검색을 넘어 판단과 실행까지, SAIP 온톨로지 기반 의사결정 OS

매출은 높은데 이익률은 왜 낮을까. 생산라인의 불량은 설비 때문일까, 자재 때문일까, 공정 때문일까. 현장에서 마주하는 이런 질문의 답은 대개 하나의 시스템이나 문서 안에 있지 않습니다.

매출과 비용은 업무 시스템에, 설비 이력과 품질 결과는 각각 다른 데이터베이스에, 현장의 정황은 보고서에 남아 있을 수 있습니다. 여기에 실제 판단에 필요한 업무 기준과 노하우는 규정이나 담당자의 경험에 축적돼 있기도 합니다. 정보는 이미 존재하지만, 담당자가 다시 모으고 비교하며 관계를 해석해야 비로소 하나의 판단으로 이어지는 것입니다.

S2W의 SAIP는 이 과정을 하나의 운영 체계 안에서 다루는 온톨로지 기반 의사결정 OS입니다. 정형·비정형 데이터와 업무 규칙, 전문가 지식을 하나의 지식 체계로 구성하고, 이를 바탕으로 원인과 영향 요인을 분석해 우선순위와 대응 방안, 후속 업무까지 이어지도록 설계됐습니다.

데이터를 한곳에 모으는 것만으로는 원인이 보이지 않습니다

여러 지점을 운영하는 기업에서 매출 순위는 높은데 이익률이 유독 낮은 매장이 있다고 가정해 보겠습니다. POS의 매출만 봐서는 이유를 찾기 어렵습니다. 발주와 재료비, 인건비, 고객 리뷰까지 함께 살펴봐야 실제 원인 후보를 좁힐 수 있습니다.

유통 현장에 SAIP를 도입한다면 POS, 발주, HR, 고객 리뷰에 나뉜 데이터를 수집한 뒤 온톨로지에 적재하고 지식그래프로 연결할 수 있습니다. 이를 통해 매출과 비용만 비교하는 데서 그치지 않고, 커스텀 주문 오류와 고객 리뷰, 재료 낭비 등 서로 다른 정보를 함께 분석합니다. 시나리오에서는 이 과정을 통해 이익률 저하와 관련된 요인을 좁힌 뒤 해당 지점의 운영 점검으로 후속 업무를 이어갑니다.

제조 현장에서는 같은 방식이 조금 더 복잡한 데이터 환경에 적용됩니다. 생산 실적은 MES, 품질 검사는 QMS, 설비 이력은 CMMS, 작업자가 발견한 이상 징후는 현장보고서에 따로 남습니다. SAIP는 제조 현장에서 이 데이터를 온톨로지와 지식그래프로 엮어 정비 주기와 설비 상태, 품질 검사 결과, 현장 이상 징후를 함께 살펴볼 수 있게 합니다. 이를 토대로 불량 증가와 관련된 요인을 좁히고, 설비 점검 요청과 재측정 일정 등록까지 하나의 워크플로우로 연결합니다.

두 시나리오에서 중요한 것은 데이터를 한 화면에 모았다는 사실이 아닙니다. 서로 다른 시스템에 있던 정보가 업무에서 어떤 의미를 갖고 어떻게 관련되는지를 함께 다룰 수 있게 됐다는 점입니다. 그래야 AI도 단순 조회를 넘어 “무슨 일이 발생했는가”와 함께 “어떤 요인이 이 결과와 관련돼 있는가”, “다음에 무엇을 확인해야 하는가”까지 다룰 수 있습니다.

이 유통·제조 사례는 실제 고객 성과가 아니라 SAIP가 현장에서 어떻게 작동할 수 있는지를 보여주기 위한 적용 시나리오입니다.

SAIP는 어떻게 데이터를 실제 의사결정에 쓸 수 있게 만들까?

SAIP의 Decision Intelligence Pipeline은 데이터가 아니라 업무 질문에서 시작합니다. 먼저 해결해야 할 과제와 KPI, 평가 기준, 우선순위를 정합니다. 같은 매출 데이터를 사용하더라도 매출 하락의 원인을 찾는 것과 재고 운영 순서를 정하는 것은 필요한 정보와 분석 기준이 다르기 때문입니다.

목적이 정해지면 여러 시스템의 정형 데이터와 보고서, 규정 같은 비정형 자료를 수집·정제하고, 필요한 개념과 데이터 간 관계를 찾아냅니다. 이후 이 정보를 온톨로지로 구조화합니다. SAIP에서 온톨로지는 ‘설비’, ‘공정’, ‘제품’, ‘불량’, ‘정비’처럼 조직이 실제로 사용하는 개념이 무엇을 뜻하고 서로 어떻게 관련되는지를 정의하는 역할을 합니다. 개인의 경험이나 문서에 흩어져 있던 업무 기준과 전문가 노하우도 여기에 반영해 재사용 가능한 조직 지식으로 만들 수 있습니다.

온톨로지를 사용하는 이유도 여기에 있습니다. W3C의 OWL 2는 사물과 개념, 그 사이의 관계에 관한 지식을 컴퓨터가 처리할 수 있는 형태로 표현하기 위한 온톨로지 언어입니다. 이렇게 표현된 지식은 프로그램이 지식의 일관성을 확인하거나 명시적으로 적혀 있지 않은 관계를 추론하는 데 활용될 수 있습니다.

하지만 SAIP는 온톨로지를 만드는 데서 멈추지 않습니다. 지식 오케스트레이션 (Knowledge Orchestration) 단계에서는 이렇게 구성된 지식에 업무 맥락과 전문가의 판단 기준, 비즈니스 규칙을 함께 적용해 조건별 시나리오와 영향을 분석합니다. 예를 들어 특정 설비 이상이 발생했을 때 관련 품질 지표와 정비 이력을 함께 확인하거나, 일정 기준을 넘으면 어떤 조치를 우선해야 하는지 판단할 수 있도록 만드는 것입니다.

명확한 업무 규칙이 필요한 영역에서는 결정적 의사결정 엔진(Deterministic Decision Engine)도 함께 작동합니다. 온톨로지와 비즈니스 로직, 코드 기반 워크플로우를 결합해 동일한 조건에서는 일관된 결과를 내도록 하고, 로직 기반 검증으로 LLM에만 의존했을 때 발생할 수 있는 불확실성을 보완합니다. 분석 결과는 다시 우선순위와 권고 대응 방안, 실행 과제로 정리돼 AI Agent나 기존 업무 프로세스와 이어질 수 있습니다.

RAG와의 차이도 이 지점에서 보다 분명해집니다. RAG는 외부 지식을 검색해 생성 모델의 답변에 활용함으로써 모델이 가진 지식만으로 답하는 한계를 보완하는 접근입니다. SAIP 역시 검색과 생성 기술을 활용할 수 있지만, 그 위에 조직 고유의 개념과 관계, 전문가 지식, 업무 규칙을 구성하고 이를 실제 판단과 워크플로우에 적용하는 데 초점을 둡니다. RAG를 대체한다기보다, 검색한 정보를 “우리 조직에서는 어떤 의미로 받아들이고 무엇을 해야 하는가”까지 이어가는 운영 체계를 더하는 셈입니다.

의사결정을 돕는 온톨로지 기반 운영 체계

SAIP에서 온톨로지는 목적이 아니라 문제를 해결하기 위한 기반 기술입니다. 궁극적으로 필요한 것은 조직 안에 이미 존재하는 데이터와 사람의 노하우를 AI가 실제 업무에 활용할 수 있는 지식으로 만들고, 그 결과가 다시 다음 행동으로 이어지는 환경입니다.

SAIP가 이를 ‘의사결정 OS’라고 정의하는 이유도 여기에 있습니다. 필요한 정보를 찾는 데서 끝나지 않고, 여러 근거를 함께 살펴 원인과 영향을 파악하고, 조직의 기준에 따라 대응 방향을 정해 실제 업무까지 이어가는 흐름을 하나의 체계 안에서 지원합니다.

우리 조직의 데이터가 AI가 찾아볼 수 있는 상태에 머물러 있는지, 아니면 실제 업무의 판단과 실행에 활용할 수 있는 지식으로 준비돼 있는지 살펴볼 필요가 있습니다. SAIP가 온톨로지를 기반으로 데이터와 전문가 지식을 어떻게 의사결정 환경으로 전환하는지 확인해 보세요.