개발 및 공급 : 글로텍 www.glotechsoft.com 주요 특징 : BIM 기반 수량–공사비 자동 산출, CBS 단가 DB 연동 공사비 자동 산출, OBS/WBS 연동으로 공정·기성관리까지 지원, 기존 2D 산출 방식과의 통합 지원 등 사용 환경(OS) : 윈도우 10 이상 시스템 권장 사양 : 인텔 코어 i5 이상 CPU, 16GB 이상 RAM, 엔비디아 GTX 1060 이상 GPU(나비스웍스 연동 시), 10GB 이상 여유 저장공간 소프트웨어 요구사항 : .NET Framework 4.7 이상, 레빗 또는 나비스웍스(2022~2024) 설치 권장   그림 1. BIM 기반 견적 산출 설루션 NaviQ v2.0   NaviQ(나비큐) v2.0은 글로텍이 개발한 BIM 기반 견적 산출 설루션으로, 설계자가 작성한 BIM(건설 정보 모델링) 모델로부터 수량을 자동 산출하고, CBS 단가 데이터베이스(DB)와 연계하여 공사비 내역서를 자동 작성할 수 있는 실무형 통합 설루션이다. 이 제품은 철도, 도로, LH, 건축, 항만 등 다양한 인프라 분야에서 설계-시공-기성관리 전 단계를 아우르는 비용 자동화 기능을 지원하며, 특히 기존 EBS 사용자에게 친숙한 인터페이스를 제공하여 도입 장벽을 낮춘 것이 특징이다.   NaviQ 2.0의 주요 특징 BIM 모델 기반 수량 산출(체적, 면적, 길이, 갯수 자동 인식) CBS 일위대가 DB 연동 공사비 자동 산출 OBS(단위 기준), WBS(공정 기준)와의 매핑을 통한 공정 연계 기존 2D 산출 수량과의 혼합 사용 가능 가근거, 수량근거 자동 기록 및 내역서 엑셀 출력 무료 뷰어 및 7일 체험판(trial) 제공으로 도입 부담 최소화   제품 구성   그림 2. NaviQ v2.0 제품군   NaviQ v2.0은 다음과 같은 구성으로 이루어져 있다. NaviQ Viewer : BIM 수량 확인 전용 툴(무상 배포) NaviQ Trial : 7일간 전체 기능 사용 가능 NaviQ Standard : 1년 기간제 라이선스(1 유저), 정식 제품(단가DB 연동, 자동산식 적용, 내역서 출력 등 전체 기능 포함) NaviQ Site : 1년 기간제 라이선스(1 사이트), Standard 제품을 한 개 회사가 인원 제한 없이 사용할 경우   NaviQ 2.0의 주요 기능 NaviQ v2.0은 설계자가 작성한 BIM 모델을 기반으로 수량 – 공사비 – 공정 – 기성관리까지 전 주기 데이터를 자동으로 연계할 수 있는 BIM 5D 실무 특화 설루션이다. 특히 국내 표준품셈 기반의 CBS 일위대가 DB를 직접 연동하고, BIM 물량을 공정 단위(WBS)로 분개하여 기성관리까지 연결할 수 있는 구조를 갖추고 있다. 뿐만 아니라 기존 2D 방식의 수동 산출 물량도 함께 병합할 수 있어 디지털 전환에 대한 진입 장벽을 낮추었으며, CBS-WBS 매트릭스 구조 기반의 정량화된 내역서 산출도 가능하다. 또한, 상용 공정관리 소프트웨어와의 연동을 통해 기성율, 공정 진척도, 물량 실적까지 통합 관리할 수 있다.   그림 3. NaviQ v2.0의 사용자별 활용 시나리오   CBS 일위대가 DB 데이터 활용 가능 : 국내 표준품셈 기반 CBS 단가 DB와 자동 연동되어 BIM 수량에 따른 재료비, 노무비, 경비가 자동 산출되며, 내역서 구조에 맞게 자동 적용된다. BIM 산출물량 WBS 단위 물량분개 : BIM 모델로부터 추출한 자동 수량은 WBS 공정 단위별로 분개되며, 각 공정에 해당하는 수량·공사비·일정 정보를 정량화할 수 있다. 수동물량 산입 및 WBS 단위 물량분개 : BIM 미적용 구간의 수동 물량(2D CAD 기반 또는 직접 입력)은 자동 수량과 병합 가능하며, 동일하게 WBS 단위로 분배되어 기성관리까지 연계된다. 매트릭스 기반 CBS-WBS 조합 5D 내역서 산출 : CBS(공사비 단가 기준)와 WBS(공정 기준)를 매트릭스(matrix) 형태로 매핑하여 각 공정별 비용 집계와 실행 계획 비교가 가능하며, 실시간 내역서 산출이 이루어진다. 상용 공정관리 SW 연동을 통한 공정–기성 관리 : MS 프로젝트(MS Project), 프리마베라(Primavera) 등 상용 공정관리 소프트웨어와 연동되어 기성 진척도·공정률·수량 실적을 통합 추적할 수 있으며, 실적 기반 예산 통제가 가능하다.   그림 4. NaviQ v2.0의 BIM 견적산출 실행 화면   고객 지원 전략 NaviQ v2.0의 개발·공급·확산은 3개사의 전략적 협업을 기반으로 시작되었다. 제품의 개발 및 기술지원은 글로텍이 주관하고, 공식 판매는 라인테크가 담당하며, 사용자 교육과 도입 지원은 한국디지털교육원이 맡는 구조로 3개사가 MOU를 체결하고 제품 생태계를 공동 구축하고 있다. 이러한 역할 분담 체계는 단순한 유통을 넘어, 고객의 도입–학습–실무 적용까지 전 주기를 통합 지원할 수 있는 파트너십 기반 운영 모델로 자리 잡고 있으며, 향후에는 NaviQ 제품을 도입한 설계사, 시공사, 발주기관 고객을 비즈니스 파트너로 확대 공유하는 전략도 함께 추진 중이다. 특히 BIM 기반 공공사업 확대와 디지털 건설 수요가 증가하는 가운데, 파트너 기업 간 공동 브랜딩, 공동 제안, 공동 마케팅 체계를 통해 기술 + 서비스 + 확산 전략이 결합된 실질적 BIM 5D 산업 플랫폼 구축을 목표로 하고 있다.   향후 계획 글로텍은 2025년 하반기를 NaviQ 신제품의 본격적인 시장 랜딩 시점으로 설정하고, 이를 위해 다각도의 홍보 전략을 추진할 계획이다. 포털 키워드 광고, 전문지 신문기사, SNS·블로그 채널을 활용한 온라인 홍보는 물론, 설계사·시공사·발주처 등 핵심 타깃을 대상으로 한 제품 설명회 및 세미나도 개최하여 인지도 확대와 실질적 도입 확산을 동시에 노린다. 이와 함께, 2026년부터는 사용자 현장의 피드백을 반영한 고도화 업데이트를 지속적으로 추진할 예정이다. BIM 5D 기반의 기능을 넘어 디지털 트윈 연계, AI 기반 수량 예측·기성 분석, 실적 리포트 자동화 등 차세대 건설 자동화를 실현하기 위한 기술 개발이 본격화될 전망이다. 이를 위해 글로텍은 전담 기술지원 조직을 통해 사용자 교육, 온라인 매뉴얼 제공, 커뮤니티 운영, 정기 기술 세미나 개최 등 제품 사용 전·중·후 단계 전반에 걸친 지원 체계를 갖추고 있으며, 공공기관의 BIM 의무화 정책 흐름에 발맞춰 관련 인증 획득과 제도 연계 확대도 병행하여 추진할 방침이다.   ■ 같이 보기 : [피플&컴퍼니] 글로텍 이재홍 센터장, 한국철도기술연구원 박영곤 수석연구원     ■ 기사 내용은 PDF로도 제공됩니다.

현장에서 얻은 것 No. 23   “거인의 어깨 위에 올라서서 더 넓은 세상을 바라보라.” – 아이작 뉴턴 AI라는 거대한 변화의 파도는 우리 삶 곳곳을 흔들고 있었다. 이는 단순히 새로운 기술의 등장이 아니라, 사고방식과 일하는 방식, 나아가 사회 전체의 구조를 바꾸는 흐름이었다. 필자는 지난 8개월 동안 이 변화의 흐름 속에서 매일 배우고 실험하며 자신만의 여정을 이어갔다. 이 시간 동안 AI를 단순한 도구로만 보지 않게 되었는데, 그것은 업무, 창작, 학습, 그리고 삶 전반을 통해 스스로를 끊임없이 자극하는 동반자였다. AI를 맹목적으로 신뢰하기보다는 신중하게 거리를 두고, 동시에 적극적으로 받아들이는 태도를 통해 자신만의 ‘필살기’를 다듬어왔다. 필자의 학습법은 눈으로 익힌 것이 70%, 손으로 부딪히며 체득한 것이 30%로 다소 독특했다. 이러한 비율을 받아들인 이유는 필자의 경험이 개발자의 삶이 아니었기 때문이었다. ‘바이브 코딩(vibe coding)’을 통해 비개발자도 개발을 할 수 있다고 광고했지만, 실제로는 한계가 있음을 이해했다. 커서 AI(Cursor AI)로 회사 홈페이지를 만들고, 리플릿(Replit) 프로그램으로 MBTI 판별 프로그램을 바이브 코딩으로 시도하며, 만들고 수정하는 것도 가능했다. 하지만 PLM을 기업에 구축하는 PM으로서 경험한 바로는, 비개발자가 프로그램을 만드는 데에는 한계가 있었다. 취미로 만드는 것은 환영하지만 프로그램이 론칭된 이후 발생하는 많은 이슈를 경험하며, 개발자와의 협업이 더 효율적이라는 자신만의 학습 공식을 터득했다. 강의와 책, 스터디에서 얻은 지식이 토대가 되었고, 실습과 시행착오가 그 지식을 현실과 연결해 주었다. 이부일 대표의 강의를 들으며 챗GPT를 활용한 파이썬 코드를 직접 따라가던 순간, AI가 단순한 언어 모델이 아니라 강력한 실무 도구라는 사실을 처음 체감했다. 첫날은 잘 따라갔지만 둘째 날 노트북 배터리가 나가 낭패를 본 기억도 생생했는데, 이러한 경험조차도 학습 과정의 일부가 되었다. AI 학습은 지식을 머리에 담는 것뿐만 아니라 삶과 환경 속에서 몸으로 받아들이는 과정임을 깨달았다. 실패와 해프닝도 자산이 되어 필자의 학습 지도 위에 하나씩 좌표가 찍혀갔다. 중요한 것은 속도가 아니라, 끊임 없이 배우고 기록하고 다시 활용하는 과정이 훨씬 값지다는 것이었다.  “미래는 예측하는 것이 아니라 상상하는 것이다.” – 앨런 케이   ▲ 코드를 이해하는 기획자, 비개발자의 바이브 코딩 입문(Map by 류용효) (클릭하시면 큰 이미지로 볼수 있습니다.)   비개발자가 코드를 배우려 했던 이유 필자가 비개발자로서 코드를 배우기 시작한 동기는 개인적인 필요에서 비롯되었다. PLM 구축 PM으로서 개발자와 같은 언어로 소통하고 싶었고, 프로세스 컨설팅을 수행하며 시스템/프로세스 흐름을 실제 코드 레벨에서 검증하고 싶었다. 또한 콘셉트맵과 AI를 접목하여 아이디어를 프로토타입 코드로 구현하고, 데이터 및 AI 기반으로 확장하고자 했다. 바이브 코딩을 통해 손쉽게 프로토타입을 직접 만들어 아이디어를 빠르게 실험하고 싶었던 것도 큰 동기였다. 일반적인 경우에도 비개발자가 코드를 배우는 다양한 이유가 있었다. 반복적이고 단순한 작업을 효율화하여 업무를 자동화하고, 데이터 구조를 직접 다루어 인사이트를 도출하며 데이터 이해력을 강화하는 것이었다. 개발자와의 협업 과정에서 기술적 언어를 이해하여 소통을 원활하게 하고, 아이디어를 직접 테스트하고 시각화하여 창의적 문제 해결 능력을 키우는 데에도 코딩이 필요했다. 또한 디지털 리터러시와 융합 역량을 확보하여 커리어를 확장하고, AI 툴 활용의 전제 조건인 코드 이해를 통해 AI 시대에 적응하고자 했다. 결론적으로, 비개발자가 코드를 배우는 이유는 개발자가 되기 위해서가 아니라 아이디어를 직접 다루고, 빠르게 실험하며, 더 나은 협업자이자 창의적 문제 해결자가 되기 위함이었다. 개발자와 비개발자의 시선 차이는 명확했는데, 개발자는 ‘코드와 로직을 어떻게 짤까’에 집중하고 성능, 안정성, 기술적 가능성에 관심을 두는 반면, 비개발자는 ‘왜 이게 필요한 걸까’에 집중하며 사용성, 효율, 비즈니스 가치를 중요하게 생각했다. 예를 들어, 같은 CSV 데이터를 보더라도 개발자는 데이터의 구조와 처리 방법을, 비개발자는 그 데이터가 무엇을 말해주고 경영 의사결정에 어떻게 쓰일지에 대한 의미와 활용 방법을 보았다. “가장 현명한 사람은 계속해서 배우는 사람이다.” – 소크라테스   나만의 바이브 코딩 조합 : 작은 성공에서 배운 것들 AI와 바이브 코딩 시대에 기획자의 새로운 역할이 중요하게 부각되었다. 바이브 코딩은 2025년 2월 안드레이 카르파티가 처음 언급한 개념으로, 코드 작성보다는 ‘원하는 결과물의 느낌(바이브)’을 AI에게 자연어로 설명하여 프로그래밍하는 방식이었다. 이는 코드 작성 능력이 창의력과 기획 능력으로 전환되는 트렌드를 반영했다. 비개발자를 위한 AI 개발 방법론은 문제 정의, PRD(제품 요구 문서) 작성, AI 프롬프팅, 그리고 결과 검증의 단계로 이루어졌다. 기획자는 문제 정의와 사용자 경험에 집중하고, AI와 대화하며 요구사항을 구체화하고 결과물을 정제하며, 빠른 프로토타입으로 아이디어를 시각화하고 개선점을 파악하는 데 주력했다. 필자는 8개월간의 여정 속에서 자신만의 AI 활용법, 즉 ‘필살기’를 만들어갔다. 이는 단순히 나열된 여러 갈래의 길이 아니라, 하나의 지도 위에 유기적으로 연결되어 있었다. AI는 단순히 도구가 아니라 이 지도를 함께 그려가는 협력자가 되었다. 필자의 AI 필살기는 다음과 같았다. 커서 AI : 비개발자의 ‘첫 코치’ 역할을 했다. 코딩의 벽을 낮춰주는 동반자로, 복잡한 문법, 오류, 환경 설정의 두려움을 덜어주었다. 커서 AI는 단순한 코드 자동 생성이 아니라 필자의 의도를 코드로 번역하여 작은 실험과 반복을 가능하게 했고, 바이브 코딩 학습을 지원했다. GPT-4 기반의 AI 코드 에디터로 비주얼 스튜디오 코드(VS Code)와 호환되며, 자연어로 코딩하고, 즉각적인 에러 수정, 단계별 설명, 코드 리팩토링 기능을 제공했다. 구글 CLI(Google CLI) : 데이터와 시스템을 다루는 새로운 무기였다. 클릭 대신 명령어로 반복 작업을 자동화하여 속도와 효율성을 극대화했다. 가상머신(VM), 스토리지(Storage), 데이터베이스(DB) 등 클라우드 리소스를 제어하고, 데이터를 핸들링하며, API를 직접 호출하여 서비스 통합을 용이하게 했다. 이는 GUI의 한계를 넘어서는 전문가의 무기가 되었다. 파이썬(Python) : 실전에서 가장 유용한 최소 단위였다. 쉽고 직관적인 문법, 방대한 라이브러리, 빠른 프로토타이핑이 강점이었다. 데이터 읽기/쓰기 한 줄, 간단한 자동화 스크립트 등 작은 코드로도 큰 효과를 낼 수 있었고, CSV 분석 및 시각화, 업무 자동화, AI·ML 모델 실험 등에 활용되었다. 커서 AI와 제미나이(Gemini)가 내장되어 더 쉽게 사용할 수 있었다. 이러한 도구들을 조합하여 데이터 분석 자동화 시나리오와 업무 자동화 봇 구축 시나리오를 구현할 수 있었다. 예를 들어, 커서 AI로 데이터 수집 스크립트를 작성하고, 파이썬으로 데이터 정제 및 시각화를 하며, 구글 CLI로 정기적 실행을 스케줄링했다. 무엇보다 데이터 이해는 코드보다 중요한 사고 프레임이었다. 코딩은 기술 습득이 아니라 사고방식의 확장임을 깨달았다. 데이터 구조를 이해하면 문제 정의력이 달라지고, 기획자로서 문제를 바라보는 시각이 새로워졌다. CSV 한 줄이 어떤 의미를 담고 있는지, 칼럼이 단순한 값이 아니라 업무의 맥락임을 이해하게 되면서, 데이터를 읽는 순간 업무 프로세스가 보이기 시작했다. 이러한 변화된 시각은 단순 결과물이 아닌 흐름과 원인을 질문하게 했고, 개발자와 같은 언어로 협업 및 설계를 가능하게 하며, 데이터 기반의 빠른 실험과 검증으로 이어졌다. 필자는 매일 새로운 프로그램에 도전하는 ‘하루 한 프로그램 도전기’를 통해 작은 성공을 쌓아갔다. 완벽함보다는 경험과 시행착오를 통한 학습을 강조했고, 개발의 본질이 사고의 연습임을 깨달았다. 즉, 코드는 도구일 뿐 핵심은 문제를 정확히 이해하고 구조화하는 능력이며, 실패는 학습이고 작은 성공이 쌓여 성장 곡선을 만든다는 것이었다. 끊임없이 배우고 기록하고 다시 활용하는 과정이 훨씬 값지다는 것을 체감했다. 그러나 바이브 코딩에는 현실적인 문제점도 있었다. 새로운 기능을 추가할 때 기존 기능이 손상되는 회귀 테스트 부재 문제, AI가 전체 맥락을 충분히 기억하지 못해 발생하는 기능 안정성 문제가 있었다. 무한루프나 잘못된 로직 생성, 에러 메시지 오해 등으로 인한 오류 및 디버깅 한계, 그리고 수정 과정에서 토큰/리소스를 과다하게 소비하는 문제도 발생했다. 세션이 바뀌거나 컨텍스트가 길어지면 AI가 이전 코드의 세부 흐름을 잊어버리는 지속성 부족 문제와, AI에 의해 산발적으로 작성된 코드가 구조화가 부족하여 협업 및 유지보수가 어렵다는 한계도 있었다. 이러한 문제를 경험하며 코드를 이해하거나 개발자와 협업하는 것이 필수라는 결론에 도달했다. “성공의 비결은 기회를 잡기 위해 준비하는 것이다.” – 벤저민 디즈레일리   미래를 향한 다리 : 기획자의 새로운 역할 AI 시대에 기획자의 역할은 크게 확장될 수 있었다. 비개발자의 강점은 데이터 맥락 해석력, 비즈니스 중심 사고, 그리고 맥락적 설명 능력에 있었고, 이는 CSV 데이터 컬럼의 의미와 관계를 명확하게 설명하고, 로직보다 비즈니스 가치와 목적에 집중하며, 기술적 디테일보다 전체적인 흐름과 맥락을 설명하는 커뮤니케이션 역량을 제공했다. 프로세스 컨설턴트에서 프로그램 기획자로의 역량 확장이 필요했다. 컨설팅 경험을 시스템 아키텍처 설계에 적용하고, 업무 분석 능력을 시스템 요구사항으로 전환하며, 사용자 관점과 시스템 관점의 통합을 통해 더 나은 UX(사용자 경험)를 설계하는 것이었다. 현업 부서와 IT 부서 간의 가교 역할을 수행하고, 업무 프로세스 최적화를 통해 비효율 지점을 발견하고, 시스템 병목 현상을 데이터 흐름 관점에서 해결하는 역량이 중요했다. 컨설팅 산출물을 소프트웨어 명세서로 변환하고 워크플로 시뮬레이션으로 최적화를 검증하는 방법이 요구되었다. 기획자는 기술 이해도를 바탕으로 개발팀과의 협상력을 강화하고, 데이터 기반의 의사결정 모델을 구축하며, 비즈니스와 기술을 잇는 통합적 관점을 제시하고, 프로토타입으로 아이디어를 구체화하는 능력을 확보해야 했다. 이를 위한 역량 개발로는 시스템 사고, 기술 리터러시(API, DB 구조, 클라우드 서비스 기본 개념), 애자일 방법론, 그리고 지라(Jira), 피그마(Figma), 미로(Miro)와 같은 협업 도구 활용 능력이 있었다. 기획자와 개발자의 경계를 허물고 함께 문제를 정의하고 해결하는 통합적 협업 체계를 구축하는 것이 중요했다. “나는 똑똑한 것이 아니다. 단지 문제와 더 오래 씨름할 뿐이다.” – 알베르트 아인슈타인 AI의 본질은 ‘주체’가 아니라 ‘도움’이었다. AI는 망설임 없이 실행하지만, 그것이 옳은 방향인지 판단하는 것은 인간의 몫이었다. 필자는 회의록 요약 같은 업무를 AI에 맡겼다가 보안 문제와 인간 역량 퇴화의 위험성을 깨달았다. 편리함이 언제나 효율을 의미하는 것은 아니며, 잘못된 의존은 인간의 중요한 능력을 잃게 만들 수 있었다. 그래서 필자는 AI의 답변을 최소 세 번 이상 검증했는데, 빠른 실행보다 올바른 방향 설정이 중요했기 때문이었다. AI가 주는 답은 끝이 아니라 출발점이었다. 필자가 AI와 함께한 여정은 자신을 끊임없이 질문하게 했다. AI는 인간을 대체하는 기계가 아니라, 인간이 더 깊은 사고와 창조의 세계로 들어가도록 돕는 동반자였다. 필자가 찾은 필살기는 바로 이것이었다. AI 덕분에 자신의 본질(core)에 더 많은 시간을 쏟을 수 있게 된 것이었다. 단순 반복 업무를 대신해 주는 AI 덕분에, 필자는 사고하고 기획하고 판단하는 인간 고유의 역량에 집중할 수 있었다. AI는 더 이상 선택이 아닌 필수 도구이자 협력자였다. 중요한 것은 이 강력한 도구를 어떻게 나의 본질과 연결하여, 나만의 고유한 가치를 창출하고 미래를 만들어갈 것인가에 대한 깊은 고민과 끊임없는 실행이었다. AI는 재능은 있지만 한계에 부딪힌 사람에게 ‘도움’이 되어 AI 가수, AI 영화감독, AI 작가, AI 프로그래머가 될 수 있는 길을 열어주었다. 효율만을 쫓기보다는 본질에 집중하고, 변화의 흐름을 읽으면서도 자신만의 ‘필살기’를 계속해서 갈고 닦아야 했다. 미래를 향한 첫걸음은 지금 바로 도전하는 것이었다. 바이브 코딩은 기획 의도와 개발 실행 사이의 간극을 해소하고, AI 시대 기획자의 역할 확장과 가능성을 발견하게 해주었다. 업무 자동화로 반복 작업에서 벗어나 창의적 업무에 시간을 활용하고, 데이터 기반의 의사결정과 인사이트 도출 능력을 강화할 수 있었다. 하루 30분, 한 프로그램 만들기로 시작하는 것이 중요했고, 완벽함보다는 시작하는 용기가 중요했다. 하지만 잊지 말아야 할 것은, 바이브 코딩의 장단점을 잘 파악하여 적용해야 한다. 특히 개인적인 사용의 간단한 프로그램은 괜찮으나, 대외적인 서비스를 하는 프로그램 개발의 경우, 반드시 고급 개발자의 코드리뷰를 거쳐서 보안상의 문제, 데이터 유출 등이 없도록 해야 한다. AI는 명확하게 정의된 문제를 푸는 데 능숙하지만, 복잡하고 모호한 비즈니스 요구사항을 해석하여 견고한 시스템을 설계하는 것은 못하는 것을 명심해야 한다. “코딩은 기술이 아닌 사고 프레임의 확장이다.”    ■ 류용효 디원의 상무이며 페이스북 그룹 ‘컨셉맵연구소’의 리더로 활동하고 있다. 현업의 관점으로 컨설팅, 디자인 싱킹으로 기업 프로세스를 정리하는데 도움을 주며, 1장의 빅 사이즈로 콘셉트 맵을 만드는데 관심이 많다. (블로그)     ■ 기사 내용은 PDF로도 제공됩니다.

몽고DB는 기업이 레거시 애플리케이션을 현대적이고 확장 가능한 서비스로 신속하게 전환할 수 있도록 돕는 AI 기반 애플리케이션 현대화 플랫폼인 ‘몽고DB AMP(MongoDB AMP)’를 출시했다고 밝혔다. 몽고DB AMP는 도구, 기술, 인재가 결합된 설루션으로, AI 기반 소프트웨어 플랫폼과 입증된 딜리버리 프레임워크, 그리고 구현 과정을 관리하고 이끄는 경험 많은 AMP 전문 엔지니어와 함께 고객의 현대화를 지원한다. 몽고DB AMP는 몽고DB의 유연한 도큐먼트 모델과 지속적인 변화를 염두에 두고 설계된 아키텍처를 기반으로 한다. 몽고DB는 “반복 가능한 프레임워크와 AMP 도구를 결합함으로써, 코드 변환과 같은 작업은 최대 10배 이상, 전체 현대화 프로젝트의 속도는 2~3배까지 향상시킬 수 있다”고 밝혔다.     산업 전반의 기업들은 핵심 운영에 중요한 역할을 하면서도, 유지 비용이 크고 생성형 AI와 같은 최신 활용 사례에 유연하게 대응하기 어려운 레거시 애플리케이션으로 인해 상당한 부담을 겪고 있다. 이러한 복잡한 레거시 애플리케이션은 경직된 데이터 기반과 노후화된 기술 스택 위에 구축되어 있어, 혁신을 저해할 뿐만 아니라 보안 및 컴플라이언스 측면에서도 리스크를 초래할 수 있다. 정보 및 소프트웨어 품질 컨소시엄은 미국 내 기술 부채로 인한 경제적 비용이 ‘낮은 소프트웨어 품질’, 소프트웨어 장애, 개발자 생산성 손실, 시스템 유지관리 등의 요소를 기준으로 볼 때 총 4조 달러에 육박하는 것으로 추산하고 있다. 기존의 애플리케이션 현대화 방식은 수작업이 많고 리소스 소모가 크고 수년간 진행되는 고비용 컨설팅 프로젝트에 의존하는 경우가 많다. 실제 성과를 내기 전에 중단되는 경우도 있어 시장 출시 속도에 차질을 빚기도 한다. 더 나아가 일부 현대화 시도는 유연하고 현대적인 데이터베이스 설루션으로 전환하기보다는, 레거시 애플리케이션을 단순히 다른 관계형 데이터베이스로 옮기는, 이른바 ‘리프트 앤 시프트(lift and shift)’ 방식에 그치는 경우도 있다. 몽고DB AMP는 몽고DB가 주요 고객들과 함께 2년 넘게 협업하며 완성한 접근 방식을 제품화했다. 특히 규제가 까다롭고 복잡한 요구사항이 많은 산업 분야에서도 AMP를 통해 현대화 성과를 만들어냈다고 소개했다. 호주의 벤디고 은행은 핵심 뱅킹 애플리케이션을 기존 레거시 관계형 데이터베이스에서 몽고DB 아틀라스(MongoDB Atlas)로 이전하는 데 걸리던 개발 시간을 90%까지 줄였고, AI 도구를 활용해 애플리케이션 테스트 케이스를 작성하고 실행하는 시간을 기존 80시간 이상에서 단 5분으로 획기적으로 단축했다. 롬바디 오디에는 핵심 애플리케이션을 SQL 데이터베이스에서 몽고DB로 성공적으로 이전했다. 이 과정에서 코드 마이그레이션 속도는 최대 60배 빨라졌으며 회귀 테스트 시간도 3일에서 3시간으로 단축돼 개발자들이 혁신에 더 집중할 수 있게 됐다. 엔터프라이즈 핀테크 기업인 인텔렉트AI 또한 최근 몽고DB와 협력해 자사의 웰스 매니지먼트(Wealth Management) 플랫폼 핵심 요소를 현대화했다. 이번 프로젝트를 통해 인텔렉트AI는 성능을 개선하고 개발 주기를 단축할 수 있었으며, 그 결과 신규 고객 온보딩이 더욱 원활해지고, 고객 인사이트를 보다 심층적으로 제공할 수 있게 됐으며, 기업 전반에서 생성형 AI 활용 사례를 실현할 수 있는 기반을 마련했다. 몽고DB의 비노드 바갈(Vinod Bagal) 현대화 및 전환 부문 수석 부사장(SVP)은 “연구에 따르면 많은 조직들이 단지 시스템 유지를 위해 가치 대비 노력과 비용이 큰 작업에 과도한 시간과 예산을 투입하고 있으며, 이로 인해 경쟁사에 뒤처지게 되는 경우가 많다”고 말했다. 이어 그는 “몽고DB AMP는 기업들에게 더 나은 현대화 접근 방식을 제공한다”면서, “기존의 방식에서 벗어나 빠르고 높은 품질로 전환을 이뤄낼 수 있도록 지원하고, 혁신과 비용 절감을 동시에 실현할 수 있도록 한다”고 설명했다.

오라클이 자사의 데이터베이스 포트폴리오 및 SaaS 애플리케이션 전반에 오픈AI의 GPT-5를 도입했다고 밝혔다. 이번 도입에는 오라클 퓨전 클라우드 애플리케이션(Oracle Fusion Cloud Applications), 오라클 넷스위트(Oracle NetSuite), 오라클 헬스(Oracle Health)와 같은 오라클 인더스트리 애플리케이션(Oracle Industry Applications)이 포함된다. 오라클은 “신뢰할 수 있는 비즈니스 데이터와 최첨단 AI를 결합해 기업 고객이 핵심 비즈니스 워크플로에서 정교한 코딩 및 추론 기능을 기본적으로 활용할 수 있도록 지원한다”고 전했다. GPT-5는 현재까지 공개된 오픈AI의 모델 중 가장 지능적이고, 빠르며 유용한 모델이면서 코드 생성과 편집, 디버깅에 최적화되어 있다. 또한 기업 환경에서 고도화된 에이전트 기능과 정교한 추론 역량을 제공한다. API에서 세 가지 규모로 제공되는 GPT-5는 기업의 다양한 요구사항을 충족시킬 수 있는 유연성과 확장성을 제공하고, 챗GPT 엔터프라이즈(ChatGPT Enterprise)에서도 이용 가능하다. 오라클은 GPT-5를 도입함으로써 비즈니스 프로세스 전반에서 다단계 추론 및 오케스트레이션을 강화하고 코드 생성, 버그 해결, 문서화 속도를 높일 수 있을 것으로 보고 있다. 또한, 비즈니스 인사이트 및 권고 사항의 정확성과 깊이도 강화할 수 있을 전망이다.     오라클의 크리스 라이스 데이터베이스 소프트웨어 개발 부문 수석 부사장은 “오라클 데이터베이스 23ai의 데이터 AI 역량과 GPT-5의 결합은 기업이 획기적인 인사이트를 얻고, 혁신 및 생산성 향상을 달성하는 데 도움을 줄 것”이라면서, “오라클 AI 벡터와 셀렉트 AI(Select AI)가 GPT-5와 결합되면 데이터 검색 및 분석이 더 쉽고 효율적이게 된다. 오라클의 SQLcl MCP 서버는 GPT-5가 오라클 데이터베이스의 데이터에 손쉽게 접근할 수 있도록 한다. 이러한 기능은 사용자가 전체 데이터를 대상으로 검색을 수행하고, 보안성이 확보된 AI 기반 작업을 실행하며, SQL을 통해 생성형 AI를 직접 사용할 수 있도록 지원하여 엔터프라이즈 데이터에서 AI의 잠재력을 극대화한다”고 전했다. 오라클의 미튼 바브사 애플리케이션 개발 부문 수석 부사장은 “GPT-5는 오라클 퓨전 애플리케이션 사용자에게 오픈AI의 정교한 추론과 심층적 사고 역량을 제공할 것”이라면서, “오픈AI의 최신 모델은 고급 자동화와 높은 생산성, 신속한 의사결정을 가능하게 하는 역량으로 더욱 고도화된 AI 에이전트 기반 프로세스를 지원할 수 있을 것”이라고 말했다.

로코드를 활용하여 엔지니어링 데이터 분석 극대화하기 (1)   이번 호부터 로코드(low code) 설루션을 활용하여 데이터 분석을 활용하는 방법에 대해 설명하고자 한다. 앞으로 4회에 걸쳐 데이터 분석을 위한 로코드 분석 설루션이 어떤 장점을 가지고 있으며 어떻게 활용될 수 있는지 살펴보고, 간단한 데이터 분석 예제를 따라해 보면서 활용하는 방법을 배워보도록 하겠다.   ■ 연재순서 제1회 데이터 분석에 로코드 설루션이 필요한 이유 제2회 데이터 분석 로코드 설루션을 배워보자 제3회 로코드를 활용하여 시뮬레이션 데이터 분석을 따라해 보자 제4회 데이터 분석 로코드 설루션을 클라우드로 확장해 보자   ■ 윤경렬 현대자동차 연구개발본부 책임연구원   ■ 김도희 잘레시아 DX 프로   머신러닝 및 딥러닝 기술의 급격한 발전에 힘입어 최근 몇 년사이에 데이터 분석 시장은 폭발적으로 성장해 왔다. 데이터의 분석을 통해서 패턴을 찾고 이를 통해 행동을 예측할 수 있는 사례는 많은 이들의 관심을 불러 일으켰고, 파이썬(Python) 언어와 관련 라이브러리의 사용법을 배우는 강좌도 덩달아 큰 인기를 누리게 되었다. 이는 지식의 저변 확대와 관련 산업의 활성화라는 측면에서 상당히 좋은 방향이지만, 실제 현장에서는 상대적으로 쉽다고 알려져 있는 파이썬 언어도 교육 강좌를 수강한 이후 막상 본인의 업무에 적용하려고 하면 적지 않은 어려움에 직면하게 된다. 이유는 파이썬 언어의 사용이 어려워서라기보다는 CDS(Citizen Data Scientist : 시민 데이터 과학자)에게는 익숙하지 않기 때문이다. 특히 프로그래밍 언어를 이용한 코딩은 텍스트에 기반한 정보이기 때문에 직관적이지 않고 시행착오를 반복해야 어느 정도 활용 레벨에 올라갈 수 있다. 최근 이러한 문제를 해결하기 위해 로코드 분석 설루션(low code analysis solution)이 대안으로 시도되고 있으며 유의미한 결과를 보여주고 있다.   일반적인 데이터 분석 과정 데이터 분석은 보통 요청을 접수하는 것부터 시작되며, 이 단계에서는 무엇을 분석해야 하는지, 분석의 목적은 무엇인지 명확히 파악하는 것이 중요하다. 분석 대상과 기대하는 결과가 정해지면 그에 필요한 관련 데이터를 확보하게 된다. 이 때 데이터는 내부 시스템, 데이터베이스, 외부 파일 등 다양한 경로를 통해 수집될 수 있다. 다음은 확보한 데이터를 개괄적으로 파악하는 과정인데, 이 때 주요 칼럼과 데이터의 값을 확인하고 누락된 값 또는 이상치가 있는지 등을 점검하게 된다. 데이터의 품질을 빠르게 진단하는 이 단계는 이후 분석의 방향에 큰 영향을 미치게 되기 때문에 아주 중요하다. 이렇게 데이터의 상태를 파악하고 난 뒤에는 분석 전략을 수립하게 되는데, 여기서는 어떤 방식으로 데이터를 다루는 것이 좋을지, 어떤 분석 기법을 적용하는 게 좋을지를 구체적으로 준비하게 된다. 세 번째 단계로는 그 동안 수립한 분석 계획에 따라 본격적인 데이터 정제 작업을 시작하게 된다. 구체적으로는 전처리, 필터링, 파생 변수 생성 등의 작업을 포함하여 분석에 적합한 형태로 데이터를 정돈하는 단계로 볼 수 있다. 다음은 실제 분석을 수행하고 필요한 시각화를 통해 인사이트를 도출하는 것으로 통계 분석, 머신러닝 모델링, 상관관계 파악 등 다양한 방법이 이 부분에 포함된다. 마지막으로 분석 결과는 보고서 형태로 문서화하거나 대시보드로 시각화하여 공유되며, 이는 분석 요청자 또는 조직 내 이해관계자가 쉽게 결과를 활용하여 의사결정을 수행하도록 지원할 수 있다. 요청 접수 → 데이터 확보 → 데이터 검토(칼럼/누락/이상치 확인) → 분석 전략 수립 → 데이터 정제 및 가공 → 분석 수행 및 시각화 → 결과 공유   파이썬 코딩과 로코드 기반 분석의 비교 이제부터 본격적으로 데이터 분석을 진행하기 위해, 우리는 데이터 분석에 대한 요청을 받은 CDS라고 가정을 해 보자. 우리는 유관부서로부터 전력 판매량(Electric Power Sales) 예측에 대한 분석을 요청 받은 상태이고, 언제나처럼 기한은 촉박한 상황이다. 우리에게 주어진 데이터는 발전소 데이터, 기상 정보 데이터, 날짜 및 요일 데이터 등 세 가지로 다행스럽게도 소스 데이터는 엑셀 형태로 정리되어 입수한 상태이다. 우선 ‘발전소 데이터’를 살펴 보면 일자별로 특정 발전소에서 일일 발전량이 자세하게 표시되어 있다. 결국 첫 번째 데이터는 Electricity_sales로, 발전소 명칭, 측정 일자(년, 월, 일), 시간대별 전력 판매량으로 구성되어 있는데 이는 머신러닝에서 예측하게 될 Y값(종속변수)이 포함된 핵심 데이터 영역이다.   그림 1. 발전소 데이터   다음은 ‘기상 정보 데이터’로 일자별로 특정 지역의 날씨 정보가 정리되어 있다. 발전소 위치에 따른 기상 정보로 일시, 평균기온, 강수량, 풍속, 습도, 일사량 등의 정보가 담겨 있다.    그림 2. 기상 정보 데이터   마지막으로 ‘날짜 및 요일 데이터’는 일자별로 요일을 숫자로 매핑한 데이터이다. 날짜 데이터에 매핑 가능한 공휴일 정보가 담겨 있는 데이터 영역이다.   그림 3. 날짜 및 요일 데이터   결국 요청 받은 데이터 분석을 완료하기 위해서는 입수한 데이터에 전처리를 수행하고 이를 기반으로 다중 회귀 분석을 수행하여 머신러닝 예측 모델을 구성해야 한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

오라클은 포스코가 전사 데이터 관리 간소화, 인사이트 확보 및 운영 비용 절감을 위해 오라클 자율운영 데이터베이스(Oracle Autonomous Database : ADB)를 도입 및 구축했다고 밝혔다. 포스코는 오라클 자율운영 데이터 웨어하우스(Oracle Autonomous Data Warehouse : ADW)를 도입해 대용량 데이터를 저장·관리하는 데이터 레이크 내의 구조화된 데이터를 효과적으로 분석할 수 있는 환경을 구축했다. ADW는 분석 워크로드에 최적화된 자율운영 데이터베이스 설루션이다. 또한 ADB와 ADW 환경을 통합함으로써 전사 데이터를 일원화하여 관리하는 글로벌 수준의 데이터 관리 체계를 마련했다. 오라클은 “포스코가 일관된 데이터 거버넌스 체계를 도입하여 분석 업무를 이전보다 2.4배 빠르게 수행할 수 있게 되었으며, 첨단 분석과 자동화를 기반으로 스마트 제조 혁신을 더욱 가속화할 수 있게 됐다”고 평가했다. ADW는 내장형 머신러닝 기반의 자동 조정과 확장, 패치, 암호화 기능을 제공하여 수동으로 데이터베이스를 관리해야 하는 번거로움을 줄인다. 포스코는 이와 같은 자율운영 관리를 활용하여 분산 저장/운영되던 분석계 데이터베이스를 최소한의 수동 개입만으로 효율적으로 운영하며, 안전한 고가용성 데이터 웨어하우스를 안정적으로 구축했다. 또한, 유지보수 부담이 적은 인프라 환경을 기반으로 고급 분석업무를 더욱 빠르고 효율적으로 수행하고 비용 효율적인 방식으로 운영을 확장하며, 전사적 의사결정 역량 또한 강화할 수 있게 됐다. 포스코는 경쟁력 있는 IT 비용 구조 확보와 급변하는 글로벌 비즈니스 환경에 따른 대응력 강화를 목표로 클라우드 기반의 디지털 전환을 추진해 왔다. 또한 통합 데이터 분석 시스템을 정립하여 다양한 소스에서 수집되는 데이터의 전사적 활용을 극대화하고자 했다. 이에 맞춰 포스코는 오라클 ADB 기반의 안정적인 고성능, 고효율 데이터 레이크와 데이터 웨어하우스를 구축하여 데이터 혁신의 기반을 마련했다.     포스코 DX전략실의 한석희 리더는 “포스코는 인텔리전트 팩토리 전략의 일환으로, 단순 자동화를 넘어 데이터 기반의 의사결정을 구현하는 지능형 제조 시스템을 구축하고 있다. 이러한 혁신을 통해 주문부터 생산, 영업 및 마케팅에 이르는 전 프로세스에서 효율성과 제품 품질, 운영 안전성을 모두 향상시킬 수 있을 것으로 기대한다”면서, “오라클의 검증된 AI 기반 클라우드 및 데이터 관리 설루션을 활용함으로써 혁신을 가속화하고 글로벌 경쟁력을 한층 강화할 수 있을 것으로 기대한다”고 밝혔다. 한국오라클 김성하 사장은 “역동하는 국제 시장 환경에서 철강 산업이 유연하게 대응하고자 하는 가운데, 포스코는 데이터 기반의 제조 혁신으로 미래 경쟁력을 강화하고 있다”면서, “글로벌 철강 산업을 선도하는 포스코와의 협력은 ADB의 뛰어난 성능과 확장성 및 안정성을 입증하는 중요한 사례다. 오라클은 앞으로도 더 많은 제조업 선도 기업이 IT 혁신을 통해 비즈니스 성과를 극대화할 수 있도록 지속적으로 지원할 것”이라고 전했다.