MWO2KG 및 Echidna: 유지보수 데이터로부터 지식 그래프 구축 및 탐색

구조화되지 않은 기술 문서는 데이터 분석을 위한 공학 지식의 풍부한 자원이지만, 여전히 충분히 활용되지 않고 있다. 예를 들어, 정비 작업 지시서(Maintenance Work Order, MWO)는 자산에 수행된 작업 내용과 그 이유에 대한 소중한 정보를 포함하고 있다. 그러나 MWO의 단문 필드에 포함된 데이터는 구조화되지 않으며, 간결하고 전문 용어가 풍부하여 인간과 기계 모두 이를 해석하는 데 어려움을 겪는다. 본 연구의 과제는 MWO 단문 필드로부터 기술적 정보를 효율적으로 추출하고, 날짜, 기능적 위치, 자산의 제조업체 및 모델과 같은 구조화된 필드 데이터와 결합하는 것이다. 본 논문에서는 이 문제를 해결하기 위한 기술적 언어 처리 기반의 솔루션을 제안한다. Echidna는 지식 그래프 형태로 과거 자산 데이터를 시각화하는 직관적인 쿼리 가능 인터페이스이다. 이 지식 그래프는 MWO2KG라는 도구를 통해 자동 생성되며, 주석이 달린 학습 데이터를 기반으로 한 딥러닝 기술을 활용하여 구조화되지 않은 기술 텍스트와 구조화된 필드 데이터를 통합하여 지식 그래프를 생성한다. 제안된 도구들은 산업 파트너로부터 제공받은 정비 작업 지시서 및 지연 계정 데이터를 대상으로 테스트되었다. 이러한 도구들은 고장 모드 및 영향 분석, 정비 전략 검증, 프로세스 개선 작업 등에 필요한 과거 자산 데이터에서 정보를 효율적으로 탐색할 수 있도록 신뢰성 엔지니어들에게 유용한 수단을 제공한다. 두 도구의 소스 코드는 Apache 2.0 라이선스 하에 GitHub에서 공개되어 있다.