DX-AI CMMS 로드맵
온디바이스 AI와 Large Action Model을 기반으로 한 미래 지향적 설비 진단 시스템을 소개합니다. 이 프레젠테이션에서는 iDSB 기반 CMMS(Computerized Maintenance Management System)의 고도화 전략과 구현 방안에 대해 알아보겠습니다.
DX-AI iDSB 기반 CMMS 고도화 전략
온디바이스 AI와 Large Action Model을 기반으로 한 미래 지향형 설비 진단 시스템을 소개합니다. 이 시스템은 현장에서의 실시간 대응과 지능적 분석을 결합하여 설비 유지보수의 효율성을 극대화합니다.
온디바이스 AI
현장에서 즉시 판단 가능한 경량화된 AI 모델로 네트워크 지연 없이 실시간 대응
Large Action Model
단순 텍스트 생성을 넘어 실제 행동을 예측하고 실행하는 고급 AI 시스템
미래 지향형 설계
확장 가능한 아키텍처로 지속적인 기능 개선과 시스템 고도화 지원
CMMS 개요 및 목표
iDSB CMMS는 현장 설비의 이상을 감지하고, 고장 기록을 관리하며, 대응 조치 내역을 체계적으로 관리하는 시스템입니다. 작업자 중심의 유지보수 지원을 통해 설비 관리의 효율성을 높이는 것이 핵심 목표입니다.
3
작업자 중심 유지보수
현장 작업자의 업무 효율성 향상
체계적 기록 관리
고장 및 대응 조치 내역 데이터베이스화
3
이상 감지 시스템
설비 이상 조기 발견 및 대응
현재 구성 요약 (UI 기반)
현재 CMMS 시스템은 사용자 중심의 인터페이스로 구성되어 있으며, 주요 페이지는 작업일지 등록, 이미지 갤러리 및 상세정보, 유사사례 검색, 설비 분석 리포트로 이루어져 있습니다. 각 페이지는 직관적인 UI로 설계되어 작업자가 쉽게 접근하고 활용할 수 있습니다.
작업일지 등록
현장에서 발생한 설비 이상 및 조치 내용을 기록하는 페이지입니다.
이미지 갤러리 및 상세정보
설비 상태를 시각적으로 확인할 수 있는 이미지 중심 페이지입니다.
3
유사사례 검색
과거 유사한 고장 사례를 검색하여 참조할 수 있는 페이지입니다.
설비 분석 리포트
설비 상태 및 고장 패턴을 분석한 리포트를 제공하는 페이지입니다.
현재 기능 요약 및 장점
현재 CMMS 시스템은 작업 정보의 시각화와 기록 체계화를 통해 설비 관리의 효율성을 높이고 있습니다. 고장 이력 분석을 통한 선제적 대응이 가능하며, 직관적인 UI로 작업자의 접근성을 강화하였습니다.
작업 정보의 시각화 및 기록 체계화
설비 상태와 작업 내역을 시각적으로 표현하여 직관적인 이해를 돕고, 체계적인 기록 관리를 통해 데이터 기반 의사결정을 지원합니다.
고장 이력 분석으로 선제적 대응 가능
과거 고장 이력을 분석하여 유사한 패턴을 발견하고, 문제가 발생하기 전에 예방적 조치를 취할 수 있습니다.
직관적인 UI로 작업자 접근 용이성 강화
사용자 친화적인 인터페이스 설계로 현장 작업자가 복잡한 교육 없이도 시스템을 효과적으로 활용할 수 있습니다.
확장 방향 개요 – Why AI?
현재 CMMS 시스템은 데이터 수집과 관리에 강점이 있지만, 실시간 대응과 지능적 분석에는 한계가 있습니다. 현장의 실시간성과 분석의 지능화가 필요하며, 이는 온디바이스 AI와 Large Action Model(LAM)을 통해 해결할 수 있습니다.
실시간성 강화
현장에서 즉각적인 판단과 대응이 필요하지만 현재는 지연 발생
지능화 필요
데이터는 충분히 수집되지만 판단과 실행은 여전히 수동적 프로세스에 의존
온디바이스 AI 도입
현장 장치에서 직접 AI 모델을 실행하여 네트워크 지연 없이 즉시 판단
LAM 통합
단순 분석을 넘어 실제 행동으로 연결되는 지능형 시스템 구축
온디바이스 AI란?
온디바이스 AI는 클라우드(서버)로 데이터를 보내지 않고, 사용자의 장치 내부에서 AI 모델이 직접 실행되어 판단하거나 예측을 수행하는 기술입니다. 이는 네트워크 지연 없이 즉각적인 대응이 가능하며, 개인정보 보호에도 유리합니다.
클라우드 AI
  • 서버에서 처리
  • 빠른 연산이 필요
  • 데이터 전송 필요
온디바이스 AI
  • 기기 자체에서 처리
  • 네트워크 없어도 가능
  • 로컬에서 개인정보 보호
왜 현장에서는 온디바이스 AI가 중요할까?
산업 현장에서 온디바이스 AI는 네트워크 지연 없이 즉시 판단할 수 있고, 오프라인 환경에서도 작동하며, 민감한 데이터의 보안을 강화하고, 전력 효율이 높아 지속적인 운영이 가능하다는 장점이 있습니다.
즉시 반응 가능
네트워크 지연 없이, 현장에서 바로 판단하여 신속한 대응이 가능합니다.
오프라인에서도 작동
공장이나 설비의 네트워크 연결이 불안정하거나 끊겨도 지속적으로 사용할 수 있습니다.
보안 우수
민감한 이미지나 센서 데이터가 외부 서버로 전송되지 않아 데이터 보안이 강화됩니다.
전력 효율
경량 모델을 사용해 배터리 걱정 없이 지속적인 운영이 가능합니다.
기술적으로 어떻게 구현될까?
온디바이스 AI는 경량화된 모델과 최적화 기술을 통해 모바일 기기나 엣지 디바이스에서 구현됩니다. Gemma 1B, TinyLLaMA, DistilBERT 등의 경량화 모델과 양자화, 가지치기 같은 최적화 기술이 사용되며, 다양한 실행 환경과 프레임워크를 통해 구현됩니다.
CMMS에서 온디바이스 AI는 무엇을 할 수 있나?
온디바이스 AI는 CMMS 시스템에서 다양한 기능을 수행할 수 있습니다. 현장에서 촬영한 사진에서 즉시 이상을 탐지하거나, 작업자가 입력한 고장 증상을 자동으로 요약하고, 자주 발생하는 경고 메시지를 미리 안내하며, AI 챗봇을 통해 현장에서 실시간 지원을 제공할 수 있습니다.
사진 찍으면 즉시 이상 여부 탐지
현장에서 설비를 촬영하자마자 AI가 이상 여부를 판단하여 "이상 있음" 등의 결과를 즉시 제공합니다.
고장 증상 입력 시, AI가 자동 요약
작업자가 긴 설명을 입력하면 AI가 핵심 내용을 요약하고 정리하여 효율적인 기록 관리를 지원합니다.
자주 발생하는 경고 메시지 미리 안내
"345도 이상 자주 발생 → 점검 필요"와 같이 패턴을 분석하여 예방적 조치를 안내합니다.
AI 챗봇이 현장에서 응답
"이럴 때는 이렇게 하세요"와 같은 실시간 FAQ 지원으로 작업자의 문제 해결을 돕습니다.
LLM과 온디바이스 AI의 연결
LLM의 경량 버전을 온디바이스에서 실행하고, 필요시 서버의 LAM과 연동하여 복잡한 판단은 위임하는 구조로 구현됩니다. 예를 들어, 작업자가 사진을 업로드하면 온디바이스 AI가 이물 가능성을 판단하고, 서버 LAM이 이물 종류를 분석하여 정비 스케줄을 제안하는 방식으로 작동합니다.
온디바이스 경량 LLM
Gemma-1B, Phi-2, TinyLLaMA 등 경량화된 모델 실행
현장 데이터 수집
사진, 텍스트, 센서 데이터 등 현장 정보 획득
즉시 판단
간단한 분석과 판단은 현장에서 즉시 처리
서버 LAM 연동
복잡한 판단은 서버의 LAM에 위임하여 처리
요약: 온디바이스 AI는 "설비 옆의 스마트 도우미"
온디바이스 AI는 설비 옆에서 작업자를 지원하는 스마트 도우미 역할을 합니다. 빠르게 판단하고, 현장에서 즉시 대응하며, 네트워크가 없는 환경에서도 작동하고, 프라이버시를 보호하는 작고 똑똑한 AI 모델입니다.
빠르게 판단
네트워크 지연 없이 즉각적인 분석 제공
현장에서 대응
설비 옆에서 실시간 지원 및 가이드 제공
네트워크 없어도 작동
오프라인 환경에서도 지속적인 기능 유지
프라이버시 보호
민감한 데이터가 외부로 유출되지 않음
LAM 정의 – 단순 LLM과의 차이점
Large Action Model(LAM)은 단순히 텍스트를 생성하는 LLM과 달리, 실제 행동(Action)을 예측하고 실행하는 모델입니다. LAM은 텍스트뿐만 아니라 이미지, 센서 데이터, 구조화된 DB 등 다양한 입력을 처리하고, 행동 지시나 시스템 명령 등의 실질적인 액션을 출력합니다.
LAM의 구조 구성요소
LAM은 다양한 입력 데이터를 처리하고, 멀티모달 처리 및 의사결정 구조를 통해 상황을 인식하고 적절한 행동을 선택하여 실행 출력을 생성하는 복잡한 구조로 이루어져 있습니다. 이를 통해 작업 지시 자동 생성, 메시지 발송, 시스템 제어 API 호출 등의 실질적인 액션을 수행합니다.
입력 데이터
  • 텍스트 (작업 로그, 자연어 질문)
  • 이미지 (설비 사진, 센서 이미지)
  • 수치 데이터 (온도, 압력 등 IoT)
  • 온톨로지/이력 데이터 (정비 기록 등)
멀티모달 처리 & 의사결정 구조
  • 상황 인식
  • 시나리오 분기 (조건/상태 기반)
  • 행동 선택 (작업 발행, 경고, 리포트)
실행 Output
  • 작업 지시 자동 생성 (Work Order)
  • 메시지 발송 (작업자, 관리자 등)
  • 시스템 제어 API 호출 (밸브, 센서 등)
LAM의 주요 기술 요소
LAM은 다중모달 입력 이해, 강화학습 또는 규칙기반 Planning, 온톨로지 기반 추론, 실시간 피드백 루프 등의 기술 요소로 구성됩니다. 이러한 기술들이 결합되어 복잡한 상황을 이해하고 적절한 행동을 결정하는 지능형 시스템을 구현합니다.
다중모달 입력 이해 (Multimodal Fusion)
텍스트, 이미지, 센서 데이터를 종합적으로 분석하여 상황을 정확하게 이해하는 기술입니다. 다양한 형태의 데이터를 통합하여 보다 정확한 판단을 내릴 수 있습니다.
강화학습(RL) 또는 규칙기반 Planning
행동의 결과를 학습하고 최적화하는 기술로, 과거 경험을 바탕으로 더 나은 의사결정을 할 수 있도록 합니다. 규칙 기반 시스템과 결합하여 안정성을 높입니다.
온톨로지 기반 추론
"이 고장은 이 설비-부품-조건 관계로 인해 발생" 등 지식 기반 연결을 통해 인과관계를 파악하고 문제 해결 방안을 도출합니다.
실시간 피드백 루프
실행한 액션이 유효했는지 반영하여 다음 판단에 영향을 주는 시스템으로, 지속적인 학습과 개선이 가능합니다.
CMMS 적용 시나리오
LAM은 CMMS에 다양한 방식으로 적용될 수 있습니다. 설비 이상 감지 시 원인 추론과 작업 지시 자동 발행, 반복 고장에 대한 선제적 대응, 이물 감지 및 원인 추적, 유지보수 인력 배치 최적화 등 다양한 시나리오에서 활용됩니다.
설비 이상 감지 및 대응
히터 온도 345도 초과 시 LAM이 원인을 추론하고 알람을 유지하며 작업 지시를 자동으로 발행합니다. 이를 통해 신속한 대응이 가능해집니다.
반복 고장 예방
동일 위치에서 반복적으로 고장이 발생할 경우, LAM이 "선제 교체 제안"을 하고 승인 후 일정을 자동으로 등록합니다. 이로써 예방적 유지보수가 가능해집니다.
이물 감지 및 원인 추적
사진 내 이물 존재가 감지되면 LAM이 해당 위치로 이물 원인을 추적하고 작업자에게 대응을 요청합니다. 문제의 근본 원인을 파악하여 해결할 수 있습니다.
유지보수 최적화
설비별 유지보수 편차가 클 경우, LAM이 인력 배치 최적화를 제안하고 우선순위를 변경합니다. 이를 통해 자원을 효율적으로 활용할 수 있습니다.
LAM을 CMMS에 적용하는 이유
LAM을 CMMS에 적용하면 정비 경험을 AI의 행동 결정 구조에 녹여낼 수 있고, 실제 작업으로 이어지는 자동화 시스템의 브레인 역할을 수행하며, 단순 FAQ나 문서 기반 LLM에서 벗어나 실행 중심의 AI 시스템을 구축할 수 있습니다.
1
정비 경험 활용
숙련된 정비 인력의 경험과 노하우를 AI의 행동 결정 구조에 녹여내어 지식을 보존하고 확장할 수 있습니다.
2
자동화 시스템
실제 작업으로 이어지는 자동화 시스템의 브레인 역할을 수행하여 효율성을 극대화합니다.
3
실행 중심 AI
단순 FAQ나 문서 기반 LLM에서 벗어나 실질적인 행동과 실행을 중심으로 하는 AI 시스템을 구축합니다.
LLM + LAM의 협력 구조 예시
LLM과 LAM은 상호 보완적인 역할을 수행하며 협력합니다. 작업자가 설비 고장에 대해 질문하면 LLM은 원인을 설명하고, LAM은 필요한 조치를 실행하는 방식으로 작동합니다. 이러한 협력 구조를 통해 설명과 실행이 유기적으로 연결됩니다.
작업자 질문
"이 설비 고장났는데 왜 그런거야?"
LLM 응답
원인 설명: "히터 온도가 급격히 상승한 이력 존재. 전원 과부하 의심"
LAM 실행
조치 실행: "히터 점검 작업 지시 자동 등록 + 메시지 발송 + 작업번호 할당"
문제 해결
작업자가 원인을 이해하고 필요한 조치가 자동으로 진행됨
기능 확장 전략 (상세) - 작업일지 등록
현재 작업일지 등록 페이지는 수동으로 사진과 텍스트를 기록하는 방식으로 운영되고 있습니다. 미래에는 온디바이스 AI가 사진을 인식하여 원인을 자동으로 추론하고, LLM이 텍스트를 요약 및 분류하며, LAM이 과거 유사 고장을 판단하여 작업 지시를 추천하는 방식으로 발전할 것입니다.
현재 기능
  • 수동 사진 업로드
  • 텍스트 기반 고장 기록
  • 작업자 직접 입력 방식
  • 단순 저장 및 조회 기능
미래 확장 기능
  • 온디바이스 AI 사진 인식 및 원인 자동 추론
  • LLM 기반 텍스트 요약 및 분류
  • LAM 기반 유사 고장 판단
  • 작업 지시 자동 추천 및 생성
기능 확장 전략 (상세) - 이미지 갤러리
현재 이미지 갤러리 페이지는 시각화 중심으로 구성되어 있습니다. 미래에는 엣지 디바이스용 이물 검출 모델을 내장하고, LAM이 이전 사례와의 유사성을 분석하여 자동 경고 기능을 제공하는 방향으로 발전할 것입니다.
이미지 갤러리는 단순한 사진 저장소에서 지능형 분석 도구로 진화합니다. 온디바이스 AI가 이미지를 실시간으로 분석하여 이물을 검출하고, LAM이 과거 사례와 비교하여 유사한 패턴을 발견하면 자동으로 경고를 생성합니다. 이를 통해 문제를 조기에 발견하고 신속하게 대응할 수 있습니다.
기능 확장 전략 (상세) - 유사사례 검색
현재 유사사례 검색 페이지는 유사도 기반의 수동 검색 방식으로 운영되고 있습니다. 미래에는 LAM이 상황을 자동으로 인식하여 최적의 대응 가이드를 제안하고, "다음 스텝으로 이 조치를 수행할까요?"와 같은 인터랙션을 제공하는 방향으로 발전할 것입니다.
자동 유사 사례 분석
LAM이 현재 상황과 유사한 과거 사례를 자동으로 분석하여 관련성이 높은 사례를 우선적으로 제시합니다.
최적 대응 가이드
과거 사례의 성공적인 해결 방법을 기반으로 현재 상황에 최적화된 대응 가이드를 단계별로 제안합니다.
인터랙티브 작업 지원
"다음 스텝으로 이 조치를 수행할까요?"와 같은 인터랙션을 통해 작업자의 의사결정을 지원하고 작업 흐름을 안내합니다.
기능 확장 전략 (상세) - 통계분석
현재 통계분석 페이지는 단순 고장 빈도 시각화에 중점을 두고 있습니다. 미래에는 LLM 기반 자동 태깅 시스템을 도입하여 원인, 영향, 담당 설비 등을 자동으로 분류하고, LAM이 작업자, 시간, 자재까지 포함한 자동 정비 일정을 생성하는 방향으로 발전할 것입니다.
LLM 기반 자동 태깅 시스템은 고장 데이터를 원인, 영향, 담당 설비 등으로 자동 분류하여 보다 정확한 분석을 가능하게 합니다. LAM은 이러한 분석 결과를 바탕으로 작업자, 시간, 필요 자재까지 고려한 최적의 정비 일정을 자동으로 생성하여 유지보수 효율성을 극대화합니다.
통합 아키텍처 & 협업 구조
CMMS의 통합 아키텍처는 작업자, 엣지 디바이스와 온디바이스 AI, 서버 기반 LAM, 그리고 Work Order 자동 발행 시스템으로 구성됩니다. Gemma 1B/4B 모델을 엣지 디바이스에 활용하고, 필요시 서버의 12B 모델과 협업하는 구조로 설계됩니다.
작업자
현장에서 설비 상태 확인 및 문제 보고
Edge Device + On-device AI
Gemma 1B/4B 모델 활용한 즉시 분석
서버 기반 LAM
12B 모델 기반 고급 분석 및 의사결정
Work Order 자동 발행
필요한 작업 지시 자동 생성 및 할당
기대 효과 요약
AI 기반 CMMS 고도화를 통해 설비 다운타임 감소, 정비비용 절감, 작업자 부담 감소, 그리고 정비 자동화 기반 미래 대응력 확보 등의 효과를 기대할 수 있습니다. 이는 기업의 운영 효율성과 경쟁력 향상에 크게 기여할 것입니다.
32%
다운타임 감소
AI 기반 예측 정비로 설비 가동 중단 시간 대폭 감소
45%
정비비용 절감
효율적인 자원 활용과 예방적 유지보수로 비용 절감
60%
작업자 부담 감소
반복적인 작업 자동화로 작업자의 업무 부담 경감
85%
미래 대응력 확보
자동화된 정비 시스템으로 미래 변화에 유연하게 대응
결론 및 제안
PoC(Proof of Concept)를 기반으로 CMMS 고도화를 위한 현실적인 단계별 접근을 제안합니다. AI 기능을 모듈화하여 단계적으로 도입할 수 있으며, Streamlit과 Ollama 기반의 경량 모델을 활용하여 즉시 시연이 가능합니다.
1단계: 온디바이스 AI 도입
경량화된 AI 모델을 엣지 디바이스에 탑재하여 기본적인 이미지 인식 및 텍스트 분석 기능 구현. Streamlit과 Ollama 기반으로 빠른 프로토타입 개발 및 시연.
2단계: LLM 통합
서버 기반 LLM을 도입하여 고급 텍스트 분석 및 요약 기능 추가. 온디바이스 AI와의 협업 구조 구축으로 분석 능력 향상.
3단계: LAM 구현
행동 실행 기능을 갖춘 LAM 시스템 구축. 작업 지시 자동 생성, 알림 발송, 시스템 제어 등의 기능 구현으로 완전한 자동화 달성.
4단계: 지속적 개선
실제 사용 데이터를 기반으로 모델 성능 개선 및 새로운 기능 추가. 사용자 피드백을 반영한 시스템 최적화로 지속적인 발전 도모.
Large Action Model
LAM은 기존 LLM을 확장하여 실제 행동을 수행할 수 있는 AI 모델입니다.
행동 실행 능력
LAM은 단순 텍스트 생성을 넘어 실제 시스템 제어와 물리적 작업을 수행할 수 있습니다.
시스템 통합
CMMS와 같은 기존 시스템에 통합되어 자동화된 의사결정과 작업 실행을 지원합니다.
온디바이스 구현
현장에서 즉각적인 반응을 위해 엣지 디바이스에서도 작동 가능한 경량화 구조를 갖추고 있습니다.
사용자 상호작용
작업자의 명령을 이해하고 복잡한 작업을 자동화하여 현장 업무 효율성을 극대화합니다.
1. LAM의 개념 및 역할
  • 정의
    LAM은 “어떤 액션을 언제·어떻게 수행해야 하는가”를 학습하는 모델로, LLM의 언어 이해·생성 능력 위에 다음 네 가지 기능을 더합니다.
  1. 액션 설계(Action Design): 텍스트 지시로부터 구체적인 액션 스텝(예: “Work Order 생성”, “DB 쿼리 실행”)을 꺼내고
  1. 액션 실행(Action Execution): 설비 제어·API 호출·DB 업데이트 등 외부 시스템 인터페이스를 호출하며
  1. 상태 관리(State Management): 세션·이벤트·IoT 데이터 등 현장 상황을 메모리(DB/인메모리 캐시)에 기록·조회
  1. 피드백 루프(Feedback Loop): 실행 결과를 받아 재계획·보완 액션을 생성
    DX-AI-CMMS
  • LLM vs. LAM
  • LLM(대규모 언어 모델): “사용자가 어떤 문제를 설명했을 때, 텍스트로 답을 생성”
  • LAM(대규모 액션 모델): “LLM의 답을 바탕으로 실제 시스템에서 동작할 액션을 계획·실행” DX-AI-CMMS
2. LAM 구축의 5단계 워크플로우
3. 기술 스택 예시
4. on-device 환경 고려 사항
  • 모델 경량화: INT8 양자화·프루닝을 적용하여 200–400 MB로 축소
  • 추론 런타임: ONNX Runtime / PyTorch Mobile 등으로 최적화
  • 메모리 예산: LAM 상태 버퍼·임베딩 캐시에 2–4 GB 할당
  • 지연 시간: 각 액션 수행(예: DB 조회 20 ms, API 호출 50 ms) 합산해 200 ms 이내로 유지
5. 기대 효과
  • 완전 로컬(on-premise) CMMS: 네트워크 불안정 환경에서도 현장 제어·의사결정 자동화
  • 실시간 대응: 이상 이벤트 감지 즉시 액션 설계·실행으로 설비 다운타임 최소화
  • 운영 효율성: LAM이 반복 작업을 자동화하고, 운영자 개입 부담을 크게 줄여 줌