AI와 가상 부품 분해 기능을 통해 엔지니어링 효율 개선   BMW 그룹은 부품 검사 및 벤치마킹 과정의 물리적 한계를 극복하기 위한 설루션을 유니티와 협력하여 개발했다. 이 설루션은 복잡한 3D CAD 데이터를 기반으로 차량 부품을 가상 환경에서 자동으로 분해하고 고품질 이미지로 렌더링한다. 그리고, 여기에 생성된 시각 데이터와 부품 정보를 LLM(대규모 언어 모델)과 연계해 엔지니어링 분석과 설계 개선점을 빠르게 도출한다. BMW 그룹은 이를 통해 실물 분해 없이도 벤치마킹 속도를 높이고, 차량 개발 과정 전반의 비용 절감과 엔지니어링 효율을 개선하고 있다. ■ 자료 제공 : 유니티 코리아   자동차 엔지니어링 분야가 계속해서 진화하는 가운데, 제품의 복잡한 세부 사항을 이해하고 모든 구성 요소를 최적화하는 것이 그 어느 때보다 중요하다. 기존에는 실물 검사를 직접 수행해야 했는데, 이는 많은 리소스와 시간을 소모하며 확장성이 떨어지는 방식이다. 하지만 공구를 전혀 사용하지 않고도 자동차 부품을 분해할 수 있다면 어떨까? BMW 그룹 개발 전략 부서의 AI 기반 활동 테크니컬 프로젝트 리드인 사보 아사닌 박사는 바로 이 문제의 돌파구를 찾고자 했다. 목표는 자동차 부품의 철저한 기술적 분석을 통해 서로 다른 디자인 콘셉트를 비교하는 것이었다. 아사닌 박사의 팀은 유니티와의 협업을 통해 물리적 제약을 뛰어넘는 데 성공했다. 이 팀은 실시간 3D 데이터와 LLM을 결합하여 디자인 콘셉트 비교 및 벤치마킹 프로세스를 자동화하는 새로운 툴 ‘버추얼 테어타운 어시스턴트(Virtual Teardown Assistant)’를 개발했다.   디지털 확장으로 물리적 한계를 극복하다 아사닌 박사의 설명에 따르면 BMW 그룹은 오랫동안 주로 수동 검사를 통해 부품을 분석해 왔다. 엔지니어는 부품을 직접 검사하거나 데이터베이스를 검색해 필요한 정보를 얻었다. 유효한 방식이기는 했지만 많은 리소스와 시간이 소모되었으며 확장성도 부족했다. BMW는 방대한 CAD 데이터를 보유하고 있었으므로, 문제는 데이터 부족이 아니었다. 실질적인 문제는 데이터의 접근성과 해석이 었다. 여러 세대에 걸친 차량 부품의 형상을 비교하기 위해서는 상당한 인적 리소스가 필요했다. 바로 여기서 BMW 그룹의 3D 마인(3D Mine)이 기반이 되어 핵심적인 역할을 한다. 3D 마인은 조직의 누구나 3D 데이터를 쉽게 활용할 수 있게 지원하는 중앙 집중식 설루션 역할을 한다. 버추얼 테어타운 어시스턴트는 이를 기반으로 구축되었으며 지능형 자동화 기능도 제공한다. 이 툴을 개발한 목표는 차량 부품의 형상을 비교해 잠재적인 개선 사항을 자동으로 찾아내고, 부품 분석의 핵심 작업을 AI가 수행하도록 함으로써 높은 확장성을 확보하는 것이었다.   ▲ 차량 모델의 각 시스템에 레이블이 지정된 모습을 보여주는 예시(제공 : BMW 그룹)    핵심 기술 : 유니티 애셋 매니저 및 파이프라인 자동화 버추얼 테어타운 어시스턴트를 제작하기 위해서는 단순한 3D 모델이 아니라, 해당 모델의 구성 요소를 인식하고 이해하는 시스템이 필요했다. 이 워크플로는 차량 전체 모델과 같은 복잡한 CAD 데이터에서 시작된다. 먼저 시스템이 유니티 애셋 매니저(Unity Asset Manager)와 파이프라인 자동화(Pipeline Automation)를 사용하여 차량을 좌석이나 제동 장치 등의 하위 구성 시스템으로 분해한다. 아사닌 박사가 설명한 것처럼, 이 워크플로는 CAD 모델을 가져와 구성 부품으로 분해한 뒤 각 부품에 서로 다른 컬러 코드를 지정하고 에디터에서 흰 배경을 바탕으로 각각의 ‘사진’을 촬영하는 과정이다. 이 과정은 모두 자동으로 진행된다. 바로 여기서 유니티의 엔터프라이즈 설루션이 진가를 발휘한다. 유니티 애셋 매니저 기반의 3D 마인 : SSOT(Single Source of Truth)로서 선택된 3D 모델과 관련 메타데이터 파일을 불러온다. 파이프라인 자동화 : 핵심 작업을 처리한다. 데이터를 기반으로 부품을 분리하여 모든 나사와 브래킷까지 확인할 수 있는 분해도를 생성하며, 고품질의 분석용 이미지를 렌더링한다.  이렇게 생성된 이미지는 부품 번호 및 치수와 같은 중요한 메타 데이터가 포함된 BOM(자재 명세서)과 함께 LLM에 제공된다. AI는 분해도를 살펴보고 데이터를 읽어 엔지니어링 분석 결과를 제공하며 이를 통해 경량화, 비용 절감, 기능 개선 기회를 대규모로 파악해낸다.   지금까지 확보한 인사이트와 비용 절감 효과 아사닌 박사의 팀은 처음 POC(Proof of Concept)를 시작했을 때 AI가 시각 데이터를 어떻게 처리할지 확신하지 못했다. 이처럼 어떤 결과가 나올지 알 수 없었음에도 제한된 형상 정보만으로도 모델이 잘 작동한다는 사실에 개발팀은 고무되었다. AI는 유용한 인사이트를 제공했으며 형상 정보를 정확하게 이해했다. 개발팀은 이미 주요 시스템에서 긍정적인 결과를 거두고 있다. 이러한 효율 향상은 상당한 의미를 지닌다. BMW는 차량의 다양한 시스템에 대한 파이프라인을 자동화함으로써 효율성을 높이고 엔지니어링 분석을 가속화하고 있다. 버추얼 테어타운 어시스턴트를 조직 전체에 도입하면 여러 팀에서 콘셉트, 디자인, 공급업체 설루션을 더욱 신속하고 일관성 있게 비교할 수 있다. 덕분에 벤치마킹 속도가 높아지고, 엔지니어가 개발 초기 단계에서 가장 유망한 옵션을 파악하는 데 도움이 된다.   협력을 통한 혁신 버추얼 테어타운 어시스턴트의 성공은 BMW 그룹과 유니티 간의 더욱 긴밀해진 협력 관계를 잘 나타낸다. 단순히 소프트웨어를 도입하는 데 그치지 않고, 함께 설루션을 공동 개발하는 것이다. 아사닌 박사의 팀은 유니티와 긴밀히 협력하면서 유니티의 고객 담당 팀으로부터 기술적 전문 지식을 직접 지원받았다. 그 결과 개발팀이 원하는 대로 고품질의 부품 시각화 성능은 그대로 갖추면서 많은 사람이 쉽게 사용할 수 있는 플랫폼이 탄생했다. BMW의 최종 사용자, 즉 차량 설계에 관해 중요한 결정을 내리는 엔지니어에게는 백엔드의 복잡성이 노출되지 않는다. 이들은 파일을 변환하는 애셋 트랜스포머 SDK(Asset Transformer SDK)와 같은 유니티 설루션이나 백그라운드에서 실행되는 파이프 라인 자동화 스크립트를 볼 수 없다. POC에 대한 피드백은 긍정적이었으며, 다른 여러 팀에서도 이 툴을 폭넓은 차량 부품에 적용하기를 희망하고 있다.   기술 심층 분석 : 버추얼 테어타운 어시스턴트의 구현 방식 이 혁신적인 툴은 어떻게 만들어졌을까? 여기서는 유니티의 시니어 소프트웨어 개발 컨설턴트인 다니엘 비어위드가 버추얼 테어타운 어시스턴트를 탄생시킨 아키텍처, 기술, 엔지니어링적 접근법을 자세히 설명한다.   필수 구성 요소 버추얼 테어타운 어시스턴트는 유니티 애셋 매니저를 기반으로 하며, 이 확장 가능한 플랫폼을 통해 세밀한 분해도의 렌더링 과정을 간소화한다. 시스템은 자동화된 API를 통해 LLM 파이프라인에 직접 연결함으로써 출력 데이터를 손쉽게 전송한다. 이 설루션의 핵심은 유니티 파이프라인 자동화(Unity Pipeline Automation)이다. 시스템을 연결하고, 데이터를 변환하며, 3D 콘텐츠를 대규모로 업데이트하는 로코드 인터페이스이다. 파이프라인은 유연한 클러스터의 가상 머신에서 실행되며 이벤트, 일정 또는 온디맨드 방식을 통해 트리거될 수 있다. 유니티 애셋 트랜스포머 SDK는 프로세스를 가속화하며, 70개 이상의 3D 및 CAD 파일 형식을 지원한다. 이 SDK를 사용하면 애셋 수집, 최적화 및 표준화가 처리되므로 애셋을 어떠한 실시간 3D 워크플로에도 쉽게 통합할 수 있다.   ▲ 입력 데이터는 유니티 애셋 매니저에 업로드되어 버추얼 테어다운 파이프라인에 서의 협업을 위한 중앙 공유 저장소를 형성한다.(제공 : BMW 그룹)   중앙 집중식 디지털 애셋 관리 허브(여기서는 BMW 그룹의 3D 마인)는 모든 것을 체계적으로 정리하고 접근성을 높인다. 덕분에 여러 팀에서는 복잡한 실시간 3D 애셋을 한곳에서 검색하고 관리하면서 협업할 수 있으며, 이를 통해 생산 속도가 높아지고 확장 가능한 고품질의 디지털 경험을 구축할 수 있게 된다.   버추얼 테어타운 어시스턴트 파이프라인 단계 버추얼 테어타운 어시스턴트 파이프라인은 자동화된 데이터 처리, 시각화, AI 기반 인사이트를 결합하여 복잡한 3D 엔지니어링 모델 분석 프로세스를 간소화한다.   파이프라인 개요 이 워크플로는 모델 로드 액션(Model Load Action)이 유니티 애셋 매니저/3D 마인에서 선택한 3D 엔지니어링 모델을 JT 형식으로 불러오는 것으로 시작된다. 그와 동시에 시스템 필터 파일이 로드되어 전체 제품 모델 내의 특정 하위 시스템을 분리한다. 두 작업은 모두 그래픽 파이프라인 인터페이스를 통해 구성된다. 일반적인 활용처에서 파이프라인은 수천 개의 부품과 수백만 개의 폴리곤으로 구성되어 있으며, 완전한 엔지니어링 모델을 포 함한 수 기가바이트(GB) 이상의 JT 파일을 처리한다.   ▲ 애셋 검색 및 애셋 트랜스포머 실행이 이루어지는 파이프라인 단계로, 분해도를 분리하고 렌더링한다.   데이터 처리 및 변환 애셋 매니저에서 모델이 로드되면, 파이프라인이 애셋 트랜스포머 SDK가 설치된 가상 머신에서 실행되는 커스텀 파이썬(Python) 스크립트를 통해 주요 작업을 처리한다. 이 스크립트는 전체 JT 모델을 로드한다. 애셋 트랜스포머 SDK는 이전 파이프라인 단계에서 CSV 파일로 가져온 필터 테이블을 사용하여 데이터 세트의 개별 부품에 필터링 메커니즘을 적용하고, 관련 시스템 부품을 분리하는 데 사용된다. 다음으로 SDK 알고리즘을 통해 머티리얼 프로퍼티를 추출하고 조정하여 각 부품에 고유한 색상을 지정함으로써 명확하게 시각적으로 구분할 수 있도록 한다. 이는 레이블이 지정된 부품 정보로, BOM 및 형상 프로퍼티와 함께 LLM이 차량 모델을 분석하는 데 활용된다.   ▲ 차량 모델의 전면 차축 시스템에 레이블이 적용된 모습을 보여주는 예시(제공 : BMW 그룹)   분리된 부품들은 계층적 관계와 형상적 관계를 모두 고려하는 커스텀 알고리즘을 사용하여 분해된다. LLM을 이용한 시각적 분석을 위해서는 부품들이 적절하게 분리되어 있어야 하며 캡처 카메라에 명확하게 보여야 한다. 애플리케이션은 파이프라인 인터페이스를 통해 커스텀 설정을 분해 및 렌더링 레시피로서 적용하여, 제품 및 시스템 특성에 따라 파이프라인 설정을 동적으로 수정할 수 있다. 애셋 트랜스포머 SDK는 레이블이 지정된 시스템의 분해도를 처리 파이프라인의 일부로 렌더링하는 데 사용되는 클라우드 렌더링 기능을 제공한다. 이렇게 생성된 시각적 데이터는 인적 검토와 AI 분석 모두의 기반이 된다.   ▲ 전면 차축 시스템의 분해도 렌더링 예시. 분리된 시스템(왼쪽)과 생성된 분해도 (오른쪽)를 확인할 수 있다.(제공 : BMW 그룹)   데이터 익스포트 및 AI 분석 또한 커스텀 스크립팅 함수는 BOM을 모든 시스템 부품에 대한 메타데이터가 포함된 CSV 파일로 내보내며, 애셋 트랜스포머 SDK 함수를 사용하여 각 부품의 형상적 특성을 계산한다. BOM은 렌더링된 분해도와 함께 3D 마인에 저장된다.   ▲ 전면 범퍼 시스템 분해도의 렌더링 예시. 분리된 시스템(왼쪽)과 생성된 분해도 (오른쪽)를 확인할 수 있다.(제공 : BMW 그룹)   이제 AI가 작업을 이어받는다. 파이프라인 자동화 인터페이스가 다음과 같이 LLM에 HTTP 요청을 전송하여 분해도, BOM, 시스템 설명을 제공한다. 먼저 파이프라인 단계에서 렌더링된 이미지와 BOM을 시스템 설명, LLM 지침, 프롬프트와 함께 요청 본문에 인코딩하여 LLM 요청에 대한 페이로드를 생성한다. LLM은 입력 데이터를 종합적으로 분석한 후, 설계 구조 관련 주요 인사이트, 소재 및 부품 결합 전략, 제조 가능성 평가, 1차 성능 KPI 추정치, 신뢰도 평가가 포함된 가정, 설계 개선 제안 등이 포함된 텍스트 파일을 반환한다.   ▲ API를 통해 LLM 파이프라인과의 연결을 설정하여 파이프라인 출력 데이터를 수동 개입 없이 전송할 수 있게 하는 버추얼 테어타운 어시스턴트 파이프라인 단계   결과와 영향 파이프라인의 마지막 단계에서는 AI가 생성한 벤치마크 보고서와 레이블이 지정된 분해도를 애셋 매니저에 다시 업로드하여 직원들이 중앙 집중식으로 참조할 수 있게 한다. 이를 통해 부품을 실제로 분해하기도 전에 일찌감치 벤치마크를 확인할 수 있다. 버추얼 테어타운 어시스턴트 파이프라인은 복잡한 CAD 처리 및 시각화 작업을 자동화하는 한편, AI 기반 인사이트를 통합하여 초기 제품 분석에 활용할 수 있는 툴을 제공한다. 확장 가능한 파이프 라인 자동화, 실시간 렌더링, 고급 LLM 평가 기능의 결합으로 실제 활용 가능한 엔지니어링 벤치마크를 도출하는 데 필요한 시간과 비용을 절감할 수 있다.   향후 전망 살펴보기 현재 버추얼 테어타운 어시스턴트는 실제로 배포되고 있으며, 주요 시스템에 대해 일관된 렌더링 결과를 제공한다. 하지만 아사닌 박사 팀의 여정은 이제 막 시작되었을 뿐이다. 이들의 계획은 향후 2년 동안 시스템의 확장성을 최적화하고 BMW의 CAD 저장소와 같은 내부 시스템에 툴을 직접 연결하는 것이다. 이를 통해 다양한 각도에서 사진을 촬영하여 더욱 세밀하게 분석하고, 특정 부품을 집중적으로 분석하여 품질을 개선할 수 있다. 아사닌 박사의 팀은 비전 알고리즘과 대규모 언어 모델을 결합하는 것이 확장성을 위한 관건임을 파악했다. 비슷한 설루션 도입을 고려하는 기업에 전하는 메시지는 분명하다. 실제 문제를 선택하고, 신속하게 POC를 완료한 후 결과를 통해 가치를 입증해야 한다는 것이다. 전략도 중요하지만, 실질적 효과를 입증하는 것만큼 조직을 효과적으로 설득할 수 있는 방법은 없다. 일단 가시적 효과가 나타나면, 비즈니스 측에서 먼저 자연스럽게 확장을 원하게 될 것이다. BMW 그룹은 유니티의 생태계를 활용하여 단순히 차량을 시각화하는 데 그치지 않고, AI에게 자동차에 대한 이해를 학습시킴으로써 더욱 스마트하고 신속하며 데이터 중심적인 차량 엔지니어링의 미래를 만들어 가고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

주요 스마트 건설 DX 솔루션 소개 온톨로지 기반 데이터 지능 플랫폼, NAXiS  개발 및 자료 제공 : 이에이트, 02-6410-2802, https://e8ight.co.kr/   NAXiS(넥시스)는 운영 데이터를 ‘의미 중심 구조’로 재정의하여, AI와 분석 시스템이 동일한 기준으로 이해하고 판단할 수 있도록 만드는 온톨로지 기반 데이터 지능 플랫폼이다. 기존 데이터 환경에서는 시스템과 조직별로 데이터 정의가 달라, 동일한 데이터에도 해석과 판단이 일관되지 않았고, 그 결과 AI는 같은 질문에 서로 다른 답을 내놓거나 운영 맥락을 충분히 반영하지 못하는 한계를 보여 왔다. 데이터가 축적될수록 이러한 문제는 더욱 심화되어 AI 결과에 대한 신뢰성 저하로 이어졌다. NAXiS는 이러한 문제를 AI 모델의 성능이나 알고리즘의 고도화로 해결하려 하지 않는다. 대신, AI가 판단의 근거로 삼는 데이터 자체의 의미와 기준을 먼저 정립하는 데 집중한다. 자산, 설비, 공정, 이벤트, 규칙 등 운영 환경을 구성하는 요소들을 온톨로지 기반의 개념 체계로 구조화하고, 데이터 간의 관계와 맥락을 명시적으로 정의함으로써 모든 AI와 애플리케이션이 동일한 의미 체계 위에서 작동하도록 한다.  이를 통해NAXi는 조직 내에 분산된 데이터를 단순히 연결하는 수준을 넘어, 전사적으로 신뢰할 수 있는 단일 진실 공급원(Single Source of Truth)을 구현한다. 결과적으로 NAXiS는 AI를 하나 더 만드는 플랫폼이 아니라, AI가 정확하고 일관되게 판단할 수 있도록 만드는 ‘판단 기준의 플랫폼’으로 기능한다. 1. 주요 특징  (1) 도메인 온톨로지 기반 모델링 자산, 설비, 공정, 이벤트, 규칙 등 운영을 온톨로지 기반의 개념 체계로 모델링하고, 데이터 간의 관계와 인과 구조, 맥락을 명시적으로 정의한다. 이를 통해 현장에 축적된 암묵적 지식과 경험을 재사용 가능한 디지털 지식 자산으로 전환한다. (2) 의미 기반 데이터 통합 분산된 시스템과 이기종 데이터를 포맷이나 저장 구조가 아닌 ‘의미’ 기준으로 연결하여 데이터 사일로를 해소하고, 전사 단일 진실 공급원(SSoT)을 구현한다. (3) 추론 및 관계 기반 판단 엔진 규칙 기반 추론과 관계·그래프 기반 분석을 결합해 단순 통계 분석을 넘어선 판단을 수행한다. 복합적인 운영 상황 속에서도 결과만 제시하는 것이 아니라, 그 원인과 맥락을 함께 도출함으로써 AI 판단의 설명 가능성과 신뢰성을 높인다. (4) AI·LLM·Agent 연계 최적화 구조 LLM, AI 에이전트, 다양한 분석 모델과 직접 연계되도록 설계되어 있으며, 온톨로지 기반 RAG 구조를 통해 AI가 항상 올바른 맥락과 기준을 참조하도록 한다. 이를 통해 환각(hallucination)과 오판 가능성을 줄이고, AI 결과의 일관성과 정확도를 향상시킨다. (5) AI 비종속 개방형 아키텍처 특정 AI 모델이나 벤더에 종속되지 않는 개방형 구조로 설계되어, 다양한 AI 및 외부 솔루션과 API 기반으로 연동할 수 있다. AI 교체나 확장 시에도 동일한 판단 기준을 유지할 수 있어, 장기적으로 안정적인 플랫폼 운영이 가능하다. 2. 기대효과 NAXiS는 기존 AI 시스템에서 반복적으로 발생하던 데이터 해석 불일치와 판단 편차 문제를 근본적으로 해소함으로써, AI가 일관된 기준 위에서 판단할 수 있는 구조를 제공한다.  (1) 데이터 해석 불일치 해소 및 일관된 판단 기준 확립 시스템과 조직마다 다르게 정의되던 데이터의 의미와 관계를 온톨로지로 구조화함으로써, AI와 분석 시스템이 동일한 기준으로 데이터를 이해하고 판단하도록 한다. 이를 통해 같은 질문에 서로 다른 답을 내놓던 기존 AI 환경의 근본적인 한계를 해소하고, 조직 전반에 일관된 판단 체계를 구축한다. (2) 모델 중심에서 데이터·지식 중심 구조로의 전환 AI 모델 교체·확장에도 동일한 의미 체계 위에서 작동하도록 함으로써 판단의 연속성과 안정성을 확보한다. (3) 사일로 데이터 해소를 통한 상황 인식 및 원인 분석 고도화 분산된 시스템과 이기종 데이터를 의미 기준으로 연결해 통합 지식 그래프를 구축함으로써 데이터 사일로를 해소한다. 데이터 간 인과관계와 맥락이 구조화되어, 복합 운영 환경에서도 단순 이벤트 감지를 넘어 정확한 상황 인식과 원인 파악이 가능해진다. (4) AI 확장 대응력 확보 및 자율 운영 체계 기반 마련 특정 AI 모델이나 벤더에 종속되지 않는 구조를 통해 AI 확장·교체 시 재개발을 최소화하고, 장기적인 운영 안정성과 비용 효율성을 확보한다. 여기에 NAX Ops(넥스 옵스)가 결합될 경우, NAXiS에서 정립된 판단 기준이 곧바로 실행으로 이어지며 자율 운영 체계 구현의 기반이 완성된다.  결과적으로 NAXiS는 데이터 → 정보 → 지식 → 판단으로 이어지는 흐름을 구조화하여, AI를 더 똑똑하게 만드는 것이 아니라 AI가 틀리지 않게 만드는 기반 플랫폼이다.   상세 내용은 <스마트 건설 DX 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

지능형 공장을 위한 AI 전기 도면 및 데이터 자산화 전략   제조 현장의 디지털 전환이 가속화되면서, 전기 도면은 스마트 공장의 ‘디지털 유전자’로 재정의되고 있다. 국제 표준 기반의 AI 전기 도면은 파편화된 데이터를 구조화하여 설비 고장을 스스로 추론하는 고해상도 디지털 트윈을 가능하게 한다. 이번 호에서는 제조 애셋의 가치를 높이고 자기 진화형 제조 시스템을 구축하기 위한 4단계 로드맵을 살펴본다.   ■ 구형서 AI 기반 전기 CAD 공급사 WS코리아의 대표이다. 이플랜코리아 대표를 지냈고 지멘스, PTC 등에서 엔지니어 및 사업개발을 담당했다. 홈페이지 | www.wscad.co.kr     전략적 배경 : 전기 도면의 ‘디지털 유전자’화 제조 현장의 디지털 전환(DX)이 가속화되면서 전기 도면은 단순한 설계 산출물을 넘어 설비의 모든 정보를 관통하는 ‘디지털 유전자(digital DNA)’로 재정의되어야 한다. 현재 많은 기업이 예지보전(PdM)이나 에너지 관리 시스템(EMS)을 도입하고 있으나, 그 토대가 되는 도면 정보가 PDF나 CAD와 같은 비정형 데이터로 파편화되어 있어 지능화의 병목 현상이 발생하고 있다. 지능형 공장의 4단계 계층 구조(현장 데이터 − 설계 데이터 엔진 − 응용 서비스 − 전사 관리)에서 ‘설계 데이터 엔진’은 현장의 실시간 데이터와 AI 엔진 사이를 잇는 핵심 아키텍처이다. 이 엔진이 결여된 AI 모델은 단순히 계측값의 임계치를 감시하는 ‘저해상도(low-resolution)’ 알람 수준에 머물 수밖에 없다. 반면, 구조화된 AI 전기 도면이 뒷받침되면 특정 차단기 고장 시 영향을 받는 부하 리스트나 복잡한 인터록(interlock) 체인의 영향도를 스스로 추론하는 ‘고해상도(high-resolution) 구조적 추론 역량’을 확보하게 된다. 이는 결국 ERP, MES, SCADA를 하나의 데이터 흐름으로 묶는 ‘디지털 스레드(digital thread)’를 완성하여 자기 진화형 폐루프(closed-loop) 제조 시스템을 구현하는 필수 인프라가 된다. 이러한 전략적 필요성을 바탕으로, AI가 해석 가능한 도면 체계의 핵심 구성 요소를 먼저 정의한다.   AI 전기 도면의 3대 핵심 기반 요소 분석 AI 전기 도면은 ‘보는 문서’에서 ‘해석하는 데이터’로의 패러다임 전환을 의미하며, 이를 위해 표준화, 일원화, DB화라는 세 가지 기술적 토대가 필요하다.   데이터 인프라(표준화) : AI 해석의 정밀도 및 학습 효율 극대화 AI 비전(AI vision)의 인식률과 추론 정확도를 확보하기 위해 국제 표준을 준수하는 데이터 인프라 구축이 선행되어야 한다.   표 1   지식 및 추론 데이터(일원화) : 단일 데이터 모델 구축 설계-제작-운영 전 과정이 단일 데이터 모델(SSOT : single source of truth)로 통합되어야 한다. 단순한 도형의 집합이 아닌 제조사, 모델명, 전기적 특성(전압, 전류), MTBF(평균 고장 간격) 등의 메타데이터를 내장한 객체 기반 심벌을 사용해야 한다. 이를 통해 배선 정보(wiring schedule)와 케이블 스케줄을 데이터로 관리함으로써, 설계 변경 시 모든 리포트가 동기화되는 정합성을 보장하고 AI가 고장 원인을 논리적으로 추론할 수 있는 지식 베이스를 형성한다.   설계 및 운영 지원(DB 기반) : 디지털 트윈의 신뢰성 및 계통 통합 도면 정보를 SQL DB 구조로 전환하는 것은 데이터 본질의 변화를 의미한다. 파일 중심 관리에서 벗어나 데이터베이스화된 설계 정보는 실시간 PLC/센서 데이터와 연계되어 디지털 트윈의 해상도를 결정한다. 이는 설계 버전 오류를 원천 차단하고, 장애 발생 시 원인 분석 시간을 단축(MTTR 감소)하여 전사적 자산 관리(EAM) 시스템의 신뢰도를 높이는 비즈니스 성과로 직결된다. 확립된 기술 요소를 실제 현장에 적용하기 위해 단계별 실행 로드맵으로 진입한다.   ▲ AI를 위한 전기 도면 데이터 방안     ■ 자세한 기사 내용은 PDF로 제공됩니다.

조선산업은 표면적 호황과 별개로 구조적 난제를 안고 있 다. 수주·건조 경쟁 심화, 숙련 인력의 고령화와 이탈, 생산 시스템의 노후화, 그리고 수주산업 특유의 극단적 복잡성이 동시에 작동하고 있기 때문이다. 이러한 환경에서 조선소의 디지털 전환은 단순한 업무 전산화나 개별 공정 자동화를 넘어, 설계–구매–생산–물류–원가–납기 전 과정을 하나의 유기체처럼 연결하는 방향으로 진화해야 한다. 이 글에서는 조선소에서 디지털 트윈과 피지컬 AI(physical AI)를 실전적으로 구현하기 위한 핵심 요건을 기술적으로 정리한다.   ■ 이 글은 지난 4월 16일 진행된 ‘SIMTOS 2026 피지컬 AI & 디지털 트윈 콘퍼런스’에서 발표된 내용을 정리한 것이다.   HD현대는 2020년부터 Future of Shipyard(FOS) 로드맵을 통해 디지털화·가시화, 연결·예측·최적화, 지능형 자율 운영의 3단계 전환을 추진하고 있으며, 현재는 2단계에서 3단계로 넘어가는 전환기의 핵심 구조를 구체화하고 있다. 지능형 자율 운영 조선소를 성립시키는 기술적 삼위일체는 디지털 매뉴팩처링(DM), 디지털 트윈, 피지컬 AI이며, 이 세 요소는 개별 기술이 아니라 상호 순환하는 통합 구조로 작동해야 한다. 특히 실험실 수준의 데모를 넘어 실제 야드에서 작동 가능한 수준의 디지털 트윈·피지컬 AI 체계를 구현하려면, 온톨로지 기반의 SSOT(single source of truth), 애플리케이션 및 피지컬 AI 오케스트레이션, 엔드 투 엔드 데이터 파이프라인이 필수적이다.   조선소 DX는 왜 다시 정의되어야 하는가 조선소는 전통적인 중후장대 산업의 상징처럼 보이지만, 실제로는 가장 복잡한 디지털 전환 과제를 안고 있는 제조 현장 가운데 하나다. 같은 배가 하나도 없고, 동일 선주에게 인도되는 선박조차 호선별 사양이 달라진다. 다시 말해 조선소는 오래전부터 이미 ‘대량 맞춤형 생산(mass customization)’을 수행해 온 산업이다. 다만 그 복잡성을 지금까지는 사람의 경험, 현장 숙련, 그리고 조직 내부의 암묵지에 크게 의존해 감당해 왔다. 문제는 그 방식이 더 이상 지속 가능하지 않다는 데 있다. 숙련 기술자는 줄어들고 있고, 생산 복잡성은 더 커지고 있으며, 글로벌 경쟁은 더 치열해졌다. 최첨단 선박을 설계·건조하면서도, 이를 지탱하는 정보 시스템은 여러 세대에 걸쳐 누적된 레거시 구조를 벗어나지 못한 경우가 많다. 결과적으로 오늘의 조선소는 ‘세계 최고 수준의 제품을 만들지만, 그 제품을 만드는 시스템은 충분히 현대화되지 못한’ 모순 상태에 놓여 있다. 이러한 조건에서 디지털 전환은 선택지가 아니라 생존 조건이 된다. HD현대의 FOS 로드맵은 이러한 문제의식에서 출발한다. 1단계는 디지털화와 가시화, 2단계는 연결·예측·최적화, 3단계는 지능형 자율 운영 조선소를 지향한다. 중요한 점은 3단계가 단순히 ‘자동화가 많이 적용된 조선소’를 의미하지 않는다는 것이다. 그것 은 실시간 데이터를 기반으로 전체 공정을 이해하고, 변화에 능동적으로 대응하며, AI가 의사결정을 지원하고 일부는 직접 실행하는 운영 체계를 뜻한다. 이 글은 바로 이 2단계와 3단계 사이의 기술적 연결고리를 다룬다.   지능형 자율 운영 조선소의 기술적 삼위일체 지능형 자율 운영 조선소를 성립시키는 핵심 요소는 디지털 매뉴팩처링, 디지털 트윈, 피지컬 AI의 세 축으로 설명할 수 있다. 이 세 요소는 각각 독립적으로 존재할 수 있지만, 실제 운영 관점에서는 하나의 순환 구조로 통합되어야 한다. 세 요소 사이의 관계를 ‘삼위일체’라고 표현한 이유도 여기에 있다. 디지털 매뉴팩처링은 3차원 가상공간에서 설계와 생산 시나리오를 검토하고, CAD 기반의 설계 정보를 실제 제조 맥락으로 연결하는 사전 검증 체계다. 이는 현장 작업 이전에 충돌, 순서, 작업성, 자원 배치의 문제를 예측하게 해주는 ‘가상 작전 지도’에 가깝다. 반면 피지컬 AI는 센서, 비전, 로봇, AMR(자율 이동 로봇)/ AGV(무인 운반차), 협동로봇 등 현실 세계에 실제로 작동하는 지능형 실행 계층이다. 즉 디지털 매뉴팩처링이 ‘실행 이전의 검증’이라면, 피지컬 AI는 ‘현장 실행의 지능화’라고 할 수 있다. 그리고 이 둘을 이어주는 중심축이 디지털 트윈이다. 디지털 트윈은 단순한 3D 모델이나 설비 상태 모니터링을 넘어서, 현실 데이터를 지속적으로 흡수하고 가상 공간에서 시뮬레이션하며 그 결과를 다시 현실로 피드백시키는 운영형 모델이어야 한다. 즉 디지털 트윈은 ‘보는 모델’이 아니라 ‘판단하고 개입하는 모델’이어야 한다. 조선소가 자율 운영 단계로 이동하려면 바로 이 구조가 성립되어야 한다.   조선소 디지털 트윈은 무엇을 달성해야 하는가 오늘날 많은 산업에서 디지털 트윈을 도입하고 있다. 설비 상태를 실시간으로 동기화하고 예지보전을 수행하는 사례는 이미 널리 알려져 있으며, 조선소에도 당연히 필요하다. 그러나 조선소의 본질적 복잡성은 설비 단위보다 공정과 일정, 자재와 작업 순서, 협력 사와 물류, 설계 변경과 원가 반영의 상호작용에서 발생한다. 따라서 조선소에 필요한 진정한 디지털 트윈은 공정 중심의 왓이프(what-if) 시뮬레이션이 가능한 디지털 트윈이어야 한다. 예를 들어 특정 도크에서 용접 작업이 지연되었다고 하자. 이것은 단지 해당 작업만의 문제가 아니다. 뒤따르는 크레인 사용 일정, 후행 자재 공급, 작업자 동선, 탑재 순서, 심지어 납기와 원가에도 파급효과를 줄 수 있다. 조선소의 디지털 트윈은 이러한 영향을 국소 최적화가 아니라 전역 최적화 관점에서 해석해야 한다. 그리고 그 결과를 바탕으로 어떤 대안이 가장 유리한지, 어떤 순서 변경이 가능한지, 어떤 자원 재배치가 필요한지 제시할 수 있어야 한다. 이때 중요한 조건이 하나 더 있다. 진정한 디지털 트윈은 ‘양방향 시뮬레이션 구조’로 규정할 수 있다. 현실 세계의 데이터가 실시간으로 가상 세계로 유입되고, 가상 세계에서 계산된 최적화 결과가 다시 현실 세계의 시스템과 작업으로 반영되어야 한다는 뜻이다. 이 양방향 루프가 형성되지 않으면 디지털 트윈은 결국 시각화 도구나 사후 분석 도구에 머물 가능성이 높다. 조선소에서 필요한 것은 보고서용 디지털 트윈이 아니라, 운영에 개입하는 디지털 트윈이다.   실험실을 넘어 실전으로 : 디지털 트윈·피지컬 AI 작동의 3 대 전제 조건 조선소에서 디지털 트윈과 피지컬 AI를 실제로 작동시키기 위해서는 세 가지 기반이 필요하다. 첫째는 의미가 부여된 데이터, 즉 온톨로지 기반 SSOT(single source of truth)다. 둘째는 모든 애플리케이션과 피지컬 AI를 통합 운용하는 오케스트레이션 구조다. 셋째는 설계에서 현장까지 끊기지 않는 엔드 투 엔드 데이터 파이프라인이다. 이 세 가지는 실험실을 벗어난 실전에서 디지털 트윈과 피지컬 AI를 작동시키는 전제 조건이다. 먼저 엔드 투 엔드 데이터 파이프라인은 조선소 DX(디지털 전환)의 오래된 숙제다. 설계에서 생성된 데이터와 도면이 PLM(제품 수명주기 관리), ERP(전사 자원 계획), MES(제조 실행 시스템), IoT, 로봇/피지컬 AI 계층까지 끊김 없이 이어지지 않으면, 현장은 늘 번역 비용과 정보 손실을 감수해야 한다. 점대점(point-topoint) 인터페이스가 반복적으로 추가된 구조에서는 데이터는 연결되어도 맥락은 연결되지 않는다. 이 때문에 사람은 여러 시스템을 번갈아 확인해야 하고, 판단은 결국 개인 경험에 의존하게 된다. 따라서 다음 단계는 단순한 인터페이스 증설이 아니라 SSOT의 구현이다. SSOT란 모든 시스템과 구성원이 하나의 기준 데이터를 참조하도록 강제하는 구조이며, 이를 통해 데이터 거버넌스를 확보하고 번역 비용과 오류를 줄이려는 개념이다. 그러나, 오랫동안 업계가 알고 있던 정답이었음에도 SSOT의 실제 구현은 쉽지 않았다. 이유는 데이터가 흩어져 있어서가 아니라, 서로 다른 의미 체계 위에서 생성된 데이터를 단순 연결만으로는 하나의 진실 체계로 만들 수 없기 때문이다.   온톨로지 : SSOT를 현실화하는 데이터 구조 여기서 제시하는 해법은 온톨로지(ontology)다. 온톨로지는 제조 데이터를 객체(entities), 속성(properties), 관계 (relations), 행위(behaviors)의 체계로 재구성하여, 데이터에 의미와 맥락을 부여하는 지식 표현 구조다. 조선소의 설비, 블록, 자재, 공정, 작업자, 일정, 비용, 품질 사건 등을 각각 독립 데이터가 아니라 서로 연관된 객체 네트워크로 표현하면, AI는 단순한 값의 나열이 아니라 맥락화된 상태를 이해할 수 있게 된다. 기존의 관계형 데이터베이스와 테이블 중심 구조는 각 시스템 내부의 업무 처리를 위해서는 유효했지만, 전사 차원의 맥락적 추론에는 한계가 컸다. PLM, ERP, MES, 설비 시스템, 현장 센서 데이터가 각각 의미 체계를 달리한 채 존재하는 상황에서, AI가 이를 기반으로 판단하도록 만드는 것은 매우 어렵다. 반면 온톨로지 기반 구조에서는 데이터의 의미와 상호작용이 명시적으로 정의되므로, AI 에이전트가 ‘무엇이 어떤 것과 어떻게 연결되어 있는지’를 이해한 상태에서 추론할 수 있다. 이를 두고 ‘디지털 신경망의 핵심’이라고 표현할 수 있는 배경도 여기에 있다. 조선소 관점에서 온톨로지의 가치는 특히 설계 변경 영향 분석, 공정 지연 파급 분석, 원가 및 납기 영향 예측, 작업 우선순위 결정에서 크게 드러난다. 기존에는 설계 변경이 발생하면 여러 시스템을 뒤지고 관련 부서에 확인을 요청해야 했다. 하지만, 온톨로지 기반 디지털 트윈에서는 도면–자재–공정–원가–납기의 연결 구조를 통해 영향을 입체적으로 추적할 수 있다. 이는 단순한 데이터 통합 이 아니라, 의사결정의 구조를 데이터 위에 구현하는 접근이다.     전사 오케스트레이션과 단일 관리 화면 향후 조선소 정보 시스템의 핵심 과제는 ‘데이터 연결’에서 ‘의사 결정의 연결’로 이동해야 한다. 과거 EAI(enterprise application integration : 기업 애플리케이션 통합) 기반의 점대점 연동이 시스템을 이어붙이는 데 집중했다면, 앞으로 필요한 것은 각 시스템에서 생성되는 상태를 하나의 의미 체계 위에 올리고, 이를 전사적 지휘소처럼 활용하는 구조다. 전사 오케스트레이션의 빅픽처는 CAD, PLM, DM, ERP, MES 등 각 계층의 데이터를 온톨로지 레이어 위에서 통합하고, AI가 이를 활용해 전사적 지휘소 역할을 수행하는 구조로 요약할 수 있다. 이 구조가 완성되면 사용자 경험도 근본적으로 바뀐다. 지금까지는 담당자가 여러 모니터와 다수의 업무 화면을 동시에 열어 놓고 일을 하는 것이 일상이었다. 하지만 온톨로지 기반 SSOT가 확 보되면, 이질적 시스템의 데이터를 단일 창에서 종합적으로 확인하고 의사결정하는 것이 가능해진다. 이른바 ‘단일 관리 화면(single pane of glass)’이다. 이는 단순히 화면을 예쁘게 통합 한다는 뜻이 아니라, 데이터의 기반 의미 체계를 먼저 통합한 후 그 위에 사용자 인터페이스를 재구성한다는 뜻이다. 여기서 기존 시스템의 역할도 재정의된다. ERP나 PLM 같은 시스템은 기업의 장기적 프로세스와 기록을 책임지는 SoR(system of record)로 남고, 그 위에서 사용자 중심의 신속한 판단·실행 화면은 SoE(system of engagement), 더 나아가 SoI(system of intelligence)로 구성될 수 있다. 이 구분은 중요한 의미를 갖는다. 전통적 코어 시스템을 모두 대체하려는 접근이 아니라, 그 위에 의미·판단·오케스트레이션 계층을 덧입히는 방식이기 때문이다.   피지컬 AI와 조선소 현장의 실행 계층 조선소는 자동차 공장과 달리 비정형 야외 작업이 많고 작업 대상의 형상과 위치, 환경 조건, 돌발 변수의 편차가 크다. 이런 이유로 조선소는 오랫동안 ‘로봇 자동화가 어려운 현장’으로 인식되어 왔다. 반복 정밀 작업에 최적화된 기존 로봇 자동화 방식으로는 조선소의 다양한 변동성을 다루기 어려웠기 때문이다. 그러나 비전, 센서, AI 추론, 자율 이동 기술의 발전은 상황을 바꾸고 있다. 이제 조선소에서도 AMR, 협동로봇, AI 기반 인식 장치 등의 도입 가능성이 높아지고 있으며, 이를 ‘현실 세계를 조작하는 근육’으로 표현할 수 있다. 중요한 것은 피지컬 AI를 개별 장비 도입 차원에서 이해해서는 안 된다는 점이다. 피지컬 AI의 성패는 로봇 한 대의 성능이 아니라, 그것이 전체 공정 최적화 속에서 어떤 역할을 하느냐에 의해 결정된다. 따라서 피지컬 AI 자체보다 피지컬 AI의 오케스트레이션이 더 중요하다. 특정 작업 셀에서의 자동화 성과만으로는 조선소 전체 성과를 담보할 수 없다. 예컨대 용접 지연이 감지되었을 때 AI 에이전트가 후행 공정 파급효과를 시뮬레이션하고 작업자 동선 재배치, AGV/AMR 이동 경로 수정, 자재 우선순위 변경을 동시에 판단·지시할 수 있어야 한다. 이때 피지컬 AI는 개별 실행 장치이고, 디지털 트윈은 전역 상황판이며, 온톨로지와 AI는 그 둘을 연결하는 지능 계층이 된다.   구현 방법론의 변화 : 시스템 통합에서 의사결정 구조 설계로 이러한 전환은 기업용 애플리케이션 시스템 구축 방법론 자체의 변화를 요구한다. 전통적인 SI 프로젝트에서는 시스템 간 인터페이스 정의와 데이터 연계 설계가 핵심 과업이었다. 어떤 데이터를 어느 시점에 어떤 형식으로 보낼지 정의하는 일이 프로젝트의 중심이었다. 그러나 온톨로지 기반 전사 오케스트레이션 구조에서는 역할의 무게중심이 달라진다. 핵심 과제는 더 이상 ‘어떻게 연결할 것인가’에만 있지 않고, ‘어떤 의미 체계 위에서 어떤 판단과 행동 흐름을 설계할 것인가’로 이동한다. 즉 앞으로의 컨설턴트와 개발자는 인터페이스 기술자에 머무를 수 없다. 전사적 온톨로지를 설계하고, 업무 판단의 흐름을 모델링하고, AI 에이전트가 어떤 맥락에서 어떤 행위를 추천·수행할지를 설계할 수 있어야 한다. 이는 단순한 시스템 구현이 아니라 기업의 의사결정 구조를 디지털 구조로 전환하는 일이다. 이를 ‘회사의 의사결정 구조를 연결하는 역할’이라고 표현한 것은 매우 정확하다. 동시에 생성형 AI와 AI FDE와 같은 도구의 등장은 이 전환을 가속화하고 있다. 과거 수개월이 걸리던 화면 설계, 워크플로 구성, 에이전트 개발, 테스트가 훨씬 짧은 주기로 가능해지고 있다. 결과적으로 사람은 비즈니스 로직, 전략적 아키텍처, 데이터 의미 체계 설계에 더 집중하고, AI는 구현과 반복 업무를 더 많이 담당하는 방향으로 역할이 재편되고 있다.   맺음말 : 조선소 디지털 트윈의 본질은 ‘살아 있는 운영 구조’다 조선소의 디지털 트윈과 피지컬 AI를 이야기할 때 가장 경계해야 할 것은, 이를 각각의 개별 설루션이나 유행 기술로 바라보는 시각이다. 조선소에서 필요한 것은 3D 모델 몇 개, 로봇 몇 대, 대시보드 몇 장이 아니다. 필요한 것은 설계에서 생산, 물류, 원가, 납기, 현장 실행까지 하나의 유기체처럼 연결되고, 그 위에서 AI가 의미를 이해하고 판단하며, 현실로 다시 액션을 피드백시키는 살아 있는 운영 구조다. 그 핵심은 온톨로지 기반 SSOT, 전사 오케스트레이션, 그리고 디지털 트윈–피지컬 AI의 양방향 피드백 루프에 있다. 조선소는 원래부터 복잡했고, 그 복잡성을 사람의 헌신과 경험으로 버텨 왔다. 이제 그 복잡성을 시스템이 이해하도록 만들고, AI가 함께 일할 수 있는 구조로 전환해야 한다. 그때 비로소 조선소는 단순히 디지털화된 현장이 아니라, 스스로 판단하고 스스로 조정하는 지능형 자율 운영 시스템으로 진화할 수 있다. 이것은 특정 기업의 기술 도입 사례에 그치지 않는다. 조선업의 생존 전략일 뿐 아니라, 향후 제조 DX 전반이 나아갈 하나의 방향이기도 하다. 조선소는 제조업의 극단적인 복잡성을 가장 압축적으로 보여 주는 공간이며, 그 문제를 해결하는 방식은 다른 산업에도 강한 시사점을 줄 수 있다. 그런 의미에서 조선소의 디지털 트윈과 피지컬 AI 구현은 단지 조선의 미래가 아니라, 제조업의 다음 표준을 시험하는 과정이라고 말할 수 있다.   ■ 이태진 HD한국조선해양, HD현대그룹 CIO·CDO     ■ 기사 내용은 PDF로도 제공됩니다.

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.

  INFOWORLD   Focus 17　제조 AX’로 일하는 방식을 바꾸다… 피지컬 AI·데이터 통합으로 지능형 생태계 구축 22　매스웍스, “MBD와 AI 결합으로 설계 복잡성 줄이고 신뢰성 높인다” 25　“화려한 기술보다 탄탄한 데이터가 우선”… 제조 AI 전환의 실질적 해법은 28　유니티 스튜디오, 노코드와 웹 기반으로 산업용 3D 제작 문턱 낮춘다 31　세일즈포스, ‘에이전틱 엔터프라이즈’ 제시… 슬랙이 핵심 업무 운영체제 된다   People & Company 34　옥타브 산업 컨설팅 부문 김세환 기술 이사　산업AI의 성패, 데이터의 ‘양’이 아닌 ‘맥락’으로 승부   Case Study 36　다이슨 워시G1의 모델 기반 설계 도입 사례 / 이웅재　시스템 레벨 시뮬레이션, 일상 가전의 개발 방식까지 바꾸다 39　시각화 워크플로로 구현하는 리얼타임 스토리텔링　영화의 복잡한 샷에서 빠른 반복 작업을 지원한 언리얼 엔진 42　데이터 사일로 해소부터 거버넌스 수립까지, 전사 협업의 효율 혁신　3D 애셋 데이터를 위한 SSOT 구축   New Products 50　이달의 신제품   Column 53　디지털 지식전문가 조형식의 지식마당 / 조형식　보이지 않는 뇌 56　트렌드에서 얻은 것 No. 30 / 류용효　AI 에이전트 이후의 시대, ‘판단하는 시스템’의 탄생   48　New Books   Directory 107　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 58　새로워진 캐디안 2026 살펴보기 (6) / 최영석　사각형 작도 외 62　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2027 (1) / 최하얀　아레스 커맨더 2027이 제시하는 새로운 CAD 작업 방식 65　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　루비 온 레일즈 기반 빌딩 모니터링 서비스 개발 방법   Mechanical 72　엔지니어링의 진화, 항공우주 산업의 복잡성을 넘어서다 / 오병준　디지털 전환이 이끄는 항공우주 시스템 엔지니어링의 미래 76　제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (10) / 박수민　크레오 파라메트릭 12.0으로 애니메이션 생성하기   Analysis 81　앤시스 워크벤치를 활용한 해석 성공 사례 / 황정필　앤시스 아쿠아를 이용한 LNG 운반 선박의 운동 해석 방법 90　심센터 HEEDS 더 깊게 살펴 보기 (5) / 이종학　심센터 HEEDS 2604 업데이트 96　가상 제품 개발을 위한 MBSE 및 SysML의 이해와 핵심 전략 (7) / 오재응　모델 기반 시스템 엔지니어링의 모델링 도구 104　성공적인 유동 해석을 위한 케이던스의 CFD 기술 / 나인플러스 IT 　홀더의 지속 가능한 해상풍력 설치 접근법   PLM 100　산업을 위한 AI와 버추얼 트윈 기술 (3) / 이종혁　데이터 온톨로지 기반 3D 모델의 지능화     2026-5-aifrom 캐드앤그래픽스     캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기

지멘스 디지털 인더스트리 소프트웨어(지멘스 DISW)는 제조와 현장 운영을 간소화하기 위한 차세대 브라우저 기반 엔지니어링 앱인 젤 X(Zel X) 소프트웨어를 발표했다. 젤 X는 제조, 운영, 협업, 설계, 시뮬레이션을 위한 소프트웨어를 포괄적이면서도 가벼운 브라우저 기반 솔루션으로 통합해 즉각적인 가치를 창출하는 데에 초점을 두고 있다. 지멘스의 기술을 기반으로 개발된 젤 X는 NX와 공통 아키텍처를 공유하며, 지멘스 엑셀러레이터(Siemens Xcelerator) 플랫폼의 일부로 제공된다. 이 솔루션은 브라우저 기반 단일 통합 솔루션으로 운영, 설계, 제조, 협업 등의 기능을 제공한다. 젤 X는 상호작용형 대시보드를 통해 프로젝트와 작업 상태를 실시간으로 모니터링하고 추적하며, 모든 기기에서 알림을 통해 작업 현장별 지침을 확인할 수 있다. 젤 X에는 고객으로부터의 인바운드와 공급업체로의 아웃바운드 모두에서 RFQ(Request-for-Quote)를 지원하는 도구도 포함된다. 젤 X는 지멘스의 3D CAD 모델링 기술을 브라우저로 가져와 견적, 제조, 설비 설계를 위해 간소화된 3D CAD를 제공하며, 파라솔리드(Parasolid) 기반 데이터 변환 도구와 지멘스의 3D AI 기반 예측 모델링 기능을 결합했다. 이를 통해 설계자와 영업 엔지니어는 불러온 설계 데이터를 열고 편집해 설계와 도면을 빠르게 생성하고, 기존 모델을 수정하거나 제안서를 변경할 수 있다.     지멘스 심센터(Simcenter) 솔루션 기반의 클라우드 시뮬레이션 기능을 사용하면 설계 프로세스에 참여하는 모든 사람이 기기의 컴퓨팅 성능에 관계없이 간단한 해석을 신속하게 수행할 수 있어 직접적인 설계 결정이 원활해진다. 또한 최적화를 통한 부품/소재 선택도 가능하다. 더불어 젤 X는 NX, 솔리드 엣지(Solid Edge), 심센터 등 지멘스의 기계 설계 및 시뮬레이션 솔루션과 호환되며 확장성을 높였다. 젤 X는 웹 기반의 통합 CAD/CAM 툴셋을 제공한다. 간소화된 3D CAD 기반 프로그래밍을 통해 설계자와 엔지니어링 담당자가 보다 단순한 프리즘 부품을 작업할 때 2.5축 CAM에 액세스할 수 있다. 더불어 계획 변경에 따라 어떤 장치에서든 유연하게 설정을 조정하거나 G 코드를 편집할 수 있다. 더 복잡한 작업을 위해 기존의 다른 CAM 라이선스를 자유롭게 활용할 수 있으며, 지멘스의 제조 솔루션인 NX CAM으로 확장할 수 있다. 젤 X는 언제 어디서나 어떤 기기에서든 즉시 실행해 사용할 수 있으며, 클라우드 기반 프로젝트 저장과 협업 기능을 제공한다. 이 솔루션은 지멘스의 엑셀러레이터 포트폴리오에 공통적으로 사용되는 동일한 팀센터(Teamcenter) 기반 핵심 플랫폼을 토대로 구축됐다. 이 플랫폼은 세계 유수의 혁신가들에게 신뢰할 수 있는 데이터 관리 기능과 함께 팀센터 셰어(Teamcenter Share) 앱을 통한 데이터 공유와 협업 기능을 제공한다. 젤 X를 통해 고객은 내부 팀, 고객, 파트너, 공급업체를 포함한 공급망을 SSOT(Single Source of Truth)로 통합할 수 있다. 데이터의 엔지니어링 시각화와 마크업, 증강 현실(AR) 시각화, 작업 관리(칸반 보드 기능과 추적 포함)를 통해 더욱 강화됐다. 지멘스 DISW는 이 모든 것이 강력하고 안전한 데이터와 수명주기 관리 백본을 기반으로 한다고 덧붙였다. 젤 X 솔루션은 설계와 제조 간소화를 위한 기본 툴인 스탠다드 레벨(Standard Level)과 시뮬레이션, 더 많은 데이터 관리 기능, 설계 툴이 추가된 어드밴스드 레벨(Advanced Level)로 제공되며, 30일 무료 체험판도 제공된다. 지멘스 DISW의 존 밀러(John Miller) 메인스트림 엔지니어링 소프트웨어 부문 수석 부사장은 “제조업계는 요구 사항에 최적화됨과 동시에 필요한 곳 어디에서나 즉시 사용할 수 있는 개방적이고 유연한 툴셋을 필요로 한다. 젤 X는 제조, 운영, 설계, 시뮬레이션, 협업 영역에 걸쳐 지멘스의 전문성과 기술 리더십을 결합해 브라우저로 고객이 요구하는 차세대 기능을 제공한다. 젤 X는 혁신과 경쟁 우위를 확보하는 데 필요한 모든 프로세스를 즉시 지원하는 툴셋을 통해 빠르게 변화하는 기업들을 지원한다”고 전했다.

디자인부터 고객 경험까지 워크플로 전반에서 협업의 장벽 제거   유니티는 바르요(Varjo) 및 볼보 자동차와 협업 파트너십을 맺었다. 인간의 눈과 비슷한 해상도를 가진 바르요 헤드셋, 유니티의 선도적인 실시간 3D 기술, 혁신을 이끄는 볼보의 동력이 이 파트너십을 통해 결합된다. 이번 호에서는 혼합현실이 이미 그 가치를 입증하고 있는 세 가지 주요 방식을 살펴보고자 한다. ■ 자료 제공 : 유니티 코리아     “혼합현실은 유니티 같은 게임 엔진으로 자동차를 디자인하는 방식을 바꿔 놓았다. 이런 기술은 이미 도입되어 있는 상태이다.” - 유시 매키넨(Jussi Makinen) CBO, 바르요   공동의 경험을 바탕으로 바르요의 유시 매키넨(Jussi Makinen) CBO, 볼보의 티미 기라우(Timmy Ghiurau) 혁신 리더, 유니티의 제프 행크스(Jeff Hanks) 디렉터가 SXSW 2023의 패널 토론에 참여했다. 이들 모두 자동차 산업에서 MR(혼합현실)이 중요한 기술이라는 데 전적으로 동의한다.   ▲ 볼보가 실시간 3D로 자동차 수명 주기를 재구성하는 방식(이미지 출처 : Reimagine the automotive lifecycle with real-time 3D)   디자이너 외에도 여러 워크플로에 이점을 제공하는 혼합현실 자동차 산업이 혼합현실을 전폭적으로 받아들인 결과 자동차의 판매, 엔지니어링, 디자인, 수리 방식이 바뀌고 있다. 기라우의 설명처럼 볼보 자동차는 실시간 3D 기술을 빠르게 수용했으며, 여기에는 자동차 산업에 적용 가능한 게임 기술의 잠재력을 파악한 그의 선구안이 주된 역할을 했다. 볼보의 가상 트윈 자동차를 활용하면 디자인 팀과 엔지니어링 팀이 기계와 인간의 상호 작용 방식 연구에 집중할 수 있다. 기라우는 이것이 인간과 기계 간의 신뢰를 구축하기 위한 핵심이라고 주장한다. 실시간 3D 기술을 도입한 덕분에 볼보 자동차는 디자인 프로세스 초반부터 인적 요인을 함께 고려함으로써, 운전자의 불만 사항 같은 특별한 문제를 조기에 해결할 수 있다.   “혼합현실을 활용하면 인간 중심의 사고를 통해 엔터테인먼트나 스트레스같은 인적 요인 또는 다양한 시나리오에 사람들이 어떻게 반응할지 알아볼 수 있다.” - 티미 기라우(Timmy Ghiurau) 혁신 리더, 볼보 자동차   바르요는 산업 전반의 혁신적인 회사와 파트너십을 맺고 고급 사용자를 위한 VR/MR(가상현실/혼합현실) 제품과 서비스를 제작한다. 매키넨의 경험을 전해 들으며 자동차 산업이 혼합현실 기술의 이점을 이미 체감하고 있다는 것을 분명히 알 수 있다. 새로운 차량 제작용 실물 모형의 의존도를 줄이는 것부터 디자인 반복 작업(iteration) 시간 단축, 창의성 증대, 더욱 효율적인 테스트 시나리오 실행에 이르기까지 그 범위는 다양하다. 실시간 3D 및 몰입형 기술을 조기에 도입한 자동차 회사는 이미 3D 제품 디자인 및 시각화, HMI(인간 기계 인터페이스), 몰입형 교육 등 핵심 사용 사례에서 이점을 얻고 있다.   ▲ 혼합현실은 여러 자동차 워크플로 전반에 도입되어 있다.(이미지 제공 : 바르요)   빅데이터, 상호호환성, 장벽 제거 데이터 사일로를 연결하는 것은 자동차 산업 전반의 근본적인 과제이다. 실시간 3D 기술은 주로 혼합현실을 활용하여 상호호환성을 구현함으로써 이 과제를 해결하고 있다. 예를 들어 혼합현실 환경에서 복잡한 엔지니어링 데이터를 디자인 옵션과 오버레이하면, 이해관계자가 정확한 엔지니어링 사양을 유지하면서 디자인을 머릿속에 구현할 수 있다. 이렇게 비주얼 SSOT(Single Source of Truth)가 수립되면 디자인 반복 작업은 기계와 심미성 간의 균형을 찾는 과정으로 진화한다. 최근에 출시된 볼보 EX90을 예로 들겠다. 기라우의 설명처럼 볼보 자동차는 이 모델의 전체 디자인 프로세스에 바르요 혼합현실을 사용하여 효율성 개선, 제작 속도 향상, 뒷좌석에서 실시간 테스트 수행 등의 수많은 이점을 얻을 수 있었다.   “이 툴을 통해 이미 디자인 및 엔지니어링 의사 결정이 더 효율적으로 바뀌고 간소화되고 있다. 그렇게 절약한 시간을 활용해 순환 경제, 지속 가능성 등 다른 측면을 살펴볼 수 있다.” - 티미 기라우 혁신 리더, 볼보 자동차   매키넨은 혼합현실이 다양한 배경의 더 많은 사람들이 정보에 액세스할 수 있도록 하는 빅데이터의 상호호환성을 지원하여 어떻게 추가적인 이점을 제공하는지 설명한다. 간단히 말해 이 솔루션은 개발자, 디자이너, 기술 역량이 없는 최종 사용자가 복잡한 프로세스에서 더 직관적으로 디자인을 구상하고 상호 작용하며 협업하도록 도움을 준다. 최종 사용자와 관련된 문제를 보다 효과적으로 파악할 수 있으므로 더 포용적인 솔루션을 개발할 수 있다.   ▲ 실시간 3D 기술로 장벽을 제거하여 반복 작업 속도를 향상할 수 있다.   민주화라는 미래에서 혼합현실이 가지는 중요성 자동차 산업의 맥락에서 민주화(democratization)란 실제로 어떤 의미를 가질까? 볼보 자동차는 실시간 3D를 통해 여러 부서에서 사용 가능한 시뮬레이터와 혼합현실 기능을 구현할 수 있다. 무엇보다도 볼보 팀은 유니티를 사용하여 원하는 기술을 도입할 수 있으므로, 혼합현실 솔루션을 만들기 위해 개발자에 의존할 필요가 없다. 민주화 덕분에 볼보 자동차는 애초의 예상을 넘는 수준으로 혼합현실을 활용할 수 있음을 깨닫게 되었다. 한 예로, 기라우는 실시간 3D를 활용해 유체 역학 시뮬레이션을 진행하고 충돌 테스트 데이터 플로를 예측하는 팀에 대해 이야기한다. 자동차 회사의 성공적인 미래는 반복 및 조정 작업의 속도를 높여야 할 필요성에 달려 있다. 많은 자동차 회사에서 장기 시나리오의 테스트 및 시뮬레이션 또는 차세대 인포테인먼트 시스템 지원 등 미래 비전을 실현하기 위해 유니티의 실시간 3D 기술을 사용하고 있다. 혼합현실 솔루션을 사용하면 당면 과제를 해결하는 것뿐만 아니라 자동차의 미래를 예측하고 자동차 산업에 영향을 미칠 수 있다. 바르요 리얼리티 클라우드(Varjo Reality Cloud), 손 및 시선 추적을 통한 메뉴 옵션 선택 등의 기술 발전에 힘입어 혼합현실을 도입하는 과정에서 마주하게 되는 장벽이 점점 낮아지고 있다. 혼합현실을 통해 진정한 팀 간 협업을 실현할 수 있다. 또한 혼합 현실을 자동차 디자인 팀에서 소비자 경험 구축으로 확장하면 다음을 비롯한 수많은 잠재적 이점을 얻을 수 있다. 운전자 경험 향상 : 인터랙티브 대시보드 또는 HUD(헤드 업 디스플레이)를 통해 주변 환경과 도로 상황에 관한 실시간 정보를 제공하여 내비게이션 및 인포테인먼트 시스템을 개선할 수 있다. 운전자 안전 개선 : 자동차 회사는 앞 유리 전면 HUD 개발과 차량 상태 및 환경 요인에 대한 실시간 정보를 전송할 수 있는 센서 개발에 매진하고 있다. 소비자 유지 관리 지원 : 인터랙티브 매뉴얼에는 간단한 단계별 지침과 동영상 튜토리얼이 포함되므로 사용자가 일부 차량 기능을 유지 관리할 수 있다. 인터랙티브 영업 경험 : 디지털 자동차 쇼룸을 활용해 소비자가 잠재 구매 차량을 자세히 살펴보고 커스터마이즈할 수 있다.   ▲ 많은 자동차 워크플로에서 이미 혼합현실 헤드셋이 사용되고 있다.(이미지 제공 : 바르요)   ■ 기사 내용은 PDF로도 제공됩니다.

캐드앤그래픽스 CNG TV 지식방송 지상 중계   ▲ 헥사곤 PPM 문종윤 상무, 윤연민 과장(왼쪽부터)   4월 2일 진행된 CNG TV에서는 헥사곤 PPM 문종윤 상무와 윤연민 과장이 기업에서 디지털 스레드(Digital Thread)를 어떻게 마련해야 하는지에 대해 전했다.  헥사곤 PPM 문종윤 상무는 “최근 많이 언급되고 있는 화두는 디지털 트랜스포메이션(Digital Transformation)이다”라며, “글로벌 컨설팅 기업인 맥킨지는 디지털 트랜스포메이션을 ‘기업의 모든 활동을 컴퓨터와 연계하고 디지털화하여 기업 실적을 향상시키는 동시에 조직의 건강도를 높여 지속 가능한 성과를 내는 전사적이고 강도 높은 변혁’으로 정의하고 있다”고 설명했다.  또한 “기업의 모든 활동을 컴퓨터와 연계하여 디지털화하는 ‘디지털 스레드’는 제조업의 제품 수명주기 동안 지속되는 데이터의 원활한 흐름을 말한다”면서 “이러한 디지털 스레드의 가치는 ‘Single Source of Truth(SSOT)’ 기반의 가시성을 확보하는 것”이라고 강조했다.  이번 방송에서는 디지털 스레드를 구현하기 위한 방안으로 헥사곤의 ‘Xalt 프레임워크’를 소개하기도 했다. Xalt 프레임워크는 기업 내외부의 IT와 OT 정보를 수집하고 융합하여 정보 활용성과 기업 운영의 가시성을 제고하는 소프트웨어 프레임워크이다.  문종윤 상무는 “Xalt 프레임워크는 센서, 설비 및 제품의 정보를 수집할 수 있는 SDK(Xalt EDGE), 수집된 정보를 분석하는 머신러닝 엔진(Xalt AI), 사내외 시스템 간 정보 연동(Xalt Integration), low-code 개발방식으로 다양한 OS 및 브라우저를 지원하는 PC/Mobile app 구현(Xalt Mobility), Xalt Mobility로 구현된 모바일 앱에서 2D 및 3D 데이터를 시각화하여 표현(Xalt Visualization) 등의 주요 기능을 갖추고 있다”면서 “이러한 기능을 통해 기업 운영의 가시성을 높일 수 있다”고 설명했다. ■ CNG TV 방송의 자세한 내용은 홈페이지에서 다시보기를 통해 볼 수 있다.     기사 내용은 PDF로도 제공됩니다.