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.

SIMTOS 2026 기간 중 캐드앤그래픽스 주관으로 4월 16일~17일 진행된 ‘피지컬 AI&디지털 트윈 컨퍼런스’와 ‘뿌리산업&소부장 컨퍼런스’에서는 디지털 트윈과 피지컬 AI(physical AI)를 중심으로 제조산업의 디지털 전환과 자율 제조의 비전을 공유했다. 이번 행사는 AI(인공지능) 기술을 융합하여 현장의 숙련된 노하우를 데이터화하며, 스스로 판단하고 실행하는 지능형 생산 체계를 향한 근본적인 체질 개선 방안을 집중적으로 논의했다. 또한 제조산업의 AX(인공지능 전환) 실행 전략과 소부장(소재·부품·장비) 산업의 생존을 위한 R&D 정책 방향이 제시되었다. ■ 정수진 편집장   ■ 같이 보기 : [포커스] ‘제조 AX’로 일하는 방식을 바꾸다… 피지컬 AI·데이터 통합으로 지능형 생태계 구축     4월 17일 진행된 ‘뿌리산업&소부장 컨퍼런스’에서는 인력 부족과 공급망 재편이라는 위기 상황에서 소재·부품·장비 및 뿌리산업이 나아갈 방향이 제시되었다. 이날 진행된 다섯 편의 발표에서는 정부의 소부장 R&D 지원 정책과 더불어 반도체, 항공 엔진, 자동차 부품 등 핵심 산업 현장에서 AI 설루션을 통해 공정 신뢰성을 높이고, 하드웨어 중심에서 소프트웨어 중심의 아키텍처로 진화하려는 구체적인 추진 전략이 소개되었다.   ▲ 한국산업기술기획평가원 정민하 본부장   한국산업기술기획평가원의 정민하 본부장은 ‘2026년 소부장 R&D 정책지원 방향’ 발표를 통해, 정부의 핵심적인 소부장 산업 R&D 지원 방향을 제시했다. 그는 “과거 무역 분쟁에서 비롯된 소부장이라는 개념이 이제는 국가 안보와 직결된 거대한 공급망의 관점으로 진화했다”면서, 탄탄한 공급망 관리의 중요성을 역설했다. 정부는 경제 안보 위기에 맞서 으뜸기업, 슈퍼을, 도전기업 등 촘촘한 맞춤형 지원 제도를 마련했다. 특히 네덜란드의 반도체 장비 기업인 ASML처럼 글로벌 시장에서 독보적인 경쟁력을 갖춘 절대 강자를 육성하는 ‘슈퍼을’ 제도를 통해 파격적인 장기 R&D 자금을 지원한다. 또한 우수한 기술력을 지닌 전문 기업이 벤처 캐피털 투자를 쉽게 받도록 돕는 도전기업 제도도 정비 중이다. 정민하 본부장은 “우리 제조업의 근간인 소부장 기업들이 이러한 정책적 마중물을 발판 삼아, 글로벌 공급망의 주역으로 당당히 도약하기를 기대한다”고 전했다.   ▲ 성균관대학교 권석준 교수   성균관대학교 공과대학 부학장인 권석준 교수는 ‘제조 AX 기반 반도체 소부장 경쟁력 강화전략’에 대해 발표했다. 반도체 소부장 산업에 불어닥친 제조 AX의 거대한 파도를 짚은 권석준 교수는 “거대 기술 기업들이 단순히 반도체 설계를 넘어 제조 영역까지 직접 관여하면서 맞춤형 AI 반도체 생태계를 주도하고 있다”고 분석하면서, “이에 따라 기존 소부장 기업들 역시 설계와 제조의 경계가 허물어지는 새로운 공급망 재편에 빠르게 대응해야 한다”고 짚었다. 권석준 교수는 “LLM(대규모 언어 모델) 기반의 거대 AI 모델이 현장으로 왔을 때 이것을 이어줄 수 있을 만한 다리(브리지)가 아직은 확립돼 있지 않다”고 지적하면서, 현장의 복잡한 인과관계를 AI가 파악하기 위해 파편화된 현장의 데이터를 통일된 사전처럼 묶어내는 온톨로지 구축과 이를 바탕으로 한 지식 네트워크 형성이 필수라고 전했다. 또한 차세대 AI 반도체의 핵심 과제인 메모리 병목 현상을 해결하기 위해 소재 발굴부터 패키징 공정까지 AI를 적극 도입해야 한다고 강조했다. “수많은 후보 물질을 단기간에 탐색해 내고 디지털 트윈 모델로 실제 양산의 위험을 최소화하는 치밀한 전략이 치열한 글로벌 반도체 경쟁에서 살아남을 강력한 무기가 될 것”이라는 것이 권석준 교수의 전망이다.   ▲ DN솔루션즈 엄재홍 상무   DN솔루션즈의 엄재홍 상무는 ‘공작기계에서 ‘지능형 제조 에이전트’로 : AX를 통한 제조 플랫폼의 진화’를 주제로 발표를 진행했다. “사람의 개입 없이 가동되는 완전 자동화 다크 팩토리(dark factory) 환경에서, 기계가 주변과 스스로 소통하고 제어하지 못하면 결국 사람이 공정의 병목이 된다”고 짚은 엄재홍 상무는 “공작 기계가 단순한 장비를 넘어 지능형 자율 에이전트(agent)로 근본적인 진화를 이뤄야 한다”고 강조했다. 또한, 그는 인공지능이 LLM을 넘어 스스로 상황을 판단하고 물리적 행동을 수행하는 에이전틱 AI(agentic AI)와 피지컬 AI로 급격히 발전하고 있다고 짚으면서, 이런 흐름에 발맞춰 제조산업 역시 소프트웨어 중심의 뼈대를 갖춰야 한다고 전했다. 마치 스마트폰이나 최신 자동차처럼 하드웨어 교체 없이 소프트웨어 업데이트만으로 기계의 새로운 기능이 추가되고 성능이 끊임없이 진화하는 제조 환경이 필수라는 의미다. 또한 엄재홍 상무는 진정한 자율 제조 생태계의 완성을 위해서는 하드웨어 자체가 능동적이고 똑똑한 주체로 거듭나야 한다고 덧붙였다.   ▲ 화신 이기동 상무   화신의 이기동 상무는 ‘AI 기반 자율제조 대응 방안 및 추진 전략’ 발표에서, 자동차 부품 생산 현장의 경험을 바탕으로 자율 제조의 필요성을 짚었다. “고객의 품질 요구 수준은 계속해서 높아지는 반면 숙련공은 은퇴하고 새로운 인력 확보는 점점 어려워지면서, 기존처럼 사람이 현장을 통제하는 방식은 분명한 한계에 직면했다”는 이기동 상무는 “화신은 2030년 자율 제조 완성을 목표로 내세우며, 다가올 AI 시대에 발맞춰 2년 전 전담 연구소를 설립하고 본격적인 체질 개선에 돌입했다”고 소개했다. 이러한 변화는 현장 곳곳에서 실질적인 성과로 나타나고 있다. 과거 수차례 실패했던 용접 비전 검사는 AI와 결합해 성공적으로 안착했고, 방대한 사내 기술 문서를 찾아 분석해 주는 AI 에이전트를 도입해 업무 효율을 끌어올렸다. 나아가 가상 공간에서의 레이아웃 자동 생성은 물론, 스스로 궤적을 찾아내는 자율 용접 로봇의 도입을 준비하고 있다. 이기동 상무는 “AI 기반 자율 제조는 단순 기술 도입에 그치지 않고 기업의 생존과 미래 경쟁력을 결정짓는 핵심 전략”이라고 강조하면서, “막연한 첨단 기술의 나열이 아니라 자사의 현실과 시스템에 꼭 맞는 AI를 찾아 단계적으로 적용하는 것이 치열한 글로벌 경쟁에서 살아남을 강력한 무기”라고 전했다.   ▲ 한화에어로스페이스 송덕용 수석연구원   한화에어로스페이스의 송덕용 수석연구원은 ‘항공엔진용 핵심 부품소재의 신뢰성 확보 및 기술개발 추진 전략’에 대해 발표했다. 항공기용 가스 터빈 엔진의 코어는 1500℃가 넘는 가혹한 환경을 견뎌야 하므로, 미세한 결함도 치명적인 사고로 직결된다. 따라서 비행 중 어떠한 상황에서도 굳건히 견딜 수 있는 완벽한 신뢰성 확보가 절대적이다. 송덕용 수석연구원은 “이를 위해 수많은 공정 개발과 까다로운 엔진 승인 절차, 방대한 데이터베이스 구축이 뒷받침되어야 한다”고 설명했다. 송덕용 수석연구원은 “과거 정말 항공 관련 소재 부품은 수입에 의존하는 경우가 많았다. 타 산업 대비 항공 소재 기술력이 낮았던 것이 사실”이라면서도, “하지만 현재는 정부와 산학연이 긴밀히 협력하여 2035년까지 핵심 소재 부품 생태계를 자립하겠다는 확고한 로드맵을 그려가고 있다”고 소개했다. 또한, “첨단 항공 엔진 국산화는 단순한 부품 대체를 넘어 진정한 자주국방을 완성하는 핵심 열쇠”라면서, “머지않아 대한민국이 세계에서 일곱 번째로 항공 엔진을 독자 제작하여 글로벌 하늘을 누비는 날을 기대해 본다”고 전했다.

‘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.

주요 스마트 건설 DX 솔루션 소개   AI 기술을 접목한 CAD 솔루션, ZYXCAD AX(직스캐드 AX) 개발 및 공급 : 직스테크놀로지(ZYX Technology), 02-545-4454, https://zyx.co.kr   직스테크놀로지는 건축/건설/토목/엔지니어링 및 제조 산업 전반에 필요한 인공지능(AI) CAD(직스캐드 AX)와 AI·디지털 트윈 기술 기반 설계 자동화 솔루션 직스 스페이스(ZYX SPACE), GIS 기반 스마트 건설 관리 플랫폼 다이브(DIVE)를 제공하는 기업이다. ZYXCAD AX 는 직스테크놀로지에서 개발한 AI 기반 국산 설계 소프트웨어로 건축/건설/토목/엔지니어링 및 제조 등 다양한 산업에서 사용된다. 영구버전과 임대버전을 제공해 유연한 CAD 환경을 구성할 수 있다.  1. 주요 특징  설계 반복 작업을 자동화하는 450여 종의 AI 기반 기능과 멀티 CPU 기반 고속 처리 구조를 적용해 대용량 도면 환경에서도 안정적인 설계 성능을 제공한다. BIM용 IFC 확장자 파일 호환, STEP/STP 3D 파일이 지원되어 다양한 산업의 설계/모델링에 최적화된 솔루션이다.  2. 주요 기능 ZYXCAD AX 는 설계 과정의 반복 작업을 자동화하는 450여 종의 AI 기반 설계 편의 기능을 제공해 도면 작성 및 수정을 효율화한다. 익숙한 명령어·단축키 체계와 다양한 CAD 포맷과의 높은 호환성을 바탕으로 기존 설계 환경을 그대로 유지하면서도 빠른 전환이 가능하다. 멀티 CPU 기반 고속 처리 구조와 안정적인 대용량 도면 처리 성능을 통해 복잡한 설계 환경에서도 일관된 작업 품질을 지원한다. 3. 도입 효과 설계 자동화를 통해 도면 작성 시간과 반복 업무 부담을 줄여 설계자의 생산성과 업무 집중도를 동시에 높일 수 있다. 기존 CAD 사용자들의 학습 부담을 최소화해 도입 초기부터 빠른 현업 정착과 운영 효율을 확보할 수 있다. 영구 버전의 국산 CAD 솔루션 도입을 통해 라이선스 비용 절감과 함께 보안·유지 관리 측면에서도 안정적인 설계 환경을 구축할 수 있다. 4. 주요 고객 사이트 삼성물산, 대우건설, 우미건설, SK, LS ITC, 현대스틸 등 주요 대기업을 포함해 국가유산청, 코레일 및 서울대학교, 카이스트, 연세대학교, 고려대학교 등 대학 기관에서 사용하고 있다.  상세 내용은 <스마트 건설 DX 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기  

슈나이더 일렉트릭 코리아는 건국대학교 탄소중립 특성화대학원사업단 및 에코업혁신융합대학사업단과 각각 업무협약을 맺고 미래 산업을 이끌 전문 인재 양성에 나선다고 밝혔다. 이번 협약은 건국대학교의 연구 교육 역량과 슈나이더 일렉트릭의 글로벌 기술력 및 산업 현장 경험을 결합하기 위해 추진됐다. 실제 산업 현장에서 요구하는 실무형 인재를 기르고 산학 연계 프로그램을 활성화하는 것이 핵심이다. 탄소중립 특성화대학원사업단과의 협약은 첨단 분야인 탄소중립 핵심 실무 인재를 육성하고 유기적인 협조 체계를 구축하기 위해 마련했다. 두 기관은 탄소중립 분야 인재 양성 사업을 홍보하고 정보를 교류한다. 또한 공동 프로젝트 참여, 현장 전문가 특강과 세미나 지원, 참여 대학원생 멘토링, 인턴십 및 채용 연계 등 상호 교류와 협력이 필요한 다양한 분야에서 힘을 합칠 방침이다. 에코업혁신융합대학사업단과는 에코업 분야의 홍보와 확산을 위해 연구 및 정보를 교류한다. 진로 탐색 및 대학 연계 프로그램을 개발해 운영하고, 기업과 대학 간 연계 활동에 필요한 자원과 경험을 공유한다. 아울러 기업 연계 실무 교육, 산학 인턴십, 현장 견학 등 교육 부문에서 협력하며 기타 인재 양성 사업도 공동으로 추진할 계획이다. 학생들이 실제 산업 현장을 이해하고 진로 역량을 키울 수 있도록 돕는 체험형 프로그램도 단계적으로 운영한다. 여기에는 슈나이더 일렉트릭 코리아 사업장과 관련 산업 현장 방문 프로그램, 직무 특강 등이 포함된다. 슈나이더 일렉트릭 코리아는 이를 통해 학생들이 에너지 관리, 자동화 시스템, 환경·사회·지배구조 경영, 지속 가능한 공급망 등 미래 유망 분야에 대한 이해를 높이고 실질적인 취업 경쟁력을 갖출 수 있을 것으로 기대한다고 밝혔다. 슈나이더 일렉트릭 코리아의 권지웅 대표는 “이번 협약은 슈나이더 일렉트릭이 보유한 글로벌 기술 역량과 산업 현장 경험을 바탕으로, 탄소중립 분야 전문 인재 육성과 에코업 분야 미래 인재 발굴 및 실무 역량 강화에 함께 기여하는 뜻깊은 출발점”이라며, “건국대학교와의 협력을 통해 학생들에게는 진로 탐색, 현장 실습, 멘토링 등 실질적인 성장 기회를 제공하고, 산업계에는 지속가능한 미래를 이끌 우수 인재를 연결하는 선순환 구조를 만들어가겠다”고 전했다.  

구글코리아가 ‘AI의 지난 10년과 미래 방향성’을 주제로 ‘구글 포 코리아 2026’ 행사를 개최했다. 올해로 6회째를 맞이한 이번 행사는 한국 사회와 함께하는 구글의 혁신 방향과 파트너십 사례를 공유하는 자리로 마련됐다. 특히 2016년 ‘알파고’와 이세돌 9단의 대국 10주년을 기념해 AI 기술이 한국 산업에 가져온 변화를 돌아보고 미래 비전을 논의했다. 행사에는 구글코리아 윤구 사장과 구글 딥마인드 공동 창업자인 데미스 하사비스 CEO, 이세돌 사범 등이 참석했다. 윤구 사장은 개막사에서 10년 전 알파고 대국을 “AI의 잠재력과 인간의 창의성이 조화를 이룬 역사적 이정표”라고 정의했다. 윤 사장에 따르면 한국은 아시아 태평양 지역에서 제미나이 이용량이 가장 빠르게 성장하는 시장이며, 이용자의 82%가 AI를 성장을 돕는 파트너로 인식하고 있는 국가다.     데미스 하사비스 CEO는 이세돌 사범과 진행한 대담에서 “10년 전 서울에서 알파고는 AI의 잠재력을 입증하며 과학적 난제를 해결할 기술적 토대를 알렸다”고 회고했다. 하사비스 CEO는 오늘날 과학의 거의 모든 영역에서 AI로 인한 변화가 목격되고 있다고 진단하며, 알파고를 통해 개척한 기술이 범용 인공지능(AGI)으로 나아가는 길을 열어 인류에게 새로운 발견의 황금기를 제공할 것이라고 전망했다. 또한, 하사비스 CEO는 한국을 차세대 로보틱스와 제조 자동화 분야의 글로벌 선도 국가로 꼽으며 물리적 AI 영역에서 한국이 보여줄 도약에 기대감을 드러냈다. 그는 향후 도래할 AGI 시대가 과거 산업혁명보다 10배 더 큰 규모로, 10배 더 빠르게 전개되는 혁신적 전환점이 될 것이라고 내다봤다. 이날 구글코리아는 청년과 개발자 등을 위한 통합 AI 교육 브랜드 ‘AI 올림’과 ‘구글 AI 캠퍼스’ 설립 계획도 발표했다. 구글 AI 캠퍼스는 대한민국 학계와 연구 기관이 구글의 AI 전문가들과 협력하는 중심지 역할을 하게 된다. 구글은 서울대학교, 한국과학기술원(KAIST) 등과 협력해 생명 과학, 에너지, 기상 등 분야에서 구글의 AI 모델을 활용할 계획이다. 기술 세션에서는 구글 딥마인드의 캐롤리나 파라다 로보틱스 시니어 디렉터가 추론 능력을 갖춘 ‘제미나이 로보틱스 1.6(Gemini Robotics 1.6)’을 소개했다. 파라다 디렉터는 보스턴 다이나믹스의 4족보행 로봇 ‘스팟’이 제미나이 지능을 탑재해 인간의 복잡한 명령을 이해하는 단계에 진입했다고 설명했다. 이어 최현정 시니어 엔지니어링 디렉터는 학습자가 스스로 답을 찾아가도록 돕는 교육 특화 AI 모델 ‘런LM(LearnLM)’을 소개하며 AI를 통한 교육 혁신 사례를 공유했다.

마이크로소프트는 서울대학교와 협력해 교육자와 비영리 단체 종사자를 위한 한국어 AI 리터러시 학습 및 자격 인증 프로그램을 무료로 제공한다고 밝혔다. 이번 프로그램은 교육 기관과 시민사회, 정부가 연대해 AI 역량 강화와 공신력 있는 자격 인증 기회를 넓히겠다는 ‘마이크로소프트 엘리베이트’ 글로벌 프로젝트의 일환으로 추진됐다. 국내 교육 현장과 사회 문제 해결을 이끄는 주체들이 책임 있게 AI를 활용하도록 돕는 것이 목적이다. 마이크로소프트 엘리베이트는 모든 사람이 AI를 활용하고 혜택을 누릴 수 있도록 기술과 AI 역량 개발을 지원하기 위해 2025년 7월 출범했다. 교육과 비영리, 정부 기관과의 파트너십을 통해 커리큘럼과 자격증, 커뮤니티 형태로 AI 역량 확산을 지원하고 있다.  이번 교육은 마이크로소프트가 제공한 글로벌 AI 학습 콘텐츠를 바탕으로 서울대학교 미래교육혁신센터가 한국어 현지화 과정을 재설계했다. 양측은 사회혁신 조직 종사자와 교육계 종사자를 대상으로 프로그램을 순차적으로 확대 운영하며, 과정을 마친 사람에게는 수료증을 제공해 국내 AI 리터러시 확산을 지원할 계획이다. 첫 단계로 5월 1주차부터 비영리 기구와 소셜 벤처 등 사회혁신 조직 종사자를 위한 프로그램이 시작된다. 이 과정은 마이크로소프트와 글로벌 비영리 컨소시엄 넷호프가 협력해 개발한 전문 학습 인증 프로그램이다. 국내 조직 운영 환경을 반영해 실무 적용성을 높였으며, 조직 운영 효율화와 데이터 기반 의사결정, 커뮤니티 서비스 개선 등 시민사회에 특화된 AI 실무 역량 강화를 돕는다. 올해 하반기부터는 유치원부터 고등학교까지 국내 50만 명에 이르는 교원과 교육계 종사자로 대상을 확대한다. 교육자 대상 프로그램은 마이크로소프트와 국제교육기술협회(ISTE)가 개발한 콘텐츠에 국내 교육 정책과 현장 사례를 반영해 한국 교육 환경에 맞게 구성했다. 또한 전국 교원 직무연수 과정과 연계해 교육 현장 전반으로 확산할 수 있는 기반을 마련한다. 이번 프로그램은 서울대학교 교육행정연수원을 통해 온라인으로 누구나 수강할 수 있다. 수료자에게는 서울대학교와 마이크로소프트 공동 명의의 수료 인증서를 발급한다. 마이크로소프트는 수료자들이 AI 역량을 지속적으로 확장할 수 있도록 수료자 대상 행사를 개최하고 프로그램 학습 성과를 글로벌 전문가 양성 과정과 연계하는 등 다양한 성장 경로를 제공할 예정이다. 마이크로소프트는 교육자용 프로그램과 사회혁신가를 위한 프로그램을 국내에도 지속적으로 확장할 방침이라고 전했다.     성종은 마이크로소프트 엘리베이트 한국 총괄 디렉터는 “AI가 교육과 일의 방식을 빠르게 혁신하고 있지만 이를 활용할 역량과 기회는 아직 균등하게 확산되지 않고 있다”면서, “AI 리터러시 프로그램을 통해 국내 교육 현장과 지역사회의 책임 있는 AI 도입을 돕고 더 많은 사회 구성원이 AI의 기회를 활용할 수 있는 기반을 마련할 것”이라고 말했다. 서울대학교 임철일 교육학과 교수 겸 미래교육혁신센터장은 “AI 시대에 발맞춰 미래 사회에 필수적인 AI 역량을 우리 사회 곳곳에 확산하는 것은 대학의 중요한 사회적 책무”라면서, “마이크로소프트와의 이번 협력을 통해 교육 부문과 시민사회의 다양한 접점에서 혁신 주체들이 AI 기술을 활용해 실질적인 변화를 이뤄낼 수 있도록 양질의 교육 인프라를 적극 지원하겠다”고 밝혔다.  

엔비디아가 4월 21일~22일 서울 디캠프 마포에서 ‘엔비디아 네모트론 디벨로퍼 데이즈 서울 2026’을 개최했다. 이번 행사는 엔비디아의 최신 오픈 모델인 네모트론(Nemotron)을 중심으로 한국 AI 산업 성장을 지원하고 글로벌 소버린 AI 생태계를 구축하기 위해 마련했다. 현장에는 국내 AI 개발자와 연구자 등 약 500명이 참석해 기술 트렌드와 인사이트를 공유했다. 행사 첫날 기조연설을 맡은 엔비디아의 브라이언 카탄자로 응용 딥러닝 연구 부문 부사장은 AI가 단순한 대화형 시스템을 넘어 스스로 사고하고 행동하는 자율형 에이전트로 진화하고 있다고 설명했다. 카탄자로 부사장은 이러한 변화 속에서 개인이 AI 에이전트를 활용해 복잡한 문제를 해결하는 시대가 오고 있다고 강조했다. 또한 한국을 높은 AI 성장 잠재력을 가진 국가로 평가하며 엔비디아 최신 오픈 모델인 네모트론 3를 중심으로 생태계 협력을 이어가겠다는 의지를 밝혔다. 엔비디아는 한국 개발자를 위한 ‘네모트론-페르소나-코리아’를 공개했다. 이는 국가통계포털과 대법원, 국민건강보험공단, 한국농촌경제연구원, 네이버 클라우드 등 다양한 출처의 공식 데이터를 기반으로 만든 600만 건 규모의 합성 데이터셋이다. 엔비디아는 이 데이터셋이 한국의 인구통계학적 특성과 문화적 다양성을 반영하고 있어 개발자들이 지역적 맥락을 이해하는 AI 시스템을 구축하는 데 도움을 줄 것으로 보고 있다. 이어진 기술 세션에서는 AI 훈련 데이터 합성 전략과 네모트론 파운데이션 모델 사전 훈련 기법 등 실무적인 논의를 진행했다. 과학기술정보통신부와 정보통신산업진흥원 지원으로 마련한 패널 세션에서는 한국형 AI 생태계가 나아갈 방향에 대해 의견을 나눴다. 1층 라운지에서는 지티씨(GTC) 2026에서 화제를 모은 AI 에이전트 체험 프로그램 ‘빌드 어 클로’ 팝업 세션을 세계 최초로 한국에서 선보였다. 참가자들은 오픈소스 프로젝트인 오픈클로를 활용해 AI 에이전트를 직접 구축해보는 실습 기회를 가졌다.     행사 둘째 날 카탄자로 부사장은 서울대학교를 방문해 400여 명의 공학도와 엔지니어를 대상으로 특별 강연을 했다. 그는 에너지와 칩, 인프라, 모델, 애플리케이션으로 이어지는 AI 산업 전 계층을 설명하는 ‘AI 5단 케이크’ 개념을 소개했다. 카탄자로 부사장은 오픈 모델과 고성능 인프라의 결합이 AI 연구 속도를 가속화하고 있다고 강조하며 연구자들이 기술 자산을 전략적으로 활용할 수 있는 환경이 중요하다고 언급했다. 이번 행사에서는 ‘네모트론 해커톤’도 함께 열렸다. 참가자들은 지능형 에이전트 구축과 산업 특화 모델 강화학습 등 고도화된 기술 과제를 수행했다. 최종 쇼케이스 결과 독창적인 설루션을 제시한 노타 AI 팀이 우승을 차지했다. 심사위원단은 우승팀의 결과물이 실무 현장에서 즉시 배포할 수 있을 만큼 높은 완성도를 갖췄다고 평가했다. 엔비디아는 이번 행사를 통해 한국이 칩부터 애플리케이션까지 AI 전 분야를 자국 내에서 구현할 수 있는 역량을 갖췄음을 확인했다고 밝혔다. 엔비디아는 앞으로도 국내 파트너와 개발자들이 산업별로 최적화된 독자적인 AI 생태계를 만들 수 있도록 기술 지원과 협력을 지속한다는 계획이다.

디지털 철도건설 설계기준과 인공지능 기반 스마트 철도인프라   - 일시 : 2025. 12. 17(수) 오후 2시  - 장소 : 국회의원회관 제3세미나실 - 주최 : 국회의원 손명수 (더불어민주당, 국토교통위원회)          국회의원 엄태영 (국민의힘, 국토교통위원회) - 주관 : 국가철도공단, 한국철도기술연구원, (사)한국철도건설협회 - 후원 : 국토교통부, 한국철도산업협회, (사)한국철도학회, (사)한국철도기술사회, (사)한국철도시설협회 □ 세부 발표 1. 국가철도공단 BIM 추진성과와 미래과제(AI와 BIM, 철도를 잇다)       [조성희 국가철도공단 건설본부 PM관리단 철도BIM부 부장] 2. 철도인프라 건설, 유지관리를 위한 인공지능 적용 방향      [김현기 한국철도기술연구원 철도교통AX본부장] 3. BIM 데이터 기반 철도 설계 자동화기술과 미래의 모습      [김윤옥 상지대학교 특임교수] 4. 철도건설 기준의 디지털화 필요성과 선행과제      [정혁상 동양대학교 철도건설안전공학과 교수]    자료 바로가기  

가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (6)   복잡한 시스템 설계를 최적화하기 위해 시스템 모델링 언어인 SysML의 역할이 커지고 있다. 이번 호에서는 블록 정의 및 내부 블록 다이어그램을 통한 설계 애셋의 재사용성과 파라메트릭 모델을 활용한 검증 방법을 살펴본다. 또한 객체지향 시스템 엔지니어링 방법론인 OOSEM의 주요 개발 활동과 모델 요소 간의 연결 구조를 분석한다. 이를 통해 복잡한 요구사항을 체계적으로 관리하고 설계 일관성을 확보하는 통합적인 시스템 엔지니어링 접근법을 제시한다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   블록 정의 및 사용   그림 1. BDD와 IBD에 의한 자동차의 ABS 시스템 예시(제동 시스템)   <그림 1>은 블록 정의 다이어그램(Block Definition Diagram : BDD)과 내부 블록 다이어그램(Internal Block Diagram : IBD)의 관계를 SysML 모델링에서의 블록 정의와 사용(Definition and Usage) 개념을 설명하는 것이다. 특히 시스템 모델에서 정의(definition)와 사용(usage)의 구분이 어떻게 나타나는지를 자동차의 ABS 시스템(제동 시스템) 예시를 통해 직관적으로 설명하고 있다. BDD는 시스템 구성 요소를 정의(definition 또는 type)하는 다이어그램이다. 여기서 블록은 하나의 설계 단위 또는 유형으로 간주되며, 그 자체로는 구현이 아닌 속성, 인터페이스, 동작 등을 기술한다. 예를 들어 Anti-Lock Controller는 하나의 중심 블록으로 정의되어 있고, Traction Detector(d1), Brake Modulator(m1), Sensor(s1)와 같은 하위 블록과 구조적 관계를 가진다. 이들 블록은 각각 독립적으로 정의된 타입이며, 다른 시스템에서도 재사용이 가능하다. Definition에서 Block은 하나의 유형(type)이며 속성, 동작, 포트 등을 정의하여 여러 콘텍스트에서 재사용된다. 연결 방식은 관계 선(연결 구조) 위주로 나타낸다. IBD는 정의된 블록을 특정 콘텍스트에서 사용하는 방식을 나타낸 다이어그램으로 정의된 블록의 실제 사용/구현 구조 표현이다. 여기서는 AntiLock Controller 블록의 내부를 구성하는 part(사용 인스턴스)들이 나타난다. Part(인스턴스 또는 역할)로 모델 내부 특정 위치에 배치된다. 연결방식은 포트와 커넥터로 물리적/논리적 인터페이스로 구성한다. 예를 들어 s1:Sensor, d1:Traction Detector, 102 · m1:Brake Modulator는 모두 정의된 블록을 특정 역할(역할/파트)로 사용하는 형태이다. 각 파트는 인터페이스 포트(c1, c2)를 통해 상호 연결되며, 모델 내 실제 연결 구조를 명시한다. Usage에서 Part는 정의된 블록의 사용 인스턴스이며 특정 콘텍스트에서 기능 역할로 배치되며 블록에 의해 타입(Type)이 지정되며 역할(role) 또는 구성요소(instance)로도 불린다. 또한 <그림 1>은 모델 기반 시스템 설계에서 중요한 개념인 정의와 사용의 분리(separation of definition and usage)를 설명하고 있다. 정의된 블록은 단일 설계 요소로서 명세되고, 이를 다양한 콘텍스트에서 조합하여 모듈화, 재사용성, 유연한 시스템 확장이 가능해진다. SysML에서 BDD와 IBD는 각각 설계와 구성, 추상화와 구현을 잇는 핵심적인 다이어그램으로 활용된다.   매개변수 - 구속조건 정의 및 사용   그림 2. 매개변수 간의 수학적 관계와 제약 조건의 정의 및 실제 시스템 모델에 적용 방법   <그림 2>는 SysML 파라메트릭 다이어그램(Parametric Diagram)을 활용하여 매개변수(변수) 간의 수학적 관계와 제약 조건(구속조건)을 정의하고, 이를 실제 시스템 모델에 적용(usage)하는 방법을 보여준다. 실제로 매개변수와 구속조건 정의 및 사용으로 시스템의 무게 조건을 예로 들어 설명하고 있다. 구속조건 정의(Constraint Definition)의 BDD 부분은 모델링된 제약 조건을 정의한 것이다. 이 영역에서는 다음 두 개의 제약 블록(constraint block)이 정의되어 있다. Total Weight는 수식 wt = Σw로 정의되어 각 구성 요소의 무게를 모두 더하여 총 무게를 계산하는 수식이다. 입력 매개변수는 wi(각 구성 요소의 무게들)과 결과로 wt(총 무게)를 나타낸다. Max Weight는 수식 result = (wt<2000 Ton)이며 총 무게가 2000톤 미만인지 여부를 판단한다. 결과는 불린(boolean) 타입으로 반환(true 또는 false)된다. 이 두 제약 블록은 상위 분석 블록인 Ship Weight Analysis에 속하며, 전체 시스템에서 무게 제한 분석을 수행하기 위한 논리적 조건으로 사용된다. 파라메트릭 다이어그램(Parametric Diagram)은 앞에서 정의한 제약 조건들을 Ship Weight Analysis 블록에 실제 적용한 예시이다. 이 다이어그램에서는 다음과 같은 구성으로 모델이 연결되어 있다. wt는 Total Weight 제약 블록이며 입력 값으로 w1, w2, w3가 연결되며 각각 ship.weight, cargo.weight, ammo.weight와 연결되어 전체 무게를 계산한다. Mw는 Max Weight 제약 블록이며 앞에서 계산된 총 무게 wt를 입력으로 받아 그것이 2000톤 미만인지 여부를 결과로 피드백한다. 이 다이어그램에서 사용된 두 제약 블록은 «usage» 관계로 상단의 BDD에서 정의된 constraint block을 참조하고 있으며, 결과적으로 시스템 설계 모델에 제약을 수학적으로 통합하는 구조이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.