IT 외주 없이 직접 만든 제조 품질 분석 시스템 — Claude Code로 풀스택 개발하기

Manufacturing Intelligence · Portfolio

IT 외주 없이 직접 만든 제조 품질 분석 시스템
— Claude Code로 풀스택 개발하기

2026.06  ·  Next.js · FastAPI · scikit-learn · Ollama · PostgreSQL

내 전문 분야를 어떻게 가치 있게 만들 수 있을지 오래 고민했다.

결론은 하나였다. 현장에서 쌓은 노하우를 녹인 템플릿을 직접 개발하고, 그것을 바탕으로 많은 엔지니어들이 스스로 시스템을 만들고 운영할 수 있도록 돕는 것. 그게 내 비전이고 목표다. 관련 강의 콘텐츠를 하나씩 제작해 나갈 예정이며, 전체 커리큘럼이 완성되면 한 번에 공개할 계획이다.

IT 지식과 제조·생산기술 현장 경험이 동시에 필요한 쉽지 않은 내용이다. 하지만 차근히 한 단계씩 함께 나아간다면, 누구든 반드시 목표에 닿을 수 있다고 믿는다.

---

01 이 포트폴리오가 말하는 것

제조 현장의 관제 시스템을 IT 외주에 의존하는 시대는 끝났다.
도메인을 아는 엔지니어가 코딩 에이전트와 함께 직접 개발하면,
현장에 정확히 맞는 시스템을 빠르게, 스스로 운영할 수 있다.

H그룹·S그룹 등 글로벌 제조 현장에서 12년간 배터리 모듈·팩 생산기술을 담당하며 쌓은 도메인 지식을 Claude Code와 결합했다. 외주 개발자는 OCV가 무엇인지, SDR 스펙이 왜 일수별로 달라지는지 모른다. 하지만 현장 엔지니어는 안다 — 그리고 이제 직접 만들 수 있다.

기존 방식

IT 외주 발주 → 요구사항 오해 → 현장과 동떨어진 시스템 → 유지보수 의존 → 비용 반복 발생

새로운 방식

도메인 전문가 + 코딩 에이전트 → 현장 맞춤 개발 → 직접 운영·수정 → 낮은 유지비용·높은 적합성

02 시스템 개요

배터리 모듈 조립라인을 예시로 구현한 풀스택 품질 분석 플랫폼이다. 이 시스템의 아키텍처와 분석 기법은 반도체·자동차 부품·식품·화학 등 모든 제조 환경에 범용 적용 가능하다. 불량 트렌드 모니터링부터 ML 기반 이상치 감지, 로컬 LLM 자동 브리핑까지 제공한다.

※ 모든 데이터는 Claude(AI)를 통해 임의 생성된 샘플 데이터이며, 실제 공장 데이터와 무관합니다.

PostgreSQL
검사 데이터 DB

→

FastAPI
Python Backend

→

Next.js
React Frontend

+

Ollama
Local LLM

+

Isolation Forest
ML Anomaly

Frontend

Next.js 14 · TypeScript · Recharts

Backend

FastAPI · pandas · scipy

AI / ML

scikit-learn · Ollama gemma3:12b

Database

PostgreSQL · 10개 공정 테이블

Data Scale

10,000건 불량 · 10,000개 검사파일

Coverage

P01 입고검사 → P10 외관검사

03 Dashboard — 불량 현황 모니터링

라인·제품·공정 단위 불량 집계를 실시간 필터로 탐색한다. 차트 포인트 더블클릭 시 해당 시점 상세 분석으로 드릴다운된다.

Defect Trend — 주간 라인별 불량 추이 · Peak 자동 감지

Defect Share — 도넛 차트 + 파레토 (불량 항목 점유율)

Worst Items — Top-N 파레토 · 공정별 누적 점유율

Defect Matrix — Line × Product × Process × Month 히트맵

04 Statistics — 공정 능력 & 통계 분석

제조 현장에서 실질적으로 필요한 통계 분석을 모두 구현했다. Cp/Cpk/Ppk 공정 능력 지수, ANOVA 제품 간 유의차 검정, 산점도 이상감지(2σ/3σ), 상관관계 분석(선형회귀), 산포 BoxPlot이 한 시스템에 통합된다.

Cpk Analysis — Cp/Cpk/Ppk · Histogram + X-bar/R 관리도

ANOVA — One-way · F-statistic · p-value · 정규분포 오버레이

Scatter · Anomaly — 시계열 이상감지 · 2σ/3σ 3색 분류

Scatter · Correlation — Pearson r · R² · 선형회귀 · p-value

SDR — ΔV vs Days Elapsed · 일수별 Spec 하한선 · Pass Rate 94.4%

Stacking / Bending — Cell1~10 BoxPlot · Front/Rear 양면 · USL/LSL

배터리는 하나의 예시일 뿐 — Cpk·ANOVA·Isolation Forest·로컬 LLM 브리핑은 반도체, 자동차 부품, 식품, 화학 등 어떤 제조 환경에도 동일하게 적용 가능한 범용 분석 기법이다. 도메인이 바뀌어도 구조는 그대로 — 공정과 검사 항목만 교체하면 된다.

05 AI Analysis — ML 이상감지 & LLM 브리핑

scikit-learn의 Isolation Forest를 공정 검사 데이터에 적용해 이상 패턴을 자동 검출한다. ML 파라미터(Contamination, Trees)를 UI에서 실시간 조절할 수 있다. Ollama 기반 gemma3:12b 로컬 LLM이 전일 불량 현황을 자동 브리핑한다 — 데이터가 외부 서버로 나가지 않아 제조업 보안 요구사항을 충족한다.

Charge-Discharge AI — OCV 정상 Band · 이상 유닛 9건 (5.4%) 자동 감지

SDR AI — Isolation Forest · 이상 셀 101건 (2.8%) · 바코드 추적

AI Briefing — Gemma3:12b 로컬 LLM · 불량 Top5 + 라인별 현황 → 자동 브리핑 생성

Cloud LLM 방식

검사 데이터·불량 데이터가 외부 서버 전송 → 제조업 보안 정책 위반 가능성 · 비용 발생

Local LLM 방식 (이 시스템)

Ollama 로컬 구동 → 데이터 외부 유출 없음 → 제조업 보안 담당자가 수용 가능한 구조

06 코딩 에이전트 개발 방법론 — 기업에 제안하는 것

이 포트폴리오는 단순히 "내가 만든 것"을 보여주는 것이 아니다. 배터리에 한정된 솔루션도 아니다. 어떤 제조 도메인이든 — 반도체, 자동차 부품, 식품, 화학 — 도메인을 아는 엔지니어가 코딩 에이전트와 함께 시스템을 직접 만들고 운영할 수 있도록, 그 방법론과 레퍼런스를 제공하는 것이 목적이다.

• 도메인 주도 개발현장을 아는 엔지니어가 요구사항을 직접 코드로 표현 — 오해 없는 구현, 빠른 반영
• 코딩 에이전트 활용 교육Claude Code 등 AI 코딩 에이전트로 비개발자도 실용적인 시스템을 개발하는 프로세스 전수
• 레퍼런스 아키텍처 (템플릿) 제공Next.js + FastAPI + PostgreSQL + 로컬 LLM 구조를 템플릿으로 활용 — 공정·검사 항목만 교체하면 어떤 제조 환경에도 적용 가능
• 현장 맞춤 커스터마이징전장품·반도체·2차전지 등 제조 분야별 공정·검사 항목에 맞게 확장 개발 지원

To. 제조 기업 담당자에게

이 시스템의 모든 데이터는 Claude(AI)를 통해 임의 생성된 샘플 데이터로 구축되었으며, 실제 공장 데이터와 무관하다. 그럼에도 구조와 기능은 실제 양산 라인에 즉시 적용 가능한 수준으로 설계되었다. 배터리는 하나의 구현 예시일 뿐 — IT 외주를 통해 억 단위 MES를 도입하는 대신, 현장을 아는 엔지니어와 코딩 에이전트로 어떤 제조 도메인에서도 필요한 기능만 빠르게 구축하고 직접 운영하는 방식을 함께 만들어 갈 수 있다.