AI · 자동화ML
식품 MES 데이터 품질과 AI 모델 붕괴 — 좋은 알고리즘보다 좋은 원천 데이터가 먼저다
정교한 AI 모델도 MES의 작은 Transaction이 틀리면 무너진다(GIGO). 수기 입력·센서 Drift·BOM 불일치·시간축 어긋남을 Quality at Source로 막고 Lineage로 설명 가능하게 만드는 법.
카테고리 아카이브
AI·자동화
생산계획·재고예측·품질 이상탐지·회계 자동분류. 제조 AI 실무.
AI · 자동화ML
식품공장 예지보전(PdM) 구축 — 센서를 붙이는 것보다 고장 데이터를 연결하는 일이 먼저다
진동센서를 붙인다고 예지보전이 완성되는 게 아니다. 설비 상태가 시간축으로 기록되고 실제 고장·정비이력이 같은 설비 ID에 연결돼야 한다. Asset Master부터 RUL까지 순서를 정리한다.
AI · 자동화ML
식품공장 AI 도입의 올바른 순서 — 알고리즘보다 데이터 구조가 먼저다
AI 도입이 실패하는 건 알고리즘이 부족해서가 아니라 데이터 구조 때문이다. Master Data·Lot Context·Time-Series·Data Quality를 먼저 세우는 제조 AI 도입 순서를 정리한다.
AI · 자동화ML
식품제조업 AI 제조원가 이상탐지 — False Positive를 줄여야 실제 원가 누수가 보인다
원가 이상탐지가 실패하는 가장 빠른 길은 경보를 많이 만드는 것이다. 정상 원가변동(계절 단가·Batch Size·수율)을 제거하지 않으면 오탐에 묻힌다. 원가를 가격·수량·수율·배부 편차로 분해하는 설계를 정리한다.
AI · 자동화ML
종이 거래명세서 OCR 자동 입력 — 매입채무와 실제원가를 망치지 않는 Document AI 설계
거래명세서 OCR의 목적은 종이를 없애는 게 아니라 이미 발생한 구매·입고 사실을 다시 타이핑하지 않는 것이다. OCR→Mapping→PO/GRN Match→3-Way→승인→AP 구조로 오기를 차단하는 법을 정리한다.
AI · 자동화ML
식품제조업 수요예측 오차 분석 — MAPE·MAD·Bias를 생산계획과 안전재고에 연결하기
식품 수요예측의 목적은 오차를 0으로 만드는 게 아니다. 예측이 틀렸을 때 그 오차를 MAPE·MAD·Bias로 측정하고 안전재고·수율·생산계획에 다시 반영하는 Feedback Loop를 정리한다.
AI · 자동화ML
제조업 AI 자동화 — 어디서부터 시작하나
AI 도입의 시작은 모델 선택이 아니라 "사람이 반복해서 내리는 결정 하나"를 고르는 것이다. Rule/통계/AI를 나누는 법, 데이터 연결의 중요성, 틀렸을 때의 통제까지 정리한다.
AI · 자동화ML
AI 생산계획이란 무엇인가 — 무엇을 언제 얼마나 만들지
생산계획은 주문·재고·설비·납기·Setup을 동시에 맞추는 문제다. 수요예측과의 차이, 제약조건이 먼저인 이유, "최적"이 회사 우선순위 안에서만 성립하는 이유를 월요일 네 주문으로 정리한다.
AI · 자동화ML
AI 재고예측과 발주 자동추천의 원리 — 품절과 과잉재고를 동시에 줄이기
발주추천의 품질은 예측모델보다 가용재고·리드타임 기록·소비기한의 정확성에서 먼저 갈린다. 발주점(언제)과 발주량(얼마)의 분리, 예측은 틀린다는 전제까지 300kg 추천으로 정리한다.
AI · 자동화ML
AI 품질관리·이상탐지 기초 — 불량이 터지기 전에 잡는 법
이상(Anomaly)과 부적합(Nonconformance)은 다르다. Rule은 "기준을 벗어났나", 이상탐지는 "평소와 달라졌나"를 본다. 관리기준과 AI 경고선을 섞으면 안 되는 이유를 정리한다.
AI · 자동화ML
AI 회계 자동분류 — 은행거래를 계정과목에 자동으로
핵심은 통장 한 줄을 분류하는 게 아니라 은행거래가 어떤 실제 거래를 정산한 것인지 연결(매칭)하는 것이다. 입금≠매출, 출금≠비용, 미분류는 실패가 아닌 이유를 정리한다.
AI · 자동화ML
제조 데이터로 무엇을 자동화할 수 있나 — 우선순위 정하는 법
무엇을 자동화할 수 있느냐가 아니라 무엇부터 해야 하는가가 어려운 질문이다. 빈도·규칙성·데이터 준비도·오류 영향도·예외 빈도·측정 가능성으로 후보를 비교하고, 순서를 데이터 의존관계로 그리는 법을 정리한다.