제조 / 완성차
BMW: 연구개발 결함 티켓의 품질 개선과 같은 원인의 과거 사례 판별
- 기업
- BMW
- 국가
- 독일
- 도입 상태
- 실증
- 자료 공개
- 날짜 기준
- 자료 발표 시점. 도입 시작일과 다를 수 있음
- 근거 확인 방법
- 원문 본문 열람
업무 문제
BMW의 연구개발 결함 관리에서는 제목과 설명이 불완전한 티켓을 보완하고, 같은 원인으로 생긴 과거 결함을 찾아 중복 조사를 줄여야 했다. 독일어와 영어가 섞인 내부 자료에는 고유한 분류와 식별자가 포함돼 일반 모델에 상세 지시만 주면 식별자를 지어내거나 출력 언어를 틀리는 문제가 있었다. AWS와 BMW는 이 업무를 모델 맞춤 학습과 평가 방법을 검증하는 대상으로 삼았다.
적용한 기술과 데이터
양사는 12주 협업에서 티켓 수정 이력과 원인 분석 결과를 활용했다. Bedrock 모델로 학습 예시를 만들고, 별도 판정 모델로 정보 보존, 형식과 언어 조건을 검사해 예시를 걸렀다. SageMaker에서 작은 기본 모델에 업무별 QLoRA 어댑터를 학습하고, 하나의 실시간 접속점에서 여러 어댑터를 선택해 쓰도록 구성했다. 티켓 제목과 설명을 고치거나 빠진 정보를 묻는 질문을 만들고, 새 결함과 주어진 과거 후보가 같은 원인인지 판별한다. BMW가 업무 정의와 평가 기준, 학습 자료와 어댑터를 관리하는 구조다.
성과
AWS와 BMW는 별도로 보관한 평가 자료에서 제목 품질 점수가 5점 척도 기준 3.74에서 4.71로, 설명 품질이 2.84에서 3.87로 높아졌다고 밝혔다. 같은 원인이 없는 후보를 구별하는 성능도 개선됐다고 설명한다. 이는 단일 학습 설정과 고정된 후보 목록에서 얻은 실험 결과이며, 현장 처리 시간 단축이나 전체 검색 서비스의 운영 성과로 바꾸어 해석하지 않는다.
한계와 남은 과제
원문은 단일 무작위 초기값과 단일 학습 설정의 평가라고 명시한다. 전체 검색 과정과 상시 운영 배포, 실제 엔지니어의 업무 시간 개선은 확인되지 않았다.
출처
- How BMW builds toward Industry AI on Amazon SageMaker AIAWS for Industries, 확인
공개된 자료를 정리한 사례입니다. ATF Works 도입 고객의 결과가 아닙니다.