산업 데이터 depth × LLM 제품 end-to-end ownership — 로봇 제조와 기존 제조업이 동시에 부족한 조합.산업용 차량 fleet 텔레메트리 파이프라인의 팀 멤버로 검증한 데이터 primitives, LLM 기반 제품을 1인이 기획·개발·배포·운영하며 익힌 풀스택 파이프라인 — 두 자산을 로봇 제조 Foundation 모델 데이터 인프라와 기존 제조업 AI 워크플로우로 즉시 투입합니다.
모델은 오픈된다. 데이터 파이프라인은 오픈되지 않는다.RT-2, GR00T, Cosmos, π0 — Foundation 모델은 빠르게 진화한다. 반면 production 으로 가는 길을 막는 것은 모델이 아니라 데이터 파이프라인이다. 그리고 데이터 파이프라인을 다뤄본 사람은 LLM 제품을 운영해본 사람과 잘 겹치지 않는다.
산업 차량 fleet 에서 검증된 3개 기둥. 로봇 제조와 기존 제조업에 그대로 적용된다.
검증된 환경 — 산업 차량 Fleet 텔레메트리 파이프라인 (팀 작업)4-tier 분산 텔레메트리 시스템에 팀 일원으로 참여한 작업입니다. 1인칭 복수와 본인 기여를 함께 표기합니다.
[차량 단말] → Webhook → Bridge InfluxDB → V2InfluxConverterProcess (multi-process) → Measurement InfluxDB → Celery batch → Avro/GCS
| 산업 차량 Fleet | 로봇 제조 / 제조업 |
|---|---|
| 차량당 4팩 BMS 비동기 신호 | 로봇당 30+ 관절 + F/T + 비전 / 라인당 N대 머신 |
| CAN ISO-TP 멀티프레임 | ROS2 chunked / OPC-UA chunked |
| 차종별 .dbc / Excel DSL | 로봇 모델별 URDF / PLC 벤더별 protocol |
검증된 환경 — LLM 기반 제품 untamedai.me 의 기획 → 개발 → 배포 → 운영 (1인 풀스택)“감정을 기억하는 AI 친구 (If You Tame Me, 길들여줘)” — LLM 기반 소비자 제품을 1인이 다음 전체 파이프라인을 책임지며 운영 중. §4 (팀 / 산업 데이터 / 제한 공개) 와 짝을 이루는 §5 (혼자 / LLM 제품 / 완전 공개) — 대비 자체가 메시지.
만들고 싶은 것 — 로봇 제조 + 기존 제조업의 AI 워크플로우.어조 가드: 1인칭 제안 (intent). “만들고 싶다 / 적용할 수 있다 / 즉시 투입 가능하다” 로만 표기한다. 도메인 깊이는 채용 후 학습한다고 명시.
텔레옵 데모 → RLDS / TFDS / Open X-Embodiment 호환 형식 자동 빌드. 멀티-소스 시간 정렬 (vision · proprio · action · language) → 품질 필터링 → 세그멘테이션 → 증강. 모델 학습 시점에 들어가는 데이터의 품질이 모델 천장. 그 천장을 올리는 일이 파이프라인의 일. (의존: P1 + P2 + P3)
시뮬레이터 출력 vs 실제 로봇 텔레메트리의 시간·단위·분포 정합. Domain randomization 의 파라미터 분포를 실측에서 자동 sourcing. Reality gap 메트릭 대시보드. sim-to-real 의 실패는 거의 항상 데이터 정렬 실패. (의존: P2)
Vision-Language-Action triplet 시간 정확 동기, failure / success 의 mining 비율 관리, long-horizon task 자동 segmentation. 언어 instruction 의 의미 단위 분할 + LLM 운영의 비용·안전·반복 개선 사이클은 untamedai.me 에서 매일 다루는 종류. (의존: P2 + P3 + LLM 제품 운영)
로봇 한 대가 라인을 통과할 때 station 별 측정값 + 출하 후 field 텔레메트리의 인과 매칭. end-of-line QC 결과 → field failure 의 추적 가능 시스템. (의존: P2 + P3)
반도체 / 제철 / 셀 / 디스플레이 라인의 멀티-벤더 PLC + OPC-UA + MTConnect 통합 텔레메트리 파이프라인. production 운영과 모델 학습 데이터를 같은 substrate 위에서. (의존: P1 + P2 + P3)
머신 텔레메트리 시계열 → 끝단 검사 결과 사전 예측. Gradient Boosting 베이스라인 → Temporal Fusion Transformer / Patch-TST. 모델보다 cycle 정의의 시간 정렬이 더 어렵다는 점이 핵심. (의존: P2)
운영팀이 자연어로 묻는 인터페이스 — 어제 02시 라인 3 알람 원인 분석 류 RAG over machine logs + SOP + 이력 데이터. 이 종류 LLM 시스템을 1인이 기획부터 배포까지 끌어본 경험 (§5 untamedai.me) 이 곧장 자산이 된다. (의존: P3 + LLM 제품 운영)
라인 어느 머신이 불량의 원인인가 — SHAP 기반 기여도 분해, drift monitoring, 학습 분포 가드. (의존: P2 + P3)
두 sub-section 의 워크로드는 분리된 것 같지만, §3 의 같은 3개 primitives 위에서 작동한다. 그래서 두 도메인 모두에 같은 사람이 즉시 투입될 수 있다.
같은 primitives 가 fleet 운영에도 그대로 작동한다. 1순위는 §6 (제조 + Foundation 데이터), 다만 다음 영역도 즉시 투입 가능: 휴머노이드 / AMR / 협동로봇이 섞인 fleet 의 통합 텔레메트리 substrate · 모터·관절 예지보전 (RUL 회귀) · 운영 중 모션 이상 탐지 (Autoencoder / GMM). 의존하는 Primitive: P1 + P2 + P3 (§6과 동일).
같은 데이터 substrate, 6개 AI 출구. 모델만 다뤄본 사람은 production 까지 끌고 가지 못한다. 데이터 파이프라인 + LLM 제품 운영을 같이 다뤄본 사람만 끝까지 간다.
| AI 워크로드 | 의존 Primitive | LLM 제품 운영 활용도 |
|---|---|---|
| Imitation Learning 데이터 빌드 | P1 + P2 + P3 | — |
| Sim-to-Real 텔레메트리 정합 | P2 | — |
| VLA Triplet 큐레이션 | P2 + P3 | ⭐ instruction segmentation |
| Cycle-Level 품질 예측 | P2 | — |
| 시계열 이상 탐지 | P2 | — |
| 운영팀 LLM 어시스턴트 (RAG over logs / SOP) | P3 + LLM 운영 | ⭐⭐ 직접 1:1 매핑 |
어떻게 일하는가 — Process 시그널. 결과만큼 어떻게 일하는가가 중요하다는 것을, untamedai.me 1인 운영과 산업 데이터 시스템 팀 작업 양쪽에서 익혔다. 다음 세 가지 작업 자세를 가져간다.
산업 차량 fleet 에서 사용한 스택과, 로봇 제조 / 기존 제조업으로 전이되는 등가물. 본 production 코드는 NDA 로 비공개 — 발췌 OSS 공개는 추후 검토.
| Ingestion / Bus | Industrial Fleet: Django · Flask webhook → Robot · Mfg: ROS2 · DDS · Kafka · OPC-UA · MQTT |
|---|---|
| 시계열 store | Industrial Fleet: InfluxDB → Robot · Mfg: TimescaleDB · ClickHouse · MCAP |
| 메타 DB | Industrial Fleet: MySQL → Robot · Mfg: PostgreSQL |
| 분산 task | Industrial Fleet: Celery + django-celery-beat → Robot · Mfg: Celery · Airflow · Dagster · Ray |
| Process pool | Industrial Fleet: multiprocessing → Robot · Mfg: Ray · Dask |
| Replay format | Industrial Fleet: Avro → Robot · Mfg: MCAP · Parquet · RLDS |
| Storage | Industrial Fleet: GCS → Robot · Mfg: S3 · Azure Blob |
| LLM stack (untamedai.me) | Next.js (프론트) · Python FastAPI (백엔드) · Supabase (DB) · Cloudflare (호스팅) · GPT + Claude Opus (LLM) · Polar (결제) → Foundation 모델 데이터 / VLA / RAG |
Woon · Industrial Real-Time Data + LLM Product Engineer.산업용 차량 fleet 텔레메트리 파이프라인 팀 멤버 → LLM 기반 제품 (untamedai.me) 1인 운영 → 다음은 로봇 제조 Foundation 모델 데이터 R&D 또는 기존 제조업 AI 워크플로우 파이프라인.