고객 프로필
이 분석가는 레거시 2D CAD 도면에서 치수 인텔리전스를 추출하는 역할을 맡은 소규모 자동차 엔지니어링 또는 OEM 공급업체 팀에서 일합니다. 이들이 다루는 원본 자료는 DXF 파일이며, 이는 AutoCAD, CATIA, SolidWorks 같은 도구에서 내보내는 업계 표준 형식입니다. 이후 이 데이터를 사용하는 대상은 시뮬레이션 팀, 제조 계획 담당자, 치수 적합성 검토자입니다. 이 팀은 리버스 엔지니어링과 디지털 트윈 준비가 만나는 지점에서 작업하며, 재구성된 형상의 정확도는 후속 툴링과 공정 의사결정에 직접적인 영향을 미칩니다. 팀의 입력 도면 대부분은 단일 DXF 안에 측면, 정면, 평면 투영이 함께 들어 있는 단일 파일 다중 뷰 레이아웃이며, 별도의 3D CAD 모델은 제공되지 않습니다.
문제
energent.ai를 도입하기 전, 팀은 2D DXF 형상을 의사 3D 표현으로 끌어올리기 위해 레이어 기반 깊이 추론 방식에 의존했습니다. 핵심 문제는 체계적인 과충전(overfill)이었습니다. 원본 도면에 충분한 다중 뷰 커버리지가 없는 영역에서는, 알고리즘이 해당 구역을 지원되지 않는 상태로 표시하는 대신 휴리스틱 깊이 값을 할당했습니다. 이렇게 조작된 형상 때문에 재구성 결과물은 후속 파이프라인에서 신뢰할 수 없었고, 출처(provenance) 데이터가 없어서 어떤 도면 영역이 특정 치수 불일치의 원인인지 진단할 수도 없었습니다.
분석 대상 차량은 단일의 권위 있는 도면 파일(kavz-3244.dxf)로 정의되어 있었고, 기준 엔벨로프는 다음과 같이 정확히 지정되어 있었습니다.
- Length: 7,895.0 mm
- Height: 2,820.0 mm
- Width: 2,210.0 mm
기존 파이프라인이 생성한 대시보드 출력은 이러한 목표값과 의미 있게 대조 검증할 수 없었습니다. 시각적으로는 완전한 3D 렌더가 만들어졌지만, 렌더링된 각 표면 요소를 특정 뷰나 도면 영역에 연결하는 아티팩트 체인이 없었습니다. 렌더링된 모델과 목표 사양 사이의 불일치는 실제 치수 차이인지, 아니면 휴리스틱 채움의 산물인지 구분할 수 없었습니다. 이전 파이프라인은 또한 여러 중간 디버그 및 시각화 파일을 생성했지만, 이들 중 어느 것도 공식적으로 권위 있는 산출물로 지정되거나 대체된 적이 없어서, 팀은 후속 의사결정에 어떤 결과물을 사용해야 하는지 확신할 수 없었습니다.
지금이었던 이유
신뢰할 수 있는 재구성을 제공해야 한다는 압박은 두 가지 힘이 동시에 작용하면서 커졌습니다. 첫째, 후속 시뮬레이션 및 제조 팀이 재구성 워크플로우에서 넘겨받은 모델에서 치수 불일치를 지적하기 시작했는데, 출처 데이터가 없어서 재구성 팀은 어떤 도면 뷰가 각 측정을 제공했는지, 또는 그 간극이 의도된 것인지 휴리스틱에 의한 것인지 설명할 수 없었습니다. 둘째, 팀은 막 치수가 완전히 명시된 차량 도면을 받았고, 이를 통해 기존 파이프라인의 정확도를 직접적이고 공개적으로 측정할 수 있는 구체적인 벤치마크가 생겼습니다. 치수 기준 벤치마크에서의 실패는 허용오차에 묻히는 조용한 불일치가 아니라 눈에 보이는 품질 이슈가 될 것이었습니다. 팀은 다음 벤치마크 검토 전에 감사 가능한 sparse 출력물을 만들어낼 수 있는 재구성 접근법이 필요했고, 스크립팅 환경에서 파이프라인을 처음부터 다시 만드는 방식은 시간상 현실적이지 않았습니다.
energent.ai를 선택한 이유
팀은 여러 대안을 검토했습니다. 스프레드시트 기반 분석으로는 DXF 형상 파싱이나 다중 아티팩트 오케스트레이션을 어떤 규모에서도 처리할 수 없었습니다. 전문 3D 재구성 소프트웨어는 이 단일 파일, 증거 우선 워크플로우에 맞게 구성하려면 상당한 라이선스 투자와 깊은 CAD 전문성이 필요했습니다. 추가 분석가를 채용하는 방식은 출처 공백이나 휴리스틱 채움 문제를 해결하지 못했습니다. 그것들은 인력 문제가 아니라 파이프라인 설계 문제였기 때문입니다.
energent.ai는 질적으로 다른 경로를 제공했습니다. 에이전트는 DXF 파일을 직접 불러오고, 세션 내에서 Python 재구성 스크립트를 실행하며, 중간 JSON 아티팩트를 생성하고 검토하고, 구성 가능한 QC 게이트 로직을 적용하고, 인터랙티브 HTML 대시보드를 생성할 수 있었습니다. 이 모든 작업이 단계 간 컨텍스트 손실 없이 하나의 반복 세션 안에서 가능했습니다. 결정적으로, 에이전트는 프롬프트 수준에서 증거 우선 정책을 강제하도록 지시할 수 있었습니다. 즉, 실제 뷰 데이터가 뒷받침하는 영역에서만 형상을 렌더링하고, 지원되지 않는 영역은 채워 넣지 말고 sparse 상태로 남기며, 최종 3D 패널에서 레이어 리프트 휴리스틱으로 되돌아가는 것을 거부하도록 할 수 있었습니다. 팀이 접근할 수 있는 어떤 다른 도구도 파일 수집, 스크립트 기반 형상 처리, QC 게이팅, 시각화 인계를 하나로 결합하면서 별도의 개발 환경이나 더 긴 구현 주기를 요구하지 않았습니다.
워크플로
분석가는 kavz-3244.dxf를 단일 권위 소스 파일로 불러오고, 명시된 목표 치수와 증거 우선 지침 세트를 포함한 재구성 세션을 시작했습니다.
Step 1 — 뷰 분할. 에이전트는 DXF를 파싱해 측면, 정면, 평면 투영으로 구성된 뷰 영역으로 분할했고, 전용 분할 아티팩트(kavz-3244_view_segmentation_v2.json)를 생성했습니다. 분석가는 영역 역할 할당을 검토해 라벨이 분할 알고리즘의 시드 윈도우 계보가 아니라 최종 역할을 반영하는지 확인했습니다. 이전 버전에서는 영역 이름이 확정된 뷰 할당이 아니라 초기화 윈도우에서 파생되어 있었고, 분석가는 이를 발견해 진행 전에 수정했습니다.
Step 2 — 피처 대응. 에이전트는 뷰 간 피처 대응(kavz-3244_feature_correspondence.json)을 추출해, 단일 뷰 투영이 아니라 다중 뷰 증거에 기반하여 형상 요소를 뷰 간에 연결하고 단면 배치를 ground했습니다. 이 단계가 바로 증거 우선 재구성과 휴리스틱 깊이 할당을 구분하는 지점입니다. 피처는 재구성된 엔벨로프에서 위치를 얻기 전에 둘 이상의 뷰에 나타나야 합니다.
Step 3 — 단면 슬라이싱. 대응 데이터를 사용해 에이전트는 재구성된 엔벨로프를 가로지르는 단면 슬라이스(kavz-3244_section_slices.json)를 생성했습니다. 슬라이스는 뷰 간 지원이 존재하는 위치에만 배치되었고, 충분한 대응 증거가 없는 구역은 비워 두어, 시각적으로는 완전하지만 기하적으로 조작된 재구성이 아니라 커버리지 공백을 솔직하게 드러내는 결과를 만들었습니다.
Step 4 — 재구성 QC. 전용 QC 아티팩트(kavz-3244_reconstruction_qc.json)는 구성된 각 검사의 게이트 통과 증거를 캡처했습니다. 분석가는 이 출력을 검토해, 단순히 pass/fail 플래그가 올바르게 설정되었는지뿐 아니라 각 게이트의 의도와 underlying evidence가 일치하는지도 확인한 뒤 최종 시각화 단계에 승인했습니다.
Step 5 — 출처 태그가 붙은 형상. 권위 있는 재구성 파일(kavz-3244_reconstructed_geometry_v2.json)은 각 요소의 소스 뷰를 식별하는 출처 태그와 함께 단면 기반 형상을 통합하여, 렌더링된 모든 표면과 이를 뒷받침하는 도면 데이터 사이에 추적 가능한 연결을 만들었습니다.
Step 6 — 대시보드 생성. 에이전트는 메인 3D 패널에서 레이어 리프트 폴백을 금지하는 명시적 지침 아래 최종 HTML 대시보드(kavz-3244_dashboard_v3.html)를 생성했습니다. 대시보드는 검증된 재구성 아티팩트에서만 렌더링되므로, 시각화는 QC 게이팅을 거친 파이프라인 출력과 직접적으로 추적 가능합니다. 이전의 두 대시보드 버전과 여러 디버그 파일은 공식적으로 대체된 것으로 지정되어 최종 권위 세트에서 제외되었고, 이를 통해 팀은 후속 단계에서 어떤 출력을 사용해야 하는지에 대한 모호함 없는 기록을 확보했습니다.
결과
증거 우선 파이프라인은 다음과 같은 결과를 기준 벤치마크 대비 도출했습니다:
| Dimension | Target | Achieved | Delta |
|---|---|---|---|
| Length | 7,895.0 mm | 7,895.0 mm | 0.0 mm |
| Width | 2,210.0 mm | 2,210.0 mm | 0.0 mm |
| Height | 2,820.0 mm | 2,763.6 mm | −56.4 mm |
Length와 width는 목표와 정확히 일치했습니다. Height는 소스 DXF의 top/front view 커버리지가 약해 56.4 mm 부족했는데, 이는 알려져 있고 문서화된 한계이며 계획에 설정된 tolerance gate 범위 내에 있었습니다. 구성된 모든 QC gate는 통과했습니다.
치수 정확도를 넘어, 이 재구성은 이전 파이프라인이 제공하지 못했던 세 가지 정성적 결과도 제공했습니다.
- 완전한 provenance. 모든 geometry 요소에 source-view 태그가 포함되어 있어, 불일치를 불투명하게 두지 않고 진단 가능하게 만듭니다. 56.4 mm height gap은 파이프라인 오류가 아니라 약한 top/front coverage에 기인하며, QC artifact에는 그 근거가 명시적으로 기록됩니다.
- 정직한 sparsity. 지원되지 않는 영역은 추정 depth로 채우지 않고 비워 두므로, downstream simulation 및 manufacturing 팀은 tolerance가 적용된 의사결정을 확정하기 전에 어떤 zone에 추가 source data가 필요한지 정확히 알 수 있습니다.
- 추적 가능한 dashboard. HTML dashboard는 raw layer data가 아니라 단일 QC-gated artifact에서 렌더링되므로, 검토자에게 깔끔한 handoff contract를 제공하고 이전에 존재하던 지정되지 않은 중간 파일들로 인한 모호성을 제거합니다.
또한 이 파이프라인은 향후 reconstruction run을 위한 checkpoint 역할을 하는 이름이 지정된 중간 artifact 다섯 개를 생성해, regression을 진단하거나 치수 불일치를 원인 소스로 추적하는 데 필요한 시간을 줄였습니다.
증거
"The old pipeline would give us a visually complete model, but we had no way to trust it — especially around the roof and front fascia where we had weak drawing coverage. What I needed was something that would show me the gaps instead of hiding them. The energent.ai session rebuilt the entire pipeline around evidence gates, and the QC JSON told me exactly why each gate passed. That's a different class of output than what we had before."
— 이 case study에 설명된 CAD/engineering analyst 역할을 반영한 composite quote
최종 deliverable인 kavz-3244_dashboard_v3.html은 section-based geometry, provenance-tagged elements, 그리고 dimensional summary panel을 포함한 pseudo-3D reconstruction을 제공합니다. QC artifact(kavz-3244_reconstruction_qc.json)는 dashboard의 근거가 되는 gate-pass evidence를 제공하며, 함께 검토할 수 있습니다.
신뢰 참고
여기서 설명하는 reconstruction은 단일 2D DXF source에서 도출된 section-based pseudo-3D representation이며, 완전한 parametric CAD model은 아닙니다. 56.4 mm height shortfall는 source data의 top/front view coverage에 실제 한계가 있음을 반영하며, 제품 결함이 아니고 visualization parameters를 조정한다고 사라지지 않습니다. 이 출력을 downstream simulation, manufacturing tooling, 또는 dimensional compliance review에 사용하는 팀은 tolerance가 적용된 의사결정을 확정하기 전에 sparse zone을 추가 source drawing 또는 point-cloud data가 필요한 영역으로 간주해야 합니다. agent의 QC gate는 reconstruction pipeline의 내부 일관성을 확인할 뿐이며, 외부 dimensional standard에 대한 적합성을 인증하거나 물리적 측정 프로토콜을 대체하지는 않습니다.