기업 데이터 사일로 해체

일반적인 제조 환경에서는 데이터 환경이 파편화되어 있습니다. 제품 구조는 PLM(제품 수명주기 관리) 시스템에 저장됩니다. Siemens 팀센터). 주문 및 재고는 ERP(SAP 등)에 저장됩니다. 고객 상호 작용은 CRM(Salesforce 등)에 저장됩니다. 그리고 그 외에도 여러 가지가 있습니다. Mendix 생산 현장의 부족한 부분을 채우고 프로세스를 디지털화하기 위해 개발된 앱입니다.

각 시스템은 자신의 역할을 훌륭하게 수행합니다. 하지만 공장 관리자나 품질 엔지니어가 "…"와 같이 여러 영역에 걸친 질문을 할 때,품질 불량은 특정 근무조와 연관이 있습니까? 있다면 어떤 기계가 원인입니까? IT 팀은 여전히 ​​SQL 내보내기, 스프레드시트 및 일회성 통합을 하나로 합치느라 분주합니다.
이것이 바로 문제 영역입니다. MendixAltair Graph Studio와 Model Context Protocol(MCP) 기반의 GenAI 에이전트가 결합하여 새롭고 강력한 아키텍처를 구축합니다.

이 세 가지 기술이 어떻게 융합되어 정적인 보고에서 에이전트형 AI로 전환하는지 보여주기 위해, 저희는 Evora라는 이름의 종합적인 제조 운영 애플리케이션을 개발했습니다.

새로운 기술 스택: 로우 코드, 지식 그래프, 그리고 MCP

사용 사례를 살펴보기 전에, 이 아키텍처를 가능하게 하는 세 가지 핵심 요소를 정의해 보겠습니다.

1. Altair Graph Studio: 의미론적 구조

기존 제조 데이터베이스에서는 테이블과 조인을 중심으로 생각합니다. 하지만 Altair Graph Studio에서는 엔티티와 관계를 중심으로 생각합니다. 402번째 행이 881번째 행과 일치하는 대신, 그래프는 비즈니스 컨텍스트를 이해합니다.

• Assembly→ 로 구성되어있다 → Components
• Machine→ 에 의해 운영되고 있습니다 →Operator
• Defect→ 동안 발생 →Shift

Graph Studio는 Teamcenter, SAP 등에서 데이터를 수집하여 기업의 지도를 만들어 줍니다. Mendix또한 온톨로지(비즈니스 개념들이 서로 어떻게 관련되는지에 대한 형식적인 설명)를 추가하여 이를 더욱 풍부하게 만듭니다.

2. Mendix오케스트레이션 레이어

Mendix 이 아키텍처에서 '정문'이자 제어 평면은 여전히 ​​​​존재합니다. Mendix 단순히 사용자 인터페이스(UI)만 있는 것이 아니라, 에이전트가 실제 작업과 함께 작동하는 환경입니다. 품질 엔지니어가 인사이트를 검토하고, 무엇보다 중요한 것은 문제를 해결하기 위한 워크플로우를 실행하는 포털을 호스팅하는 곳입니다(예: 유지보수 티켓 생성 또는 배치에 플래그 지정).

3. MCP: 에이전트를 위한 표준 언어

이것이 바로 판도를 바꾸는 핵심입니다. 모델 컨텍스트 프로토콜(MCP)은 대규모 언어 모델(LLM)에 일관된 방식으로 데이터와 도구를 노출할 수 있도록 하는 개방형 표준입니다. 챗봇과 데이터베이스 간의 통합을 하드 코딩하는 대신, MCP 서버를 구축합니다. 이 서버는 AI에게 다음과 같은 정보를 제공하는 카탈로그 역할을 합니다.제가 가진 도구는 다음과 같습니다 (예:execute_sparql_query,get_quality_metrics), 그리고 사용 방법은 다음과 같습니다.

“에보라” 시나리오: 공장 현장에서의 근본 원인 분석

실제로 어떻게 작동하는지 살펴보겠습니다. 데모 앱인 에보라(Evora)에서는 조립 기록, 섀시 데이터, 작업자 로그를 포함하여 여러 공장의 제조 데이터를 추적합니다.

문제

품질 엔지니어가 지표 하락을 발견했지만 원인을 알지 못합니다. 기존 방식으로는 근본 원인을 파악하려면 세 가지 다른 시스템에 쿼리를 보내거나 데이터 분석가에게 교대 근무별, 기계별, 작업자별로 데이터를 분류해 달라고 요청해야 했습니다.

에이전트 기반 앱 솔루션

내부에 직접 내장됨 Mendix 이 애플리케이션은 AI 에이전트입니다. Altair Knowledge Graph를 MCP 서버를 통해 노출했기 때문에 엔지니어는 간단히 다음과 같이 질문할 수 있습니다.
"품질 불량은 특정 근무조와 상관관계가 있습니까? 어느 근무조의 불량률이 가장 높습니까?"

내부에서는 무슨 일이 벌어질까요?

바로 이 부분에서 "에이전트" 기능이 빛을 발합니다. LLM(예: Claude Sonnet 또는 OpenAI GPT)은 사용자의 의도를 분석합니다. 해당 답변을 기억하고 있지 않다는 것을 인지하지만, MCP 툴킷에 있는 도구를 활용하여 그래프를 조회할 수 있음을 알아챕니다.

1. 추론: 에이전트는 지식 그래프에 대한 쿼리를 구성하여 교대 근무별로 그룹화된 결함 수를 가져옵니다.
2. 실행 과정: MCP 서버는 Altair Graph Studio에 대해 쿼리를 실행합니다.
3. 핵심 요점: 그래프는 원시 데이터를 반환하고, 에이전트는 이를 종합하여 명확한 답변을 제공합니다.

그러면 엔지니어는 다음과 같은 조치를 취할 수 있습니다. "야간 근무에 대해 자세히 살펴보세요. 특정 장비인가요?" 에이전트는 단순히 필요한 그래프 도구를 다시 호출하여 답변을 구체화합니다.

한 번 작성하고 어디서든 실행하세요: MCP의 강력한 기능

이것이 일반적인 API 통합보다 나은 이유는 무엇일까요? 바로 이식성 때문입니다.
로직이 MCP 서버로 래핑되어 있기 때문에, 사용되는 기능과 정확히 동일한 기능을 사용할 수 있습니다. Mendix 이 앱은 코드 한 줄도 수정하지 않고 다른 AI 클라이언트에 통합할 수 있습니다.

• In Mendix생산 현장 작업자들은 에이전트를 사용하여 실시간으로 문제를 해결합니다.
• Altair Agent Studio에서 데이터 과학자들은 동일한 그래프 연결을 사용하여 새로운 분석 흐름을 프로토타입화합니다.
• ChatGPT/Claude Desktop에서 엔터프라이즈 아키텍트는 "Evora Graph MCP"에 연결하여 데이터 모델에 대한 고수준 아키텍처 질문을 할 수 있습니다.

챗봇을 만드는 것이 아니라, 재사용 가능한 AI 기반 통합 플랫폼을 구축하는 것입니다.

이것이 제조업 IT에 중요한 이유는 무엇일까요?

럭셔리 Siemens 이 아키텍처는 고객과 산업 기업 모두에게 세 가지 핵심 과제를 해결합니다.

1. 혼돈을 넘어 맥락을 파악합니다. 단순한 문서 검색을 넘어, AI는 지식 그래프를 활용하여 BOM(자재명세서)과 프로세스의 구조를 이해하고, 오류를 줄이고 정확도를 높입니다.
2. 거버넌스: AI가 MCP 서버를 통해 데이터에 접근하기 때문에 IT 부서에서 AI가 보고 수행할 수 있는 작업을 정확하게 제어할 수 있습니다. 데이터베이스를 공용 LLM에 공개하는 것이 아니라, 에이전트에 특정 용도로 사용 가능한 관리 도구를 제공하는 것입니다.
3. 민첩: Mendix 이러한 AI 인사이트를 실제 작업(예: 생산 라인 일시 중지 또는 작업자 재교육 일정 수립)으로 전환하는 사용자 인터페이스 및 워크플로를 구축하는 데 필요한 속도를 제공합니다.

앞으로의 경로

Evora 데모는 산업용 소프트웨어의 미래는 단순히 데이터를 수집하는 것이 아니라, 데이터를 종합하는 데 있다는 것을 보여줍니다. Mendix 사용자 경험을 위해서는 Altair, 의미론적 맥락을 위해서는 Altair, 그리고 연결성을 위해서는 MCP를 통해 우리는 에이전트 기반 애플리케이션 시대로 진입하고 있습니다. 이러한 앱들은 단순히 데이터를 표시하는 데 그치지 않고 사용자가 데이터를 이해하고 그에 따라 행동할 수 있도록 도와줍니다.