표지 + 12 SLIDES · 16:9 · 1920×1080
01 · 개요
Exhibit 1 · 같은 질문, 의미 공간이 있을 때와 없을 때 가상 진단과 효과는 원문
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
Exhibit 2 · Kraken. 전체 구조 원문 에프티 자료 「Kraken.の全体像」(MONOist 1쪽 그림)을 구성 그대로 한국어로 재구성
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
Exhibit 3 · 의미 공간이 하는 일 원문 에프티 자료 「意味空間とは」를 구성 그대로 한국어로 재구성
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
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
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
Exhibit 5 · 문서 1건이 지나는 길 원문 단계는 원문, 문서·문장·태그는 가상
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
Exhibit 6 · 데이터를 모으는 방식과 뜻만 모으는 방식 원문 배치는 재구성
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
Exhibit 7 · 용어가 달라도 한 번에 묶는 방식 원문·PR 기사
Exhibit 8 · 에프티가 데이터를 쓰게 하는 길 원문 에프티 자료 재구성
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
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
| 무엇을 | 어떻게 (가상 예시) |
|---|---|
| 관계 정밀도 | 도메인마다 관계 200건 무작위 추출 → 도메인 오너가 맞음·틀림 표시, 유형별(원인 후보·구성 부품·근거 문서) 따로 |
| 태그 흔들림 | 같은 입력 3회 → 태그가 달라지는 비율 |
| 근거 첨부 | 답변 문장마다 메조데이터 ID 필수, 없으면 그 문장 삭제 |
| 재현성 | 현업 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
Exhibit 11 · 동적 지식 그래프(2026 기사의 동적 온톨로지) · 쌓아 두고 다시 씀 원문
Exhibit 12 · Aras PLM과 잇는 구조 원문
숫자 읽는 법 노트
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
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
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
Exhibit 14 · 에프티 연표 원문
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
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
Exhibit 17 · 시작할 흐름 하나 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