제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (10)   이번 호에서는 크레오 파라메트릭 12.0(Creo Parametric 12.0)에서 애니메이션을 활용하는 기능에 대해 알아보자. 애니메이션 기능은 분해(Explode), 스냅샷(Snapshot), MDO(Mechanism Design Option)에서 가져오기 세 가지의 뷰 조건을 활용하여 쉽고 빠르게 동영상을 생성할 수 있다. 특히 뷰 관리자에서 미리 만들어둔 단계별 분해 뷰(Explode View)를 타임라인의 원하는 시간대에 키 프레임(Key Frame)으로 배치하기만 하면, 복잡한 어셈블리가 스스로 조립되거나 분해되는 애니메이션을 빠르고 정교하게 완성할 수 있다.   ■ 박수민 디지테크 기술지원팀의 과장으로 Creo 전 제품의 기술지원 및 교육을 담당하고 있다. 홈페이지 | www.digiteki.com   애니메이션의 기초 : 연속적인 분해 뷰 준비하기     애니메이션 작업을 시작하려면 응용 프로그램 → 애니메이션을 선택한다.     화면 왼쪽에는 모델 트리와 애니메이션 트리가 위치하며, 위쪽 리본 메뉴에는 애니메이션 설정, 분해, 키 프레임 시퀀스, 보기 및 투명도 설정 등 동영상 제작에 필요한 모든 도구가 직관적으로 배치되어 있다. 각 기능들에 대해 알아보자.   모델 애니메이션  애니메이션 설정 : 애니메이션 설정 변경  애니메이션 보간 : 투명도 및 뷰에 대한 보간 설정 정의  애니메이션 디스플레이 : 모델의 아이콘 디스플레이를 제어  분해 : 분해 뷰를 사용하여 애니메이션 생성  스냅샷 : 스냅샷을 사용하여 애니메이션 생성  MDO에서 가져오기 : Mechanism 애니메이션 생성   재생  재생 : 애니메이션 재생 내보내기 : 애니메이션 내보내기   애니메이션 생성  키 프레임 시퀀스 : 키 프레임 시퀀스를 생성  이벤트 : 이벤트를 생성  제거 : 타임라인에서 선택된 항목 제거  키 프레임 시퀀스 관리 : 키 프레임 시퀀스 생성 및 편집 관리  선택됨 : 타임라인에서 선택된 항목 편집  하위 애니메이션 : 하위 애니메이션으로 포함   그래픽 설계  보기 @ 시간 : 애니메이션 중 모델의 보기 방향 정의  투명도 @ 시간 : 애니메이션 중 모델의 투명도 정의  유형 @ 시간 : 애니메이션 중 모델의 유형 정의   타임라인  시간배율 확대 : 타임라인을 확대  시간배율 전체 표시 : 전체 타임라인 보기  시간배율 축소 : 타임라인을 축소  시간 영역 : 애니메이션 시간 영역을 설정   Mechanism Design  컴포넌트 끌기 : 해당 어셈블리가 어떻게 작동하는지 확인  서보 모터 : 새 서보 모터를 생성  서보 모터 관리 : 서보 모터를 정의  연결 상태 : 새 연결 상태를 생성  강체 잠금 : 모델의 보디를 잠금  강체 정의 : 모델의 보디를 정의     가장 먼저 애니메이션에 사용할 분해 뷰를 생성하기 위해 위쪽 메뉴에서 새 애니메이션 → 분해를 선택하여 새로운 애니메이션을 시작한다.     애니메이션에 사용할 분해 뷰를 생성하기 위해  보기 관리자를 선택하여 분해 탭으로 이동한다.     전체가 조립되어 있는 기본 상태의 뷰를 ‘새로 만들기’를 통해 생성한다. 이 뷰는 애니메이션에서 조립되어 있는 상태를 표현할 때 사용된다.     처음 생성한 뷰가 활성화된 상태에서 특성 → 위치 편집을 선택한다.     각 방향의 팬 블레이드와 볼트를 선택해 몸체와 떨어진 방향으로 각각 분해시킨다. 분해가 완료되면 ‘확인’을 눌러 두 번째 분해 뷰를 완성한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (7)   최근의 MBSE(모델 기반 시스템 엔지니어링) 환경은 개별 도구를 연계하던 전통적 방식에서 벗어나, 요구사항부터 시뮬레이션, 형상 관리까지 전 과정을 하나의 플랫폼에서 관리하는 ‘디지털 스레드’ 기반의 통합 환경으로 진화하고 있다. 이번 호에서는 모델링 도구인 ‘랩소디(Rhapsody)’와 ‘카메오 시스템 모델러(Cameo Systems Modeler)’의 특징을 살펴보고, 효율적인 설계 환경 구축 전략을 짚어본다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   모델링 도구 여기에서는 모델링 도구로서 랩소디(Rhapsody)의 특징과 기능을 간단하게 소개하고 있으며, 특히 시스템 아키텍처 설계와 모델 일관성 유지에 있어 랩소디가 어떤 역할을 수행하는지를 설명한다. IBM의 랩소디는 UML 및 SysML 기반의 시스템 모델링 도구로, 아키텍처 모델을 통해 시스템 설계 정보를 저장할 수 있는 동적인 데이터베이스 구조를 제공한다. 사용자가 정의한 각 모델 객체(예 : 블록, 컴포넌트 등)는 한 번 정의되면 그것이 표현되는 모든 다이어그램 상에서 동일한 특성과 속성을 유지한다. 이를 통해 전체 모델의 일관성과 추적성이 자연스럽게 보장된다. 또한 랩소디는 요구사항과 직접 연계된 설계 모델을 지원함으로써, 요구사항-설계 간의 정합성 확보를 용이하게 한다. 이를 통해 설계 변경이 요구사항과의 연동 하에 즉시 반영될 수 있어, 시스템 개발 전 과정에서 신뢰성 있는 모델 기반 설계를 실현할 수 있다. 결과적으로, 랩소디는 다양한 UML/SysML 도구 중 하나로, 특히 복잡한 시스템의 모델링, 시뮬레이션, 코드 생성까지 연결 가능한 통합 모델링 환경을 제공한다.   랩소디 보기   그림 1. 랩소디 도구의 대표적인 사용자 인터페이스 구성 요소   <그림 1>은 랩소디 도구 환경을 보여주며, 시스템 모델링 또는 소프트웨어 모델링을 수행할 때 사용되는 대표적인 사용자 인터페이스 구성 요소를 설명하고 있다. 랩소디 보기는 사용자가 랩소디에서 모델을 어떻게 시각적으로 확인하고 조작하는지를 이해하는 데 중점을 둔다. 전체 인터페이스 구성은 랩소디가 모델 기반 시스템 및 소프트웨어 설계를 위한 도구로, 브라우저 영역과 그리기 영역 등의 주요 영역으로 구성되어 있다. <그림 1>의 화면 왼쪽에는 브라우저 영역(Browser View)이 위치해 있다. 이 영역은 프로젝트 내에 정의된 모든 요소를 계층적 트리 구조로 정리하여 보여주며, 클래스, 패키지, 상태도, 시퀀스 다이어그램 등 다양한 모델링 요소를 탐색하고 선택할 수 있다. 사용자는 이 영역에서 모델 구조를 확인하고, 필요한 항목을 선택하여 편집 창으로 열 수 있다. 주로 사용하는 항목은 모델 구성요소(예 : 클래스, 컴포넌트, 상태 등)이다. 설계 계층 구조는 각 요소의 속성 및 동작이 연결되어 있다. <그림 1>의 화면 오른쪽에는 그리기 창(Drawing Window)이 위치하며, 사용자가 실제로 다이어그램을 작성하고 편집하는 작업 공간이다. 이 영역은 선택된 모델 요소의 시각적 표현을 위한 공간으로, 예를 들어 상태 다이어그램, 블록 다이어그램, 시퀀스 다이어그램 등을 작성하고 구성 요소 간의 연결 관계를 설정할 수 있다. 사용자의 활동 예는 상태 전이 정의, 신호 흐름 연결, 동작 논리 시각화, 모델 요소 간 연결 구성이 있다. 랩소디는 모델 탐색과 시각적 설계를 동시에 지원하기 위해 좌측 브라우저 영역과 오른쪽 그리기 창을 중심으로 UI(사용자 인터페이스)를 구성하고 있으며, 이를 통해 사용자는 설계 구조와 논리를 직관적으로 접근하고 조작할 수 있다. 이와 같은 인터페이스는 SysML, UML, 자동차 및 항공 우주 분야의 MBD 등 다양한 모델링 작업을 효율적으로 수행할 수 있도록 지원한다.   랩소디 vs. 카메오 시스템 모델러 비교 IBM 랩소디와 카메오 시스템 모델러(Cameo Systems Modeler)는 모두 SysML 기반의 시스템 모델링 도구로 널리 사용되고 있다. 그러나 이 두 도구는 설계 접근 방식, 사용자 인터페이스, 시뮬레이션 및 협업 방식에서 차별점이 존재한다. 도구의 철학과 접근 방식 : 랩소디는 임베디드 시스템 및 소프트웨어 개발에 특화된 도구로, 주로 상태 기반(state-based) 모델링과 코드 생성(code generation) 기능이 강력하다. UML 기반의 객체지향 소프트웨어 개발, 상태 머신 구현 등에 많이 활용되며, 특히 자동차, 항공, 방위 산업 등에서 많이 사용된다. 반면에 카메오 시스템 모델러(MagicDraw 기반)는 시스템 아키텍처 및 요구사항 중심 설계에 중점을 둔 MBSE 도구이다. RFLP(Requirement, Functional, Logical, Physical) 구조와 트레이스 기능이 강력하며, PLM·SPDM 시스템과의 통합이 잘 되어 있어 디지털 스레드 구축에 적합하다. 대부분의 대기업 MBSE 전환 프로젝트에서 선택되고 있다. 사용자 인터페이스 및 작업 구조 : 랩소디는 전통적인 IDE 스타일의 인터페이스(<그림 1>처럼 왼쪽 탐색기 + 오른쪽 다이어그램 편집기)를 가지고 있으며, 실시간 코드 시뮬레이션 및 상태 전이 구현에 용이하다. 카메오 시스템 모델러는 모델 요소 중심 탐색 트리, 다중 다이어그램 탭, 자동 연결 도우미, 속성 창 기반 작업이 잘 정비되어 있으며, 직관적인 GUI로 인해 다양한 다이어그램 작성이 빠르고 정확하게 이루어진다. 사용자 친화성이 높은 편이다. 시뮬레이션 및 해석 기능 : 랩소디에는 UML/SysML 상태 머신을 기반으로 한 Statechart Simulation이 내장되어 있어, 논리적 동작 검증이나 이벤트 시퀀스 분석에 유리하다. C/C++ 코드 생성 및 디버깅 기능도 내장되어 있어, 소프트웨어 통합 단계까지 연결하기 좋다. 카메오 시스템 모델러는 카메오 시뮬레이션 툴킷(Cameo Simulation Toolkit :CST)을 통해 SysML 모델의 시뮬레이션이 가능하며, 파라메트릭 다이어그램(Parametric Diagram) + 수식 기반 계산 + 외부 FMU 연동을 지원한다. 특히 시뮬링크(Simulink), 모델리카(Modelica) 등과의 코시뮬레이션(co-simulation) 및 FMI 기반 연동이 강력하다. 협업 및 형상 관리 연동 : 랩소디는 RTC, ClearCase, GIT 등과 연계가 가능하지만, 협업 기능이 독립적으로 강력하지는 않다. 기업 내부 커스터마이징이 필요한 경우가 많다. 카메오 시스템 모델러는 팀워크 클라우드(Teamwork Cloud : TWC)라는 중앙 저장소 기반 협업 서버를 통해 모델 단위 버전 관리, 권한 제어, 변경 추적, 분기 관리(branching) 기능을 지원하며, 팀 단위 협업 및 모델 기반 리뷰에 적합하다. PLM, SPDM 및 외부 툴 연동 : 랩소디는 외부 연동이 상대적으로 제한적이며, 별도 게이트웨이 또는 커스터마이징이 필요하다. 카메오 시스템 모델러는 3D익스피리언스(다쏘시스템), 윈칠(PTC), 팀센터(지멘스) 등의 PLM 시스템과 연계가 용이하며, MBSE–PLM–SPDM 간의 디지털 연계(traceability)가 수월하게 이루어진다. 정리하면 랩소디는 코드 생성, 상태 머신 중심이고 카메오 시스템 모델러는 요구사항–기능–물리 구조 연계 중심이다. 사용 분야는 랩소디가 임베디드 소프트웨어, 제어 시스템에 사용되며 카메오 시스템 모델러는 시스템 아키텍처, MBSE를 총괄하는데 사용된다. 시뮬레이션에는 랩소디가 상태 기반 시뮬레이션에 사용되며, 카메오 시스템 모델러는 파라메트릭, 시퀀스, 코시뮬레이션이 가능하다. 협업 관점에서 랩소디는 RTC/파일 기반으로 이용되며, 카메오 시스템 모델러는 팀워크 클라우드 기반 모델 협업에 활용된다. 외부 툴과 연동은 랩소디는 제한적이며 커스터마이징이 필요하다. 반면에 카메오 시스템 모델러는 FMI, PLM, 시뮬링크 등과 강력하게 연동된다.    ■ 자세한 기사 내용은 PDF로 제공됩니다.

데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2027 (1)   오늘날의 CAD 환경은 단순 도구를 넘어 엔지니어링 데이터 플랫폼으로 진화하며 설계 표준 유지와 반복 작업 효율화라는 과제에 직면해 있다. 아레스 커맨더 2027(ARES Commander 2027)은 이러한 과제를 해결하기 위해 독자적인 ‘프로퍼티 페인터(Property Painter)’ 기능을 대폭 강화했다. 이제 설계자는 마스터 도면의 객체 속성을 별도의 파일 오픈 없이도 열려 있는 다른 도면 탭에 즉시 복사·적용할 수 있으며, 주석 및 치수 스타일 등 세부 특성까지 정밀하게 제어할 수 있다. 이를 통해 대규모 프로젝트에서 설계 일관성을 확보하고 재작업 비용을 절감하며, 진정한 의미의 디지털 거버넌스를 실현할 수 있는 토대를 마련했다.   ■ 최하얀 위즈코어 마케팅팀의 전임으로 ARES CAD의 마케팅 콘텐츠 기획 및 제품 홍보 업무를 담당하고 있다. 홈페이지 | www.arescad.kr 블로그 | https://blog.naver.com/graebert 유튜브 | www.youtube.com/GraebertTV   오늘날의 설계 환경은 근본적인 변화를 겪고 있다. 불과 10여 년 전만 해도 CAD 작업자의 핵심 역량은 ‘얼마나 빠르고 정밀하게 선을 긋느냐’에 집중되어 있었다. 그러나 2020년대 중반에 접어든 지금, 설계 현장의 기준은 완전히 달라졌다. 이제 CAD는 단순히 ‘설계를 도와주는 도구’가 아니라, 방대한 엔지니어링 데이터를 체계적으로 관리하고 다수의 이해관계자 사이에서 유기적인 협업을 이끌어내는 ‘엔지니어링 데이터 플랫폼’의 역할을 요구받고 있다. 실제로 중규모 이상의 건축·플랜트·인프라 프로젝트에서는 수십에서 수백 개의 DWG 파일이 하나의 프로젝트로 묶여 관리되는 구조가 이미 보편화되었다. 각 파일은 독립적으로 존재하는 것이 아니라 외부 참조(XREF)로 서로 연결되어 있으며, 단 하나의 레이어 설정 오류나 축척 불일치가 프로젝트 전체의 정합성을 무너뜨리는 상황이 빈번하게 발생한다. 그뿐만 아니라 BIM(건설 정보 모델링)과의 연계, 클라우드 기반 협업 플랫폼과의 통합이 필수 요건이 되면서, CAD 소프트웨어에 요구되는 기술적 역량의 폭은 과거와는 비교할 수 없을 만큼 넓어졌다. 이러한 환경 변화 속에서 실무 설계자는 매일 두 가지 거대한 도전에 직면한다. 첫 번째는 설계 표준의 일관성 유지이다. 여러 파일, 여러 작업자가 혼재하는 프로젝트 환경에서는 레이어 구조, 선 종류, 텍스트 스타일, 치수 스타일 등 도면 표준이 조금씩 달라지는 ‘표준 표류(standard drift)’ 현상이 발생한다. 이를 방치하면 납품 직전에 전체 도면을 재검토하고 수정해야 하는 최악의 상황이 벌어질 수 있다. 두 번째는 반복 작업으로 인한 비효율이다. 경험 많은 설계자조차 레이아웃 설정, 뷰포트 배치, 출력 환경 구성 같은 반복적이고 기계적인 작업에 상당한 시간을 소모하고 있다. 이는 단순한 시간 낭비를 넘어, 집중력을 분산시켜 정작 중요한 설계 품질 향상에 쏟아야 할 에너지를 갉아먹는 구조적 문제이다. 아레스 커맨더 2027은 바로 이 두 가지 핵심 도전에 정면으로 대응한다. 이번 업데이트는 화려한 신기능의 나열이 아니라, 실무 현장의 페인 포인트(pain point)를 정밀하게 타격하는 집중적인 기능 강화로 구성되어 있다. 그 중심에는 프로퍼티 페인터(Property Painter)의 대폭 확장이 있다.   도면 간 경계를 허무는 프로퍼티 페인터, 협업의 일관성을 완성하다 표준화의 붕괴, 현장에서 벌어지는 일     프로젝트 현장에서 설계 표준화가 무너지는 과정은 대부분 의도치 않게 시작된다. A 설계자는 이전 프로젝트에서 사용하던 도면 템플릿을 그대로 가져와 작업을 시작하고, B 설계자는 발주처가 요구하는 레이어 기준에 맞게 새로운 설정을 만들어 쓴다. C 설계자는 외부 협력사에서 받은 참고 도면의 스타일을 그대로 가져다 쓴다. 이렇게 하나씩 쌓여가는 불일치는 어느 순간 프로젝트 전체를 뒤흔드는 문제로 커진다. 이러한 상황을 수작업으로 정리하는 것은 극도로 비효율적이다. 레이어 속성을 하나하나 확인하고, 텍스트 스타일이 올바른지 점검하고, 해치 패턴의 축척이 통일되어 있는지를 수십 개의 파일에 걸쳐 검토하는 작업은 수 시간, 때로는 수 일이 걸리는 고된 과정이다. 그리고 이 과정은 반드시 숙련된 시니어 설계자가 담당해야 한다는 점에서 조직의 핵심 인력을 비생산적인 작업에 묶어두는 결과를 낳는다.   프로퍼티 페인터가 바꾸는 것     아레스 커맨더 2027에서 강화된 ‘PROPERTYPAINTER’ 명령은 이 문제를 근본적인 차원에서 해결한다. 이번 버전에서 PROPERTYPAINTER는 두 가지 핵심 개선을 통해 대폭 향상되었으며, 여러 도면을 동시에 작업하는 환경에서 설계자에게 더 큰 유연성과 정밀한 컨트롤을 제공한다. 첫 번째 핵심 개선점은 도면 간 속성 복사이다. 이전까지 PROPERTYPAINTER 명령은 동일한 도면 파일 내에서 엔티티 간의 속성을 복사하는 것만 가능했다. 충분히 유용한 기능이었지만, 오늘날처럼 수십 개의 파일이 동시에 열려 작업되는 환경에서는 근본적인 한계가 있었다. 아레스 커맨더 2027부터는 한 도면의 엔티티에서 속성을 복사하여, 현재 열려 있는 다른 도면의 엔티티에 직접 적용하는 것이 가능해졌다. 사용자는 기준이 되는 ‘마스터 도면’에서 원하는 객체의 속성을 선택한 뒤, 열려 있는 다른 도면 탭으로 이동하여 그 속성을 그대로 적용할 수 있다. 파일을 닫고 다시 열 필요 없이, 탭 전환만으로 프로젝트 전체에 걸친 속성 통일 작업이 가능해진 것이다. 이 개선은 특히 일관된 스타일과 표준이 요구되는, 여러 파일로 분할된 대형 프로젝트 환경에서 워크플로를 간소화한다.     ■ 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.

LG에너지솔루션 최호득 책임연구원     ‘매트랩 엑스포 2026 코리아’에서 LG에너지솔루션의 최호득 책임연구원은 MIL(model-inthe-loop) 환경에서 배터리 SOX 로직을 매트랩과 시뮬링크 도구를 활용하여 테스트 스위트를 구성하고, 이를 동적으로 검증하는 프로젝트를 소개했다.   – LG에너지솔루션 및 현재 맡은 업무에 대해 LG에너지솔루션은 자동차, IT 및 로봇, ESS(에너지 저장 시스템) 등에 필요한 배터리 셀, 배터리 팩, BMS(배터리 관리 시스템)를 제공하는 회사이다. 이 가운데 주로 자동차 배터리에 탑재되는 BMS의 기능 검증 및 검증 자동화 업무를 수행하고 있다. 최근에는 BMS 없이 가상 ECU를 검증하는 SIL(software-in-the-loop) 환경 구축이나, 개발된 특정 소프트웨어를 활용해서 모델 내에서 검증하는 MIL 검증을 진행하고 있다.   – 시뮬링크를 적용한 업무는 어떤 것이며, 시뮬링크를 적용하게 된 배경은 무엇인지 이번에 적용한 업무는 매트랩 툴박스(MATLAB Toolbox) 내에 있는 시뮬링크 테스트(Simulink Test)를 기존 테스트 환경에 반영하는 것이다. 시뮬링크 테스트는 시뮬링크 모델을 테스트 하네스(test harness)로 만들어 테스트 스위트를 구성하고 검증하는 방식이다. 개발팀은 주로 특정 모듈을 검증하지만, 검증팀은 대규모 개발 모델과 검증 모델을 통합하여 보다 정확한 검증을 위해 트랜지션(transition)을 사용할 수 있다. 또한, 기존에 사용하던 엑셀 기반의 시나리오 테스트 케이스를 매트릭스 구조로 읽어와 테스트 어세스먼트(test assessment) 블록에 이관하여 검증할 수 있어 검증 효율성을 높일 수 있다는 점에서 시뮬링크 테스트를 활용하게 되었다.   – 현재 시뮬링크를 어떻게 활용하고 있는지 현재 시뮬링크는 두 가지 측면에서 활용하고 있다. 첫 번째는 구성한 테스트 스위트를 활용하여 수동으로 검증할 때이다. 자동화 환경을 구성하기 전에 정의한 변수와 실행이 올바르게 이루어지는지 확인하고, 자동화 검증 결과에 이상이 있을 때 특정 포인트를 직접 눈으로 보면서 로직을 확인한다. 두 번째는 테스트 자동화를 위해 시뮬링크 모델을 래핑한 후, 엑셀에 설계된 테스트 시나리오를 기반으로 개발팀이 배포한 소프트웨어의 기능을 검증하는 목적으로 사용하고 있다.   – 시뮬링크 활용을 통해 얻은 효과에 대해 시뮬링크를 활용함으로써 얻은 효과로는 세 가지가 있다. 첫째는 직관성이다. 시뮬링크는 모델로 구성되어 시간적 순서에 따라 인과관계에 근거하여 동작한다. 이 때문에 구성된 로직이 시간의 순서에 맞추어 동작하는지, 주변 로직에서 영향을 받지 않는지 등의 디버깅이 용이하다. 두 번째는 모델 배포의 용이성이다. 특정 모델을 분리하여 동료에게 배포하기가 쉽다. 배포된 모델은 유닛 테스트 및 동료 검토(예 : Failure 시뮬레이션)가 용이하다. 코드가 아닌 모델로 구성되어 있기 때문에 로직을 보다 쉽게 이해할 수 있다. 마지막은 변수 제어이다. 시뮬링크를 사용하여 시뮬레이션을 진행할 때 시뮬레이션 중 변수 제어가 되지 않는 문제가 있었지만, 이번에 적용한 시뮬링크 테스트를 활용하면 특정 포인트에서 원하는 값을 제어하며 모델을 운영할 수 있다.   – 향후 시뮬링크의 활용 계획에 대해 향후에는 시뮬링크를 현재 수준으로 계속 활용하면서, 매트랩의 통계 함수와 연동하여 검증된 결과에 대한 통계 분석 등 후처리 시뮬레이션(post simulation)을 더욱 적극적으로 활용할 계획이다. 또한, 내장된 툴박스의 기능을 보다 많이 파악하여 현재까지 인지하지 못한 유용한 기능을 활용함으로써, 검증 품질을 높이고자 한다.   – 시뮬레이션 활용 확대를 위해 현업에서 어떤 부분을 고려해야 할지 자동차 및 ESS 프로젝트를 진행하면서 다양한 형태의 데이터 파일을 현장에서 받게 된다. 이러한 데이터를 쉽게 가져와 개발된 모델과 연동하여 사용하는 방법에 대한 고민이 필요하다. 또한, 기존 데이터를 의미 있는 범위 내에서 왜곡하여 시뮬레이션함으로써 로직의 강건성을 검증하는 방법에 대한 고민도 필요하다. 매트랩과 시뮬링크의 시뮬레이션 결과는 동적인 형태로 출력되는데, 이러한 패턴을 검증할 수 있는 기술 개발 역량 강화가 필요할 것 같다.   같이 보기 : [포커스] 매스웍스, MBD와 AI 결합으로 제조 혁신 가속화… “설계 복잡성 줄이고 신뢰성 높인다”

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

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.

팀뷰어는 메르세데스-AMG 페트로나스 포뮬러 원 팀이 기존 원격 연결 플랫폼인 ‘팀뷰어 텐서(TeamViewer Tensor)’에서 자율 엔드포인트 관리 플랫폼인 ‘팀뷰어 원(TeamViewer ONE)’으로 업그레이드했다고 발표했다. 메르세데스-AMG 페트로나스 F1 팀은 이번 도입을 통해 브래클리 공장부터 트랙 현장의 개러지까지 수천 개의 IT 및 OT 엔드포인트 전반에 걸쳐 실시간 가시성과 제어 기능을 확보하게 되었다. 팀뷰어 원은 인공지능(AI)을 활용해 문제를 사전에 감지하고 운영에 영향을 미치기 전에 선제적으로 해결하는 기능을 지원한다. 사소한 IT 문제 하나가 레이스 결과를 바꿀 수 있는 환경에서 이러한 선제적 대응은 팀 운영의 핵심적인 요소로 평가받는다. 팀뷰어 원은 엔드포인트 관리와 보안 원격 연결, 그리고 자율 엔드포인트 관리(AEM) 전략의 핵심인 디지털 직원 경험을 통합한 것이 특징이다. 특히 기기에서 로컬로 작동하는 구조를 채택해 네트워크가 중단되더라도 트랙 현장 운영에는 차질이 없도록 설계되었다. 이러한 대규모 자율형 IT를 구현하는 동력은 데이터에서 나온다. 팀뷰어 원은 폐순환(closed-loop) 학습 시스템을 통해 이상 현상을 감지하고 복구 조치를 실행하며 문제가 사용자에게 영향을 미치기 전에 선제적으로 해결한다. 시스템 고도화를 위해 원격 지원 세션에서 축적된 전문가 지식과 심층적인 기기 텔레메트리 정보가 대규모로 활용된다. 현재 AI 지원 세션은 100만 건을 넘어섰으며 지난 3월에만 30만 건 이상이 추가되었다. 팀뷰어에 따르면 AEM은 IT 운영의 차세대 흐름으로 부상하고 있으며, 2029년에는 산업 전반에 본격적으로 도입될 전망이다.     메르세데스-AMG 페트로나스 F1 팀의 토토 울프(Toto Wolff) CEO는 “레이스 도중에는 텔레메트리부터 기상 정보, 무선 통신까지 수십 종의 데이터를 실시간으로 활용하며 이를 뒷받침하는 기술은 단 하나의 오류도 없어야 한다”고 강조했다. 이어 “팀뷰어는 우리가 타협하지 않는 신뢰성과 성능을 제공하며 팀뷰어 원으로의 전환은 F1의 현재와 미래를 고려한 전략적 선택”이라고 덧붙였다. 메르세데스-AMG 페트로나스 F1 팀의 마이클 테일러(Michael Taylor) IT 총괄은 0.001초 차이로 승부가 갈리고 비용상한제 규정이 엄격한 F1 환경에서 팀뷰어 원의 도입 가치를 설명했다. 테일러 IT 총괄은 “팀뷰어 기술은 이미 까다로운 레이스 환경에서 안정성을 증명했으며 팀뷰어 원으로의 전환은 당연한 수순”이라면서, “다운타임 감소와 데이터 품질 개선, 팀 전반의 생산성 향상 측면에서 비즈니스 타당성이 명확하다”고 밝혔다. 팀뷰어의 올리버 스테일(Oliver Steil) CEO는 메르세데스-AMG 페트로나스 F1 팀이 운영하는 IT 환경이 세계에서 가장 복잡하고 까다로운 수준이라고 진단했다. 스테일 CEO는 “팀뷰어 원은 수천 개의 핵심 엔드포인트를 관리하면서도 다운타임을 허용하지 않는 실시간 운영이 요구되는 환경을 위해 설계되었다”면서, “세계에서 가장 까다로운 환경에서 검증된 기술은 어떤 산업 현장에서도 효과를 발휘할 수 있다”고 말했다.

  유니티는 ‘유니티 AI(Unity AI)’의 오픈 베타 서비스를 시작했다고 밝혔다. 이번 오픈 베타는 유니티 6 이상의 버전을 사용하는 모든 개발자가 이용할 수 있다. 에디터에 내장된 유니티 AI는 프로젝트 구조와 시스템부터 플레이어 경험을 형성하는 창의적 반복 작업까지 게임 개발의 실제 맥락을 기반으로 작동한다. 개발자는 이를 통해 반복적인 워크플로에 소요되는 시간을 줄이고 게임의 핵심 요소를 구축하고 다듬는 데 더 많은 시간을 할애할 수 있다. 개발자는 에디터에서 직접 선호하는 AI 도구를 안전하게 연결하고 제어하는 AI 게이트웨이(AI Gateway)를 이용할 수 있다. 모델 컨텍스트 프로토콜(MCP) 서버를 통해 통합 개발 환경(IDE)에서도 이를 활용하는 것이 가능하다. 유니티 6.2부터 에디터에 통합된 유니티 AI는 번거로운 작업 자동화와 애셋 생성 등 개발 워크플로의 간소화 및 가속화를 지원한다. 컨텍스트 기반 어시스턴트 기능을 사용하면 상세한 설명 없이도 프로젝트 애셋을 프롬프트로 드래그하여 게임 오브젝트, 스크립트, 프리팹 등에 대한 지원을 신속하게 받을 수 있다. 스크립트나 오류 메시지 등 문제를 더 쉽게 파악하고 해결하는 콘솔 오류 디버그 기능도 함께 제공한다. 또한 오브젝트 생성, 애셋 배치, 신 설정 자동화뿐만 아니라 스프라이트, 텍스처, 애니메이션, 사운드 등 다양한 플레이스홀더 애셋을 워크플로 내에서 매끄럽게 생성하고 활용할 수 있다. 일정 기준 이상의 광원이나 리지드 보디가 없는 오브젝트를 검색하고 이름, 레이어, 컴포넌트 등을 일괄 수정 및 정리하는 작업도 가능하다. 유니티에 따르면, 개발자는 창작의 방향성을 직접 주도하면서 유니티 AI를 통해 더 다양한 시도를 하고 나은 의사결정을 내리며 아이디어를 더 빠르게 결과물로 구현할 수 있다. 유니티는 에디터 내 에이전트가 유니티에 특화된 워크플로에 맞춰 조정되어 프로젝트 맥락을 기반으로 작동한다고 밝혔다. 이를 통해 더 관련성 높은 답변과 나은 작업 수행이 가능하며 재시도 횟수를 줄일 수 있다는 설명이다. 유니티 AI는 디자인, 이미지, 시각 레퍼런스를 프로젝트에 바로 활용할 수 있는 애셋과 플레이 가능한 신으로 변환하도록 돕는다. 향상된 통합 기능을 통해 강력한 제어권도 제공한다. 개발자는 언제든 변경 사항을 되돌릴 수 있으며 AI 생성 애셋에 태그를 지정해 검토 과정을 간소화할 수 있다. 권한 설정을 통해 에이전트의 자율성 수준을 제어하는 기능도 포함되었다.