한국후지필름비즈니스이노베이션(이하 한국후지필름BI)이 지난 9월 18일부터 9월 30일까지 20대부터 50대 직장인 1180명을 대상으로 실시한 ‘직장인 AI·AX 설루션 인식 조사’ 결과를 발표했다. 이번 조사는 AI 기술이 업무 현장에 어떤 방식으로 도입·활용되고 있는지와 이에 대한 직장인들의 인식을 알아보기 위해 실시됐다. 조사에 따르면 응답자의 66%가 현재 업무에서 인공지능(AI) 툴을 활용하고 있다고 답했다. 이는 직장인 3명 중 2명이 AI를 업무에 도입해 사용 중임을 의미하며, AI 기술이 빠르게 직장 내 업무 환경 전반으로 확산되고 있음을 보여준다. 가장 많이 사용되는 AI 툴(복수응답)은 챗지피티(ChatGPT, 85%)가 압도적인 비중을 차지했으며, 이어 제미나이(Gemini, 36%), 퍼플렉시티(Perplexity, 27%), 마이크로소프트 코파일럿(Microsoft Copiliot, 15%)순으로 나타났다. AI 툴 사용자들은 ‘업무 속도 향상’(70%)과 ‘결과물 품질 개선’(46%)을 주요 만족 요인으로 꼽았다. 반면, 응답자의 절반 가까이(48%)는 “효율은 높아졌지만 정확도와 의존성 문제도 경험했다”고 답했으며, ‘개인정보·영업비밀 유출 위험’(47%)과 ‘답변의 편향성·공정성 문제’(44%) 역시 주요 우려 요인으로 지적됐다. 이는 기업에서의 AI 툴 활용 확산의 지속을 위해선 보안과 신뢰성 확보가 뒷받침되어야 함을 보여준다. 한편, AI 툴을 사용하지 않는 직장인 중 절반은 ‘회사 차원의 지원 부재’(48%)를 비사용 이유로 꼽았다. 이들 중 향후 AI 툴 도입 의향이 있는 응답자들은 ‘회사 계정·툴 제공’(69%)과 ‘교육 및 가이드 제공’(57%)을 필요 요소로 선택해, AI 확산의 관건이 개인 역량보다 조직적 인프라와 정책 정비에 있음을 시사했다. 조직 차원의 AI 툴 도입 현황을 묻는 질문에서는 ‘아직 도입하지 않았다’는 응답이 47%로 가장 높았으며, 도입의 주요 장벽으로는 ‘데이터 보안 및 관리 문제’(37%)가 꼽혔다. 이는 개인뿐 아니라 조직 차원에서도 보안에 대한 우려가 AI 도입을 주저하게 만드는 핵심 요인으로 작용하고 있음을 보여준다. 결국 AI 도입의 핵심 과제는 보안이며, 디지털 전환(DX)과 AI 혁신(AX)의 성공 역시 AI에 대한 신뢰도 확보에 달려 있음을 시사한다. 한국후지필름BI의 하토가이 준 대표는 “이번 조사를 통해 AI가 이미 업무 환경에서 적극 활용되고 있지만, 결과물의 정확도와 보안, 조직 차원의 인프라 부족 등 다양한 과제가 남아있음을 확인했다”며, “앞으로 한국후지필름BI는 AI를 기반으로 협업·자동화 환경을 고도화해 중소기업 시장의 차세대 업무 생태계 구축을 선도해 나갈 것”이라고 말했다.  

디지털 트윈과 AI가 시뮬레이션과 현실의 간극을 메우다   제조 시설은 지속적인 문제에 직면해 있다. 정비 일정은 일반적으로 실제 마모와 관계없이 3개월마다 부품을 점검하고 6개월마다 구성 요소를 교체하는 등 엄격한 일정을 따른다. 그 결과 불필요한 점검과 교체로 인한 비효율적인 시간 낭비가 발생하고, 반대로 정비 일정 전에 부품이 고장 나는 일도 생긴다. 센트랄수펠렉-파리 사클레대학교(CentraleSupélec–Université Paris-Saclay)의 지궈 젠(Zhiguo Zeng) 교수와 그의 연구팀은 디지털 트윈 기술과 딥러닝을 결합한 혁신적인 접근 방식을 통해 이 문제를 해결하고 있다. 그들의 목표는 모든 중요 부품에 센서를 배치할 필요 없이 시스템 수준의 모니터링 데이터만으로 로봇 시스템의 구성요소 수준의 고장을 감지하는 것이다. 젠 교수는 “유지보수는 공장에서 매우 큰 문제”라면서, “기계에 유지보수가 필요한 시기를 미리 안다면 주문이 적은 시기에 수리 일정을 잡을 수 있어 생산성 손실을 최소화할 수 있다”고 말했다. 그는 신뢰성 공학과 수명 예측 분야에서 풍부한 경험을 갖고 있지만, 디지털 트윈 기술은 그의 이전 연구와는 결이 다른 새로운 영역이었다. 센트랄수펠렉의 안 바로스(Anne Barros) 교수와 페드로 로드리게스-아예르베(Pedro Rodriguez-Ayerbe) 교수가 주도하는 학제 간 프로젝트인 ‘미래의 산업(Industry of the future)’에 참여하면서, 그는 디지털 트윈이 어떻게 강력한 시뮬레이션 도구를 물리적 시스템에 실시간으로 직접 연결할 수 있는지 깨달았다. 젠 교수는 “디지털 트윈은 결함 진단에 매우 유용하다. 이를 실제 기계의 데이터에 연결하여 그 데이터로 모델을 개선할 수 있다”고 설명했다.  제조업, 자동차, 항공우주 및 기타 분야로 활용 영역이 확대되면서, 디지털 트윈은 인더스트리 4.0에서 유망한 기술 중 하나로 자리잡고 있다. 물리적 객체나 시스템의 가상 복제본인 디지털 트윈(digital twin)을 생성함으로써, 조직은 운영 현황과 유지보수 필요성을 명확하게 파악할 수 있다. 또한 디지털 트윈은 예측 유지 관리 시스템 개발의 어려운 측면 중 하나인 고장 데이터의 부족에 대한 해결책을 제시한다. 젠 교수는 “현실에서는 고장이 자주 발생하는 걸 보기는 어렵다. 그래서 이제는 시뮬레이션을 통해 고장 데이터를 만들어낸다”고 설명했다.   가상과 물리의 가교 역할 디지털 트윈 프로젝트는 물리적 시스템과 가상 시스템 간의 다양한 수준의 통합을 통해 구현 옵션을 제공한다. 젠 교수의 연구팀은 세 가지 서로 다른 수준의 디지털 표현으로 작업했다. 기본 수준에서 디지털 모델은 기존 시뮬레이션처럼 작동하며, 물리적 시스템과 데이터를 교환하지 않는 정적 모델로 오프라인에서 실행된다. 그다음 단계는 디지털 섀도로, 가상 모델이 물리적 시스템의 데이터를 받아 그 행동을 미러링하지만 제어하지는 않는다. 가장 발전된 구현은 데이터와 정보의 양방향 흐름을 갖춘 진정한 디지털 트윈이다. 여기서 모델은 관찰을 바탕으로 스스로 업데이트하고 물리적 시스템을 제어하는 실시간 결정을 내린다. 연구팀은 테스트용으로 ArmPi FPV 교육용 로봇을 선택했다. 이 로봇은 5개의 관절과 하나의 엔드이펙터로 구성되며, 6개의 서보 모터로 제어된다. 결함 진단의 기초가 될 만큼 정확한 디지털 트윈을 만드는 것은 어려운 일이었다. 또한 기존 모니터링 접근 방식의 한계를 해결해야 했다. 젠 교수는 “대부분의 산업 사례에서 베어링을 진단하려면 베어링 수준의 센서가 필요하며, 이는 쉽지 않은 일이다. 내부에 베어링이 있는 큰 기계를 상상해보면 센서를 설치하기 위해서는 기계를 분해해야 하는데 때로는 공간이 충분하지 않을 때도 있다”고 말했다.   그림 1. ArmPi FPV 교육용 로봇(출처 : 센트랄수펠렉)   그들의 접근 방식은 시스템 수준 데이터(로봇 엔드 이펙터의 이동 궤적)를 사용하여 구성 요소 수준의 오류(개별 모터 문제)를 진단하는 것이었다. 또한 디지털 트윈을 사용하여 관찰할 수 있는 것과 감지해야 할 것 사이의 격차를 해소하고자 했다. 연구팀은 시뮬링크(Simulink)와 심스케이프 멀티바디(Simscape Multibody)를 사용하여 디지털 트윈을 구축했으며, 구성요소와 시스템 수준 동작을 모두 나타내는 계층적 모델을 만들었다. 젠 교수는 “모든 것은 시뮬레이션 모델을 설계하는 것으로 시작한다. 동적 시스템과 그 제어기를 모델링하고 싶다면 시뮬링크는 매우 강력하다”고 말했다. 연구팀은 시뮬링크를 사용해 모터 제어기를 PID 제어기로 모델링하면서 실험적으로 조정한 게인 값을 활용했다. 또한, 시뮬링크의 시각화 기능을 적극적으로 활용해 시뮬레이션 데이터와 실제 로봇의 센서 데이터를 연동할 수 있는 인터페이스를 구축하고, 실시간 모니터링 환경을 구성하였다. ROS 툴박스(ROS Toolbox)는 로봇 하드웨어와의 연결에서 유용한 역할을 했다. 젠 교수는 “로봇 운영 체제(Robot Operating System : ROS)를 사용하려면 일반적으로 ROS와 파이썬(Python) 환경을 별도로 구성하고 모든 연결을 직접 처리해야 한다”면서, “ROS 툴박스를 사용하면 이런 설정이 자동으로 관리되기 때문에 많은 노력을 아낄 수 있다”고 설명했다. 연구팀은 AI 모델 학습을 위한 데이터 준비 과정에서는 두 가지 접근 방식을 시도하였다. 먼저, 로봇에 입력되는 모터 명령과 그에 따른 그리퍼(gripper)의 움직임 패턴과 같은 원시 계측값을 기반으로 데이터를 수집하였다. 이후에는 디지털 트윈을 활용한 방식을 도입하였다. 시뮬레이션을 통해 로봇이 명령에 따라 어떻게 움직여야 하는지를 예측하고, 이 결과를 실제 움직임과 비교함으로써 예상과 실제 간의 차이를 도출하였다. 이러한 차이는 미세한 고장을 감지하는 데 유용한 지표로 작용하였다.   그림 2. 심스케이프 멀티바디의 로봇 팔에 대한 시뮬링크 모델(출처 : 센트랄수펠렉)   연구팀은 딥 러닝 툴박스(Deep Learning Toolbox)를 사용하여 장단기 메모리(Long Short-Term Memory : LSTM) 신경망을 훈련하여 특정 실패를 나타내는 패턴을 식별했다. 모델 아키텍처에는 각각 100개의 숨겨진 단위가 있는 두 개의 LSTM 계층, 그 사이의 드롭아웃 계층 및 완전히 연결된 분류 계층이 포함된다. 연구팀은 매트랩 앱 디자이너(MATLAB App Designer)를 사용하여 각 모터의 위치, 전압 및 온도를 포함한 실시간 데이터를 수집하는 그래픽 사용자 인터페이스를 설계했다. 이 인터페이스를 통해 로봇의 상태를 모니터링하고 오류 진단 모델의 예측을 검증할 수 있었다. 이러한 통합 도구들이 원활하게 함께 작동하면서, 연구팀은 소프트웨어 호환성 문제와 씨름하기보다는 효율적으로 기술적 과제 해결에 집중할 수 있었다.   현실 격차에 도전하다 연구팀은 실제 로봇에서 훈련된 모델을 테스트했을 때 연구원들이 ‘현실 격차’라고 부르는 시뮬레이션과 현실 세계 간의 불일치에 직면했다. 결함 진단 모델은 시뮬레이션에서 98%의 정확도를 달성하여 모터 고장의 위치와 유형을 모두 정확하게 식별했지만, 실제 로봇에서 테스트했을 때 성능은 약 60%로 떨어졌다. 젠 교수는 “시뮬레이션이 현실과 일치하지 않는 이유를 분석하고 있다”고 말하며, “실제 세계를 시뮬레이션 상에서 표현할 때 고려하지 못한 요소들이 있다”고 설명했다. 젠 교수와 그의 연구팀은 통신 신뢰성 문제, 시뮬레이션에서 고려되지 않은 모터 노이즈, 제어 명령과 모니터링 활동 간의 동기화 문제 등 성능 격차에 기여하는 여러 요인을 확인했다.   그림 3. 정상 상태 오류에서 로봇 팔의 애니메이션 및 관련 혼동 매트릭스(출처 : 센트랄수펠렉)   이러한 과제는 디지털 트윈 애플리케이션의 광범위한 문제를 반영한다. 현실은 가장 정교한 시뮬레이션보다 더 복잡하다. 연구팀은 낙담하기보다는 실제 노이즈 패턴을 시뮬레이션 하는 모듈을 디지털 트윈에 추가하고 전이 학습에 도메인 적응 기술을 적용하는 등 이러한 격차를 해소하기 위한 방법을 개발했다. 젠 교수는 “디지털 트윈 모델을 개발할 때 보정 테스트를 하긴 하지만, 이 역시 통제된 환경에서 이루어진다”고 말했다. 이어서 “하지만 산업 현장에 모델을 실제로 적용하면 훨씬 더 많은 노이즈가 포함된 데이터를 접하게 된다. 이처럼 현실의 노이즈를 알고리즘 관점에서 어떻게 보정할 것인가는 매우 도전적인 연구 주제”라고 설명했다. 이러한 수정을 통해 연구팀은 실제 세계 정확도를 약 85%까지 개선했다. 이는 실용적 구현을 향한 중요한 진전이다.   소규모 실험실에서 스마트 공장으로 연구팀의 작업은 단일 로봇을 넘어서 확장되고 있다. 이들은 다수의 로봇이 협업하며 생산 라인을 구성하는 소규모 스마트 공장 환경을 구축하고 있으며, 이를 통해 고장 진단 알고리즘을 보다 실제에 가까운 조건에서 실험하고자 한다. 젠 교수는 “우리는 미니 스마트 공장을 구축하려고 한다”면서, “생산 설비와 유사한 환경을 만들어 로봇에 알고리즘을 적용해, 실제 생산 스케줄링에 통합될 수 있는지를 실험하고 있다”고 설명했다. 이러한 접근 방식은 교육적 효과도 크다. 센트랄수펠렉의 공학과 학생들은 수업과 프로젝트를 통해 디지털 트윈, 로보틱스, 머신러닝 기술을 실습 기반으로 학습하고 있다. 젠 교수는 “학생들이 처음부터 가상 공간에서 모델을 직접 설계하고 이를 점차 실제 로봇과 연결해가는 과정을 보면, 그들이 이 과정을 진심으로 즐기고 있다는 걸 알 수 있다”고 전했다. 이 연구는 제조업뿐 아니라 물류, 스마트 창고 등 다양한 산업 분야로의 확장이 가능하다. 예를 들어 스마트 창고에서는 로봇이 정해진 경로를 따라 이동하지만, 장애물이 나타나면 이를 인식하고 경로를 유동적으로 조정해야 한다.   그림 4. 여러 로봇이 소규모 스마트 공장 환경의 생산 라인에서 협력하여 작동한다.(출처 : 센트랄수펠렉)   젠 교수는 “스마트 창고에서 로봇은 사전 정의된 규칙을 따르지만, 패키지가 떨어지고 경로가 막히는 등 경로를 리디렉션하고 다시 프로그래밍해야 하는 경우가 있을 수 있다. 이런 경우 로봇을 조정하기 위해 각 로봇의 실시간 위치를 알아야 하기 때문에 디지털 트윈 시스템이 필요하다”고 설명했다. 연구팀은 구성요소가 고장 날 때 로봇의 움직임을 조정하는 것과 같은 내결함성 제어를 포함한 추가 응용 프로그램을 모색하고 있다. 또한 연구자들은 에너지 소비만 고려하는 것이 아니라, 궤적 최적화 모델에서 각 모터의 성능 저하 수준과 잔여 유효 수명도 고려하는 건전성 인식 제어를 개발하고 있다. 그들의 코드, 모델, 데이터 세트를 깃허브 저장소(GitHub repository)를 통해 자유롭게 공개하고 있으며, 다른 연구자들이 이를 바탕으로 연구를 확장해 나가기를 기대하고 있다. 목표는 개선의 출처가 어디든 간에, 보다 나은 고장 진단 시스템을 구축하는 것이다. 젠 교수는 “누군가 우리보다 더 나은 결과를 만들어낸다면 정말 기쁠 것”이라고 전했다. 중국 제조업 현장에서 일하던 부모님의 영향을 받아 공학자의 길을 걷게 된 젠 교수에게 이번 연구는 단순한 학문적 탐구를 넘어선 개인적인 사명이기도 하다. 젠 교수는 “어릴 때 제조업에서 일하는 것이 얼마나 힘든 일인지 직접 보며 자랐다”면서, “내가 그렸던 비전은 그런 육체 노동을 로봇이 대체하게 해 사람들이 보다 나은 삶을 살 수 있도록 하는 것이었다”고 전했다.   ■ 이웅재 매스웍스코리아의 이사로 응용 엔지니어팀을 이끌고 있으며, 인공지능·테크니컬 컴퓨팅과 신호처리·통신 분야를 중심으로 고객의 기술적 성공을 지원하는 데 주력하고 있다. LG이노텍과 LIG넥스원에서 연구개발을 수행하며 신호처리와 통신 분야의 전문성을 쌓아왔다.     ■ 기사 PDF는 추후 제공됩니다.

어도비가 ‘어도비 LLM 옵티마이저(Adobe LLM Optimizer)’의 정식 출시를 발표했다. 새로운 기업용 애플리케이션은 생성형 AI 기반 인터페이스가 빠르게 확산되는 시대에 기업이 브랜드의 연관성과 영향력을 확보할 수 있도록 지원한다. LLM 옵티마이저를 통해 기업은 생성형 엔진 최적화(GEO : Generative Engine Optimization)를 위한 포괄적인 설루션을 활용할 수 있다. 가령, AI 기반 트래픽을 모니터링하고 브랜드 가시성을 벤치마킹할 수 있으며, 자사 디지털 채널은 물론 브랜드가 인용되는 서드 파티 디지털 채널에서 발견 가능성을 향상시키기 위한 방법을 취할 수 있다. AI 기반 챗 서비스와 브라우저는 소비자들이 제품을 검색하고 조사하는 데 필수적인 툴이 되었다. 어도비의 최신 데이터에 따르면, 기업들이 디지털 존재감을 재정비해야 할 필요성이 그 어느 때보다 커지고 있다. 2025년 9월 기준, 어도비는 미국 소매 웹사이트로 유입된 AI 트래픽이 전년 대비 1100% 증가한 것을 확인했다. 생성형 AI 소스를 통한 방문자는 비 AI 트래픽(유료 검색, 제휴사 및 파트너, 이메일, 오가닉 검색, 소셜 미디어 등) 유입 대비 체류 시간 및 페이지 뷰 등과 같은 참여도는 12%,  전환율은 5% 각각 더 높게 나타났다. 이는 디지털 행동의 근본적인 변화를 시사하는 것으로, AI가 제품 검색 단계에서 더 많은 정보를 가진 소비자를 만들어내는 만큼 기업은 뒤처지지 않도록 대비해야 한다는 것이 어도비의 설명이다.     기업용 어도비 LLM 옵티마이저는 ▲AI 기반 트래픽, 인용 측정 및 벤치마킹 ▲가시성 향상을 위한 콘텐츠 및 코드 최적화 ▲비즈니스 가치 입증 등의 기능을 제공한다. LLM 옵티마이저는 AI 인터페이스가 사용자 질의에 대한 응답을 제공하는 데 활용하는 자사 콘텐츠를 식별할 수 있다. 이를 통해 LLM이 우선시하는 디지털 채널(예 : 특정 웹 페이지)을 파악하고 AI 추천의 변화를 모니터링할 수 있다. 또한 벤치마킹을 통해 가치가 높은 질의에서 경쟁사 대비 가시성을 평가할 수 있다. LLM 옵티마이저의 초기 고객 분석 결과, 80%가 AI 접점이 주요 제품 정보나 리뷰에 접근하지 못하는 문제를 안고 있었다. 이를 해결하기 위해 LLM 옵티마이저 내 추천 엔진은 브랜드 가시성 격차를 감지하고, 웹페이지와 FAQ 같은 자사 채널 및 위키피디아, 공개 포럼 등의 외부 채널 전반을 아우르는 개선 사항을 제안한다. 여기에는 콘텐츠 최적화뿐 아니라 누락되거나 잘못된 메타데이터 같은 기술적 수정 사항이 포함되며, LLM이 인식하지 못하는 웹 사이트 영역을 자동 감지해 콘텐츠 가시성을 높이는 조치도 해당된다. 이를 통해 팀은 한 번의 클릭으로 최적화 방안을 검토, 승인 및 배포할 수 있어 인사이트를 실질적인 성과로 전환할 수 있다.   또한, LLM 옵티마이저는 AI 가시성을 사용자 행동과 비즈니스 성과로 연결하는 기여도 기능을 제공한다. 이로써 참여도 및 전환율에 미치는 영향을 입증할 수 있고, 즉시 사용 가능한 리포트 기능을 활용해 조직 전반에 인사이트를 빠르게 공유할 수 있다. LLM 옵티마이저는 단독 애플리케이션으로 제공되며, 콘텐츠 관리 시스템인 어도비 익스피리언스 매니저 사이트(Adobe Experience Manager Sites)와 네이티브 통합된다. 또한 에이전트 투 에이전트(A2A) 및 모델 컨텍스트 프로토콜(MCP)과 같은 업계 표준을 지원해, 다양한 서드파티 설루션 워크플로와의 원활한 상호운용성을 제공한다. 어도비는 누구나 쉽게 AI 가시성 인사이트를 활용할 수 있도록 LLM 옵티마이저 기반 무료 크롬 확장 프로그램 ‘Is Your Webpage Citable?’도 출시했다. 이 도구를 통해 LLM이 웹사이트에서 인식하는 내용과 놓치는 부분을 확인할 수 있어,  AI 가시성의 숨겨진 격차를 발견할 수 있다. LLM 옵티마이저는 이 같은 기본 인사이트를 바탕으로 엔터프라이즈급 측정, 최적화 및 보고 기능을 포함한 종합 설루션을 제공한다. 어도비의 로니 스타크(Loni Stark) 익스피리언스 클라우드 전략 및 제품 부문 부사장은 “생성형 엔진 최적화는 경영진의 주요 관심사로 급부상하고 있으며, 선도 기업들은 이미 다양한 AI 채널에서 영향력을 구축하고 경쟁 우위를 확보하고 있다”면서, “어도비 LLM 옵티마이저는 자사 사이트 및 타 채널에서의 브랜드 성과 인사이트를 바탕으로 자동으로 최적화 조치를 취하는 즉각적인 가치를 제공함으로써, 기업이 급변하는 환경 속에서 두각을 드러낼 수 있도록 지원한다”고 전했다.

산업통상부는 10월 1일 AI 팩토리 M.AX 얼라이언스 전략 회의를 개최하고, 대한민국 제조업의 인공지능 전환(M.AX)을 통한 2030 제조 AI 최강국 도약을 위한 성과와 전략을 점검했다. 삼성전자, 현대자동차, LG엔솔, 삼성중공업 등 국내 대표 제조 기업들이 한자리에 모여 제조 혁신의 의지를 다졌다. 김정관 장관은 "AI 시대는 속도와의 전쟁이다. AI 팩토리는 빠르게 세계 1위를 도전할 수 있는 분야"라며, "정책과 자원을 집중해 순풍을 만들겠다"고 밝혔다.   AI 팩토리 선도사업, 2030년까지 500개로 대폭 확대 AI 팩토리 선도사업은 제조 공정에 AI를 접목해 생산성을 획기적으로 높이고 제조 비용과 탄소 배출 등을 감축하는 핵심 프로젝트이다. 이날 회의를 계기로 삼성전자, 현대자동차, LG전자, LG엔솔, SK에너지, HD현대중공업, 농심 등 업종 대표 기업들이 신규 참여를 확정했다. 이에 따라 현재 102개인 AI 팩토리 선도 사업은 2030년까지 500개 이상으로 확대될 계획이다. 주요 기업들은 AI 팩토리를 통해 혁신적인 성과를 목표로 했다. 삼성전자는 AI를 통해 HBM(고대역폭메모리반도체)의 품질을 개선한다. HBM은 ’28년까지 연평균 100% 이상 급성장이 기대될 정도로 각광받는 AI 반도체이다. 삼성전자는 현재 전반적으로 사람이 수행중인 HBM 불량 식별 공정에 AI를 도입할 계획이다. AI가 발열검사 영상, CT 이미지 등을 분석해 품질검사의 정확도를 99% 이상 높이고, 영상·이미지 등의 비파괴 검사를 통해 검사시간도 25% 이상 단축할 것으로 기대된다. HD현대중공업은 함정 MRO용(Maintain 유지보수, Repair 수리, Overhaul 정비) 로봇 개발을 추진한다. 보통 선체의 10% 면적에 따개비·해조류 등의 오염물질이 부착되면 연료소비가 최대 40%까지 증가한다. HD현대중공업은 숙련공에 의존하던 해양생물 제거, 재도장 등의 작업을 AI 로봇에 맡겨, MRO효율을 80% 이상 향상시키고 작업자 안전사고 등을 방지할 계획이다. 현대자동차는 셀방식 생산방식에 핵심이 되는 AI 다기능 로봇팔을 개발한다. 자동차산업은 소품종 대량생산의 컨베이어벨트 방식에서, 제품별로 공정을 다르게 적용해 유연생산이 가능한 셀기반 방식으로 전환되고 있다. 현대차는 힌지·도어 조립, 용접품질 검사 등 다양한 공정을 자율적으로 수행가능한 AI 로봇팔을 공정에 도입하여, 시장수요 변화에 신속히 대응하고 생산성을 30% 이상 높일 계획이다. 농심은 라면 제조설비에 AI 기반 자율정비 시스템을 도입한다. 원료공급, 제면, 포장 등의 라면 제조공정은 연속작동 설비가 많아 한 부분의 예기치 못한 고장으로 생산라인 전체가 중단될 수 있다. 이에 각 공정별로 다양한 이상 징후를 조기에 탐지하는 자율정비 시스템을 도입해 설비 효율성을 10% 이상 제고하고, 유지보수 비용은 10% 이상 절감할 계획이다. 현재까지 AI 팩토리 선도사업에 참여중인 업종별 주요기업 자동차 반도체 전자(가전 등) 철강 조선 현대차, LG이노텍, 한국타이어, 기아 삼성전자, 케이씨텍, 이수페타시스 LG전자, 쿠첸, LS전선 포스코, KG스틸, 대한제강 삼성중공업, HD현대삼호 항공·방산 식품·바이오 이차전지 석유화학·섬유 기계·건설 대한항공, KAI. 한화시스템 농심, 삼양식품, 한국콜마 LG에너지솔루션, 삼성SDI SK에너지, GS칼텍스, 코오롱 HD현대건설기계, 코넥 휴머노이드 로봇, 금년부터 제조 현장 실증 본격 투입 AI 팩토리 전략의 한 축으로, 제조 현장 휴머노이드 로봇 투입을 위한 실증 계획도 공개되었다. 금년에는 디스플레이, 조선, 물류 등 6개 현장에 휴머노이드가 투입된다. 분야 수요기업 공급기업 휴머노이드 주요 과업 디플 삼성디스플레이 레인보우로보틱스 레이저 장비내 렌즈교체, 검사 JIG 교체 작업 등 조선 HD현대미포 에이로봇 각종 상황과 이음 형태에 맞는 용접 작업 수행 　 삼성중공업 에이로봇 다양한 장애물, 협소 공간, 비평탄면 등 극복을 통해 자율 이동하며 용접·청소 등 가전 LG전자 로브로스 인간 수준 핸들링 작업 및 보행을 바탕으로 가전제품 공장 내 조립·운송 화학 SK에너지 홀리데이로보틱스 석유화학 제품 검사, 유압/가스 밸브 등 조작, 시료 제조, 검사 시료 운송 등 수행 유통 CJ대한통운 레인보우로보틱스 피킹·분류·검수·포장 등 복잡한 물류 작업 동작을 다양한 상품에 맞게 자율적으로 수행 산업부는 올해부터 2027년까지 100개 이상 휴머노이드 실증 사업을 통해 핵심 데이터와 기술을 확보하고, 2028년부터는 본격적인 양산 체계에 돌입할 계획이다. 선도사업 성과 가시화, 세계 최고 업종별 제조 AI 모델 개발 착수 현재까지 진행된 AI 팩토리 선도 사업에서는 이미 가시적인 성과가 도출되고 있다. GS칼텍스는 AI를 통해 정유 공정 데이터를 분석해 연료 비용을 20%가량 감축했으며, 온실가스 배출 저감 효과도 달성했다. HD현대미포는 AI 로봇을 투입해 용접 검사·조립 작업시간을 12.5% 단축했다. 반도체 기업인 대덕전자와 신한다이아몬드는 AI 도입으로 기존 육안 품질 검사 시간을 각각 90%, 30% 단축하는 성과를 보였다. 이러한 성과를 바탕으로 AI 팩토리 M.AX 얼라이언스는 세계 최고 수준을 목표로 하는 업종별 특화 제조 AI 모델 개발에 착수했다. 제조 AI에 특화된 전문가를 비롯해 뉴욕대 조경현 교수, 멜버른대 한소연 교수 등 초거대 AI 모델 전문가 23명이 공동으로 참여한다. 개발된 모델은 2028년 완료를 목표로 하며, 제조 현장 배포 시 기업들은 개발 비용 50%, 개발 시간 40%를 줄일 수 있을 것으로 기대했다. '다크 팩토리' 구현 위한 AI 팩토리 사업 확대 전략 산업부는 AI 팩토리 사업을 확대·개편해 내년부터 완전 자율형 AI 공장인 AI 팩토리(다크 팩토리) 건설에 필요한 기술 개발과 실증 사업을 추진한다. 제조 공정뿐 아니라 공장 설계, 시생산, 공급망 관리, 물류, A/S 등 제조 전 단계를 아우르는 AI 모델을 개발·확산할 계획이다. 특히 엔비디아 CEO 젠슨 황이 강조한 디지털 트윈을 활용한 '가상공장(Virtual Factory)' 구현을 전략의 한 축으로 삼았다. 가상공장을 통해 기업은 시스템 변경, 설비 고장, 공급망 변동 등 다양한 상황에서 공정 가동을 미리 테스트하고, 실제 공장과 연동해 모니터링, 예지 보전, 원격 제어 등에 활용할 수 있게 된다. 이러한 기술을 바탕으로 2030년까지 우리나라가 세계 최고의 AI 팩토리 수출국으로 발돋움하는 것을 목표로 관련 전략을 수립했다.

모두솔루션은 자사가 국내 총판을 맡고 있는 CAD 설루션 ‘지스타캐드(GstarCAD)’의 최신 버전 지스타캐드 2026을 공식 출시했다고 밝혔다. 이번 버전은 전면 재설계된 사용자 인터페이스와 향상된 성능 및 다양한 신기능을 바탕으로 실무 효율과 설계 정확성을 높인 것이 특징이다. 지스타캐드 2026은 SVG 기반으로 재정비된 1500개 이상의 아이콘과 WPF 프레임워크 적용을 통해, 보다 현대적이고 직관적인 설계 환경을 제공한다. 또한, 도면 열기 속도는 평균 40% 이상, 주요 명령어 속도는 20% 이상 빨라졌으며 블록 편집, 해치, 미러 등의 처리 성능도 최대 30배까지 빨라졌다는 것이 모두솔루션의 설명이다.     지스타캐드 2026은 기존 지스타캐드 2025에서 지원되던 파라메트릭 구속조건 기능을 확장했다. 이번 버전에서는 ‘치수 구속조건’과 ‘매개변수 관리자’를 새롭게 도입함으로써, 객체 간 관계를 더욱 정밀하게 제어할 수 있는 파라메트릭 설계를 지원한다. 또한 ‘DWG 비교’, ‘도면 병합’, ‘공학 투영’ 기능 등을 통해 설계 검토와 문서화 과정이 간소화되었다. 추가된 3D 모델링 전용 작업공간, TIFF 플로터, 바코드(Code 39), 도구 팔레트(XTP) 가져오기 등도 설계 활용도를 넓히는 주요 요소다. 특히 ARCHLine.XP와의 플러그인 연동을 통해 CAD와 BIM 간 워크플로를 연결함으로써, 건설·건축 업계의 디지털 전환(DX)과 스마트 설계 트렌드에도 대응할 수 있게 됐다. 지스타캐드는 매년 고객 피드백을 반영해 제품을 지속적으로 개선해오고 있으며, 2025년 사용자 만족도 조사에서도 가격(4.36점/5점), 호환성(4.33점/5점), 성능(4.29점/5점) 등 전 항목에서 고르게 높은 평가를 받았다고 밝혔다. 모두솔루션의 성기정 상무는 “지스타캐드 2026은 단순한 CAD 업데이트를 넘어, 실제 고객의 업무 흐름을 이해하고 이를 제품 설계에 적극 반영한 결과물”이라며, “확장된 파라메트릭 설계 기능은 앞으로 AI 기반 자동 설계와 최적화 워크플로까지 발전할 수 있는 토대를 마련했다”고 전했다. 모두솔루션에 따르면 지스타캐드는 전 세계 120만 명 이상이 사용 중이다. 높은 DWG 호환성과 직관적인 UI, 강력한 2D 설계 기능을 바탕으로, 오토캐드 대비 가격 경쟁력과 안정성을 갖춘 실무 중심의 CAD 설루션이라는 점을 내세운다. 모두솔루션은 전국 약 200여 개의 파트너사를 통해 공급과 서비스를 제공하고 있으며, 자사 기술지원센터에서 전담 인력이 상시 대응하고 있다고 설명했다. 또한 “이번 지스타캐드 2026의 출시를 통해 설계 생산성과 기술 안정성을 지속적으로 발전시켜 온 최적의 설계 환경을 한 단계 더 완성하게 됐다”면서, “국내 다양한 산업 분야에서 고객 맞춤형 CAD 설루션으로의 입지를 더욱 강화해 나갈 것”이라고 밝혔다.

비행 훈련부터 제품 개발·운영까지 아우르는 핵심 인프라를 목표로   최근 몇 년 사이 시뮬레이션 산업은 디지털 트윈, AI(인공지능), VR(가상현실)/AR(증강현실) 등 첨단 디지털 기술 중심으로 빠르게 재편되고 있다. KAI(한국항공우주산업)는 이러한 흐름에 발맞춰 언리얼 엔진을 도입함으로써 항공산업 전반에 걸친 디지털 혁신을 추진하고 있다. ■ 자료 제공 : 에픽게임즈   KAI는 KT-1 기본 훈련기, T-50 고등훈련기, 수리온 기동헬기, 송골매 무인기 등 다양한 항공우주 시스템을 자체적으로 설계 및 제작하며, 지난 40년간 항공산업 및 국방산업을 선도해 온 종합 항공우주 설루션 기업이다. 최근에는 소형무장헬기(LAH)와 차세대 전투기 KF-21 개발을 비롯해 위성과 발사체 총조립 등 우주 분야로도 사업을 확대하고 있다. KAI는 2024년 ‘언리얼 페스트 시애틀 2024(Unreal Fest Seattle 2024)’에 참가해 자사의 시뮬레이션 전략을 소개하는 세션을 진행했다. 이번 호에서는 이 발표 내용을 바탕으로 시뮬레이션 산업의 급변하는 흐름 속에서 KAI가 어떻게 대응하고 있는지, 언리얼 엔진을 중심으로 한 시뮬레이션 통합 전략과 실제 적용 사례, 그리고 향후 비전 등을 중심으로 KAI의 기술 혁신에 대해 살펴본다.   ▲ 이미지 출처 : ‘KAI의 언리얼 엔진 기반 차세대 시뮬레이션 에코시스템 | 언리얼 엔진’ 영상 캡처   시뮬레이션 산업의 변화와 KAI의 대응 최근 시뮬레이션 산업은 빠르게 발전하며 구조적인 변화를 겪고 있다. 클라우드 기반 시뮬레이션 도입으로 언제 어디서든 고성능 자원에 접근할 수 있게 되었고, 디지털 트윈, AI, 머신러닝 기술의 결합을 통해 시뮬레이션은 단순한 재현을 넘어 예측과 최적화를 수행할 수 있는 툴로 진화하고 있다. 또한 VR/AR/MR(혼합현실) 기술은 훈련의 몰입감과 현실감을 높여 실제 환경과 유사한 시뮬레이션을 가능하게 하고, 마이크로서비스 아키텍처를 기반으로 한 소프트웨어 설계는 유연성과 확장성을 높이고 있다. KAI는 이러한 디지털 전환에 적극 대응하기 위해 전통적인 레거시 시뮬레이션 시스템을 언리얼 엔진과 통합하고 있다. 핵심 전략은 세 가지이다. 첫째, 언리얼 엔진을 활용한 빠른 프로토타이핑으로 기술 검증과 적용 속도를 높이는 것이다. 둘째, 표준화된 인터페이스를 통해 기존 시스템과의 원활한 연동을 실현하는 것이다. 셋째, 지속 가능한 콘텐츠 개발을 위한 플랫폼 설계로 장기적인 생태계 구축을 추진하는 것이다. 이를 통해 KAI는 기존 자산의 가치를 극대화함과 동시에 급변하는 기술 환경에 유연하고 효율적으로 대응하고 있다.   언리얼 엔진이 변화하는 시뮬레이션 산업에 주는 영향 언리얼 엔진은 시뮬레이션 산업의 진화에 있어 중요한 역할을 하고 있다. 우선 고품질의 리얼타임 3D 그래픽을 통해 현실감 있는 몰입형 시뮬레이션 환경을 구현할 수 있어, 훈련과 테스트의 효율성을 높이고 있다. 또한 VR/AR/MR과의 통합 지원은 다양한 산업에서 실제 같은 체험 기반 학습을 가능하게 한다. 언리얼 엔진의 모듈형 아키텍처와 개방된 생태계는 기존 레거시 시스템과의 통합을 쉽게 하고, 새로운 기술이나 기능을 빠르게 적용할 수 있는 유연성을 제공한다. 특히 디지털 트윈, AI, 머신러닝 등 최신 기술과의 연계가 원활하여 복잡한 시스템의 설계, 유지보수, 운영 효율을 높일 수 있다. KAI와 같은 기업에게 언리얼 엔진은 단순한 툴을 넘어, 지속 가능한 시뮬레이션 콘텐츠를 개발하고 새로운 시뮬레이션 생태계를 구축하는 핵심 기술로 자리잡고 있다.   ▲ KAI의 시뮬레이터로 본 FA-50의 모습(이미지 출처 : KAI)   기존 시스템에 언리얼 엔진을 통합한 사례 KAI는 항공기 훈련 체계에 언리얼 엔진을 도입해 현실성과 효율을 갖춘 시뮬레이터를 개발하고 있다. 대표적으로 VR 시뮬레이터의 경우, 조종사가 풀 플라이트 시뮬레이터에 들어가기 전 VR 기기를 통해 절차와 조작 감각을 사전에 익힐 수 있도록 돕고 있다. 언리얼 엔진으로 실제 항공기와 동일한 가상 조종석을 구현해 이륙/착륙, 비상절차, 항전 장비 조작 등을 별도 교관 없이 반복 학습할 수 있도록 했다. 기존의 시뮬레이터는 실제 항공기 수준의 조작감과 훈련 효과를 제공하지만, 높은 구축 비용과 운영 비용, 전용 시설의 필요 등으로 대량 보급에 한계가 있었다. KAI는 이러한 문제를 보완하기 위해 VR 기술을 도입했다. 언리얼 엔진은 영상 발생 장치, 계기 패널, 입출력 장치 등을 대체한 것은 물론, VR HMD(헤드 마운트 디스플레이) 하나만으로 기존의 여러 장치를 필요로 하는 대형 시현 시스템의 효과를 구현할 수 있게 했다. 또한 KAI는 독자적인 역학 모델과 항전 시스템을 언리얼 엔진의 실시간 렌더링과 결합해 실제 조종과 유사한 수준의 훈련 환경을 제공하고 있다. GIS(지리 정보 시스템), DEM(수치 표고 모델) 등 초정밀지도 기반의 한반도 3D 지형을 재현해 조종사의 임무 지역 지형 학습까지 지원하고 있다. 정비 훈련 분야에서도 언리얼 엔진은 핵심 플랫폼으로 활용되고 있다. 2024년 I/ITSEC 전시회에서 공개된 FA-50 정비 훈련 시뮬레이터는 VR 환경에서 점검과 부품 교체를 실습할 수 있을 뿐만 아니라, 사용자가 직접 교육 과정을 만들 수 있도록 설계됐다. 이를 통해 기존 문서와 평면형 CBT(컴퓨터 기반 훈련), 반복 시나리오 기반의 실습 중심 교육의 한계를 극복할 대안을 제시했다. 또한 같은 행사에서 선보인 수리온 헬기 비행 시뮬레이터(VFT)는 디지털 트윈과 고해상도 시각화를 통해 실제 기체 성능과 지형 정보를 반영한 몰입형 훈련 환경을 제공했다.   ▲ FA-50 비행 시뮬레이션의 디스플레이 장면(이미지 출처 : KAI)   시뮬레이션·시스템 개발에서 언리얼 엔진의 기여도 언리얼 엔진 도입 이후 KAI의 시뮬레이션 제작 파이프라인에는 큰 변화가 있었다. 데이터스미스를 활용해 카티아 등 설계 도구의 3D 모델을 쉽게 불러올 수 있어, 실제 설계 기반의 가상 조종석과 기체 모델을 빠르게 구축하고 별도의 모델링 없이 제작 시간을 줄일 수 있었다. 또한 자체 개발한 비행역학 엔진과 항공전자 시뮬레이션 소프트웨어를 언리얼 엔진과 실시간으로 연동해, 백엔드 시스템과 시각화 프론트엔드를 효과적으로 통합함으로써 전반적인 생산성이 향상되었다. 특히 조종사가 시각과 청각 정보를 통해 상황을 판단하는 VR 시뮬레이터 개발에서는 언리얼 엔진의 렌더링, 사운드, 애니메이션 기능이 핵심 도구로 사용되었다. 물리 기반 렌더링(PBR)은 금속, 유리, 계기판 등 재질을 사실적으로 구현했으며, 파티클 시스템과 머티리얼 노드를 통해 연기, 공기 왜곡 등의 시각 효과도 유연하게 조정할 수 있었다. 사운드 역시 메타사운드를 통해 엔진 RPM이나 환경 변화에 따라 실시간으로 반응하며, 조종사에게 실제 비행과 유사한 감각을 제공했다. 또한 애니메이션 블루프린트를 활용해 조종간, 계기판, 비행 제어면 간 연동 애니메이션의 비주얼을 직관적으로 구현할 수 있었으며, 스카이 애트머스피어, 볼류메트릭 클라우드, 하이트 포그 등의 기능은 대기 표현과 공간 인식 훈련의 몰입감을 높였다. 지형 구현에서도 언리얼 엔진의 LWC(Large World Coordinates)를 통해 수천 km 단위의 지형에서도 고속 이동 시 정밀도를 유지할 수 있었고, 풀 소스 코드를 활용해 AI 훈련 체계에 맞는 좌표 변환, 시스템 연동, 정밀 지형 구조를 구현할 수 있었다. 이 과정에서 실제 지형 데이터, 항공 사진, 고도 정보를 언리얼 엔진에 통합했고, GIS, DEM 기반의 정밀 지형 정보를 효과적으로 활용해 복잡한 비행 경로, 저공 비행 훈련, 목표 탐색 등 고난도 시나리오도 현실감 있게 구현할 수 있었다. 그 결과 KAI는 초대형 지형 데이터, 초정밀 위치 기반 훈련, 외부 시스템과의 정밀한 좌표 연동을 모두 만족하는 차세대 항공기 시뮬레이터 플랫폼을 성공적으로 구축할 수 있었다. 이외에도 다양한 플러그인, 하드웨어 인터페이스, 형상 관리 툴 연동, 이제는 리얼리티스캔으로 변경된 리얼리티캡처, 마켓플레이스 등을 활용하여 프로젝트 확장성과 콘텐츠 제작 유연성이 높아졌다.   ▲ 애니메이션 블루프린트를 활용해 구현한 조종간(이미지 출처 : KAI)   대규모 전술 훈련을 위한 AI 에이전트를 언리얼 엔진에 도입 KAI는 차세대 전술 훈련 시뮬레이터 개발을 위해 강화학습 기반의 AI 에이전트를 실제 훈련 시나리오에 연동하는 작업을 진행 중이다. 특히, 복잡한 전장 환경에서는 다양한 무기 체계와 플랫폼이 동시에 운용되기 때문에, 이를 하나의 시뮬레이션 공간에서 유기적으로 연동하는 기술이 매우 중요하다. 기존 상용 시뮬레이터 설루션의 경우 외부 시스템 연동이나 커스터마이징에 제약이 많지만, 언리얼 엔진은 C++ 기반의 풀 소스 코드 접근이 가능해 이러한 한계를 극복할 수 있다. KAI는 이러한 개방성을 바탕으로 자체 개발한 AI 에이전트를 정밀하게 통합해, 복잡한 상호작용이 필요한 전술 훈련 시나리오에서도 실질적인 이점을 확보할 수 있었다. 이와 같은 통합은 단순히 AI를 활용하는 수준을 넘어, 인간 조종사와 AI가 동일한 시뮬레이션 환경에서 훈련하고 상호 작용할 수 있는 구조를 의미한다. 기존의 설루션으로는 구현하기 어려웠지만 KAI는 언리얼 엔진을 도입해 이를 실현할 수 있었다. 결과적으로 언리얼 엔진은 AI, 실시간 시뮬레이션, 데이터 피드백이 통합된 플랫폼을 제공하며, KAI의 차세대 전술 훈련체계 구현에 핵심 역할을 하고 있다.   ▲ 지형 데이터 통합으로 구현한 대규모 도시 지역 디지털 트윈(이미지 출처 : KAI)   향후 시뮬레이션 에코시스템의 방향과 KAI의 비전 향후 시뮬레이션 에코시스템은 개방성, 지속 가능성, 개인화를 중심으로 발전해 나갈 것이다. AI와 빅데이터를 기반으로 한 맞춤형 훈련 시스템, 클라우드 환경에서의 지리적 제약 없는 고성능 시뮬레이션 그리고 VR/AR, 웨어러블 기술 등을 활용한 몰입형 실시간 피드백 시스템이 표준이 되어갈 것으로 전망된다. 이러한 변화 속에서 KAI는 기술 통합형 플랫폼과 자체 시뮬레이션 에코시스템을 구축하며, 대한민국 시뮬레이션 산업의 지속 가능한 성장 기반을 마련할 예정이다. 언리얼 엔진을 단순한 개발 툴이 아닌 시뮬레이션 엔진으로 활용하며, 플랫폼을 중심으로 고퀄리티 콘텐츠를 빠르게 생산할 수 있는 시뮬레이션 콘텐츠 파이프라인을 개발 중이다. KAI의 비전은 국내를 넘어 글로벌 시뮬레이션 에코시스템과 연결되는 것이다. 언리얼 엔진의 개방성과 기술력을 바탕으로 산업 전반에 걸쳐 공유 가능한 시뮬레이션 플랫폼을 만들고, 이를 통해 다양한 산업, 기관, 개발자가 협력할 수 있는 건강하고 확장 가능한 에코시스템을 조성하는 것이 목표다. 이러한 방향성과 비전을 바탕으로, KAI는 시뮬레이션 기술을 단순한 훈련 도구를 넘어 제품 개발, 유지보수, 운영 효율 개선을 위한 핵심 인프라로 성장시키고자 한다.     ■ 기사 내용은 PDF로도 제공됩니다.

전력 계측 및 AI 기반 모터 진단 솔루션 전문기업, 엔텍시스템   산업 현장에서 고장이나 생산이 중단될 수 있는 상황을 미리 예측해, 장비 가동 중지 등의 사태를 막는 예지보전의 중요성이 높아지고 있다. AI 기반 산업 진단 기술 전문기업 엔텍시스템(www.nteksys.com)은 전력 계측과 모터 진단 분야에서 20년 이상 축적된 기술력으로 산업 설비의 안전성과 효율성을 높이는 데 앞장서고 있다.   엔텍시스템 김영식 부사장   산업 현장의 숨은 위험 신호, AI가 먼저 알아챈다 2002년 설립된 엔텍시스템은 전력 계측 및 AI 기반 모터 진단 솔루션을 전문으로 제공하는 기술 기업이다. 전기 신호 분석과 머신러닝 기술을 융합해 설비의 이상을 조기에 탐지하고, 운영 최적화를 유도하는 ‘AI 예지정비’ 분야에서 독자적 위치를 구축해왔다. 주요 제품으로는 ▲멀티채널 미터(GEMS 3500 시리즈) ▲AI 모터 진단 시스템(GEMS 5500 시리즈) ▲전기실 온라인 진단 시스템(EMS) 등이 있다. 이 중 멀티채널 미터는 수배전반의 인입 및 분기 회로를 동시에 고정밀 측정하여 에너지 효율과 전력 품질 감시에 활용되고, AI 모터 진단 솔루션은 전기 신호를 분석해 이상 징후를 조기에 탐지하고 머신러닝 기반 예지보전으로 설비 안정성 및 운영 효율을 향상시킨다. 또 전기실 온라인 진단 시스템은 실시간 전력 감시와 변압기 진단을 가능케 하여 원격 모니터링과 이상 감지에 강점을 보이고 있다. 삼성전자·LG전자·포스코 등 100여 개 이상의 기업과 150여 개 공장에 솔루션을 공급해 온 엔텍시스템은  2024년에는 미국 메릴랜드 법인을 설립하며 본격적인 글로벌 시장 공략에도 나섰다. 이와 함께 CE, UL, FCC 등 국제 인증을 확보하여 글로벌 경쟁력을 강화하고 있다. 산업AI EXPO에서 혁신적인 AI 진단시스템과 산업현장 적용 사례 소개 이 회사는 9월 3일부터 5일까지 코엑스 마곡에서 열리는 2025 산업AI EXPO에 참가해 대표 제품인 ‘SV500’ 모터 진단 시스템과 클라우드 기반 SaaS 서비스를 선보이며, 산업계의 스마트 유지보수 전환을 본격화할 계획이다. 엔텍시스템이 산업AI EXPO 2025 참가를 결정한 배경에는 “AI 기술의 실효성과 방향성을 업계에 선도적으로 제시하고자 하는 의지”가 있다. “국내 산업 AI 생태계 확산을 위한 첫 이정표로서, AI 기술의 방향성과 산업 현장 적용 사례를 업계에 선도적으로 알릴 수 있는 중요한 기회라고 판단해 산업AI EXPO에 참가하게 되었다”는 엔텍시스템 관계자는 “이번 전시를 통해 이미 여러 산업 현장에서 적용 사례를 갖춘 솔루션인 SV500의 기술 신뢰성과 실제 효과를 널리 알리고 싶다”고 전했다. 엔텍시스템이 주력으로 전시할 SV500은 24비트 해상도와 8kHz 샘플링의 전류·전압 실시간 파형 분석을 기반으로 인버터와 모터 전기 신호를 정밀 분석한다. 또 디지털 트윈 기술을 활용한 이상 탐지와 토크·고조파 분석, 웹기반 대시보드 시각화로 현장 상태를 실시간 확인할 수 있다. 이와 함께 이 회사의 전시부스에서는 클라우드 기반 실시간 모터 진단 SaaS 서비스도 선보일 예정이다. 이 서비스는 모터 이상 탐지 및 진단, 시공간 제약 없이 진단 현황 확인, 원격 실시간 모니터링 기능을 제공하여 현장 유지보수 업무의 효율성을 극대화한다. “산업AI EXPO는 산업계와 AI 기술이 실질적으로 만나는 통합 플랫폼으로서 의미가 크다”는 김영식 부사장은 “제조, 에너지, 인프라 분야에서 디지털 전환이 가속되는 가운데, 기업 간 AI 적용 경험과 니즈를 공유하고 협력할 수 있는 소통의 장이 될 것”이라고 덧붙였다. 특히 엔텍시스템은 이번 EXPO 참가를 통해 ‘스마트 유지보수의 새로운 기준’을 제시하며, 다양한 산업 고객 및 파트너와 실질적인 비즈니스 협업을 확대하는 계기로 삼을 계획이다. 이를 위해 전시 기간 내 SV500 실물 데모를 운영하여 방문객들이 센서 설치와 웹 대시보드를 직접 체험하도록 할 예정이다. 맞춤형 AI 유지보수 솔루션으로 산업계 표준 제시 엔텍시스템의 향후 목표는 명확하다. 산업 현장에서 발생할 수 있는 다양한 모터 고장 패턴을 AI가 정확히 예측할 수 있도록 머신러닝 및 딥러닝 알고리즘을 고도화하고, 고객 맞춤형 유지보수 기능을 강화해 신뢰도 높은 예지보전 시스템을 완성하겠다는 것이다. 특히 사용자 맞춤 알람 임계값 설정 기능, 모바일 최적화 UI·UX 개선, 클라우드 기반 플랫폼 강화 등을 통해 산업 전반에 AI 유지보수 솔루션을 표준화해 나갈 계획이다. 더불어, 일본, 베트남, 중동 등지로의 해외 진출도 확대하며 글로벌 SaaS 플랫폼 기업으로의 도약을 준비 중이다.  

3D 모델링 기반 작업 절차서 지원,  디지털 작업절차서 통합 시스템  개발 및 자료 제공   아이티언, 070-4055-1000, www.itian.co.kr 블로그   https://blog.naver.com/itian-dx  유튜브   www.youtube.com/@itiandxstudio 기업의 가장 중요한 자산은 현장 직원이라고 한다. 공장의 자동화를 추구하지만 글로벌 통계에 따르면 직원의 75%가 현장 근무직이다. 모두가 DX(디지털 전환)를 이야기하지만 현장 근무직의 대부분(약 73%)이 최신 디지털 기술의 도움을 받지 못하고 있다. 디지털 작업지시서 통합 시스템을 통해 이러한 현장 근무자에게 보다 효율적인 디지털 기술을 제공한다. 1. 주요 특징  디지털 작업지시서 통합 시스템은 MES와 PLM(CAD) 등 기반 시스템 데이터를 활용/연계하여 3D 모델링 기반 작업 절차서를 쉽게 제작할 수 있는 기능을 제공한다. 이렇게 생성된 작업 절차서는 3D 뷰어를 통해 현장 작업자에게 직관적으로 전달되며, 필요시 모델 인식 기술을 활용해 실제 제품 위에 AR로 작업 절차서를 표시할 수 있다. 이를 통해 조립 업무의 효율성과 신뢰도를 높이고, 생산성 향상과 품질 안정화를 실현한다. 직관적이고 실시간으로 활용 가능한 디지털 작업지시서는 제조 현장의 디지털 전환을 가속화한다. 2. 주요 기능 1) 매뉴얼 제작 도구(Creo Illustrate)  정비 및 생산 매뉴얼, 사용자 매뉴얼 삽입용 일러스트 제작 도구 3D 모델을 기반으로 손쉽게 정비 매뉴얼 애니메이션 제작 및 단계별 작업 절차서 제작이 가능하다. 2) 작업 절차 Web뷰어(+AR 뷰어)  만들어진 작업 절차서는 웹(Web) 뷰어를 통해 단계별 작업 절차를 확인하며 작업을 진행할 수 있다. 더 나아가 필요시 해당 제품의 형상을 인식하여 모델 인식 기반 AR 기술로 정확한 조립 위치에 대한 안내 및 작업 가이드가 가능하다. 3) 품질검수 AR 솔루션(Smart Inspector) : 웹 기반 품질 검수 저작 도구를 통해 품질 검수 항목을 쉽게 제작하고 제품 인식(모델 인식)을 통해 AR로 품질 검수의 정확한 위치 안내 및 설계 3D 모델과 비교를 통해 보다 정확하게 품질 검수를 수행할 수 있고, 검수 결과는 자동으로 시스템에 저장하고 결과 리포트 및 이력을 관리할 수 있다. 4) 공간인식, 모델 인식 기반 AR원격 협업(iCOLAR)  기존의 원격 협업을 넘어서 작업 공간 인식 또는 제품 형상 인식을 통한 AR기반 원격 협업 솔루션이다. iCOLAR는 영상 미팅, 텍스트 채팅 및 화면/문서 공유와 같은 기본 기능은 물론 실제 3D모델을 활용하여 기존 협업 도구와 차별화를 제공한다.  또한 솔루션의 다각적인 활용을 위해 작업 가이드 및 품질 검수 가이드 템플릿을 제공하여 보다 효율적인 원격 협업을 도와 준다. 5) 기반 시스템 연계 실시간 모니터링(iDT Viewer)  기반 시스템(ERP, PLM, MES등) 연계 생산 현황, 작업 현황 실시간 모니터링 3D 뷰어를 제공한다. 6) 디지털 작업 절차서 관리 시스템을 통한 업데이트 배포 관리 : 설계 변경 등 작업 절차서 업데이트 발생 시 기존의 작업 절차서를 일일이 수정할 필요 없이 업데이트를 반영하여 배포 가능하다. 3. 도입 효과 설계/생산 연결로 작업 시간 단축, 생산/서비스 작업 효율 향상, 제품에 대한 전사적 초기 이해도 증가, 조립 업무 효율 및 신뢰도 향상을 통한 품질 안정화, PDM 및 POP 시스템을 연계하여 편의성 및 작업 효율성 개선, 스마트 팩토리 구축 시 디지털 혁신 기술 활용(상태 모니터링 및 디지털 AR 작업 절차서로 활용), 공간 인식/제품 형상 인식 기술을 활용한 AR 원격 협업으로 보다 효율적이고 정확한 원격 협업이 가능하다. 4. 주요 고객 한화에어로스페이스, SK에너지, 현대자동차, 메가존, LS일렉트릭, 한온시스템, SK온, 현대모비스, HL클레무브, 보스 반도체, 아이모스 시스템 등.     상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

산업 AI 확산 가속 페달… 활용 정책, 데이터 인프라 구축 지원   산업통상자원부 산업인공지능혁신과 고상미 과장      산업 대전환을 주도하는 인공지능(AI) 활용을 본격적으로 지원하기 위해 산업통상자원부(이하 산업부)는 최근 산업 AI 정책을 주도적으로 추진하는 부서인 ‘산업인공지능혁신과’를 신설했다. 기존에 여러 부서로 분산되어 있던 산업AI 관련 정책과 업무를 통합해 전담 조직을 마련한 것으로, 조직 신설의 배경과 향후 산업AI 정책 추진 방향에 대해 해당 부서를 이끄는 산업인공지능혁신과 고상미 과장을 만나 이야기를 들어 보았다.   산업부 산업인공지능혁신과 신설의 배경은 무엇인가?   AI는 데이터 및 컴퓨팅 기술의 발전과 산업 자동화 수요 확대 등에 힘입어 다양한 산업에 빠르게 적용되고 있다. 산업 현장에서 AI의 중요성이 높아지면서, 산업부 내에서도 AI 정책을 체계적으로 수립하고 지원할 전담 조직의 필요성이 대두됐다. 이에 2024년 상반기부터 조직 신설을 준비해 2024년 12월 30일에 ‘산업인공지능혁신과’ 를 공식 출범시켰다. 산업 AI 확산과 기업지원 효과를 극대화하기 위해 산업정책과와 산업기술시장혁신과의 일부 업무인 ‘AI 산업정책 민관협의체 운영, 산업디지털전환 관련 법령, R&D 사업, 데이터 구축·관리’ 등을 산업인공지능혁신과로 이관했다. 산업인공지능혁신과의 주요 업무는 무엇인가? 산업인공지능혁신과는 제조업과 서비스업 전반에 걸쳐 인공지능(AI)과 산업데이터 활용을 촉진하기 위한 정책을 수립하고 제도를 정비하는 업무를 총괄하고 있다. 현재는 「산업디지털전환촉진법」을 개정해 「산업디지털 전환 및 인공지능활용촉진법(가칭)」으로 개편하는 방안 을 추진 중이며, 이를 통해 기존의 디지털 전환 중심 정책에 산업 AI 활용을 명시적으로 포함하고, 산업현장의 AI 확산을 위한 법·제도적 기반을 강화하고자 한다. 아울러, ‘AI 산업정책 위원회’와 ‘산업디지털전환 위원회’는 그 기능과 역할을 확대·통합해 ‘산업인공지능 위원회’로 개편하는 등 관련 위원회 체계도 정비 중이다. 산업 AI 기술의 확산과 현장 적용을 위해 산업별 맞춤 형 AI 기술개발과 기반구축, 산업현장에 필요한 AI 전문 인력 양성 등을 추진하고 있다. 또한, 산업데이터의 수집, 표준화, 연계, 품질관리 체계 마련은 물론, 데이터 플랫폼 구축 등 민간 활용 활성화를 위한 정책도 총괄한다. 민관 협력도 활발히 운영 중이다. 산업계와 학계, 전문가 그룹과 연계한 협의체와 자문단을 구성해 현장 중심의 정책 수립에 반영하고 있으며, 수요‧공급 기업 간 매칭 지 원, 산업 AI 컨설팅, 현장 실증 등의 사업도 확대할 예정이다. 이와 함께 한국산업지능화협회 등 유관기관과 협력해 산업 AI 세미나, 전시회, 컨퍼런스 등 교류 행사도 개최하고 있다. 산업부 내 타 부서와의 차별점은 무엇인가?  산업부 내 여러 부서가 산업 디지털전환 및 AI 활용 관 련 업무를 수행하고 있으나, 산업인공지능혁신과는 ‘산업 데이터’ 업무를 전담한다는 점에서 차별화된다. 「 산업디지털전환촉진법」에서도 산업데이터 지원 근거가 별도 장(章)으로 명시될 만큼 그 중요성이 커지고 있다. 그러나 현장에서는 산업데이터의 확보가 어렵고, 활용 수준 또한 낮은 것이 현실이다. 이를 개선하기 위해 산업 부는 2024년 R&D 사업으로 ‘데이터 전처리(산업AI용 데이터 전처리 자동화 기술개발)’, ‘탄소데이터 플랫폼 구축(제조데이터 표준 인공지능 활용 제품 전주기 탄소중립 지원 기술개발)’ 사업을 새롭게 추진하였으며, 산업데이터의 생성·가공·활용 전 주기를 촉진하기 위한 ‘데이터 스페이스(한국형 Manufacturing-X 플랫폼 표준모델 개발 및 실증)’ 사업도 기획 중이다. AI 확산이 기업에 실질적으로 영향을 미치기 위해 필요한 노력은 무엇이라고 보는가?  AI 확산이 기업에 실질적인 영향을 미치기 위해서는 산업 현장의 수요에 기반한 전략적 접근이 필요하다. 현장을 살펴보면, 많은 기업들이 AI 도입에 관심은 있으나 산업데이터 부족, 기술 검증 부담, 초기 투자 리스크 등 현실적 한계에 부딪히고 있다. 특히 제조업의 AI 적용을 위해서는 양질의 산업데이터 확보와 이를 기반으로 한 문제 정의 과정이 선행되어야 하며, 이를 위해 산업부는 기업 현장 문제 해결을 위한 산업데이터 기반 AI 기술개발을 추진하고 있다. 또한 산업 전반의 AI 확산이 실제 기업의 생산성과 경쟁력 향상으로 이어지기 위해서는 수요기업 중심의 실질적 확산 기반 마련이 중요하다. 이에 산업부는 권역별 거점으로 ‘산업AI 혁신센터’를 지정하고, 산업AI 수요기업(제조기업)과 공급기업(솔루션기업) 간 파트너십을 통해 AI 솔루션 공동 실증을 지원하여, 산업 전반에 걸친 전국적 산업 AI 확산을 추진하고자 한다.  ‘산업 AI 10대 과제’의 선정 배경과 중요성에 대해 소개한다면?  ‘산업 AI 10대 과제’는 2024년 5월부터 민관 합동으로 ‘AI산업정책위원회’를 출범한 이래, 한국공학한림원 회원 들을 비롯한 200여명의 민간 전문가들이 심도 있게 논의해 도출한 결과다. 민간 전문가 그룹이 산업 현장의 수요와 기술 변화를 반영해 과제를 선정했다는 점에서 의미가 크다. 10대 과제에는 ▲산업AI 선도 프로젝트 ▲AI 에이전트 와 피지컬 AI ▲산업 AI 컴퓨팅 인프라 ▲산업 데이터 ▲ AI 반도체 ▲AI 인재 ▲전력 인프라 ▲산업 AI 자본 ▲AI 생태계 ▲산업 AI 제도 등이 포함된다. 일부 선도 과제는 기존 사업과 연계해 조기 성과 도출을 지원하고, 산업데이터 스페이스 구축, AI 인재 양성 등 신규 과제도 추진 중이다.   최근 진행했던 ‘산업 AI 전략(M.A.P)’ 세미나의 성과와 향후 계획은 무엇인가? 최근 진행한 ‘산업 AI 전략(M.A.P, Manufacturing AI Policy)’ 세미나는 제조기업의 AI 도입을 실질적으로 지원하기 위한 소통의 장으로 의미 있는 성과를 거두었다. 많은 제조기업들이 AI 도입의 필요성에는 공감하지만, 실 제 도입 과정에서 많은 어려움을 겪고 있다. 이에 산업인공지능혁신과는 기업들이 AI 전문가와 직접 소통하고 실질적인 해법을 모색할 수 있도록 ‘M.A.P 세미나’를 기획하였다. 해당 세미나는 서울, 광주, 창원 등에서 개최되었으며, 매 행사마다 높은 관심을 받았다. 세미나 이후 질의응답에서는 고난이도 기술 질문이 이어져 산업 현장의 실질적 수요를 확인할 수 있었다. 앞으로도 M.A.P와 현장 밀착형 프로그램을 지속 확대해 기업들의 AI 도입을 실질적으로 지원하고, 산업계의 요구를 정책에 적극 반영해 나갈 계획이다. 국내 산업 AI·DX 도입 수준은 어떠하고, 확산을 위해 필요한 선결 과제는 무엇인가?  국내 산업계의 AI·DX 도입 수준은 여전히 초기 단계에 머물러 있으며, 실질적 확산을 위해 해결해야 할 과제가 적지 않다. 2024년도 한국생산성본부(KPC) 조사에 따르면, 국내 제조업체의 약 90%가 아직 AI를 실제로 도입하지 않았으며, 그 주요 원인으로 산업데이터 확보의 어려 움과 인프라 부족이 지목되었다. 또한, ‘AI 기술을 어떻게 활용해야 할지 모른다’는 점도 도입 저해 요인으로 나타났다. 산업 현장에 특화된 AI 솔루션에 대한 정보와 접근성이 낮기 때문이다. 산업 AI 확산을 위해서는 국가 차원의 전략도 중요하지만, 현장에서 필요한 AI 기술을 신속히 개발하고, 기업들이 쉽게 접근할 수 있도록 기술과 현장을 연결하는 실질적인 ‘연결고리’의 구축이 무엇보다 중요하다.   산업인공지능혁신과의 올해 및 중장기 계획에 대해 소개한다면? 산업인공지능혁신과는 AI 기술의 빠른 발전과 산업 전 반에 미치는 영향력을 고려해, 중장기 로드맵보다는 현장 수요와 단기 실현 가능성이 높은 과제 중심으로 지원 방향을 유연하게 설정하려 한다. ‘산업 AI 10대 과제’ 발표 이후, 실행력 있는 세부 실행 계획을 단계적으로 추진하고 있으며, 산업 현장에서 실질적인 효과를 낼 수 있도록 정책의 실행력을 높이는 데 중점을 두고 있다. 앞으로는 산업부 전체 차원의 중장기 전략을 재정립하고, 기업들이 실제로 필요로 하는 기술·데이터·인프라 요건을 면밀히 검토해 정책 대응을 강화할 계획이다. 산업 AI 활용 수혜기업과 한국산업지능화협회에 전하고 싶은 말이 있다면?  산업 AI 확산을 위해 여러 기관이 적극적으로 사업을 기획·발굴하고 있다. 현장의 수요를 신속하게 전달하는 것이 무엇보다 중요하며, 이를 통해 실질적으로 도움이 되는 정책과 사업이 만들어질 수 있다. 특히 한국산업지능화협회는 ‘산업AI 얼라이언스’ 운영, ‘산업AI 엑스포’ 개최 등 현장 중심 활동을 통해 정보 교류와 성공사례 확산에 앞장서고 있다. 앞으로도 수요기업과 공급기업의 현장 목소리가 정확히 전달되고, 산업계의 적극적인 참여와 소통이 실효성 높은 정책으로 연결될 수 있도록 협회의 적극적인 협력을 당부한다. ■    캐드앤그래픽스 최경화 국장 mail@cadgraphics.co.kr