데이터 엔지니어링 커뮤니티에서는 해마다 "마스터해야 할 아키텍처 패턴" 목록이 회자됩니다. 2026년의 목록도 크게 다르지 않습니다 — 문제는 이 패턴들이 대부분 웹·커머스 데이터를 전제로 설명된다는 것입니다. 제조 현장의 데이터는 성격이 다릅니다. 초당 수만 건의 시계열, 밀리초 지연 요구, 폐쇄망, 그리고 "TAG_00042"처럼 맥락 없는 신호들. 12가지 패턴을 산업 데이터의 눈으로 다시 읽어보겠습니다.
배치와 스트림 — 흐름의 패턴
1. Lambda 아키텍처 — 배치 경로와 실시간 경로를 병렬로 두고 결과를 합칩니다. 검증된 만큼 무겁습니다. 두 벌의 파이프라인을 유지하는 비용이 제조 IT 조직에는 부담입니다.
2. Kappa 아키텍처 — "모든 것은 스트림"이라는 단순화. 설비 데이터는 본질이 스트림이므로 제조와 궁합이 가장 좋은 패턴입니다. 재처리도 스트림 재생(replay)으로 해결합니다.
3. 이벤트 드리븐 아키텍처(EDA) — 상태 변화를 이벤트로 발행하고 구독으로 반응합니다. 알람·인터록·품질 판정처럼 "일어난 일에 반응"하는 제조 로직과 자연스럽게 맞습니다.
4. 스트리밍 퍼스트 + CEP — 스트림 위에서 복합 이벤트 처리(CEP)로 패턴을 감지합니다. 임계 초과·추세 이탈·복합 조건 알람은 저장 후 조회가 아니라 흐름 위에서 잡아야 합니다.
저장과 구조 — 그릇의 패턴
5. Data Lake — 원본을 그대로 쌓는 저수지. 유연하지만 방치하면 "데이터 늪"이 됩니다. 제조에서는 시계열 특화 저장소와 역할을 나눠야 합니다.
6. Lakehouse — 레이크의 유연함에 웨어하우스의 관리(스키마·트랜잭션)를 얹은 절충. OT 이력의 장기 보관·전사 분석 계층으로 유효합니다.
7. Medallion(Bronze/Silver/Gold) — 원본→정제→비즈니스 단계로 품질을 층화합니다. 제조로 옮기면 "원신호 → 표준화 태그 → KPI(OEE·RAM·EMS)"의 3단이 정확히 대응됩니다.
8. Data Vault — 변경 이력을 잃지 않는 모델링 기법. 감사와 추적성이 생명인 방산·항공 품질 데이터에 시사점이 큽니다.
조직과 의미 — 사람의 패턴
9. Data Mesh — 중앙 팀이 아니라 도메인이 데이터를 "제품"으로 소유합니다. 다공장 기업이라면 공장별 데이터 프로덕트 + 전사 표준 계약의 조합으로 읽힙니다.
10. Data Fabric — 흩어진 데이터를 메타데이터·시맨틱으로 엮는 통합 계층. 제조에서 이 역할을 하는 것이 바로 **Unified Namespace(UNS)**입니다. 자산 계층이 곧 실시간 주소 체계가 됩니다.
11. 시맨틱 레이어 / 온톨로지 — 데이터에 의미를 부여하는 계층. "TAG_00042"가 어느 라인 어느 설비의 무슨 신호인지 모르면 AI도 사람도 답할 수 없습니다. 제조 AI의 성패를 가르는 패턴입니다.
12. 데이터 프로덕트 & 계약(Data Contracts) — 데이터를 API처럼 버전·품질·SLA로 관리합니다. MES·ERP 연동이 "파일 던지기"에서 "계약 기반 인터페이스"로 진화하는 방향입니다.
제조 현장의 결론
열두 가지를 다 도입하라는 뜻이 아닙니다. 산업 데이터에서 승부를 가르는 조합은 명확합니다:
- Kappa + CEP — 설비 데이터는 스트림으로 태어난다
- UNS(Data Fabric) — 자산 계층을 실시간 주소 체계로
- 온톨로지(시맨틱 레이어) — AI가 이해하는 데이터 기반
- Medallion식 층화 — 원신호에서 KPI까지의 품질 단계
PlantPulse® Platform은 이 조합을 하나의 패키지로 구현합니다 — 초당 51만 이벤트 CEP, MQTT·Sparkplug B 기반 UNS, ISA-95 자산 계층 위의 온톨로지 지식그래프까지.