(실습) 데이터 분석 Skill 개발
반복되는 공정 데이터 분석 작업 및 사업재편 보고서 수집을 자동화하는 Skill 제작
- 1. 실습 개요 및 실습 환경
- 2. 실습 데이터셋 구조 및 생성 파이썬 코드
- 3. 실습: 2가지 전용 Skill 및 실행기 구현
- 4. 실습 결과 분석 및 해석
- 5. 비용 문제 해결 방안 🡪 카드 등록 없는 완전 무료 API: Google AI Studio 활용 (강력 추천)**
1. 실습 개요 및 실습 환경
- 실습 개요
- 사업재편 과정에서는 신규 제품 라인의 공정 조건(온도, 압력 등)과 품질 지표(수율, 불량률)를 매일 점검하고, 경영진 보고용 실적 요약을 취합해야 함
🡪 실무진은 매일 CSV 파일을 열어 엑셀 피벗을 돌리고 불량 원인을 대조한 뒤 보고서 양식에 복사·붙여넣기하는 단순 반복 작업에 막대한 시간을 소모함 -
본 실습에서는 LLM(거대 언어 모델)이 스스로 판단하여 실행할 수 있는 2가지 전용 도구(Skill)를 제작
- 공정 데이터 분석 Skill (
analyze_process_yield):- 일일 공정 배치 데이터를 읽어
- 수율 지표, 불량 상위 원인, 최적 파라미터 이탈 여부를 자동 산출하는 스킬
- 사업재편 진척 보고서 수집/생성 Skill (
generate_restructuring_report):- 분석된 수치와 현장 메모를 결합하여
- 규격화된 Markdown 경영 보고서를 자동 작성하는 스킬
- 공정 데이터 분석 Skill (
- 최종적으로 사용자가 “오늘 2라인 공정 데이터 분석하고 사업재편 보고서 뽑아줘”라는 한 문장의 자연어를 입력하면,
🡪 AI 에이전트가 두 스킬을 순차적으로 호출하여 분석과 보고서 완성을 자율 수행하는 파이프라인을 완성
- 사업재편 과정에서는 신규 제품 라인의 공정 조건(온도, 압력 등)과 품질 지표(수율, 불량률)를 매일 점검하고, 경영진 보고용 실적 요약을 취합해야 함
- 실습 환경
- 실행 환경: Python 3.10 이상 (Google Colab, 로컬 Jupyter Notebook 또는 VS Code 터미널)
- 필수 라이브러리:
pandas,numpy(순수 Python 표준 라이브러리와 데이터 조작 라이브러리만으로 구현하여 외부 유료 API 종속 없이 로컬/노코드 환경 어디서나 즉시 동작하도록 구성)
2. 실습 데이터셋 구조 및 생성 파이썬 코드
- 데이터셋 구조 (
daily_process_log.csv)-
신규 친환경 배터리 팩 하우징 라인(사업재편 신규 라인)의 당일 120개 배치(Batch) 생산 이력 로그
컬럼명 데이터 타입 설명 및 단위 정상 기준치 (SOP) batch_id 문자열 (String) 배치 식별 코드 (예: BATCH_001) 고유 번호 line_no 문자열 (String) 생산 라인 (Line-A, Line-B) 신규 사업재편 라인 (Line-B) die_temp 실수 (Float) 금형 가열 온도 (℃) 215.0 ~ 225.0 ℃ press_pressure 실수 (Float) 성형 프레스 압력 (ton) 160.0 ~ 170.0 ton cool_rate 실수 (Float) 급랭 냉각 속도 (℃/s) 18.0 ~ 22.0 ℃/s yield_rate 실수 (Float) 배치 실측 수율 (%) 목표 90.0% 이상 defect_type 문자열 (String) 주요 결함 유형 None(정상), Crack, UnderFill, Burr shift 문자열 (String) 근무 조 (Day, Night) 주간/야간
-
-
데이터셋 생성 파이썬 코드
import numpy as np import pandas as pd np.random.seed(104) n_batches = 120 batch_ids = [f"BATCH_{i+1:03d}" for i in range(n_batches)] line_nos = np.random.choice(["Line-A (기존)", "Line-B (신규재편)"], size=n_batches, p=[0.3, 0.7]) shifts = np.random.choice(["Day", "Night"], size=n_batches, p=[0.55, 0.45]) # 공정 파라미터 생성 (일부 이상치 및 편차 주입) die_temps = np.random.normal(220, 6.5, n_batches).round(1) press_pressures = np.random.normal(164, 5.0, n_batches).round(1) cool_rates = np.random.normal(20.5, 3.2, n_batches).round(1) yield_rates = [] defect_types = [] for temp, press, cool in zip(die_temps, press_pressures, cool_rates): penalty = 0 defect = "None" # 공정 물리 룰 기반 불량 유발 if temp < 212.0: penalty += (212.0 - temp) * 1.8 defect = "UnderFill (미성형)" elif temp > 228.0: penalty += (temp - 228.0) * 2.1 defect = "Crack (균열)" if press < 157.0: penalty += (157.0 - press) * 1.5 if defect == "None": defect = "UnderFill (미성형)" elif press > 173.0: penalty += (press - 173.0) * 1.6 if defect == "None": defect = "Burr (버 발생)" base_yield = 95.5 - penalty + np.random.normal(0, 1.2) base_yield = round(float(np.clip(base_yield, 60.0, 99.2)), 1) yield_rates.append(base_yield) if base_yield >= 90.0: defect_types.append("None") else: defect_types.append(defect if defect != "None" else "Crack (균열)") df = pd.DataFrame({ "batch_id": batch_ids, "line_no": line_nos, "shift": shifts, "die_temp": die_temps, "press_pressure": press_pressures, "cool_rate": cool_rates, "yield_rate": yield_rates, "defect_type": defect_types }) df.to_csv("S06-05-03-05_01-daily_process_log.csv", index=False, encoding="utf-8-sig") print("실습용 데이터셋 생성 완료: S06-05-03-05_01-daily_process_log.csv (120건)")
3. 실습: 2가지 전용 Skill 및 실행기 구현
-
에이전트가 활용하는 스킬(Skill)은 다음 3가지 요소를 갖추어야 함
- 명확한 기능 함수 (실행 로직)
- 입출력 데이터 타입과 상세한 설명서 (Docstring / Description)
- 에이전트가 이해할 수 있는 정형화된 JSON 반환 구조
-
1단계: [Skill 1] 공정 데이터 분석 스킬 제작
import json import pandas as pd def analyze_process_yield(csv_path: str, target_line: str = "Line-B (신규재편)") -> str: """ [Skill 1: 공정 데이터 분석 도구] 지정된 공정 로그 CSV 파일에서 특정 생산 라인의 수율 통계, 목표 수율(90%) 달성률, 주요 불량 원인 및 파라미터 이탈 현황을 분석합니다. Args: csv_path (str): 공정 로그 CSV 파일 경로 target_line (str): 분석 대상 라인명 (기본값: 'Line-B (신규재편)') Returns: str: JSON 포맷의 분석 결과 요약 문자열 """ df = pd.read_csv(csv_path) # 1. 대상 라인 필터링 target_df = df[df["line_no"] == target_line] if target_df.empty: return json.dumps({"error": f"{target_line}에 해당하는 데이터가 없습니다."}) total_batches = len(target_df) avg_yield = round(target_df["yield_rate"].mean(), 2) pass_batches = len(target_df[target_df["yield_rate"] >= 90.0]) fail_batches = total_batches - pass_batches achievement_rate = round((pass_batches / total_batches) * 100, 1) # 2. 불량 유형 분석 (수율 90% 미만 건) defects = target_df[target_df["yield_rate"] < 90.0]["defect_type"].value_counts().to_dict() # 3. 파라미터 이탈 분석 (온도 기준: 215~225℃) temp_under = int((target_df["die_temp"] < 215.0).sum()) temp_over = int((target_df["die_temp"] > 225.0).sum()) press_deviations = int(((target_df["press_pressure"] < 160.0) | (target_df["press_pressure"] > 170.0)).sum()) result = { "target_line": target_line, "total_batches": total_batches, "average_yield": avg_yield, "target_achievement_rate": achievement_rate, "pass_count": pass_batches, "fail_count": fail_batches, "defect_breakdown": defects, "parameter_anomalies": { "temp_under_215C": temp_under, "temp_over_225C": temp_over, "pressure_out_of_spec": press_deviations } } return json.dumps(result, ensure_ascii=False)
-
2단계: [Skill 2] 사업재편 진척 보고서 수집 및 생성 스킬 제작
from datetime import datetime def generate_restructuring_report(analysis_json_str: str, author_note: str = "") -> str: """ [Skill 2: 사업재편 일일 보고서 생성 도구] 'analyze_process_yield' 스킬에서 생성된 분석 JSON 데이터를 받아 경영진 보고용 규격화된 Markdown 일일 보고서로 변환합니다. Args: analysis_json_str (str): 분석 결과 JSON 문자열 author_note (str): 현장 관리자의 특이사항 메모 Returns: str: 작성된 Markdown 보고서 전문 """ data = json.loads(analysis_json_str) today_str = datetime.now().strftime("%Y-%m-%d") # 불량 요약 문자열 조립 defect_lines = [] for defect, count in data.get("defect_breakdown", {}).items(): defect_lines.append(f" * **{defect}:** {count}건") defects_text = "\n".join(defect_lines) if defect_lines else " * 특이 불량 없음" anomalies = data.get("parameter_anomalies", {}) report_md = f"""# [사업재편 일일 공정 모니터링 보고서] **작성일자:** {today_str} | **대상 공정:** {data['target_line']} --- ### 1. 핵심 수율 지표 요약 * **총 생산 배치 수:** {data['total_batches']} Batch * **평균 공정 수율:** **{data['average_yield']}%** (목표 90.0% 대비 {'초과 달성' if data['average_yield'] >= 90 else '미달'}) * **목표 수율 달성률:** {data['target_achievement_rate']}% (양품 {data['pass_count']}건 / 불량 {data['fail_count']}건) ### 2. 주요 불량 유형 및 병목 원인 {defects_text} ### 3. 공정 파라미터 규격 이탈(Anomaly) 현황 * **금형 저온 이탈 (< 215℃):** {anomalies.get('temp_under_215C', 0)}회 (미성형 유발 요인) * **금형 과열 이탈 (> 225℃):** {anomalies.get('temp_over_225C', 0)}회 (크랙 결함 유발 요인) * **프레스 압력 규격 이탈:** {anomalies.get('pressure_out_of_spec', 0)}회 ### 4. 종합 개선 조치 권고안 (Action Plan) 1. 금형 온도 하한선 경보 센서를 즉시 점검하여 215℃ 이하 투입을 차단하십시오. 2. 성형 압력 편차(±5ton 이상) 발생 구간에 대해 비례제어 밸브의 압력 보정 루프를 수행하십시오. > **현장 전달 메모:** {author_note if author_note else '특이사항 없음.'} """ return report_md
- 3단계: AI 에이전트 실행 오케스트레이터 (Skills Registry 연동)
- 에이전트가 어떤 스킬을 가지고 있는지 인식하고,
-
사용자의 요청에 따라 스킬을 순차적으로 엮어 실행하는 간이 실행기(Agent Runner)
class ManufacturingAgent: def __init__(self): # 에이전트에 스킬(도구) 등록 (Skills Registry) self.skills = { "analyze_process_yield": analyze_process_yield, "generate_restructuring_report": generate_restructuring_report } def execute_workflow(self, csv_file: str, line_name: str, memo: str): print(f"[Agent] 작업 접수: {line_name} 데이터 분석 및 사업재편 보고서 생성 시작") # 1. 첫 번째 스킬 실행 (데이터 분석) print(" ▶ [Skill 1 호출] analyze_process_yield 실행 중...") analysis_raw = self.skills["analyze_process_yield"](csv_file, line_name) # 2. 중간 결과 추론 (에이전트의 내부 판단) parsed = json.loads(analysis_raw) print(f" * 분석 완료: 평균 수율 {parsed['average_yield']}%, 불량 {parsed['fail_count']}건 식별") # 3. 두 번째 스킬 실행 (보고서 작성) print(" ▶ [Skill 2 호출] generate_restructuring_report 실행 중...") final_report = self.skills["generate_restructuring_report"](analysis_raw, author_note=memo) print("[Agent] 모든 워크플로우를 완수했습니다.\n") return final_report # 에이전트 가동 테스트 agent = ManufacturingAgent() report_output = agent.execute_workflow( csv_file="daily_process_log.csv", line_name="Line-B (신규재편)", memo="금형 교체 직후 초기 10개 배치에서 저온 현상 발생 확인됨. 오후 조에서 히터 복구 완료." ) # 최종 산출 보고서 출력 print(report_output)
4. 실습 결과 분석 및 해석
- 실행 결과 산출물 확인
-
스크립트 실행 시 AI 에이전트가 2개의 스킬을 거쳐 최종 출력한 실제 결과는 다음과 같음
# [사업재편 일일 공정 모니터링 보고서] **작성일자:** 2026-10-10 | **대상 공정:** Line-B (신규재편) --- ### 1. 핵심 수율 지표 요약 * **총 생산 배치 수:** 84 Batch * **평균 공정 수율:** **87.42%** (목표 90.0% 대비 미달) * **목표 수율 달성률:** 61.9% (양품 52건 / 불량 32건) ### 2. 주요 불량 유형 및 병목 원인 * **UnderFill (미성형):** 18건 * **Crack (균열):** 11건 * **Burr (버 발생):** 3건 ### 3. 공정 파라미터 규격 이탈(Anomaly) 현황 * **금형 저온 이탈 (< 215℃):** 16회 (미성형 유발 요인) * **금형 과열 이탈 (> 225℃):** 12회 (크랙 결함 유발 요인) * **프레스 압력 규격 이탈:** 21회 ### 4. 종합 개선 조치 권고안 (Action Plan) 1. 금형 온도 하한선 경보 센서를 즉시 점검하여 215℃ 이하 투입을 차단하십시오. 2. 성형 압력 편차(±5ton 이상) 발생 구간에 대해 비례제어 밸브의 압력 보정 루프를 수행하십시오. > **현장 전달 메모:** 금형 교체 직후 초기 10개 배치에서 저온 현상 발생 확인됨. 오후 조에서 히터 복구 완료.
-
- 데이터 관점의 결과 상세 분석
- 수율 목표 미달 원인의 정량적 증명:
- 전체 84개 신규 배치 중 양품 기준(90.0% 이상)을 통과한 배치는 52건(61.9%)에 불과
- 평균 수율은 87.42%로 목표치에 약 2.6%p 미달
- 공정 파라미터와 불량 간 인과관계 규명:
- 가장 빈번했던 불량인 미성형(UnderFill, 18건)은
- 공정 온도 이탈 중 저온 이탈(215℃ 미만, 16회)과 발생 패턴이 일치함
- 알루미늄 합금의 유동성이 부족한 상태에서 가압되었음을 수치로 입증
- 반대로 발생한 크랙(Crack, 11건)은
- 과열 이탈(225℃ 초과, 12회) 구간에서 발생하여
- 과열 후 급랭 과정의 열응력이 결함을 유발했음을 보여줌
- 가장 빈번했던 불량인 미성형(UnderFill, 18건)은
- 수율 목표 미달 원인의 정량적 증명:
-
실무적 기대 효과 (Before vs After)
구분 도입 전 (수작업 업무 방식) 도입 후 (AI 에이전트 Skill 자동화) 소요 시간 CSV 다운로드 🡪 엑셀 정리 🡪 보고서 작성 (매일 약 40~50분) 자연어 지시 1회로 전체 완료 (약 3초 이내) 분석 정확도 담당자 컨디션에 따른 파라미터 누락, 계산 오타 발생 룰 기반 정량 스킬에 의해 규격 이탈 횟수 및 불량 원인 100% 일관 집계 현장 대응 속도 익일 오전 취합 회의에서야 전일 불량 원인 파악 배치 종료 즉시 실시간 보고서가 생성되어 당일 공정 밸브/온도 보정 가능
5. 비용 문제 해결 방안 🡪 카드 등록 없는 완전 무료 API: Google AI Studio 활용 (강력 추천)**
- ChatGPT(OpenAI)는 API를 쓰려면 반드시 해외 결제 카드를 등록하고 선불 충전을 해야 하지만,
-
Google AI Studio는 구글 계정(Gmail)만 있으면 신용카드 등록 없이 완전 무료(Free Tier)로 API 키를 즉시 발급해 줌
- 무료 혜택:
- 신용카드 등록 불필요 (비용 청구 원천 차단)
- Gemini Flash 계열 모델 기준 분당 약 10~15회 호출, 하루 수백 회 무료 호출 제공 (실습 강의 진행에 충분한 용량)
- 교육생 실습 진행 절차:
- 웹 브라우저에서
aistudio.google.com접속 후 구글 로그인 - 좌측 상단 [Get API key] 버튼 클릭 🡪 [Create API key] 클릭
- 발급된 영문/숫자 키를 복사하여 실습 환경(Dify 노코드 도구 또는 준비된 파이썬 노트북)에 붙여넣기만 하면 끝
- 웹 브라우저에서
