본 프로젝트는 제조 및 에너지 산업 현장에서 발생하는 센서 데이터의 이상 징후를 감지하고, LLM의 분석 결과에 **전문가의 최종 승인(Human-In-The-Loop)**을 결합하여 품질보증(QA) 및 안전을 강화하는 지능형 모니터링 시스템입니다.
- AI-First Analysis: Azure OpenAI를 활용한 실시간 센서 데이터 이상 징후 판정.
- HITL (Human-In-The-Loop): 고위험군 이상 감지 시 시스템이 즉시 중단(
interrupt)되며, 전문가의approve또는reject후에만 후속 조치 실행. - Persistence:
MemorySaver(또는 SQLite)를 통해 각 점검 이력(Thread)을 저장하여 사고 발생 시 디버깅 및 추적성(Traceability) 확보. - Scalability: FastAPI를 통한 API화 및 n8n 워크플로우와의 연동을 고려한 설계.
시스템은 LangGraph를 사용하여 다음과 같은 상태 중심 워크플로우를 가집니다.
graph TD
START((START)) --> Analyze[analyze_node: LLM 분석]
Analyze -->|이상 감지| Review[human_review_node: 전문가 검토 대기]
Analyze -->|정상| Normal[normal_node: 프로세스 종료]
Review -->|Interrupt| Wait((전문가 승인 대기))
Wait -->|Resume| Action[action_node: 후속 조치 생성]
Action --> END((END))
Normal --> END
본 시스템 도입을 통해 다음과 같은 정량적 관리가 가능합니다.
| KPI 항목 | 측정 내용 | 목표 및 기대 효과 |
|---|---|---|
| 미검출률 (False Negative) | AI가 정상으로 판정한 것 중 실제 이상치 비율 | 0% 지향 (보수적 임계치 설정 가능) |
| 검토 리드타임 | 이상 감지 후 전문가 승인까지 소요 시간 | 사고 대응 골든타임 준수 및 생산성 향상 |
| 승인 일치율 | AI 제안과 전문가 결정의 일치도 | AI 모델의 현장 적합성 모니터링 및 고도화 |
| 추적 가능성 | Thread ID 기반 이력 저장률 | 모든 이상 징후에 대한 100% 로그 아카이빙 |
센서 데이터와 AI 분석 결과, 그리고 전문가의 결정 사항을 포함하는 MonitorState를 사용하여 데이터의 흐름을 관리합니다.
- Analyze Node: 센서 데이터를 분석하여
Command(goto=...)를 통해 동적으로 경로를 결정합니다. - Human Review Node:
interrupt()함수를 호출하여 외부 입력을 기다리며 실행을 멈춥니다. - Action Node: 전문가의 메모(
expert_note)를 반영하여 최종 대응 시나리오를 생성합니다.
AZURE_OPENAI_DEPLOYMENT=your_deployment_name
AZURE_OPENAI_ENDPOINT=your_endpoint_url
AZURE_OPENAI_API_KEY=your_api_key
OPENAI_API_VERSION=202X-XX-XX
- Repository 클론:
git clone https://github.com/sun-k-like/Sensor-Alert_QA-Monitoring - 의존성 설치:
pip install -r requirements.txt - 애플리케이션 실행: FastAPI 서버를 통해 워크플로우를 트리거합니다.
- Project URL: GitHub Repository
- 본 프로젝트는 제조 현장의 안전 강화와 데이터 기반의 의사 결정을 돕기 위해 설계되었습니다.