시스템 엔지니어링의 진화, 항공우주 산업의 복잡성을 넘어서다   아폴로 프로그램에서 시작된 시스템 엔지니어링은 오늘날 항공우주 및 방위 산업의 핵심 방법론으로 자리 잡았다. 하지만 소프트웨어 중심의 기체 구조와 급증하는 상호작용으로 인해 기존 방식은 한계에 직면해 있다. 이제 기업은 시스템 모델링 언어인 SysML v2와 인공지능(AI), 포괄적 디지털 트윈을 결합한 총체적 설루션으로 디지털 전환을 가속해 미래 경쟁력을 확보해야 한다.   ■ 오병준 지멘스 디지털 인더스트리 소프트웨어의 한국지사장이다. SAS 코리아 대표이사를 지냈으며, 오라클 코리아, 테라데이터 코리아, IBM 코리아 임원 등 IT 업계에 30여 년 이상 몸 담으며 쌓아온 엔터프라이즈 소프트웨어 경험을 바탕으로 지멘스 디지털 인더스트리 소프트웨어를 진두지휘하고 있다. 홈페이지 | www.sw.siemens.com/ko-KR   ▲ 제공 : 지멘스   우주비행사의 달 착륙과 지구 귀환을 성공적으로 이끈 아폴로(Apollo) 프로그램은 인류 역사상 가장 위대한 성과 중 하나로 평가된다. 아폴로 프로그램을 통해 개발된 다양한 기술은 오늘날 우리의 일상 속에서 널리 활용되고 있는데, 무선 헤드셋, 집적회로, 이메일, 무선 공구 등이 대표적인 예다. 이 글에서는 아폴로 프로그램의 수많은 유산 가운데 한 가지에 초점을 맞추고자 한다. 바로 엔지니어가 종종 간과하곤 하는 ‘시스템 엔지니어링(systems engineering)’이다. 당시 NASA가 개발한 로켓은 전례 없는 규모의 복합 시스템이 결합된, 그 시대 가장 정교하고 복잡한 기계였다. NASA 엔지니어들은 로켓 내 모든 시스템을 유기적으로 작동시키기 위해 새로운 엔지니어링 방법론이 필요하다는 사실을 깨달았고, 그렇게 시스템 엔지니어링이 탄생했다. 시스템 엔지니어링은 아폴로 로켓의 복잡성을 체계적으로 분석하고 각 시스템을 유기적으로 통합함으로써 성공적인 발사를 가능하게 했다. 이후 시스템 엔지니어링은 우주 분야를 넘어 항공우주 및 방위(A&D) 산업 전반에서 혁신을 이끌며, 새로운 항공기와 우주선 개발을 견인하는 핵심 요소로 자리 잡았다.   ▲ 시스템 엔지니어링은 우주 분야에서 시작돼 A&D 산업 전반으로 확대됐다.(제공 : C. Fredrickson Photography/Getty Images)   시스템 엔지니어링은 제품의 복잡성을 낮추는 데 기여해왔지만, 그 자체로는 상당히 복잡한 개념이다. 엔지니어링 영역들은 기업이 인식하는 것만큼 긴밀하게 통합돼 있지 않을 가능성이 있다. 일부 기업은 두 엔지니어링 영역 간 인터페이스에서 문제가 발생하기 전까지 자사의 통합 수준이 어느 정도인지조차 제대로 인식하지 못하기도 한다. 이러한 문제는 전통적인 문서 기반 방법론이 모델 기반 시스템 엔지니어링으로 전환된 이후에도 여전히 이어지고 있다. 이 같은 통합 미비는 설계 오류를 초래하고 일정 지연의 위험을 높인다. 이러한 위험은 오늘날 항공기와 우주선에 새로운 전자 기술과 소프트웨어 시스템이 대거 탑재되고 복잡성이 크게 증가함에 따라 갈수록 커지고 있다. 이와 같은 상황에서 변화가 없다면, 현재의 시스템 엔지니어링 접근 방식만으로는 항공우주 산업의 급격한 복잡성 증가에 대응하기 어려울 것이다. 따라서 앞으로 시스템 엔지니어링은 보다 총체적인 접근 방식으로 진화해 엔지니어링 영역 간 상호운용성과 협업을 강화해야 한다. 이를 위해 기업은 디지털 전환에 투자하고 SysML v2, AI(인공지능), 포괄적 디지털 트윈과 같은 핵심 기술을 활용해 엔지니어들이 혁신을 가속할 수 있는 새로운 프로세스를 익히도록 해야 한다.   항공우주의 새로운 패러다임 오늘날 생산되는 항공기와 우주선은 아폴로 시대에 개발된 기체와는 완전히 다르다. 민항기와 제트기부터 로켓과 위성에 이르기까지, 모든 것이 점점 더 소프트웨어 중심 구조로 진화하고 있다. 이에 따라 첨단 기계·전기 시스템은 물론, 새로운 전자 기술과 소프트웨어까지 폭넓게 통합되고 있다. 이러한 첨단 시스템은 이전 세대의 기체에 비해 훨씬 높은 수준의 복잡성을 만들어낸다. 특히 기체 내 다른 시스템과의 상호작용이 늘어나면서 전체적인 복잡성은 더욱 확대되고 있다. 예를 들어, 20년 전만 해도 엔지니어는 하나의 기계 시스템에서 발생하는 100여 개의 상호작용만 관리하면 됐고, 이는 스프레드시트에 손쉽게 정리할 수 있었다. 그러나 오늘날에는 반도체 칩 하나만으로도 수만에서 수십만 개에 이르는 상호작용이 발생할 수 있다.   ▲ 보다 고도화된 전자 기술과 소프트웨어 통합으로 새로운 항공우주 시스템의 복잡성이 커졌다.(제공 : santofilme/Getty Images)   A&D는 여러 엔지니어링 영역 간 통합이 필수인 산업이다. 한 영역에서 변경이 발생하면 이를 수용하기 위해 다른 영역에서도 추가 변경이 필요할 가능성이 높다. 최근 전자 기술과 소프트웨어의 비중이 커지면서 이러한 변경의 규모와 영향력은 더욱 확대되고 있다. 따라서 영역 통합의 격차를 식별하고 해소하기 위해 시스템 엔지니어링 접근 방식 역시 보다 총체적으로 발전해야 한다.   SysML v2를 통한 격차 해소 총체적인 시스템 엔지니어링 전략을 수립하려면 엔지니어 간 새로운 협업 프로세스를 지원하는 도구가 필요하다. SysML (Systems Modeling Language) v2가 이러한 역할을 수행할 수 있다. 이전 버전인 SysML v1은 엔지니어가 작업을 효율적으로 모델링하고 설명할 수 있는 새로운 방식을 제시했다. 그러나 모델을 구축하고 관리하는 방식이 매우 엄격해 상호운용성 측면에서는 한계가 있었다. 반면 SysML v2는 더욱 직관적인 모델링 접근 방식을 제공하며, 다양한 모델링 방법론을 유연하게 활용할 수 있도록 지원한다. 이를 통해 기업은 데이터 교환을 훨씬 수월하게 수행할 수 있다. 결과적으로, SysML v2는 엔지니어링 영역 간 정보를 개방적으로 공유할 수 있는 표준 프레임워크를 구축한다. 이를 통해 데이터 일관성을 높이고 통합 시스템 아키텍처 개발을 가능하게 한다. 물론 SysML v2의 효과는 이를 활용할 수 있는 인재 양성이 병행될 때 비로소 실현될 수 있다. 다행히 다양한 모델링 방법론을 수용할 수 있는 특성은 진입 장벽을 낮추고, 엔지니어가 새로운 시스템 엔지니어링 전략을 보다 쉽게 배우고 참여할 수 있도록 한다. 이는 시스템 엔지니어링의 총체적 발전과 민주화에도 기여한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (7)   최근의 MBSE(모델 기반 시스템 엔지니어링) 환경은 개별 도구를 연계하던 전통적 방식에서 벗어나, 요구사항부터 시뮬레이션, 형상 관리까지 전 과정을 하나의 플랫폼에서 관리하는 ‘디지털 스레드’ 기반의 통합 환경으로 진화하고 있다. 이번 호에서는 모델링 도구인 ‘랩소디(Rhapsody)’와 ‘카메오 시스템 모델러(Cameo Systems Modeler)’의 특징을 살펴보고, 효율적인 설계 환경 구축 전략을 짚어본다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   모델링 도구 여기에서는 모델링 도구로서 랩소디(Rhapsody)의 특징과 기능을 간단하게 소개하고 있으며, 특히 시스템 아키텍처 설계와 모델 일관성 유지에 있어 랩소디가 어떤 역할을 수행하는지를 설명한다. IBM의 랩소디는 UML 및 SysML 기반의 시스템 모델링 도구로, 아키텍처 모델을 통해 시스템 설계 정보를 저장할 수 있는 동적인 데이터베이스 구조를 제공한다. 사용자가 정의한 각 모델 객체(예 : 블록, 컴포넌트 등)는 한 번 정의되면 그것이 표현되는 모든 다이어그램 상에서 동일한 특성과 속성을 유지한다. 이를 통해 전체 모델의 일관성과 추적성이 자연스럽게 보장된다. 또한 랩소디는 요구사항과 직접 연계된 설계 모델을 지원함으로써, 요구사항-설계 간의 정합성 확보를 용이하게 한다. 이를 통해 설계 변경이 요구사항과의 연동 하에 즉시 반영될 수 있어, 시스템 개발 전 과정에서 신뢰성 있는 모델 기반 설계를 실현할 수 있다. 결과적으로, 랩소디는 다양한 UML/SysML 도구 중 하나로, 특히 복잡한 시스템의 모델링, 시뮬레이션, 코드 생성까지 연결 가능한 통합 모델링 환경을 제공한다.   랩소디 보기   그림 1. 랩소디 도구의 대표적인 사용자 인터페이스 구성 요소   <그림 1>은 랩소디 도구 환경을 보여주며, 시스템 모델링 또는 소프트웨어 모델링을 수행할 때 사용되는 대표적인 사용자 인터페이스 구성 요소를 설명하고 있다. 랩소디 보기는 사용자가 랩소디에서 모델을 어떻게 시각적으로 확인하고 조작하는지를 이해하는 데 중점을 둔다. 전체 인터페이스 구성은 랩소디가 모델 기반 시스템 및 소프트웨어 설계를 위한 도구로, 브라우저 영역과 그리기 영역 등의 주요 영역으로 구성되어 있다. <그림 1>의 화면 왼쪽에는 브라우저 영역(Browser View)이 위치해 있다. 이 영역은 프로젝트 내에 정의된 모든 요소를 계층적 트리 구조로 정리하여 보여주며, 클래스, 패키지, 상태도, 시퀀스 다이어그램 등 다양한 모델링 요소를 탐색하고 선택할 수 있다. 사용자는 이 영역에서 모델 구조를 확인하고, 필요한 항목을 선택하여 편집 창으로 열 수 있다. 주로 사용하는 항목은 모델 구성요소(예 : 클래스, 컴포넌트, 상태 등)이다. 설계 계층 구조는 각 요소의 속성 및 동작이 연결되어 있다. <그림 1>의 화면 오른쪽에는 그리기 창(Drawing Window)이 위치하며, 사용자가 실제로 다이어그램을 작성하고 편집하는 작업 공간이다. 이 영역은 선택된 모델 요소의 시각적 표현을 위한 공간으로, 예를 들어 상태 다이어그램, 블록 다이어그램, 시퀀스 다이어그램 등을 작성하고 구성 요소 간의 연결 관계를 설정할 수 있다. 사용자의 활동 예는 상태 전이 정의, 신호 흐름 연결, 동작 논리 시각화, 모델 요소 간 연결 구성이 있다. 랩소디는 모델 탐색과 시각적 설계를 동시에 지원하기 위해 좌측 브라우저 영역과 오른쪽 그리기 창을 중심으로 UI(사용자 인터페이스)를 구성하고 있으며, 이를 통해 사용자는 설계 구조와 논리를 직관적으로 접근하고 조작할 수 있다. 이와 같은 인터페이스는 SysML, UML, 자동차 및 항공 우주 분야의 MBD 등 다양한 모델링 작업을 효율적으로 수행할 수 있도록 지원한다.   랩소디 vs. 카메오 시스템 모델러 비교 IBM 랩소디와 카메오 시스템 모델러(Cameo Systems Modeler)는 모두 SysML 기반의 시스템 모델링 도구로 널리 사용되고 있다. 그러나 이 두 도구는 설계 접근 방식, 사용자 인터페이스, 시뮬레이션 및 협업 방식에서 차별점이 존재한다. 도구의 철학과 접근 방식 : 랩소디는 임베디드 시스템 및 소프트웨어 개발에 특화된 도구로, 주로 상태 기반(state-based) 모델링과 코드 생성(code generation) 기능이 강력하다. UML 기반의 객체지향 소프트웨어 개발, 상태 머신 구현 등에 많이 활용되며, 특히 자동차, 항공, 방위 산업 등에서 많이 사용된다. 반면에 카메오 시스템 모델러(MagicDraw 기반)는 시스템 아키텍처 및 요구사항 중심 설계에 중점을 둔 MBSE 도구이다. RFLP(Requirement, Functional, Logical, Physical) 구조와 트레이스 기능이 강력하며, PLM·SPDM 시스템과의 통합이 잘 되어 있어 디지털 스레드 구축에 적합하다. 대부분의 대기업 MBSE 전환 프로젝트에서 선택되고 있다. 사용자 인터페이스 및 작업 구조 : 랩소디는 전통적인 IDE 스타일의 인터페이스(<그림 1>처럼 왼쪽 탐색기 + 오른쪽 다이어그램 편집기)를 가지고 있으며, 실시간 코드 시뮬레이션 및 상태 전이 구현에 용이하다. 카메오 시스템 모델러는 모델 요소 중심 탐색 트리, 다중 다이어그램 탭, 자동 연결 도우미, 속성 창 기반 작업이 잘 정비되어 있으며, 직관적인 GUI로 인해 다양한 다이어그램 작성이 빠르고 정확하게 이루어진다. 사용자 친화성이 높은 편이다. 시뮬레이션 및 해석 기능 : 랩소디에는 UML/SysML 상태 머신을 기반으로 한 Statechart Simulation이 내장되어 있어, 논리적 동작 검증이나 이벤트 시퀀스 분석에 유리하다. C/C++ 코드 생성 및 디버깅 기능도 내장되어 있어, 소프트웨어 통합 단계까지 연결하기 좋다. 카메오 시스템 모델러는 카메오 시뮬레이션 툴킷(Cameo Simulation Toolkit :CST)을 통해 SysML 모델의 시뮬레이션이 가능하며, 파라메트릭 다이어그램(Parametric Diagram) + 수식 기반 계산 + 외부 FMU 연동을 지원한다. 특히 시뮬링크(Simulink), 모델리카(Modelica) 등과의 코시뮬레이션(co-simulation) 및 FMI 기반 연동이 강력하다. 협업 및 형상 관리 연동 : 랩소디는 RTC, ClearCase, GIT 등과 연계가 가능하지만, 협업 기능이 독립적으로 강력하지는 않다. 기업 내부 커스터마이징이 필요한 경우가 많다. 카메오 시스템 모델러는 팀워크 클라우드(Teamwork Cloud : TWC)라는 중앙 저장소 기반 협업 서버를 통해 모델 단위 버전 관리, 권한 제어, 변경 추적, 분기 관리(branching) 기능을 지원하며, 팀 단위 협업 및 모델 기반 리뷰에 적합하다. PLM, SPDM 및 외부 툴 연동 : 랩소디는 외부 연동이 상대적으로 제한적이며, 별도 게이트웨이 또는 커스터마이징이 필요하다. 카메오 시스템 모델러는 3D익스피리언스(다쏘시스템), 윈칠(PTC), 팀센터(지멘스) 등의 PLM 시스템과 연계가 용이하며, MBSE–PLM–SPDM 간의 디지털 연계(traceability)가 수월하게 이루어진다. 정리하면 랩소디는 코드 생성, 상태 머신 중심이고 카메오 시스템 모델러는 요구사항–기능–물리 구조 연계 중심이다. 사용 분야는 랩소디가 임베디드 소프트웨어, 제어 시스템에 사용되며 카메오 시스템 모델러는 시스템 아키텍처, MBSE를 총괄하는데 사용된다. 시뮬레이션에는 랩소디가 상태 기반 시뮬레이션에 사용되며, 카메오 시스템 모델러는 파라메트릭, 시퀀스, 코시뮬레이션이 가능하다. 협업 관점에서 랩소디는 RTC/파일 기반으로 이용되며, 카메오 시스템 모델러는 팀워크 클라우드 기반 모델 협업에 활용된다. 외부 툴과 연동은 랩소디는 제한적이며 커스터마이징이 필요하다. 반면에 카메오 시스템 모델러는 FMI, PLM, 시뮬링크 등과 강력하게 연동된다.    ■ 자세한 기사 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (5)   심센터 HEEDS(Simcenter HEEDS) 2604 릴리스는 설계 파라미터와 시뮬레이션 워크플로를 유기적으로 연결하여 최적의 설계안을 자동으로 도출하는 역할을 더욱 공고히 하기 위해 계산 리소스의 효율적 관리, AI를 활용한 워크플로 가속화, 그리고 다목적 트레이드오프 스터디의 실시간 가시성 확보라는 세 가지 핵심 방향으로 혁신적인 기능을 담았다.이번 릴리스를 통해 복잡성 모델링(model the complexity), 가능성 탐색(explore the possibilities), 속도 향상(go faster), 통합 유지(stay integrated)라는 네 가지 기둥 아래 엔지니어링 시뮬레이션의 새로운 기준을 제시한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   전산 자원 관리의 재구상 : 새로운 리소스 카탈로그 기존 방식의 한계 엔지니어링 최적화 스터디는 단 한 번의 시뮬레이션으로 끝나는 작업이 아니다. 수십 번에서 수천 번의 반복 해석을 수행해야 하며, 이를 위해서는 로컬 워크스테이션, 사내 HPC 클러스터, 클라우드 컴퓨팅 플랫폼 등 다양한 전산 자원을 조합하여 활용해야 한다. 기존의 HEEDS(히즈)는 이러한 원격 실행 환경을 프로젝트별로 설정해야 했기 때문에, 팀 내의 여러 엔지니어가 동일한 클러스터를 사용하더라도 각자 동일한 설정 과정을 반복해야 하는 비효율이 존재했다. 특히 HPC 클러스터의 경로, 인증 정보, 작업 스케줄러 파라미터를 매번 수동으로 입력해야 하는 번거로움은 첫 번째 설계 최적화를 시작하기도 전에 엔지니어의 시간을 낭비하게 만들었다.   리소스 카탈로그의 등장 심센터 HEEDS 2604는 원격 실행 기능을 새로운 ‘리소스 카탈로그(Resource Catalog)’로 전면 개편하여 이 문제를 근본적으로 해결했다. 리소스 카탈로그는 전산 자원 정보를 프로젝트에 종속된 설정이 아닌, 전사적으로 공유 가능한 독립적 자산으로 관리하는 방식이다. 이제 로컬 머신, 원격 클러스터, 리스케일(Rescale)과 같은 HPC 클라우드 플랫폼, 또는 작업 스케줄러를 사용하는지의 여부와 관계 없이 프로젝트 전체에서 리소스 구성을 더 쉽게 설정하고 재사용할 수 있다.   그림 1. 리소스 카탈로그 설정 환경   그림 2. 작업 수행을 위해 미리 설정된 리소스 선택   주요 기능 및 이점 원클릭 리소스 생성 : 사용자가 리소스 유형을 선택하면, 해당 유형에 적합한 모든 설정 항목이 기본값으로 미리 채워진 상태로 나타난다. 처음 사용하는 엔지니어도 복잡한 설정 파라미터를 일일이 파악할 필요 없이 빠르게 시작할 수 있다. 관리형 카탈로그(Managed Catalogs) : 조직의 IT 관리자 또는 HEEDS 전문가가 심센터 HEEDS 커넥트(Simcenter HEEDS Connect)를 통해 표준 리소스 프로필을 미리 구성하면, 팀의 다른 구성원이 이를 즉시 다운로드하여 사용하거나 로컬 카탈로그로 복사하여 필요에 맞게 조정할 수 있다. 이는 조직 전체가 동일한 리소스 표준을 따르도록 하는 ‘단일 정보 소스(single source of truth)’ 역할을 수행하여 설정 오류와 불일치를 원천적으로 방지한다. 다중 제출 항목(Multiple Submission Items) : 하나의 물리적 서버에서도 PBS, LSF, SLURM, MSHPC, 또는 다이렉트 서브미션(Direct submission) 등 다양한 방식의 작업 스케줄러를 위한 복수의 제출 항목을 생성할 수 있다. 예를 들어, 빠른 소규모 해석을 위한 인터랙티브 대기열과 대규모 최적화를 위한 배치 대기열을 동일한 클러스터에서 각각 별도의 리소스 프로필로 관리할 수 있다. 리소스 구성 확인 기능 : 복잡한 네트워크 환경에서 원격 리소스가 실제로 접근 가능한지, 또는 올바르게 설정되었는지 확인하는 것은 종종 어려운 문제였다. 새로운 ‘Run test now’ 기능을 통해 사용자는 설정 완료 즉시 리소스의 접근 가능성과 동작 상태를 확인할 수 있다. 테스트 결과는 Not tested(미실행), Passed(성공), Error(오류)의 세 가지 상태로 직관적으로 표시되어 문제 발생 시 신속한 보정이 가능하다. 지속적 구성 : 매핑된 로컬 및 원격 드라이브 설정이 모든 프로젝트에 걸쳐 유지되므로, 프로젝트를 새로 만들 때마다 리소스를 재구성할 필요가 없다. 한 번 설정한 리소스 카탈로그는 이후 모든 프로젝트에서 즉시 재사용 가능하다.   비최적화 스터디를 위한 효율적 데이터 및 리소스 운용 디스크 공간의 숨겨진 병목 실험계획법(Design of Experiments : DOE), 강건성(robustness) 분석, 신뢰성(reliability) 분석, 또는 단순히 특정 설계 후보를 일괄 평가하는 ‘Evaluation Only’ 스터디는 최적화 알고리즘이 동반되지 않는 빠른 유형의 설계 탐색이다. 이러한 스터디는 개별 해석이 비교적 짧게 완료되기 때문에, HEEDS는 실행 스택을 가득 채워 최대한 많은 병렬 해석을 동시에 구동하려 한다.   그림 3. 프로세스의 병렬 해석 진행 상황 예시   그런데 여기서 예상치 못한 문제가 발생한다. 해석이 매우 빠르게 완료되기 때문에 각 해석의 임시 작업 디렉토리와 결과 파일이 시스템에 쌓이는 속도도 매우 빠르다. 짧은 시간 안에 수백 개의 해석 폴더가 생성되어 디스크 공간을 순식간에 소진할 수 있으며, 이는 특히 로컬 워크스테이션이나 디스크 할당량이 제한된 HPC 환경에서 심각한 장애 요인이 될 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

‘2026 제조 고객을 위한 AWS 파트너 AI 클라우드 설루션 콘퍼런스’가 지난 3월 27일 진행됐다. 에티버스와 AWS(아마존웹서비스)가 주최한 이번 콘퍼런스에서는 ‘제조 산업의 인공지능 전환(AX)’을 주제로 AI(인공지능)가 물리적 현장을 직접 제어하는 ‘피지컬 AI(physical AI)’와 스스로 판단하는 자율 공장으로의 패러다임 변화를 짚었다. 그리고 제조 AX의 골든타임을 맞아 미래 제조 전략의 청사진을 제시했다. ■ 정수진 편집장     분석을 넘어 실행으로, ‘피지컬 AI’의 등장 제조산업은 단순한 데이터 분석과 디지털 전환(DX)을 넘어 AI가 생산의 전 과정을 주도하는 자율 공장 시대로 진입하고 있다. 그 중심에 있는 피지컬 AI는 분석 도구에 머물렀던 기존 시스템과 달리 로봇이나 자율제어 물류 등 물리적 세계를 직접 이해하고 제어하는 역할을 맡는다. 특히 고령화와 저출산으로 인해 숙련된 현장 인력이 부족해진 상황에서, 피지컬 AI는 육체적으로 힘들고 반복적인 작업을 로봇이 대신하게 만들어 인간과 로봇이 협업하는 새로운 생태계를 조성할 수 있을 것으로 기대를 받고 있다. 하지만 이런 혁신 기술을 실제 제조 현장에 도입하기 위해서는 넘어야 할 과제가 있다. 가장 먼저 부딪히는 장벽은 데이터의 품질 확보와 IT 및 OT 시스템의 통합 문제다. 제조 현장에는 수많은 산업용 프로토콜이 혼재되어 있어 데이터 표준화가 필수이며, 고품질의 통합 데이터 없이는 피지컬 AI가 제대로 작동할 수 없다. 이와 함께 AI가 내린 결정의 근거를 명확히 추적하고 설명할 수 있는 거버넌스와 안전성 확보도 시급한 과제다. 현장에서는 IT와 OT, 그리고 AI를 동시에 이해하는 융합 인재가 부족하다는 점도 걸림돌이다. 이로 인해 소규모 파일럿 테스트에서는 훌륭한 성과를 내더라도 이를 전사 규모로 확산하는 단계에서 실패하는 경우가 발생한다. 나아가 노후화된 센서와 장비에서 AI 학습에 필요한 양질의 데이터를 확보하기 어려운 기존 현장의 한계를 극복하고, 대규모 로봇 운영과 시스템 유지에 따른 비용 증가 문제를 해결하기 위한 전략이 요구된다. 이번 행사는 기조연설을 포함해 스마트 제조, AX 전략, 데이터 보안 등 세 개의 세부 트랙으로 진행됐다. 피지컬 AI와 에이전틱 AI(agentic AI)같은 최첨단 기술이 실제 현장에 적용된 사례를 공유했으며, 생산성 향상과 비용 효율화를 위한 클라우드 기반의 로드맵과 설루션을 제시했다.   에이전틱 AI와 현장 실행 중심의 제조 혁신 급변하는 산업 환경 속에서 제조업은 단순한 디지털 전환을 넘어 AI가 생산 전 과정을 주도하는 시대로 나아가고 있다. AWS의 정승희 매니저는 “AI는 우리 생의 가장 혁신적인 기술이 될 것이며 일하는 방식 자체를 바꿀 것”이라는 아마존 앤디 재시 CEO의 발언을 인용하면서, 현장의 판도를 바꿀 핵심 기술로 에이전틱 AI와 피지컬 AI를 꼽았다. 정승희 매니저는 “AI가 비즈니스 운영체제처럼 작동해 복잡한 업무를 자동화하고, 반복적인 현장 노동은 로봇이 대신하며 스스로 장애를 감지하고 복구하는 자가 치유 능력을 갖출 수 있다”면서, “이 미래를 현실로 만들기 위해서는 데이터 품질 확보와 운영 시스템 통합, 융합 인재 부족이라는 만만치 않은 장벽을 먼저 넘어야 한다”고 짚었다. 또한, 정승희 매니저는 “완벽한 계획을 기다릴 것이 아니라, 작게 시작하고 검증하고 확대해야 한다”면서, 청사진에 매몰되기보다 소규모 파일럿 테스트부터 속도감 있게 실행할 것을 조언했다. 또한, 기업들이 클라우드 인프라와 파트너 생태계를 영리하게 활용한다면 혁신의 비용을 줄이고 성공적인 미래를 앞당길 수 있을 것이라고 덧붙였다.   ▲ AWS 정승희 매니저는 피지컬 AI가 산업의 게임 체인저가 되고 있다고 짚었다.   디지털 트윈과 데이터 통합의 시너지 추구 제조산업은 단순히 데이터를 분석하는 단계를 넘어 물리적 세계를 직접 실행하고 최적화하는 피지컬 AI 시대로 진입하고 있다. 지멘스 디지털 인더스트리 소프트웨어의 이수아 전략 부사장은 제품 설계부터 생산까지 전 과정을 연결해 글로벌 리더십을 확보하려는 기업들의 움직임이 빨라지고 있다고 분석했다. 하지만 현장에서는 여전히 AI의 신뢰성과 전문 인력 부족이라는 장벽이 존재한다. 이수아 부사장은 기업들의 현실적인 우려에 대해 “기업들은 AI가 정말 안전하고 사람이 개입하지 않아도 믿을 수 있는 것인지, 의사 결정을 맡겨도 되는 것인지에 대한 고민을 가지고 있다”면서, 데이터 기반 의사결정에 대한 신뢰성 검증의 필요성을 짚었다. 그리고, 이 과제를 해결하기 위해 파편화된 시스템을 연결하는 온톨로지(ontology) 기반의 데이터 통합과 산업에 특화된 파운데이션 모델(foundation model)의 도입을 제안했다. 또한, 복잡한 제조 환경을 가상 공간에 구현하는 디지털 트윈과 그 데이터의 흐름을 촘촘히 잇는 디지털 스레드(digital thread)가 필수라고 강조했다. 결국 가상과 현실을 완벽하게 동기화하는 탄탄한 인프라 혁신만이 성공적인 피지컬 AI 시대를 앞당기는 열쇠가 된다는 것이 이수아 부사장의 진단이다.   ▲ 지멘스 디지털 인더스트리 소프트웨어 이수아 부사장은 AI를 통해 제품 R&D를 가속화할 수 있다고 설명했다.   AI 팩토리의 본질은 ‘데이터 표준화’ 서울대학교 이정준 교수는 제조 현장에서 기존에 해오던 일에 데이터를 더해 분석하고, 이를 통해 생산성과 효율을 한층 높이는 과정으로서 ‘AI 팩토리’를 정의했다. 결국 AI는 제조산업이 원하는 가치를 얻기 위해 추가하는 강력한 도구에 불과하다는 것이다. 성공적인 AI 팩토리를 구현하기 위한 핵심 요소로 이정준 교수가 꼽은 것은 데이터이다. 제조 현장의 데이터는 IT와 OT 영역, 그리고 공장 밖의 공급망까지 넓게 퍼져 있지만, 서로 다른 규격과 프로토콜 탓에 이를 하나로 엮는 과정은 험난하다. 이를 해결할 열쇠로는 데이터의 표준화가 꼽힌다. 이정준 교수는 독일의 자산 관리 셸(Asset Administration Shell : AAS)과 같은 국제 표준 데이터 모델을 도입하면 파편화된 정보를 원활하게 통합할 수 있을 것이라고 소개했다. 이와 함께 현장에서 우려하는 기술 유출 문제를 막기 위해 데이터 주권과 신뢰성을 보장하는 데이터스페이스(dataspace)의 구축도 과제다. 이정준 교수는 눈앞의 화려한 기술보다 탄탄한 데이터 표준화가 우선되어야 한다고 전했다.   ▲ SK AX의 안상만 부사장은 AI를 위한 IT 인프라의 재설계 방향을 제시했다.   자율 공장 완성할 유연한 클라우드 인프라 제조산업의 패러다임은 단순한 공정 자동화를 넘어 인간과 AI가 공존하며 스스로 판단을 내리는 자율 의사결정 시대로 진화하고 있다. SK AX의 안상만 부사장은 이러한 제조 현장의 변화를 이끌기 위해 가장 먼저 근본적인 IT의 뼈대를 새로 짜야 한다고 짚었다. “과거의 무겁고 경직된 시스템에서 벗어나 클라우드 기반의 유연한 서비스 환경으로 탈바꿈해야만, 끊임없이 쏟아지는 현장의 데이터를 하나의 플랫폼으로 매끄럽게 연결할 수 있다”는 것이다. 또한, 안상만 부사장은 “업무 프로세스와 데이터가 통합되지 않은 상태에서의 혁신은 사상누각”이라면서, AI 기술의 도입에 앞서 탄탄한 기본기가 우선되어야 한다고 강조했다. 그리고 AI 기술의 성공적인 안착을 위해서는 소규모 파일럿 테스트를 통해 빠르게 성공 모델을 만들고 이를 전사적으로 확산하는 전략이 필요하다고 짚었다. 현장의 데이터가 완벽하게 통합된 인프라 위에서 디지털 트윈과 버티컬 AI(vertical AI)가 결합될 때, AI가 현장 운영을 책임지는 자율 공장을 완성할 수 있다는 것이다.     ■ 기사 내용은 PDF로도 제공됩니다.

지멘스가 4월 20일~24일까지 독일 하노버에서 열린 세계 최대 산업 기술 박람회 ‘하노버 메세 2026’에 참가해 제조 현장의 혁신을 이끄는 산업용 AI 설루션과 기술력을 선보였다고 전했다. 지멘스는 이번 전시를 통해 로봇 공학 분야의 새로운 AI 기술과 신기술을 활용해 공급망의 회복 탄력성을 높이는 방안을 소개하며 글로벌 기술 리더십을 강조했다. 이번 행사에서 지멘스는 보조 역할에 머물던 산업용 AI를 자율 실행 단계로 발전시킨 ‘아이겐 엔지니어링 에이전트(Eigen Engineering Agent)’를 공개했다. 이 시스템은 산업 자동화 엔지니어링 작업을 실제 환경에서 계획하고 실행하며 검증까지 수행하는 상용 AI 기반 설루션이다. 지멘스에 따르면 이 설루션은 단순한 추천을 넘어 실제 엔지니어링 프로세스에 직접 작동하며 수동 워크플로 대비 생산 속도를 2배에서 5배까지 높이고 자동화 엔지니어링 효율을 약 50% 개선한다. 피지컬 AI를 실제 산업 현장에 구현한 협업 사례도 소개됐다. 지멘스는 엔비디아, 휴머노이드와 협력해 바퀴형 알파 휴머노이드 로봇 ‘HMND 01’이 지멘스 에를랑겐 공장에서 자율 물류 작업을 수행하는 모습을 시연했다. 지멘스는 이를 “세계 최초의 완전 AI 기반 적응형 제조 현장 구축을 위한 중요한 이정표”라고 설명했다. 피지컬 AI는 지능형 시스템이 물리 세계를 인지하고 스스로 행동하게 하는 기술로, 지멘스는 ‘지멘스 엑셀러레이터’ 포트폴리오를 통해 로봇이 산업 환경에서 효율적으로 작동할 수 있도록 디지털 중추와 자동화 인프라를 형성하는 역할을 맡고 있다.     전시 부스에서는 식품 기업 프링글스 및 펩시코와의 구체적인 협력 사례도 소개되었다. 양사는 산업용 AI로 물류와 재고, 공급망 전반을 유기적으로 연결해 생산 전 과정의 투명성을 확보하고 제품 출시 속도를 높이고 있다. 또한 산업용 메타버스 환경에서 공정을 설계하고 피지컬 AI가 이를 실행하는 모듈형 미니 공장 ‘팝업 팩토리’도 전시되었다. 이노베이션 허브에서는 적층 제조(AM) 기반의 신발 밑창 생산 공정이 대표 사례로 제시되었다. 사용자가 AI 기반 자연어 인터페이스에 요구사항을 입력하면 AI가 이를 분석해 디지털 트윈 시뮬레이션과 설계 도구를 자동으로 연계한다. 이후 AI 에이전트가 생산 공정을 자율적으로 운영하고 휴머노이드 로봇이 제품 이송과 포장을 담당하는 등 전 과정이 지능형 시스템으로 구현되는 모습을 확인할 수 있었다. 급증하는 데이터 센터의 에너지 수요에 대응하기 위한 혁신적인 설루션도 발표되었다. 지멘스는 반도체 기반 보호 및 스위칭 시스템을 선보였다. 고효율·고성능 직류 전력망은 재생 에너지와 에너지 저장 시스템을 직접 연계할 수 있어 효율성과 전력 공급 안정성을 동시에 확보한 에너지 운영 환경을 제공한다. 지멘스그룹의 롤랜드 부시 회장은 “산업용 AI는 미래 산업의 주도권을 결정짓는 핵심 요소가 될 것”이라면서, “지멘스는 제품 설계부터 운영에 이르는 전 과정에 적용 가능한 AI 운영 체계를 구축하고 있으며 이를 통해 고객이 더 빠르고 효율적인 비즈니스를 구현해 경쟁력을 확보할 것으로 기대한다”고 밝혔다.

지멘스가 4월 20일~24일 독일 하노버에서 열리는 산업 박람회 ‘하노버 메세 2026’에 참가한다. 지멘스는 이번 박람회에서 산업 현장의 혁신을 가속하고 생산성과 효율성을 높이는 산업용 AI 기반 혁신 기술을 선보일 계획이라고 전했다. ‘미래를 위한 혁신의 가속화’라는 주제로 열리는 이번 전시에서 지멘스는 개방형 디지털 비즈니스 플랫폼 ‘지멘스 엑셀러레이터’와 생성형 AI 기반의 ‘산업용 AI 코파일럿’을 중심으로 제조 산업의 디지털 전환과 AI 전환을 지원하는 방법을 집중 조명한다. 지멘스 부스에서는 산업용 AI, 디지털 트윈, 소프트웨어 기반 기술이 현실과 디지털 세계를 어떻게 융합하는지 보여주는 시연과 시뮬레이션을 체험할 수 있다. 전시 공간은 이노베이션 허브, 소비재 산업을 위한 디지털 엔터프라이즈, 딥 다이브 등 세 가지 주제로 구성된다. 이노베이션 허브는 인공지능이 데이터를 기반으로 제품 설계를 최적화하는 단계부터 공정을 실시간으로 조정하는 적응형 생산 체계까지 지멘스의 핵심 기술력을 집약해 보여준다. 소비재 산업을 위한 디지털 엔터프라이즈 존에서는 산업용 AI 디지털 트윈을 기반으로 설계, 생산, 공급망, 운영을 유기적으로 연결하는 제조 방식을 제시한다. 반죽 제조 공정에 인공지능과 디지털 트윈 기술을 적용해 적응형 공장으로 전환한 미국 스낵 브랜드 프링글스의 사례가 대표적이다. 글로벌 식품 기업 펩시코는 지멘스 엑셀러레이터 포트폴리오를 활용해 설비 변경 없이도 문제의 90%를 사전에 식별하는 성과를 거두었다. 브라질 화장품 기업 나투라는 디지털 트윈 기술로 에센셜 오일 추출 공정의 효율성과 지속 가능성을 개선했다. 기술별 딥 다이브 존에서는 시스템 엔지니어링과 AI를 결합해 제품 개발 기간을 단축하고 디지털 트윈으로 공정을 사전에 검증하는 기술 기반을 소개한다. 모듈형 설계를 통한 장비 운영의 유연성 확보와 에너지 인프라 기술을 활용한 공장 운영 효율 개선 방안도 함께 전시한다. 항공우주, 전자, 산업용 장비, 데이터 센터 등 다양한 산업의 실제 적용 사례도 확인할 수 있다.     한편, 250명 이상의 전문가가 참여해 산업 AI와 관련된 180여 개의 주제를 다루는 프로그램도 현장에서 진행된다. 업계 리더와 기술 전문가들은 디지털 혁신의 실제 모습과 성공 사례를 발표하며, 산업 메타버스와 인공지능이 식음료 산업을 어떻게 변화시키는지에 대한 토론도 이어진다. 이 프로그램은 온라인 플랫폼을 통해 생중계된다. 한국지멘스의 정하중 대표이사는 “산업용 AI와 디지털 트윈을 비롯한 지멘스의 혁신 기술은 숙련 인력 환경 변화와 에너지 비용 증가 속에서 기업들이 효율적인 운영 방안을 찾는 데 도움이 될 것으로 기대한다”면서, “이번 박람회가 국내 기업들이 글로벌 제조 혁신의 방향을 이해하고 인공지능을 활용한 경쟁력 강화 가능성을 검토하는 계기가 되길 바란다”고 밝혔다.

심센터 HEEDS 더 깊게 살펴 보기 (4)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA의 성능을 비약적으로 가속화시키는 AI 시뮬레이션 프레딕터(AI Simulation Predictor) 기술에 대해 자세히 살펴본다. 지난 호에서 다룬 SHERPA의 지능형 탐색 방식에 AI의 예측 통찰력을 결합하여, 어떻게 해석 시간의 병목을 해결하고 검색 효율을 극대화하는지 조명할 예정이다. 이를 통해 고비용 해석 모델에서도 실질적인 리드타임을 단축하고 더 우수한 설계안을 도출해 내는 원리를 알아보고자 한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   최적화의 병목, 해석 시간과 비용의 문제 고충실도(High-Fidelity) 해석의 딜레마 현대 엔지니어링 설계의 정점은 전산유체역학(CFD)이나 비선형 구조해석과 같은 고성능 계산 과정을 필수로 한다. 이러한 고충실도 해석은 제품 성능을 가상 공간에서 정밀하게 모사할 수 있게 해 주지만, 치명적인 약점이 있다. 복잡한 모델의 경우 1회 해석에 수 시간에서 수 일이 소요되기도 하며, 수백 번의 반복 계산이 필요한 최적화 과정에서 이는 극복하기 어려운 시간적 병목(bottleneck)이 된다.   MDAO 과정에서 직면하는 실제 문제들 연재의 배경이 되는 다분야 설계 분석 및 최적화(MDAO : Multidisciplinary Design Analysis and Optimization) 환경에서는 다음과 같은 네 가지 핵심 문제에 직면한다. 시뮬레이션 시간 & 계산 비용 : 장기간의 CAE 실행은 컴퓨터 자원의 점유와 라이선스 비용 부담을 가중시킨다. 신뢰성 : 시간 제약으로 인해 충분한 설계안을 검토하지 못하면 결과의 신뢰성이 떨어진다. 지식의 재사용 : 이전 프로젝트의 방대한 시뮬레이션 데이터를 현재 최적화에 제대로 자산화하지 못하는 한계가 있다. 시프트 레프트(shift left) : 제품 개발 초기 단계에서 오류를 발견하지 못하면 이후 단계에서 대규모 수정 비용이 발생한다.   기존 대안 : 전통적 최적화 프로세스와 근사 모델의 한계 해석 시간을 줄이기 위해 전통적인 설계 공간 탐색(design space exploration) 과정에서는 반응표면법(RSM)이나 크리깅(kriging)과 같은 근사 모델(surrogate model)이 널리 사용되어 왔다. 하지만 이러한 전통적인 방식은 프로세스 측면에서의 번거로움과 기술적 모델 구축 측면에서의 한계를 동시에 안고 있다.   그림 1   첫째, 전문가 중심의 복잡한 다단계 프로세스로 인한 고충(pain points)이 크다. 목적 정의부터 모델 단순화, 알고리즘 선택 및 튜닝, 탐색 수행, 결과 해석으로 이어지는 과정은 매우 정교한 전문 지식을 요구하며 다음과 같은 문제를 일으킨다. 모델 단순화의 오류 가능성 : 변수 선별이나 응답면 모델을 수동으로 생성하는 과정은 오류가 개입되기 매우 쉽다.(too error-prone) 알고리즘 선택 및 튜닝의 고비용 구조 : 적절한 검색 알고리즘을 결정하기 위해 수많은 반복 시도가 필요하며, 파플레이션 크기나 변이율 등 세부 매개변수 설정에 고도의 전문성이 요구되어 시간과 비용이 많이 든다.(too costly & too difficult) 제한적인 혁신 : 이러한 난이도 탓에 최적화 기술이 일부 전문가에 의해 매우 한정적인 문제에만 적용되어, 결과적으로 설계 혁신의 폭이 좁아지는 결과를 초래한다. 둘째, 기술적으로 구축된 근사 모델 자체가 가진 결정적인 한계가 존재한다. 초기 데이터 확보의 높은 비용 : 신뢰할 수 있는 모델을 구축하기 위해서는 설계 공간 전체에 걸쳐 상당수의 초기 샘플 해석이 선행되어야 하며, 고성능 CAE 환경에서는 이 초기 샘플링 과정 자체가 막대한 병목이 된다. 정적 구조의 경직성 : 한 번 구축된 모델은 최적화가 진행되는 동안 설계 공간의 특성 변화나 새로운 유망 영역의 발견을 실시간으로 반영하여 스스로 업데이트되지 않는다. 전역적 경향성과 국부적 정밀도의 딜레마 : 전체적인 경향성은 파악하지만 최적해 주변의 미세한 비선형적 거동을 포착하는 데 한계가 있어, 최종 설계안이 실제 해석 결과와 괴리를 보이는 경우가 빈번하다.   그림 2   반면, 심센터 HEEDS는 이러한 복잡한 중간 단계를 ‘Automated Search’ 하나로 통합하여 엔지니어가 본연의 설계 업무인 목적 정의와 결과 분석에만 집중할 수 있는 환경을 제공한다. 이번 호에서 다룰 AI 프레딕터(AI Predictor)는 이 혁신적인 자동 탐색 과정을 한 단계 더 가속하여 기술적 한계를 극복하고 진정한 설계 디스커버리(discovery)를 실현하는 핵심 기술이다.   기술 혁신 : Boosting SHERPA의 정의와 전략적 가치 AI 시뮬레이션 프레딕터란 무엇인가? 심센터 HEEDS의 AI 시뮬레이션 프레딕터는 최적화 검색 과정을 가속시키는 퍼포먼스 부스터(Performance Booster)이다. 단순히 정해진 데이터를 학습하는 것을 넘어, SHERPA 검색 프레임워크 상단에서 작동하는 AI 오버레이(AI Overlay) 기술을 통해 실시간으로 데이터를 학습(on-the-fly)하여 해석이 필요한 위치(DOE)를 지능적으로 선별한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

실시간 3D 기술로 산업 전반의 디지털 혁신 주도   2025년은 혁신으로 가득한 한 해였다. 유니티의 파트너들은 다양한 산업 분야에서 획기적인 성과를 이뤄냈다. 자동차 산업에서 차량 내 경험을 혁신하는 것부터 의료 및 제조 분야의 새로운 영역을 개척하기까지, 고객들은 유니티를 활용하여 대담한 아이디어를 현실로 만들어 냈다. ■ 자료 제공 : 유니티 코리아   자동차 산업의 거침없는 혁신   자동차 산업은 2025년에 디지털 혁신을 가속화했으며, 유니티의 고객들이 이러한 추세를 주도했다. 실시간 3D 기술은 더 이상 미래지향적인 개념이 아니라 최신 차량 디자인, 엔지니어링 및 차량 내부 경험의 핵심 요소이다. 자동차 산업의 리더들은 유니티를 활용하여 더 효율적인 워크플로를 구축하고 고객에게 더욱 몰입도 높은 경험을 제공했다. 대표적인 성공 사례로 BMW 그룹에서는 유니티 애셋 매니저(Unity Asset Manager)를 사용하여 복잡한 3D 애셋을 성공적으로 관리하며 디지털 성장을 추진했다. 글로벌 제조업체에게 방대한 디지털 애셋 라이브러리를 관리하는 것은 큰 부담이 된다. BMW는 이 프로세스를 간소화하면서 일관성을 유지하고 개발 사이클을 가속화했다. 이렇게 하면 더 빠르게 반복 작업을 수행하고 더 신속하게 탁월한 품질로 시장을 혁신할 수 있다.   ▲ 출처 : 도요타 자동차   ▲ 출처 : BMW 그룹   마찬가지로 도요타와 렉서스는 차세대 HMI(인간–기계 인터페이스) 개발의 경계를 넓혔다. 이들은 유니티를 통해 직관적이면서도 풍부한 시각적 정보를 기반으로 운전자와 탑승자 모두를 만족시킬 수 있는 차량 내부 시스템을 디자인했다. 또한 메르세데스 벤츠는 차량 내부 경험의 완성도를 높이는 데 계속해서 집중하며, 몰입도 높고 반응성이 뛰어난 인터페이스를 개발하여 주행 경험의 품질을 한층 더 끌어올리고 있다.   의료 및 생명과학 분야의 혁신적인 발전 의료 산업은 환자의 치료 결과를 개선하고, 의학적 교육을 강화하며, 복잡한 생물학적 데이터를 시각화하는 데 기술을 활용하면서 발전을 지속해 왔다. 유니티의 실시간 3D 기능은 이러한 발전의 핵심으로, 수술 시뮬레이터부터 인터랙티브 환자 교육 플랫폼까지 모든 것을 구축할 수 있는 툴을 제공한다.   ▲ 출처 : 메드트로닉   2025년, 필립스는 의료 현장에서 일상 생활까지 이어지는 의료 혁신을 계속해서 선도했다. 이들의 성공 사례는 몰입형 기술이 임상 절차와 가정 내 환자 치료를 모두 지원하여 의료 접근성과 효과를 높일 수 있음을 보여 준다. 또한 메드트로닉(Medtronic)은 유니티를 사용하여 로봇 수술용 디지털 트윈을 구축했다. 이러한 가상 복제본을 활용하면 정밀도 높은 데이터 기록, 플레이백 및 시각화를 통해 외과의들이 기술을 개선하고 시술 성공률을 높일 수 있다.   ▲ 출처 : 랜덤42   랜덤42(Random42)는 의료 시각화 분야에서 큰 도약을 이루며 새로운 가능성을 보여 주었다. 이들은 유니티를 활용하여 복잡한 생물학적 프로세스를 정확하게 시각화함으로써 과학 및 의학 관련 정보를 전달하는 방식을 혁신하고 있다. 연구자, 의사 및 환자들은 이러한 발전을 통해 질병의 메커니즘과 새로운 치료법의 가능성을 더 손쉽게 이해할 수 있다.   더 스마트하고 빠르고 효과적인 제조 방식 효율, 안전성, 혁신은 제조업의 핵심 요소이다. 유니티 고객들은 실시간 3D가 이 세 가지 목표를 모두 달성하는 데 얼마나 효과적인지를 보여 주었다. 직원 교육부터 공장 현장 시뮬레이션까지, 유니티는 제조업체가 생산의 미래를 구축해 나가도록 지원하고 있다.   ▲ 출처 : SEW 유로드라이브 & 리얼버추얼.아이오   SEW 유로드라이브(SEW-EURODRIVE)는 유니티를 모비킷 맞춤형 심인터페이스(MOVIKIT Custom SimInterface) 및 리얼버추얼.아이오(realvirtual.io)에 통합하여, 엔지니어가 위험 부담 없는 디지털 트윈 환경에서 자동화 로직을 테스트하고 개선할 수 있도록 함으로써 가상 시운전에 혁신을 가져왔다. 이러한 접근 방식 덕분에 시운전 시간을 70% 단축하여 ROI를 더 빠르게 달성하고 현장 물류 오류를 최소화할 수 있게 되었다.   ▲ 출처 : 지멘스 & 에듀케이션XR   인력 교육 분야에서도 진전이 있었다. 지멘스는 몰입형 XR(확장현실) 교육 모듈을 통해 전기 분야 인력의 교육 방식을 혁신하여, 안전하고 확장 가능하며 효과적인 학습 경험을 제공한다. 비슷하게 브리지스톤 아메리카(Bridgestone Americas)는 자체 개발 VR 애플리케이션으로 엔지니어링 운영을 혁신하여, 팀이 공유 가상 공간에서 협업하고 문제를 해결할 수 있게 함으로써 실물 프로토타입과 출장의 필요성을 줄였다.   리테일 및 고객 참여에서의 혁신 리테일 산업 환경은 그 어느 때보다 경쟁이 치열하며, 고객 참여가 성공의 열쇠라고 할 수 있다. 많은 리테일 브랜드가 유니티를 통해 독특하고 개인화된 인터랙티브 경험을 구축하여 고객의 관심을 사로잡고 성과를 창출하고자 했다.   ▲ 출처 : 콜러   콜러(Kohler)는 고객 참여를 확대하기 위해 인상적인 3D 콘텐츠를 제공하기 시작했다. 제품 카탈로그를 인터랙티브 3D 애셋으로 변환하여 제공하기 때문에, 고객은 집에서도 편안하게 제품을 상세히 살펴보고 더 확실한 구매 결정을 내릴 수 있다.   ▲ 출처 : 렌 키친스   렌 키친스(Wren Kitchens)는 유니티를 통해 디자인 및 시각화 프로세스를 개선하여, 고객에게 향후 주방의 명확한 모습을 보여 주는 동시에 자체 운영 워크플로를 최적화했다. 이는 몰입형 경험이 고객 만족도와 비즈니스 효율을 동시에 높일 수 있는 방법을 보여 주는 사례이다.   미래의 몰입형 월드 구축 유니티는 산업의 경계를 넘어 스마트 시티 및 상호 연결된 가상 월드를 포함한 차세대 디지털 경험의 기반을 제공하고 있다. 이처럼 야심찬 프로젝트에는 방대한 데이터 세트를 처리하고 실시간 성능을 제공할 수 있는 플랫폼이 필요하며, 유니티 고객은 이러한 과제를 성공적으로 해결했다. 동적 스마트 디지털 트윈 구축 분야에서는 큰 폭의 진전이 있었다. 스마트 디지털 트윈 프로젝트에서는 실제 데이터를 활용하여 몰입형 시뮬레이션을 구축함으로써, 계획 담당자가 교통 체계를 모델링하고 환경 영향을 분석하며 더욱 긴밀하게 연결된 시설을 설계할 수 있도록 지원한다. 아크GIS(ArcGIS)와 유니티의 협업에 따른 결과로, 코퍼스 크리스티 항구와 디 액셀러레이션 에이전시(The Acceleration Agency)는 실제 데이터와 창의적인 비전을 결합하여 지리적으로 정확하면서도 풍부한 디지털 트윈을 구축할 수 있었다.   ​​​​​​​ ▲ 출처 : 루비   루비(ROUVY)는 유니티를 통해 실제 동영상, 3D 데이터, 라이브 센서 입력을 초현실적인 증강현실(AR) 루트로 블렌딩하여 실내 사이클링에 혁신을 가져왔다. 루비 루트 크리에이터(ROUVY Route Creator)와 같은 기능을 통해 사용자는 자신이 직접 촬영한 동영상과 GPS 데이터를 ‘실제로 주행할 수 있는’ AR 라이딩 경험으로 변환할 수 있으며, 그 결과 매주 20TB에 달하는 새로운 콘텐츠가 추가된다. 톰톰(TomTom)은 맵 디자인 및 시각화 워크플로에 주력하며, 유니티를 활용하여 가상 월드에 자동차 내비게이션 소프트웨어를 결합한 시뮬레이션 환경을 구축한다.   ▲ 출처: 구글 맵스   구글 맵스(Google Maps)는 안드로이드 XR용 몰입형 뷰로 내비게이션을 재정의하여 사용자가 도시, 랜드마크, 장소를 세밀한 3D 디테일로 둘러볼 수 있는 방법을 제공했다. 유니티 기반의 이 애플리케이션은 2D 맵에서 몰입도 넘치는 경험으로 매끄럽게 전환되며, 여행 계획과 탐험에 있어 높은 완성도를 제공한다.     ■ 기사 내용은 PDF로도 제공됩니다.

지멘스가 중국 베이징에서 열린 ‘지멘스 RXD 서밋’에서 실험 단계에 머물던 산업용 AI를 공장과 인프라, 공급망 전반에 대규모로 배포하는 전략을 공개했다. 인공지능(AI) 기술을 디지털 세계에서 실물 경제로 빠르게 이식하겠다는 것이다. 2000여 명의 고객사와 파트너, 개발자가 참석한 이번 행사에서 지멘스 롤랜드 부시(Roland Busch) 회장 겸 CEO는 “AI를 현실 세계에 구현하기 위해서는 뛰어난 모델 그 이상의 요소가 필요하다”고 강조했다. 데이터와 소프트웨어, 지능형 하드웨어를 연결하는 ‘산업용 AI 운영체제’라는 기술 스택이 필수라는 설명이다. 지멘스는 개방형 디지털 비즈니스 플랫폼인 ‘지멘스 엑셀러레이터(Siemens Xcelerator)’를 통해 이러한 역량을 결합하고 산업용 AI를 대규모로 보급하고 있다.   ▲ 지멘스 롤랜드 부시 회장 겸 CEO   이를 위해 지멘스는 26개의 신제품을 출시하는 동시에 알리바바와의 전략적 파트너십을 심화하기로 했다. 이번 협력은 글로벌 혁신과 중국 현지의 혁신을 결합해 산업 인프라, 자동화, AI 기반 애플리케이션 전반을 아우르는 것을 목표로 한다. 중국 지멘스의 샤오 송(Xiao Song) 회장 겸 CEO는 “강력한 생태계만이 AI의 막대한 잠재력을 실현할 수 있다”면서, 지멘스의 기술력과 중국의 혁신 속도 및 산업 규모를 결합해 고품질 성장을 지원하겠다고 밝혔다. 고급 시뮬레이션과 산업용 AI에 대한 접근성도 확대된다. 지멘스와 알리바바 클라우드는 파트너십 확대를 통해 중국 고객에게 서비스형 인프라(IaaS) 형태의 CAE 역량을 제공할 계획이다. 지멘스의 시뮬레이션 포트폴리오를 알리바바 클라우드의 고성능 컴퓨팅 환경에 구축함으로써, 엔지니어링 팀은 복잡한 시뮬레이션을 더욱 효율적이고 유연하게 수행할 수 있게 된다. 양사는 알리바바의 거대 언어 모델(LLM)인 ‘통의천문(Qwen)’을 지멘스의 제품 수명주기 관리(PLM) 소프트웨어에 적용하는 방안도 모색한다. 양사는 이를 통해 AI가 지원하는 엔지니어링 워크플로와 지능형 제품 개발의 새로운 가능성을 열 것으로 기대하고 있다. AI 시대를 위한 인프라 구축에도 속도를 낸다. 지멘스 기술은 알리바바 클라우드의 장베이 데이터 센터와 같은 대규모 시설의 가동을 뒷받침하고 있다. 지멘스는 지능형 산업 운영에 필요한 데이터 흐름과 시스템 통합을 가능하게 하는 산업용 연결 설루션을 선보였다. ▲대규모 AI 워크로드를 처리하는 시스템의 안정적 가동을 돕는 인프라 보호 기술 ▲고성능 데이터 센터의 에너지 밀도를 효율적으로 관리하기 위해 현지에서 개발된 차세대 직류(DC) 차단기 ▲에너지 집약적 환경에서 냉각 효율을 최적화하고 소비 전력을 줄이는 AI 기반 냉각 설루션 등이 대표적이다. AI 기반 제조를 위한 실행 계층도 강화한다. 현대적 제조 시스템은 지능을 생성하는 것뿐만 아니라 이를 현장에서 직접 실행할 수 있어야 한다. 지멘스는 중국 현지 혁신 모델과 결합된 새로운 에지, 자동화, AI 설루션을 도입했다. 생산 라인의 두뇌 역할을 하며 기계들을 실시간으로 조율하는 차세대 프로그래밍 가능 로직 컨트롤러(PLC)는 성능과 메모리 용량이 대폭 향상됐다. 또한 디지털 명령을 정밀한 로봇 동작으로 변환하는 컴팩트 서보 시스템 등 고급 모션 기술을 통해 현장 실행력을 높였다. 아울러 지멘스는 산업 운영 최적화를 위한 AI 애플리케이션도 공개했다. 예측 보전 소프트웨어는 핵심 자산의 운영 데이터를 분석해 이상 징후를 조기에 감지함으로써 가동 중단으로 인한 손실을 방지한다. 이러한 혁신 기술은 산업용 AI의 실행 계층을 강화해 디지털 통찰력을 실제 생산 환경의 실질적인 행동으로 전환하는 역할을 한다.