Industrial Telemetry → Manufacturing AI Data Systems현장 텔레메트리에서 AI 데이터 변환까지

비동기·파편화된 산업 현장 데이터를 운영 가능한 시계열 데이터와 AI 학습 데이터로 정규화합니다.1년 5개월간 700+ 차량 규모의 산업 차량 Fleet 텔레메트리 파이프라인을 운영하며 CAN ISO-TP 재조립, 4팩 BMS 비동기 정렬, InfluxDB 기반 landing/replay 구조를 다뤘습니다.별도로 LLM 제품 untamedai.me를 1인 풀스택으로 기획·개발·배포·운영하며 세션·메모리·안전·비용·결제까지 제품 운영 루프를 직접 책임졌습니다.

Proof
  • Industrial Fleet · 700+ 차량 운영
  • CAN ISO-TP / InfluxDB
  • untamedai.me LLM 제품 1인 개발
  • LLM 제품 결제 flow 검증
§2 Bottleneck

제조 AI의 병목은 모델 이전의 데이터 파이프라인입니다

많은 제조 AI 프로젝트에서 모델보다 오래 걸리는 부분은 현장 데이터를 안정적으로 수집·정렬·정규화·재처리하는 파이프라인입니다.현장 데이터는 비동기·파편·벤더별 스키마로 들어옵니다. 이를 운영 대시보드와 학습 데이터 양쪽에서 재사용 가능한 형태로 바꾸는 일이 제 핵심 경험입니다.

  • 멀티-소스 비동기 정렬

    휴머노이드의 관절 데이터, 반도체 팹 챔버, 제철 라인의 설비들은 각기 다른 주기로 데이터를 전송합니다. 이기종 비동기 신호를 정확한 시계열로 정렬하지 못하면 유효한 AI 학습 데이터로 활용할 수 없습니다.

  • 단편화된 산업 프로토콜

    CAN ISO-TP, ROS2 chunked publish, OPC-UA / MTConnect 스트림처럼 산업 환경의 주요 인터페이스 다수는 분할·비동기 형태로 도착합니다. 프로토콜별 특성을 구분하고, 손실·지연 가능성을 명시하며 타임 윈도우 기반으로 재조립해야 합니다.

  • 이기종 디바이스 Fleet

    다양한 제조사의 로봇 및 PLC가 혼재된 생산 라인에서는, 코드 재배포 없이도 신규 디바이스를 수용할 수 있는 스키마 레지스트리(Schema Registry) 기반 구조가 운영 안정성의 핵심입니다.

  • 단일 파이프라인 통합

    실시간 모니터링(운영)과 모델 학습을 위한 데이터 인프라가 분리되어 있으면 데이터 분포 불일치(Distribution Mismatch)라는 심각한 기술 부채가 발생합니다. 단일 파이프라인으로 두 시스템에 일관된 데이터를 통합 공급해야 합니다.
§3 Primitives

산업 텔레메트리에서 검증한 3가지 재사용 패턴

각 패턴은 실제 경험, 구현 포인트, 전이 대상이 분리되어야 신뢰도가 생깁니다.

  • P1

    Fragmented Stream Reassembly — 단편 재조립

    도식 — 분산 도착 fragment → mask bitmap → 재조립 신호.
    Fragment-to-reassembly: sparse arrival fragments, mask bitmap, and reassembled signal.
    검증된 환경
    실제 경험: 산업 차량 CAN ISO-TP multi-frame. 구현 포인트: First Frame(0x10), Consecutive Frame SN 4-bit wraparound, Flow Control 상태 분리, PID/jitter 기반 timeout window, mask-bitmap partial fill, memory bound 관리. 전이 대상: ROS2 chunked stream, OPC-UA stream, robot log replay.
  • P2

    Multi-Source Temporal Alignment — 비동기 정렬

    도식 — 비동기 4채널을 공통 reference 컬럼에 정렬.
    Four asynchronous channels aligned at a common reference column.
    검증된 환경
    실제 경험: Master 1·2와 Slave 1·2의 4팩 BMS. 구현 포인트: 각 팩 V/I 독립 PID, PID 주기와 jitter 분포 기반 time window, missing value 처리 경계, 정렬 후 4팩 합산 순간 전력 계산. 전이 대상: robot joint/F/T/vision/action 동기화, 공정 cycle-level feature build.
  • P3

    Schema-Driven Device Decoder — 이기종 디바이스 정규화

    도식 — 이기종 raw source → adapter → canonical event (schema registry 기반).
    Heterogeneous device interfaces adapted into canonical telemetry events using a schema registry contract.
    검증된 환경
    실제 경험: 차종별 신호 매핑을 Excel 기반 mapping layer로 관리. 구현 포인트: 표현식 DSL → AST whitelist 평가, compile caching, schema version pinning, 단위 변환과 품질 플래그 분리. 전이 대상: PLC/OPC-UA/ROS2 source를 canonical event로 정규화.
§4 Proof · EV fleet

Case A — 산업 차량 Fleet 텔레메트리 파이프라인

Problem
파편화되어 있고 비동기적이며 차종별 스키마가 상이한 700+ 산업 차량 Fleet 텔레메트리 환경. 원시 payload를 유의미한 프로덕션 데이터로 변환하는 과제.
Role
수집된 데이터의 InfluxDB 저장소 설계 및 운영, InfluxDB Converter 리팩토링, DSL 표현식 엔진 및 데이터 시각화 도구 개발 및 Celery 기반 분산 처리 모듈 운영.
System
Webhook 수집, raw hex landing/replay 역할의 Bridge InfluxDB, multi-process converter, measurement InfluxDB, Celery batch, Avro/GCS 출력.
Transfer
CAN ISO-TP 재조립, 비동기 정렬, schema-driven decoder는 로봇 텔레오퍼레이션 데이터·제조 라인 telemetry·운영 로그 RAG로 전이 가능.
Proof
700+ 차량 규모 fleet 1년 5개월 프로덕션 운영. 합성 이기종 텔레메트리 기준 7k events/sec 부하 테스트에서 parser crash 없이 bounded memory와 replay path를 검증.

산업 차량 Fleet 텔레메트리 파이프라인 (700+ 차량)현대 산업 차량 Fleet(700+ 차량)을 위한 4-Tier 분산 텔레메트리 시스템 구축 프로젝트에 팀 일원으로 참여하여 핵심 데이터 처리 모듈을 담당했습니다.

Four-tier ingest pipeline: edge to gateway to pipeline to warehouse.
[차량 단말] → Webhook → Bridge InfluxDB
  → V2InfluxConverterProcess (multi-process)
  → Measurement InfluxDB → Celery batch → Avro/GCS
My ownership
  • InfluxDB 저장 구조 설계 및 운영
  • mqtt → InfluxDB Converter 리팩토링
  • CAN ISO-TP multi-frame 재조립 및 4팩 BMS 비동기 정렬
  • Excel 기반 신호 mapping DSL, AST whitelist 평가, compile caching
  • Celery batch module 운영 및 Avro/GCS 출력 경로 관리
Load-test boundary
  • Fleet scale: 700+ 차량 (프로덕션 운영 기준)
  • Throughput: 7k events/sec synthetic heterogeneous telemetry
  • Stage: raw landing → converter normalization → measurement write path
  • Validation: parser stability, bounded memory, replay path
  • Not claimed: Kafka-style consumer groups or exactly-once semantics

Bridge InfluxDB는 message broker의 완전한 대체재가 아니라, raw hex payload를 보존하고 장애 후 재처리를 가능하게 하는 time-series landing / replay layer로 운영했습니다. 이후 Converter가 이를 measurement InfluxDB로 정규화했습니다. 부하 테스트는 합성 이기종 텔레메트리 기준 7k events/sec에서 parser crash 없이 bounded memory와 replay path를 검증하는 방식으로 수행했습니다.

  • Tier 1 (수집): Django / Flask webhook · hex payload 보존
  • Tier 2 (디코딩): ISO-TP 재조립 + 표현식 DSL + 4팩 BMS 정렬
  • Tier 3 (분석): Celery 모듈 plug-in (summary / driving_score / submatrix / avro)
  • Tier 4 (출력): 측정 InfluxDB + Avro on GCS
운영 신뢰성
  • 장애 시 재처리 SLA를 실제 운영. Converter 또는 측정 InfluxDB 단의 일시 장애 시, Bridge InfluxDB의 raw hex landing layer가 정해진 SLA 안에 자동 재처리되는 replay 경로로 동작했습니다.
  • 메타 DB는 MHA(MySQL High Availability) 구성으로 무손실 운영. master 장애 시에도 자동 failover로 데이터 손실 없이 운영했습니다.
왜 로봇 제조 / 제조업으로 전이되는가
산업 차량 Fleet로봇 제조 / 제조업
차량당 4팩 BMS 비동기 신호로봇당 30+ 관절 + F/T + 비전 / 라인당 N대 머신
CAN ISO-TP 멀티프레임ROS2 chunked / OPC-UA chunked
차종별 .dbc / Excel DSL로봇 모델별 URDF / PLC 벤더별 protocol
Contribution
mqtt - InfluxDB Converter refactoring · 표현식 평가 시각화 · Celery 모듈 운영
Period
1년 5개월
§5 Proof · untamedai

Case B — untamedai.me LLM 제품

Problem
LLM 서비스는 단순 모델 호출이 아니라 메모리, 세션, 안전, 결제, 토큰 비용, 운영 모니터링이 결합된 제품 시스템입니다.
Role
제품 기획, 시스템 아키텍처 설계, 풀스택 개발, 인프라 배포, 일일 서비스 운영까지 1인 풀스택으로 전체 라이프사이클 총괄.
System
Next.js · FastAPI · Supabase · Cloudflare · PostgreSQL · Claude / GPT · Polar (결제) · 운영 모니터링 루프.
Transfer
세션/메모리/안전/비용 운영 경험은 제조 로그·SOP 기반 operator assistant RAG와 instruction quality evaluation으로 직접 전이 가능.
Proof
1년 운영 · 1인 풀스택 · 2개 production route(글로벌 / 한국어) · 무료 tier 운영, 유료 tier는 Polar 결제 시스템 통합 및 sandbox 검증 완료.

LLM 기반 대화형 AI 제품 untamedai.meuntamedai.me — 기획부터 시스템 설계 · 개발 · 배포까지 1인 풀스택으로 전담하며 LLM 프로덕트 구축 역량을 쌓았습니다.

untamedai five-stage operation pipeline: plan, design, build, deploy, operate.
  1. 01
    기획 (Product Planning)
    사용자 페르소나, 무료/유료 tier, 결제 flow, 카피, 온보딩, 비용 구조를 함께 설계했습니다. 제품 결정이 곧 모델 호출 비용과 운영 리스크로 연결된다는 관점에서 기획했습니다.
  2. 02
    시스템 설계 (Architecture)
    단기 컨텍스트, 장기 벡터, 요약 store를 계층화한 memory architecture와 세션 경계, 안전 가드레일, 비용 제어 경로를 설계했습니다. 모델 호출 한 번이 아니라 memory + session + safety + cost가 결합된 시스템으로 다뤘습니다.
  3. 03
    개발 (Development)
    프론트엔드 Next.js · 백엔드 Python FastAPI · DB Supabase + PostgreSQL · 호스팅 Cloudflare · LLM Claude Opus + GPT 5.x · 결제 Polar — 풀스택 단독.
  4. 04
    배포 (Deployment)
    호스팅 · CI/CD · 도메인 (untamedai.me + 다국어 라우팅 — /samakyeowoo 한국어 SEO) · TLS · 모니터링 채널.
  5. 05
    운영 (Operations)
    토큰 비용 의식 (1인 운영자에게 곧 런웨이), 국내 AI 윤리 가이드라인 및 안전성 기준(Safety Guardrail) 준수, 사용자 인입 모니터링, 반복 개선 의사결정.
§6 Manufacturing

Target Systems — 제조 AI 워크플로우

만들고 싶은 것 — 로봇 제조 + 기존 제조업의 AI 워크플로우.산업 데이터 인프라 구축 및 LLM 서비스 운영 경험을 바탕으로, 로봇 제조를 위한 파운데이션 모델 데이터 시스템과 기존 제조업의 AI 워크플로우 고도화에 기여하고자 합니다.

Current assets
산업 텔레메트리 파이프라인 경험과 LLM 제품 1인 운영 경험.
Target use
로봇 제조 foundation 데이터 시스템과 기존 제조업 AI 워크플로우.
Transfer path
검증된 P1/P2/P3를 foundation 데이터, QC 텔레메트리, 운영팀 RAG 워크플로우에 적용하는 경로.
Dual-purpose data substrate — the same store serves production reads (inference, dashboards, alerts) and batch exports for training (RLDS, Parquet, MCAP).
6a

6a — 로봇 제조 · Foundation 모델 학습 데이터

  • P1P2P3

    Imitation Learning 데이터 파이프라인

    원격 조작(Teleoperation) 데모 데이터로부터 RLDS · Parquet · MCAP 학습 포맷을 자동 생성합니다 — Open X-Embodiment 등 공개 데이터셋이 채택한 표준. 다중 소스(vision · proprio · action · language)의 시간 동기화부터 품질 필터링, 세그멘테이션, 데이터 증강까지의 파이프라인을 구축합니다. 학습 데이터의 품질이 곧 파운데이션 모델의 성능 한계를 결정하므로, 이를 극대화할 수 있는 견고한 데이터 인프라가 필수적입니다. (의존: P1 + P2 + P3)목표 영역 · target area

  • P2

    Sim-to-Real 텔레메트리 브리지

    시뮬레이터 출력 vs 실제 로봇 텔레메트리의 시간·단위·분포 정합. Domain randomization의 파라미터 분포를 실측에서 자동 sourcing. Reality gap 메트릭 대시보드. sim-to-real의 실패는 거의 항상 데이터 정렬 문제에서 기인합니다. (의존: P2)목표 영역 · target area

  • P2P3

    VLA Foundation 모델 데이터 큐레이션

    Vision-Language-Action triplet 시간 정확 동기, failure / success의 mining 비율 관리, long-horizon task 자동 segmentation. 언어 instruction의 의미 단위 분할과 LLM 운영의 비용·안전·반복 개선 사이클은 untamedai.me에서 매일 다루었던 핵심 영역입니다. (의존: P2 + P3 + LLM 제품 운영)부분 전이 · partially transferred

  • P2P3

    로봇 제조 라인 QC 텔레메트리

    로봇 한 대가 라인을 통과할 때 station 별 측정값 + 출하 후 field 텔레메트리의 인과 매칭. end-of-line QC 결과 → field failure를 추적 가능한 시스템으로 구축합니다. (의존: P2 + P3)설계됨 · designed, not built

6b

6b — 기존 제조업 AI 워크플로우

  • P1P2P3

    라인 텔레메트리 substrate

    반도체, 제철, 배터리 셀, 디스플레이 라인의 멀티-벤더 PLC 및 OPC-UA, MTConnect 통합 텔레메트리 파이프라인입니다. 실시간 프로덕션 운영 환경과 AI 모델 학습 데이터를 동일한 데이터 인프라(Substrate) 위에서 일관되게 처리합니다. (의존: P1 + P2 + P3)

  • P2

    Cycle-Level 품질 예측

    머신 텔레메트리 시계열 → 끝단 검사 결과 사전 예측. Gradient Boosting 베이스라인 → Temporal Fusion Transformer / Patch-TST. 모델 구조 자체보다 공정 사이클(Cycle) 정의에 따른 정교한 시간 축 동기화가 실질적인 기술 난제임에 주목합니다. (의존: P2)

  • P3

    라인 어시스턴트 LLM

    운영팀이 자연어로 묻는 인터페이스 — 어제 02시 라인 3 알람의 원인 분석 같은 질의에 답하는, machine logs · SOP · 이력 데이터 위의 RAG. 기획부터 배포까지의 전 과정을 1인 풀스택으로 리드한 경험(§5 untamedai.me)이 이식될 수 있습니다. (의존: P3 + LLM 제품 운영)

  • P2P3

    Anomaly Localization

    라인 어느 머신이 불량의 원인인가 — SHAP 기반 기여도 분해, drift monitoring, 학습 분포 가드를 구축합니다. (의존: P2 + P3)

§7 Adjacent

Adjacent target area

보조 적용 영역 — 로봇 Fleet 운영

동일한 핵심 기술(Primitives)은 로봇 Fleet 운영에도 그대로 적용됩니다. 제1 목표인 제조 AI 데이터 시스템 구축 외에도, 다음 영역에 즉시 투입 가능합니다: 이기종(휴머노이드 / AMR / 협동로봇) Fleet의 통합 텔레메트리 파이프라인 · 모터 및 관절 예지보전 (RUL 회귀) · 운영 중 모션 이상 탐지 (Autoencoder / GMM). (의존: P1 + P2 + P3)

§8 AI Layer Matrix

AI workload mapping — AI 워크로드 매핑

동일한 데이터 substrate에서 나오는 AI 적용 영역을 3개 묶음으로 압축했습니다. 핵심은 많은 키워드가 아니라, 각 워크로드가 어떤 검증 경험에 의존하는지 명확히 보이는 것입니다.

묶음대표 워크로드전이되는 실무 경험
Foundation Model Datateleop demo 정렬 · VLA triplet curation · sim-to-real telemetryP1/P2/P3: 재조립, 동기화, canonical event
Manufacturing Intelligencecycle-level 품질 예측 · anomaly localization · drift monitoringP2/P3: 시간축 feature build, schema versioning, quality flag
LLM WorkflowRAG over logs/SOP · instruction quality eval · operator assistantuntamedai.me: memory/session/safety/cost 운영 루프
§9 Engineering Practice

Working posture — 작업 자세

어떻게 일하는가 — Process 시그널. 결과만큼이나 일하는 방식이 중요하다는 것을, untamedai.me 1인 운영과 산업 데이터 시스템 팀 작업 양쪽에서 깊이 익혔습니다. 실무에 임하며 다음 세 가지 작업 자세를 견지합니다.

AI Review Loop in Production Work

untamedai.me의 FastAPI 백엔드와 Next.js UI 변경에서 AI를 1차 리뷰어로 활용해 API boundary, null state, 비용 경로를 점검했습니다. 최종 merge 판단과 운영 책임은 직접 가져가며, AI가 놓친 리스크를 사람이 audit하는 루프를 유지합니다.

Operator Mindset

토큰 비용 대비 응답 품질 최적화, 모더레이션 임계치 조율, 신규 기능 개발과 기술 부채 관리의 균형 등 시스템의 안정성과 비즈니스 가치를 동시에 고려하는 운영자 관점을 지향합니다.

Transferable Systems Practice

산업 차량 텔레메트리에서 검증한 재조립·정렬·스키마화 방식과 untamedai.me 운영에서 검증한 비용·안전·제품 루프를 하나의 시스템 설계 방식으로 묶습니다. 다른 제조 환경에서도 먼저 데이터 경계, 운영 지표, 실패 복구 경로를 정의하는 방식으로 전이됩니다.
§10 Tech Stack

Stack map — 스택 맵

각 행의 왼쪽은 실제 운영 경험, 오른쪽은 동일한 문제 구조에 적용 가능한 전이 대상입니다. 프로덕션 코드는 NDA에 따라 비공개입니다.

Ingestion / BusProduction: Django · Flask webhook · MQTT / Transfer: ROS2 · DDS · Kafka · OPC-UA · MQTT
Time-series storeProduction: InfluxDB / Transfer: TimescaleDB · ClickHouse · MCAP
Metadata DBProduction: MySQL MHA / Transfer: PostgreSQL · schema registry
Batch / TaskProduction: Celery + django-celery-beat / Transfer: Celery · Airflow · Dagster · Ray
ProcessingProduction: single-node multiprocessing converter / Transfer: Ray · Dask when distributed scale is required
Replay / DatasetProduction: raw hex landing · Avro / Transfer: MCAP · Parquet · RLDS
StorageProduction: GCS / Transfer: S3 · Azure Blob
LLM product stackProduction: Next.js · FastAPI · Supabase/PostgreSQL · Cloudflare · Claude/GPT · Polar(결제 flow 구축·검증 완료, 거래 미발생) / Transfer: manufacturing RAG · operator assistant
§11 About

Contact — 연락처

2026.05 기준 인터뷰 중 · Currently interviewingWoon · Aspiring Manufacturing AI Data Systems Engineer.산업 차량 Fleet 텔레메트리 파이프라인 팀 멤버 → LLM 기반 제품 (untamedai.me) 1인 운영까지, RAW telemetry를 프로덕션 수준의 제품 데이터로 바꾸는 시스템을 구축했습니다.