계열 출력도 연결할 수 있습니다. 범위가 크게 다른 센서가 섞여 있으면 앞에 빈 값 처리와 범위 맞추기를 둡니다. MLOps 프롬프트 노드는 입력이 없어 흐름의 시작점이 됩니다.
- 뒤: 출력은 모두 JSON이므로 모든 형식을 받는 알림 보내기, 승인 대기, 외부 알림(웹훅), AI 질문, 대시보드 차트 노드와 연결합니다. MLOps 프롬프트 출력은 AI 질문 노드의 참고 데이터로 넘길 수 있습니다.
사용 예: 프레스 설비 매일 건강 점검
- 시계열 데이터 노드로 프레스 설비의 진동·온도·전류 센서 값을 최근 7일치 가져옵니다.
- 빈 값 처리 노드로 빠진 값을 이전 값으로 채웁니다.
- 설비 건강지수 노드를 연결하고 설비 ID와 센서 데이터 항목 3개를 지정합니다.
- 같은 데이터를 고장 위험도 예측 노드에도 연결하고 예측 기간을 30일, 위험 요인 분석 포함을 켭니다.
- 두 결과를 AI 질문 노드의 참고 데이터로 보내 「건강 점수와 위험 요인을 보전 담당자용 3줄 요약으로 정리해 줘」라고 질문합니다.
- 답변을 알림 보내기로 보전팀에 보내고, 크론 스케줄러로 매일 아침 실행되게 예약합니다.
실무 팁
- 설비 ID를 꼭 채운다. 설비 건강지수와 고장 위험도 예측은 설비 ID로 AI 서비스의 설비별 이력을 조회합니다. 설비 ID가 비면 입력 데이터만으로 계산한 결과를 냅니다.
- 예상 이상 비율은 현장 경험으로 정한다. ML 이상 탐지의 예상 이상 비율을 높이면 더 많은 점을 이상으로 표시합니다. 평소 불량·이상 빈도를 기준으로 시작해 알림 양을 보며 조정합니다.
- ML 이상 탐지와 시계열 이상 탐지를 구분한다. 여러 항목의 조합이 평소와 다른지 보려면 ML 이상 탐지를, 한 측정값이 어느 시점부터 서서히 달라졌는지 보려면 시계열 이상 탐지를 사용합니다. 규격 기반의 관리 한계 판정은 SPC 노드가 맡습니다.
- mode 값을 결과에서 확인한다. 결과의
mode가fallback이면 AI 서비스 대신 통계 기법으로 계산한 값입니다. 운영 판단 전에 실행 로그와 함께 확인합니다. - 프롬프트는 노드 안에 쓰지 말고 MLOps에 등록한다. MLOps 프롬프트 노드로 불러오면 프롬프트를 고칠 때 파이프라인을 수정하지 않아도 됩니다. 등록 프롬프트를 불러올 수 없을 때를 대비해 대체 프롬프트를 넣어 둡니다.