https://daxi-intro.misoinfo.co.kr
Daxi | 닥시
클라우드 네이티브 제조 AI 워크플로우 플랫폼
제조 현장의 복잡한 프로세스를 AI 기술로 자동화하고 최적화하는 차세대 지능형 플랫폼입니다.
AI 제품/서비스 개요
4M 변경 & NG 이슈 자동화
제조 현장의 4M 변경(Man, Machine, Material, Method)과 NG 이슈(부적합) 처리 과정을 표준 워크플로우로 만들어 AI 기반으로 자동 실행합니다.
클라우드 네이티브 구조
8개 모듈 마이크로서비스로 구성되어 컨테이너로 배포되며, Kafka 이벤트 버스로 유기적으로 협업합니다.
DSL(도메인 전용 선언 언어)와 유연한 확장성
이벤트 방식으로 연결되어 부하가 커지면 자동 확장되며, DSL(도메인 전용 언어)로 워크플로우를 쉽게 변경할 수 있습니다.
생성형 AI 기술
RAG(검색+생성 AI)가 과거 문서/데이터에서 근거를 찾아 요약하고, LLM-as-Judge가 보고서의 완성도와 일관성을 점검합니다.

한 줄 요약:
"DSL(도메인 언어)로 선언하고, 이벤트로 실행되는
'4M 변경·NG 이슈', 지능형 제조 AI 워크플로우."
제조현장에서 현장 담당자들이 스스로 최적의 AI 작업 방식을
설계하고 실행할 수 있는 지능형 AI 워크플로우 구축 플랫폼입니다.
1. 4M 변경(4M Change, 4M 변경 관리): 제조 공정 변동의 4가지 원인 축인 Man(사람), Machine(설비), Material(자재), Method(방법) 중 하나 이상이 변경되는 것. 링크
2. NG 이슈(NG Issue, 부적합 이슈): Nonconforming/No Good(부적합, 불량). 규격을 벗어난 제품·공정 결과나 결함이 발생한 사건. 링크
3. DSL(Domain-Specific Language, 도메인 특화 언어): 특정 분야나 목적에 맞게 설계된 전용 선언 언어. 링크
4. RAG(Retrieval-Augmented Generation, 검색 기반 생성 또는 검색 증강 생성): LLM이 답변을 만들기 전에 관련 데이터를 먼저 찾아와 근거로 삼는 방식. 링크
5. LLM-as-Judge(LLM 평가자): “대규모 언어 모델(LLM)을 ‘판정자(Judge)’로 사용하는 개념” 즉, AI가 사람이 하던 평가·검증 역할을 자동으로 수행하는 체계. 링크
제조현장 문제점
AI의 기술적 복잡성과 전문 인력의 부재
  • 현장+데이터 모두 이해하는 인재 부족: 공정 원리(현장)와 데이터/AI(데이터 과학)를 동시에 잘 아는 사람은 매우 드뭅니다.
  • 도입 장벽과 리스크: 자체 도입은 대용량 데이터 인프라, 고급 모델링, 성능 검증까지 필요합니다. 시간과 비용이 크고, 전문 인력 없으면 실패 위험이 큽니다.
전문가 경험 의존과 지식 단절
  • 품질 편차: 작업자와 교대에 따라 제품 결과와 신뢰가 달라집니다.
  • 표준화·전수 어려움: 노하우가 문서화·정량화되지 않아 신규 인력 교육과 타 라인 확산이 어렵습니다.
  • 핵심 인력 리스크: 이직/퇴직시 핵심 지식 유출·소실될 수 있습니다.

AI/데이터·표준 프로세스·지식화가 한 시스템에서 연결되어야 하며, 클라우드로 사내에 빠르게 확장/공유할 수 있어야 합니다.
Daxi | 닥시 제품/서비스의 주요 특징
1
4M 변경 관리
변경 제기 → 과거사례·문서 근거 찾기(RAG) → 통계(SPC) 영향 예측 → HITL 승인 → 변경 공지/작업 가이드 자동 배포 → 사후 효과 검증/모니터링
승인 리드타임 단축, 변경 이력·근거 완전 추적, 표준화된 변경 실행
2
NG 이슈 처리
이슈 등록 → 유사사례 검색(RAG) → 잠정조치/격리 → 원인분석(RCA)·대책(CAPA) 권고 → Judge(보고 품질 점검) → 종결 리포트 자동화
재발 방지 체계화, 보고서 품질 상향, MTTR 단축
3
노코드/로우코드 워크플로우 스튜디오
드래그앤드롭 노드(입력·분석·승인·보고·알림)로 업무 플로우를 현장 주도로 생성/수정
개발 의존도 최소화, 라인·공정별 템플릿 재사용
4
컨텍스트 허브(RAG 기반)
작업표준서, 설비 매뉴얼, 공정이력(MES/HMI), NG 보고서 등 내부 문서·데이터를 의미검색으로 연결
"어떤 근거로 판단했는가?"를 출처 포함해 리포트에 자동 첨부 → 감사 대응
신뢰하고, 확장 가능한 AI 워크플로우
1
HITL 게이트
AI가 정보를 수집·분석해 제공하고, 인간이 이를 바탕으로 최종 판단하는 구조입니다. AI는 판단을 대체하지 않고, 판단에 필요한 정보를 빠르고 정확하게 제공해 인간의 판단 능력을 보강합니다. 이는 단순 자동화가 아니라 인간의 전문성을 증강하는 방식입니다.
단순한 자동화를 넘어서 전문가의 능력을 증강
2
Outbox, Idempotency, DLQ, Timeout, State, Schema
Outbox 패턴으로 정보 원자성 보장, 중복 처리 방지, DLQ로 실패 이벤트 보관·재처리, Timeout으로 무한 대기 방지, State로 상태 복구, Event Envelope로 이벤트 표준화·버전 관리하여 데이터 손실과 중복 처리를 방지하고 장애 시 복구 가능한 이벤트 기반 워크플로우를 제공합니다.
데이터 무결성 - 데이터 손실 방지 시스템 안정성 - 장애 상황에서도 안정적 운영 장애 복구 - 실패 시 자동/수동 복구 가능
3
이벤트 기반 확장성(클라우드네이티브)
Daxi는 Kafka로 연결된 독립 서비스들이 필요에 따라 개별 확장되고, 안전성 패턴으로 신뢰성을 보장하며, Docker로 클라우드와 온프레미스 모두에서 동일하게 운영되는 이벤트 기반 마이크로서비스 시스템입니다.
필요한 서비스만 선택적으로 확장해 비용을 줄이고, 장애 격리와 안전성 패턴으로 안정성을 보장하며, Docker 기반으로 클라우드/온프레미스 모두에서 유연하게 운영
1: SPC(Statistical Process Control, 통계적 공정 관리): 생산 공정에서 나오는 데이터를 통계적으로 감시·분석해 품질 변동을 관리하는 방법. 링크
2: HITL(Human-in-the-Loop, 인간 개입형 검증 루프): 자동화된 워크플로우 중간에 사람의 판단·승인·수정을 반드시 거치게 하는 방식. 링크
3: RCA(Root Cause Analysis, 근본 원인 분석): 문제가 “왜 발생했는가?”를 단계적으로 파악하는 문제의 원인 추적 절차. 링크
4. CAPA(Corrective Action Preventive Action, 시정 및 예방 조치): 발견된 부적합 사항의 근본 원인을 찾아내고, 해당 문제가 재발하지 않도록 시정 조치(Corrective Action) 및 잠재적 문제가 발생하지 않도록 예방 조치(Preventive Action)를 취하는 체계적인 품질 개선 활동. 링크
Daxi | 닥시 시스템 구성도
AI의 역할
찾기(검색/RAG)
문서·로그·이력에서 관련 근거를 찾아 연결합니다. 4M 변경의 근거 수집, NG 이슈 유사사례 검색, 교육자료/표준서 매핑을 수행합니다.
요약·생성(Generation)
변경 가이드/조치 가이드/보고서 초안을 자동 작성합니다. 승인 전 안내문, 조치 체크리스트, 종결 리포트, 교육자료를 생성합니다.
분석(Statistics/ML & Reasoning)
SPC(CUSUM/EWMA), 간단 ML로 영향/이상 탐지 + LLM 추론으로 가설을 정교화합니다. 변경 영향 예측, NG 이상감지·원인 후보 정리, 사후효과 검증을 수행합니다.
판정(Evaluation/Judge)
보고서 누락/일관성/근거 적합성을 자동 점검(점수화/체크리스트)합니다. NG 8D 보고, 변경 승인 자료, 교육 문서 최종 검수를 담당합니다.
계획/조정(Agent Orchestration)
여러 에이전트(검색/분석/요약/알림)가 역할 분담·협업하고, 필요한 툴을 호출합니다. 이슈 접수 후 자동 티켓·작업 생성, 데이터 누락 시 보정 요청, 승인 지연 시 리마인드를 수행합니다.
지속 운영(LLMOps)
성능 모니터링(정확도/커버리지/반응속도), 프롬프트·모델 버전 관리, 드리프트 감지/튜닝을 수행합니다. 분기별 표준 업데이트, 신제품 도입에 따른 지식 보강, KPI 기반 개선 루프를 운영합니다.
1: CUSUM(Cumulative Sum, 누적합 관리도): 목표값에서의 편차를 계속 누적해 작은 평균 이동(shift)도 빠르게 잡아내는 방법. 링크
CUSUM 분석의 이해
2: EWMA(Exponentially Weighted Moving Average, 지수가중 이동평균): 최신 데이터에 더 큰 가중치를 주는 이동평균으로 완만한 추세 변화를 부드럽게 포착. 링크
EWMA 분석의 이해
3: 8D(Eight Disciplines Problem Solving, 8단계 문제 해결법): 제조·품질에서 재발 방지를 목표로 하는 표준 문제해결 절차(총 8단계 + 준비 단계)로, 보통 중대 불량, 안전/규제 이슈, 반복 발생 문제에 적용. 링크
4: LLMOps(Large Language Model Operations, 대규모 언어 모델 운영): 대규모 언어 모델(LLM)을 제품/서비스에 안정적으로 적용·운영하기 위한 전 과정(설계→개발→배포→모니터링→개선) 체계. 링크
AI 적용 기술
DSL(도메인 전용 선언 언어)
복잡한 현장 로직을 노드/엣지로 선언(조건·분기·타임아웃·재시도·루프 포함), 버전/릴리즈 관리, 시뮬레이션 실행
효과: 코드 수정 없이 현장 스스로 빠른 변경·확산
컨텍스트 관리
정형/반정형/비정형 데이터를 통합 관리하여 GenAI 활용 기대 효과 확보
효과: 반정형/비정형 문서 기반 도메인 문맥 이해, 정형 데이터 활용도 확대
LLM(대규모 언어 모델)
맥락 이해/요약/생성/추론, RCA 가설 정리·CAPA 제안
효과: 문서·대화 중심 지식 업무의 속도·일관성 향상
RAG(검색 증강 생성)
내부 문서(매뉴얼, 표준서, 변경/NG 이력, 도면) + 데이터(로그, 수율) 의미검색 → 출처 포함 근거 제공
효과: 근거 중심 답변·보고, 감사 대응력/신뢰성 향상
에이전트 오케스트레이션
검색/분석/생성/알림 역할별 에이전트가 협업하고, 필요 시 외부 도구 호출(DB, 스크립트, API)
효과: 복잡한 업무를 반자동/자율로 처리, 운영자의 인지부하 감소
LLMOps(운영/평가/개선)
오답 패턴/커버리지 모니터링, 프롬프트/모델 버전 관리, 오프라인 벤치마크 & 온라인 A/B 테스트
효과: 품질 지속 개선, 규정 준수·추적성 강화
AI 적용 기술 설명
  1. DSL(도메인 전용 선언 언어)
  • 무엇: 복잡한 업무 절차를 “코드가 아닌 문장/블록”으로 선언하는 언어.
  • Daxi에선: 승인·타임아웃·재시도·보상 같은 현장 패턴을 문장으로 적고, 엔진이 그대로 실행.
  • 예시: “NG 접수 → 담당자 승인 대기(최대 24h) → 미응답이면 다른 승인자에게 재배정 → 승인되면 RCA 시작”.
  1. RAG(검색 증강 생성)
  • 무엇: LLM이 답을 만들 때 내부 문서·로그·도면에서 근거를 찾아 함께 제시하는 방식.
  • Daxi에선: 매뉴얼/표준서/변경 이력/도면/수율 로그를 묶어 질문에 “출처 포함” 답변을 생성.
  • 예시: “지난주 라인 B 불량 원인?” → 표준서 §3.2와 변경티켓 #417, 수율 로그 링크를 함께 보여줌.
  1. LLM(대규모 언어 모델)
  • 무엇: 문서를 읽고 요약·정리·초안 작성·추론까지 도와주는 똑똑한 텍스트 엔진.
  • Daxi에선: RCA 보고서 초안, CAPA 제안, 회의록 요약 등 문서 중심 업무 속도를 끌어올림.
  • 예시: “오늘 RCA 회의 결과로 CAPA 항목 정리해줘” → 실행 주체/기한/검증방법까지 표로 자동 정리.
  1. 에이전트 오케스트레이션
  • 무엇: “검색·분석·생성·알림” 같은 역할별 작은 에이전트들이 팀처럼 함께 일하도록 조율.
  • Daxi에선: 검색 에이전트가 자료 모으고 → 분석 에이전트가 통계 돌리고 → 생성 에이전트가 보고서 만들고 → 알림 에이전트가 승인 요청까지 이어짐.
  • 예시: “4M 변경 신청”이 들어오면 관련 LOT/수율 자동 수집 → 영향 분석 → 승인요청 메시지 전송.
  1. LLMOps(운영/평가/개선)
  • 무엇: LLM이 일관되고 안전하게 일하도록 모니터링·평가·버전관리를 체계화한 운영 방법.
  • Daxi에선: 프롬프트/모델 버전 추적, 오탐 패턴 기록, 오프라인 벤치마크 & 온라인 A/B 테스트로 지속 개선.
  • 예시: 보고서 초안 품질이 떨어지면 이전 버전과 비교·평가해 더 잘 나온 조합으로 자동 롤백/업데이트.
  1. No-Code / Low-Code 도구
  • 무엇: 개발자가 아니어도 드래그&드롭·폼 입력만으로 플로우를 설계·배포하게 해주는 도구.
  • Daxi에선: 파라미터/조건만 바꾸어 라인/제품별 맞춤 워크플로우를 현장에서 스스로 운영.
  • 예시: “라인 C는 승인 단계 2명 → 1명으로 완화, 타임아웃 12h로 변경”을 화면에서 즉시 적용.
제조현장 문제해결 과정
Daxi는 4M 변경/NG 이슈가 접수되면, 과거 사례를 찾고(RAG), 통계 분석(SPC)으로 영향도를 예측한 뒤, HITL(사람 승인) 게이트를 거쳐 조치/공지까지 이어지는 절차를 템플릿으로 실행합니다. 이렇게 하면 "누가, 언제, 무엇을, 왜" 했는지가 자동 기록되어 감사 추적성이 보장됩니다(고유 correlation_id로 전 과정 추적).
4M 변경 프로세스
01
요청
변경 사유/대상/기간 입력
02
근거 수집
과거 변경·ECR·표준서·이력(RAG로 자동 요약)
03
영향 예측
SPC(CUSUM/EWMA 등) 결과 확인
04
승인(HITL)
역할별(품질/생산) 검토·승인
05
공지/배포
라인·교대 별 변경 가이드 자동 발송
06
효과 검증
일정 기간 사후 데이터 모니터링
NG 이슈 프로세스
01
등록
이슈/현상·LOT·사진·로그 입력
02
유사사례
문서/이력 검색 → 잠정조치 제안
03
원인·대책
RCA/CAPA 권고(체크리스트 포함)
04
승인(HITL)
실행 승인 → 교육/공지 배포
05
보고/종결
자동 리포트 + Judge 점검(누락·근거 확인)

NG 이슈의 경우, RCA/CAPA 작성 후 LLM-as-Judge가 보고서의 완성도·논리성을 점검하고 점수를 부여해 품질 문서를 일정 수준 이상으로 표준화합니다.
1: correlation_id(상관 ID): 분산 시스템에서 하나의 작업(요청·워크플로우 인스턴스)을 끝까지 추적하기 위해 모든 이벤트·로그·메시지에 함께 붙이는 고유 식별자. 링크
2: ECR(Engineering Change Request, 설계 엔지니어링 변경 요청): 제품·공정·자재·문서 등에서 변경이 필요하다고 공식 제안하는 최초 문서/이슈를 의미. 링크
3: LOT(로트): 같은 조건(시간·설비·공정·자재)으로 생산·처리된 묶음 단위. 링크
AI 적용 효과
30-50%
의사결정 리드타임 단축
4M 변경 관리 프로세스 최적화
70-90%
근거탐색 시간 감소
RAG 기반 자동 문서 검색
+13pp
FPY 향상
처음부터 한 번에 합격하는 비율 증가
60-80%
감사 준비 시간 단축
자동 추적성 및 문서화
4M 변경 관리
AI 작동: RAG로 과거사례/표준서 근거 수집 → SPC/간단 ML로 영향 예측 → HITL 승인 지원 → 변경 가이드 자동 생성/배포 → 사후 모니터링
의사결정 리드타임 30–50%↓, 근거탐색 70–90%↓, FPY +13pp, 감사 준비 60–80%↓
NG 이슈 처리
AI 작동: 유사사례 매칭(RAG) → 잠정조치 체크리스트 → RCA/CAPA 권고 → Judge로 보고 누락/일관성 점검·점수화 → 종결 리포트 자동화
MTTR 25–45%↓, 재발률 20–40%↓, 보고 반려율↓, Judge 점수 +15~25
컨텍스트 허브(RAG 기반)
AI 작동: 문서·로그·이력 임베딩/의미검색, 출처 포함 근거 리포팅, 요약
근거 중심 의사결정, 탐색 TAT 대폭↓, 감사 대응력↑
자동 문서화·가이드 생성
AI 작동: 변경/조치/종결 보고·교육안내 자동 생성(다국어), Judge 사전 점검
보고 품질 편차↓, 전사 표준 문서 정착, 교육·전파 속도↑

RAG → 분석 → 생성 → Judge → (피드백) RAG… 결국 의사결정이 빠르고(리드타임·MTTR↓), 일관되며(보고 표준화·편차↓), 근거가 명확하고(출처·감사 추적), 성과가 개선되는(FPY↑·재발률↓) 상태로 지속 고도화됩니다.
1: FPY(First Pass Yield, 직행률): 제품이 처음 공정을 통과할 때 재작업·수정 없이 합격하는 비율. “처음부터 한 번에 OK 나온 비율”을 뜻. 링크
2: MTTR(Mean Time To Repair, 평균 수리 시간): 설비 고장부터 복구 완료까지 걸린 평균 시간. 낮을수록 좋은 지표 (빨리 고치는 공장일수록 MTTR↓). 링크
적용사례
4M 변경: 세라믹 건조/큐어링 최적화
비즈니스 목표: Throughput↑ while DefectRate ≤ 2%
핵심 트리거: Setpoint +5 °C 변경(Zone3), 대상 신호: 온도/습도/체류시간
AI 자동화: RAG(유사사례·표준서 근거) → SPC/EWMA(영향 예측) → 생성(변경 가이드 자동 작성·배포) → 모니터링(사후 효과)
HITL 결정: PASS/HOLD/REJECT 기준: 추종오차 P95 ≤ ±1.5 °C, Defect ≤ 2%, 목표 Throughput 달성
핵심 성과: 의사결정 리드타임 30–50%↓, 근거탐색 70–90%↓, FPY +1~3pp, 감사 준비 60–80%↓
재무/운영 효과: 생산량 증가, 재작업·스크랩 비용↓, 변경 실패 리스크↓(표준화)
NG 이슈: 4M 연계 RCA
비즈니스 목표: MTTR↓, 재발률↓, 보고 표준화
핵심 트리거: DefectRate 5.1%(spec 0–2%), 4M 변경 후 61일 경과
AI 자동화: RAG(4M 이력·유사사례 매칭) → RCA 통계(CUSUM/EWMA·변화점·상관/전후 비교) → Judge(누락/일관성 점검·점수화) → 생성(RCA 보고)
HITL 결정: 승인(approve): "온도 원복 + 습도 상한 48%"
핵심 성과: MTTR 25–45%↓, 재발률 20–40%↓, 보고 반려율↓, 실측: 5.1% → 1.8%
재무/운영 효과: COPQ(불량비용)↓, 라인다운 시간↓, 지식 재사용으로 차후 대응 속도↑

공통 플랫폼 가치: 모든 판단이 출처·지표와 연결되고, 사례가 템플릿·지식으로 축적되어 라인/공장 간 재사용·복제가 가능합니다.
1: COPQ(Cost of Poor Quality, 품질 불량 비용): “규격에서 벗어난 품질 때문에 발생하는 모든 손실 비용”의 총합. 링크
자동화를 넘어서 증강으로…
Augmentation, beyond automation…
자동화
반복적인 작업을 기계적으로 처리하여 비용 절감과 효율 향상을 추구합니다.
증강
어제는 불가능했던 일을 가능하게 하여 새로운 가치와 성과를 창출하는 데 중점을 둡니다. 증강 지능은 복잡한 데이터에서 통찰력을 도출하여 인간의 의사결정을 지원합니다.
AI의 역할
지루한 데이터를 처리하고 유의미한 인사이트를 제공하는 보조 도구로 활용됩니다.
인간 전문가의 역할
엔지니어, 관리자는 AI의 도움을 받아 더 빠르고 정확하게 의사결정을 내리지만, 최종 판단과 창의적인 문제 해결은 여전히 사람의 몫으로 남겨둡니다.

ai-augmentation-manufact-32uv5jx.gamma.site

제조업 도메인에서 AI 증강(Augmentation)

인간의 전문성과 역량을 확장하고 향상시키는 증강 지능의 미래 AI 증강의 핵심 철학: 자동화가 아닌 증강 (Augmentation, Not Automation) 도메인별 적용: 제조업 도메인별 AI 증강 방안 및 사례 설계 원칙: 성공적인 AI 증강을 위한 설계 원칙 (워커블 AI)

Daxi | 닥시 시연 동영상
Daxi | 닥시 모바일

01:36

YouTube

Daxi | 닥시 모바일 #daxi #smartphone #eventdriven #workflow

Daxi | 닥시 설명 동영상

06:57

YouTube

닥시(daxi) | 1. 복잡한 워크플로우를 재정의하다

닥시(daxi) | 1. 복잡한 워크플로우를 재정의하다 닥시는 제조 현장의 복잡한 과정을 이벤트 기반 DSL 워크플로우로 단순화해, 데이터 → 분석 → 의사결정(HITL) → 보고서까지 자동으로 이어줍니다. Kafka + LangGraph 구조로 장기 실행, 재시도/롤백, 승인 게이트를 안전하게 처리합니다. • 복잡한 업무를 노드 조합(Flow/Context/Insight/Serve/Gateway) 으로 재구성 • CUSUM·EWMA 등 SPC 분석 내장, 결과를 보고서까지 자동 생성 • HITL 승인과 타임아웃/재개 등 운영 현실을 반영한 견고한 실행 대표 데모 흐름 • 4M 변경: context ↑ → flow.run → retrieval → insight.alerts → HITL 승인 → report • NG 이슈: context ↑ → flow.run → retrieval → anomaly/recurrence → RCA/CAPA → effectiveness →

06:33

YouTube

닥시(daxi) | 2. 현대 제조 공정을 위한 AI 워크플로우 엔진

닥시(daxi) | 제조용 이벤트 기반 AI 워크플로우 닥시는 4M 변경·NG 이슈를 이벤트 기반 DSL로 자동 실행해 데이터 → 분석 → 의사결정 → 보고서를 끝까지 처리합니다. Kafka + LangGraph로 장기 실행/재시도/HITL 승인을 안정적으로 지원합니다. • 왜 이벤트 중심 아키텍처가 제조 AI의 정답인가 • 4M 변경 검토 & NG 이슈 분석 데모 • CUSUM/EWMA 기반 이상탐지, HITL 승인 → PDF 보고서 자동화 모듈 한줄 요약: gateway(연동) · flow(오케스트레이션) · context(검색/RAG) · insight(SPC/평가) · serve(LLM/Judge) 대표 플로우 • 4M: context↑ → flow.run → retrieval → insight.alerts → HITL → report • NG: context↑ → flow.run → retrieval → anomaly/recurrence → HITL(RCA/

06:52

YouTube

닥시(daxi) | 3. 실제 현장을 위한 워크플로우

daxi | 실제 현장을 위한 워크플로우 daxi(닥시)는 제조·품질 현장을 위해 설계된 이벤트 드리븐( Event-Driven ) DSL 워크플로우 엔진입니다. 현장의 문서·설비·품질 데이터를 컨텍스트 패키지 → 분석 → 사람 검토(HITL) → 리포트까지 자동으로 연결해, “바로 쓰는” AI 업무흐름을 제공합니다. 이 영상에서 다루는 핵심 1. 4M 변경 검토(Man/Machine/Material/Method): 사전 영향 예측, 전후 데이터 비교, PASS/HOLD/REJECT 기준 수립 2. NG 이슈 분석: 이상탐지(CUSUM/EWMA), 재발성 확인, RCA/CAPA 및 효과성 평가 3. HITL 게이트: 승인·반려를 이벤트로 처리, 중단/재개 가능한 사가(Saga) 오케스트레이션 4. 표준 이벤트 스키마: q.{서비스}.{도메인}.{액션} 으로 추적/감사(상관/인과 ID) 5. 리포트 자동화: 근거(차트/표)와 추적성까지 포함한 보고서 생성 이런 분께 추천 - “문

07:44

YouTube

닥시(daxi) | 4. 이벤트 기반 DSL AI 워크플로우, 4M 변경 검토를 자동화하다

제조 현장의 모든 변화는 품질에 영향을 줍니다. 닥시(daxi)는 이벤트 기반 DSL AI 워크플로우로 복잡한 4M(Man, Machine, Material, Method) 변경 검토 과정을 자동화합니다. 이 영상에서는 1️⃣ 품질 관리의 병목 현상과 그 한계, 2️⃣ daxi가 제시하는 새로운 접근, 3️⃣ 핵심 엔진과 DSL 기반 자동화 구조, 4️⃣ 사람(HITL)과 AI의 협업 구조, 5️⃣ 제조 지능의 미래 방향성 을 차례로 소개합니다. --- 🔔 도메인 특화 DSL, 이벤트 기반 AI 워크플로, 실제 공장 사례가 궁금하다면 구독해 주세요. 📺 에피소드 시리즈는 플레이리스트에서 시청하세요: https://www.youtube.com/playlist?list=PLRP6Ky0sp9NrlflVj27mlWEcRdDnjSBlz About daxi | 닥시 daxi(닥시)는 제조업을 위한 Event-Driven DSL AI Workflow 플랫폼입니다. Kafka 기반의 이

09:14

YouTube

닥시(daxi) | 5. NG 이슈 분석의 새로운 표준, 이벤트 기반 DSL AI 워크플로우

불량(Non-Good, NG)은 생산성과 품질, 그리고 비용에 직접적인 영향을 미칩니다. 닥시(daxi)는 NG 이슈 분석 과정을 이벤트 기반 DSL AI 워크플로우로 전환하여 RCA(근본 원인 분석), CAPA(시정·예방 조치), 효과성 검증, 보고서 생성을 하나의 자동화 흐름으로 통합합니다. 이 영상에서는 1️⃣ 불량의 높은 비용과 품질 관리의 한계, 2️⃣ daxi가 제시하는 새로운 NG 워크플로우, 3️⃣ 핵심 엔진과 이벤트 기반 오케스트레이션, 4️⃣ 실제 NG 워크플로우 실행 구조, 5️⃣ daxi의 차별점과 미래 방향성 을 단계별로 살펴봅니다. --- 🔔 도메인 특화 DSL, 이벤트 기반 AI 워크플로, 실제 공장 사례가 궁금하다면 구독해 주세요. 📺 에피소드 시리즈는 플레이리스트에서 시청하세요: https://www.youtube.com/playlist?list=PLRP6Ky0sp9NrlflVj27mlWEcRdDnjSBlz About daxi | 닥시 daxi

08:09

YouTube

닥시(daxi) | 6. 기술 백서 -1, 지능형 워크플로우 플랫폼 분석

Daxi 기술 백서 - 1 | 지능형 워크플로우 플랫폼 분석 Domain-Specific Event-Driven DSL for Actions with eXecutable Insights 제조 현장의 4M 변경·NG 이슈를 이벤트 기반 DSL로 표준화하고, RAG + 통계/ML(SPC, CUSUM/EWMA), HITL(담당자 검토)를 결합해 신뢰 가능한 의사결정을 만드는 Daxi의 철학과 아키텍처를 요약합니다. 이 영상에서 다루는 내용 1. 품질 관리의 과제 — 규정/데이터/현장 지식이 흩어진 문제를 이벤트로 통합 2. Daxi 아키텍처 청사진 — Kafka 기반 마이크로서비스, ContextPackage, 추적성 3. DSL: 유연한 프로세스 관리 — 코드 수정 없이 워크플로우 구성/변경 4. RAG: 신뢰할 수 있는 AI — 유사 사례 검색 + SPC/ML로 사전 경보와 근거 강화 5. 닥시의 경쟁력 — PASS/HOLD/REJECT 기준 명확화, RCA/CAPA·효과성 검증·

07:11

YouTube

닥시(daxi) | 7. Daxi 기술 백서 -2, 아키텍처 심층 분석

Daxi 기술 백서 - 2 | 아키텍처 심층 분석 Domain-Specific Event-Driven DSL for Actions with eXecutable Insights Daxi가 왜 “제조 AI 워크플로우의 표준”이 될 수 있는지, 설계 철학부터 실행 패턴까지 아키텍처 전체 그림을 한 편에 담았습니다. 이벤트 기반 DSL, ContextPackage, 추적성 중심의 운영 패턴(멱등성/Outbox/DLQ/서킷 브레이커)과 RAG+SPC+HITL 결합 방식까지 구체적으로 설명합니다. 이 영상에서 다루는 내용 1. 제조업의 오래된 문제 — 사일로·문서 중심·사후 대응의 한계 2. 닥시: 새로운 패러다임 — 이벤트로 연결된 지능형 워크플로우 3. 3가지 핵심 구동 원칙 — Event-Driven, Context-First, Human-in-the-Loop 4. 시스템 구성 요소 — DSL 엔진, Q-Context, Q-Insight, Q-Flow, Q-Front, Q-Admin

10:10

YouTube

닥시(daxi) | 8. 닥시daxi의 4M 변경 워크플로우

daxi: 4M 변경 워크플로우 공정 변경을 더 빠르고 안전하게. 이벤트-주도 DSL로 가설 → 근거 수집 → 다변량 분석(EWMA/CUSUM+Pre/Post) → HITL 승인 → 리포트까지 자동화합니다. 이 영상의 내용 1. 공정 변경의 딜레마와 실패 패턴(허위 상관, 문서 부재, 재현성 부족) 2. 닥시의 해법: Domain-Specific Event-Driven DSL for Actions with eXecutable Insights 3. 5단계 작동 방식: q.context.4m.upserted → q.flow.4m.run → q.retrieval.4m.request|result → q.insight.alerts.request|result → human.task.reviewplan.issued|completed → q.print.4m.request|ready 4. 실제 사례: 세라믹 절연체 건조/큐어링(오븐 Z3 +5 °C) – Throughput↑ & DefectRat

08:00

YouTube

닥시(daxi) | 9. 닥시 보이지 않는 변화를 감지하는 기술

daxi: 보이지 않는 변화를 감지하는 기술 작게 시작해 크게 막는다. daxi는 이벤트-주도 DSL과 통계/SPC를 결합해 첫 신호 감지(EWMA) → 확증(CUSUM) → 최종 판결(Pre/Post) → HITL 승인 → 자동 리포트까지 한 번에 돌립니다. 이 영상에서 다루는 것 1. 첫 번째 신호 — EWMA로 미세 드리프트 조기 감지 2. 확증의 기술 — CUSUM으로 작은 평균 이동을 확실히 검증 3. 최종 판결 — Pre/Post 통계 검정으로 우연이 아닌지 확인 4. 복잡성 정복하기 — 다변량(MEWMA/MCUSUM), 공변량 보정(잔차화) 5. 스마트한 결정 콤보 — PASS/HOLD/REJECT + HITL 템플릿 + 자동 PDF 왜 필요한가 1. 허위 상관과 알람 남발/놓침을 줄이고 2. 증거가 남는 DX(감사·재현성·SLA)를 구현합니다. 3. 토픽 체인 표준: q.context.4m.upserted → q.flow.4m.run → q.retrieval.4m

Daxi | 닥시 vs. n8n / Dify — workflow 비교
Daxi | 닥시 vs. n8n / Dify — workflow 비교 요약
Daxi는 비동기 이벤트 중심(Saga) 구조에 HITL(사람 승인) 과 장시간 대기/타임아웃/재시도/보상을 표준으로 갖춘 워크플로우 엔진입니다. correlation_id로 요청-응답을 끝까지 추적하고, SSE 실시간 스트리밍, DLQ와 리플레이를 기본 제공해 실패 복구·감사·재현이 쉽습니다. DSL 버전과 스키마 검증을 함께 기록하기 때문에 “누가/무엇을/어떤 버전으로 승인했는가”를 증빙하기 좋고, 제조 도메인(4M·NG·RCA·CAPA) 에 맞춘 템플릿으로 보고서/원인분석/효과성 평가까지 한 흐름으로 빠르게 닫을 수 있습니다.
반면 n8n/Dify는 동기 API 호출을 중심으로 한 파이프라인 자동화 도구로, 이메일·스프레드시트·SaaS와의 연결성이 매우 풍부하여 마케팅/영업/백오피스 자동화에 강합니다. 다만 장시간 대기·사람 승인·보상 트랜잭션 같은 현장 업무 패턴은 추가 설계가 필요하고, 감사/재현도 개별 로그 중심이라 도메인 감사 기준을 그대로 만족시키려면 규정 튜닝이 요구됩니다. 장애 격리/리플레이는 부분적이며, 클라우드 중심 운영일 때 도입과 확장이 쉽습니다.
정리하면, 현장 승인과 장시간 프로세스가 많은 품질/제조 워크플로우(예: RCA-CAPA, 4M 변경, 반복 재시도·복구 필요) 에는 Daxi가 적합합니다.
  1. n8n: 다양한 애플리케이션과 서비스를 연결하여 워크플로우를 자동화할 수 있게 해주는 오픈소스 기반 도구입니다. 코딩 지식이 없어도 시각적인 노드(Node) 기반 편집기를 사용하여 복잡한 자동화 로직을 구성할 수 있는 것이 특징입니다. 링크
  1. Dify: 생성형 AI 애플리케이션 구축을 위한 오픈 소스 플랫폼으로, 코딩 지식이 없어도 누구나 쉽고 빠르게 AI 앱을 만들고 배포할 수 있도록 설계된 도구입니다. AI 개발의 진입 장벽을 크게 낮추는 것을 목표로 합니다. 링크
  1. 사가 패턴(Saga pattern): 마이크로서비스 아키텍처와 같이 분산된 시스템에서 데이터 일관성(eventual consistency)을 유지하기 위한 디자인 패턴입니다. 각 서비스가 독립적인 데이터베이스를 가지고 있어 전통적인 ACID 트랜잭션을 적용하기 어려울 때 사용. 링크
  1. SSE: HTTP 프로토콜을 기반으로 서버에서 클라이언트로 실시간 데이터를 단방향으로 전송하는 기술입니다. 웹 애플리케이션에서 서버의 업데이트나 알림을 클라이언트에게 즉각적으로 전달할 때 유용 하게 사용됩니다. 링크
Daxi | 닥시 vs. Global AI Platform 비교
Daxi | 닥시 vs. Global AI Platform 비교 내용 요약
Daxi는 제조 현장을 전제로 설계된 이벤트/DSL 기반 워크플로우 플랫폼으로, 4M 변경·NG-RCA·CAPA 같은 절차가 기본 템플릿으로 내장되어 있어 폐쇄망(온프레미스)에서도 바로 실행하기 쉽습니다. 센서·문서·LOT 맥락을 한 흐름으로 묶고, 사람 승인(HITL)과 장기 대기/재개를 표준으로 지원해 현장 품질 업무의 “끝-단까지”를 빠르게 닫습니다. CUSUM/EWMA, 재발성·효과성 평가 같은 품질 분석도 사용 즉시 쓸 수 있고, 로컬 LLM과 LLM-as-Judge 중심의 안전 레일로 인터넷 차단망과 비용 제약에 강합니다. 운영은 경량 컨테이너 묶음으로 시작 비용과 복잡도가 낮고, 추적은 correlation_id 기반 감사이력으로 단순·명확합니다.
반면 Global AI Platform(예: watsonx, Dataiku, Azure/GCP/AWS 계열)은 특정 도메인에 중립적인 “만능 공구 상자”로, 데이터 카탈로그·라인리지·권한정책·승인흐름 등 전사 거버넌스가 매우 강력합니다. 수십 종 커넥터와 관리형 MLOps, AutoML/예측, 최신 멀티모달 LLM·에이전트 툴체인을 폭넓게 제공하고, 멀티 리전·SLA 관점의 대규모 확장에 유리합니다. 다만 제조 특화 템플릿과 HITL 중심의 장기 워크플로우는 추가 설계가 필요한 경우가 많고, 완전 차단망 환경에서는 배치·비용·보안 설계를 별도로 해야 합니다.
Daxi | 닥시 Workflow 성능
Daxi | 닥시 모바일