← 과정 목록으로

찾아가는교육모집중오프라인

AX 키트 - 생산·품질관리

현장 데이터를 경쟁력으로 만드는 생성형 AI 기반 데이터 활용·업무 개선 실무

생성형 AI를 생산 현장에 이식하여 흩어진 공정·품질 데이터를 원인 분석과 개선 대책으로 직접 연결하는 '현장 데이터 분석가'를 구축합니다

#생산관리#품질관리#데이터분석#현장개선

모집 기간

상시 모집

교육 일시

상시 편성

방식

오프라인

교육 도입 문의

PRODUCTION & QUALITY AX KIT 쌓여 있는 현장 데이터에서 실행 가능한 개선 근거를 찾습니다 공정·검사·이력 데이터를 정리하는 데서 멈추지 않습니다. 이상값과 조건별 차이를 분석하고, 결과를 검산한 뒤, 데이터 근거가 있는 원인 가설과 현장 개선과제로 발전시킵니다. 현장 데이터 활용 공정·품질 분석 이상값 후보 탐지 조건별 비교 분석 결과 검산 원인 가설 개선 대책 품질 보고서 현장 적용 과제 Human-in-the-Loop 8시간 실무 완성 현장에 쌓여만 있던 데이터를, 원인을 찾고 개선을 실행하는 근거로 바꿉니다 공정·검사 데이터의 이상과 차이를 비교하고, 데이터 근거가 있는 원인 가설과 현장 개선과제까지 8시간 안에 완성합니다. WHERE IT BREAKS 데이터가 없는 것이 아니라, 활용 흐름이 끊겨 있습니다 공정과 검사 데이터가 존재하는 것만으로는 품질이 개선되지 않습니다. 조건별 차이를 비교하고, 이상값을 검증하며, 원인 가설과 조치로 연결할 수 있어야 현장에서 활용되는 데이터가 됩니다. 현재 업무 흐름과 단절 지점 01 · 02 데이터 발생 · 파일별 저장 데이터 분산 형식 불일치 03 · 04 수작업 취합 · 형식 정리 반복 정리 누락·입력 오류 05 · 06 보고서 작성 · 이상 발견 조건별 비교의 어려움 재현성 부족 07 · 08 · 09 경험에 의한 원인 추정 · 조치 · 이력 분산 담당자 의존 근거 부족 이력 단절 보고와 개선의 분리 공정·검사 데이터 → 파일별 저장 → 수작업 취합 → 단순 보고 → 경험에 의한 추정 → 개선으로 연결되지 못함 현장의 말 “데이터는 매달 쌓이는데, 분석 전에 형식 맞추는 일부터 다시 합니다.” 설비·검사 시스템별로 파일 형식과 항목명이 달라, 조건별로 비교하기 전에 수작업 정리가 반복됩니다. 현장의 말 “이상한 값이 보여도, 공정 이상인지 입력 오류인지 판단이 어렵습니다.” 확인 기준과 검산 절차가 없으면, 같은 데이터를 보고도 분석 담당자와 현장 담당자의 해석이 달라집니다. 현장의 말 “보고서는 나가는데, 원인과 조치가 명확하게 연결되지 않습니다.” 분석 결과가 개선과제로 이어지지 않고 보고 단계에서 끝나면, 같은 품질 문제가 다시 반복됩니다. 필요한 것은 AI가 대신 내린 결론이 아니라, 현장 담당자가 더 빠르고 체계적으로 원인을 검토할 수 있도록 돕는 분석 구조입니다. HOW IT WORKS 정리·비교·검증·추론·개선을 하나의 흐름으로 1 현장 문제 진단 반복되는 데이터 정리 업무 확인 보고·이력관리 병목 구간 확인 데이터를 활용하지 못하는 지점 분류 개선 업무 우선순위 결정 2 데이터 정리 공정·검사·이력 데이터 구조 확인 열과 항목의 의미 정리 누락값·중복값 확인 분석 조건과 기준 정의 3 이상과 차이 탐색 이상값 후보 탐지 기간·제품·공정·설비별 비교 차이가 발생한 구간 확인 비교 결과 시각화 4 분석 결과 검산 원본 데이터와 결과 비교 동일 조건으로 재계산 필터·집계 기준 확인 실제 현상인지 입력 오류인지 검토 5 원인 가설 도출 원인 후보 분해 확인된 사실과 추정 구분 근거가 있는 원인 후보 정리 현장 검증 필요 항목 표시 6 개선과제 도출 원인 가설별 개선 대책 정리 실행 가능성·현장 영향 검토 품질 보고서 초안 작성 현장 적용 개선과제 1건 선정 원시 데이터가 개선과제로 발전하는 과정 원본 데이터 → 정리된 분석 데이터 → 이상·차이 확인 → 원인 가설 → 현장 개선과제 DATA PRACTICE 현장 데이터를 비교 가능한 형태로 바꿉니다 교육용 항목 예시 · 실제 기업 데이터 아님 다루는 데이터 유형 공정 데이터 검사 데이터 품질 이력 제품 · LOT 정보 작업 시간 설비 조건 작업 조건 불량 유형 측정값 조치 이력 실습 흐름 01 데이터 구조 확인 02 분석에 필요한 항목 선정 03 누락·중복·형식 오류 확인 04 이상값 후보 탐지 05 조건별 그룹 비교 06 결과 시각화 07 원본과 비교 검산 검사 데이터 정리 화면 예시 교육용 예시 LOT 공정 측정값 상태 LOT-A 공정 1 기준 범위 내 정상 LOT-B 공정 2 기준 범위 내 정상 LOT-C 공정 2 범위 밖 이상값 후보 LOT-D 공정 3 값 누락 확인 필요 LOT-E 공정 3 단위 표기 상이 형식 정리 표시된 상태는 검토 대상을 구분하기 위한 라벨입니다. 실제 판정은 원본 데이터와 측정 조건을 확인한 뒤 담당자가 결정합니다. OUTLIER REVIEW 이상한 숫자를 찾는 것과, 이상 원인을 확인하는 것은 다릅니다 AI가 이상값 후보 표시 → 원본 데이터 확인 → 입력 오류 여부 확인 → 측정 조건 확인 → 동일 조건 데이터와 비교 → 현장 이력 확인 → 사람이 이상 여부 판단 공정 · 조건 관련 실제 공정 변화 가능성 검사 또는 측정 조건 변화 특정 조건에서만 발생한 값 데이터 관련 데이터 입력 오류 누락값 처리 문제 정상 범위 안의 일시적 변동 추가 확인 대상 원인을 아직 설명하기 어려운 이상 후보 현장 이력 확인이 필요한 구간 재측정 또는 재확인이 필요한 항목 AI가 표시한 이상값은 조사해야 할 후보입니다. 실제 공정 이상 여부는 원본 데이터와 현장 조건을 함께 확인해 판단합니다. SEGMENTED VIEW 전체 평균에 가려진 차이를 조건별로 확인합니다 교육용 분석 화면 예시 비교 조건 선택 기간별 제품별 LOT별 공정별 설비별 작업조별 검사 항목별 불량 유형별 작업 조건별 공정별 검사 결과 비교 상대 비교 · 단위 없음 공정 1 공정 2 공정 3 공정 4 공정 5 특정 공정 구간에서 다른 조건과 차이가 나타남 · 원인 확인 대상 기간에 따른 변화 추이 구조 예시 기간 시작 차이 발생 구간 기간 종료 차이가 나타난 구간을 먼저 확인하고, 같은 기간의 설비·작업 조건 데이터와 함께 검토합니다. 조건 필터 적용 → 조건별 결과 비교 → 차이 구간 확인 → 추가 검증 항목 도출 위 그래프는 조건별 비교 구조를 설명하기 위한 교육용 예시이며, 실제 품질 수준이나 성과를 나타내지 않습니다. HYPOTHESIS AI가 원인을 확정하는 것이 아니라, 검증할 가설을 체계화합니다 관찰된 현상 → 데이터에서 확인된 차이 → 가능한 원인 후보 → 후보별 데이터 근거 → 반대 근거 · 불확실성 → 추가 확인 항목 → 현장 검증 · 가설 유지·수정·기각 원인 후보 분류 특정 품질관리 방법론의 공식 양식이 아니라, 원인 후보를 빠짐없이 나누기 위한 일반적인 분류 구조입니다. 재료 설비 공정 조건 작업 방법 측정 및 검사 환경 데이터 입력 또는 관리 사실 · 가설 · 조치의 구분 사실 데이터에서 직접 확인된 내용 · 집계 기준과 함께 기재 가설 사실을 바탕으로 추론한 원인 후보 · 근거와 불확실성을 함께 표시 조치 사람이 검토하고 결정할 개선 행동 · 담당자와 승인 절차 명시 상관관계가 나타났다고 해서 원인이 증명된 것은 아닙니다. 데이터 분석은 원인 후보를 좁히고 현장 검증의 우선순위를 정하는 데 활용합니다. TO ACTION 분석 결과를 보고서에 남기지 않고, 실행할 과제로 연결합니다 원인 가설 → 확인된 데이터 근거 → 추가 검증 필요사항 → 가능한 개선 대책 → 실행 가능성 검토 → 현장 영향 확인 → 담당자 · 일정 설정 → 개선과제 1건 선정 개선 대책 검토 기준 현장에서 실행 가능한가 안전과 품질 기준에 맞는가 추가 데이터가 필요한가 다른 공정에 영향을 주는가 담당 부서와 역할이 명확한가 결과를 확인할 기준이 있는가 적용 전 승인이나 검토가 필요한가 현장 개선과제 시트 항목 구성 예시 대상 현상 관찰된 품질 이슈 데이터 근거 조건·기간·집계 기준 선택한 원인 가설 후보 중 검증 우선순위 개선 대책 실행 내용과 범위 추가 확인사항 현장 검증 항목 담당자 · 일정 부서 · 기한 확인 기준 적용 후 확인 방법 적용 전 필수 절차 설비·공정 변경은 현장 전문가와 책임자의 검토 및 승인 후 진행합니다. REPORT 데이터와 판단이 연결되는 품질 보고서를 만듭니다 품질 보고서 구조 항목 구성 예시 01 문제 또는 현상 02 분석 대상과 데이터 범위 03 데이터 정리 기준 04 확인된 이상과 조건별 차이 05 분석 결과와 시각화 06 원인 후보 07 후보별 데이터 근거 08 불확실성과 추가 확인사항 09 개선 대책 10 현장 적용 개선과제 11 담당자 검토 및 승인 항목 보고서 안에서 구분되는 세 가지 데이터에서 확인된 사실 집계 기준과 데이터 범위를 함께 기재 해석과 가설 확정이 아닌 검증 대상으로 표기 사람이 결정할 조치 담당자 검토와 승인 후 실행 HUMAN-IN-THE-LOOP AI가 분석을 지원하고, 현장은 검증하고 결정합니다 AI는 현장을 대신 판단하는 도구가 아니라, 현장 담당자가 더 빠르고 체계적으로 검토할 수 있도록 돕는 분석 도구입니다. AI가 지원하는 영역 데이터 구조 파악 반복적인 데이터 정리 누락·중복·이상값 후보 확인 조건별 비교 시각화 초안 작성 원인 후보 분류 데이터 근거 정리 개선 대책 후보 작성 품질 보고서 초안 구성 사람이 담당하는 영역 데이터가 수집된 현장 조건 확인 데이터의 정확성과 완전성 검증 이상값이 실제 이상인지 판단 공정·설비·작업 환경의 맥락 반영 상관관계와 인과관계 구분 원인 가설의 현장 검증 개선 대책의 안전성·실행 가능성 검토 설비·공정 변경 승인 최종 품질 판단과 업무 책임 BEFORE & AFTER 데이터 정리와 보고에서, 원인 검토와 개선 실행으로 BEFORE 기존 업무 방식 여러 파일을 반복해서 수작업으로 정리 전체 평균이나 단순 집계 중심의 보고 이상이 발생한 뒤 과거 이력을 다시 검색 담당자의 경험을 중심으로 원인 추정 데이터에서 확인된 사실과 추정이 혼재 분석 결과가 재현되는지 확인하기 어려움 보고서 작성 후 실제 개선으로 이어지지 않음 8시간 실습 AFTER 교육에서 구축하는 업무 방식 공정·검사·이력 데이터의 구조와 기준 정리 누락·중복·이상값 후보 확인 기간·제품·공정·설비 등 조건별 비교 원본 데이터와 계산 기준을 통한 결과 검산 확인된 사실과 원인 가설을 구분 가설별 데이터 근거와 추가 확인사항 정리 실행 가능한 개선 대책 작성 품질 보고서와 현장 개선과제 연결 이 과정은 품질 성과를 보장하는 교육이 아닙니다. 데이터를 개선 활동에 활용할 수 있는 분석 흐름과 결과물을 현장 실무자가 직접 만드는 것을 목표로 합니다. CURRICULUM 현장 진단부터 품질 보고서, 개선과제까지 이어지는 5단계 총 5과목 · 8시간 이해 · 현장 데이터와 AI 활용 범위 파악 → 진단 · 반복 업무와 활용 단절 지점 발견 → 분석 · 이상값·조건별 차이·원인 가설 → 적용 · 품질 보고서와 현장 개선과제 STEP 01 현장 데이터 AI 활용 이해 현장 데이터의 흐름과 AI가 분석할 수 있는 범위를 구분합니다. 1H 단원 · 생산·품질관리 업무 AI 적용 영역 파악 현장 데이터의 종류와 흐름 이해 생산·품질관리 업무의 AI 활용 지점 파악 AI가 분석할 수 있는 영역과 한계 구분 AI 결과의 신뢰성 검증이 중요한 이유 이해 STEP 02 생산·품질관리 Pain Point 진단 데이터가 있어도 활용되지 못하는 지점을 찾아 우선순위를 정합니다. 2H 단원 · 생산·품질관리 업무 문제 정의 데이터 정리·보고·이력관리에서 반복되는 업무 찾기 데이터가 있는데도 활용하지 못하는 지점 분류 생산·품질관리 업무 중 개선 과제 우선순위 정하기 STEP 03 데이터 정리·분석 이상값 후보를 찾고 조건별로 비교한 뒤 결과를 검산합니다. 2H 단원 · 공정·품질 데이터 분석 실습 공정·검사·이력 데이터의 이상값 자동 탐지 실습 조건별 데이터 비교·시각화 실습 분석 결과를 검산하여 재현 가능한지 확인 여기에서 말하는 자동 탐지는 AI가 이상을 확정하는 것이 아니라, 검토할 이상값 후보를 찾는 과정입니다. STEP 04 원인 가설·개선안 원인 후보를 분해하고 데이터 근거를 연결해 개선 대책을 정리합니다. 2H 단원 · 데이터 기반 원인 추론 불량·이슈의 원인 후보를 항목별로 분해 데이터 근거를 인용해 원인 가설 도출 원인을 바탕으로 실행 가능한 개선 대책 정리 STEP 05 보고서·현장 적용 품질 보고서 초안을 완성하고 현장 개선과제 1건을 선정합니다. 1H 단원 · 품질 보고서 초안·개선과제 선정 해석·원인·조치로 이어지는 품질 보고서 초안 작성 현장에 바로 적용할 개선과제 1건 선정 결과물 발표 및 현업 적용 방안 공유 시간 편성 1H + 2H + 2H + 2H + 1H = 8H OUTCOME 교육이 끝날 때, 데이터에서 출발한 현장 개선과제가 남습니다 업무 진단 → 데이터 정리 → 이상과 차이 탐색 → 결과 검산 → 원인 가설 → 개선 대책 → 품질 보고서 → 현장 개선과제 진단 산출물 생산·품질관리 업무 흐름 진단 반복 데이터 정리·보고 업무 목록 데이터 활용이 끊기는 지점 개선 과제 우선순위 분석 산출물 공정·검사·이력 데이터 정리본 누락·중복·이상값 후보 확인 결과 조건별 데이터 비교표 분석 결과 시각화 분석 결과 검산 내역 원인 · 개선 산출물 불량 및 품질 이슈의 원인 후보 데이터 근거가 연결된 원인 가설 추가 현장 검증 항목 실행 가능한 개선 대책 품질 보고서 초안 현장 적용 개선과제 1건 · 현업 적용 방안 FOR FIELD TEAMS 이런 현장 실무자에게 적합합니다 데이터 정리에 시간이 많이 드는 담당자 공정·검사 데이터를 반복적으로 정리하는 생산관리 담당자 조건별 공정 데이터를 비교해야 하는 공정관리 담당자 원인 분석을 지원하는 담당자 불량과 품질 이슈의 원인 분석을 지원하는 품질관리 담당자 설비 이력과 측정값을 함께 검토하는 설비관리 담당자 검증 기준이 필요한 담당자 AI 분석 결과를 검증하는 기준이 필요한 실무자 품질 보고서를 작성하지만 원인과 조치를 연결하기 어려운 담당자 개선 체계를 만들려는 담당자 데이터는 있지만 실제 개선에 활용하지 못하는 실무자 경험과 데이터가 함께 반영된 원인 분석 체계를 만들고 싶은 담당자 자신의 실제 업무를 기반으로 현장 개선과제를 도출하고 싶은 재직자 현장 데이터의 가치는 저장이 아니라 개선에 활용될 때 만들어집니다 생성형 AI가 현장의 원인을 대신 결정하는 것은 아닙니다. 공정과 검사 데이터를 빠르게 정리하고, 조건별 차이와 이상값 후보를 확인하며, 검증할 원인 가설을 체계화하는 것이 이 과정의 핵심입니다. 8시간의 실습을 통해 데이터 분석 결과를 품질 보고서와 현장 개선과제로 연결합니다. AI는 데이터를 정리하고 비교하며, 사람은 현장을 이해하고 검증하고 결정합니다.