에프티 Kraken. 동적 온톨로지 Deep Dive

표지 + 12 SLIDES · 16:9 · 1920×1080

AI CASE DEEP DIVE

사내 데이터의 뜻을
거의 자동으로 엮어
정확도 98%로
올린 방식

FT · KRAKEN.

01 · 개요

에프티, 사내 데이터의 뜻을 거의 자동으로 엮어 AI 답에 근거를 붙임

Exhibit 1 · 같은 질문, 의미 공간이 있을 때와 없을 때 가상 진단과 효과는 원문

의미 공간 없음Q. 하우징 균열의 원인은?AI월: “금형 마모 때문”화: “재료 로트 문제”답이 매번 다름 · 근거 없음→ 사람이 원본을 다시 찾아 검산원인: AI가 사내 데이터의 업무상 뜻·배경을 모름 (원문)데이터는 설계 데이터·업무 문서·종이·Excel에 이미 많음 (원문)의미 공간 있음Q. 하우징 균열의 원인은?AI불량: 하우징 균열공정: 사출문서: 품질 회의록변경: 온도 조정A. 사출 온도 변경이 원인 후보 — 월·화 같은 답근거 → 품질 회의록 3쪽 · 공정 변경 이력 1건 (원본 위치까지 역추적)에프티가 말하는 효과: 답의 재현성↑ · 검산 비용↓ · 지식 자산화 (원문)질문·답·그래프 내용은 가상 예시

상황 원문

에프티(일본, 2007 설립) · 2022년부터 지식형 데이터 메시 Kraken. 제공

문제 원문

AI가 데이터의 업무상 뜻을 몰라 답이 흔들리고 전문 업무 정확도가 안 나옴. 온톨로지·데이터 레이크는 사람 손이 많아 진척 느림

해결 원문

반구조화 → 동적 온톨로지로 의미 부여를 자동화, AI가 근거를 역추적

결과 원문·회사 주장

98%+

의미 공간 정확도 (수개월 전 ≈85%, 회사 발표)

전망 원문·PR 기사

데이터셋 작업 70%+ 절감은 에프티 임원 어림값(9쪽)

지금 상태 → 제안 노트

대형 제조사 시험 도입 단계, 도입사·성과 미공개 → 흐름 하나로 8주 파일럿(12쪽)

빠르게 읽기: 1 → 8 → 9 → 12쪽 · 2~7쪽은 구조 상세

출처: [1] MONOist 三島一孝(2026.10.21) 1·2쪽, [2] AX Review 노트(2026.10.28), [3] MONOist PR 기사(2025.05.15). 질문·답 예시는 가상. 정확도 측정 방식·도입 기업명은 미공개

1

02 · 전체 구조

Kraken.은 수집부터 AI 실행까지 4단계를 한 기반으로 묶음

Exhibit 2 · Kraken. 전체 구조 원문 에프티 자료 「Kraken.の全体像」(MONOist 1쪽 그림)을 구성 그대로 한국어로 재구성

의미 공간의 자율 구축① 입력수집·접속② 변환구조화·통합·계산③ 해석시각화·시사④ 실행판단·제어의미 공간여기서 데이터를수집·변환·해석해뜻을 가진 정보로정리함현실의 일을 나중에 뜻으로 다룰 수 있게 넣는 단계어댑터·커넥터메조데이터를 만들 수있게 받아들임크롤러문서·Web·외부 정보비구조·반구조 취득사내 비공개외부 공개데이터 발생원 (현실의 사건)그래프 구조 (관계성)데이터 사이 관계를 그래프로 표현메조데이터(Mesodata) · 메타데이터와 다름사람날짜장소이벤트업무 뜻의다층 구조②~④ 공통시각화·최적화 도구사람이 데이터를 보고 상황을 이해AI 발전과 함께 가능해진 단계③ 사람이 데이터를 보고 상황 이해 (BI)④ AI가 구체적 행동을 제안·대행 (에이전트)AI 에이전트 (Kraken.AI)RAG추론판단제어메조데이터라는 공통 언어가 있어 실행 단계에서도AI가 “이 데이터가 어느 업무 프로세스인가”를 바르게 앎※ ③을 이해하고 ④를 움직이는 존재에프티의 범위 · ①~④를 한 기반으로 연결 · AI가 올라타는 “OS”로 자리매김※ 기존 방식(따로 노는 도구 상자)과의 대비일반 데이터 제품·서비스의 범위 (대개 ①~③의 일부·분석)데이터 처리 기반업무 뜻을 붙일 수 있게 정리ETL / API데이터 분석 기반뜻·경향을 꺼냄DWH / SQL데이터 활용 기반쓸 수 있는 형태로BI / 대시보드의사결정·업무 실행 기반판단하고 행동을 일으킴사람 손 / RPA

에프티가 말하는 자리 원문

특정 벤더에 묶이지 않고 흩어진 데이터를 묶는 미들웨어. 업무 지식이 쌓일수록 의사결정을 돕는 업무 운영 시스템으로 커짐

읽는 법 노트

①~③은 지금 쓰는 기능, ④ 에이전트 실행은 구상 단계에 가까움(10·11쪽). 도입 판단은 ②의 정확도(8쪽)로

출처: [1] MONOist(2026.10.21) 1쪽 그림 「Kraken.の全体像」(에프티 제공)을 구성 그대로 한국어로 재구성. 단계·구성 요소·대비는 원문, 읽는 법은 노트 해석

2

03 · 의미 공간

의미 공간은 회사 용어·룰·판단 기준을 고정해 AI가 바르게 답하게 함

Exhibit 3 · 의미 공간이 하는 일 원문 에프티 자료 「意味空間とは」를 구성 그대로 한국어로 재구성

① 입력 데이터PDF 자료Excel 장표일보견적서불량 기록업무 매뉴얼② 의미 공간 · 회사 노하우를 넣어 회사 고유의 온톨로지로 구축부품고객불량공정사양근거안건메조데이터 · 회사 고유의 룰·지식을 구조화업무 용어판단 기준부품 분류공정 룰과거 트러블숙련자 암묵지안건(고객 의뢰·수주 건) 하나에 부품·고객·불량·공정·사양·근거가 이어지고,회사 룰과 숙련자 지식이 그 관계의 뜻을 정함③ 활용AI가 헤매지 않음추측 대신 관계를 참조해바르게 답함사람이 검산 가능답에서 원본·근거까지되짚어 확인시스템 연계JSON·API·워크플로로안전하게 연결

회사의 뜻을 고정 원문

용어·업무 룰·판단 기준을 통일해 흔들리지 않는 해석의 바탕을 만듦

근거와 관계를 되짚음 원문

어느 원본·기록·업무 지식에 근거했는지 분명히 함

회사 지식으로 자람 원문

쓸수록 현장 지식이 쌓여 업무 판단에 다시 쓰임

의미 공간 = 회사의 노하우·업무 룰·판단 기준을 구조화해, AI가 기업 데이터를 “업무상의 뜻”으로 바르게 다루게 하는 바탕

출처: [1] MONOist 1쪽(의미 공간의 정의·효과)과 에프티 자료 「意味空間とは」(사용자 제공 이미지)를 한국어로 재구성

3

04 · 두 기술 요건

의미 공간은 반구조화와 동적 온톨로지 두 기술로 만듦

Exhibit 4 · 에프티가 꼽은 두 기술 요건 원문 에프티 자료 「外から見えた、2つの技術要件」을 구성 그대로 한국어로 재구성

1. 반구조화형식이 다른 데이터를 문맥을 지닌 채 이음Excel·PDF·도면·센서 데이터·시스템 로그처럼 형식이 다른 데이터를한 형식에 억지로 밀어 넣지 않고 문맥을 지닌 반구조화 상태로 정리문서PDF·Word업무 시스템ERP·PLM 등표 데이터Excel·CSV로그 데이터시스템 로그이미지도면·사진센서 데이터IoT 측정값반구조화 데이터형식은 달라도이어지는 데이터2. 동적 온톨로지다차원 그래프로 의미·관계·근거를 구조화사람·조직·제품·공정·불량·문서를 그래프로 잇고, 늘면 다시 이음(동적)데이터의 뜻·관계·근거를 구조화 → 부서를 넘어 검색·분석·의사결정조직사람부품불량공장공정거점문서설비제품의미(무엇인가)근거(어느 정보에서)관계(어떻게 이어지나)문맥(어떤 상황인가)데이터를 자유롭게 통합·조합해보이지 않던 사실을 드러냄흩어진 데이터를 통합하고 온톨로지로 뜻을 붙여,지금까지 안 보이던 관계·경향·리스크·기회를 발견기업·조직 데이터를 가치로 바꾸는 “데이터 정제소”원유흩어진조직 데이터통합동일 대상 식별(名寄せ)OCR관계 부여의미 구조화지견흩어진 정보 속 발견판단데이터 근거 의사결정실행AI로 업무 운영

배경: 팔란티어는 온톨로지와 통합 데이터 기반을 실제 운영 수준으로 묶어, 과제마다 따로 하던 데이터 연계·이름 맞추기·문서 읽기를 하나의 업무 기반에서 다루는 방향을 보여 줌 (에프티의 해석)

출처: 에프티 자료 「Palantirから何を学んだのか」(사용자 제공 이미지)를 구성 그대로 한국어로 재구성. 두 요건은 에프티가 팔란티어를 보며 정리한 것, 평가는 에프티의 해석

4

05 · 처리 구조

Kraken.은 문서를 문맥째 태그 달아 그래프에 놓고 원본까지 되짚음

Exhibit 5 · 문서 1건이 지나는 길 원문 단계는 원문, 문서·문장·태그는 가상

1단계 · 반구조화: 표로 바꾸지 않고 문맥째 태그를 닮 (자동)2단계 · 동적 온톨로지원본품질 회의록.pdf예 (가상)3쪽 · 표 1개파일·쪽 번호 유지① 텍스트 추출모든 형식에서 글을 뽑음예 (가상)“균열 다발,사출 온도 +10℃ 이후”② 문맥 이해·요약무슨 이야기인지 한 줄로예 (가상)“온도 변경 뒤균열 증가 보고”③ 업무 태그업무 개념을 붙임예 (가상)불량: 하우징 균열공정: 사출④ 관계 태그개념 사이 관계예 (가상)균열 —원인 후보→온도 변경⑤ 동적 온톨로지그래프 자리에 자동 배치예 (가상)메조데이터로문맥·관계·출처 함께6층 중 알맞은 층에AI 답 → 메조데이터를 따라 원본 3쪽까지 역추적AI 답변

그래프로 잇는 대상 원문

사람

조직

제품

공정

불량

문서

지식은 메조데이터(문맥·관계·출처를 묶은 표현, 2쪽)로 6층 온톨로지에 배치. 층 이름은 미공개 원문

직접 돌린다면 · 끊는 단위 노트

PDF는 절·표, Excel은 시트·행, 스캔은 OCR 신뢰도와 함께. 단위마다 원본 좌표 저장

태그 노트

자유 생성 금지 · 제품군·공정명·불량 코드의 통제 어휘에서만 고름. 구조화 출력, temperature 0

관계 노트

관계마다 confidence. 0.7 미만은 그래프에 바로 올리지 않고 도메인 오너 검수 대기열로

출처: [1] 반구조화 4공정·동적 온톨로지·6대상·메조데이터·6층·역추적(MONOist 2쪽), 끊는 단위·통제 어휘·confidence 기준(노트 설계안), 문서 예시(가상)

5

06 · 데이터 메시

데이터는 부서에 그대로 두고 뜻과 관계만 전사 공통 공간에 올림

Exhibit 6 · 데이터를 모으는 방식과 뜻만 모으는 방식 원문 배치는 재구성

흔한 방식 · 데이터 레이크설계생산기술품질공장중앙 저장소로 이전사람이 스키마 설계·전처리·재설계사람 손이 많이 들어 잘 진척되지 않음 (가토 대표)Kraken. · 지식형 데이터 메시공통 의미 공간각 데이터가 업무상 무슨 뜻이고 무엇과 이어지는지 · AI가 여기서 근거를 역추적뜻·관계설계데이터는 이 부서가소유·관리 (이전 없음)뜻·관계생산기술데이터는 이 부서가소유·관리 (이전 없음)뜻·관계품질데이터는 이 부서가소유·관리 (이전 없음)뜻·관계공장데이터는 이 부서가소유·관리 (이전 없음)데이터를 옮기지 않음 → 다른 부서 데이터도 뜻과 가치를 알고 골라 씀 (원문)부서 이름은 원문의 문의 부서(설계·생산기술·공장)에 품질을 더한 예시

흔한 생각 ①

제조업 AI가 안 되는 건 쓸 데이터가 없어서

에프티 원문

데이터는 이미 많음. AI가 쓸 수 있게 정리돼 있지 않은 것이 문제

흔한 생각 ②

온톨로지는 전문가가 손으로 설계해야 함

에프티 원문

사람 손이 병목 → 처음부터 기본은 자동화로 설계

다른 부서 데이터 쓰기 가상

품질 담당이 질문

“균열과 이어진 설계 변경은?”

의미 공간에서 관계 확인

불량 ↔ 설계 변경 B-12

설계 부서 데이터로 이동

원본은 설계가 소유·관리

용어·접근은 소유 부서가 결정

노트 설계안

출처: [1] 데이터 메시 구조·데이터 레이크의 어려움·통념 대비(MONOist 1·2쪽, 가토 대표 발언 요지). 그림의 부서 배치는 재구성

6

07 · 용어 통합

에프티는 공장별 용어를 AI로 묶어 데이터 민주화(4A)를 겨냥함

Exhibit 7 · 용어가 달라도 한 번에 묶는 방식 원문·PR 기사

아라스가 든 예 · 합병 조선사의 공장별 다른 용어공장 A · 현장 용어“론지”공장 B · 현장 용어“종통재”공장 C · 현장 용어“Longi.”AI가 용어 학습동의어 판정 · 공장별 방언 흡수공통 개념 하나세로 보강 부재세 이름 모두 이 개념에 연결본사가 한 번에 데이터 통합현장은 쓰던 이름을 그대로 씀아라스재팬이 든 조선업 유스케이스(가정, 실제 도입 사례 아님) · 용어는 가상

Exhibit 8 · 에프티가 데이터를 쓰게 하는 길 원문 에프티 자료 재구성

AI·기업 데이터를 어떻게 쓸까라는 과제구글처럼 정리가 필요에프티 미션 · 기업 데이터를 정리해 쓰게 함기업·조직 데이터를 정리·활용하게 하는 데이터 엔지니어링 집단쓸 수 있는 상태 · 데이터 민주화민주화의 조건4A· Anyone노코드로 누구나· Anything구조·비구조 무엇이든· Anytime실시간 갱신·최신 정보· Anywhere부서가 관리 권한 갖고 자율적으로 다룸실현 수단동적 지식 그래프반구조화로 구조의 틀을 넘어 무엇이든 씀데이터 메시거버넌스가 걸려 안심하고 씀구동형 데이터 프로덕트데이터의 바른 모습 · 부르면 그대로정보를 냄 · 반구조화로 유연함

정리 방식 원문·PR 기사

검색 엔진처럼 사내 정보를 크롤해 자동 점검·구조화 → 조달·설비·비용처럼 뜻별로 잘게 나눠 바로 쓸 상태로 저장 · 원유를 정제하듯 쓰는 사람이 직접 정리하지 않음

직접 돌린다면 노트

동의어 판정 결과는 공장별 담당자가 주 1회 확인. 다른 부재를 같은 것으로 묶은 경우가 가장 위험하므로 그 건부터 검수

출처: [3] MONOist PR 기사(2025.05.15, 아라스재팬 후원) 4A·방언·크롤·조선업 예(가정). 오른쪽은 에프티 자료 재구성. 용어는 가상, 검수는 노트

7

08 · 정확도

회사는 의미 공간 정확도가 ≈85%에서 98%+로 올랐다고 밝힘

Exhibit 9 · 의미 공간 정확도(관계·의미 오류 기준) 원문·회사 주장

수개월 전

≈85%

현재

98%+

0~100% 실제 비율 · 회사 발표 수치

오른 이유 원문

구조화에 쓰는 AI 모델이 발전했다고 설명

밝히지 않은 것 노트

무엇을 몇 건으로 쟀는지 · 관계 유형별 차이 · 도입 기업의 업무 성과

남은 오류가 나기 쉬운 곳 노트

같은 이름·다른 대상(부서별 용어) · 옛 버전 문서 · 스캔 OCR 오류 → 검수 대기열로 보냄

Exhibit 10 · 98%를 우리 데이터로 다시 재는 법 노트

무엇을어떻게 (가상 예시)
관계 정밀도도메인마다 관계 200건 무작위 추출 → 도메인 오너가 맞음·틀림 표시, 유형별(원인 후보·구성 부품·근거 문서) 따로
태그 흔들림같은 입력 3회 → 태그가 달라지는 비율
근거 첨부답변 문장마다 메조데이터 ID 필수, 없으면 그 문장 삭제
재현성현업 질문 30개를 하루 간격 5회 → 답·인용 근거 일치율

검수 1회 따라가기 가상

품질 도메인 관계 200건 추출

무작위, 유형별 층화

186건 맞음 → 93%

도메인 오너 1명, 반나절

틀린 14건 원인 분류

동음이의 7 · 옛 버전 4 · OCR 3

어휘 사전 보강 → 재배치

고친 관계가 반영되는지 확인

판정 노트

가상 측정치 93%는 확대 기준 95%(12쪽)에 못 미침 → 어휘 보강 후 재측정. 회사 수치 98%와의 차이가 도입 전에 확인할 것

출처: [1] 정확도·이유(MONOist 2쪽, 회사 설명), 측정 방법표(노트 설계안, 값은 가상). 측정 방식·도입 기업 성과는 미공개

8

09 · 재사용·PLM

데이터셋 재사용으로 작업 70%+ 절감을 내다보고 Aras와 손잡음

Exhibit 11 · 동적 지식 그래프(2026 기사의 동적 온톨로지) · 쌓아 두고 다시 씀 원문

기존 데이터 흐름과의 차이기존 시스템 · 늘어나는 데이터셋업무에서 생기는 데이터데이터 플랫폼목적별 데이터셋개별 앱기간계 시스템외부 데이터문서DWH데이터 레이크업무별 데이터목적이 생길 때마다 데이터셋을 새로 만들고, 앱마다 엉켜 이어짐데이터 프로덕트로 통합 · Kraken.업무에서 생기는 데이터데이터 플랫폼구동형 데이터 프로덕트데이터 활용 기술기간계 시스템외부 데이터문서DWH데이터 레이크업무별 데이터조달 데이터설비 데이터비용 데이터분석 시스템리포트 시스템외부 데이터 공유

Exhibit 12 · Aras PLM과 잇는 구조 원문

Aras Innovator (PLM)도면BOM구매처생산판매같은 뜻인데 체인·부서마다 이름·제번(製番)이 달라 다 못 씀 (원문)Kraken. · 디지털 스레드로 같은 뜻을 이음일보·고장 보고도 자동으로 동일 대상 식별(名寄せ)을 할 수 있으면 PLM에 더 쌓일 것으로 봄 (아라스재팬 발언 요지)PLM에서 검색·활용이 쉬워짐양사 공동 솔루션으로 전개 · 국내 제조업 생산성 20% 향상을 기대(회사 전망)

숫자 읽는 법 노트

수작업 ETL·BI100재사용 후(전망)≤30 전망

원문 표현은 어림값·기대치 · 70%·20%는 실적이 아니라 전망 · 출처는 PLM 벤더가 후원한 PR 기사이며 측정 기준은 밝히지 않음

우리 PLM에 붙인다면 노트

PLM의 제품 구조(BOM)를 그래프 뼈대로 두고, 일보·고장 보고를 부품번호에 이어 붙임. 데이터셋 하나를 다시 만드는 데 든 시간을 전후로 잼

지표 ① 데이터셋 1건 제작 시간 ② 일보 중 부품번호에 이어진 비율

출처: 왼쪽은 에프티 자료 재구성. [3] MONOist PR 기사(2025.05.15, 아라스재팬 후원) 재사용·70%+(임원 어림값)·Aras 연동·20%(회사 전망). 측정 방식은 노트

9

10 · 에이전트 실행

사람 승인 아래 에이전트가 JSON으로 ERP·API를 움직이는 구상

Exhibit 13 · 에이전트를 업무에 안전하게 잇는 길 원문·구상 에프티 자료 「AIエージェントを、安全に業務へつなぐ」(MONOist 2쪽 그림)를 구성 그대로 한국어로 재구성

① 기업 데이터·업무 지식② 의미 공간 구축③ 정확한 JSON으로 변환④ 에이전트를 안전하게 실행제안서수주 데이터고객 정보구매 이력제품 카탈로그문의 이력현장에 흩어진 정보고객부품근거사양공정불량안건의미·관계·근거를 고정3쪽의 의미 공간 · AI가 헤매지 않는 바탕{  "안건ID": "A-102",  "고객": "○○ 주식회사",  "불량": "치수 불량",  "관련 부품": ["부품X", "부품Y"],  "관련 공정": ["공정A", "공정B"],  "근거": "검사 기록 No.245",  "추천 대응": "대체 부품으로 전환"}자연어가 아닌 시스템 연계용 구조화 데이터키 = 온톨로지 개념, 근거 = 원본 위치 (노트)예시 값은 원 자료의 예사람의 승인결정 권한을 가진 사람AI 에이전트APIERP워크플로의미 공간이 있어 통제할 수 있음사람의 통제 아래 자율 업무로 연결

A. 통제 원문

에이전트가 참조할 범위와 판단 근거를 의미 공간으로 제어

B. API 연결 원문

정확한 JSON으로 외부 시스템과 안전하게 연계

C. 책임 원문

실행 전에 사람이 확인해 설명 책임을 짐

질문할 때 흐름 노트 질문 → 의미 공간에서 노드·관계 조회 → 메조데이터 ID 붙은 답 → 실행할 일만 JSON으로 → 사람 승인 → ERP·API

에이전트를 업무에 쓰는 데 필요한 것은 더 똑똑한 AI가 아니라 사람이 통제할 수 있는 의미 공간임

출처: [1] MONOist 2쪽 그림·에프티 자료 재구성. 구상·제안 단계, 실제 도입 사례 미공개. 질문할 때 흐름은 노트 설계안

10

11 · 시장·구상

에프티, 제조·건설에 집중하고 대형 제조사에서 시험 도입을 시작함

Exhibit 14 · 에프티 연표 원문

2007설립마케팅 지원 사업에서 출발2019온톨로지 개발 착수데이터 정제소 역할이 필요하다고 판단2022Kraken. 제공CTO 기술 약 3년 · 반자동(원문)2026신설분할새 법인으로 재출발2027~해외 본격화 예정대만·태국·인도네시아 검토간격은 연도와 무관 · 2027년은 계획 · 현재 대형 제조사 시험 도입 중(시점 미기재)

Exhibit 15 · 누가 왜 찾나 원문

수요의 출발점

중국 기업과의 경쟁 위기감 → 리드타임 단축 요구. 개별 작업 자동화가 아니라 부서 간 데이터 분단·재작업을 함께 봐야 함

문의 부서

DX

공장

생산기술

설계

· 기업 규모 무관

시장·파트너

제조업·건설업 우선 · PLM 벤더 Aras와 공동 제안

왜 이 회사가 만들었나 원문

Palantir가 주목받을 무렵 흩어진 데이터를 쓸 수 있게 만드는 데이터 정제소 역할이 중요하다고 판단. 데이터 주권을 생각하면 일본에도 이 역할을 할 회사가 필요하다고 봄

Exhibit 16 · 다음 구상 원문

의미공간상황 파악판단실행결과로 수정이어 붙일 실행AI 에이전트피지컬 AI디지털 트윈 연계

읽는 법 노트

아직 시험 도입 단계임. 도입사 이름·업무 성과가 나오기 전까지는 정확도 98%를 우리 데이터로 다시 재는 파일럿(12쪽)으로 판단

출처: [1] 연표·수요·문의 부서·Aras·해외 계획·구상(MONOist 1·2쪽). 도입 기업 이름·수·성과는 미공개

11

12 · 적용

우리라면 부서를 건너는 흐름 하나로 8주 동안 동적 온톨로지를 시험함

Exhibit 17 · 시작할 흐름 하나 가상

설계설계 BOM · 변경 이력생산기술작업표준서 · 관리 대장 Excel품질불량 보고서 · 회의록흐름 하나: 설계 변경 → 생산 반영 (데이터는 각 부서에 그대로)질문 예: “변경 B-12가 어느 공정·불량과 이어지나” (가상)

Exhibit 18 · 8주 파일럿 노트

1~2주

범위·데이터 목록·용어 초안 확정 · 보안 심사 · 응답 시간 기준값 측정

3~4주

자동 구조화, 근거 ID 출력 설정

5~6주

관계 표본 200건 검수(유형별 50건+) · 실제 질문 30개

7~8주

5회 반복 재현성 시험 · 판정 회의

확대 판정 기준 가상

관계 정밀도 95%+ · 답변 문장 근거 ID 100% · 5회 반복 답 일치 90%+ · 부서 횡단 질문 응답 시간 절반 이하

제품 고를 때 물을 것 노트

① 정확도의 정의와 표본
② 구조화에 쓰는 모델
③ 데이터 저장 위치(주권)
④ 고친 관계 반영·온톨로지 반출 가능 여부
⑤ 가격·라이선스 · 도면·스캔 처리 정확도

시작 전 준비물 노트

리드타임 과제 1개 · 걸린 데이터 목록 · 부서별 용어 초안 · 현업 실제 질문 30개

팀 노트

스폰서: 생산·개발본부장 · AX PM · 도메인 오너(설계·생기·품질 팀장) · 데이터 엔지니어 · 정보보안 · PLM/ERP 관리자 · 실무자 5~10명 (도메인 오너 주 반나절)

현업 질문 노트

① 지금 답을 찾으려면 어느 부서 어떤 파일을 여나

② 같은 대상을 부서마다 다르게 부르는 이름은

③ 근거로 받아들일 수 없는 자료(옛 버전·비공식 메모)는

So what 노트

전사 온톨로지부터 그리지 않음. 부서 사이에서 기다림이 생기는 흐름 하나로 시작하고, 용어 정의·검수 권한은 데이터를 가진 부서에 줌. PLM을 쓰면 제품 구조를 그래프 뼈대로 씀

오늘 결정할 4가지 노트

① 흐름 — 권고: 설계 변경 → 생산 반영

② 스폰서 지정

③ 도구 — 권고: Kraken. 시험 + 대안 1개 비교

④ 8주 투입 인원과 판정 기준 승인

리스크 노트

성과 미공개 → 8주 판정 기준으로 자체 검증
일본 벤더 지원 → 계약에 지원 범위·응답 시간 명시
데이터 위치 → 설치형·국내 리전 가능 여부 확인

출처: 흐름 예시·8주·판정 기준·체크리스트·팀·질문(노트 설계안, 값은 가상). PLM 연계 착안은 [1] 에프티·Aras 공동 제안에서

12