WITHUS AIoT Digital Twin Ops Handbook

Appearance

05. 시트3 현장 분석가 AI ​

이 단계에서 배우는 것 ​

시트3은 룰엔진 결과와 최신 상태를 읽고, 현장 위험 조기 해석 담당자 페르소나로 현장 의견을 생성합니다.

처음에는 mock 기반으로 동작을 확인하고, 이후 Gemini API, ChatGPT API, Claude API, 로컬 Ollama 같은 LLM으로 교체할 수 있습니다.

전체 흐름에서의 위치 ​

flowchart TB
  state["state/current"]
  rule["rule/result"]
  prompt["현장 분석가 요청 구성"]
  llm["AI Agent<br/>Mock 또는 LLM API"]
  output["analysis/field-analyst"]
  manager["다음 단계: 관리자 AI"]

  state --> prompt
  rule --> prompt
  prompt --> llm
  llm --> output
  output --> manager

입력 토픽 ​

text
kiot/{uniq-user-id}/dt/factory/room-01/state/current
kiot/{uniq-user-id}/dt/factory/room-01/rule/result

출력 토픽 ​

text
kiot/{uniq-user-id}/dt/factory/room-01/analysis/field-analyst

페르소나 역할 ​

현장 분석가 AI는 다음 관점으로 응답합니다.

  • 현재 온도와 진동 상태 해석
  • 컨베이어벨트 가동 여부 확인
  • 과열 모드 여부 확인
  • 룰엔진 판단 결과 해석
  • 35도 이전의 빠른 온도 상승 경고
  • 40도 부근의 장비 보호 목적 사전 셧다운 필요성 설명

출력 형식 ​

시트3의 출력은 반드시 엄격한 JSON일 필요는 없습니다. 다음 입력이 시트4 AI 에이전트이기 때문에, 현장 전문가 의견 메시지가 핵심입니다.

권장 payload:

json
{
  "userId": "student-01",
  "roomId": "room-01",
  "generatedAt": "2026-04-19T00:00:00.000Z",
  "analystPersona": "field-risk-early-analyst",
  "llmProvider": "mock",
  "message": "온도 상승 속도가 빠릅니다. 35도 도달 전이라도 냉각 준비가 필요합니다."
}

Mock을 먼저 쓰는 이유 ​

Mock은 실제 LLM이 아니므로 해석 능력은 제한적입니다. 하지만 실습 초반에는 큰 가치가 있습니다.

  • API Key 없이 전체 토픽 흐름을 검증할 수 있습니다.
  • 시트4와 Dashboard 연계를 먼저 테스트할 수 있습니다.
  • LLM API 호출 실패와 Node-RED 흐름 오류를 분리해서 볼 수 있습니다.

실제 LLM 연동 시 유의사항 ​

  • API Key를 Node-RED JSON에 직접 넣지 않습니다.
  • 로컬 환경변수 또는 Node-RED credential 설정을 사용합니다.
  • LLM 제공자가 바뀌어도 같은 페르소나와 같은 입력 정보를 유지합니다.
  • 응답이 장황하면 시트4에서 운영 권고로 바꾸기 어려워질 수 있습니다.

따라하기 ​

  1. 시트3 JSON을 import합니다.
  2. 먼저 AI Agent (Mock) 노드로 연결된 상태를 확인합니다.
  3. analysis/field-analyst 토픽을 MQTTX에서 구독합니다.
  4. 정상 상태, 과열 모드, warning 상태를 각각 만들어 메시지를 비교합니다.
  5. 이후 선택적으로 Gemini API 또는 로컬 LLM 호출 노드로 교체합니다.

성공 기준 ​

  • state/current와 rule/result 입력을 바탕으로 현장 의견이 발행됩니다.
  • 정상 상태에서는 불필요한 과잉 권고를 하지 않습니다.
  • 과열 모드와 빠른 온도 상승 상황에서는 조기 경고를 생성합니다.

자주 막히는 지점 ​

  • 시트3과 시트4가 서로 토픽을 다시 자극하면 루프가 생길 수 있습니다.
  • 정상 상태에서도 매번 강한 권고를 내면 시트4가 잘못된 운영 권고를 만들 수 있습니다.
  • 실제 LLM 응답이 JSON처럼 보이더라도 시트3에서는 메시지 중심으로 취급하는 편이 안전합니다.

다음 단계로 넘어가기 전 체크 ​

  • 시트3이 직접 제어하지 않는다는 점을 설명할 수 있습니다.
  • mock과 실제 LLM의 역할 차이를 이해했습니다.
  • 현장 분석가 메시지가 시트4의 입력이 된다는 점을 확인했습니다.

WITHUS AIoT Digital Twin Ops Handbook

Copyright © 2026