매스웍스는 기초과학연구원(IBS)과 국내 기초과학 연구를 위한 고성능 컴퓨팅 접근성 확대를 목표로 호스팅 계약을 체결했다고 전했다. 이번 협력은 국내 매트랩(MATLAB) 사용자들이 기초과학연구원의 공유 슈퍼컴퓨팅 인프라를 통해 대규모 워크플로를 실행할 수 있도록 지원하기 위해 마련했다. 매스웍스는 이를 통해 정부출연연구기관과 연구중심 대학의 연구자들이 다양한 기초과학 분야에서 대규모 매트랩 워크로드를 효율적으로 수행할 수 있을 것으로 기대하고 있다. 이번 계약에 따라 연구자들은 기초과학연구원의 고성능 컴퓨팅(HPC) 시스템인 올라프(Olaf)와 알레프(Aleph)에서 매트랩 패러렐 서버(MATLAB Parallel Server)를 활용할 수 있다. 이 시스템을 이용하면 고성능 연산 및 연산 집약적 시뮬레이션이 가능하다. 또한 매트랩의 병렬 컴퓨팅 기능을 활용해 대규모 데이터 분석, 모델링, 알고리즘 개발 등 복잡한 연구 워크플로를 수학, 물리학, 화학, 생명과학 등 여러 분야에 걸쳐 수행할 수 있다. 양 기관은 이번 협력을 통해 한국 기초과학 분야의 대규모 연산 및 시뮬레이션 연구를 가속화할 수 있을 것으로 보고 있다.     기초과학연구원의 김경훈 리서치설루션센터장은 “매스웍스와 협력해 연구자들이 매트랩을 대규모 환경에서 더 손쉽게 활용할 수 있는 기반을 마련했다”면서, “이번 협력이 현대 기초과학 연구에 필수적인 연산 중심 연구 워크플로를 한층 강화하는 데 기여할 것으로 기대한다”고 말했다. 매스웍스코리아의 김광식 영업 매니저는 “이번 협약은 공유 HPC 환경을 통해 첨단 연산 도구의 접근성을 높이고 기초과학 분야를 지원하려는 매스웍스의 의지를 보여준다”면서, “연구자들이 이미 신뢰해온 도구를 기반으로 필요한 규모의 컴퓨팅 환경을 활용해 연구의 한계를 확장해 나갈 수 있을 것으로 기대한다”고 밝혔다.

앤시스를 인수한 시높시스는 지난 3월 미국 새너제이에서 열린 ‘엔비디아 GTC 2026’에서 아날로그 디바이스(ADI)와 협력해 데이터센터 케이블 관리용 산업 로봇의 피지컬 AI 시뮬레이션 기술을 공개했다. 이번 기술은 로봇의 학습과 성능 검증을 목표로 한다. AI 수요가 폭발하며 전 세계 데이터센터 건설이 급격히 늘어나는 가운데 수만 개의 케이블을 관리하는 로봇이 차세대 과제로 떠오르고 있다. 하이퍼스케일 데이터센터는 방대한 연산과 저장 수요를 처리하는 수천 대의 서버를 갖춘 시설로, 수만 평방피트의 공간과 수 킬로미터에 이르는 연결 케이블로 구성된다. 이러한 규모에서는 작은 비효율도 큰 손실로 이어진다. 이에 따라 산업용 로봇이 도입되고 있지만, 케이블은 다루기 까다로운 대상으로 꼽힌다. 인간에게는 당연한 이더넷 케이블 연결 동작도 로봇을 학습시키는 과정에서는 매우 복잡한 작업이 된다. 앤시스의 키쇼르 라마스와미 애플리케이션 엔지니어링 디렉터는 “로봇에게 당연한 것이란 없다. 어떤 포트에 꽂아야 하는지, 케이블을 얼마나 단단히 쥐고 커넥터를 얼마나 세게 눌러야 부러지지 않고 연결되는지 등을 모두 고려해야 한다”고 설명했다. 데이터센터의 급증은 시뮬레이션 기반의 빠른 해결책을 요구한다. 현실 세계에서 로봇을 직접 학습시키거나 물리적 시제품을 여러 번 제작할 시간적 여유가 부족하기 때문이다. 로봇은 성능 평가를 위한 표준 벤치마크를 기반으로 합성 데이터를 통해 학습해야 한다. 이러한 방식은 고품질 제품을 적기에 시장에 출시하는 데 기여한다.     ADI는 앤시스 메카니컬(Ansys Mechanical) 유한요소해석 소프트웨어를 활용해 케이블과 커넥터 모델의 물리적 정밀도를 높이고 있다. 이는 엔비디아 아이작 심(NVIDIA Isaac Sim) 환경에서 로봇 정책의 학습과 검증에 사용된다. 아이작 심은 물리 기반 가상 환경에서 AI 로보틱스 설루션을 시뮬레이션하고 테스트하는 오픈소스 프레임워크다. 앤시스 메카니컬은 고정밀 물리 해석을 제공해 가상과 현실의 격차를 줄인다. 연결 동작에 필요한 각도 제한과 파단력, 탄성 등 물리 엔진 파라미터를 산출하며 이는 오픈USD 애셋으로 패키징되어 ADI의 아이작 심 환경에 통합된다. 구조 시뮬레이션 외에도 앤시스 AV엑셀러레이트 센서(Ansys AVxcelerate Sensors)를 이용해 3D 인식 시스템의 정확도와 성능을 높일 수 있다. 한편, ADI는 고정밀 디지털 트윈을 제공하여 고객이 엔비디아 아이작 랩(NVIDIA Isaac Lab)에서 AI 설루션 개발을 즉시 시작할 수 있도록 지원한다. 아이작 랩은 모방 학습과 강화 학습을 지원하는 통합 로봇 학습 프레임워크다. 가와사키 중공업을 포함한 초기 도입 기업들은 ADI의 플랫폼을 통해 로봇 성능 시뮬레이션과 합성 데이터 생성을 진행하며 혁신을 가속하고 있다. ADI는 시뮬레이션 결과를 바탕으로 자사의 로보틱스 설루션을 발전시킬 계획이다. 습득한 지식은 산업 전반의 발전을 위해 벤치마크로 공유한다. ADI의 폴 골딩 에지 AI 부문 부사장은 “시높시스의 다중물리 시뮬레이션은 현실적인 로봇 테스트 벤치를 구현하는 핵심 요소다. 엔비디아와 함께 산업용 정밀 작업에 적용할 수 있는 디지털 트윈을 만들어가고 있다”고 밝혔다.

데이터 사일로 해소부터 거버넌스 수립까지, 전사 협업의 효율 혁신   본격적인 3D 협업을 위한 첫 단추는 흩어진 데이터를 효율적으로 통합하는 팀 환경을 구축하는 것이다. 이번 호에서는 공통 라이브러리에 모든 3D 데이터 소스를 연결하고, 엔지니어링부터 운영 단계까지 모든 팀이 3D 애셋에 안전하게 접근하면서 데이터 임포트 시 정보 손실을 최소화하는 방법을 소개한다. 목표는 새로운 툴을 배포하는 것 자체가 아니라, 부가 가치를 창출하지 않는 작업에 소요되는 시간을 줄이고 액세스 권한 및 규정 준수 정책을 적용할 때 발생하는 불필요한 관리 복잡성을 없애는 것이다. ■ 자료 제공 : 유니티 코리아     대부분의 산업 팀은 방대한 3D 애셋 데이터를 보유하고 있지만, 이러한 데이터는 여러 사일로에 분산되어 서로 다른 조직이 소유하고 있어 재사용하기가 어렵다. 이와 관련해 데이터가 서로 다른 곳에 있으면 사람들은 서로 다른 사실을 기반으로 결정을 내리게 되기 때문에 문제가 발생한다. 예를 들어, 교육 담당자는 엔지니어링 팀에서 이전에 라인 레이아웃을 업데이트했다는 사실을 모르고 신입 직원에게 VR 시뮬레이션을 그대로 제공할 수 있다. 결국 교육 담당자는 교육을 중단하고 최신 데이터를 반영하여 업데이트하거나, 신뢰할 수 없는 콘텐츠로 교육을 계속 진행할 수밖에 없다. 둘 다 시간과 신뢰성 면에서 비용이 발생하게 된다. 해결책은 모든 3D 애셋을 위한 단일 저장소를 구축하여 계층 구조와 메타데이터를 온전히 유지하면서, 필요한 사람에게만 승인된 모델에 대한 액세스 권한을 부여하는 것이다. 모두가 동일한 라이브러리에서 애셋을 가져오면 버전 불일치가 해결되고 재작업의 필요성이 없어지며, 누가 무엇을 변경했는지에 대한 가시성도 확보할 수 있다.   단절의 원인 : 분산된 데이터와 중복 작업 산업 데이터는 어디에나 존재하지만, 서로 연결되어 있는 경우는 별로 없다. 유니티의 산업 부문 수석 부사장 겸 제너럴 매니저인 사라 래시는 “디자이너나 건축가는 CAD나 BIM(건설 정보 모델링)에 액세스할 수 있지만, 엔지니어는 해당 소프트웨어를 사용하지 않는 경우가 있어 결국 팀이 모델을 처음부터 다시 만드는 상황이 발생한다”고 전했다. 이런 사일로(silo) 현상은 운영 또는 기술적 격차로 인해 발생하는 경우가 많다. 예를 들어 엔지니어링 팀은 CAD 파일을 PLM(제품 수명주기 관리) 시스템에 저장할 수 있는 반면, 다른 팀은 사본을 별도의 드라이브나 앱으로 익스포트하므로 결국 동일한 애셋의 여러 버전이 존재하게 된다. 래시 수석 부사장은 “가장 흔한 문제는 동일한 모델의 두 가지 다른 버전으로 작업하는 것이다. 이러면 사실상 재작업을 할 수밖에 없게 된다”고 말했다. 어쩔 수 없이 여러 플랫폼, 툴, 포맷을 사용해야 하는 경우도 많지만, 이는 애셋을 추적하고 공유하는 작업을 어렵게 만든다. 그 결과 생산성이 저하되고 올바른 애셋을 찾는 데 몇 시간씩 허비하게 되며, 어떤 것이 정확한 버전인지 쉽게 알 수 없기 때문에 이미 존재하는 애셋을 다시 만드는 일까지 발생한다. 유니티 산업 고객 성공 부문의 시니어 디렉터인 헤닝 린은 “중복의 위험이 높으면 재작업이 필요한 경우가 많아진다. 애셋이 서로 일치하지 않고 팀이 동일한 소스 파일로 작업하지 않기 때문”이라고 설명했다. 이러한 불일치는 교육이나 납품 같은 후속 단계에서 드러나며, 이는 재작업, 일정 지연, 일관성 없는 경험으로 이어져 애셋 관리의 복잡성을 키운다. 그러나 그로 인한 대가는 기술적인 영역에 그치지 않는다. 이는 부서 간 신뢰뿐만 아니라 브랜드와 고객 간의 신뢰까지 약화시킬 수 있다. 결국 교육 담당자는 신규 직원을 위한 온보딩이 길어지고 일관성이 없어지더라도, 오래 되거나 검증되지 않은 모델로 세션을 시작하는 것을 피하고 싶어 한다. 다른 팀은 생산성을 유지하기 위해 ‘섀도(shadow)’ 라이브러리를 구축하게 되고, IT 팀은 통제되지 않는 환경을 보호하고 관리하느라 분주해진다. 이처럼 공통된 기반이 없으면 모든 신규 프로젝트를 처음부터 다시 시작해야 한다.   연결 대상 : 중요한 데이터를 보존하는 중앙화된 저장소 구축 3D 애셋 라이브러리는 여러 툴과 플랫폼에 걸쳐 있을 가능성이 높기 때문에, 기존에 보유한 모델을 활용하려면 먼저 유니티 애셋 매니저(Unity Asset Manager)와 같이 중앙화된 저장소로 모든 데이터를 임포트해야 한다. 이렇게 하면 이미 보유하고 있는 애셋을 다시 만들 필요가 없다. 린 시니어 디렉터는 “유니티를 활용하면 관련된 모든 데이터를 선호하는 방식으로 높은 품질을 유지하며 임포트할 수 있다. 사실상 업계에서 유니티가 지원하지 못하는 파일 포맷은 거의 없다”면서, “데이터를 통합된 포맷으로 변환하고, 필요에 따라 보강하며 모든 변경 사항을 추적하면 애셋의 전체 라이프사이클 동안 관리가 훨씬 쉬워진다”고 전했다.     데이터를 통합하기 전에, 무엇을 왜 연결하는지를 먼저 이해해야 한다. 대부분의 산업용 3D 파이프라인은 구조와 우선순위가 서로 다른 네 가지 주요 데이터 소스에서 데이터를 가져온다. CAD 모델은 보통 PLM 시스템에 저장되며 부품, 어셈블리, 기계적 프로퍼티에 대한 기본 기준이 되는 데이터 소스이다. BIM 모델은 건물 및 인프라 데이터를 포함하고, 풍부한 공간 및 규정 준수 관련 메타데이터를 갖추고 있으며, 보통 BIM 소프트웨어나 AEC   (건축, 엔지니어링 및 건설) 저장소에 저장된다. 디지털 콘텐츠 제작 툴에서 생성된 메시는 마케팅, 교육, 사용자 경험 등의 영역에서 사용되는 시각화 애셋을 포함하며, 기술적 디테일보다는 시각적 정확도에 최적화된 경우가 많다. XR(확장현실) 및 VR(가상현실) 애플리케이션에서 흔히 사용되는 포인트 클라우드(점군)와 스캔 데이터는 레이저 스캐닝이나 사진 측량 등을 통해 캡처된 데이터를 포함한다. 각 소스는 동일한 실물 애셋(제품, 어셈블리 라인, 전체 시설)을 서로 다른 관점에서 표현한다. 여기에는 기능, 공간, 형상이 포함되며, XR용 포인트 클라우드의 경우 실제로 구축된 물리적 상태가 이에 해당한다. 애셋 라이브러리 규모에 따라 우선순위를 정해야 하므로 팀에서 가장 많이 재사용하는 모델부터 시작하는 것이 좋다. 출처와 관계 없이 공통으로 필요한 사항은 임포트 과정에서 컨텍스트를 유지하는 것이다. 중요한 메타데이터가 손실되면 결국 재작업을 진행해야 하기 때문이다. 임포트 전에는 절대 손실되어서는 안 되는 메타데이터 필드를 식별한다. 린 시니어 디렉터는 “항상 식별자뿐만 아니라 높이, 무게와 같은 기술적 속성을 유지하고, 모든 애셋에 이름과 버전을 지정하여 추적과 사용이 용이하도록 해야 한다”고 덧붙였다. 일부 필드는 항상 온전하게 유지되어야 한다. 부품 번호, 버전 코드 또는 고유 ID와 같은 식별자를 사용하면 애셋의 진위 여부를 확인하기 위해 원본 소스로 추적하는 작업이 더 쉬워진다. 병합된 메시가 아닌 계층 구조 및 그룹 메타데이터는 부품이 어떻게 결합되는지, 시설이 어떻게 구성되는지를 보여 주며, 엔지니어가 필요에 따라 부품을 분리하거나 교체할 수 있도록 돕는다. 밀도나 인장 강도와 같은 머티리얼 및 단위 정보, 이름이나 공급업체와 같은 설명 정보를 활용하면 애셋이 올바른 형상과 동작을 유지하도록 할 수 있다. 이러한 세부 정보를 보존하면 모델을 다양한 애플리케이션 전반에서 유용하게 사용할 수 있지만, 그렇지 않으면 목적과 단절된 단순 참고용 이미지에 불과하게 된다. 린 시니어 디렉터는 “항상 식별자뿐만 아니라 높이, 무게와 같은 기술적 속성을 유지하고, 모든 애셋에 이름과 버전을 지정하여 추적과 사용이 용이하게 만들어야 한다”고 조언했다.     애셋 임포트를 위한 처리 애셋은 임포트 전과 임포트 과정에서 적절한 가공을 거쳐야 하며, 저장소의 상태를 양호하게 유지하기 위해 피해야 할 몇 가지 일반적인 함정이 있다. 이는 3D 데이터 세트가 극도로 복잡해질 수 있는 대규모 제조나 건설 분야에서 특히 중요하다. 예를 들어, 공장 전체의 디지털 트윈이나 자동차의 전체 모델은 수만 개, 혹은 수십만 개의 부품으로 구성될 수 있다. 이 경우 가장 강력한 소프트웨어와 하드웨어에도 부담이 가해질 수 있기 때문에 마이크로칩, 커넥터, 기계 부품과 같은 더 작은 논리적 그룹으로 분해하면 임포트 작업을 효율적으로 관리할 수 있다. 유니티의 애셋 트랜스포머 툴킷(Asset Transformer Toolkit)과 같이 3D 데이터를 준비하는 소프트웨어는 널리 사용되는 다양한 CAD 및 BIM 포맷을 지원하고, 구조와 메타데이터를 보존하며, 필요에 따라 임포트 과정에서 모델을 자동으로 단순화하고 표준화함으로써 이러한 과제를 해결하도록 설계되었다. 예를 들어, 직원 교육을 위한 XR 시뮬레이션과 같은 실시간 활용 사례에서는 원본 CAD 파일에 포함된 모든 볼트나 리벳이 필요하지 않다. 여기서 중요한 것은 작업을 수행하는 데 충분한 현실감의 수준이다. 린 시니어 디렉터는 “최종 활용 지점에 따라 폴리곤 수를 소폭에서 최대 90%까지 줄일 수 있다”고 밝혔다.   ▲ 유니티 애셋 트랜스포머 플러그인   목표는 성능과 사용성을 최적화하기 위해 모델을 최대한 가볍게 유지하는 것이다. 교육 및 시뮬레이션 활용 사례에서는 매끄러운 프레임 속도를 유지하면서 최대한 높은 시각적 정확도를 달성하는 것이 목표이다. 헤드셋의 새로고침 속도와 일치하는 안정적인 프레임 속도를 목표로 해야 하며, 그보다 낮을 경우 사용자에게 불편함을 줄 수 있다. 3D 협업 및 디자인 리뷰에서는 일반적으로 엔지니어가 체결 요소나 인터페이스 등을 검토할 수 있도록 높은 기능적 디테일을 요구한다. 높은 폴리곤 수에 대한 부담을 더 원활하게 관리할 수 있도록, 가까운 거리에서만 렌더링되는 하위 어셈블리에 디테일 수준(LOD)을 사용하는 것이 좋다. 임베디드 시스템 및 산업 제어 장치와 같은 인간–기계 인터페이스는 그래픽 처리 성능이 제한적인 경우가 많으므로, 최대한 낮은 복잡도를 목표로 하고 미리 베이크된 조명과 단순한 셰이더를 사용하는 것이 좋다. 고객 경험 애플리케이션은 타깃 기기의 다양성이 매우 크기 때문에 최적화가 어려울 수 있다. 시각적 정확도와 로딩 시간 사이의 균형을 목표로 하고, 중간급 사양의 모바일 기기와 주요 웹 브라우저에서 검증해야 한다. 일반적인 원칙으로는, 지원 계획이 있는 기기 중에서 가장 성능이 낮은 기기를 기준으로 단순화된 모델부터 테스트하는 것이 좋다. 그 후 성능이 허용하는 범위 내에서만 디테일을 추가하여 배포 후 모델이 과도하게 커져 수정해야 하는 상황을 피해야 한다. 예를 들어 임포트 단계에서 LOD를 생성하면 모든 애셋이 확장 가능한 디테일을 갖추게 되어, 향후 더 다양한 기기와 활용 사례에 유연하게 대응할 수 있다. 다만, 보편적으로 정해진 올바른 폴리곤 수는 없다. 중요한 것은 타깃 기기에서 프레임 속도와 로딩 시간 목표를 안정적으로 달성하는 방법이다. 린 시니어 디렉터는 “같은 애셋이라도 폴리곤 수는 수백만 개에서 수십만 개까지 줄어들 수 있다. 중요한 것은 모든 메타데이터가 연결된 동일한 소스 파일을 계속 사용하고 있다는 것”라고 전했다.   ▲ 제공 : HERE HMI   활용성 갖추기 : 거버넌스, 접근성 및 버전 관리 구축 애셋을 임포트하고 적절한 크기로 조정하고 나면, 다음 단계는 필요한 모든 역할에서 애셋에 안전하게 액세스하고 애셋을 쉽게 찾을 수 있도록 만드는 것이다. 이때 목표는 팀이 애셋을 어디서 찾아야 하는지 명확히 알면서도 관련 없는 애셋으로 인해 부담을 느끼지 않도록 하는 단일 라이브러리를 선별하는 것이다. 이를 위해서는 업무 속도를 저해하지 않으면서도 모든 업데이트가 프로젝트 전반에 반영되도록 완전한 감사 추적을 유지할 수 있는 권한 기반의 액세스 모델이 필요하다.   RBAC(역할 기반 액세스 제어) 린 시니어 디렉터는 “보통은 애셋의 임포트와 생성을 감독하는 관리자가 있고, 그 아래에 작업자와 검토자 역할이 있으면 충분하다”면서, 액세스 권한을 단순하게 유지할 것을 권장했다. 예를 들면 관리자는 구조와 표준을 정의하고, 사용자와 리텐션을 관리하며, 버전을 승인하거나 아카이브 처리할 수 있다. 이 사용자 그룹은 가능한 한 작게 유지하는 것이 좋다.     그 다음 계층에는 디자이너, 작업자, 편집자가 있을 수 있다. 이들은 새로운 애셋을 임포트하고 메타데이터를 편집하며 업데이트를 게시할 수 있으며, 필요 시 관리자 승인을 받아 작업을 수행할 수 있다. 이들이 라이브러리를 일상적으로 유지 관리하게 된다. 마지막으로 소비자 역할이 있는 직원은 승인된 애셋을 검색, 미리 보기 및 다운로드할 수 있지만, 수정하거나 게시할 수는 없다. 역할 기반 액세스 제어는 보안 측면에서도 매우 중요하다. 많은 산업용 3D 애셋 라이브러리에는 매우 민감한 정보가 포함되어 있으며, 그 중 일부는 규제 대상이 되기도 한다. 예를 들어 정부, 항공우주 또는 방위 분야의 수출 통제 설계 데이터는 엄격한 ‘알아야 할 필요성(need-to-know)’ 원칙, 완전한 감사 용이성, 엄격히 통제된 환경에서의 배포를 요구하는 연방 규정을 준수해야 한다. 린 시니어 디렉터는 규제가 엄격한 산업에서 운영하는 경우 가상 프라이빗 클라우드 배포를 사용할 것을 권장했다. 산업 분야와 관계 없이 반드시 지켜야 하는 내용은 다음과 같다. 항상 최소 권한의 원칙을 기본으로 하는 RBAC를 사용한다. 사용하는 플랫폼에서 전송 중인 데이터와 저장된 데이터를 모두 암호화한다. 버전별로 포괄적인 감사 로그와 승인 상태를 유지한다. 민감한 작업을 위해 프로젝트를 분리하고, 필요할 경우 데이터 상주 옵션을 적용한다.   ▲ 유니티 애셋 매니저 웹 인터페이스   버전 관리 및 감사 용이성 거버넌스는 보안과 규정 준수만을 의미하는 것이 아니라, 액세스와 활용을 용이하게 하기 위한 애셋 관리 표준화도 포함한다. 실제로 대부분의 거버넌스 문제는 모두가 모든 것을 바꿀 수 있거나, 누구도 아무것도 바꿀 수 없는 두 가지 극단적인 상황 중 하나에서 발생한다. 예를 들어, 교육 담당자가 엔지니어링 팀이 막 승인한 모델을 덮어쓸 수도 있다. 이는 반드시 부주의 때문이라기보다는, 대부분 명확한 버전 관리 체계의 부재로 인해 발생한다. 린 시니어 디렉터는 “동일한 애셋의 여러 브랜치 버전이 존재하는 경우가 많다. 이 모든 것을 일관적이고 표준화된 방식으로 관리해야 한다”고 조언했다. 여기서 버전 관리가 중요한 역할을 한다. 목표는 변경 사항이 명확하고, 되돌릴 수 있으며, 확실한 의도를 가지고 이루어지도록 하는 것이다. 결국 활용 가능한 애셋 라이브러리는 정기적으로 변경될 수밖에 없다. 공장의 디지털 트윈은 매주 레이아웃이 조금씩 조정될 수 있고, 교육 프로그램은 차세대 XR 헤드셋 출시를 앞두고 새로운 모델로 업데이트될 수 있다. 선형적인 버전 이력(v1.0, v1.1 등)과 애셋 상태(초안, 검토 중, 승인됨, 폐기됨 등)를 적용하여, 라이브러리를 계속해서 변화하는 SSOT(Single Source of Truth)로 관리해야 한다. 많은 산업 환경에서 엔지니어링 팀은 공식 설계를 위한 원본 CAD 파일을 유지 관리한다. 그러나 시각화 또는 교육 팀은 일반적으로 특정 목적에 맞게 최적화된 동일한 모델의 실시간 버전을 사용한다. 이러한 애셋은 병합이 아니라 연결되어야 하며, 그렇지 않으면 시각화용 모델이 어떤 CAD 버전에서 파생되었는지 알 수가 없다. 예를 들면 엔지니어링 팀이 도면을 업데이트하더라도 몇 달 전에 제작된 교육용 모델에는 이전 버전이 그대로 반영되어 있을 수 있으며, 이 사실을 아무도 모를 수 있다. 이는 감사 용이성을 훼손하고 잘못된 설정으로 학습하는 등의 오류로 이어질 수 있다는 점에서 문제가 된다. 모델 변형(variant)의 경우, 단순히 새로운 이름으로 복사본을 만드는 대신 해당 범위와 목적에 따라 태그를 지정하는 것이 좋다. 예를 들어 자동차 제조업체는 지리적 지역, 운전석 위치 폼 팩터 기준으로 태그를 지정할 수 있다. 이렇게 하면 기본 부품이 변경될 때 어떤 변형을 업데이트해야 하는지 정확히 알 수 있다. 마찬가지로 교육에 사용되는 단순화된 모델과 같은 특정 기본 모델의 파생 모델이 있다면, 이를 파생 모델로 표시하되 원본 소스와 해당 CAD 수정 버전에 대한 참조를 유지해야 한다. 이렇게 하면 교육 담당자가 XR/VR 시뮬레이션에 사용되는 단순화된 메시를 엔지니어링 팀의 공식 원본과 혼동하지 않게 된다. 물론 이처럼 세분화된 수준의 버전 관리도 사용성을 높이는 데 매우 중요하지만, 대규모로 구현하기는 매우 어렵기 때문에 자동화가 필수이다. 최신 3D 애셋 매니저(3D Asset Manager)는 일반적으로 대량 작업을 수행하기 위한 커맨드 라인 인터페이스(CLI)뿐만 아니라 새로 임포트 또는 업데이트된 애셋에 대한 메타데이터, 미리보기 및 태그를 생성하는 이벤트 기반 자동화 기능을 포함한다.   ▲ 애셋 매니저 팩토리   적절한 애셋 매니저를 통해 수행할 수 있는 운영 변경 사항의 간단한 체크리스트는 다음과 같다. 관리자, 작업자, 소비자로 구성된 3 역할 모델을 도입한다. 추가 승인이 필요한 프로젝트에는 승인 역할을 추가한다. 애셋 ID, 수정 번호, 원본 소스, 소유자 및 승인 상태와 같은 필수 메타데이터 필드를 매핑하고, 대부분의 사용자에게 기본적으로 승인된 뷰를 설정한다. 배리언트 및 파생 모델에 명확한 레이블을 지정하고 가능한 경우 업데이트를 자동화하여, CAD 수정 버전을 해당 실시간 대응 항목과 연결한다.   시작하기 : 30일 체크리스트 애셋을 임포트, 최적화 및 관리하고 나면 마지막 단계는 새로운 시스템을 일상 업무에 적용하는 것이다. 그런 다음 교육, 제품 개발, 고객 경험 또는 그 밖의 목적으로 실제 비즈니스 성과를 창출하는 몰입형 경험을 만들어 통합 3D 애셋 라이브러리의 가치를 빠르게 입증할 수 있다. 30일 이내에 수행할 수 있는 작업을 간단히 요약하면 다음과 같다. 데이터 소스와 해당 소유자를 목록화한다. 파일럿으로 진행할 대표 모델 한두 개를 선정한다. 보존할 메타데이터 필드를 결정한다. 임포트 과정을 테스트하여 게시 사이클을 최적화한다. 액세스 제어 및 감사 추적을 설정한다.     ■ 기사 내용은 PDF로도 제공됩니다.

영화의 복잡한 샷에서 빠른 반복 작업을 지원한 언리얼 엔진   1930년대 미시시피 델타를 배경으로 한 ‘씨너스 : 죄인들(Sinners)’은 인종 분리 및 차별을 명시적으로 인정하던 짐크로(Jim Crow)법 시대, 미국 남부의 고향으로 돌아온 쌍둥이 형제가 초자연적인 악과 마주하게 되는 이야기를 그린 공포 영화이다. 이 영화는 고도의 기술력이 필요한 시퀀스 촬영을 활용했다. 스티칭 기법을 사용해 IMAX(아이맥스)로 촬영한 장면들을 정교하게 이어 붙여 마치 한 호흡처럼 전개되는 음악 몽타주를 구성했으며, 시대 고증에 충실하면서도 영화적 완성도를 갖춘 대규모 기차 도착 장면도 구현해야 했다. 이 모든 작업을 빠듯한 제작 환경 속에서 진행하는 것은 쉽지 않았다. 이를 위해 팀은 언리얼 엔진을 중심으로 구축된 리얼타임 시각화 워크플로를 적극 활용했다. 언리얼 엔진을 단순한 프리비즈 툴 역할을 넘어서, 실제 촬영이 시작되기 훨씬 전부터 아이디어를 탐색하고 조율하며, 제작진의 방향을 맞출 수 있는 공동 창작 공간으로 역할을 수행했다. ■ 자료 제공 : 에픽게임즈     영화 제작 파이프라인의 재구성 일반적인 VFX 워크플로에서는 아티스트들이 파이프라인의 후반부에 합류하는 경우가 많아, 연출 방향이 대부분 확정된 뒤에야 샷 작업을 시작하게 된다. ‘씨너스 : 죄인들’이 아카데미상을 수상한 데에는 바라붐!(Baraboom) 의 마이클 랄라(Michael Ralla) VFX 슈퍼바이저와 에미상 수상자인 페페 발렌시아(Pepe Valencia) 시각화 슈퍼바이저가 큰 기여를 했다. ‘씨너스 : 죄인들’ 제작 팀에 참여한 마이클 랄라 VFX 슈퍼바이저는 이렇게 스토리와 동떨어진 상태에서 작업하게 되는 상황을 피하고자 했다. 그는 “컴포지터로 일하다 보면 보통 파이프라인의 마지막 단계에서 작업하게 된다. 원래의 연출 의도를 충분히 이해하지 못한 채, 다른 사람이 이미 만들어 놓은 작업을 마무리해야 한다”고 말했다.     언리얼 펠로우십을 통해 언리얼 엔진을 경험한 뒤, 랄라는 다른 접근 방식을 발견했다. 시각화를 실시간으로 이뤄내고, 영화 제작진과 긴밀하게 협업하며, 단순한 기술 구현을 넘어 스토리를 위해 활용하는 방식이었다. 이러한 생각은 페페 발렌시아 시각화 슈퍼바이저의 생각과도 일치했다. 발렌시아는 스토리텔러의 관점으로 시각화에 접근하고자 했기 때문이다. 랄라가 처음 연락했을 때, 발렌시아는 예산이나 일정에 대해 묻지 않고 대신 이렇게 물었다. ”대본을 읽어볼 수 있을까요?” 그 한마디가 전체 협업의 분위기를 결정지었다.   처음부터 맞춰진 공통의 방향성 ‘씨너스 : 죄인들’에서 가장 인상적인 장면 중 하나는 1930년대 미시시피의 주크 조인트를 배경으로 한 몽환적인 핵심 뮤지컬 시퀀스다. 이 장면에서는 마일스 케이튼이 연기한 새미의 블루스 공연을 계기로, 흑인 음악의 여러 시대가 뒤섞이며 시간의 경계를 넘나드는 순간이 펼쳐진다. 랄라는 “처음 대본을 읽었을 때, 가장 눈에 띈 독특한 장면은 ‘초현실적 몽타주’라고 하는 시퀀스였다. 새미가 무아지경에 빠진 듯 연주를 시작하면, 어느 순간 역사를 가로지르는 경험을 하게 된다”고 말했다. 이 초현실적 몽타주는 서아프리카의 드럼 연주부터 블루스, 펑크, 힙합까지 아우르며 마치 영혼을 불러내는 의식처럼 펼쳐진다.     그 장면은 대본을 읽는 순간 생생하게 눈앞에 그려졌지만, 각자가 머릿속에 떠올린 모습은 조금씩 달랐다. 대표적으로 랄라는 몽타주 속 인물을 반투명한 유령처럼 떠다니는 존재로 상상했다. 랄라는 “그 장면에 대해 다른 사람들과 이야기해 보니, 다들 ‘그게 무슨 뜻이죠?’라는 반응이었다”고 말하기도 했다. 팀 전체가 같은 그림을 공유하고 이 시퀀스가 품은 다양한 예술적 시도를 함께 탐색할 방법이 필요했다. 여기서 언리얼 엔진이 진가를 발휘했다. 언리얼 엔진은 누구나 이해할 수 있는 공통의 언어가 되어, 시퀀스를 함께 확인하고 바로 재생해볼 수 있게 해주었다. 발렌시아는 대본, 프로덕션 디자인 팀이 촬영한 평면도, 촬영 감독이 손으로 그린 카메라 경로, 그리고 여러 세대에 걸친 등장 인물 목록 등 몇 가지 자료만으로 언리얼 엔진에서 시퀀스 제작을 시작했다.   ▲ 언리얼 엔진 웹사이트 영상 캡처   이에 단 이틀 만에 첫 번째 시각화 버전이 완성되었다. 빠른 제작 속도는 각자의 해석을 두고 논쟁하는 대신, 모든 부서가 동일한 시퀀스를 함께 보면서 무엇이 잘 작동하고 무엇이 그렇지 않은지를 아직 수정이 가능한 시점에 논의할 수 있게 되었다. 추가 샷을 요청하는 편집 팀부터 릭 설치 공간과 배치를 계획하는 그립 팀까지 여러 부서에서 이 작업을 통해 각자의 문제를 해결할 수 있었다. ‘프리비즈’는 더 이상 단순한 하나의 결과가 아니었다. 랄라는 프리비즈가 “제작 전반에 걸쳐 활용하는 시각화”라고 설명했다.   빠른 문제 발견 언리얼 엔진을 활용한 기술적 시각화 덕분에 팀은 모든 계획을 실제 촬영과 동일한 조건에서 테스트하고, 잠재적 문제를 사전에 찾아낼 수 있었다. 초현실적 몽타주는 하나의 롱테이크처럼 느껴지도록 설계됐지만, 실제 촬영은 65mm IMAX 필름으로 진행되었다. 크고 무거운 카메라를 사용해야 했고, 필름 롤 길이에도 제한이 있었으며, 안무 및 동선 설계 역시 매우 복잡했다. 언리얼 엔진에서 시퀀스를 시각화함으로써 팀은 필름 길이상 촬영을 끊고 이어붙여야 할 스티치 지점을 미리 파악했다. 화면을 빠르게 돌려 전환하는 기법인 휩 팬 같은 전형적인 트릭에 기대지 않고 전환 방식을 설계했으며, 스테디캠 동선을 실제 물리적 제약에 맞춰 테스트할 수 있었다. 음악과 퍼포먼스 비트에 맞춰 타이밍을 맞춰보는 것도 가능했다. 촬영 현장에서 발견하기엔 너무 늦거나 해결하기엔 너무 어려웠을 문제를 언리얼 엔진 덕분에 조기에 찾아낼 수 있었다.     새로운 버전이 하루에 하나씩 나올 정도로 반복 작업도 매우 빠르게 이뤄졌다. 덕분에 제작진은 아이디어를 과감히 시도해 보고 무엇이 문제인지 확인한 뒤, 비용이 많이 드는 본격적인 촬영에 들어가기 전에 촬영을 다시 설계할 수 있었다. 랄라는“잘 안 되면, 빠르게 실패하고 넘어가면 된다”고 말했다. 길이가 제한된 고가의 IMAX 필름으로 작업하는 환경에서 아이디어를 시험해 보고 폐기하는 건 비용이 너무 많이 든다. 언리얼 엔진은 필름을 사용하기도 전에 다양한 아이디어를 탐색할 수 있는 길을 열어주었다. 속도는 제작 전 준비 단계에서뿐 아니라 실제 촬영 현장에서도 중요하게 작용했다. 기차 촬영 당시, 랄라는 휴대폰으로 레퍼런스 영상을 바로 찍어 발렌시아에게 전달하며 CG 기차를 추가한 빠른 시각화 버전을 요청했다. 발렌시아는 언리얼 엔진과 언리얼 엔진 마켓플레이스(현재 팹) 애셋을 사용해 다음 날 의사 결정에 사용할 수 있을 만큼 빠르게 결과를 만들었다. 중요한 건 완성도 높은 픽셀이 아니라, ‘과연 의도대로 작동할까?’라는 질문에 답하는 것이었다. 빠른 시각화는 곧 빠른 결정으로 이어졌다. 랄라는 아이디어가 의도대로 작동한다는 확신이 생기는 순간 지체 없이 다음 촬영으로 넘어갈 수 있었다고 말했다. 카메라를 실시간으로 움직이고, 화면을 공유하며, 아이디어를 즉시 조정하는 빠른 프로토타입 방식이 언리얼 엔진을 하나의 창작 공간으로 만들었다. 언리얼 엔진은 시간과 비용을 본격적으로 쏟아붓기 전에 다양한 결정을 미리 시험해 볼 수 있는 환경을 만들었다.     확신을 갖고 기획한 복잡한 샷 ‘씨너스 : 죄인들’에서 제작된 언리얼 엔진 기반 시각화는 일반적인 프리비즈 과정과 달리 촬영이 시작된 후에도 계속 활용되었다. 편집 과정에서 비어 있는 부분을 보완하는 데 활용됐고, 제작 후반에는 대체 샷을 탐색하는 데도 쓰였으며, 포스트 프로덕션 전반에 걸쳐 연출 의도를 유지하는 데 도움을 주었다. 편집자 마이클 쇼버(Michael Shawver)는 컷을 구성하기 위해 시각화 샷을 요청하고, 이를 임시 컷이자 편집 계획을 세우는 도구로 활용했다. 사실상 이 영화의 VFX 작업 중 상당 부분은 촬영 팀이 세트장에 들어가기 전부터 이미 시작되고 있었다. 랄라와 발렌시아에게 ‘씨너스 : 죄인들’에서 언리얼 엔진을 활용한다는 것은, 스토리에 대한 명확하고 공통된 이해를 제작 초기부터 만들어 모든 부서가 최고의 결과를 낼 수 있도록 하는 것을 의미했다. 랄라는 “연출 의도를 최대한 많은 사람들에게, 최대한 빨리 전달해야만 한다. 그래야 모두가 같은 방향을 바라볼 수 있다”고 말했다. 언리얼 엔진은 팀이 더 빠르게 움직이고, 더 긴밀하게 협업하며, 야심 찬 아이디어를 확신을 가지고 실행할 수 있도록 뒷받침했다. 이는 리얼타임 워크플로가 영화 제작 방식뿐만 아니라, 가장 중요한 연출적 선택이 내려지는 시점 자체를 바꾸고 있음을 보여준다.     ■ 기사 내용은 PDF로도 제공됩니다.

산업AI의 성패, 데이터의 ‘양’이 아닌 ‘맥락’으로 승부   지난 3월, 글로벌 산업 소프트웨어 시장에 의미 있는 변화가 일어났다. 헥사곤의 주요 소프트웨어 사업부가 분사해 ‘옥타브(Octave)’라는 독립 브랜드로 새롭게 출범한 것이다. 월드 IT 쇼(WIS) 2026 현장에서 만난 옥타브 산업 컨설팅 부문 김세환 기술 이사는 옥타브가 건설/플랜트/조선 분야를 리드해온 것에서 진일보하겠다는 포부를 밝혔다. 그리고 산업AI와 결합하여 전 산업 분야에서 라이프사이클을 아우르는 기업으로 거듭나겠다는 비전을 제시했다. ■ 최경화 국장     옥타브는 산업 및 인프라 자산의 설계(design)부터 구축(build), 운영(operate), 보호(protect)에 이르는 전 단계에 걸쳐 ‘라이프사이클 인텔리전스’를 제공하는 기업이다. 옥타브의 전신은 인터그래프로, 1969년에 플랜트 산업 분야의 데이터 관리와 3D 설계 설루션을 공급하는 회사로 설립되었다. 2010년 헥사곤AB(Hexagon AB)에서 인수 후 헥사곤 PPM (2017년)으로 명칭이 변경되었고, 설계를 넘어 자산의 전체 수명 주기 관리 업체로 변화한다는 의미에서 헥사곤 ALI(2022년)로 변경되어 온 바 있다. 옥타브의 설립은 헥사곤 내 헥사곤 ALI(애셋 라이프사이클 인텔리전스) 사업부, SIG(세이프티·인프라·지오스페이셜) 사업부, 브릭시스, ETQ, 프로젝트메이츠 사업부를 통합해 구성되었으며, 산업AI 시대에 소프트웨어 분야에 더욱 집중하기 위해 새롭게 설립되었다는 설명이다. 이 회사는 현재 45개국 이상의 고객사를 지원하고 있으며, 포춘 500대 기업의 약 60%가 옥타브 설루션을 활용하고 있다. 김세환 이사는 이번 분사가 단순히 조직의 분절이 아니라, 고객의 수요와 운영 현실을 반영한 전략적 선택이었다고 설명한다. “산업 간 연계가 깊어지면서 자산 생애주기 전반에서 데이터가 소실되는 문제가 빈번해졌고, 이를 해결하기 위해 보다 빠르고 단호한 투자가 가능한 독립 법인이 필요했다”는 것이다. 옥타브는 ‘인텔리전스를 규모 있게 실현한다’는 비전 아래, 복잡한 데이터를 실행 가능한 정보로 전환하는 데 집중하고 있다.   생성형 AI와 산업AI의 결정적 차이, 맥락 최근 생성형 AI 열풍이 거세지만, 김 이사는 산업 현장의 AI는 본질적으로 달라야 한다고 강조한다. 일반적인 AI가 폭넓은 정보를 바탕으로 답을 내놓는다면, 산업 AI는 실제 자산과 안전, 워크플로에 직결되는 ‘구조화된 도메인 특화 데이터’를 기반으로 삼아야 한다. 산업 환경에서의 오류는 안전과 품질, 비용에 치명적인 영향을 미치기 때문이다. 옥타브의 산업AI는 도면, 유지보수 이력, 운영 현황, 센서 데이터 등 맥락(context)화된 데이터를 기반으로 작동하며, 점검 우선순위를 정하거나 부품 발주 지침을 내리는 등 즉각 실행 가능한 인텔리전스를 제공한다.   AI 선도 전략으로 최적의 대안 제시 옥타브의 핵심 전략은 ‘AI 주도(AI-lead)’가 아닌 ‘AI 선도(AI-forward)’다. AI가 전문가를 대체하는 것이 아니라 위험 신호를 감지해 권고안을 제시하고, 최종 결정은 현장 전문가가 내리는 구조다. 데이터 통합이 단순히 정보를 모으는 것이라면, 맥락화는 그 데이터를 자산 및 리스크와의 관계 속에서 의미 있게 만드는 작업이다. 옥타브의 AI 전략은 데이터 맥락화, 임베디드 AI, 에이전틱(agentic) 워크플로, AI 네이티브 애플리케이션이라는 네 가지 축을 중심으로 구성된다. 김 이사는 AI 도입의 성패가 기술적 성숙도가 아닌 ‘데이터 준비도(data readiness)’에 달려 있다고 말한다. 데이터가 충분히 연결되고 맥락이 결합될 때 비로소 ‘AI가 즉시 활용 가능한 데이터’가 된다. 이러한 토대 없이 AI를 도입하면 성과 없이 비용만 발생할 가능성이 높다.   핵심 설루션 활용 : 옥타브 어튠 EAM과 옥타브 아리아 한국 산업 현장에서 가장 빠르게 현실화되고 있는 영역은 운영(operate) 도메인, 특히 데이터 맥락화와 임베디드 AI를 결합한 자산 성능 관리(APM) 및 예측 유지보수이다. 실제 현장에서 옥타브 어튠 EAM(Octave Attune EAM)은 작업 지시, 자산 추적, 재고 및 안전 관리를 통합적으로 지원하며, 생성형 AI 엔진인 옥타브 아리아(Octave Aria)는 설비 제조사 매뉴얼을 자동으로 읽어 예방 정비 항목을 정리하거나 공급업체 정보를 참조해 부품 가격을 자동 업데이트하는 등 현장 실무자의 반복 업무를 줄여준다. 에이전틱 워크플로와 AI 네이티브 애플리케이션은 현재 기술 개발 중에 있으며, 옥타브는 올해 에이전틱 AI 기능을 단계적으로 도입할 계획이다.   한국 산업계의 성공 사례와 기술 검증 옥타브는 에너지, 석유화학, 건설/플랜트(EPC), 제조 분야 등에서 주요 산업 고객들과 협력하고 있다. 대표적 사례로 에쓰오일(S-OIL)은 옥타브 Facets P&ID, 옥타브 Forte 3D 등의 설루션을 도입해 지능형 디지털 트윈 기반 운영 체계를 구축하였다. 현대건설 또한 옥타브와 MOU를 체결하고 스마트 EPC 분야의 디지털 전환을 추진 중이다. 이러한 기술력은 극한의 환경인 F1 레이싱 현장에서도 입증되고 있다. 옥타브는 VCARB(비자 캐시앱 레이싱 불스)와 파트너십을 맺고 옥타브 어튠을 통해 모든 부품과 장비, 공구를 실시간으로 관리한다. 단 하나의 실수도 허용되지 않는 F1 서킷에서 검증된 자산 가시성과 예측 유지보수 기술은 에너지, 인프라, 제조 운송 등 산업현장의 성과로 이어지고 있다.   데이터 연결과 준비를 통해 산업AI 경쟁력 강화 옥타브는 오는 2026년 3분기, 생애주기 전반의 데이터를 단일 스레드로 통합하고 에이전틱 서비스를 제공하는 단일 플랫폼을 출시할 예정이다. 김세환 이사는 향후 3~5년 내 산업 AI의 경쟁력이 AI 모델의 정교함이 아니라 ‘얼마나 연결되고 맥락화된 데이터 기반을 갖췄는가’에서 갈릴 것이라고 전망한다. 그는 한국 기업들에게 “AI에 투자하기 전, 데이터가 진정으로 AI 준비 상태(AI-ready)인지 확인하라”고 조언했다. 단편적인 효율 개선을 넘어 라이프사이클 전반의 데이터를 연결하는 변혁에 집중하는 조직만이 산업 AI 시대의 승자가 될 것이라는 분석이다.     ■ 기사 내용은 PDF로도 제공됩니다.

LG에너지솔루션 최호득 책임     ‘매트랩 엑스포 2026 코리아’에서 LG에너지솔루션의 최호득 책임은 MIL(model-inthe-loop) 환경에서 배터리 SOX 로직을 매트랩과 시뮬링크 도구를 활용하여 테스트 스위트를 구성하고, 이를 동적으로 검증하는 프로젝트를 소개했다.   – LG에너지솔루션 및 현재 맡은 업무에 대해 LG에너지솔루션은 자동차, IT 및 로봇, ESS(에너지 저장 시스템) 등에 필요한 배터리 셀, 배터리 팩, BMS(배터리 관리 시스템)를 제공하는 회사이다. 이 가운데 주로 자동차 배터리에 탑재되는 BMS의 기능 검증 및 검증 자동화 업무를 수행하고 있다. 최근에는 BMS 없이 가상 ECU를 검증하는 SIL(software-in-the-loop) 환경 구축이나, 개발된 특정 소프트웨어를 활용해서 모델 내에서 검증하는 MIL 검증을 진행하고 있다.   – 시뮬링크를 적용한 업무는 어떤 것이며, 시뮬링크를 적용하게 된 배경은 무엇인지 이번에 적용한 업무는 매트랩 툴박스(MATLAB Toolbox) 내에 있는 시뮬링크 테스트(Simulink Test)를 기존 테스트 환경에 반영하는 것이다. 시뮬링크 테스트는 시뮬링크 모델을 테스트 하네스(test harness)로 만들어 테스트 스위트를 구성하고 검증하는 방식이다. 개발팀은 주로 특정 모듈을 검증하지만, 검증팀은 대규모 개발 모델과 검증 모델을 통합하여 보다 정확한 검증을 위해 트랜지션(transition)을 사용할 수 있다. 또한, 기존에 사용하던 엑셀 기반의 시나리오 테스트 케이스를 매트릭스 구조로 읽어와 테스트 어세스먼트(test assessment) 블록에 이관하여 검증할 수 있어 검증 효율성을 높일 수 있다는 점에서 시뮬링크 테스트를 활용하게 되었다.   – 현재 시뮬링크를 어떻게 활용하고 있는지 현재 시뮬링크는 두 가지 측면에서 활용하고 있다. 첫 번째는 구성한 테스트 스위트를 활용하여 수동으로 검증할 때이다. 자동화 환경을 구성하기 전에 정의한 변수와 실행이 올바르게 이루어지는지 확인하고, 자동화 검증 결과에 이상이 있을 때 특정 포인트를 직접 눈으로 보면서 로직을 확인한다. 두 번째는 테스트 자동화를 위해 시뮬링크 모델을 래핑한 후, 엑셀에 설계된 테스트 시나리오를 기반으로 개발팀이 배포한 소프트웨어의 기능을 검증하는 목적으로 사용하고 있다.   – 시뮬링크 활용을 통해 얻은 효과에 대해 시뮬링크를 활용함으로써 얻은 효과로는 세 가지가 있다. 첫째는 직관성이다. 시뮬링크는 모델로 구성되어 시간적 순서에 따라 인과관계에 근거하여 동작한다. 이 때문에 구성된 로직이 시간의 순서에 맞추어 동작하는지, 주변 로직에서 영향을 받지 않는지 등의 디버깅이 용이하다. 두 번째는 모델 배포의 용이성이다. 특정 모델을 분리하여 동료에게 배포하기가 쉽다. 배포된 모델은 유닛 테스트 및 동료 검토(예 : Failure 시뮬레이션)가 용이하다. 코드가 아닌 모델로 구성되어 있기 때문에 로직을 보다 쉽게 이해할 수 있다. 마지막은 변수 제어이다. 시뮬링크를 사용하여 시뮬레이션을 진행할 때 시뮬레이션 중 변수 제어가 되지 않는 문제가 있었지만, 이번에 적용한 시뮬링크 테스트를 활용하면 특정 포인트에서 원하는 값을 제어하며 모델을 운영할 수 있다.   – 향후 시뮬링크의 활용 계획에 대해 향후에는 시뮬링크를 현재 수준으로 계속 활용하면서, 매트랩의 통계 함수와 연동하여 검증된 결과에 대한 통계 분석 등 후처리 시뮬레이션(post simulation)을 더욱 적극적으로 활용할 계획이다. 또한, 내장된 툴박스의 기능을 보다 많이 파악하여 현재까지 인지하지 못한 유용한 기능을 활용함으로써, 검증 품질을 높이고자 한다.   – 시뮬레이션 활용 확대를 위해 현업에서 어떤 부분을 고려해야 할지 자동차 및 ESS 프로젝트를 진행하면서 다양한 형태의 데이터 파일을 현장에서 받게 된다. 이러한 데이터를 쉽게 가져와 개발된 모델과 연동하여 사용하는 방법에 대한 고민이 필요하다. 또한, 기존 데이터를 의미 있는 범위 내에서 왜곡하여 시뮬레이션함으로써 로직의 강건성을 검증하는 방법에 대한 고민도 필요하다. 매트랩과 시뮬링크의 시뮬레이션 결과는 동적인 형태로 출력되는데, 이러한 패턴을 검증할 수 있는 기술 개발 역량 강화가 필요할 것 같다.   같이 보기 : [포커스] 매스웍스, MBD와 AI 결합으로 제조 혁신 가속화… “설계 복잡성 줄이고 신뢰성 높인다”