DX-AI Contexity

제조업 도메인을 위한
Context Engineering


05:07

YouTube

Contexity demo 20250930

Contexity: 컨텍스트 엔지니어링으로 현장을 바꾸는 도메인 AI 플랫폼 Contexity는 텍스트·이미지·오디오·IoT 데이터를 한데 모아 의미 있는 컨텍스트로 재구성하고, 이를 기반으로 검색·분석·자동화·대화형 코파일럿을 제공하는 도메인 특화 AI 플랫폼입니다. 제조/품질/설비/안전/HR 등 현업 데이터가 흩어져 있어도, Contexity는 **하이브리드 검색(지식그래프 + 벡터)**과 멀티모달 풍부화를 통해 즉시 활용 가능한 인사이트로 바꿉니다. 이 영상에서 다루는 내용 1. 왜 ‘모델’보다 ‘컨텍스트’가 중요한가 2. 컨텍스트 엔지니어링으로 데이터가 실행 가능한 지식이 되는 과정 3. 현업에 바로 쓰는 AI 코파일럿 데모(질의응답, 문서·센서 결합 검색, 리포트 생성) 4. 제조/품질/설비·안전/HR 등 도메인별 활용 시나리오와 가치 Contexity가 주는 가치 1. 흩어진 데이터를 맥락화하여 즉시 답을 얻습니다. 2. 문서와 센서, 사람의 지식이 한 화면에서 만납

Context Engineering 란 무엇일까요?

"대형 언어 모델(LLM) 등 AI가 주어진 작업을 더 정확하고 효율적으로 수행할 수 있도록, 필요한 정보만을 전략적으로 선택·압축·저장·분리해서 컨텍스트(문맥) 윈도우에 넣는 전반적인 시스템 설계 방법입니다."

AI 작업 수행을 위한 맥락 제공

AI가 작업을 잘 수행하려면 어떠한 '맥락', 즉 과거 대화 내역, 외부 지식, 사용자 정보, 툴 사용 이력 등 '상황 정보'를 어떻게 제공하고 설계해야 할지를 다루는 폭넓은 접근법

전체 프로세스 관리

대화의 전 과정, 메모리, 도구 사용, 장기적인 정보 흐름 및 상태 관리 전반 포함

정보 관리 전략

필요한 정보를 선별·요약해서 메모리에 기록하거나 다시 꺼내는 전략

(Select, Compress)

주제 분리 관리

서로 다른 주제나 문맥은 격리하여 관리

(Isolate)

실용적 설계

실제로 업무

(예: 보고서 작성, 일정 관리 등)가 가능하도록 설계

Context Engineering 사례

"AI가 사람처럼 복잡한 상황을 이해하고 실제 문제를 해결하도록 도와주기 때문에 다양한 산업과 서비스에 폭넓게 적용되고 있습니다."

고객 상담 챗봇

고객의 이전 문의내역, 상품 주문 정보, 진행 중인 요청 상황 등을 동적으로 조합하여 맞춤형 답변과 자동화된 업무(예: 택배 예약, 환불 처리 등)를 제공합니다. RAG(Retrieval-Augmented Generation)로 정책이나 이력까지 참조해 더 정확한 응답이 가능합니다.

기업 내 AI 비서·업무 에이전트

구성원의 일정, 이력, 과거 회의 내용, 우선순위 등을 분석해서 회의 자료 준비, 업무 요약, 중요한 메일 알림 등 맞춤형 지원을 수행합니다.

교육(에듀테크) AI 튜터

학생의 이전 학습 이력, 오답 유형, 이해도, 선호 주제 등을 맥락으로 반영하여 개인 맞춤 학습 콘텐츠, 문제 추천, 실시간 피드백을 제공합니다.

스마트홈/자동차/IoT

사용자의 명령뿐 아니라 실시간 센서 데이터, 과거 사용 패턴, 외부 환경 정보까지 맥락으로 고려하여 에너지 절약, 자동 운전, 스마트 컨트롤 등에 적용됩니다. 예를 들어 "춥다"는 명령에 온도, 패턴, 선호 설정을 하나로 합쳐 지능적으로 대응합니다.

헬스케어·의료 AI

환자의 진료 기록, 이전 증상, 약 복용 이력, 실시간 검사 데이터 등을 통합해 보다 정확한 상담, 건강 모니터링, 맞춤 건강관리 조언이 가능해집니다.

금융 AI 서비스

고객의 투자 성향, 자산현황, 과거 거래 내역, 위험 레벨 등 복잡한 맥락 정보를 반영하여 개인화된 재무 분석, 투자 포트폴리오 관리, 자동화된 금융 상담 등에 활용됩니다.

실시간 지원 및 코딩 어시스턴트: 개발자의 작업 맥락, 코드 이력, 프로젝트 파일 등을 실시간으로 분석해 코드 작성·리팩터링·에러 설명 등 상황 맞춤형 지원이 가능합니다

뉴스 요약, 복잡한 워크플로우 자동화, 다중 에이전트 협업 등 AI가 실제 환경과 사용자의 요구에 능동적으로 대응해야 하는 거의 모든 산업 분야에서 활용도가 증가하고 있습니다

Context Engineering 기술 요건

"AI, 특히 LLM(대규모 언어모델) 시스템이 더 정확하고 신뢰성 있게 과업을 수행할 수 있도록, 모델에게 필요한 모든 정보·구조·도구를 체계적으로 설계하고 관리·제공하는 전략적 시스템 설계 기술입니다."

정보 흐름

시스템 메시지, 사용자 입력, 이전 대화 요약, 외부 데이터, 툴 호출 결과 등 모든 관련 정보를 LLM의 컨텍스트 윈도우 안에 어떻게 배치할지 설계

동적 맥락 제공

사용자의 요청과 상황에 따라 필요한 외부 정보(RAG 등), 도구·API 결과를 실시간 반영해 더 맞춤화된 결과를 제공

지속성과 스케일

단일 질문에 대한 명확한 답뿐 아니라, 장기 대화, 세션, 멀티에이전트 시스템 등 다양한 유저 플로우에 최적화된 설계

선별/압축/저장/격리

정보의 우선순위 지정, 요약(압축), 불필요한 정보 격리, 주제별 분리 저장 등 전략을 사용해 컨텍스트 한계를 극복

응답의 구조화

AI가 생성한 결과를 구조화된 포맷(JSON, 표 등)으로 반환해 후처리와 연결성이 좋도록 설계

Context Window

"최신 LLM에서는 1백만 토큰 이상의 초대형 컨텍스트 윈도우가 상용화되고 있지만, 실제 AI 품질, 운영 효율성을 고려 해야 하며, 효율·응답 품질 저하와 높은 비용이 발생하는 점을 주의해야 합니다."

Domain Business에서 Context 란?

"Domain Business에서 컨텍스트(context)"란, AI 에이전트가 의사결정이나 추천을 할 때 단일 형태의 데이터만 사용하는 것이 아니라, 제조 현장 전반에 흩어져 있는 정형·반정형·비정형 데이터 소스를 동시·동기적으로 결합하여 상황을 종합적으로 이해할 수 있도록 만드는 정보의 집합을 의미합니다"

정형(Structured) 컨텍스트

  • 실시간 시계열 데이터: 설비별 온도·압력·속도·전력 등 센서값(PLC, IoT Prism)
  • 관계형 DB 테이블: 생산 계획·실적, 품질 검사 결과, 재고·자재 현황 (SQL)
  • 배치 보고서: 주간/월간 리포트의 요약 테이블(생산량, 불량률)

예시:

  • getProductionTrend(lineId, period) 호출 시티에 사용할 라인별 생산량 테이블
  • 품질 기준점(스펙) 조회를 위한 getQualityStats(batchId)

반정형(Semi-structured) 컨텍스트

  • 로그 & 이벤트 스트림: JSON/XML 형식의 설비 알람/이벤트, 운영자 입력 로그
  • 인터페이스 메시지: FTP/SMB 파일, MQTT 메시지 페이로드
  • 이력 리포트: 스프레드시트(CSV/XLS)나 API 호출로 내려오는 필드·속성 기반 데이터

예시:

  • 설비 알람 로그(JSON) → threshold 초과 알람 트리거
  • 운영자 코멘트("점검 완료", "교체 필요") → 후처리 스크립트 인풋

비정형(Unstructured) 컨텍스트

  • 텍스트 문서: 작업 매뉴얼, SOP(표준운영절차), 설비 사양서(PDF, DOCX)
  • 자연어 대화: 현장 문의·이메일, 음성→텍스트 전환된 운영자 발화
  • 이미지·비디오: 제품 외관 결함 사진, CCTV 라인 영상, X-레이 검사 이미지

예시:

  • "불량 A 발생 원인 분석" 요청 시 매뉴얼·과거 결함 사례 문서 조회
  • 카메라 영상에서 특정 설비 부품 식별 후 runWhatIfScenario 호출

멀티모달(Multimodal) 컨텍스트

위 세 가지를 조합하여, 서로 다른 시간·공간·매체 정보를 연계

  • 시간 동기화: 센서값 ↔ CCTV 영상 프레임 → 이상 탐지
  • 장소·상황 연계: IoT 위치 정보 ↔ 작업자 음성 녹취 ↔ 설비 매뉴얼
  • 지식 그래프 연동: 공정 흐름도(그래프) ↔ 실험·시뮬레이션 결과 ↔ 자연어 질의

예시:

"지난 주 라인 B에서 '온도 급등'과 '진동 증가'가 동시 발생한 구간 찾기"

  1. 센서 시계열 → 상관분석
  1. 해당 시점 CCTV 영상 스냅샷
  1. 매뉴얼·점검 기록 RAG(Retrieval-Augmented Generation)

멀티모달 컨텍스트

"멀티모달 이란, 앞의 세 가지(정형·반정형·비정형)를 단일 모드로 쓰는 것이 아니라, 여러 모드를 동시·동기적으로 결합하여 에이전트가 더욱 풍부한 상황 인식을 합니다."

Tabular/시계열(Structured)

PLC 센서 수치, ERP 생산량 테이블

로그·메시지(Semi-structured)

JSON 알람, CSV 점검 이력

텍스트·문서(Unstructured)

SOP 매뉴얼, 이메일·음성 전사

이미지·비디오(Unstructured)

라인 CCTV, 검사장비 X-ray

왜 필요한가?

단일 모드만으로 놓칠 수 있는 맥락(Context) 보완

교차 검증으로 이상 탐지·문제 원인 분석 정밀도 향상

에이전트가 "언제·어디서·무엇을" 종합하여 복합 의사결정

멀티모달 결합 방식

01

시간 동기화

  • 센서값 ↔ CCTV 프레임 타임스탬프 맞추기
  • 이벤트 로그 발생 시점의 현장 영상 스냅샷
02

장소·설비 연계

  • 특정 장비 ID의 온도 상승 ↔ 해당 장비 점검 매뉴얼
  • RFID 위치 정보 ↔ 작업자 음성 지시 기록
03

크로스모달 조회

"○월 ○일에 라인 A에서 이상 진동" →

  1. 진동 센서 시계열 차트,
  1. 알람 로그(JSON) 검색,
  1. 점검 보고서·매뉴얼 PDF RAG(문서 검색)
04

지식 그래프 연동

공정·설비 간 계층적 관계(KG) ↔ 시뮬레이션 결과 ↔ 자연어 질의

Multimodal Context Engineering Platform

1

데이터 수집 (Ingestion)

2

데이터 품질 향상 (Enrichment)

3

컨텍스트 패키징 (Context Packaging)

4

저장 및 인덱싱 (Storage & Indexing)

5

검색 (Retrieval)

6

프롬프트 조립 (Prompt Assembly)

7

챗봇 & 대시보드 (Chatbot & Dashboard)

데이터 통합, LLMOps 플랫폼 기반 DX-AI Contexity


Use Case: 부적합 분석 Workflow, AI Agent 구현 (수분 NG)


Use Case '부적합 분석 Workflow, AI Agent' 핵심 가치

향후 Context Engineering 방향

단순한 데이터 조회를 넘어 도메인 전반의 지식과 상황 정보를 결합한 고품질 AI 응답을 신속·안정적으로 제공 합니다.

1. 도메인 모델링 & 컨텍스트 분류

컨텍스트 유형 정의

  • 실시간 센서 데이터: 출구·입구 습도, 건조 온도, 체류 시간 등 시계열 값
  • 배치 메타데이터: LOT ID, 생산 라인, 작업자, 시작·종료 시각
  • 과거 개선 사례: 이전 NG 발생 시 개선 조치, 효과(Δwt%)
  • 도메인 규칙·임계치: 기준 습도 한계(예: 0.5%), 공정 표준 매뉴얼
  • 운영 상황: 운전자 온·오프라인 여부, 설비 유지보수 이력

Onto-KG 구축

  • 배치·장비·센서·이벤트·개선조치 엔티티를 연결한 간단한 온톨로지 생성
  • 예: (ProductionBatch)-[hasSensorReadings]->(SensorData), (QualityEvent)-[handledBy]->(Operator)

2. 컨텍스트 수집 & 전처리

There was an error generating this image

이벤트 기반 트리거

센서값이 심각한 수준(severity=high)으로 감지되면 부적합 컨텍스트 파이프라인이 자동으로 기동됩니다.

다중 커넥터

시계열 DB(IoT Prism)에서 최근 센서 레코드를, MES API에서 배치 메타데이터를, 문서 저장소에서 과거 개선 회의록(텍스트)을 수집합니다.

전처리 & 특성 추출

결측치 보간 및 이상치 필터링을 거쳐, 슬라이딩 윈도우를 이용한 통계 요약(평균·분산·추세 기울기)과 주요 변수 간 상관관계 분석 및 이상 패턴을 검출합니다.

3. 컨텍스트 저장 & 검색 인프라

벡터 DB (FAISS)

  • 과거 회의록 문단별 임베딩 저장
  • "습도", "체류 시간" 등 키워드 유사도 기반 검색

시계열 DB

  • InfluxDB 등으로 실시간 센서 요약(rolling-window) 보관

온톨로지 그래프

  • Neo4j 등에 배치·설비·이벤트 관계 인덱싱
  • "이 배치와 유사한 과거 사건" 질의 지원

4. 동적 컨텍스트 조립(Dynamic Assembly)

우선순위 큐

컨텍스트 중요도와 최신성, 연관성에 따라 우선순위를 부여하여 정렬합니다.

  • Severity: High > Medium > Low
  • Recency: 최근 1시간, 6시간, 24시간 순
  • Relevance: 상관계수 |r| > 0.7, 과거 개선 효과 Δwt% ≥ 0.1

다중 레벨 요약

컨텍스트를 여러 수준으로 요약하여 필요한 정보의 깊이를 조절합니다.

  • Level-1: 1–2문장 Summary (핵심 지표 및 이상 여부)
  • Level-2: 핵심 통계 + 차트 URL
  • Level-3: 과거 회의록 발췌 문단

토큰 예산 관리

LLM의 토큰 한계를 고려하여 최적의 컨텍스트를 동적으로 구성합니다.

  • 최우선 Context(L1) + 필요 시 L2/L3 병합
  • "L1 80토큰 + L2 150토큰" 같은 식으로 슬라이딩 윈도우

5. 프롬프트 디자인 & RAG 인젝션

시스템 프롬프트

당신은 MISO 제조 전문 AI입니다. 부적합 수분(NG) 원인 분석, 개선안 제시, 보고서 생성을 도와주세요.

사용자 프롬프트 템플릿

"LOT {lot\_id}의 출구 습도가 {exit\_humidity}%로 기준({threshold}%)을 초과했습니다. 최근 24시간 센서 추세, 과거 유사 사건, 운영 이력을 기반으로 문제 원인과 개선 권고사항을 간결히 설명해 주세요."

RAG 키워드 주입

  • 벡터 DB로 "exit\_humidity", "residence\_time" 유사 문단 3개 추출
  • Onto-KG로 동일 장비·라인의 과거 "QualityEvent" 2건 조회

컨텍스트 블록 전달 순서

  1. 배치·라인 메타데이터
  1. 센서 요약(Level-1)
  1. 과거 개선 요약(L2)
  1. 운영·온톨로지 참조(L3, 필요 시)

향후 Context Engineering 기대 효과

도메인 지식의 체계적 활용

온톨로지 기반 지식그래프(Onto-KG)를 통해 배치, 설비, 센서, 이벤트, 개선조치 등 주요 엔티티와 그 관계를 명확히 정의함으로써, 단편적인 데이터가 아닌 "의미 있는 정보"로 컨텍스트를 구성합니다.

필요한 정보만 선별하는 효율성

이벤트 트리거 시점에 실시간 센서데이터·배치메타·과거 개선사례·도메인 규칙·운영 이력 등을 멀티채널로 수집하고, 우선순위 큐·다중 레벨 요약·토큰 예산 관리를 통해 핵심 컨텍스트만 LLM에 주입하여 응답 속도와 토큰 비용을 최적화합니다.

정확도와 신뢰성 제고

상관계수, 과거 개선 효과(Δwt%), 운영 이력 등을 기준으로 유사사례를 자동 검색해 RAG로 주입함으로써, 근거가 명확한 분석·추천 결과를 생성합니다.

유연한 확장성

벡터 DB(FAISS), 시계열 DB, 온톨로지 그래프를 조합한 검색·저장 인프라를 활용하면, 새로운 센서·공정 변수를 추가하거나 공정이 바뀌어도 손쉽게 컨텍스트 모델을 확장할 수 있습니다.

운영·모니터링 지원

Dynamic Assembly 단계에서 토큰 사용량과 응답 품질을 모니터링하고, 필요 시 컨텍스트 레벨 및 RAG 키워드 전략을 조정해 지속적으로 시스템 성능을 개선할 수 있습니다.