Agentic AI for Fab Utilities: 인텔이 팹 설비 이상을 에이전트로 진단해 작업지시 초안까지 쓰는 방식
Intel이 초순수·칠러 같은 팹 유틸리티에 Seeq 기반 멀티 에이전트를 붙여, 이상 신호부터 원인 분석과 작업지시 초안까지 자동으로 잇고 엔지니어가 승인하게 했습니다. 이상 감지는 30% 빨라졌고 Intel은 연 12만 시간 이상의 노동시간 절감을 밝혔습니다. 이벤트·초안 필드, 임계값, 8주 파일럿을 붙였습니다.
설비 알람이 뜬 뒤 엔지니어가 화면을 오가며 근거를 모으던 일을 에이전트가 맡으면, 사람은 승인만 하면 됩니다. Intel은 팹 유틸리티에서 이 구조로 이상 감지를 30% 앞당겼습니다. 옮기려면 태그 이름부터 표준화하고 에이전트가 만들 수 있는 것과 손대면 안 되는 것을 먼저 나눠야 합니다.
요약
전자신문 이형두 기자는 2026년 10월 25일, Intel이 반도체 공장(팹)의 유틸리티 설비 관리에 에이전틱 AI를 넣은 사례를 보도했습니다. 대상은 공정 장비가 아니라 팹을 돌리는 설비입니다. 초순수(UPW, 극미량 불순물도 허용하지 않는 반도체용 물), 칠러(냉각기), 특수가스·화학물질 공급 설비가 여기에 들어갑니다. Intel은 최근 8개월 동안 산업 데이터 분석 플랫폼 Seeq을 조율자(orchestrator)로 두고 역할을 나눈 에이전트 여러 개를 배치했습니다. 이상 신호가 뜨면 원인 분석부터 작업지시서 초안까지 자동으로 이어지고 최종 승인은 엔지니어가 합니다. 예전에는 알람이 울리면 엔지니어가 여러 화면에서 데이터를 모으고 원인을 찾았습니다. 지금은 관련 데이터, 과거 유사 사례, 권장 조치가 한곳에 모여 전달됩니다.
Intel이 밝힌 성과는 이렇습니다. 초순수 설비의 이상 감지가 기존 자동화보다 30% 빨라졌고 Intel은 단일 사례에서 연 약 750만 달러(약 100억 원)를 아낀다고 추정합니다. 작업지시서를 자동으로 쓰면서 기술자 업무량은 1520% 줄었습니다. Intel 백서는 자산관리 데이터와 공정 데이터 분석을 합친 효과로 연 12만 시간 이상의 노동시간 절감을 꼽습니다. 칠드워터(냉각수) 플랜트의 에너지 효율은 약 15% 올랐습니다. 이 결과 밑에는 3년 전부터 깔아 둔 데이터 기반이 있습니다. 약 70개 사업장 시스템을 연결해 6,500만7,000만 개 태그(시계열 신호)를 쓸 수 있게 했습니다. 지금은 매주 약 1,000명의 엔지니어가 Seeq을 씁니다. 아래에서는 Intel 백서와 Seeq 글로 작동 방식을 풀고 우리 공장에 옮길 때 필요한 필드·임계값·일정을 덧붙입니다.
핵심 메커니즘
Orchestrator와 역할 나눈 에이전트: 조사 순서를 쪼개 맡기기
알람 하나를 처리하는 조사를 단계로 나누고 단계마다 에이전트를 둡니다. 조율자는 이벤트가 들어오면 어느 에이전트를 어떤 순서로 부를지 정합니다. Seeq 글에 나오는 구현은 세 에이전트입니다. Anomaly Detection Agent가 이벤트를 기록하고 Agent Q(Seeq의 AI 조율 층)가 관련 시계열·자산 정보·정비 이력을 모읍니다. Knowledge Agent는 사내 문서 저장소에서 문제 해결 절차와 SOP를 찾아 출처와 함께 돌려줍니다. Asset Management Agent는 작업지시·자산 정보를 조회하고 엔지니어가 적절하다고 판단하면 맥락을 담은 새 작업지시를 만듭니다.
Intel 백서는 같은 일을 더 넓은 설계로 그립니다. LangGraph 오케스트레이터가 이벤트 단위로 루프를 돕니다. 에이전트는 MCP(Model Context Protocol, 모델이 도구·데이터에 접속하는 표준)로 연결되고, JSON 추론 결과를 공유 context bus에 올립니다. 계층은 인식·추론·실행·거버넌스 넷입니다. 현장 점검용 로봇 개를 띄우는 Field Agent와 사용자 피드백으로 이벤트 기준을 다시 맞추는 Learning Agent도 있습니다. 하루 수천 건 알람이 오는 곳처럼 조사 절차가 반복되고 데이터가 여러 시스템에 흩어져 있을 때 맞는 구조입니다. 알람이 드물거나 원인이 매번 새로우면 분업의 이득이 작습니다.
Anomaly Index: 세 모델 점수를 하나로 합쳐 구간별로 다르게 움직이기
이상 여부를 예·아니오로 끊지 않고 0100 점수로 냅니다. Intel 백서에 따르면 Isolation Forest, DBSCAN, Mahalanobis 거리 세 방식의 결과를 합쳐 anomaly index를 만듭니다. 70을 넘으면 조사를 시작하고 85를 넘으면 알림을 보내며 95를 넘으면 작업지시 생성 같은 자동 조치를 걸 수 있습니다. 이와 별도로 01 사이 anomaly_score가 confidence 역할을 하고 피드백으로 모델을 다시 보정합니다. 구간을 나누면 하루 수천 건 알람이 모두 사람에게 가지 않습니다. 낮은 구간은 에이전트가 근거만 쌓아 두고 사람은 높은 구간부터 봅니다.
RUL 임계값: 고장 예측일이 아니라 수리 준비 시간에 맞춰 작업지시 내기
RUL(Remaining Useful Life, 남은 사용 가능 기간)을 일 단위로 예측하고 그 값이 임계값을 넘으면 작업지시를 만듭니다. 임계값은 고정값이 아닙니다. Intel 백서의 예에서는 이온교환 수지 주문에 14일이 걸리기 때문에 예측 고장 21일 전에 작업지시를 냅니다. 작업지시에는 예측 고장일, confidence, 권장 조치, 필요 부품이 들어갑니다. 판단할 때는 인력 가용성, 예비 부품, 생산 일정도 함께 봅니다. 부품 리드타임이 긴 소모품(수지, 필터, 펌프 씰)에서 특히 쓸모가 큽니다. 리드타임이 거의 없는 소모품이면 이상 감지만으로도 충분합니다.
Bounded Autonomy: 에이전트가 만들 수는 있어도 바꾸거나 지울 수는 없게
Seeq 글은 에이전트의 권한 경계를 분명히 적습니다. 정보를 모으고 분석과 작업지시를 만들 수는 있습니다. 그러나 기존 작업지시를 고치거나 지우지 않고 설비나 안전 시스템을 직접 제어하지 않으며 권한을 바꾸지 않습니다. Intel 백서에 따르면 화학·전기·환경처럼 위험이 큰 조치는 승인 게이트와 사람 검토 대기열(checkpoint queue)을 거칩니다. 모든 조치는 모델 메타데이터·confidence와 함께 감사 로그에 남습니다. 실행 전에 디지털 트윈 시뮬레이션으로 권고를 검증하는 단계도 있습니다. Intel은 이 방침을 “dimming the lights, not the intelligence”라는 말로 요약합니다. 무인화에 가까워져도 판단은 사람이 쥔다는 뜻입니다.
Signal Naming과 데이터 통합: 에이전트보다 먼저 깐 층
에이전트는 데이터가 한곳에서 같은 이름으로 불릴 때만 일합니다. Intel 백서는 SCADA·PLC, TOC·UV·유량·온도 센서, 시계열 저장소, 자산관리 앱(REST API), 공정 데이터 분석 앱, 문맥 검색용 PostgreSQL 벡터 DB를 데이터 소스로 듭니다. 백서가 꼽은 교훈은 신호 이름과 메타데이터 표준화가 확산을 가장 크게 앞당겼다는 것입니다. 전자신문에 따르면 Intel과 Seeq의 협력은 약 3년 전 셀프서비스 분석 플랫폼을 찾는 데서 시작했고 에이전트는 그 위에 얹혔습니다. 백서의 연대표도 같은 순서입니다. 20202022년 디지털화, 20232024년 데이터 맥락화, 2024~2025년 예지 정비 시범, 2026년부터 에이전트 단계입니다.
통념과 다른 주장
흔히 이렇게 봅니다설비 AI의 성과는 더 정교한 예측 모델에서 나온다.
Intel은 이렇게 봅니다새 알고리즘보다 데이터 통합이 더 큰 가치를 냈다.
근거가장 큰 절감 수치인 연 12만 시간 이상을 Intel은 자산관리 데이터와 공정 데이터 분석을 합친 효과로 설명합니다. 확산을 가장 앞당긴 요인으로도 신호 이름·메타데이터 표준화를 꼽았습니다.
흔히 이렇게 봅니다에이전트를 도입하면 사람 승인 단계를 빼야 효과가 난다.
Intel은 이렇게 봅니다AI가 제안하고 사람이 승인하는 hybrid autonomy가 운영자의 신뢰를 쌓았다.
근거작업지시 초안은 자동이지만 발행은 엔지니어가 하고 고위험 조치에는 승인 게이트를 둡니다. 이 구조에서도 기술자 업무량이 15~20% 줄었습니다.
저자가 든 사례
초순수 TOC 모니터링: 수지가 다하기 전에 미리 알기
| 항목 | 내용 |
|---|---|
| 상황 | 초순수의 TOC(총유기탄소)는 0.7 ppb 아래로 유지해야 합니다. 이온교환 수지가 다하면 TOC가 기준을 뚫고 올라옵니다. |
| 한 일 | 수지 소진과 TOC 돌파를 미리 예측하는 모니터링을 만들었습니다. 예측은 Hybrid Fourier·ARIMA·LSTM 앙상블, 이상 감지는 SPC(EWMA·Z-score·Hotelling T²)와 CNN-LSTM을 섞었습니다. |
| 결과 | 예측 범위가 30일에서 90일로 늘고 정확도(RMSE 기준)가 68% 좋아졌으며 오탐이 82% 줄었습니다. 혼합 SPC 방식은 이상을 2~5일 먼저 잡았고 오탐률 5% 미만, 정탐률 97% 초과였습니다. 기존 자동화보다 30% 빨리 감지했고 Intel은 UPW 이탈 예방으로 연 약 750만 달러를 아낀다고 추정합니다. |
| 연결 | Anomaly Index와 RUL 임계값이 실제로 쓰인 곳입니다. |
칠드워터 플랜트: 기준선이 바뀌어도 다시 맞추지 않기
| 항목 | 내용 |
|---|---|
| 상황 | 냉각수 플랜트는 계절·부하에 따라 운전 기준선이 바뀝니다. |
| 한 일 | 디지털 트윈과 분석, sparse autoencoder로 냉각수 운전을 최적화하고 Moving Mean PCA로 드리프트를 감지했습니다. 모델이 수동 재보정 없이 기준선을 학습합니다. |
| 결과 | 에너지 효율이 약 15% 올랐습니다. 측정 방법은 원문에서 밝히지 않았습니다. |
| 연결 | Learning Agent의 피드백 보정과 디지털 트윈 검증이 쓰인 사례입니다. |
알람 조사와 작업지시: 근거 모으는 시간을 줄이기
| 항목 | 내용 |
|---|---|
| 상황 | 공정 엔지니어는 하루 수천 건의 이상 알람을 받습니다. 조사하려면 historian, 정비 이력, FMEA·문제 해결 절차를 오가고 기술자에게 연락해야 했습니다. |
| 한 일 | 자산관리 데이터와 공정 분석을 한 앱에 묶어 그 안에서 분석하고 작업지시를 만들게 했습니다. 이어 세 에이전트가 이벤트 기록, 절차 검색, 작업지시 초안을 맡았습니다. |
| 결과 | 데이터 통합으로 연 12만 시간 이상, 작업지시 자동 생성으로 기술자 업무량 15 |
| 연결 | Orchestrator 분업, Bounded Autonomy, 데이터 통합이 함께 쓰인 사례입니다. |
기술 디테일: 우리 설비에 이 구조를 옮기려면
Orchestrator 분업을 돌리려면 이벤트와 초안의 필드부터 고정합니다. 에이전트끼리 주고받는 JSON이 바뀌면 다음 단계가 깨집니다. 뼈대는 두 자료에 이미 있습니다. Seeq 글의 이벤트 항목(대표 SCADA 태그, 함께 움직인 태그, 사이트, 분야, 설비 유형)과 Intel 백서의 작업지시 항목(예측 고장일, confidence, 권장 조치, 필요 부품)입니다. 여기에 승인과 출처 필드를 덧붙입니다. 아래 필드명과 값은 가상 예시입니다.
{
"event_id": "UPW-B2-20261027-0412",
"primary_tag": "B2.UPW.RO2.TOC_ppb",
"contributing_tags": ["B2.UPW.RO2.UV_dose", "B2.UPW.MB3.resistivity"],
"site": "B2", "discipline": "UPW", "equipment_type": "mixed_bed",
"anomaly_index": 87, "anomaly_score": 0.81,
"evidence": [{"type": "similar_event", "ref": "UPW-B2-20260611-0093"},
{"type": "sop", "doc": "UPW-SOP-114", "section": "4.2"}],
"draft_work_order": {
"predicted_failure_date": "2026-11-17", "confidence": 0.78,
"action": "MB3 수지 교체", "parts": ["mixed bed resin 20ft3"],
"lead_time_days": 14
},
"status": "awaiting_approval", "approved_by": null, "unknown": []
}Knowledge Agent는 출처 없는 절차를 내지 못하게 합니다. SOP와 문제 해결 절차를 조항 단위로 잘라 벡터 DB에 넣고 답에는 문서 번호와 조항을 반드시 붙이게 합니다. 근거를 못 찾으면 절차를 지어내지 말고 unknown에 넣게 합니다. temperature는 0~0.2로 낮게 둡니다. 엔지니어 화면에는 원문 조항 링크를 함께 띄워 바로 대조하게 합니다.
Anomaly Index 구간은 과거 이벤트로 다시 맞춥니다. 70·85·95는 Intel의 값입니다. 우리 설비에서는 지난 612개월 알람과 실제 정비 기록을 붙여 재생(backtest)해 보고 구간마다 실제 정비로 이어진 비율을 셉니다. 95 이상인데 정비로 이어진 비율이 낮으면 자동 초안 구간을 올립니다. 7085 구간에서 놓친 고장이 나오면 조사 구간을 내립니다.
RUL 임계값은 부품 리드타임 표와 묶습니다. 임계값을 “리드타임 + 교체 작업 여유”로 계산합니다. Intel 예시는 14일 주문에 21일 전 발행이므로 여유가 7일입니다. 구매 시스템의 품목별 리드타임을 매주 갱신해 임계값에 반영해야 리드타임이 길어질 때 작업지시가 늦지 않습니다.
권한은 도구 단위로 나눕니다. MCP 서버를 읽기 도구(태그 조회, 이력 조회, 문서 검색)와 쓰기 도구(작업지시 생성)로 나누고 쓰기 도구는 엔지니어 승인 토큰이 있어야 실행되게 합니다. 수정·삭제·설비 제어 도구는 아예 노출하지 않습니다. 호출마다 모델 버전, 입력 태그, confidence, 승인자를 감사 로그에 남깁니다.
실패하는 경우를 미리 정합니다. 센서가 드리프트하면 이상 점수가 계속 높게 나옵니다. 같은 태그에서 같은 원인으로 3회 이상 반려되면 센서 점검 작업지시로 바꿉니다. 태그 이름이 표준에 맞지 않으면 에이전트가 관련 태그를 못 찾으므로, 이름 규칙 위반 태그 목록을 매주 뽑아 고칩니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 담당 | 하는 일 |
|---|---|---|
| 스폰서 | 설비(Facilities) 총괄 임원 | 대상 시스템과 자동 초안 범위 승인 |
| 설비 엔지니어 | UPW 또는 칠러 담당 2명 | 태그 확정, 과거 이벤트 라벨, 초안 승인·반려 |
| 정비 플래너 | 1명 | 작업지시 양식, 부품 리드타임 표 관리 |
| 자동화·데이터 | 제어·데이터 엔지니어 1~2명 | 태그 이름 표준화, historian·자산관리 연동, MCP 도구 |
| EHS | 안전 담당 1명 | 승인 게이트가 필요한 조치 목록 확정 |
시작 전에 모을 것. 대상 시스템 한 개(UPW 또는 칠러)의 태그 목록과 스펙 한계값, 최근 6~12개월 알람 로그, 같은 기간 작업지시와 정비 기록, 해당 SOP·FMEA 문서, 소모품별 구매 리드타임 표입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 시스템 1개 선정, 태그 이름 표준화, 이벤트·초안 필드 확정 | 태그 사전, JSON 필드 정의서 |
| 3~4주 | 과거 알람을 재생해 구간·임계값 조정, SOP 검색 정확도 확인 | 구간별 정비 연결 비율 표 |
| 5~6주 | 섀도 운영: 에이전트 초안과 사람 처리를 나란히 비교 | 초안 채택률, 조사 시간 비교 |
| 7~8주 | 승인 운영: 엔지니어가 초안을 승인해 발행, 판정 회의 | 판정 보고서, 확대 대상 |
엔지니어에게 물을 것.
- 지난달 알람 중 실제로 정비로 이어진 것은 몇 건이었고 한 건 조사에 몇 분이 걸렸나요?
- 조사할 때 여는 화면과 문서는 무엇이고 어느 단계에서 가장 오래 기다리나요?
- 에이전트 초안에서 무엇이 빠지면 승인하지 않겠습니까?
- 에이전트가 절대 하면 안 되는 조치는 무엇인가요?
진행 판정 기준(예시). 섀도 운영에서 세 조건을 모두 채우면 확대합니다. 초안 채택률 70% 이상, 건당 조사 시간 30% 이상 단축, 승인 게이트 대상 조치의 무승인 실행 0건입니다. 기준은 섀도 운영 전에 정해 둡니다.
AX 적용 제언. 반도체·디스플레이·배터리 공장이라면 초순수, 칠러, 가스 공급처럼 스펙 한계가 분명하고 알람이 많은 유틸리티에서 시작하는 편이 좋습니다. 기준선이 명확해 효과를 재기 쉽고 공정 장비보다 품질 책임 논의가 가볍습니다. 첫 투자는 에이전트가 아니라 태그 사전과 자산관리 연동에 둡니다. Intel도 디지털화와 데이터 맥락화에 몇 년을 쓴 뒤 에이전트를 올렸습니다. 성과 지표는 감지 시간, 건당 조사 시간, 초안 채택률, 부품 결품으로 늦어진 정비 건수 네 가지로 시작하고 현업 스폰서는 IT가 아니라 설비 조직에 둡니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 보도 | 전자신문 이형두 기자, 2026.10.25 온라인(10.26 17면) |
| 대상 | Intel 팹 유틸리티: 초순수, 칠러, 특수가스·화학물질 공급 설비(공정 장비 제외) |
| 플랫폼 | Seeq을 조율자로 둔 멀티 에이전트, 최근 8개월 적용, 협력 약 3년 |
| 흐름 | 이상 신호 → 원인 분석 → 작업지시 초안 → 엔지니어 최종 승인 |
| 규모 | 약 70개 사업장 시스템 연결, 6,500만~7,000만 태그, 주 약 1,000명 사용 |
| 성과 | 이상 감지 30% 빨라짐(UPW), 연 약 750만 달러 절감(Intel 추정), 기술자 업무량 15~20% 감소, 연 12만 시간 이상 절감, 칠드워터 에너지 효율 약 15% 향상 |
| Seeq 구성(Seeq 글) | Agent Q, Anomaly Detection Agent, Knowledge Agent, Asset Management Agent, Vantage Room |
| Intel 설계(백서) | LangGraph 오케스트레이터, MCP, 인식·추론·실행·거버넌스 4계층, anomaly index 70/85/95 |
| UPW 지표(백서) | TOC 0.7 ppb 미만 유지, 예측 30일→90일, RMSE 68% 개선, 오탐 82% 감소 |
핵심 개념
- 팹 유틸리티
- 공정 장비에 물·냉각·가스·화학물질을 대는 설비. 멈추거나 기준을 벗어나면 여러 공정이 함께 흔들립니다.
- UPW
- Ultrapure Water. 반도체 세정에 쓰는 초순수로, 극미량 불순물이 수율을 바로 떨어뜨립니다.
- TOC
- Total Organic Carbon. 물속 유기물 농도로, 초순수 품질을 보는 대표 지표입니다.
- 태그
- 센서나 제어기에서 나오는 시계열 신호 하나에 붙은 이름. 이름 규칙이 맞아야 에이전트가 관련 신호를 찾습니다.
- SPC
- Statistical Process Control. 평균과 분산에서 얼마나 벗어났는지로 이상을 판정하는 통계 관리 방식입니다.
- HITL
- Human-in-the-loop. AI가 낸 결과를 사람이 확인·승인해야 실행되게 하는 구조입니다.
- Vantage Room
- Seeq에서 이벤트를 다른 설비 상태와 함께 모아 보는 공간. 에이전트가 기록한 이벤트가 여기에 쌓입니다.
내 메모
TODO: 내 생각 추가
원문: 이형두, 「인텔 팹에 들어간 ‘에이전틱 AI’…이상 감지 30% 단축·750만 달러 절감」(전자신문, 2026.10.25). 작동 방식은 Intel 1차 자료인 IT@Intel 백서 「From Automation to Autonomy: Agentic AI Is Transforming Intel Facilities Operations」(Patrick Bradley, Manoj Athawale, Subhadra Sampathkumaran, 2026.1)와 Seeq 블로그 「From Insight to Action: How Seeq’s Agentic AI Is Transforming Semiconductor Facilities Operations」(Sydney DeLosh, 2026.8.18)로 보강했습니다. 750만 달러는 Intel이 밝힌 추정 절감액이고 성과 수치는 Intel·Seeq 발표입니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 세 자료의 내용을 AX Review가 다시 정리했습니다. 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽은 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 원문 전체는 전자신문에서 볼 수 있습니다.