(실습) 데이터 분석 Skill 개발

반복되는 공정 데이터 분석 작업 및 사업재편 보고서 수집을 자동화하는 Skill 제작

1. 실습 개요 및 실습 목표

  • 실습 개요
    • 사업재편을 추진하는 제조 현장에서는 매일 신규 라인에서 쏟아지는 수백 건의 공정 로그를 내려받아
      • ① 불량 위험 배치 선별, ② 주요 결함 원인 분석, ③ 경영진 일일 보고용 피벗 집계표 작성을 수작업으로 반복하고 있음
    • 본 실습은 복잡한 프로그래밍(Python)이나 유료 클라우드(Dify 등) 없이, 오픈소스 GUI 분석 도구인 Orange 3만을 활용하여
      • 현업 담당자가 매일 반복하는 공정 분석 및 보고서 수집 업무를
      • 단 1회의 파일 교체만으로 완결하는 2대 핵심 No-Code Skill(위젯 파이프라인)을 직접 구축함
  • 실습 목표
    • No-Code Skill의 개념 체득:
      • AI 에이전트의 ‘Skill’이 거창한 코딩이 아니라, 목적에 맞게 입출력이 정의된 재사용 가능한 위젯 파이프라인임을 이해함
    • Skill 1 (불량 고위험군 자동 선별):
      • 학습된 머신러닝 모델(Random Forest)과 신규 데이터를 연결하여
      • 불량 확률 60% 이상인 위험 배치를 자동으로 걸러내는 필터링 Skill을 완성
    • Skill 2 (사업재편 일일 보고서 집계):
      • 작업조(Shift)별, 결함 유형(Defect Type)별 불량 건수를 자동으로 요약 집계하고
      • CSV/엑셀 파일로 자동 추출하는 리포팅 Skill을 완성
    • 완전 자동화(Zero-Cost) 구현:
      • 비용 0원, 인터넷 연결 불필요 환경에서 실무 데이터를 즉시 처리할 수 있는 운영 능력 확보


2. 실습 환경 및 준비 데이터

  • 실습 환경
    • 도구: Orange 3 (최신 안정 버전)
    • 비용: 0원 (오픈소스 영구 무료, 가입/크레딧 불필요)
    • 환경: 윈도우/맥/리눅스 일반 PC 어디서나 로컬 실행 가능
  • 실습 데이터셋 구성
    • S06-05-03-03_01-process_yield_dataset.csv (1,200건): 앞선 실습에서 모델 학습에 사용한 과거 이력 데이터 (학습용)
    • S06-05-03-05_01-today_new_batches.csv (80건): 사업재편 신규 라인에서 오늘 오전 생산된 신규 배치 로그 (Skill 검증용 신규 데이터)

      • [신규 데이터 구조: S06-05-03-05_01-today_new_batches.csv]

        컬럼명 데이터 타입 설명 및 단위
        batch_id Text 신규 생산 배치 번호 (LOT_2610_001 ~ 080)
        raw_tensile_strength Numeric 원자재 인장강도 (MPa)
        raw_thickness Numeric 원자재 두께 (mm)
        press_pressure Numeric 프레스 성형 압력 (ton)
        die_temp Numeric 금형 가열 온도 (℃)
        cool_rate Numeric 급랭 냉각 속도 (℃/s)
        operator_shift Categorical 작업 조 (Day, Evening, Night)
        defect_type Categorical 현장 가검사 결함 유형 (None, Crack, UnderFill, Burr)
    • 💾 파일 다운로드(S06-05-03-03_01-process_yield_dataset)

    • 💾 파일 다운로드(S06-05-03-05_01-today_new_batches.csv)

        import numpy as np
  import pandas as pd

  # 난수 시드 고정 (재현성 확보)
  np.random.seed(2026)
  n_batches = 80

  # 1. 배치 식별자 생성
  batch_ids = [f"LOT_2610_{i+1:03d}" for i in range(n_batches)]

  # 2. 공정 입력 변수 생성 (기존 학습 데이터와 동일한 분포)
  raw_tensile_strength = np.random.normal(280, 15, n_batches).round(1)  # MPa
  raw_thickness = np.random.normal(2.0, 0.05, n_batches).round(3)       # mm
  press_pressure = np.random.uniform(130, 190, n_batches).round(1)      # ton
  die_temp = np.random.uniform(190, 250, n_batches).round(1)            # ℃
  cool_rate = np.random.uniform(12, 32, n_batches).round(1)             # ℃/s
  operator_shift = np.random.choice(["Day", "Evening", "Night"], size=n_batches, p=[0.4, 0.35, 0.25])

  # 3. 결함 유형(defect_type) 부여 (피벗 테이블 실습용)
  defect_types = []
  for t, p, c in zip(die_temp, press_pressure, cool_rate):
      if t < 210.0:
          defect_types.append("UnderFill")   # 저온 미성형
      elif t > 235.0:
          defect_types.append("Crack")       # 과열 균열
      elif p > 175.0:
          defect_types.append("Burr")        # 과가압 쇳물 누출
      elif c > 28.0:
          defect_types.append("Crack")       # 급랭 열응력 균열
      else:
          defect_types.append("None")        # 정상

  # 4. 데이터프레임 구성 및 CSV 저장
  df_today = pd.DataFrame({
      "batch_id": batch_ids,
      "raw_tensile_strength": raw_tensile_strength,
      "raw_thickness": raw_thickness,
      "press_pressure": press_pressure,
      "die_temp": die_temp,
      "cool_rate": cool_rate,
      "operator_shift": operator_shift,
      "defect_type": defect_types
  })

  # CSV 파일 저장 (한글 깨짐 방지를 위해 utf-8-sig 인코딩 사용)
  df_today.to_csv("S06-05-03-05_01-today_new_batches.csv", index=False, encoding="utf-8-sig")
  print("✅ 'S06-05-03-05_01-today_new_batches.csv' 파일 생성이 완료되었습니다. (총 80건)")


3. 전체 Skill 워크플로우 구성도

  • Orange 3 캔버스에 구성할 완성 파이프라인의 전체 구조

    (Source: Sky Lectures / AiDALab)

4. 단계별 따라하기 실습 과정

  • [1단계] 기반 모델 준비 (Random Forest 학습)
    1. 캔버스에 File 위젯을 놓고, 기존의 과거 학습 데이터 S06-05-03-03_01-process_yield_dataset.csv를 불러옴
      • quality_status: Target (Categorical)
      • batch_id, yield_rate: Meta
      • 나머지 공정 파라미터: Feature
    2. Model 탭에서 Random Forest 위젯을 꺼내 File 위젯과 연결
      • (연결선: Data 🡪 Random Forest) 🡪 불량을 89.3% 이상 잡아내는 주력 예측 엔진 준비 완료

  • [2단계] Skill 1 구축: “불량 고위험군 자동 선별 및 조기 경보”
    • 매일 아침 쏟아지는 수십 건의 신규 배치 중 “불량 발생 확률이 60% 이상인 위험 로트만 골라내는 도구”를 제작
    1. 신규 데이터 입력창 배치:
      • 좌측 Data 탭에서 두 번째 File 위젯을 꺼내 캔버스에 놓기
      • 이름을 구분하기 쉽게 위젯 라벨을 마우스 우클릭하여 File (오늘 신규 데이터)로 변경
      • 더블클릭하여 오늘 생산 로그 파일 S06-05-03-05_01-today_new_batches.csv를 불러옴
    2. 예측 엔진(Predictions) 연동:
      • 좌측 Evaluate 탭에서 Predictions 위젯을 꺼내 캔버스에 놓기
      • [중요 - 2개 선 연결]:
        • ① Random Forest의 우측 원 $\longrightarrow$ Predictions의 좌측 입력으로 연결 (신호: Model)
        • ② File (오늘 신규 데이터)의 우측 원 $\longrightarrow$ Predictions의 좌측 입력으로 연결 (신호: Data)
    3. 위험 배치 자동 필터링 (Select Rows 위젯):
      • 좌측 Transform 탭에서 Select Rows 위젯을 꺼내어 Predictions 위젯 우측에 연결
      • Select Rows를 더블클릭하여 자동 필터 조건을 설정
        • Conditions 섹션에서 Add Condition 클릭
        • 첫 번째 드롭다운에서 Random Forest: Fail (불량 확률)을 선택
        • 조건을 is로 두고, 우측 값에 Fail을 입력
      (Source: Sky Lectures / AiDALab)
    4. 결과 확인 (Data Table):
      • Select Rows 뒤에 Data Table 위젯을 연결하고 더블클릭

      • 전체 80건의 신규 배치 중 모델이 불량 위험 60% 이상으로 판정한 52건의 ‘긴급 조치 대상
        🡪 로트 번호(LOT_xxxx)와 해당 온·습도 조건’만 화면에 즉시 분리되어 표시

        (Source: Sky Lectures / AiDALab)

      • Prediction 위젯에서 Show probabilities for의 값을 Classes known to the model로 설정하면
        🡪 Fail을 설정한 확률 값을 확인할 수 있음

        (Source: Sky Lectures / AiDALab)
        (Source: Sky Lectures / AiDALab)
        • 또한 Fail, Pass 외에 Fail/Pass 확률(0~1.0)값을 기준으로 결과를 도출할 수 있음
        (Source: Sky Lectures / AiDALab)
        (Source: Sky Lectures / AiDALab)

    Skill 1의 가치: 현장 작업자는 80개 배치를 일일이 검사할 필요 없이, 이 위젯에 뜬 로트만 즉시 선별 검사(샘플링)하여 시간과 비용을 80% 이상 절감


  • [3단계] Skill 2 구축: “사업재편 일일 공정 보고서 자동 집계 및 파일 저장”

    • 걸러진 데이터와 오늘 생산 실적을 바탕으로
    • 경영진 보고용 “작업조(Shift)별 × 불량 유형(Defect)별 건수 매트릭스”를 자동으로 뽑아내는 도구
    1. 자동 피벗 집계 (Pivot Table 위젯):
      • 좌측 Transform 탭에서 Pivot Table 위젯을 꺼내어 Select Rows (또는 Predictions) 뒤에 연결
      • Pivot Table을 더블클릭하여 보고서 서식을 구성
        • Rows (행): defect_type (결함 유형: UnderFill, Crack, Burr 등)
        • Columns (열): operator_shift (Day, Evening, Night)
        • Values (값): Random Forest: Fail (Fail에 대하여)
        • Aggregation (집계함수): Count (발생 건수), Mean (평균) 선택

      • 창 우측에 엑셀 피벗 테이블과 똑같은 “일일 불량 원인 분석 매트릭스 표”가 자동으로 완성됨

        • 단순 불량 발생 개수를 보고서로 집계하려면: Values에 Random Forest를 두고 Aggregation = Count
        • 교대조별 평균 불량 위험도(확률 %)를 보고서로 집계하려면: Values에 Random Forest: Fail을 두고 Aggregation = Mean
        (Source: Sky Lectures / AiDALab)
    2. 보고서 파일 자동 추출 (Save Data 위젯):
      • 좌측 Data 탭에서 Save Data 위젯을 꺼내어 Pivot Table 우측에 연결
      • Save Data를 더블클릭한 후 [Save As…] 버튼을 클릭

      • 파일 이름을 사업재편_일일_공정_모니터링_보고서.csv로 지정하고 저장함

        (Source: Sky Lectures / AiDALab)


  • [4단계] 자동화 운영 검증 (실무 시뮬레이션)

    • 내일 새로운 날짜의 데이터(tomorrow_batches.csv)가 들어왔다고 가정함
    • File (오늘 신규 데이터) 위젯을 더블클릭하여 새 파일로 교체하기만 하면 끝
    • 결과:
      • Predictions 🡪 Select Rows 🡪 Pivot Table 🡪 Save Data로 연결된 전체 파이프라인이 연속 갱신됨
      • 별도의 엑셀 작업이나 재계산 없이, 오늘 자 긴급 조치 대상 로트 목록과 새로운 일일 보고서 파일이 자동으로 완성됨


5. 실습 결과 산출물 및 실무 분석

  • 산출물 1: 고위험 배치 조기 선별 리스트 (Data Table 출력)

    • 전체 80건 중 불량 확률 60% 이상으로 자동 선별된 상위 배치 결과 예시:

      batch_id die_temp (℃) press_pressure (ton) Random Forest: Fail 확률 조치 권고사항
      LOT_2610_012 211.2 164.5 0.88 (88%) 저온 미성형 위험 🡪 히터 전력 즉시 보정
      LOT_2610_027 238.5 165.1 0.79 (79%) 과열 크랙 위험 🡪 냉각 라인 밸브 개도율 상향
      LOT_2610_041 219.0 174.2 0.65 (65%) 과가압 버(Burr) 위험 🡪 하사점 압력 감압

  • 산출물 2: 사업재편 일일 공정 요약 매트릭스 (Pivot Table 출력)

    불량 유형 (Rows) 주간 조 (Day) 야간 조 (Night) 합계 (Total) 현장 원인 해석
    UnderFill (미성형) 3건 8건 11건 야간 기온 하강에 따른 초기 금형 예열 부족
    Crack (열응력 균열) 4건 1건 5건 주간 조 가열로 과열 이탈
    Burr (초과 가압) 1건 1건 2건 유압 밸브 미세 편차
    합계 8건 10건 18건 야간 조 교대 전 예열 표준(SOP) 개정 필요


  • 실습의 의의
    • 진입 장벽 제로 (Zero-Barrier):
      • 파이썬 문법 에러나 유료 플랫폼(Dify) 크레딧 고갈 없이, 클릭과 선 잇기만으로 완성되므로 수강생 모두가 100% 실습을 완주 가능
    • 에이전트 ‘Skill’의 직관적 이해:
      • 스킬이란 어려운 기술이 아니라, 새로운 입력이 들어왔을 때 정해진 지능(모델)과 룰에 따라 결과를 뽑아내는 자동화 블록이라는 개념을 확인
    • 현업 즉시 적용성:
      • 실습이 끝난 후 이 Orange 3 워크플로우 파일(.ows)을 그대로 저장하여 회사 공장의 실제 MES 로그에 연결하면, 당장 실무 자동화 도구로 쓸 수 있음


  • 현장 MES 로그와 연결하여 “실무 자동화”로 쓰는 실제 운영 방식
    • ‘.ows’ 파일 자체가 각 MES에 호환되는 것은 아님

    • ‘.ows’ 파일은 ‘XML’ 형식으로 작성된 파일이므로 각 MES 시스템에 맞게 조정해야 함

    • 방법 1: “공유 폴더 기반의 배치(Batch) 모니터링” (비전문가/현장 추천)

      • MES 시스템을 건드릴 권한이 없는 일반 공정 기술팀이나 품질팀 PC에서 가장 많이 쓰는 실무 방식

        (Source: Sky Lectures / AiDALab)
        1. 설정: .ows 파일 안의 File 위젯 경로를 MES가 주기적으로 덤프(Export)해주는 고정된 경로(예: Z:\MES_Export\latest_run.csv)로 지정
        2. 운영: 현장 엔지니어는 아침에 출근해서 Orange 3의 .ows 파일을 열고, File 위젯의 [Reload] 버튼만 누르면(또는 위젯을 열고 닫으면)
          그날의 최신 MES 데이터를 읽어와서 자동으로 불량 예측과 피벗 보고서가 완성됨
        3. 특징: 개발 지식이 전혀 없는 현장 엔지니어가 MES 개발팀의 협조 없이 즉시 자기 업무를 자동화할 때 사용

    • 방법 2: Python 환경으로의 전환 (IT/스마트팩토리 전산팀 연계)
      • Orange 3는 내부적으로 순수 파이썬 라이브러리(scikit-learn 등)를 기반으로 구동됨
      • 현장 IT/MES 개발팀에 배포할 때는 .ows 파일 자체를 넘기는 것이 아니라:
        1. Orange 3에서 검증된 최적 알고리즘(Random Forest)과 파라미터(트리 깊이, 주요 변수 가중치 등)를 확정
        2. 이를 바탕으로 10~20줄 내외의 가벼운 Python 추론 스크립트(.py)나 모델 파일(.pkl, .joblib)로 변환하여 MES 백엔드 데몬에 탑재
      • 즉, Orange 3와 .ows는 현업 실무자가 복잡한 코딩 없이 머신러닝의 로직과 공정 룰을 완벽하게 검증하고 PoC(개념 증명)를 끝내는
        “프로토타입 도구”로서 결정적인 역할을 수행함


Related Posts

📌 함께 보면 좋은 글

💬 Q&A 및 의견 나누기