자료 찾는 시간을 없애세요
여러 시스템을 오가며 모으던 자료를 AI가 한 번에 가져옵니다.
주요 이점
감이 아니라 예측으로 판단하세요
쌓아 둔 생산 · 설비 데이터로 다음 결과를 미리 알려줍니다.
시스템에 없는 분석까지 받으세요
여러 시스템에 흩어진 데이터를 AI가 모아 확인하고, 지금 쓰는 시스템이 제공하지 않는 분석까지 해 드립니다.
결과의 근거를 끝까지 확인하세요
어떤 자료를 읽고 무엇을 실행했는지 단계마다 남습니다.
제품 구성
필요한 AI부터 골라 시작하세요
ECHO AI
오케스트레이터
요청 한 번이면 AI가 사내 시스템을 오가며 업무를 끝냅니다. 정해 둔 시간에 알아서 돌고, 사람은 승인만 합니다.
ECHO AIAnalyze
쌓아 둔 생산 · 설비 데이터로 예측 모델을 만들고, 실제 값과 겹쳐 보며 얼마나 맞는지 확인합니다.
ECHO AICatalog
회사의 데이터와 AI 모델, 연결된 기능을 한곳에 등록하고 누가 쓸 수 있는지 정합니다.
ECHO AIAI VISION
카메라로 품종을 가리고 이물 · 파손과 인쇄 글자를 검사합니다. 새 품종은 다시 학습시켜 대응합니다.
ECHO AIPredict
설비의 진동 · 전류 · 온도 패턴을 익혀 고장 징후를 먼저 알립니다.
기능
맡기고, 예측하고, 통제하세요
01
말로 시키세요
평소 쓰는 말로 요청하면 AI가 무슨 일인지 알아듣고, 앞서 나눈 대화를 기억해 이어 갑니다.
02
여러 단계 업무도 끝까지
조회하고, 계산하고, 초안을 쓰는 일을 AI가 순서대로 처리합니다. 중간에 막히면 다른 길로 다시 시도합니다.
03
쓰던 시스템에 그대로 연결하세요
MES · ERP · 메일 · 사내 DB를 바꾸지 않고 AI가 쓸 수 있게 연결합니다. 허락한 기능만 실행합니다.
04
데이터로 다음을 예측하세요
쌓아 둔 생산 · 설비 데이터를 넣으면 빠진 값과 튀는 값을 알아서 정리하고, 결과에 가장 큰 영향을 주는 요인을 찾아 예측을 맞춰 갑니다.
05
AI가 일한 과정을 확인하세요
무엇을 조회하고 어떤 기능을 썼는지 단계마다 남습니다. 결과가 제대로 나왔는지도 점수로 봅니다.
06
누가 무엇을 볼지 정하세요
사람마다 볼 수 있는 데이터를 나누고 민감한 값은 가립니다. 중요한 실행은 승인을 거치고, 모든 기록이 남습니다.
화면
AI가 일하는 화면을 확인하세요
화면 1 · 예약 시각, 반복 업무 3건, 검토할 결과, 승인
정해 둔 시간에 알아서
매일 · 매주 정해 둔 시간에 AI가 생산 실적 보고서, 재고 점검, 납기 회신 초안을 만듭니다. 사람은 모인 결과를 검토하고 승인만 합니다.
- 예약 실행
- 결과 모아 보기
- 사람이 승인
화면 2 · 모델 목록, 평가 지표, 실측값과 예측값 추이
예측 모델 평가
쌓아 둔 데이터로 만든 모델이 실제 값을 얼마나 맞히는지 겹쳐 봅니다. 잘 맞는 모델만 현장에 씁니다.
- 모델 비교
- 실측 · 예측 겹쳐 보기
- 검증 후 적용
화면 3 · 현재 공정 값, 실측 품질과 예측 품질, 투입량 권고
AI 설비 제어
AI가 다음 배치의 품질을 미리 보고 원료 투입량과 운전 조건을 권고합니다. 검증이 끝난 범위부터 자동으로 반영합니다.
- 품질 예측
- 투입량 권고
- 오토파일럿 · 매뉴얼 모드
화면 4 · 설비별 건강 점수, 시간대별 정상 · 주의 · 위험
AI 예지보전
설비마다 정상에서 얼마나 벗어났는지 시간대별 색으로 보여 줍니다. 색이 짙어지는 설비부터 점검합니다.
- 건강 점수
- 시간대 히트맵
- 점검 우선순위
사용 사례
이런 업무부터 맡기세요
생산 보고
생산관리자는 전일 작업지시와 실적을 기준으로 보고를 요청합니다. AI가 계획과 차이를 정리해 보고 초안을 만듭니다.
납기 회신
영업팀은 상담 기록과 출하 일정을 바탕으로 답변을 준비합니다. AI가 ERP · CRM 자료를 모아 회신 초안을 작성합니다.
설비 점검
설비팀은 온도·진동 변화가 나타난 구간을 살펴봅니다. Analyze 결과와 정비 기록을 나란히 놓고 점검 대상을 고릅니다.
AI 자산 운영
IT팀은 업무에 쓰는 데이터와 연결 기능을 Catalog에 등록합니다. 누가 쓸 수 있는지 정해 AI 업무에 연결합니다.
적용 사례
제조 현장에서 이미 AI가 일하고 있습니다
식품 제조 · 음료
배치마다 레시피를 AI가 다시 맞춥니다
- 과제
- 같은 레시피로 넣어도 원료 상태가 배치마다 달라 최종 탱크의 품질 지표가 흔들렸습니다. 투입량 보정은 숙련 작업자의 감에 맡겨져 있었습니다.
- 방법
- 원료 투입 카운터, 설정·실제 투입 속도, 물 유량, 가열기 온도, 하류 부하 신호를 1분 단위로 정렬하고 작업지시·탱크·품목 정보와 합쳤습니다. 라인 하나에 모델 하나가 아니라 라인·탱크·품목별로 따로 학습하고, 여러 AI 모델을 같은 기준으로 비교해 통과한 모델만 씁니다. 목표 품질을 넣으면 투입량과 운전 조건 후보 3개를 계산합니다.
- 달라진 점
- 작업자 화면에 다음 배치의 투입 보정값이 권고로 뜹니다. 권고로 시작해 검증이 끝난 범위부터 자동 반영으로 넘어갑니다.
식품 제조 · 음료
설비가 멈추기 전에 알립니다
- 과제
- 핵심 설비가 예고 없이 서면 생산 계획과 품질이 함께 무너졌습니다. 정비는 고장이 난 뒤에야 시작됐습니다.
- 방법
- 진동·전류·온도 센서를 연결하고 두 겹으로 감시합니다. 정상 운전 데이터로 센서별 상·하한을 잡아 명백한 위험은 즉시 잡고, AI가 정상 패턴을 학습해 시간에 따라 조금씩 어긋나는 징후를 잡습니다. 경고와 위험 기준을 나누고 오탐·미탐을 현장에서 맞춰 갑니다.
- 달라진 점
- 고장 뒤 수리에서 징후를 보고 계획하는 정비로 바뀝니다. 대시보드와 알림으로 정비 담당자가 먼저 움직입니다.
2차전지 소재
수많은 필터 조합, AI가 3가지로 추려 줍니다
- 과제
- 고객사마다 사용 조건이 달라, 담당자가 수많은 필터 조합을 하나씩 맞춰 보고 사이즈와 수량을 손으로 계산해야 했습니다.
- 방법
- 고객의 사용 조건을 넣으면 AI가 필터 조합 후보 3가지를 추천하고, 필요한 사이즈에 맞춰 규격과 수량을 자동으로 계산합니다. 조합별로 성능이 떨어지기 시작하는 시점도 함께 예측합니다.
- 달라진 점
- 조합을 찾고 계산하던 업무가 1/10로 줄었습니다. 영업과 기술 담당자가 같은 근거로 바로 제안합니다.
글로벌 소비재 · 해외 공장
해외 공정의 이상을 본사와 같은 기준으로 잡습니다
- 과제
- 본사와 멀리 떨어진 해외 공장은 현지 인력의 경험에 따라 이상 대응 속도가 달랐습니다.
- 방법
- SCADA와 LINKER로 캡슐 공정 설비 데이터를 실시간으로 모으고, 기준을 벗어나는 패턴을 탐지해 알람을 보냅니다.
- 달라진 점
- 국내와 같은 기준으로 공정 이상을 감지합니다. 현지와 본사가 같은 화면을 봅니다.
대형 가전 제조
외관 검사 판정을 모델 하나로 맞춥니다
- 과제
- 조립 라인의 외관 검사는 검사자마다 판정이 달랐고, 불량이 어느 공정에서 왔는지 거슬러 찾기 어려웠습니다.
- 방법
- 정상·불량 이미지를 모아 라벨링하고, 부족한 불량 샘플은 가상 결함 이미지로 채워 탐지 모델을 학습했습니다. 판정 결과는 이력으로 남겨 공정 기록과 연결합니다.
- 달라진 점
- 판정 기준이 하나가 됩니다. 불량이 생긴 라인과 시간대를 바로 찾습니다.
연마재 제조
닿을 수 없는 불꽃의 온도를 카메라로 잽니다
- 과제
- 연마 공정의 불꽃 표면은 접촉식 센서로 잴 수 없어 온도 관리가 눈대중이었습니다.
- 방법
- 공정 영상에서 불꽃 영역을 AI가 찾아 따라가며 표면 온도를 추정하고 기록합니다.
- 달라진 점
- 온도가 숫자로 남아 공정 조건과 품질을 함께 비교합니다.
적용 시나리오
제품을 묶을수록 더 많이 맡길 수 있습니다
필요할 때 제품을 하나씩 더해, 이렇게 넓혀 갑니다.
- MES MES 실적을 조회합니다.
- 오케스트레이터 생산 보고 초안을 작성합니다.
- TEAMS 담당자가 TEAMS에 공유합니다.
- LINKER 설비 데이터를 모읍니다.
- Analyze 모델이 이상 구간을 분석합니다.
- 오케스트레이터 점검 항목을 정리합니다.
- Catalog 학습할 데이터와 기능을 등록합니다.
- Analyze 예측 모델을 만들고 검증합니다.
- 오케스트레이터 AI가 모델을 불러 업무에 씁니다.
기존 시스템과 함께
기존 시스템은 그대로 두고 AI만 더하세요
설치 환경
사내 서버, 클라우드, 망분리 환경 어디든 데이터가 있는 곳에 맞춰 설치합니다.
기존 시스템 연동
ERP·MES·CRM의 조회·처리 기능을 AI 업무에 연결합니다.
개방형 표준
표준 연결 방식(MCP)으로 사내 기능을 연결해, 시스템을 바꿔도 AI는 그대로 씁니다.
업무 화면
RxControls를 쓰면 AI 데이터를 보여 주고 다루는 화면을 쉽게 구현합니다.
FAQ
자주 묻는 질문
데이터가 외부 AI 서비스로 나가나요?
고르실 수 있습니다. ChatGPT · Claude · Gemini 같은 외부 AI를 연결할 수도 있고, 회사 PC나 사내 서버에 설치한 AI만으로 운영할 수도 있습니다. 사내 설치로 쓰면 데이터는 회사 밖으로 나가지 않고, 인터넷이 끊긴 망분리 환경에도 설치합니다.
어떤 AI 모델(LLM)을 쓰나요?
ChatGPT · Claude · Gemini와 사내 설치형 AI 가운데 업무에 맞는 것을 고릅니다. 모델과 지시문, 연결 기능, 작업 계획 설정을 한 화면에서 바꾸고 바로 반영합니다.
지금 쓰는 MES나 ERP를 바꿔야 하나요?
아닙니다. 표준 연결 방식(MCP)과 기존 시스템용 커넥터로 그대로 연결합니다. 설비 데이터는 LINKER SERVER로 실시간 연동합니다.
기술적으로는 어떻게 이뤄져 있나요?
대화(Assistant), 업무 실행(Orchestrate), 시스템 연결(MCP), 예측(Analyze), 품질 측정(Monitor), 권한 · 감사(Governance) 6개 모듈로 구성됩니다.
오픈소스를 활용하나요?
아니요. 웨이브그램은 2020년부터 AI 비전과 AI 제품군을 전문으로 개발해 온 회사입니다. 순수하게 자체 기술로 개발하기 때문에 어떤 고객사만의 프로세스에도 맞춰 최적화할 수 있습니다.
AI 데이터를 우리 업무 화면에 넣으려면?
RxControls를 쓰면 AI 데이터를 보여 주고 다루는 업무 화면을 쉽게 구현할 수 있습니다.
도입은 어떻게 시작하나요?
4~6주 동안 핵심 업무 하나로 먼저 검증하고, 4~5개월 동안 실제 데이터로 구축한 뒤 전사로 넓힙니다.