• 회원가입
  • |
  • 로그인
  • |
  • 장바구니
  • News
    뉴스 신제품 신간 Culture & Life
  • 강좌/특집
    특집 강좌 자료창고 갤러리
  • 리뷰
    리뷰
  • 매거진
    목차 및 부록보기 잡지 세션별 성격 뉴스레터 정기구독안내 정기구독하기 단행본 및 기타 구입
  • 행사/이벤트
    행사 전체보기 캐드앤그래픽스 행사
  • CNG TV
    방송리스트 방송 다시보기 공지사항
  • 커뮤니티
    업체홍보 공지사항 설문조사 자유게시판 Q&A게시판 구인구직/학원소식
  • 디렉토리
    디렉토리 전체보기 소프트웨어 공급업체 하드웨어 공급업체 기계관련 서비스 건축관련 업체 및 서비스 교육기관/학원 관련DB 추천 사이트
  • 회사소개
    회사소개 회사연혁 출판사업부 광고안내 제휴 및 협력제안 회사조직 및 연락처 오시는길
  • 고객지원센터
    고객지원 Q&A 이메일 문의 기사제보 및 기고 개인정보 취급방침 기타 결제 업체등록결제
  • 쇼핑몰
통합검색 "컴퓨터"에 대한 통합 검색 내용이 4,723개 있습니다
원하시는 검색 결과가 잘 나타나지 않을 때는 홈페이지의 해당 게시판 하단의 검색을 이용하시거나 구글 사이트 맞춤 검색 을 이용해 보시기 바랍니다.
CNG TV 방송 내용은 검색 속도 관계로 캐드앤그래픽스 전체 검색에서는 지원되지 않으므로 해당 게시판에서 직접 검색하시기 바랍니다
[칼럼] 로봇 기반 제조 자동화와 디지털 트윈
디지털 트윈과 산업용 메타버스 트렌드   영화 매트릭스가 개봉된 지 20년이 더 지난 2020년대에 이러한 가상 세상은 영화가 아닌 실제 산업 현장에서 구현되어 산업 혁신을 주도하고 있다. 바로 ‘디지털 트윈 (Digital Twin)’이다 이 글에서는 디지털 트윈의 의미와 제조 산업 특히 로봇 기반 자동화에서 디지털 트윈이 어떻게 제조현장을 혁신하는지 실증 사례를 기반으로 소개한다.   장영재 교수 / 카이스트  “헬기를 몰 줄 알아요?” 남자 요원이 동행한 여자 요원에게 물었다. “아니요. 아직은요. 잠시만 기다리세요.” 그리고 즉시 여자 요원은 무전로 본부에 연락해, 헬기 시뮬레이션 교육프로그램을 업로드 해달라 본부에 요청했다. 본부에서는 즉시 시뮬레이션 교육프로그램을 가속으로 돌려 헬기 조정 능력을 여자 요원의 머리에 업로드하였다. 여자요원은 불과 몇 초 사이에 수백시간 걸릴 헬기훈련을 마친 베터랑 헬기 조정사 능력을 가지게 되었다. 그리고 여자 요원은 외쳤다. “빨리 헬기를 몰고 도망칩시다!” 그리고 여자 요원은 능숙한 솜씨로 헬기를 몰고 남자요원과 함께 탈출한다. 1999년 개봉된 영화 매트릭스의 한 장면이다. 가상의 세상과 실제 세상을 오가며 과연 무엇이 진실이며 실제 (real)이란 무엇일까란 질문을 던지는 매우 철학적인 영화다 .  영화 매트릭스가 개봉된 지 20년이 더 지난 2020년대에 이러한 가상 세상은 영화가 아닌 실제 산업 현장에서 구현되어 산업 혁신을 주도하고 있다. 바로 ‘디지털 트윈 (Digital Twin)’이다. 본 특집에서는 디지털 트윈의 의미와 제조 산업 특히 로봇 기반 자동화에서 디지털 트윈이 어떻게 제조현장을 혁신하는지 실증 사례를 기반으로 소개한다.   1. 시뮬레이션과 디지털 트윈의 차이 우리나라 과학기술정보 통신부에서는 디지털 트윈을 다음과 같이 정의하고 있다.  “가상세계에서 실제 사물의 물리적 특징을 동일하게 반영한 쌍둥이 (Twin)을 3D 모델로 구현하고 제 사물과 실시간으로 동기화 및 시뮬레이션을 통해 관제, 분석, 예측 등 현실의 의사결정에 활용하는 기술” 그러나 이러한 정의만으로는 구체적으로 디지털 트윈을 파악하기에 모호하다. 시뮬레이션과 디지털 트윈의 차이가 무엇인지, 실시간 동기화가 왜 필요한지, 관제, 분석, 예측은 이미 다양한 방식으로도 가능한데 디지털 트윈이 제공하는 또 다른 가치가 있는지 설명이 부족하다. 최근 디지털 트윈 관련 이슈가 많다 보니 기업들도 앞 다투어 디지털 트윈을 기술을 확보했다는 등의 보도자료를 통해 기술 홍보를 하기도 한다. 이런 대부분은 공장의 가공 로봇이 움직임을 실시간 3D 애니메이션으로 구현해서 실제 로봇의 움직임을 컴퓨터에 시연하는 정도다. 그러나 이러한 시연을 보면 대부분 사람들의 반응은 “이것으로 무엇을 하지요?” “굳이 거액을 들여 실물의 움직임을 컴퓨터 그래픽으로 그대로 보여줄 필요 있나요? 그저 CCTV 하나 설치하면 컴퓨터에서 영상으로 볼 수 있는 것을 굳이 컴퓨터 그래픽 3D영상으로 구현할 필요가 있나요?” 등의 반응이다. 그렇다면 우선 시뮬레이션과 디지털 트윈의 차이가 무엇일까? 2. 디지털 트윈이 과연 무엇인가?   시뮬레이션은 가상의 시나리오를 기반으로 그 결과를 재현해 보는 것을 의미한다. 내가 A란 결정을 했을 때 그 결과가 어떻게 나올지를 유추해 보는 것이 시뮬레이션이다. 우리가 일반적으로 잘 알고 있는 시뮬레이션이 컴퓨터 시뮬레이션이다. 즉 컴퓨터가 구현한 상황에서 특정 의사결정에 대해 그 결과를 컴퓨터를 통해 산출하는 것이다. 컴퓨터 시뮬레이션 활용의 대표적인 예가 워 게임 (War Game)이다. 군에서는 전략전술 교본이나 전술, 그리고 무기 체계 설계를 할 때 컴퓨터를 통한 시뮬레이션을 활용한다. 평가나 실험을 위해 실제 전투나 전쟁을 치를 수 없기에 컴퓨터를 통해 가상의 적군과 전투를 하며 훈련을 하거나 전술 평가에 활용한다. 실제 컴퓨터 시뮬레이션 활용에 대한 연구가 가장 활발히 이뤄지는 분야가 국방 시뮬레이션 분야인 이유다.  우리 일상 생활에서도 이러한 시뮬레이션이 실제 많이 활용된다. 대표적인 예가 바로 자동차 네비게이션이다. 10년전 네비게이션을 떠올리면 전형적인 시뮬레이션 장비라 할 수 있다. 목적지를 입력하면 내 위치에서 목적지까지 수많은 대안 경로 중 최적 경로를 제안해 준다 . 그러나 당시 네비게이션은 실시간 교통정보를 경로 탐색에 담지 않았다. 그러다 보니 출퇴근 교통혼잡이나 사고로 인한 교통 체증과 같은 상황에서도 일반 상황과 동일한 이동경로 시간 산출과 경로를 제시하는 한계가 있었다. 최근 자동차 네비게이션이나 스마트폰 차량 맵은 실시간 교통정보를 포함해 다양한 대안 경로를 제시한다. 즉 실시간 GPS 정보를 통해 내 차량의 위치는 클라우드의 컴퓨터로 전송이 되고 또한 다양한 교통정보를 기반으로 실시간으로 대안경로를 찾고 도착시간을 지속해서 업데이트 한다. 그리고 내차의 이동 경로와 교통 상황은 사용자가 직관적으로 파악할 수 있도록 컴퓨터 그래픽으로 전달된다. 즉 실시간 교통정보를 기반으로 지속적인 업데이트된 경로를 제공하는 스마트폰 네비 앱이 디지털 트윈의 가장 대표적인 사례다. 학문에서는 디지털 트윈의 조건을 아래로 정의한다. 1. 실물과 가상의 시스템이 거의 실시간 (near real-time)으로 연동되어야 한다. 2. 다양한 상황의 시나리오를 검토하고 대안을 제시할 수 있어야 한다. 3. 사용자의 의사결정을 지원하며 사용자가 쉽게 의사결정 상황을 직관적으로 파악할 수 있는 인터페이스를 제공해야 한다.   스마트폰 네비는 위 조건을 모두 만족한다. 실시간으로 차량의 위치가 GPS로 전송되고 교통정보도 활용한다는 점에서 1번 조건을 만족하며, 다양한 대안경로를 검토함으로 2번 조건을 만족하며, 사용자의 최적경로를 제안하며 이러한 경로를 그래픽으로 전달하는 방식으로 3번 조건을 만족한다. 즉 스마트폰 네비가 우리 생활의 디지털 트윈이라 할 수 있다. 이런 의미를 보면 굳이 디지털 트윈이 현실과 매우 흡사한 고퀄리티 네비를 제공해 줄 의무는 없고 3D그래픽을 제공하는 것도 조건은 아니다. 사람의 의사결정을 직관적으로 지원해 줄 수 있는 정도면 기능이 충분하다 할 수 있다. 3. 로봇 기반 제조 운영에서의 디지털 트윈   이러한 디지털 트윈 활용의 가장 대표적인 예가 제조 물류 자동화 시스템 설계 및 운영이다. 최근 제조 시스템의 가장 큰 변화 중의 하나는 컨베이어 벨트가 없는 자동화(Beltless Automation)로 표현되는 군집 로봇 기반 물류 자동화다. 1916년 포드 T모델이 컨베이어 방식으로 생산되며 제조 자동화 혁명을 가져왔다. 이후 컨베이어 벨트 기반 물류 자동화는 공장 자동화의 표준 생산이 되었다. 그러나 이러한 컨베이어 방식은 단일 품종 대량 생산에는 적합하지만 다품종 소량 생산과 같은 현대 소비 시장의 욕구를 충족하는 데는 한계가 있다. 차량 모델이 바뀔 때 마다 공장을 세우고 컨베이어 벨트와 설비 위치를 재 조정해야 하는 등 상당한 재투자가 필요하다. 카이스트 산업 및 시스템 공학과 졸업생들이 2020년에 창업하여 카이스트 및 네이버가 투자한 다임리서치는 디지털 트윈 기술을 기반으로 AGV나 ARM의 이동을 관제하고 제어하는 솔루션을 개발하여 LG전자뿐만 아닌 국내 반도체 및 2차전지 기업에 공급하고 있다.      상세 내용은 PDF로 제공됩니다.    
작성일 : 2025-05-09
[특별기고] 디지털 트윈 발전 전망
디지털 트윈과 산업용 메타버스 트렌드   데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다.  디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.   ▲ 철도 네트워크의 디지털 트윈 구축하는 독일 디지털 철도(이미지 출처 : 엔비디아)   1. 디지털 전환과 디지털 트윈 디지털 전환(Digital Transformation: DX)은 비즈니스 전 과정에 ICT 기술을 도입하여 전사적 업무, 생산 기술, 제품 등을 디지털화 한 후 이를 기반으로 가상 실험이 가능한 디지털 환경을 구축하는 것이다.  디지털 전환의 궁극적 목적은 기업 이윤 극대화에 필요한 업부/생산 효율성 및 제품 부가 가치 증대를 위한 다양한 창의적 대안들을 가상 실험을 통해 평가한 후 그 결과를 비즈니스 전 과정에 활용하는 것이다. 예를 들어, 스마트 팩토리의 디지털 전환은 조달 시스템, 생산 시스템, 물류 시스템 등 스마트 팩토리 구성요소들의 자원 할당 및 운용에 대한 다양한 대안들을 가상 실험을 통해 평가할 수 있는 환경을 구축하여야 한다. 그렇다면, 비즈니스 전 과정을 가상 실험하기 위해서는 무엇이 필요할까?  가상 실험을 하기 위해서는 먼저 가상 실험 대상(예: 제조 공장)을 선정하고, 다음으로, 가상 실험 시나리오(예:새로운 제조 장비 도입)가 필요하며 시나리오를 수행할 모델(예: 제조 공정 시뮬레이션 모델)이 필요하다. 이러한 가상 실험을 위한 모델이 디지털 트윈이며 이런 이유로 많은 사람들이 디지털 트윈을 DX의 Key(Richard Marchall, 2017), DX의 Enablers(Reterto Saracco, 2019), DX의 Central(Vijay Ragjumathan, 2019), DX의 Steppingstone(Harry Forbes, 2020), DX의 Pillar(Fransesco Belloni, 2020)라고 지적하였다.   2. 디지털 트윈의 정의 디지털 트윈은 물리적 자산, 프로세스 및 시스템에 대한 복제본으로 정의[Wiki 사전]되며, 복제본이란 대상 체계의 운용 데이터, 지형/공간/형상 정보 및 동작/운용 법(규)칙을 컴퓨터 속에 디지털화 해 놓은 것을 의미한다. 예를 들면, 제조 공장의 디지털 트윈은 제조 공장의 운용 데이터, 제조 공장의 공간/형상 정보, 그리고 제조 장비 동작 및 공정 모델이 컴퓨터 속에 복제된 것이 될 것이다. 디지털 트윈과 대상 체계가 쌍둥이기 때문에 쌍둥이 중 누가 먼저 태어났느냐에 따라 디지털 트윈의 이름을 다르게 붙이기도 한다. 대상 체계가 존재하기 전에 만들어진 디지털 트윈을 디지털 트윈 프로토타입(Prototype) 그리고 대상 체계가 만들어진 후 복제된 디지털 트윈을 디지털 트윈 인스턴스(Instance)라고 부른다. 디지털 트윈 프로토타입은 대상 체계 설계 단계에서 활용되며 디지털 트윈 인스턴스는 대상 체계의 운용 분석에 활용되는 것이 일반적이다. 디지털 트윈 인스턴스(실 체계의 복제본)와 디지털 트윈 프로토타입(실 체계의 설계 모델)이 모두 존재할 수도 있지만 디지털 트윈 프로토타입 없이 디지털 트윈 인스턴스만 존재할 수도 있다. 디지털 트윈 프로토타입과 인스턴스가 모두 존재한다면 인스턴스는 프로토타입에 실 체계 운용 정보가 반영되어 진화(성장)된 트윈으로 볼 수 있다. 3. 디지털 트윈 구축 목적 디지털 트윈의 구축 목적은 대상 실 체계와 디지털 트윈을 연동 운용함으로써 실 체계 관련 이해 당사자에게 지혜 수준의 혁신적 서비스를 제공할 수 있는 핵심 도구/수단으로 활용하기 위함이다. 데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다. 융합 빅 데이터는 AI-통계/공학 분석도구들을 이용하여 실 세계의 구성요소인 자산, 사람, 운용 프로세스들의 다양한 결합에 대한 분석/예측 및 체계 운용 최적 대안(최적화)을 찾는데 활용될 수 있다. 아울러, 융합 빅 데이터는 실 세계를 가상 환경에서 현실감 있게 표출할 수 있는 다양한 장비/장치와 VR/AR/XR/메타버스 관련 ICT 기술과의 융합 인터페이스를 통해 오락, 관광, 교육 훈련, 체험 등에 활용될 수 있다.     디지털 트윈의 복제 대상은 실 체계의 운용 데이터, 공간/형상 정보 및 실 체계에 포함된 객체들의 행위 모델 등 3가지이다. 운용 데이터는 실 체계에 설치된 IoT 장비로부터 획득이 가능하다. 공간/형상 정보는 서비스 목적에 따라 GIS, BIM 혹은 3D CAD 중 한 가지 이상을 결합하여 사용한다. 객체 행위 모델은 다양한 시나리오를 가상 실험하기 위한 시뮬레이션 모델을 사용하지만 서비스 목적에 따라서는 운용 데이터를 학습한 데이터 모델을 사용할 수도 있다. 구성요소 중 일부만을 사용한 디지털 트윈은 나머지 구성요소를 사용하지 않음으로 인한 한계점에 봉착하게 된다. 예를 들면, 실 체계 운용 데이터 복제만으로 구성된 IoT 기반 디지털 트윈은 수집된 데이터를 분석할 수는 있지만, 실 체계를 시각화한 지형/공간 상에 데이터를 표출할 수 없을 뿐만 아니라 실 체계와는 다른 가상 데이터를 입력한 시뮬레이션을 수행할 수 없다. 마찬가지로, 지형/공간 정보 만으로 구성된 디지털 트윈은 실 체계에서 일어나는 지형/공간 정보의 변화를 실 시간으로 반영할 수 없으며 시뮬레이션을 통한 실 체계의 현상 분석 및 미래 예측이 불가능 하다.      디지털 트윈의 효율적인 활용을 위해서는 위의 세 가지 구성요소 모두를 개발 및 운용할 수 있는 통합 플랫폼이 바람직하지만 국내외적으로 표준화된 디지털 트윈 플랫폼은 존재하지 않는다. 디지털 트윈의 특성 상 3가지의 디지털 트윈 구성요소 각각을 개발하는 독립적인 플랫폼을 사용하여 구성요소를 개발한 후 이들을 연동하여 운용하는 것이 효율적이다.  구체적으로는, 먼저, 디지털 트윈 개발 목적에 맞게 운용 데이터를 수집하는 IoT 플랫폼, 지형/공간 정보를 구축하는 지형/공간정보 플랫폼 및 모델링 시뮬레이션 플랫폼들을 이용하여 각 구성요소를 개발한다. 다음으로, 개발된 세 가지 구성요소를 실행하는 플랫폼들을 연동 운용하는 PoP(Platform of Platforms) 구조를 사용할 수 있다. PoP 구조는 디지털트윈의 목적에 부합되는 모든 디지털트윈을 개발/운용할 수 있는 플랫폼으로써 신뢰성 및 경제성(개발 기간 및 비용) 면에서 효율적인 구조이다. PoP 구조를 사용할 경우 플랫폼들 사이의 연동을 위한 데이터 모델과 API의 국제적인 표준화가 요구되며 데이터 모델의 표준은 대상 시스템에 따라 달라질 수 있다.  디지털 트윈을 실제 시스템에 대한 문제 해결 목적으로 사용하기 위해서는 대상 시스템에 대한 다양한 질문의 답을 디지털 트윈을 통해서 얻을 수 있는 서비스가 제공되어야 한다. OR 이론의 창시자 중 한 명으로 경영 과학 이론가인 R.L.Ackoff 교수는 사람이 생각하는 내용을 데이터, 정보. 지식, 지혜 등 4가지로 분류하였다. 데이터는 단순한 심벌(숫자나 문자)을 말하지만 정보는 ‘who’, ‘what’, ‘where’, ‘when’을 답할 수 있고, 지식은 ‘how’를 답할 수 있고, 지혜는 ‘why’를 답할 수 있어야 한다고 정의하였다. 디지털 트윈의 서비스 수준을 Ackhoff 교수의 분류법에 매핑 시킨다면 정보 수준 서비스는 시스템 분석(현상, 기능 등), 지식 수준 서비스는 시스템 예측(행위, 성능 등) 그리고 지혜 수준 서비스는 시스템 최적화(운용 최적화 등) 및 진단(수명 진단 등)에 해당한다. 예를 들어, 교통 시스템에 대한 다양한 질문을 답하기 위해 교통 디지털 트윈을 만들었다고 하자. 정보 서비스의 예는 현재 교통 시스템의 현상을 분석하는 것으로 어느 위치의 현재 시간대에 단위 시간당 교차로 통과 차량 대수가 얼마인지에 대한 답을 하는 서비스이다. 지식 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 얼마가 되는지를 예측하는 질문에 대한 답을 하는 서비스이다. 지혜 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 최소가 되는 최적화된 경로가 어떤 것인지의 질문에 대한 답을 하는 서비스이다.    4. 디지털 트윈의 구성요소 디지털 트윈의 3 가지 구성요소 중 행위 모델은 목적에 따라 데이터 모델과 시뮬레이션 모델로 대별된다. 데이터 모델은 실 체계에서 수집된 데이터들 사이의 상관관계를 기계학습하여 얻어진 모델(예: 인공신경망)로서 지식 서비스를 위한 시스템 행위 예측에 한계점을 가지고 있다. 구체적으로, 데이터 모델은 학습된 데이터 영역에서는 미래 예측이 가능하지만 학습된 영역 밖의 데이터에 대한 예측은 불가능 하다. 뿐만 아니라 학습 시와 예측 시의 시스템 운용 조건이 달라질 경우에도 예측이 불가능하다. 앞서 예시한 교통 디지털 트윈으로 데이터 모델을 사용할 경우 학습 시 도로 상황(운행 시간, 사고 발생 유무 등)이 예측 시 도로 상황과 동일하지 않으면 소요 시간 예측의 정확도가 보장되지 않는다. 더욱이, 시스템 변수 사이의 상관 관계로 표현된 데이터 모델은 변수 사이의 인과 관계가 필요한 시스템의 최적화 및 고장 진단 등에는 활용할 수 없다. 이러한 데이터 모델의 서비스 한계를 극복하기 위해서는 시뮬레이션 모델을 사용할 수 있다. 시뮬레이션 모델은 구축은 대상 시스템에 대한 도메인 지식과 이를 표현하는 지배 법칙에 대한 수학적/논리적 표현 방법을 이해해야 하므로 데이터 모델에 비해 고 비용이 요구된다. 따라서, 디지털 트윈의 행위 모델은 대상 시스템의 서비스 목적과 수준에 따라 다르게 선택될 수 있다.    5. 디지털 트윈의 발전 전망  디지털 트윈의 향후 발전 전망은 문제 해결과 가상 체험 및 빅 데이터 분야로 대별할 수 있다. 문제 해결 분야에서 디지털 트윈의 대상은 분석, 예측, 최적화/진단 대상이 되는 모든 시스템 분야로서 산업(제조, 생산, 물류, 식물공장 등), 공공(교통, 환경, 금융 등), 의료(진단, 인공장기, 가상수술 등), 재난안전(안전점검, 피해분석, 대피훈련 등), 국방(군사훈련, 국방분석, 무기체계 획득 등)등을 포함한다.  현재 디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.  가상 체험 분야는 디지털 트윈이 실 세계 혹은 가상 세계를 움직이는 다양한 시나리오를 정형화한 지배 법칙(모델)을 실행(시뮬레이션)하는 수단으로 활용될 전망이다. 이러한 지배법칙 실행은 실제 세계와 가상 세계의 구별 없는 가상 체험을 목표로 하는 메타버스의 서비스 콘텐츠를 제공한다. 따라서, 메타버스 발전을 위해서 메타버스의 서비스 컨텐츠를 제공하는 디지털 트윈 발전이 필수적으로 향후 메타버스와 디지털 트윈은 동시에 발전할 전망이다.  빅 데이터 분야에서는 디지털 트윈의 가상 실험을 통해 실 체계에서는 물리적/경제적 이유로 수집 불가능한 다양한 빅 데이터를 생성하는데 활용될 전망이다. 유의미한 빅 데이터 생성을 위해서는 실 체계에서 수집 가능한 데이터를 사용하여 디지털 트윈 모델의 검증이 선행된 후 실 체계에서 수집 불가능한 데이터 생성을 위한 가상 실험이 설계되어야 한다. 디지털 트윈을 사용한 빅 데이터 생성은 시스템 기능 검증, 예지 진단 및 기계학습 등과 같은 부가가치가 높은 데이터 생성에 집중되어 미래 데이터 구독 시장 활성화에 기여할 전망이다.   김탁곤 명예교수  KAIST 전기전자공학부  
작성일 : 2025-05-05
터보 기계 시뮬레이션을 위한 엔지니어 가이드 Ⅳ
성공적인 유동 해석을 위한 케이던스의 CFD 기술 (21)   이번 호에서는 다양한 유형의 난류 모델과 사용 시기, 그리고 복잡한 형상을 위한 고충실도 난류 모델링에 있어 케이던스 밀레니엄 M1(Cadence Millennium M1) CFD 슈퍼컴퓨터가 어떻게 혁신을 가져오는지에 대해 설명한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   자동차 산업은 거의 매일 새로운 혁신과 개발이 등장하며 끊임없이 발전하고 있다. 자동차 업계는 전기 구동 차량과 대량 생산이 증가하는 추세에 발맞춰 보다 지속 가능한 미래를 만들기 위해 노력하고 있다. 자동차 생산량은 꾸준히 늘고 있지만, 업계는 여러 디자인 또는 새로운 헤드라이트, 스플리터, 사이드 스커트 추가와 같은 아주 작은 디자인 변경에 대해서도 풍동 테스트 또는 프로토타입 테스트를 수용하면서 연비 기준을 충족해야 하는 과제에 직면해 있다. 그 결과, 항력 계수 등 관심 있는 유동장 정보와 성능 관련 수치를 예측하여 필요한 실험 횟수를 크게 줄일 수 있는 시뮬레이션 기반 접근 방식이 점점 더 인기를 얻고 있다.   그림 1   유체 흐름의 난류를 이해하고 전산 유체 역학(CFD) 시뮬레이션을 통해 동일한 난류를 재현하려면 다양한 난류 모델을 사용해야 한다. 자동차 애플리케이션과 리소스 가용성에 따라 적합한 난류 모델을 선택하면 설계 주기를 단축하는 데 도움이 될 수 있다.    난류의 모델링 기법 ‘난류’는 압력과 속도의 혼란스러운 변화를 특징으로 하는 불규칙한 흐름을 일컫는 용어이다. 우리는 일상 생활에서 난류를 경험하며 공기 역학, 연소, 혼합, 열 전달 등과 같은 다양한 엔지니어링 응용 분야에서 중요한 역할을 한다. 하지만 유체 역학을 지배하는 나비에-스토크스 방정식은 매우 비선형적인 편미분 방정식이며 난류에 대한 이론적 해법은 존재하지 않는다. 난류는 광범위한 공간적, 시간적 규모를 포함하기 때문에 모델링과 시뮬레이션이 어려울 수 있다. 일반적으로 큰 와류는 난기류에 의해 생성된 에너지의 대부분을 전달하고 작은 와류는 이 에너지를 열로 발산한다. 이 현상을 ‘에너지 캐스케이드’라고 한다. 몇 년에 걸쳐 다양한 난기류 모델링 접근법이 개발되었으며, 가장 일반적인 세 가지 접근법을 간략히 설명한다. Direct Numerical Simulation(DNS) : DNS에서는 모델이나 근사치 없이 미세한 그리드와 매우 작은 시간 단계를 사용하여 모든 규모에서 난기류를 해결한다. DNS의 계산 비용은 엄청나게 높지만 결과는 가장 정확하다. DNS 시뮬레이션은 난류장에 대한 포괄적인 정보를 제공하기 위한 ‘수치 실험’으로 사용된다. Large-Eddy Simulation(LES) : 이름에서 알 수 있듯이 이 난류 모델링 기법은 큰 소용돌이를 해결하고 보편적인 특성을 가진 작은 소용돌이를 모델링한다. LES 시뮬레이션은 최소 길이 스케일을 건너뛰어 계산 비용을 줄이면서도 시간에 따라 변화하는 난기류의 변동 요소를 자세히 보여준다. Reynolds-Averaged Navier-Stokes Model(RANS) : RANS 방정식은 나비에-스토크스 방정식의 시간 평균을 취하여 도출되었다. 난기류 효과는 미지의 레이놀즈 응력 항을 추가로 모델링하여 시뮬레이션한다. RANS 시뮬레이션은 평균 흐름을 해결하고 난류 변동을 평균화하므로 다른 두 가지 접근 방식보다 훨씬 비용 효율적이다.   올바른 선택 : DNS, LES 또는 RANS 올바른 난류 모델을 선택하는 것은 모든 시뮬레이션의 중요한 측면이며, 이는 주로 시뮬레이션의 목적, 흐름의 레이놀즈 수, 기하학적 구조 및 사용 가능한 계산 리소스에 따라 달라진다. 학술 연구의 경우 DNS 시뮬레이션은 난류의 근본적인 메커니즘과 구조를 이해하는 데 가장 적합한 결과를 제공한다. DNS는 레이놀즈 수가 낮은 경우에 적합하지만, 막대한 시간과 리소스가 필요하기 때문에 대부분의 산업 분야에서는 실용적인 선택이 아니다. 반면에 LES는 일반적으로 레이놀즈 수가 높은 복잡한 형상을 포함하는 산업용 사례를 처리하는 데 적합한 옵션이다. LES가 생성하는 고충실도 결과물은 경쟁이 치열한 자동차 시장에서 중요한 한 차원 높은 성능 개선이 가능한 설계를 가능하게 한다.   그림 2    RANS 시뮬레이션은 LES에 비해 근사치의 범위가 넓기 때문에 정확도가 떨어진다. 그러나 정확도와 계산 비용 간의 균형으로 인해 RANS는 계산 리소스와 시뮬레이션 시간이 제한된 업계 사용자에게 일반적인 설루션이다. 이 방법은 또한 짧은 시간 내에 여러 사례를 분석해야 할 때 널리 사용된다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.
작성일 : 2025-05-02
AI 기반 크리에이티브 워크플로 혁신
AI 크리에이터 시대 : 영상 제작의 새로운 패러다임 (2)   영상 제작은 수작업 중심의 접근 방식에서 디지털화와 함께 컴퓨터 기반의 자동화된 워크플로까지 변화했다. 최근에는 AI 기술과 멀티모달 제작 방식이 결합되어 콘텐츠 제작의 효율과 창의성을 극대화하고 있다.   ■ 연재순서 제1회 AI 영상 제작 생태계의 현재와 미래 제2회 AI 기반 크리에이티브 워크플로 혁신 제3회 소셜 미디어 최적화 AI 영상 제작 전략 제4회 AI 특수효과 및 후반작업 마스터하기 제5회 AI 기반 몰입형 사운드 디자인   ■ 최석영 AI프로덕션 감성놀이터의 대표이며, 국제고양이AI필름페스티벌 총감독이다. AI 칼럼니스트로도 활동하고 있다.    이미지와 영상 제작을 위한 기존의 제작 방식   그림 1. ‘달리는 열차(Arrival of a Train at La Ciotat)’, 뤼미에르 형제, 1896   아날로그 제작 방식 : 개념과 흐름 디지털 도구가 도입되기 전에, 이미지와 영상 제작은 사전 기획과 여러 단계에 걸친 수작업 과정을 기반으로 한 접근 방식을 따랐다. 이 과정에서 기획자는 제작자와 협력하여 구체적인 제작을 위한 기획 단계를 만들어 낸다. 모든 작업은 계획적으로 이루어지며, 각 단계에서 창작자의 직접적인 개입과 섬세한 조정이 이루어진다. 디지털 도구가 상용화되기 전에는 스토리보드 작성, 레이아웃 결정, 시나리오 등이 기획 단계에서 만들어졌다. 영화용 카메라로 장면을 촬영하고, 촬영 감독과 조명 팀이 각종 기기를 수동으로 조작하며 원하는 장면을 구현한다. 후반 작업에서는 필름을 절단하고 이어 붙여 편집하며, 음향은 따로 녹음하여 영상을 보완한다. 이러한 방식은 기술적인 장치뿐만 아니라 창작자의 기술과 창의성에 크게 의존하며, 디지털화가 이루어지기 전까지 오랜 시간 이어져 온 기본적인 영상 제작 방식이다.   그림 2. ‘달나라 여행(Le Voyage dans la Lune)’, 1902   ‘달나라 여행’ 작품은 아이디어가 스토리보드화되어 영상화되는 전형적인 제작 과정으로 만들어졌다. 영상 제작 과정을 3단계로 보통 나누어지는데, 좀 더 자세히 5단계로 구조화하여 설명한다.  기획 단계 디자인 및 촬영 준비 제작 단계 후반 작업 단계 배포 및 관리 기존의 제작 방식은 오랜 기간 창작자의 창의적 역량을 극대화하고, 하나의 결과물을 정교하게 다듬는 데 중점을 둔 체계적인 접근법이었다. 하지만 이 과정은 기술적 도구와 인력이 많이 요구되며, 비용과 시간이 많이 들었다. 이러한 점에서 기존 제작 방식은 디지털화를 통해 새로운 워크플로로 발전하게 되었다.   디지털 도구의 도입과 디지털화된 제작 방식   그림 3. The iconic ship · ‘스타워즈’의 특수 효과,1977   디지털 도구의 도입 이후, 이미지와 영상 제작은 큰 변화를 겪으며 효율성과 창의성을 동시에 향상시킬 수 있는 새로운 접근 방식을 채택하게 되었다. 디지털화된 제작 방식은 전통적인 수작업 기반 방식에서 벗어나, 컴퓨터와 소프트웨어를 활용한 자동화 및 고도화된 기술을 중심으로 이루어진다.  이 과정은 기획, 디자인 및 촬영 준비, 제작 단계, 후반 제작 단계, 배포 및 관리 등 여러 단계로 나뉘며, 각 단계마다 디지털 기술이 어떻게 적용되는지 구체적으로 살펴볼 수 있다.    그림 4. ‘아바타’의 제임스 카메론 감독   필자가 영화를 공부하던 1997년에는 전통적인 아날로그 제작 방식을 공부하면서 비디오 캠코더가 나왔으며, 촬영과 후반 제작 과정에서 디지털화가 가속화되었다. 컴퓨터의 발전과 응용 프로그램의 향상에 힘입어, ‘스타워즈’가 아날로그 촬영을 디지털화하고 CG를 추가하여 다시 상영하였다. 아날로그 제작 방식과 디지털 제작 방식 믹스되는 부분이 있었으며, 2000년대 이후 점차 디지털화되어 갔다. 현재의 방식은  촬영, 편집, 후반 제작 과정 모두 디지털화(데이터로 저장)하여 제작되고 있다. 디지털화된 제작 방식에 모션 캡처나 리얼타임 엔진을 활용한 가상 프로덕션 등 새로운 기술이 적용되고 있다. 대표적인 예로 영화 ‘아바타’의 혁신을 말할 수 있다. ‘아바타’는 디지털 기술과 혁신된 모션 캡처 방식을 활용하여 영화 제작 방식을 혁신적으로 변화시켰다. 특히, 3D 촬영 기술과 모션 캡처 기술을 통해 캐릭터와 환경을 사실감 있게 재현하며 영화의 몰입감을 극대화했다. 이러한 시각적 혁신은 3D 영화의 새로운 가능성을 열었고, 3D 영화의 인기를 끌어올리는 데 큰 역할을 했다. 또한, 디지털 환경 디자인과 가상 세트를 활용하여 판도라라는 상상의 세계를 창조했으며, 이는 다른 영화가 디지털 가상 세트를 활용하는 데 영향을 미쳤다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.
작성일 : 2025-05-02
오픈마누스 AI 에이전트의 설치, 사용 및 구조 분석
BIM 칼럼니스트 강태욱의 이슈 & 토크   생성형 AI 에이전트는 목표 달성을 위해 세상을 관찰하고 스스로 행동하는 자율적인 애플리케이션으로, 행동과 의사결정을 위한 인지 아키텍처를 갖추고 있다. 이번 호에서는 오픈소스 AI 에이전트인 오픈마누스(OpenManus)를 통해 AI 에이전트의 동작 메커니즘이 어떻게 구현되는지 분석해 본다.   ■ 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   최근 AI 에이전트 기술이 크게 발전하고 있다. 구글의 에이전트 백서를 보면, 생성형 AI 에이전트는 목표 달성을 위해 세상을 관찰하고 스스로 행동하는 자율적인 애플리케이션으로 설명한다. 명시적인 지시가 없어도 스스로 판단하고 능동적으로 목표에 접근할 수 있다. 이러한 에이전트는 행동과 의사결정을 위한 인지 아키텍처를 갖추며, 핵심 구성 요소는 <그림 1>과 같이 사용자 입력에 대한 추론 역할을 하는 모델(보통은 GPT와 같은 LLM), 입력에 대해 필요한 기능을 제공하는 도구(tools), 그리고 어떤 도구를 호출할지 조율하는 오케스트레이션의 세 가지로 이루어진다.   그림 1. AI 에이전트의 구성 요소(Agents, Google, 2024)   이번 호에서는 AI 에이전트의 동작 메커니즘을 분석하기 위한 재료로, 딥시크(DeekSeek)와 더불어 관심이 높은 마누스(Manus.im)에서 영감을 받아 개발된 오픈마누스(OpenManus) 오픈소스 AI 에이전트를 활용하겠다. 오픈마누스는 메타GPT(MetaGPT)라는 이름으로 활동 중인 중국인 개발자가 공개한 AI 에이전트이다. 개발자는 오픈마누스가 연결된 다양한 도구를 LLM으로 조율하고 실행할 수 있다고 주장하고 있다. 깃허브(GitHub) 등에 설명된 오픈마누스는 다음과 같은 기능을 지원한다. 로컬에서 AI 에이전트 실행 여러 도구 및 API 통합 : 외부 API, 로컬 모델 및 자동화 도구를 연결, 호출 워크플로 사용자 지정 : AI가 복잡한 다단계 상호 작용을 효율적으로 처리 여러 LLM 지원 : 라마(LLaMA), 미스트랄(Mistral) 및 믹스트랄(Mixtral)과 같은 인기 있는 개방형 모델과 호환 자동화 향상 : 내장 메모리 및 계획 기능을 통해 코딩, 문서 처리, 연구 등을 지원   <그림 2>는 이 에이전트가 지원하는 기능 중 일부이다. 프롬프트 : “Create a basic Three.js endless runner game with a cube as the player and procedurally generated obstacles. Make sure to run it only in browser. If possible also launch it in the browser automatically after creating the game.”   그림 2   오픈마누스는 이전에 중국에서 개발된 마누스에 대한 관심을 오픈소소로 옮기는 데 성공했다. 오픈마누스는 현재 깃허브에서 4만 2000여 개의 별을 받을 정도로 관심을 받고 있다.    그림 3. 오픈마누스(2025년 4월 기준 42.8k stars)   필자는 오픈마누스에 대한 관심이 높았던 것은 구현된 기술보다는 에이전트 분야에서 크게 알려진 마누스에 대한 관심, 오픈소스 버전의 AI 에이전트 코드 공개가 더 크게 작용했다고 생각한다. 이제 설치 및 사용해 보고, 성능 품질을 확인해 보자. 그리고 코드 실행 메커니즘을 분석해 본다.    오픈마누스 설치 개발 환경은 이미 컴퓨터에 엔비디아 쿠다(NVIDIA CUDA), 파이토치(PyTorch) 등이 설치되어 있다고 가정한다. 이제, 다음 명령을 터미널에서 실행해 설치한다.   conda create -n open_manus python=3.12 conda activate open_manus git clone https://github.com/mannaandpoem/OpenManus.git cd OpenManus pip install -r requirements.txt playwright install   오픈마누스가 설치하는 패키지를 보면, 많은 경우, 기존에 잘 만들어진 LLM, AI Agent 라이브러리를 사용하는 것을 알 수 있다. 여기서 사용하는 주요 라이브러리는 다음과 같다.  pydantic, openai, fastapi, tiktoken, html2text, unicorn, googlesearch-python, playwright, docker     ■ 자세한 기사 내용은 PDF로 제공됩니다.
작성일 : 2025-05-02
[케이스 스터디] 노트르담 대성당의 영광스러운 복원을 선보인 언리얼 엔진 5 라이팅
리얼타임 3D 기술을 도입하여 한층 발전된 프로젝션 매핑 구현   화재로 큰 피해를 입은 파리의 노트르담 대성당이 5년에 걸친 복원 끝에 재개관했다. 복원된 성당을 더욱 돋보이게 한 프로젝션 매핑 작업은 언리얼 엔진의 실시간 렌더링 기술을 활용해 역사적 건축물을 사실적이고 정교하게 되살린 혁신적인 사례로 주목받고 있다. ■ 자료 제공 : 에픽게임즈   ▲ 이미지 제공 : 코스모 AV    2019년 4월, 파리의 상징인 노트르담 대성당에서 끔찍한 화재가 발생했다. 건물 처마 밑에서 시작된 불길은 곧 첨탑과 목조 지붕 대부분을 집어삼키며 다음 날 아침까지 밤새 타올랐다. 이후 장대한 복원 프로젝트가 진행되었으며, 5년에 걸쳐 1200명 이상의 인원이 재건에 힘을 쏟았다. 채석장 작업자와 목수, 모르타르 제조자, 석공 등 숙련된 장인이 고용되어 12세기 건축 당시와 똑같은 재료와 기법으로 대성당을 재건했다.  2024년 12월, 잿더미에서 부활한 노트르담 대성당의 재개관식이 TV 시청 황금 시간대에 방송되었다. 프랑스 텔레비지옹(France Télévisions)은 복원된 대성당의 영광스러운 모습을 선보이기 위해 비디오 매핑 회사인 코스모 AV(Cosmo AV)에 의뢰했고, 코스모 AV는 프로젝션 매핑 전문가 앙투안 부르구앵(Antoine Bourgouin)에게 재개관식을 위한 멋진 건축 라이팅을 제작해 달라고 요청했다.   ▲ 이미지 제공 : 코스모 AV   언리얼 엔진을 사용한 프로젝션 매핑 지난 2010년, 앙투안 부르구앵은 거대한 트롱프뢰유를 보여줄 캔버스로 건물을 사용하는 데 처음 관심을 갖게 되었다. 트롱프뢰유는 ‘눈속임’이라는 뜻의 프랑스어로, 2차원 표면에 3차원 공간과 물체를 표현하는 극사실적인 착시 기법을 나타내는 미술 용어다. 이는 주로 회화에서 관람자가 그림 속의 사물이나 공간을 실제처럼 인식하도록 속이는 기법을 일컫는다. 초기에는 이러한 종류의 작업을 구현할 수 있는 툴이 시중에 없어, 건물의 윤곽과 규모에 맞는 비주얼을 제작하려면 직접 컴퓨터 프로그램을 개발해야 했다. 하지만 부르구앵은 비디오 프로젝터 컨트롤러와 같은 역할을 하는 소프트웨어인 모듈로 플레이어(Modulo Player)를 사용하여 벽이나 건물과 같은 표면에 영상을 투영하여 재생하고, 각 표면에 맞게 영상을 정밀하게 변형시키고 조정할 수 있도록 했다. 특히, 부르구앵은 이 과정에 리얼타임 기술을 도입하여 프로젝션 매핑 기술을 더욱 발전시키고 있다. 전통적인 비디오 매핑은 사전 녹화된 영상을 투영하는 방식이었지만, 부르구앵은 언리얼 엔진을 사용해 개발한 비주얼을 실시간으로 건물에 투영한다. 이러한 혁신적인 아이디어로 그는 플레이어의 스마트폰을 게임 패드처럼 사용하는 비디오 게임을 제작하겠다는 아이디어로 메가그랜트를 지원하게 되었다. 이러한 아이디어를 실현하고자 부르구앵은 코스모 AV의 CEO이자 인텐스시티(IntensCity)의 공동 설립자인 피에르 이브 툴로(Pierre-Yves Toulot)를 만났다.    ▲ 이미지 제공 : 코스모 AV   3D 모델에 라이팅 매핑 코스모 AV는 프랑스 국영 텔레비전 방송사인 프랑스 텔레비지옹으로부터 노트르담 대성당 재개관을 위한 프로젝션 매핑 비주얼 제작을 의뢰받았다. 그 요청 중 하나는 대성당의 외관을 돋보이게 할 아름다운 라이팅 연출을 제작하는 것이었다. 툴로와 부르구앵은 이전에도 비슷한 프로젝트에서 협업한 적이 있었는데, 특별하면서도  우아함이 필요한 작업에서는 뛰어난 전통 건축 라이팅 디자이너인 장 프랑수아 투샤(Jean-François Touchard)의 기술을 활용했다. 툴로가 노트르담 프로젝트에 부르구앵과 투샤를 합류시킨 것은 당연한 결정이었다. 먼저 부르구앵은 노트르담 대성당의 3D 스캔 모델을 언리얼 엔진으로 가져왔고, 이 과정은 FBX 파일을 임포트하는 것만큼이나 간단했다. 부르구앵은 “언리얼 엔진과 나나이트(Ninite) 기술 덕분에 이제는 임포트한 메시의 폴리곤 밀도에 더 이상 신경 쓰지 않아도 된다. 노트르담 모델은 400만 개의 트라이앵글로 구성된 메시 구조였지만, 현재 언리얼 엔진에서는 이 정도의 폴리곤 수를 아주 쉽게 처리할 수 있다”고 말했다. 나나이트는 언리얼 엔진 5의 가상화된 지오메트리 시스템으로, 성능에 미치는 영향을 최소화하면서 방대한 양의 폴리곤으로 구성된 디테일한 3D 모델을 제작할 수 있다. 이 시스템은 활용해 대성당의 매우 정밀한 메시를 렌더링하는 데 쓰였으며, 가장 작은 디테일까지 정확하게 구현할 수 있었다. 팀은 대성당의 모든 디테일을 강조하기 위해 3D 모델에 옴니 라이트, 스포트 라이트, 렉트 라이트 등 500개의 라이트를 배치했다. 이 라이트는 강도와 온도, 색상이 조화를 이루도록 하는 것이 중요했다. 부르구앵은 “조작해야 하는 라이트의 수량이 이 프로젝트에서 가장 큰 과제였다. 하지만 즉석에서 바로 만든 블루프린트를 사용하고 라이트 액터에 태그를 지정하여 다른 그룹을 나누는 방식으로 매우 원활하게 작업할 수 있었다”고 설명했다. 툴로는 아트 디렉터 역할을 했고, 장 프랑수아는 대성당의 디테일한 부분에 대한 라이팅을 실제로 구현하는 데 전문성을 발휘했다. 팀은 조각상마다 두세 개의 스포트 라이트를 배치하고 그림자를 세심하게 조작하여 조각상의 형태와 입체감을 강조했다. 또한, IES(Illuminating Engineering Society)의 라이트 프로파일을 사용해 3D 라이팅이 실제 라이트처럼 각 아치와 발코니, 기타 건축 요소의 디테일과 정확하게 일치하도록 했으며, 깊이를 강조하기 위해 라이트 온도를 조정했다. 라이팅 구성을 이미지로 렌더링한 다음 모듈로 플레이어 시스템과 연결된 30대의 고광도 파나소닉(Panasonic) 비디오 프로젝터를 사용하여 노트르담 대성당에 투영했다.   ▲ 이미지 제공 : 코스모 AV   메가라이트와 루멘 활용 노트르담 프로젝트에서 팀은 사전 녹화된 영상을 대성당에 투영할 예정이었지만, 리얼타임 기술을 사용하면서 라이팅 디자인에서 많은 이점을 얻을 수 있었다. 라이팅이 실제 건물에서 어떻게 보일지 테스트하기 위해 팀은 현장에서 언리얼 엔진으로 3D 모델을 바로 업데이트하여, 대성당에서 즉시 결과를 확인하고 필요에 따라 조정할 수 있었다. 부르구앵은 언리얼 엔진으로 작업을 완성할 수 있었던 주요 이유로 나나이트와 결합된 강력한 라이팅 시스템의 성능을 꼽았다. 부르구앵은 “라이트 수가 많은 하이 폴리곤 메시에서 직관적인 편집 방식(WYSIWYG)으로 원활하게 작업할 수 있었다. 이로써 기존의 3D 모델링 소프트웨어에서처럼 렌더링 결과를 상상할 필요가 없었다”고 말했다. 또한 최근 언리얼 엔진 5.5에 출시된 강력한 신규 기능인 메가라이트에 대해서도 높이 평가했다. 메가라이트는 아티스트가 신(scene)에 다이내믹 섀도를 드리우는 수백 개의 라이트를 추가할 수 있게 해주는 실험적인 도구다. 언리얼 엔진의 다이내믹 글로벌 일루미네이션 및 리플렉션 기능인 루멘과 함께 사용하면 매우 사실적인 라이팅을 구현할 수 있다. 부르구앵은 “메가라이트는 상당히 유용한 기능 중 하나였다. 실시간으로 그림자를 유지하면서 수백 개의 라이트로 작업할 수 있었다. 루멘을 보완하는 환상적인 기능”이라고 말했다.   되찾은 노트르담의 영광 툴로, 장 프랑수아와 함께 한 부르구앵의 라이팅 작업은 파리에서 가장 유명한 기념물 중 하나인 대성당의 재개관식에서 중요한 역할을 했다. 언리얼 엔진 덕분에 팀은 복원가들의 놀라운 작업을 빛내고 노트르담 대성당의 영광스러운 모습을 선보일 수 있었다. 부르구앵은 “파리의 노트르담 대성당은 프로젝션 매핑 작업을 하는 사람들이라면 누구나 꿈꾸는 건물 중 하나다. 이 작업에 기여할 수 있32 · 어서 정말 큰 영광이었다”라고 말했다.      ■ 기사 내용은 PDF로도 제공됩니다.
작성일 : 2025-05-02
[피플&컴퍼니] AWS 황민선 파트너 세일즈 매니저, 에티버스 김준성 전무
AI와 산업 전문성 결합해 클라우드 기반 제조 혁신 도울 것   여러 산업에서 확산되고 있는 클라우드 컴퓨팅이 제조 산업에서도 본격화될 것으로 보인다. 이를 겨냥해 아마존웹서비스(AWS)는 제조 산업의 클라우드 가치 제공을 본격화하고 있다. 한편, 에티버스는 지난 3월 25일 ‘2025 제조 고객을 위한 AWS 파트너 클라우드 설루션 콘퍼런스’를 주최했다. 이 콘퍼런스에서는 AWS를 비롯해 국내 파트너사들이 참가해 국내 제조 산업을 대상으로 클라우드 기술이 어떤 가치를 제공할 수 있는지와 구체적인 적용 방안 등이 소개됐다. AWS의 황민선 ENT-MFG&SNE(서비스 앤 에너지) 산업 담당 파트너 세일즈 매니저와 에티버스의 김준성 클라우드플랫폼 사업본부 전무로부터 국내 클라우드 시장의 동향 및 전망부터 제조 산업을 겨냥한 클라우드 전략까지 들어보았다. ■ 정수진 편집장    ▲ AWS 황민선 ENT-MFG&SNE 산업 담당 파트너 세일즈 매니저   ▲ 에티버스 김준성 클라우드플랫폼 사업본부 전무   에티버스는 어떤 기업인지 소개한다면 ■ 김준성 : 에티버스는 지난 1993년 영우컴퓨터라는 사명으로 설립되어 30여년간 글로벌 IT 공급사와의 협업을 통해 IT 토털 설루션 공급사로서 영업을 지속해 왔으며, 시스템 구축, 유지보수, 설루션 개발은 물론 빅데이터, AI, 클라우드 등 4차 산업혁명의 핵심 기술에 집중하여 미래의 IT 비즈니스의 중심이 되고자 노력하고 있다. 또한, 에티버스는 2022년 한국에서 유일하게 AWS와 디스트리뷰터 계약을 맺고 다양한 파트너와 고객들의 클라우드 여정을 돕고 있으며, 이를 위해 400개가 넘는 파트너와 협업 관계를 구축하여 각 산업 전반에 걸쳐 클라우드와 AI 생태계 확산을 돕고 있다.   클라우드 기술 기업으로서 AWS가 최근 중점을 두고 있는 부분이 있다면 어떤 것인지 ■ 황민선 : AWS는 제조 산업에 대한 다양한 지원을 통해 고객사의 디지털 혁신을 가속화하는 데에 중점을 두고 있다. 특히 주력하는 부분은 생성형 AI를 실제 현장에 적용해 비즈니스 성과를 만들어 내는 것이다. 이번 클라우드 설루션 콘퍼런스에서도 확인했듯이, 제조 기업들은 생성형 AI에 가장 높은 관심을 보이고 있으며, 실제로 품질 관리, 예측 정비, 공정 최적화 등 다양한 영역에서 활용하고 있다. 또한 AWS 기반의 전문 파트너사 설루션을 통한 산업 전문성 강화도 중요한 부분이다. AWS는 제조 산업에 특화된 전문 파트너들과 협력하여, 고객들이 현장에서 즉시 활용할 수 있는 설루션을 제공하고 있다. 더불어 스마트 매뉴팩처링의 확산도 핵심적인 중점 분야이다. 데이터 기반의 의사결정, IoT 기술을 활용한 실시간 모니터링, AI/머신러닝을 통한 공정 최적화 등을 통해 제조 현장의 디지털 전환과 혁신을 지원하고 있다. 이러한 노력의 실효성은 이번 콘퍼런스 결과를 통해서도 확인할 수 있었다. 88건의 현장 고객 미팅과 설문에서 31%의 고객이 1년 내 클라우드 도입 계획을 밝혔는데, 이는 AWS의 제조 산업 혁신 전략이 시장의 니즈와 정확히 일치한다는 것을 보여준다.   다른 산업과 비교할 때, 클라우드가 제조 산업에 제공할 수 있는 핵심 가치는 무엇이라고 보는지 ■ 김준성 : 클라우드는 기본적으로 비용 절감, 신속함, 유연성과 확장성을 핵심 가치로 보고 있는데, 제조 산업이야 말로 앞에서 얘기하는 세 가지 부분이 가장 중요하게 고려되어야 하는 산업 영역이라고 생각한다. 우선, 생산과 비용 절감은 뗄 수 없는 부분이다. 가장 효율적인 공정을 통해 생산 단가를 낮춰야 고객에게 판매할 수 있는 기본적인 경쟁력을 제공할 수 있다. 두 번째로, 고객의 요구가 급변하는 지금의 현대 사회에서 신속하고 경제적인 생산 공정이야 말로 제조업에서 가장 중요시하는 혁신 가치 중 하나라고 생각한다. 마지막으로 유연성과 확장성 역시 설명할 필요도 없이 클라우드와 제조 산업이 공유하고 있는 핵심 가치로서, 시장의 요구에 발 빠르게 대응하고 적재적소에 필요한 제화를 공급하기 위해 반드시 이루어야 하는 중요 포인트라고 할 수 있다. ■ 황민선 : 제조 산업에서 클라우드의 핵심 가치는 기업의 규모와 관계 없이 혁신을 빠르고 대규모로 가속화할 수 있다는 것이다. 과거에는 대기업만이 도입할 수 있었던 첨단 기술을 이제는 중소 제조기업도 클라우드를 통해 손쉽게 활용할 수 있게 되었다. 특히 생성형 AI나 디지털 트윈과 같은 첨단 기술을 필요한 만큼만 사용할 수 있게 된 것이 큰 변화이다. 주목할 만한 점은 비즈니스 리더들의 참여가 크게 늘어났다는 것이다. 얼리 어댑터와 IT 전문가를 넘어, 이제는 제조 현장의 비즈니스 리더들이 클라우드 기술을 활용하기 시작했다. 공장과 연구소의 현업 전문가들이 직접 클라우드 기술을 산업 현장에 적용하면서, 더욱 실질적인 혁신이 가능해졌다. 특히 글로벌 경쟁력 강화 측면에서 클라우드의 가치가 더욱 부각되고 있다. 클라우드를 통해 제조기업들은 설계와 생산 단계에서 글로벌 협업을 강화하고, 글로벌 공급망에 더욱 유연하게 대응할 수 있게 되었으며, 불확실한 경영 환경에서 민첩성과 회복력을 높이는 핵심 요소가 되고 있다.   제조 산업에서 클라우드의 가치를 실현하기 위해서 필요한 방법론 또는 접근방법은 무엇인지 ■ 황민선 : 제조 산업의 클라우드 가치 실현을 위해서는 ‘산업 전문성’과 ‘기술 혁신’이 조화를 이루는 것이 핵심이다. AWS는 이를 위해 크게 세 가지의 차별화된 접근 방식을 제시하고 있다. 첫째, 산업 데이터 패브릭(Industry Data Fabric : IDF) 접근 방식이다. 제조 기업들이 직면한 가장 큰 과제 중 하나는 데이터의 통합과 활용이다. AWS의 IDF는 제조 현장의 OT 데이터부터 엔터프라이즈 IT 데이터까지 통합하여, 실시간 분석과 의사결정을 가능하게 한다. 둘째, 강력한 파트너 생태계 기반의 산업 특화 설루션이다. AWS는 제조 산업의 다양한 워크로드에 특화된 파트너들과 협력하여 검증된 설루션을 제공한다. 셋째, 실질적인 구현을 위한 단계별 접근 방식이다. AWS는 고객들이 작은 시작부터 큰 성과까지 달성할 수 있도록 체계적인 지원을 제공한다. 앞으로도 AWS는 고객들이 작은 시작부터 큰 성과까지 달성할 수 있도록 체계적인 지원을 제공할 것이다. PoC(개념 증명)를 통한 기술 검증, 전문가 1:1 상담, 다양한 교육 프로그램 등을 통해 고객들의 성공적인 클라우드 여정을 지원할 계획이다. ■ 김준성 : 단순히 클라우드로 IT 자원을 마이그레이션하는 것보다 여러 가지 현재 상황에 대한 분석을 통해 보다 효율적이고 효과적인 전환이 필요하다고 생각한다. 몇 가지 단계를 생각해 본다면, 첫 번째로 명확한 목표에 대한 설정이 필요하다. 비용 절감, 생산성 향상, 시장 경쟁력 강화, 혁신 가속화 등 클라우드 도입을 통해 달성하고자 하는 구체적인 비즈니스 목표를 명확히 설정해야 한다. 정확한 목표가 정해지면 현재 가지고 있는 자원에 대한 분석이 필요하다. 현재 IT 인프라, 애플리케이션, 데이터, 보안 현황 등등을 정확하게 파악하여 클라우드 마이그레이션 전략을 수립해야 한다. 이를 통해 클라우드 마이그레이션을 어떤 설루션을 써서 할 것인지, 기간은 어느 정도 할 것인지 등을 특정해야 한다. 정확한 파악이 끝났다면 이번 일을 가장 잘 수행할 수 있다고 판단되는 클라우드 서비스 제공업체의 클라우드 도입 지원을 받는 것이 중요하다. 이를 통해 클라우드 마이그레이션, 관리, 보안 등 다양한 서비스를 제공 받고, 처음에 설정했던 목표와 어느정도 부합하는지에 대해 상호 검증을 통해 클라우드 전환을 성공적으로 마무리 할 수 있다고 생각한다. 에티버스는 AWS의 유일한 디스트리뷰터 파트너로서 현재 AWS 클라우드 마이그레이션 관련 협업을 하고 있는 IT 파트너가 400곳이 넘는다. 또한, 각 파트너들이 공공, 의료, 유통, 제조 등 산업 전 분야에 걸쳐 전문성을 가지고 사업을 영위하고 있으며 특히, 제조 분야에 AI를 접목하여 고객의 요구를 반영하여 클라우드 전환을 이루고 있다.   국내 제조 산업의 클라우드 활용과 관련한 주요한 흐름은 어떤지 ■ 황민선 : 국내 제조 산업의 클라우드 활용은 매우 중요한 전환점을 맞이하고 있다. 특히 세 가지 주목할 만한 트렌드가 나타나고 있다. 첫째, 생성형 AI를 중심으로 한 혁신 가속화이다. 산업통상자원부의 ‘AI 자율제조 전략’에서도 볼 수 있듯이, 2030년까지 AI 자율제조 30% 확산과 제조 생산성 20% 향상을 목표로 하고 있다. 실제로 두산로보틱스나 HL만도와 같은 기업은 이미 생성형 AI를 활용해 실질적인 성과를 창출하고 있다. 둘째, 비즈니스 리더 주도의 클라우드 도입이다. 과거 IT 인프라 담당자나 개발자 중심의 클라우드 도입에서, 이제는 현업 부서장과 경영진이 직접 클라우드 기술 도입을 주도하는 방향으로 변화하고 있다. 특히 제조 현장의 실무 전문가들이 클라우드 기술을 활용하여 혁신을 이끌어내고 있다. 셋째, 산업 특화 설루션의 확산이다. AWS는 제조 산업에 특화된 파트너 설루션 맵을 구축하고, 다섯 가지 핵심 영역(스마트 제조, 엔지니어링 & 설계, 스마트 제품 & 서비스, 공급망, 지속가능성)에서 전문 파트너들과 협력하고 있다. ■ 김준성 : 많은 고객들, 특히 제조 산업 분야에서의 클라우드 활용은 초기 단계를 넘어 본격적인 확산기에 접어들었다고 판단되나, 여전히 여러 문제로 인해 어려움을 겪고 있다. 특히 보안 관련 문제나, 오래된 레거시 시스템의 마이그레이션 및 이를 수행할 인력 부족 등의 문제로 인해 아직도 클라우드 전환을 망설이거나 시간이 오래 걸리는 고객이 적지 않은 것이 현실이다. 그럼에도 불구하고 제조 현장에서도 AI를 접목해서 생산 현장을 혁신하고 클라우드를 활용하여 신속성을 높이는 노력을 많은 곳에서 진행 중이다. 에티버스는 산업에 유익하고 필요한 AWS 파트너를 발굴하고, 그들이 고객과의 협업을 통해 빠르고 효과적인 클라우드 전환을 지원하게끔 돕는 역할을 해 나가고 있다. 또한, AI를 활용한 클라우드 서비스의 확산이 일어나고 있는데, 고객의 다양한 요구를 수용하기 위해 클라우드 생태계의 지속 확장을 통해 이를 뒷받침할 수 있는 여러 설루션의 소개와 구축에 최선을 다할 예정이다.   제조 산업의 클라우드 활용 사례에 대해서 소개한다면 ■ 김준성 : 구체적인 사례를 소개하자면, 생산 현장에서 여러 IoT 센서를 활용해 데이터를 클라우드로 수집, 분석하여 예지 보전, 생산 최적화, 품질 관리 향상 등을 추진함으로써 스마트 공장으로 전환하거나, 제조 공정을 가상화하여 시뮬레이션하고 최적화하는 디지털 트윈 기술을 통해 새로운 공정 도입 전에 시뮬레이션을 통해 위험을 최소화하고, 운영 효율을 높이는 사례가 있다. 또한, 클라우드 기반 SaaS(서비스형 소프트웨어)를 활용하여 ERP, CRM 등의 시스템을 도입하고, 비용 효율적인 IT 운영을 추구함으로써 생산성 향상 및 비용 절감 효과를 얻는 사례가 늘고 있다. ■ 황민선 : 예를 들어, 두산로보틱스는 생성형 AI를 활용해 로봇 제조 과정을 최적화했으며, HL만도는 소프트웨어 엔지니어링 효율을 30% 개선한 사례가 있다. 또한 BMW는 아마존Q 인 퀵사이트(Amazon Q in QuickSight)를 도입해 공급망 분석 시간을 대폭 단축하고 의사결정을 가속화했다. 이러한 사례는 AWS의 기술력과 파트너의 산업 전문성이 결합될 때 실질적인 성과를 창출할 수 있다는 것을 보여준다. 한국 제조 기업들도 이러한 접근 방식을 통해 클라우드를 활용한 실질적인 혁신을 실현하고 있으며, AWS는 앞으로도 파트너 생태계와 함께 국내 제조 산업의 디지털 전환과 글로벌 경쟁력 강화를 적극 지원하고자 한다.   최근 진행한 ‘AWS 파트너 클라우드 설루션 콘퍼런스’는 어떤 행사이고, 이를 통해 기대하는 효과는 무엇인지 ■ 황민선 : 이번 ‘AWS 파트너 클라우드 설루션 콘퍼런스’는 제조 산업의 새로운 도약을 위한 실질적인 설루션과 고객 사례를 제공하고자 마련되었다. 특히 주목할 점은, 제조 현장의 실무 전문가들이 IT나 클라우드 전문 인력의 도움 없이도 신기술을 빠르게 도입하고 활용할 수 있도록 지원하는 데 중점을 두었다는 것이다. 행사는 크게 세 가지의 차별화된 프로그램으로 구성했다. 먼저 C-레벨 조찬 세미나를 통해 경영진이 클라우드 전환의 비전과 전략을 공유할 수 있는 기회를 제공했다. 또한 스마트 제조, 엔지니어링 & 설계, 데이터 분석 & 생성형 AI 등 세 개의 전문 트랙을 통해 각 영역별로 심도 있는 기술 및 구현 사례를 공유했다. 특히 1:1 비즈니스 미팅을 통해 개별 고객별 맞춤 설루션을 AWS 및 AWS 파트너사와 함께 상담 받을 수 있는 기회도 마련했다. 행사를 통해 제조 기업이 클라우드를 통한 혁신의 구체적인 청사진을 그릴 수 있게 되었다고 본다. 특히 실제 구현 사례와 전문가 상담을 통해 자사에 맞는 최적의 설루션을 찾고, AWS의 다양한 파트너 프로그램, 예를 들어 PoC 지원 프로그램을 통해 실제 검증 단계로 신속하게 진입할 수 있는 기회를 제공하고자 했다. ■ 김준성 : ‘AWS 파트너 클라우드 설루션 콘퍼런스’는 아직 클라우드로 전환하지 못한 제조 현장의 고객이나, 클라우드 도입은 하였지만 아직 AI 관련 서비스라든지 클라우드의 활용도가 떨어지는 분들을 위해 보다 더 많은 정보를 제공하기 위해 마련되었다. 이번 콘퍼런스에서는 기술적인 발전은 물론 여러 도입 사례에 대한 발표와 더불어 향후 기대되는 발전 방향에 대해서도 고객들에게 알리는 자리를 마련했다. 정보 획득과 더불어 아직 클라우드 전환이 안된 고객들은 빠르고 효과적인 전환을, 새로운 AI 서비스 도입을 통해 더 나은 혁신이 필요한 고객에게는 그에 맞는 시스템을 구축하는데 도움이 되었기를 바란다.      ■ 기사 내용은 PDF로도 제공됩니다.
작성일 : 2025-05-02
2025년 AI 산업 경제와 기술 트렌드 전망
이 글에서는 최신 자료와 연구를 바탕으로 2025년 AI 산업 경제와 주요 기술 트렌드를 전망하고자 하며, 이를 통해 AI가 제공할 기회와 해결해야 할 도전 과제를 균형 있게 분석하고자 한다.   2025년은 인공지능(AI)이 경제와 기술 전반에 걸쳐 혁신을 주도하며, 산업 구조와 일상생활에 깊은 영향을 미칠 것이며, 전 세계 산업 경제와 기술 혁신의 중심축으로 자리 잡는 해가 될 것이다. 코로나19 팬데믹 이후 가속화된 디지털 전환과 AI 기술의 융합은 사회 전반에 큰 변화를 가져왔다. 특히, 제조, 금융, 헬스케어, 물류, 교육 등 다양한 산업 분야에서 AI는 단순히 비용 절감 도구를 넘어 새로운 가치를 창출하고, 기존 비즈니스 모델을 재정의하고 있다. 최근 예측 자료에 의하며, AI 에이전트, 엣지 AI, AI 사이버 보안, AI 기반 로봇 등이 성장세에 위치하고 있다.    1. AI 산업 경제 전망 2025년은 경제 성장의 주도 동력으로서의 AI, 글로벌 AI 기술 ,그리고 AI가 가져올 고용과 직업의 변화 등에서 다양한 AI 산업 경제 변화를 예상해 볼 수 있다.  IDC의 보고서에 따르면, 2025년 전 세계 기업들의 AI 솔루션 지출은 약 3,070억 달러에 달할 것으로 예상되며, 이는 2028년까지 연평균 29.0%의 성장률로 6,320억 달러에 이를 것으로 전망하였다. 이러한 투자는 AI 기술이 다양한 산업 분야에서 핵심적인 역할을 할 것임을 시사한다.  글로벌 컨설팅 기업 PwC의 보고서에 따르면, AI는 2030년까지 세계 GDP를 약 15.7조 달러를 증가시킬 것이며, 이는 연평균 14% 이상의 성장률에 해당된다고 예측했다. 이는 AI 기술이 단순히 비용 절감 도구를 넘어 새로운 부가가치를 창출하는 데 중요한 역할을 하고 있음을 보여주는 예측이다.  PwC는 보고서에서 AI에 대해 몇 가지 강조한 점이 있는데, 첫째, AI는 글로벌 경제의 생산성과 GDP 잠재력을 변화시킬 수 있으며. 이를 실현하기 위해서는 다양한 유형의 AI 기술에 대한 전략적 투자가 필요하다고 하였다. 둘째, 노동 생산성 향상이 초기 GDP 증가를 주도할 것이며, 기업들은 AI 기술을 활용해 노동력의 생산성을 ‘증강(augment)’시키고 일부 작업과 역할을 자동화하려 할 것이라고 하였다. 셋째, 2030년까지 전체 경제적 이익의 45%는 제품 개선에서 비롯될 것이며, 이는 소비자 수요를 자극하게 되어 AI가 더 다양한 제품을 제공하고, 시간이 지남에 따라 개인화, 매력도, 경제성을 높이기 때문이라고 하였다. 넷째, AI로 인한 가장 큰 경제적 이익은 중국(2030년 GDP 26% 증가)과 북미(14.5% 증가)에서 발생할 것이며, 이는 총 10.7조 달러에 달해 전 세계 경제적 영향의 약 70%를 차지할 것으로 전망하였다. 특히, 스마트 팩토리, 자동화 물류 시스템, 지능형 고객 서비스 등이 AI 기술 적용의 대표적인 사례로 들 수 있다. 예를 들어, 독일의 Siemens는 자사의 스마트 팩토리에서 AI를 활용해 제조 공정을 최적화하여 생산성을 20% 이상 향상시켰으며, 물류 업계에서는 Amazon이 자율주행 로봇과 AI 기반 물류 분석을 통해 배송 시간을 단축시킨 바 있다.   ***상세 내용은 PDF로 제공됩니다.   조영임 교수 / 가천대 컴퓨터공학과
작성일 : 2025-04-18
엔비디아, “차세대 AI 성장 위한 인텔리전스 구축 나선다”
엔비디아가 AI 팩토리에서 인텔리전스를 생산하는 기반을 구축해 미국을 포함한 전 세계의 차세대 성장을 이끌겠다는 포부를 밝혔다. 모든 기업과 국가는 성장과 경제적 기회 창출을 원하지만, 이를 위해서는 사실상 무한한 인텔리전스가 필요하다. 엔비디아는 이러한 상황에서 에코시스템 파트너와 협력해 추론 기술, AI 모델, 컴퓨팅 인프라를 발전시켜 AI 팩토리를 통해 인텔리전스를 생산하겠다고 전했다. 엔비디아는 미국 내에서 AI 슈퍼컴퓨터를 제조할 것이라고 발표했는데, 향후 4년 내에 파트너들과 협력해 미국에서 최대 5000억 달러 규모의 AI 인프라를 생산할 계획이다. 엔비디아는 미국 AI 팩토리를 위한 AI 슈퍼컴퓨터 구축이 수십만 명에게 기회를 제공하고, 향후 수십 년 동안 수조 달러의 성장을 견인할 것으로 기대하고 있다. 이러한 AI 슈퍼컴퓨터의 핵심인 엔비디아 블랙웰(Blackwell) 컴퓨팅 엔진 중 일부는 이미 미국 애리조나에 있는 TSMC 공장에서 생산되고 있다.     또한 엔비디아는 차세대 AI 모델 훈련과 대규모 애플리케이션 실행을 위한 엔비디아 블랙웰 GB200 NVL72 랙 스케일 시스템이 코어위브(CoreWeave)를 통해 제공된다고 발표했다. 코어위브는 현재 수천 개의 엔비디아 그레이스(Grace) 블랙웰 프로세서를 통해 차세대 AI를 훈련하고 배포할 수 있다. 한편, 엔비디아는 보다 효율적이고 지능적인 모델을 만들기 위해 하드웨어 혁신을 넘어 AI 소프트웨어 분야도 강화한다는 전략을 소개했다. 이러한 발전의 최신 사례는 엔비디아 라마 네모트론 울트라(Llama Nemotron Ultra) 모델이다. 이 모델은 최근 아티피셜 애널리시스(Artificial Analysis)에서 과학적이고 복잡한 코딩 작업을 위한 정확한 오픈소스 추론 모델로 인정받았다. 또한 이는 현재 세계 최고 수준의 추론 모델 중 하나로 평가받고 있다.
작성일 : 2025-04-17
헥사곤, 로보틱스 사업부 신설하고 차세대 자율화 설루션 강화 나선다
헥사곤은 자사의 측정 기술, 인공지능(AI), 자율 시스템 분야 역량을 기반으로 휴머노이드(인간형) 로봇 기술을 발전시키고 고객의 완전한 자율화를 지원하기 위해 로보틱스 사업부(Robotics division)를 출범한다고 발표했다. AI, 시뮬레이션, 강화 학습 분야의 발전은 로봇 시스템의 잠재력을 넓히고 있다. 이제 로봇은 보다 높은 수준의 자율성을 갖추고 복잡한 환경을 스스로 탐색하며, 복잡한 작업도 수행할 수 있게 되었다. 헥사곤은 “복잡한 환경에서의 내비게이션에 필수인 정밀 측정 기술과 센서 분야의 시장 선도 기업으로서, 로봇이 주변 환경과 상호작용하고 학습하며 행동할 수 있도록 공간 지능(spatial intelligence)과 디지털 트윈을 제공함으로써 이 분야의 발전을 가속할 수 있는 위치에 있다”고 밝혔다. 헥사곤의 로보틱스 사업부는 산업 분야에 초점을 맞추고 있다. 헥사곤은 제조, 자동차, 항공, 에너지, 물류 및 창고 산업에서 쌓은 실적을 바탕으로, 다재다능하고 고성능인 로봇에 대한 수요 증가에 효과적으로 대응할 수 있을 것으로 보고 있다. 신설된 로보틱스 사업부의 수장으로는 아르노 로베르(Arnaud Robert)가 선임됐다. 그는 AI 분야의 전문성을 갖추고 25년간 여섯 개 산업에 걸쳐 비즈니스 혁신을 이끌었으며, 글로벌 제품을 출시하고 여러 기업을 수익 중심 조직으로 성장시킨 경험을 갖고 있다. 스위스 로잔연방공과대학교(EPFL)에서 컴퓨터공학 박사 학위를 받았다. 로베르는 로보틱스 사업부의 사장으로서 R&D, 제품, 사업, 운영, 파트너십, 지원 등 전 부문을 총괄하게 된다. 아르노 로베르 사장은 “헥사곤은 측정 기술 및 위치 기반 설루션 분야에서 세계적 리더이며, 이는 급성장 중인 로봇 시장에서 중요한 차별점이 될 것”이라며, “우리는 최신 로봇공학과 AI 기술을 접목한 자율 로봇 설루션을 통해 산업 전반에 걸쳐 효율성, 지능, 자동화의 기준을 재정립할 것이다. 고객의 잠재력을 극대화하고 지속 가능한 미래에 기여하는 데 주력하겠다”고 밝혔다. 헥사곤의 노르베르트 한케(Norbert Hanke) 임시 사장 겸 CEO는 “로보틱스는 항상 헥사곤의 혁신에서 언제나 중심축이었다. 건설 현장을 위한 토털 스테이션과 드론, 제조용 레이저 트래커, 광산 및 농업을 위한 오프로드 자율 시스템 등, 정밀한 자율 시스템을 지속적으로 선도해 왔다”면서, “이제는 그간의 투자 성과를 바탕으로 로보틱스 사업부를 신설해, 고령화되고 변화하는 노동력의 한계를 보완할 자율 설루션 개발에 나설 것”이라고 강조했다.
작성일 : 2025-04-11