백서 지식 인식 공학 - aurosks.comaurosks.com/wp-content/uploads/2017/10/Whitepaper-Koren.pdf · 백서 지식 인식 공학 [email protected] Jeff Moffa Emergent Systems, 부사장

백서

지식 인식 공학

www.aurosKS.com [email protected]

Jeff Moffa

Emergent Systems, 부사장


2 | Auros: An Emergent Systems Company 저작권 Emergent Systems 2013

사업 요약

무엇인가?

지식 인식 공학(Knowledge Aware Engineering, KAE)는 기술적인 지식 관리를 위한 새로운 접근

방식이다. KAE 는 전통적이고 수동적인 “참조 선반” 패러다임을 공학적 의사 결정의 모든 단계에

직접적인 영향을 미치는 통합적이고 활동적인 지식 시스템으로 대체한다.

지식 인식 공학으로, 기술적인 전문 지식이 제품 및 제조 공정의 디지털 표현을 주도하고 그 공정에

유입되며, 또한 기술 집약적인 회사내에서 지속적으로 발달하게 된다. 보유 노하우(Retained Know-

How)는 자산으로 적용, 축적, 통합. 개선 및 관리된다.

왜 중요한가?

엔지니어의 생산성 증대

일관적인 다중 위치 공학적 공정 보장

자산으로 관리되어 기술 인력의 변화에 영향을 받지 않는 기술적인 노하우 보유

반복적인 공학적 오류의 방지와 품질 개선

이질적인 노하우의 저장소/형식을 하나의 다기능 지식 허브로 통합

어떻게 작동하는가?

기술적인 노하우 수집과 개선. 공학적 의사 결정 지원에서 직접 재사용하기 위한 보유 노하우

구조화 및 저장.

의사 결정 지원을 기존의 공학적 작업 흐름과 통합. 의사 결정 지원이 기술 메모리를 직접

획득한다.

누가 사용해야 하는가?

모든 중간 규모 또는 대규모의 다중 위치 기술 집약적 회사



누가 사용하고 있나?

포드사(Ford), GM, 에어버스(Airbus), 존슨 컨트롤스(Johnson Controls) 외 다수



기업에게 경쟁 우위를 제공하는 유일한 것, 즉 지속가능한 유일한 것은

무엇을 알고 있느냐와 알고 있는 것을 어떻게 사용하며 새로운 것을

얼마나 빨리 알 수 있느냐 하는 것이다.

—Laurence Prusak

I. 서론

공학적 리더쉽의 문제에 직면하고 있는 현재의 경제 현실은 공학 기술의 모든 단계에 대한 혁신적인

접근 방식을 요구한다. 이 분명한 당위는 점진적인 개선에 대한 필요를 넘어서는데, 이를 위해서는 공학

기술에 대한 근본적이고 게임의 판도를 바꿀 만한 접근 방식, 즉 제품의 품질과 공학적 공정의 효율성

모두에서 상당한 증가를 만들어내는 변화가 필요하다.

지식 인식 공학이 그러한 접근 방식이다. 지식 인식 공학의 초석은 실시간으로 전사적 상황에 맞는

공학적 의사 결정 지원 제공에 사용될 기술 메모리를 육성하는 능력이다. 지식 인식 공학은 공학 기술의

노하우를 공학적 공정에 동적으로 전달하여 공학적 공정 및 개별 공학적 업무흐름의 구조에

통합시킴으로써, 의사 결정 지원을 제공한다.

그림 1: 지식 인식 공학 모델

지식 인식 공학으로, 기술적인 전문 지식이 제품 및 제조 공정의 디지털 표현을 주도하고 그 공정에

도입되며, 또한 기술 집약적인 회사내에서 지속적으로 발달한다. 보유 노하우는 자산으로 적용, 축적,

통합, 개선, 관리되며 상황 속으로 전달되어 폐회로의 의사 결정 지원에서 재사용될 준비를 한다. .



그 결과, 기술적인 노하우 관리와 이전을 위해 검색을 시작하는 개인에게 의존하는 수동적인 “참조

선반”식의 패러다임은 폐기된다. 지식을 관리하는 이질적인 저장소, 도구 및 문서들이 하나의 가시적이고

매력적인 지식 공정에 통합된다.

지식 인식 공학은 비록 그 설립에 있어 전신이긴 하지만, PLM, 지식 경영, 또는 설계 자동화/KBE 와

혼동해서는 안된다. 오히려 지식 인식 공학은 보유 노하우를 정밀하고 일관적인 공정에 효율적으로 배치

운용하기 위해 이런 기존의 기술을 새로운 도구와 결합시키는 종합적인 전략이다. 이 새로운 결합으로

보유 노하우의 공학적 업무 흐름에의 유입이 용이해진다.

중요한 것은, 지식 인식 공학이 지평선 상에 있는 먼 지점이 아니라는 것이다. 활성화 기술은 이미

상업적으로 사용 가능하며, 얼리 어답터(early adopter)는 측정된 성공을 보여주고 있다.

중간 규기에서 대규모에 이르기까지 모든 다중 위치의 공학 기술 집약적인 회사는 KAE 기술을 고려해야

한다. 특히, 지식 인식 공학은 유기적으로 채택할 수 있으며 또 그러해야 한다. 전략적인 소규모 시범

프로젝트는 즉시 시작할 수 있으며, KAE 의 이상적인 더 큰 프로젝트는 일정 기간 동안 개발할 수 있다.

한 기업의 기술적인 지식과 경험의 참된 가치는 이들이얼마나 잘

보존되고성장하며, 전 사적인 공학적 의사 결정에 지속적으로 얼마나 잘

적용되는 지에 따라 결정된다.

—Greg Burek

II. 지식 인식 공학의 10 가지 원리

다음의 10 가지 원리가 지식 인식 공학을 가능하게 하는 구성 원리와 철학을 나타낸다:

1. 기술적인 노하우는 전사적으로 폭넓게 도출된다. 중요한 것은, 지식 인식 공학의 도출 공정은

상향식 접근 방식을 사용하며, 분산적이고 유기적이며, 자발적으로 시작되고 또한 자발적으로

조직된다는 것이다 (LinkedIn 이 만들어낸 유기적 네트워크를 생각해보라). 대조적으로, 단일

공정 및 구조와의 획일성을 요구하는 전통적인 일체식 접근 방식은 변경이 어렵고 효과가 없다.

2. 도출된 노하우는 보유 노하우로 체계적으로 변환된다. 보유 노하우는 명시적이고 구조화된,

그리고 재사용을 위해 보유된 실용적인 지식이다. 보유 노하우의 일반적인 유형에는 공학적

표준, 요구 사항, 모범 경영, 경험적 발견, 경험 지식, 의사 결정 일람표, 주요 계산 및 작업

방법이 있다.

3. 보유 노하우는 언제 어디서나 동적으로 공학적 공정에 전달된다. 보유 노하우는 공학적 공정에

동적으로 할당되고 재사용된다. 재사용시, 보유 노하우는 특정한 공학적 업무흐름 맥락내에서

채택, 적용, 모니터 및 측정된다.



전통적인 공정에서는 엔지니어가 지식을 찾고, 검색하고, 회수해야 하는 반면, 할당 공정은 보유

노하우를 전달한다.

4. 보유 노하우는 수동적이지 않고, 활동적이다. 보유 노하우는 노하우를 동적으로 평가 및

분석하고, 효율적으로 배치 운용하기에 충분한 하나의 구조, 또는 “패킷”에 요약 압축되어야

한다. 보유 노하우는 본질적으로 실행가능해야 한다.

5. 공학적 툴(CAD/CAM/CAE/PLM/KBE)은 보유 노하우의 존재에 대한 사전 인식 없이 보유

노하우를 처리할 수 있다. 새로운 또는 변경된 보유 노하우는 수동적인 개입 또는 삽입의

필요없이 재사용 및 평가할 수 있다. 새로운 보유 노하우는 다른 개입이나 노력없이 공학적

공정 내의 모든 적절한 지점으로 유입될 것이다.

6. 보유 노하우의 특성은 활동적으로 그리고 지속적으로 측정된다. 보유 노하우의 특성은 신호 대

잡음 비율(Signal-to-Noise ratio), 즉 보유 노하우의 각 패킷에서 측정되는 노하우의 희망

특성(신호) 대 원하지 않는 특성(잡음)의 비율로 생각할 수 있다. 보유 노하우의 희망 특성의

예는 다음과 같다:

a. 적절함

b. 정확/최신/사실적

c. 완전한 설명 (맥락, 예제, 타당한 이유 등)

d. 잘 구성되고 구조화됨; 가능한 최대로 디지털 방식으로 실행 가능

e. 효율적인 재사용 또는 가능한 최대의 간결함

반면에 잡음에는 보유 노하우의 이런 특징이 없다. 기술적 노하우의 상향식 도출로, 보유 노하우

집합체의 집합적 신호 대 잡음 비율을 높게 유지하는 것은 필수적인 것이 되었다. 이러한 높은

비율을 유지하기 위해, 보유 노하우 특성 수준을 체계적으로 추론하고 관리해야 한다.

7. 보유 노하우는 특정 관점(보이스, Voice) 제한적이다. 보유 노하우 내에는 별개의 보이스가

유지된다. 보이스는 하나의 의사 결정으로 수렴되는 독립적인 관점으로, 특정 설계 결정에

영항을 미치는 반대되는/경쟁적인 필요에서 기인한다. 가령, 중량 감소와 강도 증가의 필요는

종종 설계 결정에 정반대되는 영향을 야기할 수 있다. 유사한 이율배반성이 비설계 공학적

결정에서 발생할 수 있다. 별개의 보이스를 유지함으로, 상황속에서 모든 결정에 대한 최적화를

이룰 수 있다. 반면에, 보이스를 단일 규칙에 결합하는 것은 중요한 지식의 손실을 야기할 수

있다.

8. 보유 노하우의 단일 패킷은 복사없이 재사용이 가능한 단일 골드 소스(Gold Source)를 가지고

있으며 골드 소스는 단일 시스템 내에서 관리된다. 전통적인 방법과 대조적으로, 보유 노하우의



단일 골드 소스 패킷은 원 지식 세트의 사본을 만들지 않고 언제 어디서나 재사용할 수 있다.

참조 자료를 복사할 필요가 전혀 없다.

모든 골드 소스는 하나의 공통된 전사적 보유 노하우 공정 및 수반되는 보유 노하우 서비스를

통해 관리된다.

보유 노하우에 대한 모든 사용 지점의 특정 저장소는 이 단일 시스템에 의해 불필요해진다. 요구

사항 시스템, 표준 시스템, 응용 프로그램 규칙 베이스, 매개 변수 시트, 경험 지식 데이터베이스

및 모범 경영 데이터베이스는 보유 노하우에 대한 하나의 완벽한 시스템으로 통합된다.

9. 확장된 기업 또는 공급 체인이 보유 노하우의 자료로 포함된다. 공급업체와 소비자 간의 보유

노하우의 의도적인 실시간 공유는 전체 작업의 무결성과 효율성을 유지하기 위해 필요한

단계이다.

10. 보유 노하우의 재사용은 KM 공정 전반에 걸쳐 측정되고 가시적이 된다. 보유 노하우 재사용의

가시성 촉진이 더 좋은 결과를 만들어내는 행동을 유도할 것이다.

III. 지식 인식 공학의 전신

지식 인식 공학을 더 잘 이해하기 위해, 전략적 사용 지점 특정 솔루션에서 기업 전략으로의 발전을

살펴보는 것이 유용하다. 현 지식 인식 공학 실무자의 대부분은 성공적인 전략적 프로젝트 전신의

결과물로, 서서히 그리고 우연히 기업 전략을 발견했다. 각각의 전신은 전략적인 지식 인식 공학 지원에

대해 고유의 강점과 약점을 가지고 있다. 이 전신들은 종종 다음의 프로젝트 영역 중 하나와 관련이 있다:

a. 범용 지식 경영

b. 제품 수명 주기 관리 (PLM)

c. KBE / Smart CAD 또는 CAM

흥미롭게도, 주어진 전신의 세부 특성에도 불구하고, 대략적으로 동일한 지식 인식 공학 이념이

등장하는데, 이것이 지식 인식 공학 전략의 유효성을 보여준다.

각각의 전신을 살펴보기에 앞서, 설계 공학 기술을 위한 전통적인 공학 모델이 비교를 목적으로 그림

2 에 제시된다(유사한 모델이 다른 공학 기술 분야, 예를 들어 제조 공학에 대해서도 마찬가지이다). 이

단순화된 공정 모델은 기업 전반에 걸쳐 전문 지식을 추구하고 수집한 노하우를 CAD 데이터로 표현되는

설계에 통합해야 하는 주요 사용자/기술 노동자를 보여 준다. CAD 데이터 자체는 기업의 노하우 및

전문지식과 직접적으로 통합되지 않는다. 오히려, 이 공정은 개인의 노력과 기술 수준 및 제한된 상황에

맞는 의사 결정 지원에 의존한다.



그림 2: CAD 공학 기술의 예

a. 지식 인식 공학의 전신으로서의 범용 지식 경영(KM)

그림 3: 지식 인식 공학 이전의 KM-보조 공학

범용 지식 경영 프로젝트는 일반적으로 “전문 지식 보존과 양성”이라는 발상으로 시작한다. 전문 지식을

보존함으로, 최종 소비자/기술 노동자가 새로운 공학적 맥락에서 그 전문 지식을 찾고 적용할 것이라는

희망이 있다 (그림 3 참조). 노하우 보존의 유용성은 소형화 또는 세계화의 시대에 증대된다. 하지만, 이

전략을 이용하는데 있어 몇 가지 중요한 실패 유형이 존재한다:

1. 기술 노동자는 노하우의 필요성이 있다는 사실을 인식하지 않으면 정보나 노하우를 추구할 수

없다.



2. 기술 노동자는 그 필요를 인식한다고 하더라도 노하우를 찾고 분류하는 데 에너지와 시간을

들여야 한다.

3. 기술 노동자가 검색을 주도하고 성공적으로 지식을 찾은 경우, 습득한 지식의 검증과 적용이라는

궁극적인 문제가 존재한다.

4. 최종 사용자가 앞에서 언급한 장애물을 성공적으로 통과한다고 하더라도, 적용된 지식과 그 출처

사이에는 어떤 연결점도 없다. 해당 노하우의 유용성을 이해하고 보유 노하우의 새로운 측면을

익히기 위해서는 이 연결점이 필요하다.

이런 실패 유형에도 불구하고, 범용 지식 경영은 노하우의 사회화, 도출, 공동 작업 및 노하우 지향적

수명 주기에 대한 기본적인 방법론을 지식 인식 공학에 제공한다. 이런 (“실행 공동체”와 관련된 방법

같은) KM 방법론이 없었다면, 상향식의 유기적인 네트워크 도출은 불가능했을 것이다.

지식 인식 공학은 범용 지식 경영의 영향을 받는 한편, KM 방법론을 공학적 영역에 특정한 방식으로

상당히 개선시킨다. 이런 개선은 다음과 같은 공학적 영역 특성에 의해 가능하다:

1. 공학적 맥락에서, 명시적 노하우 대 암묵적 노하우의 비율은 상당히 높다.

2. 공학적 노하우는 고유의 정밀도를 가지려는 경향이 있는데, 이것을 통해 현재 공학적 맥락

외부에서는 가능하지 않은 방법으로 지식을 “실행” 또는 “해결”할 수 있다.

3. 위의 1 과 2 의 이유 때문에, 보유 노하우는 PLM, CAD, CAM, CAE, KBE 및 Mfg 계획과 같은

전통적인 공학적 툴을 통해 직접적으로 그리고 활동적으로 업무 흐름에 통합될 수 있다.

범용 지식 경영과 지식 인식 설계사이의 이런 차이가 공정과 전략을 지원하는 데 있어서의 중요한

차이를 유발한다. WIKIS, 블로그 및 검색 엔진이 노하우를 함께 작업하고 단순히 보유하거나 찾는데는

유용할 수 있지만, 이들은 게임의 판도를 바꿀 수 있는 지식 인식 공학의 잠재력에는 충분한 도움이 되지

않는다.

b. 지식 인식 공학의 전신으로서의 PLM

PLM 은 지식 인식 공학의 성공적인 전신이었는데, 이것은 주로 PLM 이 이미 복잡한 공학적 공정에

중심이 되기 때문이다. 이 중심성은 PLM 기반 업무흐름에 보유 노하우의 유입을 가능하게 하고, 지식

인식 공학 성취를 가능하게 하는 간단하지만 강력한 도구를 생성한다.

그러나, PLM 의 중심성은 PLM 에는 내재되어 있지 않은 보유 노하우에 맞춘 전문적인 툴 세트를 필요로

하는 지식 인식 공학의 잠재력을 명료하게 하기보다는 오히려 모호하게 하는 역할을 한다. 게다가, 일부

뿌리 깊은 PLM 방법/개념은 실제로 보유 노하우를 관리하는 최적화된 방법에 반대로 작동한다. 결국,

PLM 이 보유 노하우 재사용을 위해서는 훌륭한 선택인 반면, 보유 노하우의 저장, 실행 및 점검에는 좋지



못한 선택이다. 보유 노하우를 관리하기 위해 PLM 기반 접근 방식을 사용하는 것의 주요 문제점은

다음과 같다:

1. 보유 노하우를 현 PLM 내에 요약 압축할 이미 만들어져 있는 실행가능한 구조(아래 KBE 참조)가

없다. 이 압축은 보유 노하우의 활성화에 결정적이다.

2. 중대한 상향식의 유기적인 네트워크 유형의 보유 노하우 도출 공정 및 툴을 지원하지 않는다.

3. 보유 노하우의 신호 대 잡음 관리를 지원하지 않는다.

4. 지식 인식 공학을 촉진하는 행동을 모방하기 위해 값비싸고 시간 소모적인 프로그래밍과 사용자

지정 변경이 필요하다. 물론, 지식 인식 공학을 위한 PLM 사용자 지정 변경 전략에 착수하는

기업이 무엇을 변경해야하는지 알 것이라고 생각할 수 있다. 하지만, 기술이 잠재적으로 할 수 있는

것과 실제로 수행하는 것 사이에는 두드러진 차이가 존재한다. 현재, 최첨단 PLM 도구는 지식 인식

공학 솔루션을 생산할 수 없다.

명백히, 의도한 목적, 즉 제품 데이터의 수명 주기 관리, 제품 구성 및 업무 흐름을 위한 PLM 의 역할을

과소평가해서는 안된다. 여기서 하는 말은 다른 전문 지지 기술이 없을 때, 지식 인식 공학의 원칙을

촉직하는 핵심 기능의 맥락에서 전형적인 PLM 기술과 사고방식에 대한 단순한 비판이다.

c. 지식 인식 공학 의 전신으로서의 지식 기반 공학(KBE)

그림 4:지식 인식 공학 이전의 KBE 보조 공학



KBE 은 이미 실행 가능하고 실용적인 보유 노하우로 도약했을 때, 지식 인식 공학의 생산적인 전신이었다.

또한, KBE 는 맞춤 툴 세트의 사용에서 주류 CAD 및 CAM 툴로 이동했는데, 이것은 지식 인식 공학으로

향하는 추세를 크게 가속화했다.

KBE 는 실행 가능한 보유 노하우를 사용하는 경향이 있지만, 그럼에도 불구하고 대부분의 KBE

프로젝트는 여전히 보유 노하우를 사용 지점 자동화 또는 툴에 삽입한다. 기껏해야, KBE 응용 프로그램이

사용하는 보유 노하우를 변경하는 약간의 유연성을 허용하기 위해 전문 저장소가 만들어진다 (그림 4

참조). 이 삽입은 지식 인식 공학에 구현된 “보유 노하우를 언제/어디서나 재사용”이라는 철학과 크게

모순된다. 마지막으로, KBE 의 전통적인 접근 방식은 상당한 선행 사용자 정의를 필요로 하고 따라서,

기업 전반에 걸친 조정이 어렵다.

구조화된 보유 노하우가 KBE 응용 프로그램 개발에 앞서 존재할 것이기 때문에, 지식 인식 공학은 미래

KBE 에 상당한 무료 가치를 제공한다. KBE 에 미치는 유익은 다음을 포함한다:

1. KBE 응용 프로그램 개발 효율성의 증가

2. 더 유연한 KBE 응용 프로그램

3. KBE 응용 프로그램 유지 보수 비용 감소

4. 더 많은 KBE 응용 프로그램 및 활동

IV. 전략적 지식 인식 공학

지식 인식 공학의 초석은 공학적 노하우를 공학적 공정에 동적으로 할당해서 전례가 없는 공학적 의사

결정 지원을 제공하도록 배치하는 공정 및 기술이다

가장 간단한 용어로, KAE 공정은 다음과 같은 확실한 특징을 가지고 있다:

A. 기술 노동자는 자신들의 작업 환경에 전달된 지식 솔루션 세트를 가지고 있다. 이 솔루션 세트는

부여된 과업에 맞게 자동적으로 특별히 수집된 보유 노하우에 기반하며 해당 과업에 최적화된

형식으로 제시된다. 최적화된 형식은 간단한 확인 대조표에서부터 디지털 환경에서 동적 규칙

평가에 이르기까지 다양할 수 있다. 예를 들어, CAD 에서 작업하는 기술 직원에게 전달된

솔루션은 CAD 기능으로 표현될 것이며 CAD 모델에 영향 또는 제약을 줄 것이다. 유사하게, 재료

명세서(BOM) 구조에 전달된 솔루션 세트는 구조를 제약하고 평가하기 위해 BOM 사양과

의사소통 할 것이다. 중요한 것은, KAE 는 그 복잡성에 상관없이 모든 솔루션 세트에 대해 평가

관리라고 하는 공동의 배포 인프라를 가지고 있다는 것이다.



B. 전달된 평가 관리는 변경된 그리고 새로운 보유 노하우를 공학적 맥락에 도입하기 위해 기술

메모리와의 연결을 유지한다.

C. 평가 관리의 구성 성분인 보유 노하우는 문맥 상에서 평가되고, 평가 결과는 지식 시스템으로

다시 공급된다.

D. 지식 시스템 사용자는 보유 노하우에서 평가 관리 내로 배치된 모든 보유 노하우로, 그리고

역으로 배치된 보유 노하우에서 골드 소스 패킷으로 자유롭게 이동할 수 있다.

지식 인식 공학 공정은 다음 네 가지의 중요한 신기술 번들을 통해 수행된다:

1. 보유 노하우 프레임워크/팩토리

2. 지식 패킷 (K-PAC)

3. 보유 노하우 서비스/규칙 엔진 서버

4. 평가 관리

그림 5: 지식 인식 공학 모델



지식 인식 공학 공정 내에서, 지식 패킷은 보유 노하우 프레임워크가 생산하고, 보유 노하우 서비스를

통해 분배되며, 평가 관리를 통해 공학적 업무 흐름내에서 평가/사용된다(그림 5 참조). 이 공정의 주요

구성 요소를 아래에서 설명한다:

1. 보유 노하우 프레임워크. 보유 노하우 프레임워크는 보유 노하우를 도출, 축적 및 개선하기 위한

방법론을 제공한다. 보유 노하우는 명시적이고 구조화된, 그리고 재사용을 위해 보유된

실용적인 지식이다. 보통 공학적 표준, 요구 사항 및 모범 경영이 보유 노하우 범주에 들어간다.

보유 노하우 프레임워크는 재사용에 적합한 보유 노하우를 생산하는 팩토리 또는 품질 운영

시스템 (QOS)으로 생각할 수 있다(그림 6 참조).

그림 6: 보유 노하우 프레임워크/팩토리/품질 운영 시스템 (QOS)

2. 지식 패킷. 이 기술은 보유 노하우를 요약 압축하는 정보 구조이다.

지식 패킷은 보유 노하우의 단위 및 구조로 생각할 수 있다.



지식 인식 공학에서, 지식 패킷은 보유 노하우 프레임워크가 생산하고, 보유 노하우 서비스를

통해 분배되며, 평가 관리를 통해 공학적 업무 흐름내에서 평가/사용된다. 지식 패킷 요약 압축

기술은 몇 가지 중요한 과제를 수행한다:

a. 지식 패킷 구조는 보유 노하우가 가지는 디지털 방식으로의 실행가능 특성을 촉진한다.

방정식을 풀고, 규칙을 처리하거나 평가하고, 방법을 따를 수 있다.

b. 지식 패킷은 모든 보유 노하우가 가지는 고유의 특성, 단위성과 일관성을 보장하는

구조를 요약 압축한다

c. 지식 패킷은 저작 공정과 적응 공정에 큰 도움이 되는 적응 지식 템플릿을 제공한다.

d. 지식 패킷 구조는 보유 노하우의 수명 주기 속성을 정의하고 보유 노하우 집합체의 높은

신호 대 잡음 비율을 촉진한다.

그림 7: 지식 패킷 예제 (웹 구현)



3. 평가 관리. 평가 관리 기술은 모든 업무 흐름이 보유 노하우와 쉽게 접속할 수 있게 한다. 평가

관리는 기술 노동자에게 전달된 보유 노하우 솔루션 세트에 대한 제어 및 컨테이너이다. 이것은

공학적 작업 흐름 내에 독립적으로 존재할 수도 (CAD/CAM/CAE/PLM 와 같은) 기존 공학적 툴

세트 내에 삽입될 수도 있다(그림 5 참조).

평가 관리는 새로운 보유 노하우를 지속적으로 찾고, 배치 운용된 보유 노하우의 상태를

모니터, 평가 및 보고하는 에이전트로 생각할 수 있다. 이것은 특정 공학적 이벤트 또는 툴의

맥락에서 공학적 의사 결정 지원을 위한 주요 인터페이스이다.

평가 관리는 이런 작업을 수행하는 데 있어, 특정한 공학적 업무 흐름 또는 상황에서지식 패킷을

평가할 수 있는 보유 노하우 서비스를 통해 적절한 지식 패킷 세트를 요구하거나 끌어 당긴다.

실질적으로,이 과정은 관련 표준, 주요 매개 변수, 공학 기술 제약 조건, 요구 조건, 방법 등을

포함하는 상황별 노하우 솔루션의 전달을 용이하게 한다. 이 상황별 노하우 솔루션은 공학적

이벤트에 모든 보이스를 제공한다.

평가 관리는 공학 기술 제약 조건을 해결하고 조건부 논리를 증명하며, 의사 결정의 복잡성을

줄이고 그래픽 공학적 의사 결정 지원을 제공하기 위해 요구 조건 평가를 수행하는 서버 측 규칙

엔진과 통신한다 (그림 8 참조).

기업 학습을 위한 회로를 닫기 위해, 문맥상 평가와 관련된 진행 상황 및 기타 관련 측정 기준은

신호 대 잡음 비율 관리, 재사용 가시성 및 프로젝트 관리를 위한 보유 노하우 서비스를 통해

보유 노하우 프레임워크로 재공급된다. 이 공정은 공학적 업무 흐름(wfx)와 보유 노하우 서비스

간의 연속적인 양방향 통신이다.

중요한 것은, 평가 관리는 문서가 아니라 지식 패킷을 공학적 업무 흐름내에 적용한 결과라는

점이다. 평가 관리의 레이아웃 및 특정 기능은 동적으로 전송되어 들어오는 관련 지식 패킷

세트의 영향을 받는다. 단일 평가 관리는 최적의 의사 결정 지원을 가능하게 하는 구성 지식

패킷과 사용자 환경에 따라, 다른 레이아웃으로 볼 수 있다.

모든 (전사적) 평가는 공학적 업무 흐름이나 공학적 공정의 유형에 상관없이, 하나의 공동 장치로

이루어질 수 있다(그림 8 참조).



그림 8: 단일 평가 관리의 가능한 레이아웃

4. 보유 노하우 서비스. 보유 노하우 서비스는 평가 관리 및 보유 노하우가 필요한 모든 툴 세트에

다양한 서비스를 제공하는 기술 번들이다.

보유 노하우 서비스는 평가 관리와 보유 노하우 사이의 “중개인” 배급업자로

생각할 수 있다. 이 서비스에는 다음이 포함된다:

a. 할당 서비스. 할당 서비스는 평가 관리가 관련 지식 패킷 세트를 패킷이 정보를 제공하고

평가되며 추적/보고되는 주어진 업무 흐름으로 끌어낼 수 있게 한다.

b. 규칙 엔진 서비스. 규칙 엔진 서비스는 지식 패킷 형태의 보유 노하우를 평가한다. 이

서비스는 주어진 업무 흐름 상황에서 평가하기 위해 주어진 지식 패킷의 구조를

해독하고 이 평가된 정보를 평가 관리에 전달할 수 있다. 규칙 엔진 서비스가 없는 경우,

이 평가는 최종 사용자에 의해 수동으로 평가 관리에 적용될 수 있다. (규칙 엔진

서비스가 해독할 수 있는 지실 패킷의 예로 그림 7 을 참조.) 규칙 엔진은 전례가 없는

수준의 공학적 의사 결정 지원을 가능하게 하는 주요 인자이다.



c. 지속성 서비스. 지속성 서비스는 추적, 보고 및 가시적인 학습을 위해 업무 흐름 별 평가

관리가 할당된 지식 패킷의 진행 상황과 평가 상태를 기록할 수 있게 한다.

V. 실행중인 지식 인식 공학

지식 인식 공학으로, 보유 노하우는 할당된 특정 공학 기술 상황내에서 직접 평가 및/또는 “즉시” 해결될

있다. 지식 패킷 형태의 새로운 또는 변경된 보유 노하우는 특수한 논리를 포함하지 않은 채 업무

흐름에 할당할 수 있다. 어떤 의미에서, 공학적 공정이 지식 노하우를 “인식”하게 된다. 그 결과로

나타나는 것이 고도로 매우 뚜렷한 활동적인 보유 노하우, 기술 메모리 및 상황에 맞는 공학적 의사 결정

지원의 응용이다.

지식 인식 공학의 주요 기술은 보유 노하우의 요약 압축 기술이다. 모든 보유 노하우는 세부적으로 요약

분리된 형태로 저장된다. 이 압축 요약 구조의 유형은 관련 보유 노하우에 따라 다르다. 보유 노하우

범주의 예에는 공학적 표준, 공학적 방법, 공학적 모범 경영, 공학적 제약 조건(매개변수), 계산, 의사 결정

일람표 등이 있다. 하나의 요약 압축을 공학적 노하우의 ‘패킷’으로 생각하는 것이 유용하다. 요약 압축은

패킷을 활동적으로, 즉 패킷의 존재에 대한 사전 지식없이 주어진 공학적 상황에서 언제 어디서나

해결하거나 평가할 수 있도록 해주는 프로토콜이다. 이 동적 실행은 HTML 프로토콜이 읽을 수 있도록

특별히 인코딩되지 않은 특정 웹페이지를 여러분의 브라우저가 볼 수 있게 하는 방식과 유사하다. 이

활동성과 실행가능성은 보유 노하우의 가치 잠재력을 크게 증가시킨다 (그림 9 참조).

그림 9: 요약 압축 기술의 가치—활동적인 보유 노하우



지식 인식 공학은 이질적인 형태의 다양한 보유 노하우의 단일화를 가능하게 하고, 보유 노하우의

종합적인 통합을 용이하게 한다. 그 결과, 모든 보유 노하우를 위한 “원스톱 숍”을 만들어지고, 전사적인

전사적인 기술 메모리가 생성된다.

지식 인식 공학으로, 전체 신호 대 잡음 비율을 계속적으로 측정되고 그에 따라 조치를 취하면서 보유

노하우의 질은 지속적으로 높게 유지된다. 신호 대 잡음 비율은 보유 노하우의 각 패킷이 보여주는

바람직한 특징을 가지는 신호와 더불어, 기본적이고 통합적인 보유 노하우 공정 측정 방법을 제공한다.

신호 대 잡음 비율은 “즉시” 측정되는데, 이는 부분적으로는 공학적 공정이 각각의 모든 보유 노하우

패킷의 적용과 특정 상황에서의 현 평가 상태를 인식하는 데서 기인한다. 보유 노하우의 다양한 특성은

이 정보에서부터 자동으로 유추할 수 있으며, 신호 대 잡음은 폭력과 노동 집약적인 품질 관리에 대한

필요없이 측정 및 관리할 수 있다.

상향식 도출 공정(자기 조직화 커뮤니티)때문에, 보유 노하우는 고유의 보이스를 유지하는데, 이것은

관련된 공학적 의사 결정 지점으로 전달되어 주어진 상황 속에서 그리고 영향을 미치는 모든 관련

요소들과 함께 설계 최적화를 가능하게 한다.

지식 인식 공학이 공학적 공정에 미친 결과적인 효과는 지대하다. 보유 노하우가 업무 흐름에 투입됨으로

공학적 효율성과 공정의 일관성은 크게 증가하고, 동시에 반복되는 오류는 크게 감소한다. 지식 인식

공학은 또한 의사 결정 지원을 통해 덜 숙련된 엔지니어가 더 능숙한 수준으로 작업을 수행할 수 있게

한다. 게다가, 보유 노하우는 점점 개선되기 때문에, 이 효과는 시간이 지남에 따라 증가한다.

VI. 지식 인식 공학의 선순환

귀 조직이 KAE 변화를 받아들일 이유

일부 공학 기술 지도자들은 명백히 투자되어야 하는 노력과 변화에 대한 엔지니어들의 거부감 또는 변화

수용에 대한 무능을 언급하며, 보유 노하우 공정을 구현하는 대규모 조직의 능력에 대해 의심한다. 이런

우려가 전통적인 공학 패러다임내에서는 유효할 수 있지만, 엄청난 속도로 진행되는 현대 기술 발전은

혁신과 생산성 플랫폼으로의 신속한 업그레이드를 요구한다.

보유 노하우의 재사용 및 가시성 측면의 영향을 파악하는 것이 한 조직이 기꺼이 KAE 방법을 채택할

이유를 이해하는 열쇠이다. 재사용과 재사용의 가시성은 KAE 방법이 자체적으로 유지되는 성장과 더

많은 KAE 방법에 대한 내부 요구를 달성하게 하는 선순환을 가능하게 한다.



지식 인식 공학의 선순환은 은유적으로 플라이휠로 생각할 수 있다. 처음에는 바퀴가 움직이기

시작하도록 하기 위해 약간의 에너지를 가한다. 보유 노하우 재사용이 분명해지고 기술 인력이 관여하게

되면, 플라이휠에 더 많은 에너지가 공급되고 추가적인 보유 노하우와 가시성의 생산이 가속화된다. 가

적용된다.

그림 10: 자체적으로 유지되는, 가속 KAE 플라이휠

예를 들어, 엔지니어의 작업이 보유 노하우 유입으로 쉬워졌을 때, 그 또는 그녀는 전체 공정의 다른

측면에 관여할 가능성이 높아진다. 이 증가하는 기술 노동자에 의한 보유 노하우 기여는 또한 다른

엔지니어가 그 보유 노하우 유입의 혜택을 받을 가능성을 증가시킨다. 결국, 더 많은 엔지니어가 그

공정에 기여하기 시작하고, 그 공정은 힘을 모을 수 있게 된다. 이 혜택, 기여 그리고 더 많은 혜택의

순환이 계속되면, 하나의 선순환이 된다 – 성공은 더 큰 성공을 낳는다.

결국 가시적인 재사용이 임계량에 도달해서, 플라이휠은 소비하는 것보다 더 많은 에너지를 생산하고

자체적으로 유지할 수 있게 된다. 보유 노하우에 기여하는 가치 창출 공정을 내재화함으로써, 조직은 그

공정을 더 가속화할 수 있다.

보유 노하우 공정 플라이휠이 저절로 계속되는 선순환의 지점에 도달하면, 가장 회의적인 공학 기술

확신을 가지게 된다.

지식 인식 공학의 성공을 증가시키는 다섯 가지 요소

다음과 같은 다섯 가지 지식 인식 공학의 조직적 문화적 요소가 보유 노하우 공정 참여와 관련 선순환을

촉진한다:



1. 보유 노하우 기여는 분명하게 눈에 보이며 측정되고 직접 보상을 받을 수 있다. 이 가시성은

기술 노동자가 변화에 참여하는 데 매우 중요한다.

2. 상향식의 유기적인 지식 공정은 “사람을 위한 힘”을 허용하고 인력이 관여하게 한다.

유연성은 지식 공정이 성장하고 발전할 수 있게 한다.

3. 재작업을 피할 수 있기 때문에, 공학 기술에 요구되는 순 자원이 감소한다. 자유로와진

자원은 혁신과 같은 더 많은 부가가치를 창출하고 보람 있는 활동에 적용될 수 있다.

4. 모든 보유 노하우에 대해 통합된 공정은 학습 곡선을 줄이고 전사적 기술 메모리에 대한 더

쉽게 이해할 수 있는 공정을 만들어, 결국 모든 관련 작업 노력을 단순화한다.

5. 젊은 엔지니어는 KAE 의 상향식 보유 노하우 도출과 기본 원칙을 공유하는 유기적인

네트워크 유형의 온라인 시스템에 대한 광범위한 경험을 가지고 있다.

결론

지식 인식 공학을 통해 기술 집약적인 회사는 생산성을 증가시키고, 효율성을 향상시키며 혁신을

신장시킬 수 있다. 기술 지식의 동적 경영과 유기적 적응을 통해, KAE 방법론은 완전한 전사적 범위까지

확장될 수 있을 뿐 아니라 특정 목적의 시범 운영 프로젝트에도 적용할 수 있다. 모든 중간 규모 또는

대규모의 다중 위치, 공학 기술 집약적인 기업은 자원을 극대화하고 경쟁 우위를 유지하기 위해 KAE

기술 구현을 고려해야 한다.

저자 소개

Jeff Moffa 는 마이애미 대학에서 기계공학 학사 학위와 미시간 주립대학에서 MBA 를 받았다. 그는 원래

포드 자동차 회사에서 공학적 지식 경영 및 지능형 설계 자동화 분야의 혁신적인 지도자였으며, 가장

최근에는 Emergent Systems 에서 부사장으로 있다.

Emergent Systems 소개

Emergent Systems 은 선두 제조 업체가 사용하는 첨단 지식 경영 및 의사 결정 지원 솔루션을 개발한다.

Emergent Systems 은 기업이 자신들의 지식을 활용하는 방식을 변화시키고 있다. 순간적이며

수동적이고 경영하기 어려운 것으로 간주되었던 지식은 적극적이고, 잘 통합된, 시간의 경과에 따라

축적되는 고가치의 자산으로 전환되어야 한다. Emergent 는 최고 수준의 공정 및 기술로 산업을 이끌고

지식 능력의 향상을 위해 기꺼이 전략적인 투자를 할 소비자/고객을 찾고 있다.

Documents

백서 지식 인식 공학 - aurosks.comaurosks.com/wp-content/uploads/2017/10/Whitepaper-Koren.pdf · 백서 지식 인식 공학 [email protected] Jeff Moffa Emergent Systems, 부사장