마이크로소프트가 AI(인공지능) 에이전트의 안전한 운용과 보안 및 거버넌스 강화를 지원하는 ‘마이크로소프트 에이전트 365(Microsoft Agent 365)’를 정식 출시했다. 최근 AI 에이전트가 애플리케이션과 엔드포인트 및 클라우드 전반에 걸쳐 빠르게 확산함에 따라, 보안 팀의 가시성과 통제 범위를 벗어나 운영되는 사례가 늘고 있다. 마이크로소프트는 에이전트가 자율적으로 도구를 호출하거나 다른 에이전트와 상호작용하는 과정에서 발생하는 데이터 과다 공유와 도구 오용 및 권한 남용 등을 주요 보안 리스크로 지목했다. 에이전트의 규모가 계속 달라지는 환경일수록 엔드 투 엔드 관측성 확보가 중요하다는 것이 마이크로소프트의 분석이다. 이번에 출시된 마이크로소프트 에이전트 365는 에이전트 관리를 위한 제어 플랫폼이다. 조직은 기존 관리 및 보안 워크플로를 그대로 유지하면서 마이크로소프트와 에코시스템 파트너의 에이전트를 통합 관측하고 관리하며 보호할 수 있다. 마이크로소프트는 플랫폼 출시와 함께 적절한 통제 체계를 갖춘 상태에서 에이전트 도입을 확장할 수 있는 새로운 기능의 프리뷰도 공개했다. 자체 자격 증명과 권한으로 동작하는 독립 운영 에이전트까지 관리 범위를 넓혔으며 마이크로소프트 디펜더(Microsoft Defender)와 마이크로소프트 인튠(Microsoft Intune)을 통해 로컬 및 클라우드 환경의 에이전트와 ‘섀도 AI’를 식별한다. 이를 통해 비관리 에이전트 차단을 포함한 적절한 통제를 적용할 수 있도록 돕는다. 윈도우 디바이스에서 실행되는 오픈클로(OpenClaw)를 시작으로 깃허브 코파일럿 CLI(GitHub Copilot CLI)와 클로드 코드(Claude Code) 등으로 로컬 에이전트 탐지 역량을 강화할 계획이다.   ▲ 마이크로소프트 디펜더에서 제공하는 로컬 AI 에이전트 관계 맵   에이전트 리스크 평가 체계도 정밀해진다. 에이전트와 연결된 디바이스나 MCP(모델 컨텍스트 프로토콜) 서버 및 관련 ID와 접근 가능한 클라우드 리소스 간의 상관관계를 시각화해 제공한다. 보안 팀은 이를 바탕으로 인프라 노출 범위와 잠재적 영향력을 평가할 수 있다. 실시간 런타임 차단 및 알림 기능을 통해 에이전트가 민감 데이터에 접근하거나 유출을 시도하는 등 악성 행동 패턴을 보일 경우, 마이크로소프트 디펜더가 이를 차단하고 사고 맥락이 포함된 알림을 생성한다. 이기종 클라우드 환경에 대한 지원도 강화한다. 이번 프리뷰 기능을 통해 AWS 베드록 및 구글 클라우드와 레지스트리를 동기화할 수 있다. IT 팀은 여러 플랫폼에 걸쳐 에이전트를 자동 탐지하고 향후 수명 주기를 관리할 수 있게 된다. 또한 젠스파크나 젠데스크 등 파트너사의 에이전트도 별도의 통합 작업 없이 마이크로소프트 에이전트 365에서 통합 관리할 수 있다. 에이전트 전용 클라우드 PC 환경을 제공하는 윈도우 365 포 에이전트(Windows 365 for Agents)는 에이전트가 조직의 보안 정책이 적용된 안전한 환경 내에서 상호작용하도록 돕는다. 마이크로소프트 엔트라(Microsoft Entra)의 네트워크 제어 기능은 코파일럿 스튜디오와 사용자 엔드포인트의 로컬 에이전트까지 확대 적용된다. 보안 팀은 네트워크 계층에서 에이전트 트래픽을 일관되게 검사하고 미승인 AI 사용을 식별해 제한할 수 있다. 한편, 마이크로소프트는 액센츄어나 KPMG 등 글로벌 파트너사와 협력해 기업 고객의 도입을 위한 거버넌스 워크숍과 컨설팅 서비스를 지원한다고 전했다. 마이크로소프트 에이전트 365는 현재 마이크로소프트 365 E7 라이선스에 포함되어 있으며, 필요 시 사용자당 월 15달러의 단독 라이선스로도 이용할 수 있다.

산업을 위한 AI와 버추얼 트윈 기술 (3)   이번 호에서는 AX 시대를 맞아 제조 기업이 축적한 방대한 도메인 지식과 3D 설계 데이터를 AI가 이해하고 실무에 즉시 활용할 수 있는 ‘자산’으로 전환하는 방안을 제시한다. 그리고, 다쏘시스템의 시맨틱 3D(Semantic 3D) 기술과 데이터 온톨로지(data ontology)를 활용해 중복 설계를 방지하고, 파편화된 정보를 비즈니스 맥락과 연결된 지식 개체로 지능화하는 기술적 원리를 살펴본다. ■ 이종혁 다쏘시스템코리아의 인더스트리 프로세스 컨설턴트로, 3DEXPERIENCE(구 NETVIBES) 테크 세일즈를 맡고 있다. 홈페이지 | www.3ds.com/ko   AX 시대, 제조 데이터의 새로운 정의 글로벌 제조 산업은 바야흐로 ‘디지털 전환(digital transformation)’의 단계를 넘어 ‘인공지능 전환(AI transformation : AX)’의 시대로 진입하고 있다. 생성형 AI와 대규모 언어 모델(LLM)이 비즈니스 프로세스 전반을 혁신하고 있는 현재, 엔지니어링 도메인에서의 핵심 과제는 명확하다. “어떻게 우리 기업이 지난 수십 년간 축적해 온 방대한 도메인 지식과 엔지니어링 노하우를 AI가 이해하고 실무에 즉시 활용할 수 있는 형태의 자산으로 바꿀 것인가?”이다. 대부분의 제조 기업은 수만, 수십만 장의 2D 도면과 3D 모델을 보유하고 있다. 그러나 역설적으로 엔지니어는 필요한 부품을 찾는 데 수많은 시간을 허비하거나, 이미 존재하는 설계를 중복으로 수행하는 ‘디지털 피로(digital fatigue)’에 시달리고 있다. 데이터가 존재함에도 불구하고 그 데이터가 가진 ‘의미(semantics)’와 ‘관계(relationship)’가 구조화되어 있지 않기 때문이다. 이러한 데이터의 파편화는 단순히 설계 효율을 떨어뜨리는 것에 그치지 않는다. 이는 부품 가짓수의 기하급수적 증가로 이어져 구매 단가 상승, 재고 관리 비용 증가, 그리고 급변하는 글로벌 공급망 리스크에 대한 대응력 약화라는 전사적 위기를 초래한다. 이번 호에서는 3D 모델링의 진화가 형상의 정밀함을 구현하는 단계를 넘어, 비즈니스 맥락과 지능이 결합된 ‘시맨틱 3D (semantic 3D)’로 나아가야 함을 제언한다. 다쏘시스템의 원파트(OnePart), 서플리멘탈 커넥터(Supplemental Connector), 그리고 데이터 사이언스 익스피리언스(Data Science Experiences : DSE)를 필두로 한 하이브리드 지능형 플랫폼이 어떻게 데이터 온톨로지를 통해 설계 자산을 지능화하고, 기업의 공급망 회복탄력성(resilience)을 극대화하는지 상세히 고찰해보고자 한다.   그림 1. The Transition to ‘Semantic 3D’ in the AX Era   하이브리드 아키텍처 : 데이터 주권과 클라우드 지능의 공존 국내 제조 기업이 클라우드 기반 AI 설루션 도입을 주저하는 가장 큰 이유는 ‘데이터 보안’과 ‘데이터 주권(data sovereignty)’에 대한 우려다. 핵심 설계 자산인 3D CAD 데이터는 기업의 기밀 중의 기밀로 간주되며, 이것이 외부 서버로 나가는 것에 대한 거부감은 기술적인 문제를 넘어 기업 생존의 문제로 인식된다. 하지만 클라우드가 제공하는 강력한 분산 연산 능력과 실시간 업데이트되는 AI 분석 엔진을 포기하는 것은 기술 경쟁력 측면에서 매우 위험한 선택이다. 이러한 딜레마를 해결하는 핵심 아키텍처가 바로 서플리멘탈 커넥터를 활용한 하이브리드 모델이다. 이 모델의 핵심은 데이터의 물리적 위치를 ‘통제된 온프레미스’와 ‘고성능 클라우드’로 이원화하는 데 있다. 이 아키텍처의 중심에는 ‘에지 에이전트(Edge Agent)’라는 전용 미들웨어가 존재한다. 에지 에이전트는 기업 내부의 로컬 파일 서버, CSV 기반의 레거시 데이터베이스, 그리고 솔리드웍스 PDM 프로페셔널(SOLIDWORKS PDM Professional)과 같은 엔터프라이즈 시스템과 직접 연동된다. 여기서 중요한 기술적 포인트는 에지 에이전트가 원본 CAD 파일(source file)을 클라우드로 전송하는 것이 아니라는 점이다. 대신, 설계에 포함된 메타데이터와 형상의 특징을 수치화한 ‘3D 서명(signature)’, 그리고 시각적 확인을 위한 가벼운 썸네일(thumbnail)과 CGR 데이터만을 추출하여 클라우드의 ‘시맨틱 그래프 인덱스(Semantic Graph Index : SGI)’로 전송한다. 이러한 하이브리드 접근법은 두 가지 결정적인 이점을 제공한다. 첫째, 데이터 주권은 기업이 완벽하게 통제한다. 원본 설계 데이터는 사내 보안망 내부에 머무르기 때문에 유출 우려가 없다. 둘째, 클라우드는 오직 ‘지능형 인덱스’와 ‘분석 엔진’의 역할만을 수행한다. 클라우드의 Data Science Experience(DSE)는 이 SGI에 축적된 정보를 바탕으로 전사적인 부품 사용 현황을 360도 뷰로 관찰하고, AI 기반의 의사결정 지원 기능을 제공한다. 이는 특히 카티아 V5(CATIA V5)와 같은 온프레미스 기반의 강력한 설계 환경을 유지하면서도, 최신 클라우드 기술의 혜택을 즉시 누릴 수 있는 현실적이고 안전한 가교 역할을 한다.   그림 2. Hybrid Architecture and Edge Agent   원파트와 AI 형상 지능 : 중복 설계의 늪에서 벗어나는 방법 엔지니어링 현장에서 가장 흔히 발생하는 보이지 않는 낭비는 이미 사내에 존재하는 부품을 찾지 못해 다시 설계하는 ‘중복 설계’다. 다쏘시스템의 연구 결과에 따르면, 시장 표준 부품(예 : 단순 브래킷이나 고정용 볼트 등) 하나를 불필요하게 신규 생성할 때 발생하는 전사적 비용은 부품당 약 1만 1000유로(한화 약 1600만 원)에 이른다. 이 비용에는 설계자의 시간뿐만 아니라 부품을 위한 테스트 및 시뮬레이션 비용, 금형 제작 등 제조 공정 셋업 비용, 신규 구매처 등록 및 관리 비용, 그리고 물류 및 창고 재고 유지 비용이 누적된 결과다. 원파트는 이러한 문제를 해결하기 위해 AI 기반의 ‘형상 유사도 검색(AI-Powered Component Signature)’ 기능을 제공한다. 이는 전통적인 키워드 기반 검색의 한계를 뛰어넘는다. AI는 3D 모델을 기하학적 특징(shape), 단면 형상(section), 구멍 배치 패턴(hole pattern), 그리고 외곽선(silhouette)이라는 네 가지 핵심 기준을 바탕으로 분석하여 부품별로 고유한 ‘디지털 지문’을 생성한다. 설계자가 새로운 프로젝트를 시작할 때, 백지 상태에서 모델링을 시작하는 대신 간단한 형상 아이디어를 스케치하여 업로드하면 AI가 수초 내에 사내 라이브러리 및 외부 공급업체 카탈로그에서 가장 유사한 부품을 찾아 제안한다. 또한 지능형 클러스터링(clustering) 엔진은 방대한 부품 데이터베이스를 기하학적 유사성에 따라 자동으로 군집화한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

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.

성공적인 유동 해석을 위한 케이던스의 CFD 기술   해상풍력 산업은 현대 사회의 에너지 위기를 해결하기 위한 대안으로 꼽히지만 복합적인 설치, 운영, 그리고 유지보수상의 다양한 과제에 직면해 있다. 이번 호에서는 피델리티 CFD(Fidelity CFD) 플랫폼 내의 피델리티 파인 마린(Fidelity Fine Marine)을 활용하여 홀더(Houlder)가 이러한 과제 중 일부를 해결하는 포괄적인 접근법을 어떻게 구현하고 있는지 살펴본다. 또한 해양 파력에 대한 모노파일의 내구성을 주제로 한 사례 연구를 통해 홀더의 전문성을 조명한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   해상풍력 에너지는 현대 사회가 직면한 에너지 위기를 해결하기 위한 핵심적인 대안으로 평가된다. 해상에서 발생하는 강력하고 지속적인 바람을 효율적으로 활용함으로써, 보다 청정하고 환경적으로 지속 가능한 미래를 구현할 수 있다. 2023년 기준 전 세계 해상풍력 발전 설비 용량은 약 75기가와트(GW)에 이르며, 2030년에는 200기가와트를 상회할 것으로 전망된다. 이러한 괄목할 만한 성장은 해상풍력 산업이 기후변화 대응에 기여할 수 있는 막대한 잠재력과 함께, 메가와트시(MWh)당 약 40달러 수준의 발전 단가로 기존 화석연료 기반 에너지원보다 우수한 경제성을 지니고 있음을 보여준다.     그 잠재력에도 불구하고, 해상풍력 산업은 복합적인 설치, 운영, 그리고 유지보수상의 다양한 과제에 직면해 있다. 유한요소해석(FEA)과 전산유체역학(CFD)을 비롯한 첨단 전산지원공학(CAE) 도구를 활용하면 이러한 문제를 완화하고, 해상풍력을 주요 에너지원으로 채택하는 과정을 가속화할 수 있다.   홀더에 대하여 홀더는 그 역사가 1800년대까지 거슬러 올라가는 다학제적(多學際的) 해양 전문 기업이다. 이 회사는 해양 기술 분야에서의 엔지니어링, 설계, 그리고 혁신 역량으로 알려져 있다. 홀더는 전 세계 해운 산업의 탈탄소화를 선도하는 최적의 파트너가 되는 것을 목표로 하고 있다.     홀더의 핵심 운영 부문 중 하나는 선박 분석 팀(Vessel Analysis Team)이다. 이 팀은 계측된 해상 시운전(instrumented sea trials) 및 컴퓨터 시뮬레이션과 같은 첨단 기법을 활용하여 선박의 설계와 성능을 개발 및 최적화한다. 이들의 연구는 에너지 절감 장치나 풍력 보조 추진 기술(wind-assist technologies)과 같은 설루션의 개념 설계 및 성능 평가를 지원하며, 해양 산업의 지속가능성 향상에 기여하고 있다.     해상풍력 설치의 현재 과제 해상풍력 터빈의 설계와 설치는 복잡한 구조적 과제를 수반한다. 터빈은 극한의 기상 조건을 견딜 수 있도록 설계되어야 하며, 그 핵심은 기초(foundation) 설계에 있다. 해저 지반 조건과 수심에 따라 모노파일(monopile), 중력식(gravity base), 트라이포드(tripod) 등 적절한 기초 형식을 신중히 선택해야 하며, 이는 측면 하중(lateral forces)과 퇴적물 이동(sediment movement)에 대한 안정성을 확보하기 위한 필수 과정이다. 또한 파랑(wave action)과 해류(ocean currents) 같은 유체역학적 힘(hydrodynamic forces)을 이해하는 것은 기초 구조의 건전성을 유지하는 데 필수이다. 염수 부식(saltwater corrosion) 문제 역시 중요하며, 부식 분석(corrosion analysis)을 통해 취약점을 파악하고 보호 대책을 마련함으로써 구조물의 수명을 연장할 수 있다. 한편, 해저 케이블(subsea cable)의 설치와 관리도 또 다른 주요 과제이다. 케이블은 설치 과정에서 손상되지 않도록 신중히 취급하고 매설해야 하며, 악천후 속에서 유지보수를 위해 터빈에 접근하는 일 또한 큰 운영상의 어려움을 가져올 수 있다. 이러한 요소를 효과적으로 조율하는 것이 해상풍력 터빈의 성공적인 설치와 운영의 핵심이다.   해상풍력 설치 과제 해결을 위한 CFD 및 FEA 도구 CFD와 FEA 도구는 해상풍력 설치와 관련된 다양한 기술적 과제를 해결하는 데 점점 더 널리 활용되고 있다. FEA는 특히 모노파일이나 재킷(jacket) 등 기초 구조물 설계에서의 응력(stress)과 변형(deformation)을 시뮬레이션하는 데 유용하다. 이를 통해 엔지니어는 파랑과 해류의 영향을 평가하고, 응력 집중 영역을 식별하며, 재료 선정과 보호 코팅과 같은 설계 결정을 보다 정교하게 내릴 수 있다. CFD는 변화하는 해양 조건에서의 케이블 성능을 이해하는 데 중요한 역할을 한다. 이를 통해 설치 계획 및 터빈 유지보수용 선박 설계를 최적화할 수 있다. 또한 CFD는 퇴적물 확산(sediment dispersion)과 수질 변화(water quality change)를 모델링함으로써, 환경 영향을 최소화하기 위한 전략 수립에도 기여한다. CFD와 FEA를 효과적으로 병행 활용함으로써 해상풍력 산업은 설치 안전성과 효율을 크게 향상시킬 수 있으며, 보다 지속가능한 풍력 에너지 활용 방안을 마련할 수 있다.     ■ 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.

산업AI의 성패, 데이터의 ‘양’이 아닌 ‘맥락’으로 승부   지난 3월, 글로벌 산업 소프트웨어 시장에 의미 있는 변화가 일어났다. 헥사곤의 주요 소프트웨어 사업부가 분사해 ‘옥타브(Octave)’라는 독립 브랜드로 새롭게 출범한 것이다. 월드 IT 쇼(WIS) 2026 현장에서 만난 옥타브 산업 컨설팅 부문 김세환 기술 이사는 옥타브가 건설/플랜트/조선 분야를 리드해온 것에서 진일보하겠다는 포부를 밝혔다. 그리고 산업AI와 결합하여 전 산업 분야에서 라이프사이클을 아우르는 기업으로 거듭나겠다는 비전을 제시했다. ■ 최경화 국장     옥타브는 산업 및 인프라 자산의 설계(design)부터 구축(build), 운영(operate), 보호(protect)에 이르는 전 단계에 걸쳐 ‘라이프사이클 인텔리전스’를 제공하는 기업이다. 옥타브의 전신은 인터그래프로, 1969년에 플랜트 산업 분야의 데이터 관리와 3D 설계 설루션을 공급하는 회사로 설립되었다. 2010년 헥사곤AB(Hexagon AB)에서 인수 후 헥사곤 PPM (2017년)으로 명칭이 변경되었고, 설계를 넘어 자산의 전체 수명 주기 관리 업체로 변화한다는 의미에서 헥사곤 ALI(2022년)로 변경되어 온 바 있다. 옥타브의 설립은 헥사곤 내 헥사곤 ALI(애셋 라이프사이클 인텔리전스) 사업부, SIG(세이프티·인프라·지오스페이셜) 사업부, 브릭시스, ETQ, 프로젝트메이츠 사업부를 통합해 구성되었으며, 산업AI 시대에 소프트웨어 분야에 더욱 집중하기 위해 새롭게 설립되었다는 설명이다. 이 회사는 현재 45개국 이상의 고객사를 지원하고 있으며, 포춘 500대 기업의 약 60%가 옥타브 설루션을 활용하고 있다. 김세환 이사는 이번 분사가 단순히 조직의 분절이 아니라, 고객의 수요와 운영 현실을 반영한 전략적 선택이었다고 설명한다. “산업 간 연계가 깊어지면서 자산 생애주기 전반에서 데이터가 소실되는 문제가 빈번해졌고, 이를 해결하기 위해 보다 빠르고 단호한 투자가 가능한 독립 법인이 필요했다”는 것이다. 옥타브는 ‘인텔리전스를 규모 있게 실현한다’는 비전 아래, 복잡한 데이터를 실행 가능한 정보로 전환하는 데 집중하고 있다.   생성형 AI와 산업AI의 결정적 차이, 맥락 최근 생성형 AI 열풍이 거세지만, 김 이사는 산업 현장의 AI는 본질적으로 달라야 한다고 강조한다. 일반적인 AI가 폭넓은 정보를 바탕으로 답을 내놓는다면, 산업 AI는 실제 자산과 안전, 워크플로에 직결되는 ‘구조화된 도메인 특화 데이터’를 기반으로 삼아야 한다. 산업 환경에서의 오류는 안전과 품질, 비용에 치명적인 영향을 미치기 때문이다. 옥타브의 산업AI는 도면, 유지보수 이력, 운영 현황, 센서 데이터 등 맥락(context)화된 데이터를 기반으로 작동하며, 점검 우선순위를 정하거나 부품 발주 지침을 내리는 등 즉각 실행 가능한 인텔리전스를 제공한다.   AI 선도 전략으로 최적의 대안 제시 옥타브의 핵심 전략은 ‘AI 주도(AI-lead)’가 아닌 ‘AI 선도(AI-forward)’다. AI가 전문가를 대체하는 것이 아니라 위험 신호를 감지해 권고안을 제시하고, 최종 결정은 현장 전문가가 내리는 구조다. 데이터 통합이 단순히 정보를 모으는 것이라면, 맥락화는 그 데이터를 자산 및 리스크와의 관계 속에서 의미 있게 만드는 작업이다. 옥타브의 AI 전략은 데이터 맥락화, 임베디드 AI, 에이전틱(agentic) 워크플로, AI 네이티브 애플리케이션이라는 네 가지 축을 중심으로 구성된다. 김 이사는 AI 도입의 성패가 기술적 성숙도가 아닌 ‘데이터 준비도(data readiness)’에 달려 있다고 말한다. 데이터가 충분히 연결되고 맥락이 결합될 때 비로소 ‘AI가 즉시 활용 가능한 데이터’가 된다. 이러한 토대 없이 AI를 도입하면 성과 없이 비용만 발생할 가능성이 높다.   핵심 설루션 활용 : 옥타브 어튠 EAM과 옥타브 아리아 한국 산업 현장에서 가장 빠르게 현실화되고 있는 영역은 운영(operate) 도메인, 특히 데이터 맥락화와 임베디드 AI를 결합한 자산 성능 관리(APM) 및 예측 유지보수이다. 실제 현장에서 옥타브 어튠 EAM(Octave Attune EAM)은 작업 지시, 자산 추적, 재고 및 안전 관리를 통합적으로 지원하며, 생성형 AI 엔진인 옥타브 아리아(Octave Aria)는 설비 제조사 매뉴얼을 자동으로 읽어 예방 정비 항목을 정리하거나 공급업체 정보를 참조해 부품 가격을 자동 업데이트하는 등 현장 실무자의 반복 업무를 줄여준다. 에이전틱 워크플로와 AI 네이티브 애플리케이션은 현재 기술 개발 중에 있으며, 옥타브는 올해 에이전틱 AI 기능을 단계적으로 도입할 계획이다.   한국 산업계의 성공 사례와 기술 검증 옥타브는 에너지, 석유화학, 건설/플랜트(EPC), 제조 분야 등에서 주요 산업 고객들과 협력하고 있다. 대표적 사례로 에쓰오일(S-OIL)은 옥타브 Facets P&ID, 옥타브 Forte 3D 등의 설루션을 도입해 지능형 디지털 트윈 기반 운영 체계를 구축하였다. 현대건설 또한 옥타브와 MOU를 체결하고 스마트 EPC 분야의 디지털 전환을 추진 중이다. 이러한 기술력은 극한의 환경인 F1 레이싱 현장에서도 입증되고 있다. 옥타브는 VCARB(비자 캐시앱 레이싱 불스)와 파트너십을 맺고 옥타브 어튠을 통해 모든 부품과 장비, 공구를 실시간으로 관리한다. 단 하나의 실수도 허용되지 않는 F1 서킷에서 검증된 자산 가시성과 예측 유지보수 기술은 에너지, 인프라, 제조 운송 등 산업현장의 성과로 이어지고 있다.   데이터 연결과 준비를 통해 산업AI 경쟁력 강화 옥타브는 오는 2026년 3분기, 생애주기 전반의 데이터를 단일 스레드로 통합하고 에이전틱 서비스를 제공하는 단일 플랫폼을 출시할 예정이다. 김세환 이사는 향후 3~5년 내 산업 AI의 경쟁력이 AI 모델의 정교함이 아니라 ‘얼마나 연결되고 맥락화된 데이터 기반을 갖췄는가’에서 갈릴 것이라고 전망한다. 그는 한국 기업들에게 “AI에 투자하기 전, 데이터가 진정으로 AI 준비 상태(AI-ready)인지 확인하라”고 조언했다. 단편적인 효율 개선을 넘어 라이프사이클 전반의 데이터를 연결하는 변혁에 집중하는 조직만이 산업 AI 시대의 승자가 될 것이라는 분석이다.     ■ 기사 내용은 PDF로도 제공됩니다.

매스웍스는 4월 7일 개최한 ‘매트랩 엑스포 2026 코리아’ 행사를 통해 엔지니어링과 과학적 혁신을 가속화하기 위한 비전을 제시하면서, ‘임베디드 인텔리전스’를 통한 설계 방식의 변화를 강조했다. 특히 AI(인공지능)는 코드 작성과 문제 해결 루프를 직접 제어함으로써 개발 복잡성을 해결하고 시장 출시 기간을 줄이는 기술로 자리매김하고 있다. 매스웍스는 모델 기반 설계(MBD)와 AI의 결합을 통해 더욱 신속하고 정교한 설계 환경을 구축한다는 전략을 내세웠다. ■ 정수진 편집장   매스웍스는 지난 1984년 설립 이래 MBD(model-based design) 방법론을 자동차와 항공 등 안전이 필수인 산업 분야를 중심으로 적용해 왔다. MBD는 제품 개발의 복잡도가 높아지는 흐름에 맞춰 다양한 물리 영역과 다중 도메인 시스템을 복합적으로 시뮬레이션하고 상호 영향을 검증하는 환경을 제공한다. 매스웍스는 작은 오류가 치명적인 결과로 이어질 수 있는 엔지니어링 현장에서 MBD 방법론이 강력한 검증 및 확인 워크플로를 거쳐 시스템의 안정성을 보장한다고 설명한다. 매스웍스는 이런 MBD의 기반 위에서 최근 산업계의 화두인 AI 기술을 안전하게 융합한다는 접근법을 내세웠다. 완전히 새로운 AI 플랫폼을 구축하는 것이 아니라, 수십 년간 현장에서 검증된 자사의 MBD 플랫폼 내에 인공지능 기능을 자연스럽게 내재화하겠다는 것이다.   ▲ 매스웍스는 생성형 AI가 제품 개발 루프를 가속화할 수 있다고 설명한다.   생성형 AI가 이끄는 설계 패러다임의 변화 매스웍스의 사미르 M. 프라부(Sameer M. Prabhu) 인더스트리 부문 이사는 AI가 엔지니어링 설계의 전 영역에 걸쳐 이미 실질적인 변화를 만들어내고 있다고 강조했다. 엔지니어링 설계의 핵심은 끊임없이 반복되는 ‘문제 해결 루프’에 있다. 과거에는 엔지니어가 직접 설계 공간을 탐색하며 해답을 찾았다면, 인공지능은 엔지니어가 정의한 목표와 제약 조건 안에서 스스로 방대한 설계 공간을 탐색하며 최적의 설루션을 빠르게 도출해낼 수 있다는 것이다. 이러한 변화를 보여주는 기술이 바로 AI 기반의 차수 축소 모델(reduced order model : ROM)이다. 프라부 이사는 자동차 부품의 설계 파라미터 최적화에 물리 기반 시뮬레이션을 활용한 사례를 소개했다. “기존 방식으로는 수천 번의 시뮬레이션을 반복하는 연산에 16일의 시간이 필요했다. 하지만 실험 데이터를 바탕으로 딥러닝 기반의 인공지능 차수 축소 모델을 학습시켜 최적화 루프에 적용한 결과, 단 5분 만에 작업을 끝낼 수 있었다”는 것이 프라부 이사의 설명이다. 무겁고 복잡한 해석 모델을 가벼운 인공지능 모델로 대체하여 설계 속도를 크게 높일 수 있었다는 것이다. 또한, 빠르게 발전하고 있는 생성형 AI(generative AI)는 반복되는 검증 작업이나 코드 생성을 빠르게 자동화하여, 엔지니어가 더 높은 수준의 추상화 및 목표 지향적 설계에 집중할 수 있도록 돕는다. 프라부 이사는 “미래 엔지니어의 핵심 역량은 목표 지향적 사고와 설계 루프 자체를 설계하는 능력이 될 것”이라고 전망했다.   ▲ 매스웍스 사미르 M. 프라부 이사   MBD 환경에서 AI의 생산성 높인다 MBD를 구현하는 매스웍스의 핵심 플랫폼인 시뮬링크(Simulink)는 전통적으로 AI 알고리즘을 정교한 룩업 테이블의 발전된 형태로 통합해 활용해 왔다. 엔지니어는 매트랩(MATLAB) 등에서 훈련한 AI 모델과 특징 추출 코드를 시뮬링크로 가져와 프로세서 탑재 제어 모듈용 C 코드를 자동 생성해 하드웨어에 곧바로 배포할 수 있다. 매스웍스는 최근 이 환경에 생성형 AI의 생산성을 결합한 시뮬링크 코파일럿(Simulink Copilot)을 도입하여 플랫폼을 한 단계 더 진화시켰다. 시뮬링크 코파일럿은 MBD 환경에 생성형 AI의 생산성을 결합했다. 대화형 챗 인터페이스를 통해 복잡한 시뮬링크 모델의 동작 원리를 자연어로 사용자에게 설명해 준다. 또한 특정 제어 시스템이나 상태 머신 모델을 개선하기 위한 구체적인 아이디어를 제안할 수 있다. 코파일럿은 단순히 조언을 건네는 데 그치지 않고, 해당 작업에 바로 적용할 수 있는 최적의 도구와 관련 기술 문서까지 함께 추천하며 설계 과정의 어려움을 해결하도록 돕는다. 프라부 이사는 “우리의 비전은 생성형 AI와 MBD 모델 기반 설계를 사용해서 이런 챗 인터페이스와 함께 생성형 AI의 생산성 향상을 제공하고, 사용자가 결과를 빠르게 얻을 수 있도록 하는 것”이라면서, 시뮬링크 코파일럿의 새로운 기능이 엔지니어의 작업 속도와 전반적인 효율을 높여 줄 열쇠라고 강조했다.   ▲ 매스웍스코리아 박주일 사장   제조업 경쟁력 강화를 위한 전략과 미래 비전 매스웍스는 크게 두 가지의 AI 전략을 소개했다. 첫째는 물리적 하드웨어를 대체하거나 보완하기 위해 AI 모델을 최종 시스템의 구성 요소로 직접 내장하는 방식이다. 둘째는 AI가 스스로 방대한 설계 공간을 탐색하며 문제 해결 루프 자체를 주도하도록 만드는 방식이다. 또한, 매스웍스는 매트랩 코파일럿과 시뮬링크 코파일럿 등 생성형 AI를 자사의 기존 플랫폼에 내재화하여 일상적인 코딩과 검증 업무의 자동화까지 지원할 계획이라고 밝혔다. 다만 안전이 최우선인 엔지니어링 산업의 특성상, AI의 환각 현상이나 비결정적 특성은 치명적인 위험을 일으킬 수 있다. 이에 대해 박주일 사장은 “기존에 있는 플랫폼에 AI가 들어가기 때문에 워크플로간 충돌이나 정합성 이슈가 상대적으로 적다는 것이 매스웍스의 유니크한 강점”이라고 설명하면서, “수십 년간 업계 표준으로 자리 잡은 MBD 플랫폼과 강력한 검증 및 확인 워크플로를 통해 AI 결과물의 신뢰성을 통제할 수 있을 것”이라고 전했다. 한국 시장에서 매스웍스가 그리는 청사진은 한국 제조업의 근원적인 경쟁력을 한 단계 끌어올리는 데 집중되어 있다. 기하급수적으로 증가하는 제품 개발의 복잡도와 출시 기간 단축이라는 압박 속에서, 매스웍스는 국내의 엔지니어링 커뮤니티를 기술적으로 뒷받침하는 조력자 역할을 하겠다는 계획이다. 나아가 기업에 대한 지원뿐 아니라 학계와의 협력을 통해 미래 공학 인력을 양성하는 일에도 투자할 것이라고 밝혔다. 박주일 사장은 “자동차 산업에서 촉발된 소프트웨어 정의 제품(software-defined product)의 흐름이 우주항공, 조선, 에너지 등 모든 산업으로 확장되는 변화가 일어나고 있다. 매스웍스코리아는 새로운 산업 영역의 기술적 간극을 메우고 디지털 전환을 선도하는 핵심 파트너로 자리매김하고자 한다”고 전했다.   ■ 같이 보기 : [인터뷰] 시뮬링크로 배터리 BMS 신뢰성 확보 및 로직 검증 자동화 구현     ■ 기사 내용은 PDF로도 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.