앤시스 워크벤치를 활용한 해석 성공 사례   이번 호에서는 앤시스 아쿠아(Ansys Aqwa)를 활용하여 해상 환경 조건을 반영한 LNG 운반 선박의 하이드로 다이내믹(hydrodynamic) 해석 방법을 모스형 LNG 운반선 모델을 통해 살펴보고자 한다.   ■ 황정필 태성에스엔이 AE4팀의 수석매니저로, 앤시스 구조 해석 및 Aqwa(Hydrodynamic) 해석에 대한 기술지원, 교육, 프로젝트 업무를 담당하고 있다. 홈페이지 | www.tsne.co.kr   국제해사기구(IMO : International Maritime Organization)는 2050년 탄소중립 실현을 목표로 국제 해운 분야의 온실가스 배출을 체계적으로 관리하고 있으며, 선박에서 발생하는 대기 오염 물질과 온실가스 저감을 위해 단계적인 감축 목표를 수립하고 있다. 구체적으로는 2008년 대비 국제 해운의 연간 온실가스 배출량을 2030년까지 최소 20%, 2040년까지는 최소 70%까지 줄이는 것을 주요 목표로 삼고 있다. 이러한 규제 강화에 따라 글로벌 해운 산업은 2050년까지 탄소중립 달성 요구를 받고 있으며, 이를 위해 기존 화석연료를 대체할 수 있는 무탄소 또는 저탄소 연료로의 전환이 필수 과제로 떠오르고 있다. 이와 같은 흐름 속에서 해운업계는 기존 석유 기반 연료를 대체할 수 있는 현실적인 중간 단계의 대안으로 액화천연가스(LNG)를 적극 도입하고 있다. LNG는 상대적으로 온실가스 및 대기 오염 물질 배출이 적은 연료로 평가되며, 친환경 선박 연료로 분류되어 관련 기술 개발과 인프라 구축에 대한 투자가 전 세계적으로 확대되고 있다. 한편, LNG 운반 선박은 이러한 에너지 전환 과정에서 매우 중요한 역할을 담당한다. LNG가 친환경 연료로 자리잡으면서 안정적인 공급망 확보와 효율적인 운송 체계 구축의 필요성이 커지고 있으며, 이에 따라 LNG 운반 선박에 대한 수요 역시 꾸준히 증가하는 추세를 보이고 있다.   LNG 운반 선박 LNG(liquefied natural gas) 운반 선박은 액화천연가스를 운반하는 특수 선박으로, 극저온(-162℃) 상태의 가스를 저장하고 운반하는 것이 특징이다.   그림 1. LNG 운반 선박(출처 : 철강금속신문)   LNG 운반 선박의 구조는 크게 선체(hull), 화물창(cargo tank), 단열 시스템(insulation system), 재기화 시스템(regasification system), 추진 시스템(propulsion system), 연료 저장 및 공급 시스템(fuel gas supply system), 화물 처리 시스템(cargo handling system), 안전 시스템과 내비게이션 및 자동화 시스템으로 구성되어 있다.   그림 2. LNG 운반 선박 구조(출처 : Wikipedia)   LNG 운반 선박의 주된 선종은 모스형(Moss type)과 멤브레인형(membrane type)으로 분류된다. 모스형은 탱크가 선체로부터 독립되어 있고 스커트 구조에 의해 선체에 지지되는 방식이며, 탱크 내부에 LNG를 싣기 위한 압력과 LNG 중량을 견디고 탱크 내부 열침입을 최소화하기 위해 구형으로 설계되었다. 입열이 작기 때문에 LNG 증발 가스(BOG)가 적으며, 열 응력 집중을 완화할 수 있고, 슬로싱(sloshing) 충격이 작고 충돌, 좌초 등의 사고 발생 시 멤브레인형 대비 안정성이 좋은 장점이 있다. 하지만, 구형이어서 선창의 공간 이용 효율이 떨어지고 상갑판상의 돌출부에 의해 선체 전방에 사각지대가 존재하고, 풍하 면적이 넓어 운항 성능이 떨어지는 단점이 있다. 반면 멤브레인형은 탱크의 외벽인 방열재가 선창 내벽과 밀착되어 있어 탱크 내부의 LNG 압력과 중량이 선체에 전달되는 구조이다. 선창 공간을 낭비 없이 사용할 수 있고 상갑판의 돌출이 작으므로 풍하 면적이 작아 선박 운항 성능이 좋으나, LNG 운반 선박의 횡요 주기가 화물창 내부의 LNG 유동과 공진하게 되면 매우 큰 슬로싱 하중이 가해져 화물창 손상이 발생하는 단점이 있다. 현재 더 많은 화물을 싣기 위한 대형화에 멤브레인형이 상대적으로 저렴하고 용이하므로 주로 제작 및 사용되고 있다.   그림 3. LNG 운반 선박의 종류(출처 : 삼성중공업 블로그)   LNG 운반 선박은 일반적으로 대형화되는 추세이며, 경제성과 환경적 이점을 고려하여 최신 기술이 적용되고 있다. 이러한 선박은 극저온 상태의 LNG를 안전하게 저장 및 운송할 수 있도록 고급 단열 기술 및 구조 안정성, 운항 안정성 확보를 위한 설계가 필요하다.   LNG 운반 선박의 하이드로 다이내믹 해석 LNG 운반 선박은 대량의 LNG를 안전하게 운송하기 위해 특수 설계된 선박으로, 해양 환경에서의 동적 거동을 정밀하게 분석하는 것이 중요하다. 선박이 해상에서 파랑, 바람, 해류 등의 외부 환경 하중을 받을 때 발생하는 운동 응답을 예측하고, 선박의 안정성을 확보하는 것이 필수이다. 특히 LNG 운반 선박은 내부에 액체 화물이 존재하기 때문에 내부 유체의 운동이 선박의 전체적인 운동 특성에 큰 영향을 미친다. 따라서, 정확한 해석을 하기 위해 선박 내부 탱크 내 유체의 슬로싱 거동을 반영할 수 있는 모델링 기법이 요구된다. 현재 해양 구조물 및 선박의 유체와 구조 상호 작용을 고려한 해석에 다양한 수치해석 기법이 적용되고 있으며, 그 중 앤시스 아쿠아는 해양 및 조선 공학 분야에서 널리 사용되고 있는 강력한 해석 툴 중 하나이다. 이번 호에서는 앤시스 아쿠아를 이용한 LNG 운반 선박의 해석 방법에 대해 알아보도록 하겠다.     ■ 자세한 기사 내용은 PDF로 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.

마이크로소프트는 애저 로컬(Azure Local)의 확장성을 강화해 단일 소버린 환경 안에서 서버를 최대 수천 대까지 배포할 수 있는 대규모 클라우드 인프라 환경을 공개했다. 전 세계적으로 디지털 주권과 보안 규제가 강화되면서 데이터 통제권을 유지하면서도 규모를 확장할 수 있는 클라우드 인프라 전략이 중요해지는 추세이다. 이에 따라 주권 환경에서 운영 통제권을 유지하며 대규모 업무를 수용할 수 있는 확장형 인프라의 필요성이 커지고 있다. 마이크로소프트 소버린 프라이빗 클라우드의 기반이 되는 애저 로컬은 조직이 소유한 하드웨어에서 클라우드와 일관성 있는 인프라 환경을 구현한다. 특히 인터넷 연결이 분리된 환경에서도 유연하게 배포할 수 있으며, 보안과 컴플라이언스 설정을 로컬에서 직접 관리하는 운영 제어권을 제공한다. 마이크로소프트는 이를 통해 조직이 데이터 통제권을 유지하는 동시에 산업 현장의 대규모 업무를 로컬 환경에서 실행할 수 있다고 설명했다. 국가 기간 시설이나 규제 산업에서 사용하는 소버린 프라이빗 클라우드(sovereign private cloud)는 대규모 업무를 수용할 수 있는 확장성이 필수이다. 애저 로컬은 별도의 구조 재설계 없이도 단일 소버린 경계 안에서 서버 규모를 수백 대에서 수천 대까지 유연하게 확장하도록 지원한다. 인프라 확장에 따른 운영 연속성을 위해 복원력도 높였다. 애저 로컬은 확장된 장애 도메인과 인프라 풀을 통해 하드웨어 장애가 서비스 중단으로 이어지는 것을 방지한다. 이를 통해 클라우드 연결 환경과 관계없이 핵심 서비스의 안정적인 운영을 돕는다. 데이터가 많이 발생하는 AI(인공지능) 추론과 분석 업무도 자체 인프라에서 수행한다. 고성능 GPU 인프라를 바탕으로 민감한 AI 모델과 데이터를 조직의 직접 통제 아래 보호한다. 접근 관리와 감사 및 컴플라이언스 제어 역시 소버린 경계 안에서 유지된다. 배포 규모가 커지면서 워크로드 배치 옵션도 다양해졌다. 애저 로컬은 대규모 소버린 프라이빗 클라우드 구축부터 분산형 AI 업무까지 지원 범위를 넓혔다. 이를 통해 데이터 집약적이거나 응답 속도가 중요한 애플리케이션을 소버린 경계 내에서 실행할 수 있다. 글로벌 기업과 공공기관의 도입도 이어지고 있다. 미국 통신사 AT&T는 핵심 인프라의 완전한 운영 제어권을 얻기 위해 애저 로컬을 도입했다. 네덜란드 토지 등기소는 국가의 민감한 공공 데이터에 대한 주권 통제 목적으로 이를 활용한다. 이탈리아의 파이버콥 또한 전국 단위의 소버린 클라우드와 AI 서비스를 제공하기 위해 에지 로케이션 전반에 애저 로컬을 구축하고 있다.     애저 로컬은 현재 데이터온, 델 테크놀로지스, 에버퓨어, 히타치 반타라, HPE, 레노버, 넷앱 등 주요 글로벌 파트너사의 컴퓨팅과 엔터프라이즈 스토리지 플랫폼을 통해 이용할 수 있다. 조직은 이를 통해 기존 스토리지 영역 네트워크 투자를 보호하고 소버린 환경에서 컴퓨팅과 스토리지 자원을 독립적으로 확장할 수 있다. 플랫폼 컴퓨팅 기반은 인텔 제온 6 프로세서가 제공한다. 제온 6는 최신 기업 워크로드의 집적도와 성능 요구사항을 충족하도록 설계됐다. 특히 인텔 AMX 기반의 AI 가속 기능은 별도의 특화 인프라 없이 소버린 환경에서 AI 업무를 실행하도록 지원한다. 한편 애저 로컬은 엄격한 데이터 레지던시와 인터넷 연결이 분리된 환경, 규제 대상 업무, 현장에서의 AI 실행 등 다양한 요구사항을 충족하도록 설계됐다. 에지 환경의 단일 노드부터 대규모 데이터센터까지 유연하게 확장할 수 있으며 애저를 통해 일관된 수명 주기 관리를 제공한다. 마이크로소프트의 더글라스 필립스 스페셜라이즈드 클라우드 사장 겸 최고기술책임자는 “애저 로컬과 검증된 컴퓨팅 및 스토리지 플랫폼, 가속 컴퓨팅 플랫폼, 칩셋의 결합은 소버린 인프라 배포를 지원하는 데이터센터 규모의 스택을 제공한다”면서, “이를 통해 데이터와 모델, 실행 과정이 조직의 통제 환경 안에 안전하게 유지될 수 있다”고 밝혔다.

로봇과 사람이 같은 공간에서 함께 일하는 제조 현장은 더 이상 미래의 이야기가 아니다. 협동로봇과 자율로봇이 공정 곳곳에 투입되면서 생산성은 비약적으로 높아졌지만, 동시에 ‘안전’이라는 근본적인 과제가 다시금 부각되고 있다. 이러한 변화의 한가운데서 로봇이 스스로 안전하게 판단하고 움직이도록 만드는 ‘안전 지능(Safety Intelligence)’ 기술로 주목받는 기업이 있다. ▲ 세이프틱스 신헌섭 대표 로봇 안전 지능 기술 전문기업 세이프틱스 2020년 설립된 세이프틱스(Safetics)는 로봇이 사람과 같은 공간에서 안전하게 작동하도록 하는 ‘로봇 안전 지능’ 기술을 개발하는 스타트업이다. 많은 기업이 협동로봇을 도입하며 펜스 없이 자유롭게 움직이는 작업 환경을 기대하지만, 현실의 제조 현장에서는 법적·제도적 안전 기준으로 인해 여전히 물리적 펜스 설치가 요구된다. 이에 대해 신헌섭 대표는 “협동로봇이 도입됐다고 해서 곧바로 펜스 없는 작업이 가능한 것은 아니다. 실제 현장에서는 안전 규제가 가장 큰 진입 장벽으로 작용하고 있다”라고 설명한다. 세이프틱스는 이러한 제도적·기술적 장벽을 근본적으로 해결하고자 출발했다. 단순히 로봇을 멈추거나 격리하는 방식이 아니라, 로봇이 스스로 위험을 인지하고 안전한 동작을 선택하도록 만드는 것이 이 기업의 지향점이다. 이 같은 기술은 제조 현장뿐 아니라 카페, 급식실 등 로봇이 사람과 밀접하게 접촉하는 다양한 공간으로 적용 범위를 넓혀가고 있다. 안전과 생산성을 동시에 잡는 최적 설계 솔루션 ‘SafetyDesigner’ 세이프틱스가 시장에 주력으로 선보이는 솔루션은 협동로봇의 PFL(Power and Force Limiting) 모드를 실질적으로 구현하는 웹 기반 안전 설계 솔루션 ‘SafetyDesigner’다. SafetyDesigner는 안전성과 생산성 사이의 상충 관계를 기술적으로 해소하는 데 초점을 맞추고 있다. 충돌 안전 시뮬레이션 기능: 별도의 물리적 실험 없이도 가상 시뮬레이션을 통해 로봇과 사람이 충돌할 경우 발생하는 힘과 압력을 정밀하게 계산할 수 있다. 이를 통해 실제 현장에서 발생할 수 있는 위험을 사전에 분석하고 설계 단계에서부터 대응이 가능하다. 최대 안전 속도 추천 기능: 시뮬레이션으로 도출된 힘과 압력 값을 기반으로 ISO 안전 표준을 충족하면서도 공정 효율을 최대한 유지할 수 있는 최적의 로봇 속도를 제안한다. 이는 ‘안전을 위해 속도를 낮출 수밖에 없다’는 기존 인식을 뒤집는 핵심 기능이다. 지능형 위험성 평가 기능: 설문 기반의 위험성 평가 방식을 통해 안전 전문 지식이 없는 현장 담당자도 로봇 작업 환경에 대한 정보를 입력하면, 관련 표준과 법규에 대응하는 위험성 평가 보고서를 자동으로 생성할 수 있다. 안전 설계와 규제 대응을 동시에 간소화할 수 있다는 점에서 현장의 신뢰가 높다.   AX 시대의 로봇 자율성을 뒷받침하는 안전 지능 기술 제조 AX(AI Transformation) 시대의 핵심은 로봇의 ‘비정형 유연성’이다. AI 로봇은 실시간으로 경로와 속도를 바꾸며 작업을 수행하지만, 이러한 자율성은 기존의 고정된 안전 설계 방식으로는 충분히 담보하기 어렵다. 세이프틱스의 경쟁력은 다양한 로봇 모션을 수만 번의 가상 시뮬레이션으로 분석해, 표준에 부합하는 안전 속도를 정량적으로 제시하는 데 있다. 더 나아가 세이프틱스는 SafetyDesigner로 분석된 데이터를 로봇과 실시간으로 연동해 자율적인 안전 판단과 제어를 수행하는 ‘SafetyGiver’ 솔루션으로 기술을 고도화하고 있다. 두산로보틱스, 뉴로메카 등 주요 로봇 제조사와의 협업을 통해 구축 중인 이 기술은, AX 시대 제조 현장에서 로봇 자율성을 안전하게 통제하고 증명하는 핵심 인프라로 자리매김할 것으로 기대된다. 휴머노이드 시대를 여는 ‘로봇 안전 지능’ 세이프틱스는 공장을 넘어 일상으로 확장될 휴머노이드 로봇 시대를 준비하고 있다. 휴머노이드는 사람과 같은 공간에서 빠르고 복잡한 동작을 수행하기 때문에, 기존의 펜스나 단순 정지 방식으로는 안전을 보장하기 어렵다. 이에 세이프틱스는 사람이 경험을 통해 안전 감각을 익히듯, 로봇이 스스로 위험을 판단하고 최적의 행동을 선택하는 ‘안전 지능’을 모든 형태의 로봇에 보급하는 것을 목표로 한다. 신 대표는 “앞으로의 로봇 안전은 ‘멈추는 기술’이 아니라, ‘판단하는 기술’이 되어야 한다”고 강조한다. 세이프틱스는 이 같은 정의를 바탕으로 사람과 로봇이 가장 안전하게 공존하는 미래를 구현하고 있다. 펜스 없는 생산성 혁신과 글로벌 시장 진출 가속화 세이프틱스는 로봇 도입 과정에서 안전 규제 대응에 어려움을 겪는 기업들에게 SafetyDesigner를 활용한 현실적인 해법을 제시하고 있다. 펜스나 잦은 정지 없이도 법적 기준을 충족하며 생산성을 극대화할 수 있다는 점이 시장에서 입증되고 있다. 또한 안전 비전문가도 쉽게 활용할 수 있는 위험성 평가 솔루션을 통해 국내 제조 현장의 안전 인프라 수준을 한 단계 끌어올리고 있다. 최근 파트너십을 체결한 대만 넥스코봇을 비롯해 글로벌 기업들과의 접점을 확대하며 세계 시장 진출을 본격화하고 있다. 지능형 로봇 시대를 위한 안전 패러다임 전환 제조 AX와 산업 AI 시장이 지속적으로 성장하기 위해서는 로봇 안전을 사후 보완이 아닌 초기 설계의 핵심 요소로 인식하는 패러다임 전환이 필요하다. 특히 휴머노이드와 같이 사람과 밀착해 작동하는 로봇일수록, ‘피지컬 AI’ 기반의 안전 기술은 시장 확대의 필수 조건이 될 것이다. 세이프틱스는 안전을 공정의 제약이 아닌 성능 극대화의 도구로 활용함으로써, 공간 효율 개선과 멈춤 없는 공정을 동시에 실현하고 있다. 사람과 로봇의 경계 없는 협업, 세이프틱스가 여는 새로운 길 로봇 안전의 패러다임은 이제 펜스로 격리하던 시대를 넘어, 로봇 스스로 위험을 판단하고 안전하게 행동하는 ‘지능의 시대’로 진화하고 있다. 세이프틱스는 지구상의 모든 로봇이 사람과 경계 없이 협업하는 세상을 지향한다. 펜스라는 물리적 장벽이 사라진 자리에서 안전한 공존이 뿌리내릴 수 있도록, 세이프틱스는 전 세계 로봇 산업의 혁신 파트너로서 역할을 이어갈 계획이다.  

한국기계산업진흥회는 회원사 지원을 위한 공동 업무협약을 체결했다. 이번 협약은 한국기계산업진흥회와 법무법인 바른, 태일회계법인, 중앙감정평가법인이 협력하여 회원사를 대상으로 분야별 전문 서비스를 제공하고 상호 협력체계를 구축하기 위해 마련했다. 협약 내용에 따라 각 전문 법인은 한국기계산업진흥회 회원사를 대상으로 분야별 맞춤형 서비스를 제공할 예정이다. 법무 부문에서는 한국기계산업진흥회 전용 법률상담센터를 운영하고 방문 컨설팅을 진행한다. 이를 통해 주요 법적 현안에 대한 자문을 제공하며, 웨비나와 세미나를 병행해 회원사의 법적 안정성 확보와 규제 대응 역량 강화를 지원할 계획이다. 회계 부문은 세무 관련 자문과 함께 기업공개, 구조조정, 재무 관리 등 경영 현안 전반에 대한 전문 컨설팅을 제공한다. 이를 통해 기업 운영의 효율성을 높인다는 방침이다. 감정평가 부문에서는 감정평가 및 기업자산 관련 컨설팅 서비스를 제공해 재무 안정성 확보와 리스크 관리 역량 강화를 돕는다. 한국기계산업진흥회의 김동열 상무이사는 “경영 현장에서 회원사들이 겪는 다양한 어려움에 실질적인 도움이 되기를 기대한다”면서, “앞으로도 회원사가 체감할 수 있는 지원 서비스를 지속적으로 발굴하고 확대해 나가겠다”고 밝혔다.  

엔비디아가 한국 사회와 문화적 특성을 반영한 합성 데이터셋인 ‘네모트론-페르소나-코리아’를 공개했다. 이 데이터셋은 글로벌 AI 개발 플랫폼인 허깅페이스에서 데이터셋 부문 1위를 기록하며 글로벌 커뮤니티의 높은 관심을 받고 있다. 엔비디아는 “한국어 특화 데이터셋이 기술적 완성도와 실용성을 인정받으며 국내 AI 생태계의 경쟁력을 입증한 사례”라고 평가했다. 네모트론-페르소나-코리아는 대한민국의 인구통계학적, 지리적, 문화적 특성을 투영한 600만 건 규모의 합성 데이터셋이다. 국가통계포털, 대법원, 국민건강보험공단, 한국농촌경제연구원, 네이버 클라우드 등 신뢰도가 높은 공공 및 민간 데이터를 기반으로 구축해 한국 사회의 실제 통계적 분포를 반영했다.     데이터의 현실성을 높이기 위해 이름과 성별, 연령, 혼인 상태, 교육 수준, 직업, 거주 지역 등 주요 속성을 실제 통계 수치에 맞췄다. 한국어 특유의 존댓말 체계와 지역별 직업 패턴 같은 문화적 맥락도 고려했다. 기존 데이터셋에서 상대적으로 비중이 낮았던 고령층과 농촌 지역, 다양한 직업군을 포괄해 개발자가 한국 문화를 깊이 이해하는 정교한 AI 시스템을 구축하도록 돕는다. 개인정보 보호와 규제 준수에도 중점을 뒀다. 이 데이터셋은 개인정보를 포함하지 않는 완전한 합성 데이터로 구성해 국내 개인정보보호법을 준수하도록 설계했다. 엔비디아는 이를 통해 데이터 활용성과 규제 준수 사이의 균형을 확보하고 AI 개발 환경에 필요한 신뢰성과 확장성을 동시에 충족한다고 설명했다. 현재 네모트론-페르소나-코리아는 오픈소스 라이선스로 공개되어 국내외 개발자가 자유롭게 활용할 수 있다. 엔비디아는 이번 데이터셋이 한국형 소버린 AI 발전을 위한 핵심 자산으로서, 데이터 다양성을 넓히고 모델의 편향성을 완화하며 응답 품질을 높이는 데 기여할 것으로 기대하고 있다.

슈나이더 일렉트릭은 독일에서 열리는 ‘하노버 메세 2026’에서 마이크로소프트 애저 기반의 에이전틱 제조 설루션을 선보인다고 밝혔다. 이번 설루션은 마이크로소프트와의 전략적 협업을 통해 개발했다. 슈나이더 일렉트릭의 개방형 소프트웨어 정의 자동화 플랫폼인 ‘에코스트럭처 오토메이션 엑스퍼트(EAE)’를 기반으로 마이크로소프트의 애저 클라우드 및 AI 서비스를 결합한 것이 특징이다. 이를 통해 에이전틱 제조와 개방형 자동화, 엔드 투 엔드 지속가능성을 아우르는 통합 접근 방식을 구현했다. 플랫폼의 핵심인 EAE는 온프레미스, 에지, 하이브리드 환경 전반에서 일관되게 작동한다. 사용자는 자동화 로직을 한 번 작성해 시뮬레이션하고 검증과 배포를 거친 뒤, 별도의 재구성 없이 어디서든 실행할 수 있다. 슈나이더 일렉트릭은 제조업체들이 직면한 제품 다양성 증가와 공급망 불안정, 안전한 운영 환경 요구 등 복합적인 과제에 대응하기 위해 이번 설루션을 공개했다고 설명했다. 양사의 통합 플랫폼은 엔지니어링 의도와 실시간 운영 환경을 연결한다. 재사용 가능한 로직의 표준화와 시뮬레이션 기반 자동화 검증, 라이프사이클 전반의 추적성 확보를 지원하며 다양한 사이트와 하드웨어 간 상호운용이 가능한 운영 확장을 돕는다. 슈나이더 일렉트릭은 안전 규정 준수 및 통합형 자동화 산업 설루션에 대한 전문성을 바탕으로 규제가 엄격한 환경에서도 안정적인 운영이 가능하다고 강조했다. 이번 설루션은 제조 현장의 비효율을 구조적으로 해소하는 데 중점을 두었다. 기존 자동화 프로그램은 설계, 시뮬레이션, 시운전, 운영 등 각 단계마다 별도의 도구와 인수인계 과정이 필요했다. 통합 플랫폼은 이러한 과정을 하나의 추적 가능한 워크플로로 연결했다. 특히 AI 에이전트가 오케스트레이션 환경에서 설계 의사결정을 자동화하고 배포 전 로직을 검증해 리드 타임을 단축하고 초도 수율을 높인다. 슈나이더 일렉트릭에 따르면 애저 AI 기반의 산업용 코파일럿을 적용한 결과 제어 구성 및 문서화 작업 시간이 최대 50%가량 절감됐다.     마이크로소프트의 다얀 로드리게스 제조 및 모빌리티 부문 부사장은 “에이전틱 설계를 통해 설계 의도에서 운영 현실에 이르는 루프를 구현하고 있다”면서, “의사결정을 자동화하고 조기에 검증하면서 슈나이더 일렉트릭이 클라우드와 에지 전반에서 일관되게 시뮬레이션하고 배포할 수 있는 재사용 가능한 자동화 패키지를 인계하는 것이 핵심”이라고 말했다. 슈나이더 일렉트릭의 그웨나엘 휴에 산업 자동화 부문 총괄 사장은 “마이크로소프트와의 협업을 통해 에이전틱 설계부터 소프트웨어 중심 운영까지 전 과정을 연결하는 통합 자동화 워크플로를 구현하고 있다”면서, “클라우드와 에지 전반에서 자동화 로직을 일관되게 검증하고 시뮬레이션하며 배포할 수 있는 환경을 지속적으로 확대해 나갈 것”이라고 밝혔다.

SAP는 4월 20일~24일 독일에서 열리는 ‘하노버 메세 2026’에 참가한다. SAP는 이번 박람회에서 ‘신뢰할 수 있는 오케스트레이션과 더 스마트한 실행’을 주제로 에이전틱 AI 기반의 제조 및 공급망 혁신 설루션을 공개한다고 전했다. 비즈니스 AI가 기업의 핵심 운영 프로세스를 어떻게 혁신하는지에 대한 구체적인 비전을 제시한다는 계획이다. SAP의 크리스티안 클라인 CEO는 이번 행사에서 AI 전략적 목표를 실제 비즈니스 실행으로 전환하는 방법론에 대해 발표한다. 그는 제조업계가 마주한 원가 상승과 글로벌 경쟁 심화 등의 문제를 해결하기 위해 AI를 비즈니스 프로세스에 직접 내재화하는 방향성을 강조할 예정이다. SAP는 비즈니스 AI가 포함된 제조, 공급망, 클라우드 ERP 애플리케이션을 통해 기업이 시장 변화를 새로운 성장 기회로 전환하도록 지원한다. 특히 이번 박람회에서 선보이는 에이전틱 AI는 핵심 워크플로에 통합되어 작동한다. AI 에이전트가 변화를 감지하고 운영 제약 조건을 분석해 최적의 행동을 실시간으로 자동 실행하는 방식이다. 이를 통해 기업이 단순한 가시성 확보를 넘어 더 빠르고 정확한 의사결정을 내릴 수 있다는 것이 SAP의 설명이다.     SAP는 설계와 계획부터 제조, 물류, 자산 관리에 이르는 전 과정에서 데이터와 프로세스를 통합한다. SAP 공급망 오케스트레이션 설루션은 실시간 지식 그래프와 생성형 AI인 쥴(Joule)의 역량을 결합해 다단계 공급업체 네트워크의 위험을 사전에 감지한다. 또한 디지털 제품 여권과 전자 인보이스 컴플라이언스 등 규제 준수 기능을 비즈니스 프로세스에 내재화해 복잡한 글로벌 규제 환경에서도 지능적인 사업 확장을 돕는다. 글로벌 파트너사와의 협업도 강화한다. SAP는 액센츄어, 삼일PwC, 캡제미니 등과 함께 엔드 투 엔드 제조 및 공급망 설루션을 시연하며, 스노우플레이크와는 데이터 세션을 공동 진행한다. 아울러 제조 가치사슬 전반에서 기업 간 데이터를 안전하게 교환하는 ‘매뉴팩처링-X’ 이니셔티브를 통해 디지털 제조 생태계 구축에서의 역할을 보여준다. 현장 부스에서는 방문객을 위한 가이드 투어와 체험 공간이 운영된다. 독일 공작기계 기업 DMG 모리의 CNC 머신이 부품을 생산하고 울만 패키징 머신에 투입하는 실물 연동 시연이 진행된다. 휴머노이드 로봇이 자율적으로 피킹과 패킹 작업을 수행하는 시연을 통해 디지털 의사결정이 물리적 실행으로 연결되는 미래 제조 현장을 확인할 수 있다. SAP의 도미닉 메쯔거 공급망 관리 부문 최고제품책임자는 “제조 기업은 복잡성을 관리하면서 변화에 민첩하게 대응해야 하는 과제에 직면해 있다”면서, “에이전틱 AI를 핵심 비즈니스 프로세스에 내재화해 시장 변화를 실시간으로 감지하고 즉각적인 실행으로 연결하도록 지원할 것”이라고 밝혔다.