현장 기록 → 구조화 → 의사결정

현장에서 생성한 기록을
검색하고 질문할 수 있는 데이터로 만듭니다

서울 1,412교를 비롯한 전국 교육기관의 네트워크 진단·구축 사업에 협력사로 참여해 온 회사입니다. 그 현장에서 나오는 실사 기록과 장비 데이터를 정리해, 자연어로 질문할 수 있는 관리시스템을 만들고 있습니다.

우리가 데이터를 다루는 방식 수행 실적 보기
HIVELINK 대화형 관리시스템 RAG · NL→SQL

현업에서 실제 운영한 시스템의 질의 흐름을 재구성한 화면입니다 · 학교 네트워크 진단 / 우정사업본부 PDA 진척관리

HOW WE WORK

현장 기록이 판단 근거가 되기까지,
다섯 단계

현장에서 배운 것이 있습니다. AI 기능을 나중에 붙이려면 이미 늦습니다. 실사 양식과 업로드 규약을 첫 단계부터 AI가 읽을 수 있는 형식으로 정해야 합니다. 하이브링크는 이 원칙 위에 시스템을 만들고 있습니다.

  1. 01
    현장의 신호가 하나의 기록으로 모이는 모습

    수집 Record

    작업자의 실사 입력과 SSH로 자동 수집한 LLDP·포트·성능 지표를 모두 기록으로 남깁니다.

    SSH·LLDP 자동수집 · 모바일 실사 입력

  2. 02
    무정형 기록에 스키마와 라벨이 부여되는 모습

    의미 Meaning

    기록마다 스키마와 정합성 규칙을 정합니다. 어떤 값이 어느 장비·포트를 가리키는지 여기서 정의합니다.

    스키마 정의 · 정합성 검증 규칙

  3. 03
    검증된 기록이 층으로 쌓여 지식이 되는 모습

    취합 Knowledge

    검증된 기록을 학교·사업 단위로 묶어 버전별 스냅샷, 마크다운 문서, 임베딩 인덱스로 저장합니다.

    스냅샷 버저닝 · 마크다운 · 임베딩 인덱스

  4. 04
    질문이 지식 더미에 닿고 응답이 돌아오는 모습

    대화 Converse

    담당자가 자연어로 질문합니다. RAG와 LLM 에이전트가 질문을 SQL과 분석으로 바꿔 답합니다.

    RAG · 자연어→SQL · LLM 에이전트

  5. 05
    여러 데이터 흐름이 하나의 결정으로 수렴하는 모습

    결정 Decide

    보고서·구성도·정상/미흡/심각 판정을 자동으로 만들어 담당자의 판단 자료로 냅니다.

    9종 보고서 자동생성 · 정상/미흡/심각 판정

이 과정은 지금 실제 사업에서 운영 중입니다. 현장 수집 클라이언트가 업로드하는 순간 학교별 지식 문서가 갱신되고, 그 문서가 다시 챗봇의 답변 근거가 됩니다.
여기에 더해, 실사 양식·업로드 규약·기록 단위를 처음부터 AI가 읽을 수 있게 설계하는 방법을 연구하고 있습니다.

BEYOND SEARCH

검색 화면에 미리 만들어 둔 조건으로는,
그 조건 밖의 질문에 답할 수 없습니다

전통적인 관리시스템은 개발자가 미리 의도한 질문에만 답합니다. 우리는 산출물이 만들어지는 시점부터 데이터에 메타데이터를 붙이고, 주어·술어·목적어 트리플로 연결합니다. 그래서 담당자는 정해진 화면을 뒤지는 대신 자연어로 질문합니다.

전통 시스템

  • 정해진 검색조건 안에서만 조회
  • 구성도·선번장·장비목록이 따로 저장됨
  • “무엇이 있는가”까지만 답함

하이브링크

  • 문맥을 이해한 자유로운 질문
  • 주어·술어·목적어로 연결된 지식
  • “왜 그런가 · 다음에 무엇을”까지 답함

FindNet

한 번의 실사 기록이
N계위 구조가 되기까지

장비목록 → 토폴로지 → 포트맵 → 미수집 스위치 추정. 같은 수집 데이터로 장비목록·토폴로지·포트맵·미수집 스위치 추정 네 화면을 만듭니다. 화면의 학교명은 치환하고 관리 IP · 계정 · 실명은 마스킹했습니다.

우정사업본부 · 27,009건

“엑셀로 변환해줘” 한 문장이
3개 시트가 되기까지

메뉴에 없는 조건 조합도 질문 한 줄로 조회합니다. 스키마를 이해한 에이전트가 쿼리를 짜고 결과를 내려줍니다.

2,784교 리포트 · 사업 완료

측정 데이터가
9종 산출물이 되기까지

현장 측정값 하나가 학교별 결과표·구성도·장비내역으로 자동 전개됩니다. 사람이 옮겨 적지 않습니다.

PARSING ENGINE

입력 단계에서 오류를 걸러,
틀린 값이 다음 산출물에 복사되지 않게 합니다

학교마다 구성도·선번장(랙실장도)·장비목록이 따로 만들어지고, 같은 장비가 세 문서에서 다르게 적힙니다. 세 문서를 맞추는 일은 사람이 눈으로 하고, 틀린 값은 다음 산출물에 그대로 복사됩니다.

우리는 현장 입력을 다섯 기준으로 동시에 검사합니다. 모델 카탈로그, 포트 구조, 케이블 타입, 계위 규칙, 구성도의 선 연결입니다. 기준의 출처가 서로 달라서, 한 검사를 통과한 오류도 다른 검사에 걸립니다. 그렇게 정형화된 값이 연결구성 IR 하나로 모이고, 그 IR 을 기준으로 세 문서를 일치시킨 뒤 슬라이드를 다시 배치·배선합니다.

서울용마중학교 실제 수집 데이터 · 연결 14건을 읽어 IR 로 세우는 과정

결과: 기존 구성도 파싱 정확도

XML 워킹만

59.7%

315건 중 126건을 못 읽음

＋ 픽셀 워킹

100.0%

틀림 0 · 못 읽음 0

연결구성 IR — 장비ID · 부모 · 포트 · 케이블 · 계위

선이 상자를 관통하는지, 아이콘에 가려 끊긴 조각인지, 집선이 둘일 때 선이 시작한 쪽이 어디인지 — 사람이 구성도를 볼 때 쓰는 판단 기준을 그대로 규칙으로 옮겼습니다. 파일에서 만든 IR 과 DB 에서 만든 IR 이 완전히 같은 구조이므로, 어느 쪽에서 출발해도 같은 구성도가 나옵니다.

취합하는 데이터의 정합성

무엇을 모으고, 왜 갈라지며, 언제 맞추는가

01 · 어떤 기록을 모으는가

학교마다 출처가 다른 기록이 따로 생깁니다

  • 수기 3종 — 구성도 · 선번장(랙실장도) · 장비목록
  • 실측 — 스위치에서 직접 읽은 LLDP · MAC
  • 기준 — 모델 카탈로그 292종의 포트 구조

FindNet 은 이 기록들을 하나의 연결구성 IR(장비ID · 부모 · 포트 · 케이블 · 계위)로 맞춥니다. 산출물은 그 IR 에서만 나옵니다.

02 · 왜 다르게 적히는가

수십 명이 나눠 적는 자료는 반드시 표기가 어긋납니다

  • HP 1420-24G 와 HPE 1420-24G 는 같은 장비, HPE 1420-24G-2SFP 는 다른 장비
  • 광포트를 F1~F4 로 적는 사람과 25~28 로 적는 사람이 한 사업 안에 함께
  • UTP 로 적혔지만 그 모델에서는 광포트인 자리
  • 한 포트에 두 장비가 걸린 기록

사람은 292종의 포트 구조를 외우지 못합니다.

03 · 언제, 어떻게 맞추는가

첫 입력 단계에서 바로 맞춥니다

  • 카탈로그의 포트 구조와 맞지 않는 물리적으로 불가능한 연결은 입력 화면에서 바로 확인을 요청합니다
  • 표기가 달라도 같은 포트 · 같은 모델로 수렴시킵니다
  • 카탈로그·포트 구조·케이블·계위·그림의 선 다섯 기준으로 동시에 검사합니다

같은 장비가 다른 이름으로 세어지면 수량·교체·재고 통계가 그 자리에서 틀립니다. 4만 건이 쌓인 뒤에 오류를 가려내려면 현장을 다시 조사해야 합니다. 그래서 검증 규칙은 첫 입력부터 적용합니다.

영상은 실제 운영 중인 시스템을 그대로 녹화한 것입니다. 개인정보와 발주처 식별 정보는 가렸습니다.

DOMAINS

레거시 인프라에서
대화형 시스템까지

전산장비를 설치·철거·유지보수하며 만든 실사 기록과 장비 이력이 데이터 파이프라인의 입력이 됩니다. 네 개 도메인은 앞 단계의 산출물이 다음 단계의 입력이 되는 순서로 이어집니다.

D-01 전문 진단 장비 보유

무선 네트워크 정밀 진단

NetAlly EtherScope™ nXG와 Colasoft nChronos로 신호 맵핑·스펙트럼 분석과 트래픽 패턴을 측정합니다. 교실별 9개 지점 측정값을 그대로 진단 데이터베이스에 저장합니다.

NetAlly EtherScope nXG
EtherScope™ nXG10G 성능 측정 · 스펙트럼 분석
Colasoft nChronos
Colasoft nChronos실시간 트래픽 · 패킷 손실 측정
무선 정밀 진단
661개교
교실별 측정 지점
9곳
측정 기반 AP 재배치
6,632대
D-02 일괄 구축

네트워크 인프라 구축

설계·시공·검증·유지보수를 한 회사가 맡습니다. 구축이 끝나면 장비 목록과 연결 구조가 자동으로 데이터화되어 토폴로지와 선번장으로 남습니다.

LLDP로 자동 생성된 N계위 네트워크 토폴로지
LLDP 수집만으로 N계위 구조를 그립니다. 데이지체인으로 이어진 지점을 찾고, 관리IP가 없는 스위치는 MAC 정보로 위치를 추정합니다 — 관리IP 없는 구간도 MAC으로 추정
  • 링크마다 케이블 종류(광·Cat6A·Cat5e)를 기록해, 노후 배선 비율과 우선 교체 구간을 자료로 남깁니다
  • Cisco · HP · Aruba 엔터프라이즈 장비 구축
  • 전 구간 성능 측정 및 품질 보증서 제공
D-03 자체 개발 PMS

통합 사업관리 플랫폼

제안요청서 기반으로 공정을 분해하고, 현장 작업자가 입력하는 실사·조달·진척 데이터를 실시간으로 취합합니다. 여러 공정을 프로젝트 화면 하나에서 관리합니다.

지방청별 진척율 통계 대시보드
391개 우체국·13,532대 진척을 한 화면에
품목별 계약 수량 재분배
10개 품목 계약 대비 할당 — 총량은 고정, 재분배만 허용
프로젝트 완료율
100%
실시간 관리 우체국
391개소
일정 준수율
100%
D-04 RAG · LLM

AI 대화형 관리 플랫폼

취합된 현장 데이터 위에 임베딩 검색과 LLM 에이전트를 얹습니다. 별도의 도메인 학습 없이 질문의 문맥을 이해하므로, 담당자는 정해진 검색 화면을 뒤질 필요가 없습니다.

  • 자연어 → SQL 변환 "철거만 진행한 우체국은 어디지?" — 스키마 메타데이터 기반으로 질문을 쿼리로 바꿔 즉시 조회합니다.
  • 임베딩 RAG 검색 진단 기준·사양 문서를 벡터로 인덱싱해, 답변마다 근거 문서를 함께 제시합니다.
  • LLM 에이전트 분석 복합 질문을 단계로 분해하고 SQL·통계 도구를 스스로 호출해 요약 보고합니다.
자연어 질문으로 엑셀 3시트를 생성한 AI 챗봇 화면
질문 한 문장 → 엑셀 3시트 · 27,009건 상세 보기 →

TRACK RECORD

수행 실적 원장

주사업자의 의뢰로 협력사로 참여한 정부기관·교육청 사업을 기록 그대로 공개합니다.
아래 사업은 하이브링크가 주사업자로 수주한 것이 아닙니다. 발주처와 계약한 주사업자의 의뢰로 협력사로서 참여해, 사업관리 체계를 설계하고 진척 관리와 산출물 생성을 시스템으로 구현해 운영한 과업입니다. 시스템 상세보기가 있는 항목은 실제 운영 화면을 확인할 수 있습니다.

서울특별시교육청 2026년 학교 디지털 인프라 통합관리(테크센터) 운영 서울 전체 초·중·고 통합관리 · FindNet L2 스위치 통합관리 시스템 2026.05 – 2026.12 진행중
우정사업본부 2025년 우편업무용 PDA·모바일프린터 도입 및 설치 전국 391개 우체국 · 13,532대 장비 · AI 자연어 쿼리 챗봇 진척관리 2025.09 – 2025.12 완료
한국지능정보사회진흥원 전북 학교 유·무선 네트워크 진단 및 개선 661개교 정밀 진단 · Multi-API 연동 리포트 자동 생성 2025.02 – 2026.02 완료
인천광역시교육청 학교 무선통신장비 도입 및 유·무선망 점검개선 697개교 · 6,632대 AP 재배치 · OCR 기반 AP배치도 자동 생성 2025.08 – 2025.12 완료
서울특별시교육청 학교정보화지원체계(테크센터) 운영지원 1,405개교 네트워크 장비 통합관리 · 집중진단 개선 수행 2025.09 – 2025.12 완료
서울특별시교육청 테크매니저 지원 용역사업 서울 전체 초·중·고 유지보수 · 통합 PMS 플랫폼 운영 2025.05 – 2025.12 완료
서울특별시교육청 학교정보화지원체계 운영지원사업 서울 초·고(강북권) 진단·개선 · PMS 개발 및 운영 2025.01 – 2025.09 완료

WORKING TOWARD

다음 목표는 사람이 하지 않아도 되는 현장 작업을 로봇에 맡기는 일입니다

현장에서 사람을 구하지 못하는 곳이 늘고 있습니다. 위험하거나 단조로워서 사람을 구하지 못하는 일입니다. 우리는 그 현장을 디지털트윈으로 먼저 모사한 뒤, 어느 지점에 어떤 피지컬 AI를 넣으면 되는지를 계산해 제안하려 합니다.

01

현장을 모사합니다

공정·동선·작업 시간을 측정해 디지털트윈으로 올립니다. 지금 네트워크 현장에서 하는 일과 같은 방식입니다.

공정마다 대체 가치를 계산해 한 지점을 고르는 모습
02

대체 지점을 계산합니다

어느 공정이 위험한지, 어느 공정이 반복 작업인지, 자동화하면 비용이 얼마나 줄어드는지를 숫자로 냅니다.

이미 있는 로봇에 소프트웨어 모듈을 붙이는 모습
03

이미 나온 하드웨어를 붙입니다

로봇을 만들지 않습니다. 상용 장비를 찾아 온디바이스 추론 모델과 데이터 파이프라인을 포팅합니다.

SIM2REAL

모사 → 현장

어려운 것은 시뮬레이션과 실제 현장의 차이를 줄이는 일입니다

시뮬레이션에서 만든 동작은 현장에서 그대로 되지 않습니다. 바닥 마찰이 다르고, 조도가 다르고, 사람이 매번 다른 자리에 서 있기 때문입니다. 이 계획의 핵심은 그 차이를 줄이는 일이고, 방법은 아래 셋입니다.

  • 실측으로 트윈을 계속 고칩니다 현장에서 잰 값을 다시 모사에 반영합니다. 네트워크 현장에서 이미 하고 있는 방식입니다.
  • 조건을 바꿔 가며 학습시킵니다 마찰·조도·배치를 무작위로 바꿔, 한 가지 조건에만 맞는 동작이 나오지 않게 합니다.
  • 판단 확신도가 낮은 구간은 사람에게 넘깁니다 확신이 낮으면 멈추는 쪽을 기본값으로 둡니다. 틀린 채로 진행하는 것보다 낫습니다.

PROVING GROUND

비싼 장비 대신 공개된 오픈소스 스택으로 먼저 시험합니다

피지컬 AI는 이제 수억 원짜리 연구실 장비 없이 기성 키트로 시험할 수 있습니다. 우리는 허깅페이스가 공개한 로보틱스 스택 위에서 현장 공정을 재현해 보는 것을 첫 실증으로 잡고 있습니다.

스택

Hugging Face LeRobot

오픈소스 로보틱스 라이브러리. 시뮬레이션에서 학습한 정책을 실제 장비로 옮기는 Sim2Real 절차가 안에 들어 있습니다. 우리는 이 위에 공정 데이터를 얹습니다.

Apache-2.0 · 정책 학습 · 데이터셋 규격

데이터 · 현장

학습 데이터는 실제 현장에서 수집합니다

촉각·비전 수집 장비를 가진 데이터 전문 기업과 협력해 작업자의 동작을 학습 데이터로 바꿉니다. 그 협력에서 하이브링크는 장비나 수집 인력을 맡지 않습니다. 어느 공정을 어떤 동작 단위로 기록해야 로봇이 배울 수 있는지를 정하는 일을 맡습니다. 현장을 아는 쪽이 해야 하는 판단입니다.

현장 접근권 · 공정 선정 · LeRobot 데이터셋 규격

조작 · 모방학습

SO-101 로봇팔

리더암을 사람이 손으로 움직여 시범을 보이면 팔로워암이 그 동작을 배웁니다. 사람의 시범으로 작업을 가르친다는 것이 실제로는 이 방식입니다.

6축 · 기성 키트 조립 · LeRobot 연동

이 중 우리가 만든 것은 없습니다. 기성 제품을 사서 우리 공정 데이터로 학습시키고 현장에 맞게 포팅합니다.

위험구역에서 사람을 빼고 로봇이 들어가는 모습

위험 공정

사람이 다치는 자리부터

작업자의 시범 동작을 기록해 로봇에 학습시켜, 사람이 들어가지 않아도 되는 구간을 먼저 찾습니다.

같은 동작이 반복되는 공정을 로봇이 대신하는 모습

단순 반복

같은 동작을 하루 종일

소규모 제조 공장이 사람을 못 구하는 공정입니다. 인건비보다 사람을 구하는 일이 먼저 막힙니다.

건물 관리

오피스 빌딩 청소

회사들이 입주한 건물의 공용부·복도·화장실은 복도·화장실 구조가 건물마다 비슷해 모사가 쉽고, 비용을 낼 건물 관리회사가 이미 있습니다. 가장 먼저 시험해 볼 곳으로 봅니다.

이 영역은 아직 연구 단계입니다. 위에 소개한 수행 실적과 달리 납품 사례가 없습니다. 함께 시험해 볼 현장을 찾고 있습니다.

ABOUT HIVELINK

검색 화면에 없는 질문에도 현장 데이터에서 답을 찾아 주는 회사

현장 측정을 산출물로 바꾸는 작업

하이브링크는 전산장비 유지보수와 프로젝트 관리 소프트웨어 개발을 함께 하는 회사입니다. 전산장비를 설치·철거·유지보수하던 현장에서 학교 무선 AP의 성능을 측정하게 되면서 문제가 드러났습니다. 같은 장비라도 시간대·AP 설치 위치·채널 간섭·채널 본딩에 따라 측정값이 달라졌고, 그 값을 해석하려면 실사 기록과 장비 이력을 함께 봐야 했습니다. 1,400여 개 학교에서 쏟아지는 이 데이터를 사람이 화면을 뒤져 관리할 수는 없었습니다. 데이터를 한곳에 모아 관리하고, 그 데이터로 조회·집계·보고서 작성을 자동화해야 한다는 필요가 여기서 나왔습니다.

UI에 검색 조건을 프로그래밍하는 방식으로는, 개발자가 미리 의도한 데이터만 찾을 수 있습니다. 그래서 우리는 현장에서 생성된 원본 데이터에 메타데이터와 마크다운 설명문을 붙이고, 임베딩 RAG와 지식그래프로 연결합니다. 이렇게 준비된 데이터는 별도의 도메인 학습 없이도 질문의 문맥을 이해하는 대화형 관리시스템이 됩니다. 하이브링크가 만드는 소프트웨어는 현장 데이터를 검색·분석해 담당자의 판단을 돕는 관리시스템입니다.

  • NetAlly EtherScope™ nXG · Colasoft nChronos 전문 진단 장비 보유
  • 제안요청서 특화 통합 사업관리 플랫폼 자체 개발·운영
  • RAG·LLM 기반 자연어 질의 시스템 자체 개발, 우정사업본부 PDA 진척관리와 학교 네트워크 진단 사업에서 운영
  • 현장 실사 양식을 LLM이 그대로 읽을 수 있는 형식으로 설계하는 방법 연구
  • 100% 프로젝트 완료율 · 100% 일정 준수율

CONTACT

현장에 쌓이는 데이터가 있다면

인프라 구축부터 대화형 관리시스템까지, 어느 단계든 편하게 문의해 주세요.

EMAIL [email protected] 클릭하면 주소가 복사됩니다
BLOG blog.hivelink.kr 기억을 담다

자료 내려받기

자료를 보내 드린 뒤 회신할 수 있도록 회사명과 이메일을 남겨 주세요.

정기점검 자동화 툴 (2026 하반기)

이 프로그램은 협력사에게만 제공하는 관리툴입니다.
담당자에게 받은 비밀번호를 입력해 주세요.