제품은 리드타임이다 — 고장 나는 순간 감지한 것은 값이 0이다

목적: **모든 고장 감지 프로젝트의 동기 슬라이드는 같은 말을 하고, 자기가 뜻한 것보다 많은 말을 합니다.** 비계획 다운타임은 계획정비의 수배~수십 배이고, 그 아래 고장 양식은 안전·품질·생산성입니다. 맞고 잘 알려진 논증입니다. 보통 놓치는 것은 **그 문장이 이미 모델을 명세했다**는 점입니다 — **고장을 놓치는 비용이 불필요한 점검의 10~100배**라는 진술은 **경보 임계값을 어디 둘지에 대한 진술**이고, **데이터를 만지기 전에 이미 손에 있었습니다.** **슬라이드가 말하지 않는 부분은, 그 절감이 정확도가 아니라 시간의 함수라는 것입니다.** 한 이름을 공유하는 서로 다른 문제가 셋입니다 — **탐지**는 지금 이상한가, **진단**은 무엇이 이상한가, **예지**는 언제 고장 나는가. **인용된 경제성은 예지의 경제성**이고, **행동할 여유를 두고 경보가 와야만** 지급됩니다. 소착 2시간 전에 베어링을 잡아내는 모델은, **예비품 조달이 3일 걸리는 공장에서는 비계획 정지를 조금 더 잘 기록된 비계획 정지로 바꾼 것**입니다. **리드타임이 수리 소요시간을 넘어야 하고, 수리 소요시간은 모델 하나 없이 이번 주에 잴 수 있는 조직의 사실입니다.** **이 재구성이 첫 결과물을 바꿉니다.** 홀드아웃 정확도가 아니라 **지평**입니다 — 수리가 실제로 얼마나 걸리는지를 감안할 때, 경보가 행동할 값어치를 가지려면 얼마나 미리 와야 하는가. 그 아래 모든 모델링 결정이 — **라벨 지평, 피처 윈도, 샘플링 주기** — 그 숫자로 정해집니다. 이 단계를 건너뛴 프로젝트는 **지표는 진짜인데 제품은 아닌 것**을 최적화하게 되고, **그 실패는 자기가 그리는 어떤 그림에도 나타나지 않습니다.** **그다음은 데이터 문제인데, 사람들이 예상하는 것과 정반대입니다.** **다운타임이 비싼 기계는 좀처럼 고장 나지 않는 기계입니다** — 같은 문장을 두 번 말한 것이죠. 그래서 라벨된 고장은 희소하고(수년에 걸쳐 수십 건), 아예 라벨이 없는 경우도 잦습니다 — 정비 기록은 **베어링을 교체했다**고 적지 **열하루 전에 열화가 시작됐다**고 적지 않습니다. 그 위의 지도학습은 **어려운 문제가 아니라 미명세된 문제**입니다. 쓸 만한 경로는 **정상을 모델링하고 이탈을 점수화하는 것**이고, 이건 라벨링 문제를 **다르고 더 정직한 문제로** 바꿉니다 — **이상은 고장이 아닙니다.** 실제 공장 데이터의 이탈 대부분은 **센서 고장, 정비 작업, 품종 교체, 외기 변화**입니다. **"이상 중에서 실제로 임박한 고장이었던 것의 비율"이 경보의 값어치를 결정하는 숫자이고, 거의 아무도 재지 않습니다.** **마지막으로, 이 도메인은 `the-split-is-the-experiment` 의 누수를 한꺼번에 전부 켜고, 자기만의 것을 하나 더 얹습니다.** 센서 데이터는 **시간순이고, 기계로 그룹져 있고, 미래 창으로 라벨됩니다** — 그래서 무작위 분할은 미래가 과거를 예측하게 하고, 시간만 나눈 분할은 모델이 **기계 정체성을 외우게** 해서 **신규 설치 기계에서 무너지며**, 미래 지평 라벨은 날짜를 깨끗이 잘라도 검증 구간과 겹칩니다. 하나 더는 이 분야 고유의 것입니다: **run-to-failure 데이터셋은 미리 잘려 있습니다.** 자기가 기록한 고장에서 끝나므로 **잔여수명이 파일 안 위치에서 부분적으로 유추됩니다.** 모델은 **베어링이 열화한다**가 아니라 **녹음이 끝나간다**를 배울 수 있고, **여전히 돌고 있는 기계를 만나기 직전까지 훌륭한 점수**를 냅니다.

동작 방식: ### 이름 하나를 쓴 문제 셋 | | 질문 | 출력 | 값어치 | |---|---|---|---| | **탐지(Detection)** | **지금** 이상한가? | 시점 t 의 이상 점수 | **경보. 그 이상은 아님** | | **진단(Diagnosis)** | **무엇이** 이상한가? | 부품 또는 고장 양식 | 작업지시를 어디로 보낼지 정함 | | **예지(Prognosis)** | **언제** 고장 나는가? | 잔여수명, 또는 H 안에 고장 날 확률 | **일정 — 슬라이드의 경제성이 사는 곳** | 전체의 값어치는 **리드타임 빼기 행동 소요시간**의 함수이고, **모든 정확도 지표가 훌륭해 보이는 동안 그 차이가 음수일 수 있습니다.** **완벽하지만 늦은 탐지기의 값은 0이고**, 이건 애초에 모델에 대한 진술이 아닙니다. ### 비용비가 곧 임계값이다 **k = 고장을 놓친 비용 ÷ 오경보 비용** 이라 두면, 동기 슬라이드는 k 가 10에서 100 사이라고 주장하고 있습니다. 결과 셋이 바로 따라옵니다: - **F1 은 k = 1 을 가정합니다.** 정밀도와 재현율에 같은 가중치를 준다는 것은 **불필요한 점검 한 번이 기계 한 대 파손과 정확히 같은 값**이라는 주장입니다. 아무도 그렇게 믿지 않는데 **모델은 끊임없이 그 위에서 튜닝됩니다.** - **k = 10 이면 잡아내는 한 건당 오경보 열 건까지 받아들여야 합니다.** 현장 감각에는 틀리게 느껴지고 **산수로는 맞으며**, 정확히 그 대화를 가능하게 하려고 이 숫자가 존재합니다. - **임계값이 데이터보다 먼저입니다.** `the-70-has-to-be-wrong` 이 확률 출력에 대해 하는 말과 같습니다 — **임계값은 비용에 대한 진술이지 모델의 속성이 아니다** — 그리고 여기서는 **그 비용이 1페이지에 적혀 있었습니다.** **산수에 대한 정직한 보정 하나.** **경보 피로(alarm fatigue)는 오경보 비용에 안 잡히는 진짜 비용**입니다. 스무 번째 오경보 뒤에 현장이 확인을 그만두면 **놓친 고장이 드문 일이 아니라 확정 사건이 되므로 실효 k 가 1 쪽으로 붕괴합니다.** 그래서 **"건당 오경보 열 건"은 경제성이 정한 상한이지 목표가 아니며**, 실제로 묶이는 제약은 대개 점검 비용이 아니라 **신뢰 예산**입니다. ### 왜 첫 모델이 지도학습이면 안 되는가 | 접근 | 필요한 것 | 여기서 대개 실패하는 이유 | |---|---|---| | **지도 분류** | 라벨된 고장이 많이 | **값나가는 기계는 좀처럼 고장 안 남.** 라벨은 수십 건이고, 그나마 **열화 시작이 아니라 수리 시점**을 가리킴 | | **정상 모델링 + 이탈 점수화** | 정상 이력만 | 쓸 만함 — 다만 **이상은 고장이 아님** | | **물리 모델 대비 잔차** | 기계에 대한 모델 | 있는 곳에서는 **가장 강한 신호.** 잔차에 **단위와 의미**가 있으므로 | **가장 싼 첫 산출물은 모델이 아닙니다.** **현장이 이미 알아챈 이상들을 가져와 정비 기록에서 원인을 라벨링하십시오.** 대부분이 품종 교체와 센서 고장이면, 정직한 결론은 **이 프로젝트의 첫 결과물이 품종 교체 감지기라는 것**이고, 그걸 알아내는 데 **분기가 아니라 하루**가 듭니다. ### 만들 것: 모델이 아니라 비용 곡선 1. **수리 소요시간** — 데이터가 아니라 정비팀에서. **H 를 정함.** 2. **비용비** — 동기 슬라이드에서. **임계값을 정함.** 3. **아무 점수기나** — 센서 하나의 이동평균 잔차면 곡선은 그려집니다. `indicators-add-a-decision` 이 그대로 적용됩니다 — **변환은 정보를 더하지 않고 결정을 더하며, 값어치는 그 결정에 있습니다.** 4. **임계값을 훑어** 기계·월당 기대비용을 그리고, **임계값·리드타임·그 지점의 오경보율**을 보고합니다. **사람들이 틀리는 부분은 기준선입니다.** **"아무것도 안 하기"가 아닙니다.** 거의 모든 공장이 이미 **주기적 정비**를 돌리고 있고, 그건 **알려진 비용으로 일부 고장을 막고 있습니다.** **아무것도 안 하기는 이기고 6개월마다 교체하기에는 지는 모델은, 양성처럼 보이는 음성 결과**이며, **그것을 보여주는 것은 비용 곡선뿐입니다.**