본문으로 건너뛰기

Workflow Lifecycle: Process Mining → DAG → 자가개선

Closed-Loop 워크플로우 관리 - 프로세스 발견부터 자동 개선까지의 전체 라이프사이클

개요​

ONESHIM의 워크플로우 관리는 4단계 Closed-Loop으로 동작합니다:

단계역할상세 문서
1. Process MiningERP/MES/CRM에서 실제 프로세스 발견process-mining.md
2. DAG 생성발견된 프로세스를 YAML DAG로 코드화이 문서
3. DAG 실행Celery 기반 워크플로우 실행dag-execution.md
4. 자가개선AI가 성능 분석 후 DAG 자동 수정자가개선 워크플로우

전체 라이프사이클 상세​

📄 DAG YAML 구조​

기본 구조​

# workflow.yaml - DAG 워크플로우 정의
apiVersion: oneshim/v1
kind: Workflow
metadata:
  name: anomaly-detection-workflow
  version: 1.2.0
  created_from: process-mining  # Process Mining에서 자동 생성됨
  discovered_at: 2026-01-14T10:30:00Z

spec:
  triggers:
    - type: schedule
      cron: "*/5 * * * *"  # 5분마다
    - type: event
      source: sensor.anomaly_detected

  steps:
    # 병렬 데이터 수집
    - id: collect_sensor_data
      name: 센서 데이터 수집
      type: task
      handler: integration_hub.collect_sensor_data
      timeout: 30s
      parallel_group: data_collection

    - id: collect_log_data
      name: 로그 데이터 수집
      type: task
      handler: integration_hub.collect_log_data
      timeout: 30s
      parallel_group: data_collection

    # 순차 분석
    - id: merge_data
      name: 데이터 병합
      type: task
      handler: workflow.merge_data
      depends_on:
        - collect_sensor_data
        - collect_log_data

    - id: ai_analysis
      name: AI 이상 탐지
      type: task
      handler: ai_intelligence.detect_anomaly
      depends_on:
        - merge_data
      config:
        model: anomaly_detector_v3
        threshold: 0.85

    # 조건부 알림 (병렬)
    - id: slack_alert
      name: Slack 알림
      type: task
      handler: notification.send_slack
      depends_on:
        - ai_analysis
      condition: "{{ ai_analysis.severity >= 'high' }}"
      parallel_group: notification

    - id: email_alert
      name: 이메일 알림
      type: task
      handler: notification.send_email
      depends_on:
        - ai_analysis
      condition: "{{ ai_analysis.severity >= 'critical' }}"
      parallel_group: notification

  # 자가개선 설정
  self_improvement:
    enabled: true
    min_executions: 100  # 최소 100회 실행 후 분석
    auto_apply: false    # 승인 후 적용
    metrics:
      - execution_time
      - success_rate
      - resource_usage

DAG 시각화​

자가개선: YAML 자동 수정​

Step 추가 (Add)​

AI가 병목을 발견하고 새 단계를 제안:

# 🔴 Before: 병목 발견 - merge_data가 느림
steps:
  - id: merge_data
    handler: workflow.merge_data
    # 평균 5초 소요 (병목)

# 🟢 After: AI 제안 - 캐시 단계 추가
steps:
  - id: check_cache           # ✅ 새로 추가
    name: 캐시 확인
    type: task
    handler: cache.check_recent_merge
    depends_on:
      - collect_sensor_data
      - collect_log_data

  - id: merge_data
    handler: workflow.merge_data
    depends_on:
      - check_cache
    condition: "{{ check_cache.hit == false }}"  # 캐시 미스 시만 실행

Step 수정 (Modify)​

# 🔴 Before: 타임아웃 부족
- id: ai_analysis
  timeout: 10s  # 자주 타임아웃 발생

# 🟢 After: AI 분석 결과 기반 조정
- id: ai_analysis
  timeout: 30s              # ✅ 타임아웃 증가
  retry:                    # ✅ 재시도 추가
    max_attempts: 3
    backoff: exponential
  config:
    model: anomaly_detector_v4  # ✅ 경량 모델로 변경

Step 삭제 (Delete)​

# 🔴 Before: 불필요한 단계 발견
steps:
  - id: legacy_validation    # AI 분석: 99% 항상 통과, 1.5초 낭비
    name: 레거시 검증
    handler: validation.legacy_check

# 🟢 After: AI 제안으로 삭제
# legacy_validation 단계 제거됨
# 효과: 실행 시간 1.5초 단축

시퀀스: Process Mining → DAG 생성​

시퀀스: 자가개선 Closed Loop​

Closed Loop 전체 흐름​

효과 비교​

항목기존 방식ONESHIM Lifecycle개선율
프로세스 발견컨설팅 6개월Process Mining 1주-96%
DAG 작성수동 코딩 2주자동 생성 1시간-99%
워크플로우 개선3-6개월/건1시간/건-99%
개선 반영수동 배포Git PR 자동자동화
연간 개선 횟수2-4건무제한∞

관련 문서​

상세 단계별 문서​

관련 아키텍처​

고유 기능​

최종 업데이트: 2026-01-14