개발 및 공급 : 이노쏘비 주요 특징 : 제조 물류 전반에 걸친 시뮬레이터/디지털 트윈/AI 에이전시의 통합 플랫폼, 설계~운영 과정의 최적화 지원, 다양한 제조 운영 시스템과 실시간 연동으로 대용량 데이터를 수집 및 처리, LLM/sLLM을 활용해 직관적인 데이터 분석 및 의사결정 지원 등 사용 환경(OS) : 윈도우 10/11(64비트) 시스템 권장 사양 : 인텔 i5 10세대 이상 또는 AMD 라이젠 5 이상 CPU, 최소 16GB RAM(32GB 권장), 엔비디아 RTX 4060 이상 GPU(AI 기능 사용 시 필요), 30GB 이상 여유 저장공간   최근 제조 기업들은 디지털 트윈 기반의 스마트 공장 도입과 더불어 급속한 디지털 전환(DX)을 위해 노력하고 있다. 불과 몇 해전만 하더라도 그 실체와 사례에 대해 의문이 있었지만, 다양한 도입 사례와 성과가 공개되면서 이제는 DX에서 나아가 AI 기술 도입과 AI로의 전환(AX : AI Transformation)을 활발히 검토하고 있고, 적극적인 도입 의사를 밝히고 있다. ‘PINOKIO(피노키오)’는 최신 기술 흐름을 반영해 탄생한 차세대 물류 디지털 트윈 설루션으로, 기존 상용 시스템의 한계를 극복하고 제조 산업의 스마트화를 가속화하는데 최적화된 해답을 제시한다. 기술 대전환의 시대를 맞아 기존의 전통적인 DX 설루션 기업들은 3D 모델링 및 시뮬레이션 등 낮은 단계의 디지털 트윈 기술을 기반으로 DX 설루션으로 개선 및 확장하고 있다. 이와 달리, PINOKIO는 초기부터 현장의 대용량 데이터 기반 실시간 물류 모니터링 및 실시간 시뮬레이션을 제공하는 디지털 트윈 기반의 운영 시스템을 목적으로 출발하였다. 그 결과 SK 하이닉스, LG전자 등 대량의 혼류 생산 제조 현장에서 디지털 트윈의 정합성과 예측의 정확도 등을 검증받았고 도입 효과를 증명했다. 이를 바탕으로 최근에는 기존 상용 설루션보다 높은 성능의 시뮬레이터까지 라인업하여 다양한 요구를 충족시킬 수 있게 되었다. 기존 상용 물류 시뮬레이션 설루션은 대부분 20~30년 전 개발된 구조를 가지고 있어, 최신 IT/OT 시스템과의 연동과 AI 기술을 적용하기 어렵다. 이로 인해 대용량 데이터 처리에 한계가 있으며, 사용자 API(애플리케이션 프로그래밍 인터페이스) 미제공으로 커스터마이징과 타 시스템 연계, 현장 실시간 운영에 필요한 유연성과 확장성에서도 제약이 있다. PINOKIO는 이러한 기존 설루션의 문제점을 개선해 제조 물류 관련 다양한 AI 모델을 지원하며, 기존 설루션 대비 높은 모델링 속도를 구현할 수 있다. 그리고 멀티 스레드, GPU 기반의 고속 시뮬레이션 연산 기능과 2차전지, AMR(자율이동로봇), OHT(오버헤드 트랜스퍼), 자동창고 등 다양한 제조 환경에 맞는 특화 라이브러리를 제공한다. 특히, 생산 현장에서 발생하는 실시간 빅데이터를 효과적으로 처리하고, 대화형 어시스턴트(assistant) 방식의 직관적인 사용자 인터페이스(UI)를 통해 사용자 편의성을 높였다. 또한, 사용자 API를 통한 고도화된 커스터마이징이 가능하며, MES(제조 실행 시스템), 센서, PLC(프로그래머블 로직 컨트롤러), IoT(사물인터넷) 등 다양한 운영 시스템과의 실시간 연동 기능도 갖췄다. 나아가, 전력 사용량 분석과 탄소세 예측 기능까지 탑재돼 지속 가능한 제조 환경 구축을 위한 의사결정도 지원한다. PINOKIO는 AI 기반 제조 혁신의 길을 여는 실질적인 도구로, 앞으로 제조업계의 디지털 전환을 선도할 핵심 설루션으로 자리매김할 전망이다.   주요 기능 소개 PINOKIO는 시뮬레이터, 디지털 트윈, AI 에이전시(agancy)를 통합한 차세대 DES(이산 이벤트 시뮬레이션) 기반 플랫폼으로, 제조 물류 전반에 걸친 통합 설루션을 제공한다. PINOKIO는 세 가지 핵심 모듈로 구성된다. 첫 번째는 ‘Pino SIM’으로, 공정 흐름 설계부터 시뮬레이션, 분석까지 수행하는 시뮬레이터다. Pino SIM은 도면 편집과 레이아웃 설계를 위한 Pino Editor를 내장하고 있어, 단순한 시뮬레이션을 넘어 제조 기준정보 입력, 물류 시나리오 구성, 시뮬레이션 실행 및 시각화 분석까지 다양한 기능을 제공한다. 이를 통해 설계 초기 단계부터 실제 운영에 이르기까지 전 과정의 최적화를 효과적으로 지원한다. 두 번째는 실시간 디지털 트윈 모듈인 ‘Pino DT’다. MES, IoT, PLC, 센서 등 다양한 제조 운영 시스템과의 실시간 연동을 통해 대용량 데이터를 실시간으로 수집하고 처리하며, 이를 바탕으로 실시간 모니터링은 물론 미래 상황 예측, 예지 보전 기반의 시뮬레이션이 가능하다. 이는 생산 현장의 가시성과 민첩성을 높이는 데 기여한다. 세 번째는 인공지능 기반의 ‘Pino AI’다. LLM(대규모 언어 모델)과 sLLM(전문 도메인 특화 언어 모델)을 활용한 대화형 UI를 통해 사용자가 직관적으로 데이터를 분석하고 의사결정에 활용할 수 있다. 또한 목적에 따라 강화학습, 파라미터 최적화 등 다양한 AI 기법을 적용할 수 있어 생산성과 품질 향상을 동시에 도모할 수 있다. PINOKIO는 엔비디아 옴니버스(NVIDIA Omniverse)와 같은 고급 시각화 플랫폼과 연동 가능하며, 파이썬(Python) 개발 환경 확장도 지원함으로써 사용자 맞춤형 라이브러리 개발이 가능하다. 이를 통해 제조 기업은 사전 공정 및 물류 최적화는 물론 실시간 생산 모니터링, 미래 예측, AI 기반 정확도 향상 등 다양한 지능형 서비스를 구현할 수 있다. 제조업의 디지털 전환이 본격화되는 시대에 PINOKIO는 스마트 공장을 넘어 AI 전환을 실현하는 핵심 파트너로 부상하고 있다.   PINOKIO의 특징 PINOKIO는 고도화된 시뮬레이션 엔진과 AI 통합 기능을 바탕으로 대규모 데이터 처리 및 실시간 예측 분석을 지원하며 스마트 제조 시대의 경쟁력을 강화하고 있다. PINOKIO는 이벤트 처리 기법 최적화 및 단순화된 시뮬레이션 엔진 설계로 빠른 연산 속도를 제공한다. 특히, 초당 60프레임(FPS) 기준으로 500만 개 수준의 대규모 3D 데이터를 안정적으로 처리할 수 있으며, 선택적 컴파일 방식(C# 기반 네이티브 코드)을 활용한 별도 계산 도구를 통해 집약적인 연산 작업도 고속으로 수행할 수 있다. 디지털 트윈 구축에서도 PINOKIO는 강력한 성능을 발휘한다. MES, ACS, MCS 등 다양한 제조 운영 시스템과 연동과 IoT, 센서, PLC 등 생산 현장에서 수집되는 대용량 데이터를 실시간으로 처리한다. 이를 통해 실시간 모니터링과 동시에 백그라운드 시뮬레이션을 수행하고, 타임 호라이즌(Time Horizon) 방식의 미래 예측 기술을 통해 병목, 이상 징후 탐지 및 알람 기능도 제공된다. 또한, AI를 활용하기 위한 정상/이상 데이터 제공과 파라미터 최적화 및 시나리오별 분석 기능이 포함되어 있으며, LLM과 sLLM, 챗GPT(ChatGPT), 메타 라마(Meta LLaMA) 등 다양한 AI 모델을 통합한 AI 에이전시 기능을 통해 대화형 데이터 분석, 자동 의사결정 지원, 데이터 해석 및 운영 최적화를 구현한다. 시뮬레이션 설계 및 모델링 측면에서도 사용자 편의성이 강화됐다. Pino Editor를 활용해 레이아웃 도면을 직관적으로 확인 및 편집할 수 있으며, 제조 기준 정보 입력 및 템플릿 매칭 기능을 통해 모델링 작업 시간을 획기적으로 단축시킨다. 또한, 2차전지 및 반도체 공정에 특화된 전용 라이브러리도 제공되며, 고객 맞춤형 커스터마이징 시뮬레이터를 통해 사용자의 목적에 따라 분석 및 최적화가 가능한 유연한 개발 환경을 지원한다. 이처럼 PINOKIO는 고속 시뮬레이션, 실시간 예측, AI 기반 의사결정, 그리고 유연한 모델링 기능을 종합적으로 제공하며, 제조업의 지능화·자동화를 실현하는 설루션이다.   그림 1. PINOKIO UI 화면 – 반도체 FAB   사전 레이아웃 및 물류 검토를 위한 설루션 : Pino SIM 디지털 트윈 구축 시 미래 예측을 위한 시뮬레이터 역할과 기존 상용 설루션과 같이 공장 신축 또는 생산 라인 변경 등 제조 현장의 변화가 요구된다. 이런 상황에서 Pino SIM은 사전에 최적의 물류 계획과 레이아웃 구성을 지원하고 공정의 효율성과 안정성을 미리 확보할 수 있는 디지털 전환 핵심 도구이자 가상 공장 구현 설루션이다. Pino SIM은 제조 기준 정보(제품, 공정, 레이아웃, 물류 흐름, 작업 순서, 스케줄링 등)를 기반으로 공정을 시뮬레이션하며, 그 결과를 차트, 그래프 등 다양한 시각화 도구를 통해 분석할 수 있다. 이를 통해 레이아웃 검증 및 최적화, 생산성 향상 등 공장 운용 전반의 효율화를 실현할 수 있다. 특히, OHT, AMR 등 신 산업군을 위한 특화 라이브러리를 제공하며, 이송 설비 구현을 위한 이동, 충돌 방지, 회피 제어를 위한 OCS, ACS 기능도 탑재되어 있다. 이를 통해 코드 작성 오류를 줄이고 디버깅 시간을 줄일 수 있으며, 보다 쉽고 효율적으로 시뮬레이션 모델을 구축할 수 있다. 또한, 자동창고 모델링에 필요한 Stocker(Crane, Rack, Rail)를 그룹화 형태로 제공하여 빠른 모델링이 가능하다. 환경과 에너지 측면에서도 전력 사용량 및 탄소 배출량(탄소세) 분석 기능을 통해 지속 가능한 생산 전략 수립에 도움을 주며, 제조업의 친환경화와 ESG 경영 대응에도 기여할 수 있다. 이처럼 Pino SIM은 공장 설계 단계에서의 의사결정 품질을 높이고, 새로운 제조 환경에 유연하게 대응할 수 있는 설루션이다.   그림 2. 라이브러리 제공 – Stocker   그림 3. 개발(코딩) 없이 기능 구현   그림 4. 시뮬레이션 결과 리포트 예제   디지털 트윈 설루션 : Pino DT 제조 현장에서 물류는 제품의 사이클 타임을 결정하는 요소 중에 하나이다. 물류 정체가 발생할 경우 제품의 사이클 타임이 길어지거나 라인이 정지되는 등 심각한 손실이 발생할 수 있다. 이러한 문제를 해결하기 위해 시뮬레이션을 통한 최적화된 운영 방식을 시스템에 적용하려는 노력이 이어져왔다. 기존의 물류 설루션은 현장에서 발생하는 대용량의 데이터를 시뮬레이션에 반영하여 실시간으로 의사결정하는 과정에서 다양한 제약으로 인해 어려움이 있었다. 또한, 현장 작업자의 개입과 같은 인간적 오류는 시스템이 예측할 수 없는 데이터를 발생시키기 때문에 생산 계획 단계에서의 사전 분석 및 검증만으로는 시뮬레이션 정합성을 높이는데 한계가 있다. Pino DT는 최적화된 자체 개발 시뮬레이션과 모니터링 엔진을 탑재하여 이를 해결하였다. 시뮬레이션의 이벤트 횟수를 최적화하여 최소한의 이벤트로 시뮬레이션이 가능하도록 설계했다. 또한 계산 속도에 이점이 있는 C, C++ 언어로 물류 경로를 최적화하는 알고리즘을 구현하여 기존 설루션 대비 약 2만평 규모의 공장에서 약 70배의 향상된 성능을 검증하였다.   그림 5. Pino DT의 UI 화면   대용량 데이터 처리 및 실시간 모니터링 Pino DT는 시뮬레이션에 최적화된 알고리즘을 사용함으로써 대용량 데이터 처리가 가능하고, 현장 데이터를 실시간으로 시뮬레이션에 반영할 수 있다. 기존 물류 시뮬레이션 설루션에 비해 60~700배 뛰어난 가속 성능을 제공하는 시뮬레이션 도구이다. 제조 현장과 동일한 상황을 시뮬레이션하기 위해 현장과 연동 후 데이터를 가공하여 디지털 트윈 모델로 표현하여 가시화하고, 사용자가 설정한 시간 주기마다 미래를 예측하는 시뮬레이션(proactive simulation)을 백그라운드로 수행한다. 이는 제품의 공정 시간보다 짧은 시간 안에 결과를 확인할 수 있고, AI를 통해 보다 정확한 의사결정을 내릴 수 있도록 지원한다.   그림 6. Pino DT의 모니터링 화면   디지털 트윈 실시간 시뮬레이션 : 미래 예측 실시간 현장 상황을 반영하여 미래를 예측하는 시뮬레이션(proactive simulation)은 제품의 택트 타임(tact time)보다 짧은 시간 내에 결과를 도출해내지 못하면 현장에서 선제 대응하지 못하는 결과를 초래할 수 있다. 모니터링 엔진으로부터 라인 상황에 대한 데이터를 수집하고, 현재로부터 예측하고자 하는 시간 동안 발생하는 이상상황에 대해 피드백을 준다. 예를 들어 조립 라인의 경우에는 부품이 5분 뒤에 부족하다는 알람을 작업자에게 즉시 전달하여 선제적 대응을 가능케 함으로써, 라인 정지 등 비상 상황을 사전에 방지할 수 있다. PINOKIO 디지털 트윈 시뮬레이션은 이러한 역할이 가능하도록 가속화한 고속 시뮬레이션 엔진을 보유하고 있다.   그림 7. 현장 FAB(왼쪽)과 PINOKIO에서 생성된 디지털 트윈(오른쪽)   제조 물류 현장에 특화된 AI 플랫폼 : Pino AI AI를 이용한 설루션을 만들기 위해서는 다양한 상황에 대한 데이터가 필요하다. 하지만 제조 현장의 특성 상 여러 상황에 대한 데이터를 획득하기 어렵다. PINOKIO에서는 현장에서 획득하기 어려운 데이터를 시뮬레이션을 통해 데이터를 확보할 수 있다. 즉, Pino DT 모델이 AI를 위한 데이터를 생성하고, 이를 AI가 최적 값을 도출하여 시뮬레이션에 반영한다. Pino DT에서 획득한 데이터를 파이썬, C, 자바(JAVA) 등 다양한 언어로 구현한 로직을 적용할 수 있도록 개발 환경을 제공하고 있다. 이를 통해 예측 정확도 향상, 데이터 기반 의사 결정, Scheduling, Routing, Dispatching 등 목적에 따라 AI 활용이 가능하다. 또한 LLM, sLLM, 챗GPT(ChatGPT), 메타 라마(Meta Llama) 등과 결합한 대화형 UI를 통해 사용자가 직관적으로 데이터를 분석하고 의사결정에 활용할 수 있다.   그림 8. 대화형 UI 및 결과 리포트   그림 9. Pino DT와 AI 모델 활용 원리   Pino DT와 현장 데이터 인터페이스 디지털 트윈에 가장 중요한 요소는 현장과의 연결이다. 대부분의 물류 전문 설루션이 현장과의 연결을 위한 인터페이스를 지원하지만, 많은 양의 데이터를 처리하면서 실시간으로 시뮬레이션하는데 어려움이 있다. Pino DT는 대용량 데이터 처리와 시뮬레이션 가속 성능이 뛰어나 실시간 모니터링 시스템까지 가능하다. <그림 10>은 현장에 있는 MES와 Pino DT가 인터페이스되는 과정이다. 현장에 있는 PLC가 MES에 데이터를 전달하고, MES는 그 데이터를 데이터베이스에 저장한다. 이를 Pino DT에서 외부 통신(IP)을 통해 데이터베이스에 접근하여 데이터를 시뮬레이션에 반영한다. 이 과정에서 현장 데이터의 상태가 중요하다. 불필요한 데이터가 있거나 로스 또는 시간 순서가 맞지 않은 경우가 대부분이다. Pino DT에서는 현장 데이터를 올바르게 정제하는 작업을 거쳐 현장과 동일한 디지털 트윈 모델을 만든다.   그림 10. 현장 데이터 인터페이스 과정   PINOKIO의 기대 효과 PINOKIO는 현장 운영 데이터를 실시간으로 디지털 트윈과 연동함으로써 모니터링이 가능하며, 전체 공장을 PC, 웹, 모바일 등 다양한 형태로 여러 사용자와 함께 직관적으로 확인하면서 공유하고 협업할 수 있다. 또한 현장과 연결된 디지털 트윈 모델을 이용하여, 미래에 발생 가능한 문제점을 예지(predictive)하고, 이러한 문제점을 사전에 해결하기 위한 선제대응(proactive) 의사결정을 가능하게 한다. 이 때 디지털 트윈을 이용한 사전예지는 온라인 시뮬레이션 기술에 기반하고, 선제대응은 AI 기술에 기반한다고 볼 수 있다. 디지털 트윈 기반 사전예지의 시간적 범위(time horizon)는 현장의 특성에 따라서 0.1시간~10시간으로 달라질 수 있으며, 문제점의 종류는 주로 생산 손실(loss), 부품의 혼류 비율 불균형, 설비 고장예지 및 물류 정체 등을 포함한다. 문제점이 예지되면 이를 해결하기 위한 즉각적인 의사결정 AI 기술을 활용하여 최적 운영을 달성함으로써 생산성, 경제성, 안정성 및 경쟁력 향상 효과가 있다.   맺음말 생산 계획 단계에서 Pino SIM을 통해 레이아웃 검증과 물류를 최적화하고, Pino SIM 모델 데이터를 생산 운영 단계에서 PINOKIO와 연계하여 현장 데이터 기반 실시간 모니터링과 미래 상황 예측 및 선제 대응함으로써 현실적이고 실제 활용 가능한 스마트한 디지털 트윈을 구축할 수 있다. 다음 호부터는 Pino SIM, Pino DT, Pino AI 등 각 제품별 소개 및 적용 사례를 소개하고자 한다.   그림 11. 디지털 트윈을 위한 플랜트 시뮬레이션과 PINOKIO     ■ 기사 내용은 PDF로도 제공됩니다. 

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 BIM(건설 정보 모델링) 포맷 중 하나인 IFC(Industry Foundation Classes) 파일을 세슘(Cesium) 플랫폼에 3D 타일(tiles)로 가시화하는 방법을 간략히 설명한다. 세슘은 디지털 트윈 산업 표준 플랫폼으로 많이 알려져 있다. 이번 호에서는 BIM 가시화 방법을 설명하고, 마지막 부분에 3D 타일 개념과 구조를 간략히 소개한다. 참고로, 세슘에서 개발된 3D 타일은 3D 고속 렌더링을 위한 모델 구조와 렌더링 메커니즘을 제공한다. 이 기술은 현재 공간정보 산업 표준을 담당하는 OGC(Open Geospatial Consortium)와 유기적 협력을 통해 발전하고 있다.   그림 1. 세슘의 3D 타일 가시화 모습 예시   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/ GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   세슘은 구글 어스와 유사한 지구 스케일의 디지털 트윈 플랫폼이다. 이를 이용하면 도시 차원에서 분석하거나 실내 건물을 탐색하는 등의 유스케이스를 개발할 수 있다. 국내 대부분의 3차원 도시 플랫폼 기반 서비스에서 세슘이 사용되고 있다. 세슘은 디지털 트윈 모델을 다루기 위한 저작도구도 함께 제공한다. 개발자는 서비스에 필요한 메뉴 기능, 대시보드에 표출한 데이터 처리에만 신경을 쓰면 된다.   그림 2. 세슘 저작도구 예시   공간정보 기술을 연구하다 보면, 가끔 BIM 파일 포맷 중 하나 인 IFC를 세슘 위에 가시화해야 하는 경우가 종종 발생한다. 하지만 세슘은 IFC를 직접적으로 지원하지 않는다.   그림 3. IFC 추가 에러 발생 모습   세슘은 IFC를 포함한 모든 3D 모델 파일을 3D 타일로 변환해 업로드하도록 하고 있다. 이는 무거운 3D 모델의 가시화 성능을 고려한 것이다. 3D 타일은 웹에서 가시화하기에 무거운 3D 파일을 공간 인덱싱 기법을 이용해 Octree 형식으로 표현하고, 각 노트에 분할된 3D 모델의 부분을 담아둔다. 메시 간략화 기법을 이용해, 카메라가 모델을 비추는 거리에 따라 적절한 LoD(Level of Detail)의 메시를 보여준다. 이는 게임에서 FPS 성능을 올리기 위해 개발된 기법과 매우 유사하다. glTF(https://github.com/ KhronosGroup/glTF)는 3D 타일의 기본 형식이다. 세슘은 다양한 샘플 코드를 샌드캐슬(sandcastle)이란 플랫폼으로 제공하여 편리한 개발을 지원하고 있다.   그림 4. glTF 2.0 기능(3차원 점군, 텍스쳐, 모델 지원 예시)    그림 5. 세슘의 코드 예제   3D 타일 모델 변환 및 업로드 먼저, 다음 링크를 방문해 세슘 아이온(Cesium ion)에 가입한다. Cesium ion – Cesium(https://cesium.com/platform/ cesium-ion) 이후, 세슘의 API, 애셋(asset)을 관리하는 클라우드, 자바스크립트 기반 예제 등을 무료로 사용할 수 있다. 여기서 애셋이란 플랫폼에서 사용하는 GIS, BIM 등 모든 파일 및 데이터셋을 의미한다. 가입 후, <그림 6>의 화면에서 ‘New story’를 클릭해 애셋을 추가해 보자.   그림 6. 세슘 아이온 메뉴 화면   세슘은 3D 모델을 3차원 타일 형식으로 내부 표현한다. 이 형식을 지원하는 파일 포맷은 <그림 7>과 같다.    그림 7     ■ 자세한 기사 내용은 PDF로 제공됩니다.

IBM은 ‘테크익스체인지(TechXchange)’ 연례 행사에서 자사의 진보된 인공지능(AI) 모델 제품군인 ‘그래니트(Granite) 3.0’을 발표했다.  IBM 그래니트 모델은 아파치 2.0 라이선스 하에 공개되어 특정 모델에 대한 비종속성을 갖는다. IBM은 “3세대 그래니트 플래그십 언어 모델은 많은 학술 및 산업 벤치마크에서 비슷한 크기의 다른 모델들을 능가하거나 동등한 성능을 보이며, 성능, 투명성, 안전성을 입증했다”고 전했다. 이번에 발표된 IBM의 그래니트 3.0 제품군은 범용/언어 모델, 안전 장치 및 안전성 모델, 혼합 전문가 모델 등으로 구성되었다. 이 중 새로운 그래니트 3.0 8B 및 2B 언어 모델은 기업 AI에 최적화된 주력 모델로 설계되어, RAG(검색 증강 생성), 분류, 요약, 엔터티 추출 및 도구 사용과 같은 다양한 작업에서 높은 성능을 제공한다. 이 모델들은 소형이면서도 유연해 기업 데이터를 기반으로 세밀하게 조정할 수 있으며, 다양한 비즈니스 환경과 워크플로에 손쉽게 통합되도록 설계되었다는 것이 IBM의 설명이다.     대부분의 대규모 언어 모델(LLM)은 공개 데이터를 기반으로 훈련되며, 기업의 데이터를 활용하는 경우는 아직 많지 않다. IBM은 지난 5월 레드햇과 함께 선보인 인스트럭트랩(InstructLab) 정렬 튜닝 기법을 통해 소형 그래니트 모델과 기업 데이터를 결합하면 더 큰 모델의 성능을 훨씬 낮은 비용으로 구현할 수 있다고 소개한 바 있다. 특히, IBM은 왓슨x.ai(watsonx.ai)에서 제공되는 모든 그래니트 모델에 대해 지적 재산권 보장 프로그램을 제공해, 기업 고객이 자신의 데이터를 모델과 결합해 사용할 수 있도록 지원한다. 그래니트 3.0 기술 보고서와 사용 가이드는 이 모델들을 훈련하는 데에 사용된 데이터 세트, 필터링, 정제 및 큐레이션 과정에 대한 상세 정보와 주요 학술 및 기업 벤치마크에서의 성능 결과를 제공한다. IBM은 이번 출시를 통해 그래니트 가디언(Granite Guardian) 모델도 새롭게 선보였다. 이 모델은 애플리케이션 개발자가 사용자 명령어와 LLM의 답변에서 발생할 수 있는 다양한 위험 요소를 감지해 안전 장치를 구현할 수 있도록 지원한다. 그래니트 가디언 3.0 8B와 2B 모델은 포괄적인 위험 및 피해 탐지 기능을 제공한다. 이 모델은 사회적 편견, 증오, 유해성, 욕설, 폭력, 보안 우회(jailbreaking) 등의 위험 요소를 감지할 뿐만 아니라, 정보의 신뢰성, 맥락의 적합성, 답변의 관련성과 같이 RAG 작업에 특화된 고유한 검증 기능도 갖추고 있다. 그래니트 가디언 모델은 그래니트 언어 모델에서 파생되었지만, 타사의 어떤 AI 모델과도 함께 안전 장치를 구현하는 데에 사용할 수 있다. 한편, IBM은 왓슨x 오케스트레이트(watsonx Orchestrate)와 같은 로코드 도구와 자동화를 통해 기업들이 자체 AI 어시스턴트를 쉽게 개발할 수 있도록 돕는 기술부터 고객 서비스, 인사, 영업, 마케팅 등 특정 업무와 영역에 특화시켜 사전 구축된 어시스턴트에 이르기까지 다양한 AI 어시스턴트 기술 포트폴리오를 지속적으로 발전시키고 있다고 전했다. 전 세계의 많은 조직이 왓슨x 어시스턴트를 활용해 고객이나 직원의 질문에 답변하고, 레거시 IT 애플리케이션을 현대화하며, 학생들이 직업 경로를 탐색하도록 돕거나 주택 구매자를 위한 디지털 융자 지원을 제공하는 등 AI 어시스턴트를 구축했다. 이를 위해 IBM은 그래니트 코드 모델을 기반으로 C, C++, Go, 자바(Java), 파이썬(Python) 등 다양한 프로그래밍 언어에 대한 범용 코딩 지원과 엔터프라이즈 자바(Java) 애플리케이션을 위한 고급 애플리케이션 현대화 기능을 제공하는 차세대 ‘왓슨x 코드 어시스턴트(watsonx Code Assistant)’ 도 올해 4분기에 출시할 예정이라고 발표했다. 그래니트 3.0 모델은 아파치 2.0 라이선스 하에 허깅페이스(HuggingFace)에서 다운로드할 수 있다. 그래니트 3.0 8B 및 2B 언어 모델의 인스트럭트 버전과 그래니트 가디언 3.0 8B 및 2B 모델은 IBM 왓슨x 플랫폼에서 상업적으로 사용가능하다. 일부 그래니트 3.0 모델은 엔비디아의 NIM 마이크로서비스 및 허깅페이스와 통합된 구글 클라우드의 버텍스 AI 모델 가든(Vertex AI Model Garden)을 통해서도 제공된다. 또한, IBM은 전 세계 기업들에 더 많은 선택지를 제공하기 위해 AWS, 도커(Docker), 도모(Domo), 퀄컴 테크놀러지스(Qualcomm Technologies, Inc.)의 퀄컴 AI 허브(Qualcomm AI Hub), 세일즈포스(Salesforce), SAP 등 생태계 파트너들과 다양한 그래니트 모델을 이들 파트너 솔루션에 통합하거나 플랫폼에서 사용할 수 있도록 협력하고 있다.

SAP는 연례행사인 ‘SAP 테크에드(TechEd)’를 통해 AI 전략과 실행 계획이 수립되어 있는 SAP를 활용하는 것이 곧 AI 시대를 앞서는 방안이 될 것이라고 강조했다. SAP는 AI 시대의 혁신을 위해 최적의 솔루션을 상호연결하는 역량이 중요하다고 보고 있으며, 이에 따라 생성형 AI 코파일럿인 쥴(Joule)의 기능을 강화했다. 이와 함께, SAP는 혁신의 속도에 맞춰 단기간에 가치를 실현할 수 있는 능력이 중요하다면서, 혁신의 중심에 있는 클라우드로 이전이 우선되어야 한다고 밝혔다. 이를 위해 SAP는 클라우드 ERP 솔루션인 그로우 위드 SAP(GROW with SAP)와 라이즈 위드 SAP(RISE with SAP)를 통해 기업 고객을 지원하고 있다. 그로우 위드 SAP는 SAP S/4HANA 클라우드 퍼블릭 에디션(SAP S/4HANA Cloud Public Edition)을 통해 클라우드로 비즈니스를 시작하는 신규 고객을 지원하는 솔루션이며, 라이즈 위드 SAP는 SAP S/4HANA 클라우드 프라이빗 에디션(SAP S/4HANA Cloud Private Edition)을 통해 기존 ERP를 현대화하고자 하는 고객 대상의 솔루션이다. 고객의 비즈니스 변혁을 지원하기 위해 AI 기술을 활용하는 데 중점을 두는 SAP 비즈니스 AI(SAP Business AI)는 신뢰성, 용이성, 높은 가치를 지닌 책임감 있는 AI를 목표로 하며, AI를 모든 사용자에게 코파일럿으로 제공하여 포괄적인 경험을 제공한다. SAP는 2024년 말까지 1200개의 기술을 통해 더 많은 워크플로에 영향을 미칠 계획이다.   ▲ SAP의 무하마드 알람 제품 엔지니어링 총괄은 AI 기능 강화 및 전체 솔루션에 걸친 AI 결합에 관한 핵심 전략을 소개했다.   SAP는 테크에드 이벤트에서 쥴을 중심으로 한 새로운 비즈니스 방식을 제시하고, 혁신적인 AI 기술을 공개했다. SAP는 쥴을 확장하고 보완하는 새로운 기능을 선보였는데, 여기에는 여러 분야에 걸친 복잡한 작업을 완료하는 맞춤형 스킬을 갖춘 협업형 AI 에이전트가 포함된다. 이외에도 SAP 데이터에 풍부한 비즈니스 컨텍스트를 연결해, 개발자가 데이터 가치를 최대한 활용할 수 있도록 돕는 차세대 솔루션 ‘SAP 지식 그래프(SAP Knowledge Graph)’와 개발자들의 비즈니스 AI(Business AI) 혁신을 가속화할 새로운 도구 등 다양한 혁신이 발표됐다. SAP는 쥴에 협업형 AI 에이전트를 도입하고, 쥴의 기능을 확장해 SAP의 포트폴리오 전반에 더 깊이 통합했으며, SAP에서 가장 많이 사용되는 비즈니스 작업의 80%를 지원하도록 했다. 또한, 협업형 멀티 에이전트 시스템은 특정 작업 처리에 특화된 AI 에이전트를 배치하고, 복잡한 비즈니스 워크플로에서 AI 에이전트들이 협력할 수 있도록 하며, 공동 목표 달성을 위해 전략을 조정하도록 돕는다. SAP는 비즈니스 기능 전반에 고유한 전문성을 결합해 복잡한 워크플로를 공동으로 완수하는 여러 협업형 AI 에이전트를 쥴에 도입하고 있다. 이러한 AI 에이전트들은 사일로를 허물고, 직원들이 창의성을 발휘하는 분야에 집중할 수 있도록 함으로써, 조직의 생산성을 향상시킨다. 한편, SAP는 자사의 비즈니스 데이터 전문성을 기반으로 AI 혁신을 이룰 수 있다면서, 2025년 1분기에 SAP 데이터스피어(SAP Datasphere)와 쥴을 통해 이용할 수 있는 새로운 SAP 지식 그래프 솔루션을 선보일 것이라고 밝혔다. SAP 지식 그래프 솔루션은 SAP의 방대한 데이터 환경에서 관계와 컨텍스트를 원활하게 연결해 사용자에게 더 깊은 비즈니스 통찰을 제공할 예정이다. 이를 통해 조직은 데이터를 기반으로 더 나은 결정을 내릴 수 있게 된다. 또한 이 SAP 지식 그래프는 구매 주문서, 송장, 고객과 같은 비즈니스 개체 간의 사전 설정된 관계를 제공해 수동 데이터 모델링의 복잡성을 줄여준다. 아울러 AI가 SAP 고유의 비즈니스 체계에 기반하도록 해, 부정확하거나 관련 없는 결과의 위험을 줄이고, 조직이 더 쉽게 지능형 애플리케이션을 구축하고 생성형 AI를 더 효과적으로 활용할 수 있게 지원한다. SAP는 개발자가 비즈니스 AI 혁신을 지속적으로 추진할 수 있도록 하는 혁신 기능도 발표했다. SAP의 솔루션 확장 플랫폼 ‘SAP 빌드(SAP Build)’는 코드 설명, 문서 검색과 같은 새로운 생성형 AI 개발자 기능을 제공하며, 이는 자바 및 자바스크립트 개발자의 개발 시간을 단축시킬 수 있다. 또한 SAP 빌드는 SAP S/4HANA 클라우드 퍼블릭 에디션에서 SAP 빌드에 직접 접근할 수 있는 ‘확장성 마법사(Extensibility Wizard)’ 기능을 추가해 확장 프로세스를 간소화한다. 이밖에 ABAP 개발자와 퓨전 팀은 SAP 빌드에서 ABAP 클라우드 개발 도구에 원활하게 접속할 수 있게 된다. SAP의 무하마드 알람(Muhammad Alam) 제품 엔지니어링 총괄 및 이사회 임원은 “SAP는 혁신을 통해 실질적인 비즈니스 성과를 창출하며, 이번에 발표된 혁신은 고객이 AI, 데이터, 새로운 개발 솔루션을 활용해 성장할 수 있도록 지원한다”고 밝혔다. 또한 “이번 테크에드에서 발표한 AI 혁신은 SAP의 독보적인 비즈니스 및 기술 전문성을 바탕으로, 인간과 AI 간의 새로운 파트너십을 이끌어내어 현대 비즈니스의 지형을 변화시킬 것”이라고 말했다.

오라클이 프로그래밍 언어이자 개발 플랫폼인 자바의 최신 버전인 ‘자바 23(Java 23)’을 출시했다. 자바 23(오라클 JDK 23)은 개발자 생산성을 개선하고 혁신을 추진하기 위한 수천 가지 개선 사항을 제공한다. 또한, 플랫폼 성능, 안정성 및 보안이 향상되어 기업의 비즈니스 성장 가속화를 지원한다. 자바 23은 자바 언어, 런타임, 라이브러리, 자바 개발 키트(JDK)에 포함된 도구 전반에 대한 개선 및 기능 향상을 제공한다. 자바 23은 개발자를 위해 추가된 새로운 개선 사항 및 기능에 더해 기업에도 향상된 가치를 제공한다. 예를 들면, 자바 23은 자바 관리 서비스(JMS) 9.0의 최신 GA에서 지원된다. 오라클 클라우드 인프라스트럭처(OCI) 네이티브 서비스인 JMS 9.0은 통합 콘솔 및 대시보드를 제공하여 온프레미스(사내구축형) 혹은 클라우드 환경에서 자바 런타임 및 애플리케이션을 관리할 수 있다. JMS 9.0은 이외에도 다양한 사용성 개선 사항을 제공하며, 그랄(Graal) 컴파일러가 추가된 오라클 JDK 23는 높은 성능의 미세 조정 및 개선을 위한 더 많은 옵션을 제공한다. 그랄 컴파일러는 바이트코드를 최적화된 머신 코드로 변환해 주는, 자바로 작성된 동적 JIT(Just-In-Time) 컴파일러다.     오라클은 자바 23을 지원하는 하이퍼스케일 클라우드 중 하나인 OCI에 자바 애플리케이션을 배포하면 더욱 향상된 성능과 효율성, 비용 절감 효과 및 혁신을 누릴 수 있다고 설명했다. 자바 23은 오라클 자바 SE(Oracle Java SE), 오라클 그랄VM(Oracle GraalVM), 자바 SE 구독 엔터프라이즈 퍼포먼스 팩(Java SE Subscription Enterprise Performance Pack)을 추가 비용 없이 OCI를 통해 제공하며, 개발자가 더욱 빠르고 매끄럽게 실행되는 애플리케이션을 최적화된 비용 대비 성능으로 구축 및 배포할 수 있도록 지원한다. 오라클 자바 유니버설 SE 구독(Oracle Java Universal SE Subscription) 프로그램에는 전체 자바 포트폴리오에 대한 우선순위 분류 기반 지원, 오라클 그랄VM 사용 권한, 자바 SE 구독 엔터프라이즈 퍼포먼스 팩, JMS의 고급 기능 접근 권한, 기업의 비즈니스 현황을 반영한 업그레이드 유연성 등이 포함된다. 이 서비스는 IT 기업의 복잡성 관리, 보안 위험 완화, 비용 절감에 도움을 준다. 오라클은 최근 개최된 오라클 클라우드월드(Oracle CloudWorld)에서 오라클 코드 어시스트(Oracle Code Assist)가 자바용으로 가장 먼저 최적화될 것이라고 발표했다. 오라클 코드 어시스트는 자바 애플리케이션의 구축을 손쉽게 만들어 주는 AI 코딩 동반 툴이며, OCI에서 실행되는 오라클 코드 어시스트 서비스는 C, C++, 고(Go), 자바스크립트(JavaScript), PL/SQL, 파이썬(Python), 루비(Ruby), 러스트(Rust)에서도 곧 이용할 수 있다. IDC의 아르날 다야라트나(Arnal Dayaratna) 소프트웨어 개발 담당 연구 부사장은 “자바는 점점 더 다양해지는 기업의 최신 애플리케이션 개발 요구를 지원하기 위해 진화를 거듭하고 있다”면서 “신규 릴리스는 개발자가 툴셋을 확장해 생산성을 개선할 수 있도록 지원하며, AI 등 혁신 기술을 활용하는 애플리케이션의 구축 및 제공이 가능하다. 자바는 6개월마다 새로운 혁신 기능을 제공하여 개발 팀이 기업에 의미 있는 기여를 할 수 있도록 지속적으로 돕고 있다”고 전했다. 오라클의 조지 사브(Georges Saab) 자바 플랫폼 부문 수석 부사장 겸 오픈JDK(OpenJDK) 이사회 의장은 “자바 23에 추가된 새로운 기능은 모든 수준의 개발자가 생산성을 높이고, 안전하며 확장 가능한 고성능 애플리케이션을 간단히 개발할 수 있도록 도와준다”면서 “자바 23은 개발자의 애플리케이션 구축 및 제공 속도와 효율성을 높이기 위해 설계된 광범위한 신기능 및 도구들을 통해 개발 팀과 그들이 속한 조직이 혁신을 주도하고 비즈니스 성장을 촉진할 수 있도록 지원한다”고 설명했다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 공간정보 기반 서비스 웹 애플리케이션을 개발하기 위해 장고(Django)와 부트스트랩(Bootstrap)을 사용해 GIS 기반 IoT 데이터 분석 스타일의 대시보드 개발 방법을 간략히 정리하고, 개발 후 서비스하는 방법을 살펴본다.  이를 통해 공간정보 기반 IoT 장비를 하나의 대시보드로 관리하고 분석하는 것이 가능하다. 여기서 공간정보는 GIS, BIM, 3D 점군(point cloud) 데이터와 같이 공간상 좌표로 표현되는 모든 정보를 말한다.    ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   그림 1. IoT 대시보드 웹 앱   이 글은 개발자가 애용하고 있는 파이썬(Python) 기반의 장고 플랫폼을 사용한다. 부트스트랩은 반응형 웹 사이트를 개발하기 위한 가장 인기 있는 HTML, CSS 및 자바스크립트(JavaScript) 프레임워크이다. 이번 호에서는 다음의 내용을 이해할 수 있다.  부트스트랩 대시보드 UI 라이브러리 사용법 장고 프레임워크의 데이터 모델과 웹 UI 간의 연계 방법 GIS 맵 가시화 및 이벤트 처리 실시간 IoT 데이터에 대한 동적 UI 처리 방법   요구사항 디자인 다음과 같은 목적의 웹 앱 서비스를 가정한다.  GIS 기반 센서 위치 관리 IoT 데이터셋 표현 IoT 장치 관리 IoT 장치 활성화 관리 KPI 표현 계정 관리 기타 메뉴    개발 환경 준비 개발 도구 개발에 필요한 도구는 다음을 사용한다. UI : bootstrap 웹 앱 프레임워크 : DJango GIS : leaflet, Cesium 데이터 소스 : sqlite, spreadsheet, mongodb 구현된 상세 소스코드는 다음을 참고한다. https://github.com/mac999/IoT_simple_dashboard/tree/main   장고 기반 웹 앱 프로젝트 생성 장고는 파이썬으로 작성된 고수준의 웹 프레임워크로, 웹 애플리케이션 개발을 빠르고 쉽게 할 수 있도록 도와준다. 장고는 ‘The web framework for perfectionists with deadlines’라는 슬로건을 가지고 있으며, 많은 기능을 내장하고 있어 개발자가 반복적인 작업을 줄이고 핵심 기능에 집중할 수 있도록 한다. 다음과 같이 명령창을 실행하고, 장고 웹 앱 프로젝트를 생성한다.    python -m venv myenv source myenv/bin/activate  pip install django pandas django-admin startproject iot_dashboard cd iot_dashboard python manage.py startapp dashboard   생성된 프로젝트 폴더 구조는 <그림 2>와 같다.   그림 2   디자인 스타일 고려사항 부트스트랩 레이아웃 표현 부트스트랩은 웹 개발에서 널리 사용되는 프론트엔드 프레임워크로 주로 HTML, CSS, 자바스크립트로 작성되어 있다. 트위터의 개발자에 의해 처음 만들어졌으며, 웹 애플리케이션의 개발 속도를 높이고 반응형 디자인을 쉽게 구현할 수 있도록 도와준다.  부트스랩의 그리드 시스템은 12개 열로 디자인된다. 이는 유연성과 사용 편의성을 제공하기 위한 디자인 결정이다. 반응형 웹사이트를 구축하는 데에 많이 사용된다.  참고로, 12라는 숫자는 많은 약수(1, 2, 3, 4, 6, 12)를 갖고 있어 다양한 열의 조합으로 균등하게 나눌 수 있다. 이를 통해 분수나 번거로운 나머지 없이 다양한 레이아웃을 만들 수 있다. 유연성 : 12개의 열을 사용하면 다양한 화면 크기와 디바이스에 적합한 레이아웃을 쉽게 만들 수 있다. 각 요소가 차지하는 열의 수를 조정하여 대형 데스크톱 화면, 태블릿 및 스마트폰에서 잘 보이는 반응형 디자인을 만들 수 있다. 이해하기 쉬움 : 12개의 열을 기반으로 한 그리드 시스템은 디자이너와 개발자에게 직관적이다. 그리드 내에서 요소가 어떻게 동작할지 시각화하고 계산하기 쉽기 때문에, 일관된 레이아웃을 생성하고 유지하기가 간단하다. 디자인 관행 : 12개의 열을 사용하는 그리드 시스템은 부트스트랩 이전부터 다양한 그래픽 디자인 및 레이아웃 소프트웨어에서 사용되어 왔다.      ■ 자세한 기사 내용은 PDF로 제공됩니다.

아마존웹서비스(AWS)는  AI 모델 훈련 인프라부터 AI 구축 도구, AI를 활용한 애플리케이션까지 폭넓은 생성형 AI(generative AI) 서비스 포트폴리오를 내세우고 있다. 작년부터 300개가 넘는 생성형 AI 기능을 추가하고 있는 AWS는 올해 기업의 생성형 AI 활용이 본격화될 것으로 보고, 이 시장을 리드하기 위한 기술을 적극 소개한다는 계획이다. ■ 정수진 편집장   생성형 AI의 본격 활용 확대 전망 2023년에는 생성형 AI(generative AI)가 전 세계적으로 큰 관심을 받았다. 많은 기업이 생성형 AI에 관심을 갖고, 활용 가능성을 검토하기 시작했다. AWS코리아에서 AI/ML 사업 개발을 담당하는 김선수 수석 스페셜리스트는 “많은 기업이 생성형 AI를 활용하기 위한 시범 과제를 진행했지만, 기술 자체에 매몰되면서 실질적으로 어떻게 적용할지에 대한 고민이 부족한 모습도 보였다. 반면, 올해에는 생성형 AI를 실질적으로 기업 환경에 적용하는 방법에 대한 고민과 논의가 본격화되고 있다”고 짚었다. 기업에서는 AI 모델뿐만 아니라 이를 활용하기 위한 데이터 연계, 내부 시스템과의 통합, 보안, 책임감 있는 AI 구현의 중요성에 주목하고 있다. 김선수 수석 스페셜리스트는 “AWS는 2023년 이후 326개의 생성형 AI 기능을 출시했는데, 이는 지난 18개월동안 다른 주요 AI 서비스 제공업체를 합친 것보다 두 배 이상 많은 숫자”라면서, “AWS는 광범위한 AI 기능과 서비스를 제공하고 있으며, 이를 통해 기업들이 생성형 AI 기술을 효과적으로 활용할 수 있도록 돕고 있다”고 소개했다. AWS의 생성형 AI  서비스는 AI 모델을 직접 구축하고 훈련하며 추론하는 인프라와 플랫폼부터 기업이 다양한 AI 애플리케이션을 구축할 수 있도록 돕는 도구, AI를 활용하는 애플리케이션까지 다양하다. 이 중 아마존 베드록(Amazon Bedrock)은 단일 API를 통해 여러 AI 모델을 손쉽게 사용할 수 있게 해주는 서비스로, 기업들이 파운데이션 모델(FM)을 활용해 생성형 AI 애플리케이션을 구축 및 확장할 수 있도록 돕는다. 특정 AI 모델에 의존하지 않고 필요에 맞는 모델을 선택하여 다양한 산업 요구에 대응할 수 있다는 것이 베드록이 내세우는 주요한 이점이다.   ▲ AWS의 생성형 AI 서비스 3단계 스택   생성형 AI의 구축과 활용 돕는 서비스 강화 AWS는 지난 7월 ‘AWS 서밋 뉴욕 2024’ 이벤트에서 아마존 베드록의 새로운 기능을 발표했다. 아마존 베드록은 아마존뿐 아니라 앤트로픽(Anthropic), 메타(Meta), 미스트랄 AI(Mistral AI) 등 다양한 회사의 AI 모델을 선택해 사용하도록 지원하는데, 이번에 앤트로픽의 클로드 3(Claude 3) 모델에 대한 미세조정(파인튜닝) 작업을 설정할 수 있게 됐다. 이로써 더 많은 생성형 AI 모델에 대한 최적화가 가능해졌다는 것이 AWS의 설명이다. 김선수 수석 스페셜리스트는 생성형 AI 모델을 전문화/개인화하는 데에 쓰이는 검색 증강 생성(Retrieval Augmented Generation) 기법을 소개하면서, AI 모델이 기업의 내부 데이터를 연계하여 더욱 정확하고 산업에 특화된 답변을 제공할 수 있도록 돕는 ‘지식 기반을 위한 확장된 데이터 커넥터’가 추가됐다고 소개했다. 이 커넥터는 CSV, PDF 등 다양한 데이터를 연결해 기업이 AI 모델을 커스터마이징하도록 돕는다. 이를 통해 산업별로 특화된 답변을 제공하거나, 실시간 데이터를 활용해 더욱 정교한 결과를 얻을 수 있다. 또한, AWS는 책임감 있는 AI를 구현하기 위해 보안/보호 기능의 일부로 아마존 베드록에 추가된 가드레일(Guardrails for Amazon Bedrock)을 소개했다. 가드레일은 생성형 AI 애플리케이션을 만들 때 개인정보 보호와 안전 조치를 만들 수 있도록 돕고, 이를 통해 AI 모델이 유해한 콘텐츠를 85% 이상 줄이도록 돕는다. 가드레일의 그라운딩 체크(Grounding Checks) 기능은 AI 모델이 제공하는 답변이 사용자가 의도한 참조 자료와 일치하는지, 그리고 질의 내용과 관련성이 있는지를 평가해 환각 현상을 감지/차단하면서 신뢰할 수 있는 결과를 제공하도록 한다. 김선수 수석 스페셜리스트는 “AWS는 다양한 AI 모델과 기술, 그리고 이를 지원하는 도구와 함께 기업이 필요로 하는 AI 구현에 대한 요구를 충족시키는 다양한 기능을 제공하고 있다”면서, “앞으로도 AWS는 AI 기술과 서비스의 발전을 추진하며, 기업이 생성형 AI를 통해 새로운 비즈니스 기회를 창출할 수 있도록 지원할 것”이라고 전했다.   ▲ 아마존 Q 디벨로퍼의 커스터마이제이션 기능   생성형 AI로 개발자의 업무 효율 높인다 AWS코리아의 윤석찬 수석 테크 에반젤리스트는 “AWS의 생성형 AI 기술은 개발자가 더욱 창의적이고 가치 있는 작업에 집중할 수 있도록 돕고 있으며, 기업의 디지털 혁신을 가속화하는 데에 중요한 역할을 한다”면서, 개발자를 위한 생성형 AI 기술을 소개했다. 가트너(Gartner)에 따르면, 일반적으로 개발자는 27%의 시간을 새로운 기능을 개발하는 데에 사용하고, 73%의 시간은 기존 코드의 유지보수나 보안 취약점 해결에 사용한다. 생성형 AI가 이 73%의 시간을 줄여서 개발 생산성을 높일 수 있다는 것이 윤석찬 수석 테크 에반젤리스트의 설명이다. AWS의 ‘아마존 Q 디벨로퍼(Amazon Q Developer)’는 AWS가 20년간 축적한 데이터를 기반으로 학습된 생성형 AI를 활용해 개발자의 작업을 지원하는 생성형 AI 챗봇 서비스이다. 새로운 코드를 생성하는 것뿐만 아니라 기존 코드의 업그레이드에도 쓰이며, 인프라를 관리하거나 생산성을 높이는 데에 도움을 준다는 것이 AWS의 설명이다. 윤석찬 수석 테크 에반젤리스트는 Q 디벨로퍼가 소프트웨어 개발의 전체 단계에서 쓰일 수 있다고 설명했다. 웹 애플리케이션을 만들 때 챗봇을 통해 개발 방식에 대한 가이드를 받고, 코드를 구현할 때에도 AI가 제안한 코드를 검토해 수용할 수 있다. 코드 테스트와 품질 보장 기능은 보안 취약점이나 비용이 많이 드는 코드 등을 쉽게 확인할 수 있게 한다. 또한, 자바(Java) 8에서 자바 11 또는 17로 코드를 자동 변환하는 기능은 개발자가 수작업으로 코드를 수정하는 번거로움을 덜어준다. AWS는 Q 디벨로퍼에 커스터마이제이션 기능을 추가했는데, 이 기능을 통해 회사 내 소스 코드 저장소나 규정 문서를 기반으로 기존의 코드 및 사내 규정에 맞는 맞춤형 코드 제안을 받을 수 있다. 이 기능은 벡터 데이터베이스에 회사 데이터를 저장하고, 이를 AI 모델에 연결해 제안할 수 있게 한다.  또한, Q 디벨로퍼는 보안과 데이터 관리, 그리고 생성형 AI의 응답에 대한 가드레일 기능을 기본으로 탑재해 안전성을 높였다. 윤석찬 수석 테크 에반젤리스트는 “영국의 브리티시 텔레콤 그룹의 경우, Q 디벨로퍼 도입 후 4개월 동안 10만 줄 이상의 새로운 코드를 생성하고, 반복 작업의 12%를 자동화하여 효율을 높였다. 또한, 생성형 AI가 제안한 코드의 37%는 개발자가 바로 수락해 사용할 정도로 유용성이 입증되었다”고 전했다. 한편, AWS는 개발자 리소스가 부족한 기업에서 일반 직원도 쉽게 애플리케이션을 개발할 수 있도록 돕는 ‘AWS 앱 스튜디오(AWS App Studio)’를 발표했다. 이 로코드 도구는 개발자가 아닌 사람들도 손쉽게 애플리케이션을 만들 수 있도록 도와주며, 이를 통해 업무 효율을 높일 수 있다.     ■ 기사 내용은 PDF로도 제공됩니다.