제조업 실무 맞춤형 AI 교육: 한화솔루션 대상별 교육과 멘토링으로 현업 아이디어를 구체화하다

직군의 경계를 넘어, 공장 실무자의 아이디어를 결과물로 확장하다

공장 실무자 과정은 여수와 울산에서 각각 5개 과정으로 진행됐습니다. 각 과정은 8시간으로 구성돼
지역별 교육생은 총 40시간의 단계형 교육에 참여했습니다.

참여자는 사내 신청을 통해 모집했습니다. 생산이나 공정기술처럼 특정 영역만을 대상으로 하지 않고
서로 다른 분야와 직군의 실무자가 함께 참여했습니다. 덕분에 교육에서는 문서 조사와 보고, 생산관리,
안전·법규, 비용, 품질 등 다양한 업무 아이디어가 나왔습니다. 반면 아이디어를 그대로 구현하기에는
문제의 범위와 필요한 결과가 충분히 설명되지 않은 경우도 많았습니다.

그래서 공장 실무자 과정은 도구 사용법에 앞서 현업의 불편을 실행 가능한 과제로 바꾸는 단계부터 시작했습니다. 참여자가 현재 담당하는 업무와 개선하고 싶은 업무, 사용 가능한 자료, 필요한 결과물과 완료 기준을 정리할 수 있도록 업무 기획 템플릿을 제공했습니다.

1과정. 생성형 AI를 업무 비서와 AI Agent로 확장하다 (GPTs, Opal)

첫 번째 과정에서는 생성형 AI를 단발성 질문 도구가 아니라 반복 업무를 지원하는 업무 비서로 활용하는
방법을 다뤘습니다.

특히 제조업의 기획·생산·품질·안전·연구개발 담당자가 최신 기술과 산업 동향, 논문과 정책 자료를 반복해서 조사해야 하는 상황을 바탕으로 리서치 자동화 GPTs를 제작했습니다.

제조 현장의 기획·생산·품질·안전·연구개발 담당자는 AI 기반 설비 사례나 안전관리 연구, 논문, 제조공정
기술 동향처럼 신뢰할 수 있는 최신 자료를 빠르게 찾아야 할 때가 많습니다. 하지만 일반 검색 결과에는
블로그와 기사, 광고성 콘텐츠가 함께 노출돼 출처를 선별하고 다시 정리하는 데 많은 시간이 듭니다.

이에 교육에서는 신뢰할 수 있는 최신 자료를 찾고, 핵심 내용과 출처를 표로 정리하는 리서치 자동화 GPTs를 제작하여 단순히 검색 결과를 요약하도록 하는 것이 아니라 어떤 자료를 우선해야 하는지,
최신성은 어떻게 판단할지, 결과를 어떤 항목으로 비교할지, 확인되지 않은 내용은 어떻게 표시할지를
지침에 포함했습니다.

이후 Opal을 활용해 여러 작업을 입력–처리–출력의 순서로 연결했습니다. 자신의 아이디어가 한 번의
프롬프트로 해결할 업무인지, 반복해서 사용할 GPTs가 필요한지, 여러 단계가 연결된 워크플로우가
적합한지를 판단한 뒤 각 업무에 맞는 구현 방식을 선택했습니다.

2과정. 바이브코딩으로 업무 아이디어를 실제 웹앱으로 구현하다 (클로드 코드)

두 번째 과정은 비개발자인 공장 실무자가 자신의 업무 아이디어를 실제로 작동하는 웹서비스로 구현하는 바이브코딩 교육이었습니다.

참여자는 먼저 개선하고 싶은 업무를 한 장의 기획 문서로 정리했습니다. 서비스의 사용자와 해결할 문제, 필요한 화면과 기능, 저장해야 할 데이터, 결과물의 완료 기준을 구체화한 뒤 이를 Claude Code를 활용한 웹서비스 제작으로 연결했습니다.

웹서비스가 작동하는 원리를 이해하기 위해 화면과 서버, 데이터베이스, API의 역할도 함께 살펴봤습니다. Firebase를 연결해 입력한 데이터를 저장하고 다시 불러오는 기능을 만들었으며, 필요한 경우 AI API를
연결해 입력 자료를 자동 분류하거나 기준에 맞춰 분석하는 기능을 구현했습니다. 제작한 웹은 주소로 접속할 수 있는 형태로 배포하고 서로의 결과물을 공유했습니다.

3과정. 업무에 맞는 자동화 방식을 고르고 연결하다 (n8n)

세 번째 과정은 반복적으로 수행하던 업무를 n8n 워크플로우로 자동화하는 과정이었습니다.

교육생은 자신의 업무를 입력자료와 처리 과정, 판단 조건, 결과물로 나누고 반복과 수작업이 집중되는
지점을 찾았습니다. 이후 새로운 데이터가 들어오거나 정해진 시간이 됐을 때 자동화를 시작하고, 조건에 따라 처리 방향을 나눈 뒤 결과를 저장하거나 전달하는 n8n의 기본 구조를 실습했습니다.

설비·공정 지표가 기준을 벗어났을 때 알림을 생성하는 흐름과 여러 파일이나 리포트를 하나의 데이터셋으로 취합하는 흐름, 업로드된 문서에서 필요한 내용을 찾아 검토하는 흐름 등을 업무 사례로 활용했습니다.
마지막에는 각자가 찾은 비효율 업무 가운데 하나를 선택해 개인 워크플로우를 완성했습니다. 실행이 멈추거나 예상과 다른 결과가 나올 때는 ChatGPT와 Claude를 활용해 오류의 원인을 찾고 노드 설정을 수정했습니다.

4과정. 공정 데이터를 분석 가능한 구조로 바꾸다 (Cursor, Phython)

네 번째 과정은 흩어진 자료를 분석 가능한 데이터로 정리하고, 질문에 맞는 시각화와 인사이트로 연결하는 과정이었습니다. 핵심은 파이썬 문법을 깊게 암기하는 것이 아니라 AI가 만든 코드를 읽고 실행하며,
결과의 근거와 정확성을 판단할 수 있는 수준의 데이터 분석 역량을 갖추는 것이었습니다.

참여자는 Cursor 환경에서 Python과 Pandas의 기본 구조를 익혔습니다. 공개 자료를 Claude 프로젝트의 참고 지식으로 등록해 업무 전용 분석 공간을 구성하고, 문서에 있는 사실과 AI가 추가한 해석을 구분하며 근거를 다시 확인하는 방법도 함께 실습했습니다.

본격적인 데이터 분석은 흩어진 자료를 한곳에 모으는 적재 과정에서 시작했습니다. 설비점검 자료와 생산실적, 품질자료처럼 PDF와 PPT, Excel로 나뉜 자료를 Excel 형태로 변환하고, 서로 다른 파일의 컬럼과 기준을 맞춰 하나의 데이터로 합쳤습니다. 여러 파일이 반복해서 들어오더라도 같은 방식으로 처리할 수 있도록 데이터 취합 파이프라인을 구성했습니다.

적재한 데이터에서는 결측값과 중복값, 이상값을 확인해 분석 가능한 형태로 전처리했습니다. 질문에 맞는 그래프를 만들고, 시각화에서 발견한 패턴을 추가 확인이 필요한 가설과 현업 인사이트로 정리했습니다.

5과정. 품질 예측 모델을 만들고 사용할 수 있는 범위를 정하다

다섯 번째 과정에서는 앞서 정리한 데이터를 실제 예측과 판정에 활용하는 데이터 모델링을 다뤘습니다.

먼저 모델을 만들기 전에 무엇을 언제 예측할 것인지 정의했습니다. LOT 생산이 완료된 뒤 품질검사 결과가 나오기 전 시점을 기준으로, 이미 확인할 수 있는 공정조건은 입력값으로, 이후 검사에서 확인되는 용융지수는 결과값으로 구분했습니다. 검사 결과나 최종 판정처럼 예측 시점에 알 수 없는 정보가 입력에 포함되지 않도록 점검했습니다.

이후 scikit-learn을 활용해 공정조건과 품질값의 관계를 학습하는 회귀모델을 제작했습니다. 복잡한 모델의 점수만 확인하지 않고, 제품등급별 과거 평균과 같은 단순한 기준선을 먼저 만든 뒤 동일한 검증 데이터에서 모델이 기준선보다 나은 결과를 내는지 비교했습니다.

공장 실무자 5개 과정에는 하나의 공통 원칙이 적용됐습니다.

도구를 먼저 선택하기보다 해결할 문제와 입력자료, 원하는 결과물, 예외 상황과 검증 기준을 먼저 정의하는 것입니다. 생성형 AI와 웹서비스, 자동화, 데이터 분석, 예측 모델로 기술의 범위는 달라졌지만, 근거
확인과 보안 판단, 승인과 최종 책임은 사람이 맡도록 교육 전반의 기준을 일관되게 구성했습니다.

---