Pegatron PEGAVERSE AI Agent: 설비 보정·고장 진단·SOP 작성을 에이전트로 묶어 고장 정지 42% 단축

설비 보정, 고장 진단, 작업표준서(SOP) 작성은 모두 숙련자의 머릿속과 흩어진 정비기록에 기대는 일입니다. Pegatron은 이 셋을 에이전트 하나의 창구로 모아 고장 1건 정지 시간을 42% 줄였습니다. 우리 공장에 옮기려면 모델보다 먼저 정비기록을 원인·조치·정지 시간이 남는 형태로 정리하고 진단 정확도를 잴 시험 세트를 준비해야 합니다.

요약

Pegatron은 노트북·서버·통신 장비를 만드는 대만의 전자제품 위탁생산(EMS) 기업입니다. NVIDIA 고객 사례(벤더 발표)에 따르면 직원 10만 명 이상, 전 세계 24개 거점을 운영합니다. 이 노트가 다루는 ‘PEGAVERSE AI Equipment Readiness’는 2026 Gartner Eye on Innovation Awards 첨단 제조 부문에 제출·소개된 사례입니다. 사례집이 짚은 문제는 셋입니다. 제품 종류가 늘면서 설비 한 대를 생산 가능한 상태로 맞추는 데(equipment ramp-up) 몇 주씩 걸렸습니다. 고장 원인은 고참 기술자의 직관으로 찾았고 공정 변형이 수십 개씩 동시에 생기자 SOP 작성이 따라가지 못했습니다. Pegatron은 PEGAVERSE AI Agent라는 플랫폼 하나로 네 가지 일을 묶었습니다. 강화학습(reinforcement learning) 에이전트가 디지털 트윈(실제 설비를 본뜬 가상 모델) 안에서 조립 라인 설비의 보정값을 찾습니다. 도메인 데이터로 학습한 LLM 에이전트는 고장 대응 가이드와 SOP 초안을 쓰고 지식 에이전트는 정비기록 1,000건을 근거로 추론합니다. 기술자는 이 모두를 자연어 창구 하나로 씁니다.

사례집에 실린 실적은 네 가지입니다. 고장 1건당 정지 시간이 86분에서 50분으로 42% 줄었고 SOP 문서 1건 작성 시간은 40시간에서 20시간으로 절반이 됐습니다. 고장 정보를 찾는 시간은 5분에서 10초로 줄었고(사례집 표기 96.67% 개선), AI의 설비 고장 자동 진단 정확도는 95% 이상입니다. 회사 경영진은 이 효과를 전 세계 제조 거점에서 연 4,800만 대만달러 이상 절감으로 추정했습니다(실적이 아니라 추정). 사례집의 구성으로 보면 기술자가 매번 머릿속과 문서철을 뒤지던 일을 에이전트가 근거 기록과 함께 바로 내놓았습니다. 설비 보정의 시행착오도 실제 라인이 아니라 가상 설비에서 치렀습니다. 설비 보정 시간이 얼마나 줄었는지는 사례집에서 밝히지 않았습니다. 아래에서는 네 기능의 작동 방식을 개념별로 풀고 한국 제조 현장에 옮길 데이터 구조와 일정을 덧붙입니다.

핵심 메커니즘

Reinforcement Learning in Digital Twin: 실제 라인 대신 가상 설비에서 보정값을 찾는 에이전트

강화학습 에이전트는 행동을 해 보고 받은 점수(보상)를 보며 더 나은 행동을 배웁니다. 설비 보정에 쓰면 행동은 위치·속도·압력 같은 설비 파라미터 조정이고 보상은 정밀도와 사이클 타임입니다. 실제 설비로 수천 번 시도하면 라인이 멈추고 자재가 버려지므로 디지털 트윈 안에서 시도합니다. 에이전트가 가상 설비에서 값을 바꾸고 시뮬레이션이 결과를 계산하고 에이전트는 좋은 결과를 낸 쪽으로 다음 값을 고릅니다. 찾은 후보 값은 실제 설비에서 확인한 뒤에야 적용합니다.

이 방식은 보정 변수가 많고 서로 얽혀 사람이 하나씩 맞추기 어려울 때, 그리고 설비를 물리 법칙에 가깝게 시뮬레이션할 수 있을 때 맞습니다. 트윈과 실제 설비의 차이가 크면 가상에서 찾은 값이 현장에서 맞지 않습니다. 사례집은 이 기능이 조립 라인 설비의 보정 시간을 줄이려는 것이라고만 밝혔습니다. 공개 자료에는 같은 계열의 예가 있습니다. NVIDIA 고객 사례에 따르면 Pegatron은 접착제 도포 에이전트를 시뮬레이션에서 학습시켜 점도나 실내 온도가 바뀔 때 도포 파라미터를 스스로 조정하게 했습니다.

작은 예시(가상 예시): 새 노트북 모델이 들어와 나사 체결 로봇의 접근 각도와 토크를 바꿔야 할 때, 에이전트가 트윈에서 각도 12가지와 토크 8단계 조합을 시험해 불량이 가장 적은 세 조합을 고릅니다. 기술자는 그 세 개만 실기에서 확인합니다.

Domain LLM Agent: 고장 가이드와 SOP 초안을 쓰는 도메인 특화 모델

범용 LLM은 설비 이름, 알람 코드, 사내 공정 용어를 모릅니다. Pegatron은 도메인 데이터로 학습한 LLM 에이전트에게 두 가지 글쓰기를 맡겼습니다. 하나는 고장이 났을 때 무엇부터 확인할지 알려 주는 대응 가이드이고 다른 하나는 새 공정 변형에 맞춘 SOP 초안입니다. 입력은 설비 매뉴얼, 기존 SOP, 공정 변경 내용이고 출력은 정해진 틀을 따른 문서입니다. 사람은 처음부터 쓰지 않고 초안을 고칩니다. 그 결과 SOP 1건 작성 시간이 40시간에서 20시간이 됐습니다.

이 방식은 문서 틀이 정해져 있고 비슷한 문서가 이미 많이 쌓인 곳에 맞습니다. 안전 절차처럼 한 줄이 틀리면 사고로 이어지는 항목은 초안을 그대로 쓰지 않고 담당자가 서명해야 합니다. 사례집이 밝힌 95% 이상 진단 정확도는 이 도메인 모델과 지식 에이전트가 함께 내는 설비 고장 자동 진단의 정확도입니다. 정확도를 어떤 시험 세트로 쟀는지는 사례집에서 밝히지 않았습니다.

Knowledge Agent: 정비기록 1,000건을 근거로 추론하는 검색 에이전트

지식 에이전트는 질문을 받으면 과거 정비기록에서 비슷한 고장을 찾아 읽고 원인 후보와 조치 순서를 정리해 답합니다. 검색만 하는 것이 아니라 여러 기록을 견주어 ‘이 증상이면 이 부품부터 보라’는 결론까지 내는 것이 차이입니다. 사례집은 이 에이전트가 정비기록 1,000건을 놓고 추론한다고 밝혔고 고장 정보를 찾는 시간이 5분에서 10초로 줄었다고 적었습니다. Gartner 사례 자료의 핵심 기술 목록에 추론 모델(reasoning model)이 들어 있는 것도 이 기능과 맞닿아 있습니다.

고장 유형이 반복되고 기록이 원인과 조치까지 남아 있는 공장에 맞습니다. 기록에 ‘수리 완료’만 적혀 있으면 에이전트도 근거를 찾지 못합니다. 신입 기술자가 야간 근무에 혼자 고장을 맞는 상황에서 가장 크게 효과를 냅니다.

Single Natural Language Interface: 네 기능을 한 창구로

기술자는 보정, 진단, SOP, 정비 지식을 각각 다른 시스템에서 찾지 않습니다. 자연어 창구 하나에 질문하면 뒤에서 알맞은 에이전트가 답합니다. 창구가 하나면 기술자가 어느 도구를 써야 할지 고민하는 시간이 사라지고 질문과 답이 한곳에 쌓여 다음 개선의 재료가 됩니다. 고장 1건 정지 시간이 86분에서 50분으로 줄어든 결과는 진단, 지식 검색, 대응 가이드가 이 창구에서 한 번에 이어진 효과로 읽을 수 있습니다. 기능마다 어떤 모델을 어떻게 배치했는지는 사례집에서 밝히지 않았습니다.

사례 재구성

PEGAVERSE AI Equipment Readiness (사례집)

구분	내용
상황	제품 다양화와 공정 복잡도 증가. 설비 보정에 기계마다 몇 주, 고장 진단은 고참 기술자 직관, SOP는 수십 개 공정 변형을 못 따라감. 생산 지연, 정지 증가, 인건비와 지식 전수 부담
한 일	PEGAVERSE AI Agent 하나에 설비 보정(트윈 속 RL), 고장 가이드와 SOP 초안(도메인 LLM), 정비 지식(정비기록 1,000건 추론)을 묶고 자연어 창구로 통합
결과	고장 1건 정지 86분 → 50분(42%↓), SOP 1건 40시간 → 20시간(50%↓), 검색 5분 → 10초(96.67% 개선), 진단 정확도 95% 이상. 연 4,800만 대만달러 이상 절감(경영진 추정)
연결	네 메커니즘 모두. 절감액은 추정, 설비 보정 시간 단축 수치는 사례집에서 밝히지 않음

회사 경영진은 이 플랫폼이 “automate equipment calibration, reduce downtime”을 가능하게 했다고 평가했습니다. 사례집이 꼽은 핵심 기술은 AI 에이전트, 생성형 AI, 추론 모델, 디지털 트윈·시뮬레이션, IoT, 로보틱스입니다.

공개 자료로 본 PEGAVERSE의 바탕

공개 자료에서는 이 사례의 수치를 확인하지 못했습니다. 대신 PEGAVERSE가 어떤 기반 위에 있는지는 확인할 수 있습니다. NVIDIA 고객 사례(벤더 발표)에 따르면 PEGAVERSE는 NVIDIA Omniverse 위에 만든 디지털 트윈 플랫폼으로, 공장 운영을 물리적으로 정확하게 시뮬레이션해 병목을 찾습니다. Pegatron은 실제 공장과 나란히 가상 공장 6곳을 운영합니다. 부서마다 따로 에이전트를 만들고 컴퓨팅과 MLOps를 따로 꾸리던 문제를 풀려고 사내 플랫폼 AI Factory(NVIDIA AI Enterprise·DGX 기반)를 세웠습니다. 4년간 회사 전체의 AI 에이전트 개발 속도가 400% 빨라졌다고 합니다. 같은 자료에는 나사 누락 같은 조립 오류를 실시간으로 알려 주는 조립 안내 에이전트, 자재 운반·검사·SOP 안내·설비 간 통신을 조율하는 공장 관리 에이전트도 나옵니다. DIGITIMES에 실린 COMPUTEX 2026 보도자료(2026년 6월)는 PEGAVERSE를 시뮬레이션, 공장 텔레메트리, AI 운영 분석을 묶은 AI-native 제조 인텔리전스 플랫폼으로 소개했습니다. 정리하면 Equipment Readiness 에이전트는 이미 깔려 있던 트윈과 사내 에이전트 플랫폼 위에 올라간 기능입니다.

기술 디테일: 우리 설비에 이 구조를 옮기려면

지식 에이전트를 돌리려면 정비기록부터 구조화합니다. 에이전트의 답은 기록의 질을 넘지 못합니다. 기록 한 건을 아래 필드로 정리하고 한 건을 검색 단위(chunk) 하나로 둡니다. 알람 코드와 부품 번호는 글자가 정확히 맞아야 하므로 키워드 검색(BM25)을, 증상 서술은 의미가 비슷한 것을 찾아야 하므로 임베딩 검색을 함께 씁니다. 상위 5건을 모델에 넘기고 답에는 근거가 된 record_id를 반드시 붙이게 합니다. 근거 없이 나온 답은 화면에서 ‘근거 없음’으로 표시합니다. 시작 전 root_cause가 빈 기록의 비율을 세어 30%를 넘으면 모델 작업보다 기록 정리를 먼저 합니다(기준은 가상 예시).

{
  "record_id": "MR-2026-0412",
  "equipment_id": "SCR-L3-07",
  "line_id": "L3",
  "alarm_code": "E-217",
  "symptom_text": "체결 토크 하한 미달 반복, 3회 연속 재시도",
  "occurred_at": "2026-04-12T02:40",
  "root_cause": "비트 마모",
  "action_steps": ["비트 교체", "토크 센서 영점 확인", "시험 체결 10회"],
  "parts_used": ["BIT-PH2-0.8"],
  "downtime_min": 64,
  "verified_by": "정비 반장",
  "recurred_30d": false
}

위 JSON은 가상 예시입니다. downtime_min을 남겨야 Pegatron처럼 고장 1건당 정지 시간을 전후로 비교할 수 있습니다.

진단 정확도를 우리 데이터로 재려면 시험 세트를 따로 둡니다. 최근 3개월 고장 100~200건을 학습·검색 대상에서 빼 두고 에이전트가 낸 원인 1순위(top-1)와 3순위 안(top-3)이 실제 원인과 맞는지 셉니다. 정답 판정은 숙련 기술자 2명이 따로 하고 둘이 갈리면 반장이 정합니다. 같은 질문을 3회 돌려 답이 일치하는 비율도 함께 기록합니다. 진단 호출은 temperature 0~0.2로 낮게 두고 일치율이 80% 아래로 떨어지는 고장 유형은 사람 확인 필수로 돌립니다(수치는 가상 예시).

SOP 초안은 틀을 고정하고 변경점만 입력으로 줍니다. 출력 필드는 문서 번호, 적용 설비, 변경 사유, 준비물, 작업 단계(번호·동작·확인 기준), 안전 주의, 승인자로 고정합니다. 입력은 기존 SOP, 설비 매뉴얼의 해당 장, 공정 변경 통지(ECN) 내용입니다. 생성 뒤에는 규칙 검사를 한 번 더 돌려 잠금·태그(LOTO), 보호구, 비상 정지 항목이 빠지지 않았는지 확인합니다. 하나라도 빠지면 초안을 검토자에게 넘기지 않고 다시 생성합니다.

트윈 속 RL 보정은 상태·행동·보상을 먼저 문서로 정의합니다. 상태는 센서값과 현재 파라미터, 행동은 파라미터별 조정 폭, 보상은 정밀도 점수에서 사이클 타임 증가분을 뺀 값처럼 정합니다. 행동에는 설비 제조사가 허용한 범위를 상한·하한으로 걸어 위험한 값을 아예 탐색하지 않게 합니다. 트윈과 실제 설비의 차이는 같은 입력으로 둘을 돌려 결과 오차를 재는 방식으로 확인하고 오차가 크면 트윈 보정부터 다시 합니다. 변수가 서너 개뿐이면 강화학습 대신 베이지안 최적화 같은 가벼운 탐색으로 먼저 시작해도 됩니다.

자연어 창구는 의도 분류 한 단계를 앞에 둡니다. 질문을 보정, 진단, SOP, 지식 검색 넷 중 하나로 분류해 해당 에이전트로 보내고 분류 신뢰도가 낮으면 기술자에게 어느 쪽인지 되묻습니다. 모든 질문과 답, 근거 record_id, 기술자가 답을 채택했는지를 로그로 남겨 매주 틀린 답을 모아 고칩니다. 설비 파라미터를 바꾸는 행동은 창구에서 바로 실행하지 않고 승인 단계를 거칩니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	하는 일
스폰서	공장장 또는 제조기술 임원	대상 설비 선정, 정지 시간 목표 승인
현업 리더	설비기술 파트장	범위·판정 기준 결정, 주간 점검 주재
숙련 기술자	정비 반장 포함 2명	기록 정리 기준, 정답 판정, 답변 검수
SOP 담당	생산기술 엔지니어 1명	SOP 틀 확정, 초안 검토와 서명
데이터 엔지니어	1명	MES·CMMS(설비보전관리시스템) 기록 추출과 구조화
AI 엔지니어	1~2명	검색·생성·평가 파이프라인 구축
안전·품질	담당자 1명	안전 항목 규칙, SOP 승인 절차

역할 구성은 가상 예시입니다. 시작 전에 준비할 것은 대상 설비 한 종류(고장이 잦고 기록이 많은 설비), 최근 1~2년 정비기록과 알람 로그, 기존 SOP 20~30건, 설비 매뉴얼, 그리고 지난 3개월의 고장 1건당 평균 정지 시간입니다. 마지막 숫자가 없으면 효과를 비교할 기준이 없습니다.

기간	할 일	산출물
1~2주	정비기록 추출, 필드 정리, root_cause 빈칸 비율 측정, 시험 세트 분리	구조화 기록, 시험 세트 100~200건
3~4주	지식 에이전트 구축, 기술자 2명 시범 사용	검색 시간 전후 비교
5~6주	SOP 틀 확정, 초안 생성, 안전 규칙 검사	SOP 초안 10건과 작성 시간 기록
7~8주	진단 정확도 측정, 정지 시간 비교, 확대 여부 판정	판정 보고서

일정은 가상 예시입니다. 첫 주 인터뷰에서 숙련 기술자에게 물을 질문은 이렇습니다. 지난달 가장 오래 멈춘 고장 세 건은 무엇이었고 원인을 찾는 데 몇 분이 걸렸나? 원인을 찾을 때 가장 먼저 보는 화면이나 문서는 무엇인가? 기록에 남기지 않고 머릿속에만 있는 판단 기준은 무엇인가? 같은 알람인데 원인이 다른 경우는 언제인가? SOP를 새로 쓸 때 가장 오래 걸리는 부분은 어디인가?

판정 항목	확대 기준 (가상 예시)
고장 정보 검색 시간	기준 대비 80% 이상 단축
진단 top-3 정확도	시험 세트에서 90% 이상, 3회 반복 일치율 80% 이상
SOP 작성 시간	1건당 30% 이상 단축, 안전 항목 누락 0건
고장 1건 정지 시간	기준 대비 감소 추세 확인
현장 채택률	기술자가 답을 채택한 비율 60% 이상

한국 대기업 제조 AX 조직이 이 사례를 옮길 때는 Pegatron이 한 순서를 그대로 따르기보다 데이터 준비도가 높은 기능부터 여는 편이 안전합니다. 정비기록이 쌓여 있다면 지식 에이전트가 첫 과제로 맞습니다. 투자가 가장 적고 기술자가 매일 씁니다. 여기서 정리한 기록이 진단 정확도 측정과 SOP 초안의 재료가 됩니다. 트윈 속 RL 보정은 트윈이 이미 있는 신규 라인이나 신규 모델 램프업에서 시작합니다. 효과 지표는 Pegatron처럼 고장 1건당 정지 시간, SOP 1건 작성 시간, 검색 시간처럼 건당 단위로 정해 두어야 공장장이 숫자로 판단할 수 있습니다. 절감액은 정지 시간 감소분에 라인 시간당 손실을 곱해 추정하되, Pegatron처럼 실적과 추정을 나눠 보고합니다.

원문 사례

항목	내용
회사	Pegatron(대만, 전자제품 위탁생산)
사례명	PEGAVERSE AI Equipment Readiness
출처	Gartner 2026 Eye on Innovation Awards 첨단 제조 부문 제출·소개 사례(Greater China 사례집 p.16)
문제	설비 보정 수주 소요, 고참 직관 의존 진단, 공정 변형을 못 따라가는 SOP
구성	트윈 속 RL 보정 에이전트, 도메인 LLM 에이전트(고장 가이드·SOP 초안), 정비기록 1,000건 지식 에이전트, 자연어 창구
핵심 기술(사례집)	AI 에이전트, 생성형 AI, 추론 모델, 디지털 트윈·시뮬레이션, IoT, 로보틱스
실적	고장 1건 정지 86 → 50분(42%↓), SOP 1건 40 → 20시간(50%↓), 검색 5분 → 10초(96.67% 개선), 진단 정확도 95% 이상
추정	전 세계 제조 거점 연 4,800만 대만달러 이상 절감(경영진 추정)
공개 자료(벤더 발표)	Omniverse 기반 PEGAVERSE, 가상 공장 6곳, AI Factory 플랫폼, 4년간 에이전트 개발 400% 가속, 시뮬레이션 학습 접착 도포 에이전트

핵심 개념

Equipment ramp-up

새 설비나 새 제품 투입 뒤 설비를 목표 정밀도와 속도로 돌 수 있게 맞추는 과정.

SOP

Standard Operating Procedure. 작업자가 따르는 표준 작업 절차서.

Reasoning model(추론 모델)

답하기 전에 여러 단계로 따져 보는 LLM. 여러 정비기록을 비교해 원인을 좁히는 데 쓴다.

NVIDIA Omniverse

OpenUSD 기반의 3D 시뮬레이션·디지털 트윈 개발 플랫폼. PEGAVERSE의 기반(공개 자료).

CMMS

Computerized Maintenance Management System. 설비 정비 이력과 작업 지시를 관리하는 시스템.

Sim-to-real gap

시뮬레이션에서 배운 행동이 실제 설비에서 다르게 나오는 차이.

top-k 정확도

모델이 낸 상위 k개 후보 안에 정답이 들어 있는 비율.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(Pegatron, PEGAVERSE AI Equipment Readiness, 슬라이드 16)와 확인한 공개 자료 NVIDIA 고객 사례 『Pegatron Scales Factory Operations With Visual AI and Digital Twins』(https://www.nvidia.com/en-us/case-studies/pegatron-scales-factory-operations-with-visual-ai-digital-twins/, 벤더 발표), DIGITIMES 게재 Pegatron COMPUTEX 2026 보도자료(https://www.digitimes.com/news/a20260602PR204.html), TechNews COMPUTEX 2025 보도(https://technews.tw/?p=1386782). 요약·메커니즘·사례 재구성·원문 사례 표는 이 자료의 사실을 AX Review가 다시 정리했습니다. 공개 자료에서는 사례집의 성과 수치를 따로 확인하지 못했습니다. 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽과 표는 새로 작성했으며 그 안의 숫자는 가상 예시입니다.