16. Root Cause Reasoning Chain 설계

 

반응형

 

제조공정의 불량 원인 분석(Anomaly Root Cause Analysis)을 자동화하기 위해
Reasoning Chain 기반 Agentic AI 구조를 설계하려 한다.

데이터를 통한 “이상 탐지 → 원인 추론 → 근거 문헌 인용 → 조치 제안” 과정을
Agent Chain 형태로 구성하고, 각 단계의 입력·출력 구조를 설계하시오.

 

 

 

① 목적

• 제조 불량의 원인은 단일 변수가 아닌 다수의 상호작용 변수에 의해 발생.
• LLM이 데이터를 근거로 논리적 Reasoning Chain을 따라가며
  원인을 설명하고 근거 문서를 인용해야 함.

---

② 전체 구조

[Sensor Data] ──> Anomaly-Agent
                    ↓
                RootCause-Agent
                    ↓
                RAG-Agent
                    ↓
                Action-Agent
                    ↓
                Report-Agent

---

③ 단계별 역할

Agent입력처리 로직출력

Anomaly-Agent	시계열 데이터	Isolation Forest / TCN	이상 구간 (time range, variables)
RootCause-Agent	이상 구간 데이터	상관분석, SHAP, Causal Inference	주요 변수·영향도
RAG-Agent	변수명, 공정명	문헌·SOP 검색	관련 절차/허용범위
Action-Agent	원인+SOP 내용	조치 제안 생성	조치 텍스트
Report-Agent	모든 결과	리포트 통합	PDF/DOCX 보고서

---

④ 예시 시나리오

입력: 2025-10-18 라인2 수율 급락

Anomaly-Agent: OvenTemp(±8℃), Speed(1.1m/s) 감지
RootCause-Agent: Corr(Temp,Yield)=−0.81 → 주요원인 Temp
RAG-Agent: SOP-HT-221 §3.2 인용 (허용 ±5℃)
Action-Agent: “온도 PID 재튜닝 및 센서 점검”
Report-Agent: 근거 포함 보고서 완성

---

⑤ LangGraph 워크플로 예시

nodes:
  - anomaly_agent
  - rootcause_agent
  - rag_agent
  - action_agent
  - report_agent
edges:
  - anomaly_agent -> rootcause_agent
  - rootcause_agent -> rag_agent
  - rag_agent -> action_agent
  - action_agent -> report_agent

• 각 노드의 출력은 JSON 형태로 전달:

 

{
  "variable": "OvenTemp",
  "deviation": 8,
  "impact": 0.81,
  "sop_reference": "SOP-HT-221 §3.2",
  "recommended_action": "Adjust PID controller"
}

---

⑥ 기술적 포인트

영역기술설명

이상탐지	IsolationForest / TCN	실시간 이상 감지
원인추론	SHAP, CausalImpact	변수 영향도 추정
근거검색	BM25+pgvector RAG	SOP/WI 인용
조치생성	LLM (Instruction-tuned)	자연어 조치 생성
체인관리	LangGraph	플로우 및 재시도 관리

---

⑦ 평가 포인트

• 단계별 입력/출력 구조를 명확히 제시했는가
• RootCause-Agent가 수치적/문헌적 근거를 결합하는 구조를 설명했는가
• 최종 리포트 생성까지의 Reasoning Chain을 논리적으로 구성했는가① 목적
  • 제조 불량의 원인은 단일 변수가 아닌 다수의 상호작용 변수에 의해 발생.
  • LLM이 데이터를 근거로 논리적 Reasoning Chain을 따라가며
    원인을 설명하고 근거 문서를 인용해야 함.

  ---

  ② 전체 구조

  ---

  ③ 단계별 역할

  ---

  ④ 예시 시나리오

  ---

  ⑤ LangGraph 워크플로 예시
  • 각 노드의 출력은 JSON 형태로 전달:
   

  {
    "variable": "OvenTemp",
    "deviation": 8,
    "impact": 0.81,
    "sop_reference": "SOP-HT-221 §3.2",
    "recommended_action": "Adjust PID controller"
  }

  ---

  ⑥ 기술적 포인트

  ---

  ⑦ 평가 포인트
  • 단계별 입력/출력 구조를 명확히 제시했는가
  • RootCause-Agent가 수치적/문헌적 근거를 결합하는 구조를 설명했는가
  • 최종 리포트 생성까지의 Reasoning Chain을 논리적으로 구성했는가
• 영역기술설명

  이상탐지	IsolationForest / TCN	실시간 이상 감지
  원인추론	SHAP, CausalImpact	변수 영향도 추정
  근거검색	BM25+pgvector RAG	SOP/WI 인용
  조치생성	LLM (Instruction-tuned)	자연어 조치 생성
  체인관리	LangGraph	플로우 및 재시도 관리

• nodes:
    - anomaly_agent
    - rootcause_agent
    - rag_agent
    - action_agent
    - report_agent
  edges:
    - anomaly_agent -> rootcause_agent
    - rootcause_agent -> rag_agent
    - rag_agent -> action_agent
    - action_agent -> report_agent

• 입력: 2025-10-18 라인2 수율 급락
• Anomaly-Agent: OvenTemp(±8℃), Speed(1.1m/s) 감지
  RootCause-Agent: Corr(Temp,Yield)=−0.81 → 주요원인 Temp
  RAG-Agent: SOP-HT-221 §3.2 인용 (허용 ±5℃)
  Action-Agent: “온도 PID 재튜닝 및 센서 점검”
  Report-Agent: 근거 포함 보고서 완성
• Agent입력처리 로직출력

  Anomaly-Agent	시계열 데이터	Isolation Forest / TCN	이상 구간 (time range, variables)
  RootCause-Agent	이상 구간 데이터	상관분석, SHAP, Causal Inference	주요 변수·영향도
  RAG-Agent	변수명, 공정명	문헌·SOP 검색	관련 절차/허용범위
  Action-Agent	원인+SOP 내용	조치 제안 생성	조치 텍스트
  Report-Agent	모든 결과	리포트 통합	PDF/DOCX 보고서

• [Sensor Data] ──> Anomaly-Agent
                      ↓
                  RootCause-Agent
                      ↓
                  RAG-Agent
                      ↓
                  Action-Agent
                      ↓
                  Report-Agent