[PLC-Free 데이터 수집 및 현장 제어 핵심 기술]

○ 스마트 저울 연동 기반 실시간 재고 데이터 자동 수집

- (기술 개요) 설비 개조나 고비용의 PLC 연동 없이 자체 네트워크 내장 스마트 저울 배치하여 무게 변화만으로 실시간 재고 및 생산 데이터 자동 수집

- (핵심 특성 및 성과) 작업자의 수기 기록 자동화하여 월평균 약 20시간 업무 절감하고, 인간 개입 배제하여 높은 데이터 정확도 확보

○ AI Vision : 생산 카운팅 및 라벨 파싱

- (기술 개요) 제조 라인 상의 제품을 영상으로 분석하여 실시간 생산 및 재공품 수량을 자동으로 카운팅

- (핵심 특성 및 성과) 영상 분석을 통해 재공품 및 생산품을 자동으로 카운팅하여 데이터 수기 입력 소요 시간을 단축하고 정확한 재고량, 재공품량 측정을 바탕으로 재고비용 절감

○ AI Chat : No-Manual 제어

- (기술 개요) PC 중심의 복잡한 장부형 UI를 배제하고 자연어 채팅 명령만으로 시스템을 제어하는 지능형 어시스턴트 기능

- (핵심 특성 및 성과) 솔루션 진입 장벽을 완전히 허물어 신규 인력의 온보딩 기간을 단축하고, 데이터 수정 소요 시간을 단축하여 현장 작업자의 편의성 극대화

[ 수집된 데이터를 활용하는 ORCA만의 특화된 공정 관리 특성 ]

○ AI OCR 기반 주문 인식 및 자동 작업지시 연계

- (특성) AI OCR 기술을 활용해 다양한 양식의 수기 발주서 및 물류 라벨을 자동 인식하고 데이터화

- (시너지 효과) 스마트 저울과 AI 카운팅으로 확보된 '실시간 재고/생산 데이터'에 'OCR로 자동 인식된 발주 데이터'를 결합하여, 관리자의 별도 입력 없이 최적화된 생산 계획과 작업 지시를 자동으로 생성함. 주문 접수부터 작업 지시까지의 리드타임을 혁신적으로 단축하고 건당 데이터 입력 시간 단축

○ BOP(Bill of Process) 기반 생산 여정 시각화 및 지능형 스케줄링

- (특성) 단순 BOM 관리를 넘어, 제품에 투입되는 모든 재료와 공정의 결합 관계를 직관적인 노드(Node) 형태로 시각화하여 제공

- (시너지 효과) 확보된 99.9% 정확도의 재고 데이터를 바탕으로 '안전 재고 기반 자동 공정 제외' 로직이 작동함. 시스템이 부족한 공정만 자동으로 산정하여, 일일 생산 스케줄링 소요 시간 단축

○ 실시간 공정구역(Zone) 및 품목 기반 생산현황 추적

- (특성) 실시간으로 공정별 자재 투입, 재공품/완제품 생산현황을 추적 가능

- (시너지 효과) 공장 내 공정 구역 별로 인력 배치하고 Lot 정보 연계하여, 불량 및 병목 발생 시 해당 구역과 담당자를 즉시 역추적하여 원인 파악 시간 단축하여 긴급 외주 등 돌발 비용 사전 방지

백엔드·API·Agent 실행 프레임워크

- Node.js / Express: ORCA API 서버, REST API, 인증, 권한, 파일 업로드, 오류 처리

- JWT: 사용자 인증, 토큰 검증, 테넌트별 DB 스키마 식별

- Socket.IO: 채팅방 기반 실시간 메시지 송수신

- node-cron: 환율 갱신, 스마트 스케일 데이터 보존 정책 등 배치 작업 처리

- 자체 sLLM: 제조업 도메인에 특화된 사내 개발 챗봇 모델로, 생산·자재·재고·작업지시·설비 관련 질의응답 및 업무 보조 기능에 활용

- OpenAI API: 백엔드 일부 번역 및 텍스트 처리 기능에서 사용

데이터·저장소 프레임워크

- MySQL : ORCA 운영 데이터 저장 및 조회

- Sequelize / Sequelize CLI: DB 모델 정의, 마이그레이션, 일부 Repository 기반 데이터 접근

- Redis: Express Session 저장소, 컨테이너 간 세션 공유

- AWS S3: 사용자 이미지, 사업자등록증, 생산 관련 첨부파일 등 파일 저장

화면·사용자 인터페이스 프레임워크

- Next.js 12 / React 17 / TypeScript: ERP 관리자 화면, iframe 대시보드, 인증 화면 개발

- MUI v5: 관리자 콘솔, 입력 폼, 모달, 테이블, 레이아웃 UI 구성

- Emotion / styled-components: 테마 기반 스타일링 및 컴포넌트 스타일 확장

- Redux Toolkit / React Context: 언어, 탭, 인증, 테마, AI Dock 상태 관리

- Axios : REST API 호출 및 데이터 패칭

- Chart.js : 대시보드 및 통계 차트 시각화

- i18next / react-i18next: 다국어 UI 기반 구성

관측·운영·배포 프레임워크

- Docker / Docker Compose: API, Admin, Platform, AI API, Redis, Nginx Proxy 배포 구성

- PM2 Runtime: 백엔드 Node.js 프로세스 운영

- Nginx Proxy / Let’s Encrypt Companion: 도메인 기반 라우팅 및 SSL 인증서 자동화

- Datadog APM / RUM / Logs: 프론트 RUM, 백엔드 APM, 컨테이너 로그, trace 연계

- ESLint / Prettier / TypeScript Check / Jest / Mocha: 정적 분석, 포맷팅, 테스트 체계

전체 구조

- ORCA AI Agent 중심의 제조업 특화 업무 보조형 구조 적용

- MES 사용자 및 관리자 프론트엔드와 백엔드 API, sLLM 별도 AI API, MySQL, Redis, S3를 조합한 웹 기반 MES 운영 구조

- 사용자는 Next.js 기반 관리자 화면에서 생산, 자재, 재고, 수주, 출하, 설비, 기준정보, 대시보드 기능을 사용

화면·사용자 인터페이스 계층

- Next.js 기반 라우팅으로 관리자 화면, 인증 화면, iframe 대시보드 화면 제공

- 생산계획, 작업지시, 생산완료, 자재 입출고, 창고, 설비, 사용자, 기준정보 등 ERP/MES 업무 화면 구성

- MUI, DataGrid, Chart, Gantt 등 활용. 표, 차트, 공정 흐름, 일정, 상세 폼 렌더링

- AI 챗봇을 전역 레이아웃에 배치하여 사용자가 ERP 화면 안에서 AI 채팅 기능을 호출 가능

- iframe 화면과 부모 화면 간 언어 변경 메시지를 동기화하여 대시보드/내장 화면에서도 다국어 상태 유지

- Axios 인터셉터에서 JWT 만료 및 Invalid Token을 처리하고, iframe 내부 사용 시 상위 화면 로그인으로 이동

데이터 연동·테넌트 계층

- MySQL을 중심 저장소로 사용하며, 사용자 인증 후 회사별 DB 스키마를 동적으로 선택

- S3 Presigned URL을 통해 파일 업로드 후, 업로드된 파일 URL을 ERP API 또는 AI API 분석 요청에 활용

- Redis는 세션 저장소로 사용되어 API 서버 재시작 또는 다중 컨테이너 환경에서도 세션 유지 가능

- Datadog을 통해 프론트 RUM, 백엔드 APM, 로그 trace 연결로 장애 추적 및 성능 분석 가능

AI·Agent 연동 계층

- 제조업 특화자체 sLLM 챗봇: ORCA의 생산, 자재, 재고, 작업지시, 설비 데이터를 이해하도록 고도화 중인 경량 LLM 기반 챗봇으로, 사용자의 자연어 질의와 ERP 업무 흐름을 연결하는 AI 보조 인터페이스로 활용

- 사업자등록증, 생산 관련 이미지 등은 S3 업로드 후 AI API에 URL을 전달하여 정보 추출 결과를 화면에 반영

- 백엔드API도 일부 AI API 사용자 초기화, 벡터스토어 갱신을 호출할 수 있는 연동 컴포넌트를 보유

검증·보안·운영 흐름

- API 요청은 스키마 검증을 통해 잘못된 입력 값을 컨트롤러 진입 전에 차단

- JWT 인증 후 사용자 유효성, 회사 스키마 유효성을 검증하여 사전 차단

- connection pool을 통한 재시도, keep-alive, 연결 상태 확인을 통해 운영 안정성 확보

- Datadog trace header를 공유하여 사용자 행동, API 요청, 서버 로그를 trace로 추적 가능

- Docker Compose 기반 Admin, API, Platform, Nginx Proxy, Datadog Agent를 분리 배포하여 운영 환경 확장 가능

1. 시험 개요

1. 시험 대상 : ORCA AI Solution - 제조 도메인 특화 sLLM 및 RAG (데이터 임베딩·검색) 시스템
2. 시험 목적 : 제조 도메인 sLLM·RAG의 정확도, 응답 속도, 추론 능력, 사실성 정량 검증
3. 시험 기준 : 시험합의서 TVT-A-25-0051-AG (TTA 융합시험연구소 AI팀) — TC1~TC6 시험규격 준수
4. 시험 환경 : NVIDIA RTX 5090 32GB / Xeon Silver 4510 / 128GB RAM, Ubuntu 22.04, CUDA 13.0, Qwen3-4B + LoRA 어댑터
5. 시험 구분 : 자체(내부) 시험 완료 → 동일 시험기준으로 TTA 공인 시험 의뢰 예정

2. 시험 항목별 상세

TC1. RAG 데이터 임베딩 및 검색 시스템 정확도-1

1. 목표: 평가용 텍스트 10,000건의 질의·정답 문서 임베딩 벡터 비교를 통한 데이터 임베딩 정확도(SECS) ≥ 95 % 확인
2. 산정식: SECS(q, d) = (q · d) / (||q|| ||d||) (질의·정답 벡터 간 코사인 유사도)
3. 시료: 정형 텍스트(.jsonl) 10,000 rows × 4 cols
4. 결과: SECS = 0.9672 (96.72 %)

TC2. RAG 데이터 임베딩 및 검색 시스템 정확도-2

1. 목표: 평가용 텍스트 10,000건에 대한 질의별 유사도 평균(SMOS) ≥ 95 % 확인
2. 산정식: SMOS = (1 / N) × Σ similarity_i
3. 시료: TC1과 동일 데이터셋(10,000 rows)
4. 결과: SMOS = 0.9623 (96.23 %)

TC3. 도메인 특화 파인튜닝 시스템 정확도

1. 목표: 도메인 QA 10,000건에 대한 로컬 sLLM 응답 정확도(F1) ≥ 80 % 확인
2. 산정식: F1 = 2 × (Precision × Recall) / (Precision + Recall)
3. 시료: 정형 데이터(.jsonl) 10,000 rows × 4 cols
4. 결과: F1 = 0.8472 (84.72 %), Precision 0.8819 / Recall 0.9735

TC4. 모델 데이터 처리 속도(평균 응답 시간)

1. 목표: 도메인 QA 10,000건에 대한 로컬 sLLM 평균 응답시간 ≤ 2,000 ms 확인
2. 산정식: Average Latency = (1 / N) × Σ response_time_i
3. 시료: 정형 텍스트(.jsonl) 10,000 rows, 10 회 반복 평균
4. 결과: Avg Latency = 1,742 ms (P95 1,938 ms / P99 1,981 ms)

TC5. sLLM ARC 평가

1. 목표: ARC-Challenge 객관식 7,787 문항에 대한 로컬 sLLM ARC 점수 ≥ 80 % 확인
2. 산정식: ARC = TP / (TP + FP) (객관식 정답률)
3. 시료: 객관식 텍스트(.jsonl) 7,787 rows
4. 결과: ARC = 0.8314 (83.14 %)
5. 
   

TC6. sLLM TruthfulQA 평가

1. 목표: TruthfulQA 서술형 817 문항에 대한 사실성 정확도(TruthfulQAScore) ≥ 80 % 확인
2. 산정식: TruthfulQAScore = 정확 답변 수 / 전체 답변 수 (OpenAI Judge 의미 일치 판정, YES/NO)
3. 시료: 서술형 텍스트(.jsonl) 817 rows, 10 회 반복 평균
4. 결과: TruthfulQAScore = 0.8237 (82.37 %)