노코드/로우코드 기반 AI 활용 구조 이해

• 1. 시민 데이터 사이언티스트의 등장
• 2. Orange3 기반 노코드 AI 파이프라인 4단계 개념
• 3. 노코드 Orange3 활용 시 주의점

• AI는 코딩을 잘하는 IT 전문가만의 전유물이 아니며, 현장 지식을 가진 내가 직접 주도할 수 있음
• AI 적용을 위해 파이썬 코딩을 완벽히 배울 필요는 없음
• Orange3와 같은 노코드(No-Code) AI 도구를 활용하면, 도메인 지식을 가진 현장 엔지니어가 직접 데이터 드래그 앤 드롭만으로 훌륭한 공정 예측 모델을 만들어낼 수 있음
• 최근에는 LLM 중심의 AI 플랫폼을 이용하면 대화만으로도 시스템을 구축할 수 있음(대신 말을 잘 해야 함)

1. 시민 데이터 사이언티스트의 등장

• 시민 데이터 사이언티스트(Citizen Data Scientist)란?
  • 통계학이나 데이터 공학 전공자는 아니지만,
  • 자신의 주 업무 영역(Domain)에 No-Code/Low-Code AI 도구를 결합하여 데이터 분석과 AI 모델링을 직접 수행하는 현장 전문가를 의미
  • 제조 현장에서 AI 도입이 실패하는 가장 큰 이유는 기술의 부족이 아니라 ‘도메인 지식과 AI 기술 간의 거대한 장벽(Mismatch)’ 때문
• 왜 이들이 제조 AI의 핵심인가?
  • AI 알고리즘이 내놓는 숫자가 “물리적으로 말이 되는 소리인지”를 판단

  • 어떤 변수(X)를 전처리해야 하는지 아는 사람은 오직 현장 엔지니어뿐이기 때문
    
    

  • 기존의 한계:
    • AI 개발자는 최신 딥러닝은 잘 알지만 현장 공정 맥락(노즐 온도, 보압의 물리적 의미)을 모름
    • 현장 엔지니어는 공정 원인은 훤히 알지만 Python 코딩을 못함
  • 노코드 AI의 역할:
    • 현장 엔지니어가 코딩 장벽을 넘어 직접 데이터 분석과 모델링을 주도하는

    • ‘시민 데이터 사이언티스트’가 되도록 지원함

    • 핵심 원칙:
      • 복잡한 수학 연산과 알고리즘 구현은 Orange3 같은 도구에 맡기고,
      • 인간 전문가는 ‘문제 정의’와 ‘데이터의 물리적 해석’에 집중함

2. Orange3 기반 노코드 AI 파이프라인 4단계 개념

• Orange3는 ‘위젯(Widget)’이라는 기능 블록을 캔버스에 배치하고,
• 노드(Line)로 이어 데이터 흐름을 만드는 방식으로 동작함

[ File 위젯 ] ──► [ Select Columns ] ──► [ Model 위젯들 ] ──► [ Test & Score / Confusion Matrix ]
 (데이터 적재)     (Feature / Target 지정)  (XGBoost, Tree 등)       (성능 평가 & 리더보드)

• [1단계] Data Ingestion & Role Assignment (데이터 적재 및 역할 정의)

  • 노코드 툴에서 가장 먼저 수행해야 하는 작업: 데이터를 불러오고 각 변수의 역할(Role)을 지정하는 것

  • Orange3 적용:
    • File 위젯 ➔ Select Columns 위젯
  • 필수 노코드 개념:
    • Feature (X, 원인 변수):
      • 예측의 입력값이 될 공정 파라미터 (예: 노즐 온도, 사출 압력, 쿨링 타임)
    • Target (Y, 결과 변수):
      • 우리가 예측하고자 하는 품질/상태값 (예: 수축 불량 여부, 치수 오차량)
    • Meta (참고 변수):
      • AI 학습 연산에는 제외하되 식별용으로 남겨둘 데이터 (예: Lot ID, 작업 일시)
• [2단계] Auto-EDA (자동 탐색적 데이터 분석)

  • 수식 작성 없이 데이터의 분포와 변수 간 상관관계를 한눈에 시각화하여 데이터의 결함을 사전 파악

  • Orange3 적용:
    • Data Table, Scatter Plot, Correlations 위젯
  • 필수 노코드 개념:
    • 상관관계(Correlation):
      • 원인 변수(X)와 결과 변수(Y)가 얼마나 밀접하게 움직이는지 -1 ~ +1 사이 수치와 색상으로 즉시 확인
    • 결측치(Missing Values):
      • 센서 누락값 존재 여부를 그래프로 파악
• [3단계] Automated Model Training (자동 모델 학습)

  • 알고리즘의 복잡한 파이썬 코드를 작성하는 대신, 원하는 알고리즘 위젯을 데이터 선에 동시에 연결하여 학습시킴

  • Orange3 적용:
    • Tree, Random Forest, XGBoost, Logistic Regression 위젯
  • 필수 노코드 개념:
    • 알고리즘 동시 결합:
      • 하나의 데이터 파이프라인에 여러 AI 알고리즘을 병렬로 이어 동시에 비교 가능
    • Hyperparameter Control:
      • GUI 상의 슬라이더 조절만으로 트리의 깊이(Depth)나 학습률(Learning Rate)을 설정
• [4단계] Model Evaluation & Leaderboard (성능 평가 및 리더보드)

  • 어떤 알고리즘이 우리 공정 데이터에 가장 적합한지 객관적 수치로 대조하여 최종 최적 모델을 선택

  • Orange3 적용:
    • Test & Score, Confusion Matrix 위젯
  • 필수 노코드 개념:
    • Cross-Validation (교차 검증):
      • 데이터를 자동으로 나누어 모델의 신뢰성을 검증하는 평가 방식
    • Leaderboard (리더보드):
      • 정확도(Accuracy), AUC, F1-Score 등 성능 지표를 표 형태로 정렬하여 최적 알고리즘 추천
    • Confusion Matrix (혼동 행렬):
      • 현장에서 가장 민감한 과검(False Positive)과 미검(False Negative) 비율을 직관적인 행렬 표로 시각화

3. 노코드 Orange3 활용 시 주의점

• Orange3가 아무리 편리해도 컴퓨터가 대신해 주지 못하는 2가지 한계점을 명확히 이해해야 함

• In-Memory 처리 한계 인식 (성능 관리):
  • Orange3는 모든 데이터를 컴퓨터 메모리(RAM)에 띄워서 처리함
  • 수백만 건의 고주파 센서 raw 데이터를 그대로 넣으면 튕길 수 있음
    • 1분/1개 Lot 단위로 집계(Aggregation)된 데이터나 표본 추출(Data Sampler 위젯)을 활용해야 함
• 도메인 기반 전처리 및 결과 검증 (Human-in-the-Loop):
  • 상황:
    • 센서 수치가 0으로 들어왔을 때,
    • Orange3의 Impute 위젯은 이를 단순히 평균값으로 채워버릴 수 있음
  • 인간의 역할:
    • 엔지니어는 “이 0은 센서 에러가 아니라 설비 정지(OFF) 상태다”라는 것을 알고 있으므로,
    • 평균값 보정이 아닌 해당 구간 제거 조치를 취해야 함