AI Solution

  • homeHome
  • AI Solution
  • MOI-STD

MOI-STD 개요

MOI-STD는 무엇을 하나

라인 전체의 공정·설비·부품 데이터를 제품 단위로 연결해, 무엇이 품질을 흔드는지와 언제 손써야 하는지를 함께 알려 줍니다.

01

주요원인인자분석

  • 인자별 영향도·영향 방향
  • 위험 구간·권장 범위
  • 두 모델(RF·XGBoost) 교차검증

적용 기법

  • Random Forest
  • XGBoost
  • 인자 영향도 분석
  • 결정나무 규칙
02

이상탐지·조기 경보

  • 라인 종료마다 불량 위험 계산
  • 최종 검사 수 시간 전 경보
  • 경보마다 원인 Top3

적용 기법

  • Autoencoder
  • LSTM Autoencoder
  • Isolation Forest
  • One-Class SVM
03

예지보전

  • 공구·소모품 잔존 수명
  • 교체 권장 시점
  • 수명 단축 요인 분석

적용 기법

  • LSTM·GRU
  • 1D-CNN
  • XGBoost 회귀
  • Transformer (시계열)
Top3원인 공정 자동 도출
설명하는 AI원인 근거·위험 구간까지 제시
MLOps재학습·드리프트 감시·모델 교체
노코드화면에서 학습 요청

학습 모니터링 ① Summary

원인 인자·라인·공정·학습 상태를 한 번에

  1. 1
    원인 인자 (영향도 순위)

    학습이 진행되는 동안 원인 순위가 실시간으로 바뀝니다.

  2. 2
    라인·공정 기여

    A라인 46%·B라인 29%·C라인 17%, 라인별 기여와 조립 부품 연관을 보여 줍니다.

  3. 3
    학습 상태 카드

    AI 경보·원인 집중도·검증 AUC·학습 곡선·재학습 회차를 한 화면에 표시합니다.

학습 모니터링 ② 노드 Flow

인자 → 공정 → 라인 → NG, 원인 경로

  1. 1
    선 굵기 = 영향도

    굵을수록 NG에 크게 기여합니다. 빨강은 값이 클수록 NG 증가, 보라는 양 끝에서 증가.

  2. 2
    Seq 칩

    학습 기간을 7일씩 옮긴 재학습 회차별 연결을 비교합니다.

  3. 3
    오른쪽 패널

    학습 진행 라운드·학습 곡선·상위 원인 순위·진행 기록을 함께 봅니다.

학습 모니터링 ③ 공정 Flow

실제 공정 순서 위에 원인 공정 표시

  1. 1
    지그재그 공정 배치

    A라인 → · ← B라인 · C라인 → 실제 흐름 순서 위에 원인 순위 ①②③을 표시합니다.

  2. 2
    원천별 비중

    내부 공정·설비(보조)·협력사 부품(참고)을 나눠 보여 줍니다.

  3. 3
    조작부

    화면·단계·모델을 골라 재생·배속으로 학습 과정을 다시 봅니다.

이상탐지·조기 경보

최종 검사 전에, 가장 이른 단계에서 경보

  1. 1
    조기 경보 타일

    단계별 구분력 S1 라인 0.76 · S2 라인 0.78 · S3 라인 0.78, 최종검사 5.4 / 3.5 / 1.2시간 전.

  2. 2
    추천 알람 단계

    최종 단계와 구분력 차이 0.01 이내인 가장 이른 단계 → S2 라인 (3.5시간 전).

  3. 3
    지표·원인 비교

    단계별 성능 지표와 원인 인자를 나란히 비교합니다.

경보 상세

경보가 오면, 왜 위험한지도 함께

  1. 1
    경보 목록

    라인을 마친 제품의 NG 확률이 판정선 이상이면 경보. 확인 상태·최종검사공정 결과를 배지로 표시합니다.

  2. 2
    위험도 변화

    S1 라인 24.0% → S2 라인 16.1% 경보 → S3 라인 12.1%, 단계별 판정선과 비교합니다.

  3. 3
    원인 Top3

    핵심 인자 A +15.0%p — 현재 0.1558, 위험 구간(0.1417 초과) 안.

알람은 확인을 권장하는 신호이며, 판단은 사람이 합니다.

MLOps

구축으로 끝나지 않고, 운영하면서 계속 좋아집니다

01

노코드 학습 요청

기간·공정·인자를 화면에서 고르면 AI 서버가 대기열 순서로 학습합니다.

02

자동 재학습·검증

기간을 옮겨 4회 재학습하고, 학습에 쓰지 않은 기간으로 다시 검증합니다.

03

모델 지정·이력

운영 모델·판정선을 지정하고, 누가 언제 바꿨는지 기록합니다.

04

성능·드리프트 감시

점검 비율·적중이 학습 때와 달라지면 판정선 재검토·재학습 검토를 알립니다.

모델 지정 · 원인 1위 집계 (재학습 검토 근거) · 화면 예시

다른 솔루션 비교

이상탐지·예지보전·원인 분석을 한 흐름으로

이상탐지·예지보전·원인 분석을 한 흐름으로
비교 항목설비 이상탐지형예지보전(PdM)형범용 AutoML·BIMOI-STD
단일 설비 이상탐지기본 제공일부·별도 구성일부·별도 구성기본 제공
예지보전 (잔존 수명)일부·별도 구성기본 제공일부·별도 구성기본 제공
라인 전체 주요원인인자 도출일반적으로 제공하지 않음일반적으로 제공하지 않음일부·별도 구성기본 제공
공정 단계별 조기 경보 (최종 검사 전)일반적으로 제공하지 않음일반적으로 제공하지 않음일반적으로 제공하지 않음기본 제공
원인 근거 설명 (인자 영향도·두 모델 교차검증)일부·별도 구성일부·별도 구성일부·별도 구성기본 제공
위험 구간·권장 범위 (관리기준 근거)일반적으로 제공하지 않음일반적으로 제공하지 않음일반적으로 제공하지 않음기본 제공
제품 단위 통합 데이터 (MOI-BDA 연계)일반적으로 제공하지 않음일반적으로 제공하지 않음일부·별도 구성기본 제공
MLOps (재학습·드리프트·모델 이력)일부·별도 구성일부·별도 구성기본 제공기본 제공
현장 노코드 학습 요청·경보 조치 기록일부·별도 구성일부·별도 구성일반적으로 제공하지 않음기본 제공

다른 솔루션이 "언제 이상이 생기는가"에 답한다면, MOI-STD는 "왜 생겼고 무엇을 관리해야 하는가"까지 답합니다.

기본 제공일부·별도 구성일반적으로 제공하지 않음일반적인 제품 유형 기준 비교로, 개별 제품마다 다를 수 있습니다.