삼성전자 로봇 설비 데이터 인사이트 혁신, Part 1: Amazon Quick Sight 대시보드

이 블로그 포스트는 삼성전자의 최석원님과 함께 작성되었습니다.

개요

삼성전자에서는 다양한 방법으로 로봇과 설비가 협업 할 수 있는 방법에 대해 고민하고 있습니다. 특히 양팔 로봇, 협동로봇, AMR (Autonomous Mobile Robot) 등과 자동화 설비를 이용한 통합 시스템을 구성하기 위하여 노력 하고 있습니다. 초기 AWS IoT Core와 AWS IoT Greengrass를 사용 데이터를 수집한 뒤 MongoDB에 실시간으로 데이터를 저장하는 방법으로 시스템을 구현하였습니다. 이후 저장된 로봇/설비 데이터를 활용하여 로봇 설비 협업 운영 효율화에 대한 인사이트를 얻고자 고민하였습니다. 이를 위해 삼성전자는 AWS와 함께 Amazon Quick Sight를 활용하여 대시보드를 구축함과 동시에 Amazon Bedrock AgentCore를 통해 AI 챗봇을 구축하여 자연어 기반 BI (Business Intelligence)를 구현하게 되었습니다. 이러한 삼성전자 로봇 설비 데이터 인사이트 혁신 과정을 Part 1: Amazon Quick Sight 대시보드와Part 2: Amazon Bedrock AgentCore와 MCP를 활용한 AI 챗봇 으로 나누어 소개를 드립니다.

Amazon Quick Sight 도입 배경

삼성전자는 수백 대의 키친 로봇 설비를 운영하며 디지털 F&B(Food & Beverage) 혁신을 이끌고 있습니다. 설비가 고도화되면서 운영 데이터는 기하급수적으로 증가했지만, 이 데이터를 의미 있는 인사이트로 바꾸는 데는 어려움이 있었습니다.
단순한 현황 모니터링을 넘어, 설비의 고장을 사전에 예측하고 발생 원인을 신속하게 분석하는 것이 비즈니스의 핵심 과제였습니다. 또한, 점심/저녁 피크 타임의 메뉴별, 접시별 소분(小分) 데이터를 분석하여 운영 효율을 최적화할 필요가 있었습니다.
이를 위해 삼성전자는 AWS와 협력하여 로봇 설비 데이터를 위한 엔드투엔드(End-to-End) 데이터 분석 파이프라인 구축 프로젝트를 시작했습니다.
이 프로젝트의 첫 번째 목표는 ‘데이터의 시각화’였습니다. 즉, 여러 곳에 흩어져 있는 데이터를 한곳에 모아 현재 어떤 일이 일어나고 있는지 누구나 쉽게 파악할 수 있는 대시보드를 구축하는 것이었습니다.
본 “삼성전자 키친 로봇 설비 데이터 인사이트 혁신” 시리즈의 Part 1에서는 전체 파이프라인의 첫 번째 결과물이자 모든 분석의 출발점인 Amazon Quick Sight 기반의 최신 현황 대시보드 구축 과정을 소개합니다.

구축 초기 겪고 있던 챌린지

본격적인 대시보드 구축에 앞서, 저희는 여러 기술적 챌린지에 직면했습니다.

1. 다양한 데이터 소스 및 형식: 설비의 PLC(Programmable Logic Controller)에서 발생하는 에러 로그, 조리 건별 소분량 데이터, 센서 데이터 등 데이터의 종류가 다양했습니다. 또한 데이터 형식이 JSON, CSV, 일반 Log 텍스트 등 비표준화되어 있어 통합이 어려웠습니다.
2. 데이터 품질 이슈: 현장에서 수집되는 데이터에는 결측값(Null)이나 이상값(Outlier)이 다수 포함되어 있어, 분석 전 정제 과정이 필수적이었습니다.
3. 복잡한 집계 요구 사항

• • 시간대별(점심/저녁), 설비별 등 다차원 분석이 필요했습니다.
  • ‘설비당 평균 조리 시간’, ‘시간당 에러 발생률’ 등 핵심 성과 지표(KPI)를 주기적으로 계산하고 임계값(Threshold)을 모니터링해야 했습니다.
  • 고장 예측의 기반이 될 트렌드 분석을 위해 이동 평균(Moving Average) 등 통계적 지표 산출이 필요했습니다.

Amazon Quick Sight를 선택한 이유

삼성전자는 데이터 저장 이외에 AWS 클라우드를 처음 도입하는 상황이었기에, 인프라 관리 부담을 최소화하고 비즈니스 로직 구현에 집중할 수 있는 솔루션이 필요했습니다. 이러한 요구사항을 바탕으로 Amazon Quick Sight를 BI(Business Intelligence) 솔루션으로 제안했습니다.
Amazon Quick Sight를 선택한 이유는 Well-Architected Framework의 관점에서 명확했습니다.

1. 운영 우수성 (Operational Excellence): Amazon Quick Sight는 완전 관리형 서버리스(Serverless) 아키텍처를 제공합니다. 이는 삼성전자가 BI 솔루션을 운영하기 위한 별도의 서버를 구축, 패치, 관리할 필요가 전혀 없음을 의미합니다. 인프라 관리가 아닌 데이터 분석 본연의 업무에만 집중할 수 있습니다.
2. 성능 효율성 (Performance Efficiency): Amazon Quick Sight는 서버리스 아키텍처를 기반으로 하므로 사용자 증가에 따라 자동으로 인프라가 스케일링(Auto-Scaling) 되어 일관된 성능을 보장합니다. 덕분에 사용자는 별도의 용량 계획이나 인프라 관리가 필요 없습니다. 또한 AWS의 다양한 데이터 레이크 및 데이터베이스 서비스(Amazon S3, Athena, RDS, Redshift 등)와 네이티브 연동을 지원하여 데이터를 효율적으로 분석하고, 엔드 투 엔드 데이터 파이프라인을 매끄럽게 구성할 수 있습니다. 특히 내장된 SPICE(Super-fast, Parallel, In-memory Calculation Engine) 캐싱 엔진은 빠른 대시보드 로딩 및 시각화 경험을 제공하여 성능 효율성을 극대화합니다.
3. 사용 편의성: Amazon Quick Sight는 코딩이 필요 없는 직관적인 사용자 인터페이스를 제공합니다. 드래그 앤 드롭(Drag-and-Drop) 방식으로도 데이터셋을 연결하고, 다양한 시각화 차트를 손쉽게 생성할 수 있어, IT 전문 지식이 없는 현업 담당자나 비즈니스 분석가도 별도의 학습 없이 빠르게 데이터를 탐색하고 인사이트를 도출할 수 있습니다. 또한 생성된 대시보드와 리포트를 조직 구성원들과 쉽게 공유하고, 웹 브라우저 뿐만 아니라 모바일 디바이스에서도 대시보드를 확인하고 상호 작용 할 수 있습니다. Q (자연어 쿼리) 기능을 사용하면 사용자의 자연어 질문에 AI가 자동으로 데이터를 분석하고 시각화된 답변을 제공하여 데이터 탐색이 더욱 쉽습니다.

데이터 아키텍처 설계

효율적인 대시보드 구축을 위해서는 데이터가 단순히 저장되는 것을 넘어, 분석 가능한 형태로 가공되고 흐를 수 있는 견고한 파이프라인이 필요합니다. 삼성전자와 AWS는 기존에 구축되어 있던 데이터 적재 환경을 기반으로, 분석을 위한 파이프라인을 추가로 연결하여 확장하는 방식을 택했습니다.

1. 기존 운영 데이터 수집 아키텍처 (Data Ingestion Layer)

삼성전자의 아키텍처는 로봇 설비의 데이터를 안정적으로 수집하고 저장하는 데 초점이 맞춰져 있었습니다. 현장의 로봇(AMR, PLC 등)에서 발생하는 데이터는 AWS IoT Core와 GreenGrass를 통해 수집되어 Amazon SQS를 거쳐 운영 DB인 MongoDB에 실시간으로 적재되고 있었습니다. 하지만 이 단계까지는 데이터가 쌓이고만 있을 뿐, 이를 효과적으로 추출하여 분석하거나 시각화할 수 있는 체계는 부재한 상황이었습니다.

2. 분석을 위한 데이터 파이프라인 확장 (Analytics Pipeline Extension)

쌓여있는 데이터를 가치 있는 인사이트로 전환하기 위해, 우리는 기존 적재 아키텍처의 뒷단에 AWS의 분석 서비스들을 연결하여 엔드투엔드(End-to-End) 파이프라인을 완성했습니다.

• (확장) Data Lake 구축: 운영 DB(MongoDB)에 적재된 데이터를 주기적으로 추출하여 Amazon S3로 옮겨옴으로써, 분석 전용의 데이터 레이크(Data Lake) 환경을 마련했습니다.
• (변환) ETL Processing: AWS Glue를 파이프라인에 추가하여 S3에 수집된 원본 데이터를 정제(Cleansing) 및 표준화하고, 분석에 최적화된 포맷(Parquet)으로 변환하는 자동화된 프로세스를 구축했습니다.
• (분석 및 시각화) Analysis & Visualization: 변환된 데이터는 Amazon Athena를 통해 표준 SQL로 쿼리할 수 있게 되었고, 최종적으로 Amazon Quick Sight와 연결되어 시각화 대시보드로 구현되었습니다.

결과적으로 기존 운영 시스템의 변경을 최소화하면서도, Amazon S3와 Amazon Athena를 기반으로 한 통합 분석 환경을 성공적으로 확장할 수 있었습니다. 이렇게 구축된 데이터 레이크는 Part 1의 Amazon Quick Sight 대시보드뿐만 아니라, Part 2의 AI 챗봇, 그리고 향후 Amazon SageMaker 기반의 ML 모델까지 모든 분석 서비스가 공유하는 데이터의 허브역할을 수행하게 됩니다.

구현 과정의 핵심 해결책과 성능 최적화

단순히 Quick Sight와 Athena를 연결하는 것만으로는 삼성전자의 복잡한 요구사항과 대용량 데이터를 감당하기 어려웠습니다. 우리는 다음과 같은 핵심 전략을 적용했습니다.

1. 데이터 모델링 최적화: 가장 중요했던 부분입니다. ‘설비 에러 데이터(Athena 테이블 A)’와 ‘소분량 데이터(Athena 테이블 B)’는 발생하는 주기가 달랐습니다. Amazon Quick Sight의 데이터셋 편집 기능에서 두 테이블을 적절한 조인(Join) 키(예: 설비 ID 및 시간 구간)를 사용하여 가상의 통합 뷰를 생성했습니다. 이를 통해 사용자는 두 개의 다른 데이터를 하나의 대시보드에서 유기적으로 분석할 수 있게 되었습니다.
2. 계산된 필드 (Calculated Fields) 활용 및 동적 시각화 활용: 삼성전자의 복잡한 KPI(예: ‘오류 코드별 가동 중단 시간 합계’, ‘설비 가동률’)를 구성할 때, 데이터 소스인 Amazon Athena에서 SQL로 미리 계산하는 대신, Amazon Quick Sight의 ‘계산된 필드’ 기능을 적극 활용하여 유연성을 확보했습니다. SQL 코드를 수정하고 Amazon Athena 테이블을 다시 생성하는 데는 시간과 절차가 필요합니다. 반면 Amazon Quick Sight의 계산된 필드는 실시간으로 비즈니스 로직을 변경하고 즉시 대시보드에 반영할 수 있어, 변화하는 요구 사항에 빠르게 대응할 수 있습니다. 또한 현업 분석가가 IT 부서의 도움 없이 직접 대시보드 내에서 새로운 측정 지표를 정의하고 테스트할 수 있도록 지원할 수 있다는 장점이 있습니다.
   • KPI 계산: sumIf(duration, {error_code} = ‘E-101’) 와 같은 함수를 사용하여 대시보드 내에서 직접 특정 오류 코드에 대한 가동 중단 시간을 계산하고, 여러 차원의 데이터를 교차 분석했습니다. 이를 통해 데이터의 세부적인 인사이트를 심도 있게 파고들 수 있었습니다.
   • 동적 조건부 서식: 계산된 필드 값을 기준으로 ‘조건부 서식’을 동적으로 적용하였습니다. 예를 들어, ‘설비 가동률 80% 미만’인 위험 설비는 빨간색으로, ‘95% 이상’인 우수 설비는 녹색으로 즉시 하이라이트 되도록 설정하여, 사용자가 이상 징후를 즉각적으로 인지하고 신속하게 대응할 수 있도록 지원했습니다.
3. 매개변수 (Parameters)를 활용한 동적 필터링 및 사용자 상호작용 강화: ‘점심/저녁 시간대별 설비 가동 현황 조회’ 와 같이 특정 요구 사항을 충족시키기 위해 단순 데이터 필터링을 넘어, ‘매개변수’ 기능을 활용하여 동적인 분석 환경을 구현했습니다. 일반 필터는 정해진 시간 범위의 데이터를 선택저긍로 보여주지만, 매개변수는 사용자의 선택 값을 입력받아 계산된 필드나 비즈니스 로직에 직접 개입하여 새로운 KPI를 계산할 수 있습니다. '시간대 선택' 이라는 매개변수를 생성하고, [전체, 점심, 저녁] 과 같은 조회의 기준이 되는 시간 필터 중 하나를 선택하면, 해당 값이 계산된 필드에 실시간으로 반영되어 선택한 시간대의 가동 현황을 즉시 계산하도록 구현했습니다.
4. SPICE와 Direct Query를 혼용한 성능 최적화: Amazon Athena는 데이터 스캔량에 따라 비용이 부과되고 Amazon S3 데이터를 매번 스캔해야 하므로 응답 속도에 한계가 있을 수 있습니다. 이러한 문제를 해결하고 성능(Speed)과 비용 효율성(Cost-effectiveness)이라는 두 마리 토끼를 잡기 위해, SPICE와 Direct Query 방식을 전략적으로 혼용했습니다.

• • 자주 조회되는 핵심 KPI(예: 주간 생산량, 월별 가동률 등)와 과거 이력 데이터는 SPICE로 임포트했습니다.
  • 데이터 새로 고침 스케줄을 15분 단위로 최적화하여, 사용자가 대시보드를 탐색할 때마다 Amazon Athena에 쿼리하는 부하를 없앴습니다. 덕분에 사용자는Amazon Athena 비용 부담 없이 Sub-second 응답 속도로 대시보드를 탐색할 수 있게 되었습니다.
  • 반면, 가장 최신 데이터 조회가 필수적인 데이터(예: 현재 시점의 설비 알람 상태, 실시간 생산 라인 오류)는 Amazon Athena에 Direct Query(직접 쿼리)하는 방식을 혼용했습니다.

결과

이러한 시각화는 삼성전자의 운영 방식을 근본적으로 변화시켰습니다.

1. 설비 모니터링 능력이 향상되었고, 문제 발생 시 신속한 파악과 대응이 가능해지고, 생산 효율성과 설기 가용성을 증가 되었습니다. 이를 통해 운영 리스크에 따른 식별을 통한 서비스 품질 향상으로 이어질 수 있었습니다.
2. 상세 데이터 분석은 불필요한 설비 가동 중단을 최소화하고 유지보수 비용을 크게 절감하는 한편, 생산 라인의 안정성과 품질을 크게 향상시키는 기반을 제공할 수 있었습니다.

이러한 비즈니스 성과는 개발 기간 단축과 분석 시간 효율화라는 정량적인 프로젝트 성과가 뒷받침되었기에 가능했습니다.

첫째, 개발 속도가 획기적으로 향상되었습니다. 과거 웹 UI와 차트 라이브러리를 직접 코드로 구현하던 방식(Code-based)으로는 유사한 수준의 대시보드 화면 제작에 5명의 인력이 6개월간 투입되었습니다. 하지만 Amazon Quick Sight의 관리형 서비스와 직관적인 UI를 활용한 후, 단 2명의 인력으로 2.5개월 만에 더 고도화된 대시보드를 구축할 수 있었습니다.

둘째, 분석가들의 업무 방식이 근본적으로 개선되었습니다. Amazon Quick Sight 도입 이전에는, 현업의 요청을 받아 데이터를 정리하는 데 1일, 엑셀(Excel)로 가공하는 데 3시간, 실제 분석에 1시간 이상이 소요되었습니다. 하지만 이제 새로운 아키텍처에서 파이프라인(AWS Glue, Amazon Athena)을 통해 데이터 수집 및 변환이 자동화되고 주기적으로 배치 업데이트가 이루어져, 분석가들은 데이터 취합과 리포팅이 아닌 ‘즉각적인 분석’ 자체에만 집중할 수 있게 되었습니다.

이러한 빠른 개발 속도는 AWS와 삼성전자의 긴밀한 협업이 있었기에 가능했습니다. 프로젝트 초기 AWS Glue, Amazon Quick Sight 등 생소한 관리형 서비스에 대한 기술적 허들이 있었습니다. 하지만 AWS와 즉각적인 커뮤니케이션 및 기술 케이스(Case) 지원, 그리고 Quick Workshop 미팅 등을 통해 복잡한 사용법과 이슈를 신속하게 해결하며 개발 기간을 더욱 단축할 수 있었습니다.

Amazon Quick Sight와 AWS의 완전 관리형 서버리스 데이터 아키텍처를 기반으로, 삼성전자는 복잡하게 흩어져 있던 로봇 설비 데이터(MQTT)를 하나의 강력한 ‘데이터 인사이트 엔진(Data Insight Engine)’으로 통합했습니다. 이로써 ‘데이터 시각화 및 모니터링’ 이라는 첫 번째 목표를 성공적으로 달성했습니다.

하지만 이 성공적인 대시보드는 또 다른 중요한 과제를 표면화시켰습니다.

현업 담당자들이 대시보드에 없는 새로운 형태의 인사이트나 즉각적인 비정형 데이터 질의를 원할 때마다, SQL을 직접 작성하거나 데이터 분석팀에 별도로 쿼리를 요청해야 했습니다. 이는 반복적인 문의로 인한 분석팀 리소스 낭비를 초래했고, 데이터에 대한 현업의 접근성을 저해하는 치명적인 병목 현상(Bottleneck)이 되었습니다.

이 ‘데이터 접근성’ 문제를 해결하기 위해, Part 1에서 구축한 Amazon S3/Athena 데이터 레이크를 기반으로 Amazon Bedrock AgentCore를 활용하여 누구나 자연어로 데이터를 묻고 답할 수 있는 AI 챗봇을 구축하는 여정을 삼성전자 키친 로봇 설비 데이터 인사이트 혁신, Part 2: Amazon Bedrock AgentCore와 MCP를 활용한 AI 챗봇 에서 자세히 소개하겠습니다.