INFOWORLD   Editorial 17　AI와 CAE의 융합, ‘지능형 시뮬레이션’ 시대를 연다    Hot Window 18　말하면 설계하는 시대를 향해 – AI로 그리는 설계의 미래 / 한명기 21　리얼타임을 통한 디지털 트랜스포메이션의 진화 / 권오찬   Focus 26　AWS, 산업 혁신 이끄는 AI 에이전트 비전과 전략 공개 28　AEC/MFG 산업의 미래는? 지더블유캐드코리아, CAD/CAM/CAE 통합 플랫폼 비전 제시 30　유니티, “게임 엔진 넘어 AI·디지털 트윈 시대의 산업 기반 기술로”   Case Study 33　핵융합 실험을 위한 3D 시뮬레이션 플랫폼 개발　유니티로 구현한 핵융합 디지털 트윈, V-KSTAR 36　인더스트리 4.0을 위한 로봇 예측 유지보수의 발전 / 이웅재　디지털 트윈과 AI가 시뮬레이션과 현실의 간극을 메우다   People&Company 40 　지더블유캐드코리아 최종복 대표이사　CAE·PDM까지 라인업 확장… ‘가성비’ 넘어 AI·성능으로 승부   New Product 42　HP Z2 미니 G1a 리뷰 / 이민철　BIM 엔지니어의 실무 프로젝트 성능 검증 50　3D 설계 환경에 통합된 전문 CAE 시뮬레이션　ZW3D Structural & Flow 54　접촉·포스 성능 향상 및 MFBD 후처리, 산업별 툴킷 기능 강화　리커다인 2026 57　실시간 3D 시각화 워크플로의 생산성 향상　트윈모션 2025.2 74　이달의 신제품   On Air 62　캐드앤그래픽스 CNG TV 지식방송 지상중계　AI와 BIM의 융합, 건축 설계의 패러다임을 바꾸다 64　캐드앤그래픽스 CNG TV 지식방송 지상중계　제조 산업에서의 사이버 보안과 위기 상황 대응 방안 65　캐드앤그래픽스 CNG TV 지식방송 지상중계　시뮬레이션의 미래 : AI와 디지털 트윈이 주도하는 제조 혁신   Column 66　디지털 지식전문가 조형식의 지식마당 / 조형식　인공지능 시대의 서바이벌 노트 : 인공지능 마인드세트와 원칙 69　현장에서 얻은 것 No. 23 / 류용효　나만의 AI 에이전트 필살기 Ⅲ – 본질에 집중하는 삶   76　New Books 78　News   Directory 147　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 81　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　코드로 강력한 수학 그래픽 애니메이션을 만드는 매님 84　새로워진 캐디안 2025 살펴보기 (12) / 최영석　유틸리티 기능 소개 Ⅹ 88　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2026 (8) / 천벼리　아레스 커맨더의 동적 블록과 트리니티 블록 라이브러리   Reverse Engineering 91　시점 – 사물이나 현상을 바라보는 눈 (11) / 유우식　무엇을 믿을 것인가?   Mechanical 98　제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (4) / 박수민　모델 기반 정의 개선사항   Analysis 104　앤시스 워크벤치를 활용한 해석 성공 사례 / 장형진　앤시스 LS-DYNA S-ALE를 활용한 폭발 성형 해석 방법 108　최적화 문제를 통찰하기 위한 심센터 히즈 (9) / 이종학　프로세스 자동화 Ⅳ – 다물리 시스템 최적화 118　성공적인 유동 해석을 위한 케이던스의 CFD 기술 (27) / 나인플러스IT　차세대 다중물리 CFD 설루션의 ‘4A’ 122　설계, 데이터로 다시 쓰다 (2) / 최병열　DX 시대에서 AX 시대로 126　로코드를 활용하여 엔지니어링 데이터 분석 극대화하기 (4) / 윤경렬, 김도희　로코드를 활용하여 시뮬레이션 데이터 분석을 따라해 보자 132　가상 제품 개발을 위한 MBSE 및 SysML의 이해와 핵심 전략 (1) / 오재응　디지털 모델 중심 시스템 설계로의 전환 전략   Manufacturing 138　자율제조를 위한 데이터 표준화와 사이버 보안 강화 전략 (2) / 차석근　산업 사이버 위협을 돌파하기 위한 IEC 62443   PLM 144　산업 디지털 전환을 가속화하는 버추얼 트윈 (8) / 이희라　부품 공용화 및 표준화를 위한 AI 기반 3D 형상 분석 설루션

올인원 비주얼 커뮤니케이션 플랫폼 캔바(Canva)가 ‘크리에이티브 운영체제(Creative Operating System)’를 출시했다고 발표했다. 이번 출시를 통해 캔바는 지난 10여년 간 축적해온 혁신을 집약해 창의력을 한층 강화하도록 설계된 새로운 기능을 선보인다. 새로운 운영체제는 캔바의 ‘디자인 모델(Design Model)’을 기반으로 설계되어, 디자인부터 협업, 퍼블리싱, 성과 관리까지 창작의 전 과정을 하나의 흐름으로 통합한다. 그 결과, 인간의 창의력이 주도하고 AI가 그 가능성을 확장하는 더 빠르고, 더 스마트하며 더 유기적으로 연결된 디자인 방식을 구현했다.     새로운 ‘크리에이티브 운영체제’의 중심에는 새롭게 재구성된 비주얼 스위트(Visual Suite)가 있다. 이 업그레이드를 통해 동영상, 이메일, 코드, 폼 모든 형식에서 가능성 영역을 한층 확장해, 아이디어를 구현하고 목표를 달성하는 과정을 쉽게 만들어준다. 이번 크리에이티브 운영체제는 다양한 기능을 새롭게 선보인다. 동영상 편집기 2.0(Video 2.0)은 복잡함과 불편함을 제거하기 위해 처음부터 다시 설계되었다. 전문가 수준의 편집 도구와 캔바 특유의 간편성이 결합되어 어떤 기기에서도 몰입도 높은 영상을 손쉽고 빠르게 제작할 수 있다. 매직 비디오(Magic Video)와 새로운 트렌드 템플릿 라이브러리를 통해 단 하나의 프롬프트만으로도 완성도 높은 콘텐츠를 생성할 수 있다. 새롭게 디자인된 타임라인은 영상 자르기, 동기화, 영상 레이어링을 빠르고 직관적으로 작업할 수 있으며, AI 도구들은 편집과 효과 적용을 자동화하는 데 도움을 준다.  캔바에서 가장 많이 요청된 기능 중 하나인 이메일 디자인(Email Design)은 완전히 새로운 형식을 선보이며, 마케팅 팀이 이미 콘텐츠를 디자인하는 플랫폼 안에서 이메일을 제작할 수 있게 해준다. 이제 팀은 별도의 코딩이나 툴 전환 없이 완전히 브랜딩된 마케팅 이메일을 제작하고 맞춤화하여 내보낼 수 있다. 완성된 디자인은 HTML 파일로 내보내 원하는 이메일 플랫폼에서 바로 배포할 수 있다. 캔바 폼(Forms)은 캔바 안에서 직접 피드백, RSVP, 데이터 등을 수집할 수 있는 새로운 방식이다. 완전히 브랜딩된 폼을 웹사이트를 포함한 다른 캔바 디자인에도 추가할 수 있으며, 시각적 스타일에 맞게 자유롭게 커스터마이징할 수 있다. 응답 내용은 자동으로 캔바 시트(Canva Sheets)로 연동되어 모든 정보를 한 곳에서 관리할 수 있다. 또한, 이제 캔바 시트를 캔바 코드(Canva Code)로 만든 결과물과 연결할 수 있어 데이터 기반의 인터랙티브 위젯을 손쉽게 제작할 수 있다. 라이브 대시보드, 계산기, 학습 도구 등 어떤 형태든 데이터가 변경될 때마다 자동으로 업데이트되며, 모든 요소가 유기적으로 연결된 상태를 유지한다.  아울러, 캔바는 창의성에 특화된 새로운 세대의 AI를 공개했다. 여기에는 디자인 자체를 이해하도록 학습된 모델이 포함된다. 이번 혁신은 창의력이 이끌고 기술이 가능성을 확장하는 방향, AI가 사용자의 목표 달성을 지원하는 방식을 발전시킨 것이다.  디자인 중심 캔바 AI 모델(Canva Design Model)은 디자인의 복잡성을 이해하도록 학습된 모델로, 수 년간의 연구와 디자인 지식을 바탕으로 구축됐다. 이 모델은 디자인의 논리를 해석하고, 레이아웃을 조율하며, 단 몇 초 만에 완전히 편집 가능한 콘텐츠를 생성한다. 캔바 AI는 대대적인 업그레이드를 거치며 이제 디자인의 모든 단계에 깊이 통합되었다. 사진, 영상, 질감, 3D 그래픽 등 원하는 모든 요소를 상상하기만 하면 캔버스 위에서 바로 구현해준다. 또한 새롭게 추가된 스타일 매치를 통해 모든 요소가 조화를 이루며 브랜드 일관성을 유지한 디자인을 손쉽게 완성할 수 있다.  @Canva에게 질문하기(Ask @Canva)는 디자인 과정 어디서든 도움을 받을 수 있는 디자인 어시스턴트다. 사용 중 ‘@Canva’를 태그하기만 하면 즉시 피드백, 디자인 제안, 스마트 편집 지원을 받을 수 있다. 카피 문구 제안부터 디자인 수정까지 편집기에 내장된 창작 파트너 역할을 수행한다. 이외에도 캔바는 브랜드 성장을 위한 마케팅 도구
도 소개했다. 캔바는 엔드 투 엔드 플랫폼으로 발전하며 브랜드 관리, 마케팅 캠페인, 성과 추적을 위한 신규 툴을 선보인다. 캔바 그로우(Canva Grow)는 광고 소재 기획부터 제작, 게시, 성과 분석까지 한 번에 처리할 수 있는 통합 마케팅 플랫폼이다. 마케팅 팀은 이제 캔바에서 광고를 디자인하고 메타(Meta) 등 다양한 플랫폼에서 실행하며, 실시간으로 인사이트를 추적하고 성과 지표에 따라 즉시 콘텐츠를 최적화할 수 있다. 브랜드 인식 AI를 기반으로 하는 캔바 그로우는 성과 데이터를 학습하여 시간이 지날수록 모든 캠페인을 더 스마트하고 효과적으로 발전시킨다. 브랜드 시스템(Brand System)은  브랜드 가이드라인과 브랜드 자산을 편집기로 직접 가져와 팀이 필요한 모든 것을 제작 환경 내에서 즉시 접근할 수 있도록 지원한다. 글꼴, 색상, 로고 템플릿이 자동으로 적용되어, 모든 디자인과 채널에서 브랜드 일관성을 손쉽게 유지할 수 있다. 성장 중인 팀이나 글로벌 기업 모두에게, 수동으로 하는 브랜드 검수 과정이 필요 없도록 하여 편리하고 일관성 있게 브랜드를 확장할 수 있다.  캔바는 개인, 마케터, 소규모 팀을 위한 ‘캔바 비즈니스(Canva Business)’ 요금제를 새롭게 도입했다. 이 요금제는 고급 AI, 분석, 브랜드 관리 도구를 활용해 브랜드를 성장시키고자 할 때 최적화된 구독 플랜으로, 캔바 프로(Canva Pro)와 캔바 엔터프라이즈(Canva Enterprise)의 중간 단계에 해당한다. 확장된 저장공간, 더 높은 AI 사용 한도, 인쇄 할인, 팀 성장을 돕는 다양한 전문 기능을 함께 제공한다. 캔바의 멜라니 퍼킨스(Melanie Perkins) 공동 창업자 및 CEO는 “지식의 접근성이 높아질수록 우리는 ‘정보의 시대’에서 ‘상상력의 시대’로 이동하고 있다고 믿는다. 이 시대에는 창의력이 그 어느 때보다 중요한 시기다”라며, “이 새로운 시대에 캔바 사용자들이 성공할 수 있도록 어떻게 지원할 수 있을지 고민해왔다. 그래서 이번에 올인원 ‘크리에이티브 운영체제’라는 캔바 최대의 혁신을 선보이게 되어 더더욱 기쁘다"고 밝혔다. 또한 “동영상, 이메일, 폼 등 주요 기능이 대폭 업그레이드된 비주얼 스위트, 브랜드와 비즈니스 성장을 위한 강력한 AI 레이어와 다양한 툴 등 새 기능들을 통해 사용자들이 자신의 아이디어를 어떻게 실현할지 무척 기대된다”고 전했다. 한편, 캔바는 전문 디자인과 일상 창작의 경계를 허문 새로운 ‘올 뉴 어피니티(All-New Affinity)’를 공개했다. 벡터 편집, 이미지 보정, 고급 레이아웃 디자인 등 많은 사랑을 받아온 전문 디자인 도구들을 하나의 강력한 제품과 통합된 파일 형식으로 결합해, 이제 여러 프로그램을 오갈 필요 없이 전문가 수준의 작업이 가능하다. 이제 어피니티는 전문 크리에이터가 어피니티에서 애셋을 제작한 뒤 바로 캔바로 이동해 협업, 게시, 브랜드 확장을 이어갈 수 있도록 지원하며, 전체 디자인 프로세스를 완성한다. 또한 어피니티는 이번에 최초로 영구 무료로 제공되어, 전문 크리에이터들의 마지막 진입 장벽을 제거하고 누구나 세계적 수준의 도구에 접근할 수 있도록 지원한다.

한국레노버가 엔비디아 GB10 그레이스 블랙웰 슈퍼칩을 탑재한 컴팩트한 AI 워크스테이션 ‘씽크스테이션 PGX(ThinkStation PGX)’를 출시했다. 새롭게 선보인 씽크스테이션 PGX는 AI 연구자, 개발자, 데이터 과학자, 엔지니어 등을 위한 전문 AI 워크스테이션이다. 최대 1페타플롭(1000 TOPS) AI 연산 성능을 제공하며 최대 2000억 개 파라미터를 가진 대규모 생성형 AI 모델을 처리할 수 있다. 128GB 통합 시스템 메모리를 탑재해 사용자는 최신 추론 AI 모델을 실험하고, 미세 조정 및 추론 작업을 원활하게 수행할 수 있다. 두 대의 시스템을 연결하면 최대 4050억 개 파라미터를 가진 더 큰 AI 모델까지 처리 가능하다. 1.13리터의 사이즈와 최소 1.2kg의 무게로 공간 활용성을 높였다.     씽크스테이션 PGX는 엔비디아 DGX OS와 엔비디아 AI 소프트웨어 스택은 물론, 파이토치(PyTorch), 주피터(Jupyter) 등 개발자에게 익숙한 도구와 프레임워크가 사전 구성되어 있다. 이를 통해 개발자는 데스크톱 환경에서 대규모 AI 모델을 즉시 프로토타이핑하고, 미세 조정 및 추론 과정을 거쳐 데이터센터나 클라우드로 손쉽게 배포할 수 있다. 생성형 AI 모델의 규모와 복잡성이 급격히 증가함에 따라 로컬 환경에서의 개발은 점점 더 많은 제약에 직면하고 있다. 대규모 모델의 프로토타이핑, 튜닝, 추론에는 방대한 GPU 메모리와 연산 성능이 요구된다. 씽크스테이션 PGX는 이러한 한계를 극복하고 AI 애플리케이션 프로토타이핑을 위한 강력하면서도 경제적인 플랫폼을 제공한다. 이에 따라 개발자는 AI 온프레미스 클러스터나 클라우드 컴퓨팅 환경의 리소스를 한층 효율적으로 활용할 수 있다. 또한 씽크스테이션 PGX 사용자는 엔비디아 AI 플랫폼 소프트웨어 아키텍처를 기반으로 코드를 거의 수정하지 않고도 데스크톱 환경에서 가속화된 클라우드 또는 데이터센터 인프라로 모델을 원활하게 이전 가능하다. 이를 통해 프로토타이핑, 미세 조정, 반복 등 개발 작업을 손쉽게 수행할 수 있다. 한국레노버의 신규식 대표는 “생성형 AI 시대를 맞아 기업과 연구기관의 AI 개발 역량이 핵심 경쟁력으로 부상하고 있다”며, “고성능이면서도 컴팩트한 씽크스테이션 PGX는 전문가들이 클라우드 인프라의 복잡성과 비용 부담 없이 확장 가능한 AI 기능을 구현할 수 있는 최적의 설루션”이라고 말했다. 이어 “레노버는 워크스테이션 포트폴리오를 지속적으로 확장해 전문가들이 생성형 AI 혁신을 가속화하고 채택할 수 있도록 적극 지원할 것”이라고 덧붙였다.

PTC는 자사의 클라우드 네이티브 CAD/PDM 플랫폼인 온쉐이프(Onshape)를 위한 최신 AI 기술인 ‘온쉐이프 AI 어드바이저(Onshape AI Advisor)’를 발표했다. 온쉐이프 AI 어드바이저는 설계 환경에 직접 내장되어 사용자가 설계를 진행하는 동안 실시간 가이드를 제공한다. 이번 업데이트로 모든 사용자는 최신 AI 기능에 즉시 접근할 수 있게 됐다. 온쉐이프 AI 어드바이저는 메인 작업 공간 내에서 쉽게 접근할 수 있도록 새롭게 디자인된 인터페이스를 갖추고 있다. 사용자에게 단계별 권장 사항, 문제 해결 기능, 모범 사례를 모두 설계 환경 내에서 제공한다. PTC는 “아마존 베드록(Amazon Bedrock)을 기반으로 하는 온쉐이프 AI 어드바이저의 최신 릴리스는 제품 개발에 AI를 도입하려는 PTC의 비전을 실현하는 다음 단계”라고 소개했다. PTC는 온쉐이프를 사용하는 엔지니어의 생산성을 높이는 동시에 엔터프라이즈급 보안 및 데이터 보호를 유지하기 위해 에이전트 워크플로를 발전시키고 있다. 팀은 워크플로에 직접 내장된 지능형 설계 에이전트와 협력하여 모델 메타데이터와의 상호 작용을 지원받을 수 있다. 또한 모델 문제 해결 및 작업 지원, 피처스크립트(FeatureScript) 코드 생성, 반복 작업 간소화 등을 수행할 수 있다. 이에 더해, AI 지원 렌더링은 시각화 및 설계 검토 워크플로를 가속화할 수 있는 잠재력을 보여줄 수 있다.     PTC는 온쉐이프의 클라우드 네이티브 아키텍처와 광범위한 공용 모델 라이브러리를 통해 파일 기반 CAD 도구와 차별화되는 고급 AI 기능을 위한 기반을 제공한다는 전략을 소개했다. PTC는 자동화된 지오메트리 생성, 지능형 설계 최적화, 자체 AI 이니셔티브를 가진 고객을 위한 툴킷 등 AI 기능을 모색하고 있다. 온쉐이프는 3주의 릴리스 주기를 통해 모든 사용자에게 새로운 기능과 플랫폼 향상 기능을 제공할 뿐만 아니라, 고객이 자체 AI 프로젝트를 추진할 수 있는 도구도 제공한다. 개방형 API, 확장 가능한 클라우드 컴퓨팅 리소스, 광범위한 공용 데이터 라이브러리, 맞춤형 구성 도구를 앞세워 AI 모델을 쉽게 학습시키고 합성 데이터를 생성할 수 있게 돕는다. PTC는 이러한 강점을 바탕으로 빠르게 성장하는 기업들이 기존의 파일 기반 시스템보다 더 빨리 AI를 실험하고 채택하도록 돕는다는 계획이다. PTC의 데이비드 캐츠먼(David Katzman) 온쉐이프 및 아레나(Arena) 총괄 부사장은 “AI 어드바이저를 온쉐이프에 직접 내장한 것은 설계 인텔리전스의 새로운 시대를 여는 것”이라면서, “우리는 단순히 AI 기능을 출시하는 것이 아니라, AI가 설계 과정에서 신뢰할 수 있는 파트너가 되는 엔지니어링 문화를 형성하고 있다. 업계 유일의 클라우드 네이티브 CAD 및 PDM 플랫폼인 온쉐이프는 제품 개발에 AI를 통합하는 데 있어 업계를 선도할 수 있는 위치에 있다”고 전했다.

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.

아마존웹서비스(AWS)가 포괄적인 에이전틱 플랫폼인 ‘아마존 베드록 에이전트코어(Amazon Bedrock AgentCore)’를 출시한다고 발표했다. AWS는 “미션 크리티컬 시스템 구축 경험을 바탕으로 개발된 아마존 베드록 에이전트코어는 안전하고 신뢰할 수 있으며 확장 가능한 종합 에이전트 플랫폼으로, 에이전트의 비결정적 특성에 최적화된 프로덕션 환경을 제공한다”고 소개했다. 에이전트코어는 기업이 AI 에이전트를 파일럿에서 프로덕션까지 신속하게 전환하고 개발자가 에이전트를 구축, 배포, 운영하는 데 필요한 완전한 기반을 제공한다. 개발자는 복잡한 워크플로를 처리할 수 있도록 에이전트에 도구, 메모리, 데이터를 손쉽게 연결할 수 있으며, 몇 줄의 코드로 안전하고 확장 가능한 런타임 환경에 배포할 수 있다. 또한 엔터프라이즈급 접근 제어 및 관리 기능을 통해 안정적으로 운영할 수 있다. 이 모든 기능은 인프라를 관리 없이 원하는 모델이나 프레임워크를 자유롭게 선택해 쉽게 시작할 수 있다. 에이전트코어는 구축부터 배포, 운영까지 에이전트 개발 수명주기 전반에 걸쳐 완전 관리형 서비스를 제공하는 에이전틱 플랫폼이다. 기업은 원하는 모델이나 프레임워크를 자유롭게 조합해 사용할 수 있으며 엔터프라이즈급 인프라 및 도구에 대한 액세스와 함께 높은 유연성을 제공한다. 에이전트코어는 통합 또는 개별 사용이 가능한 컴포저블(composable) 서비스를 제공한다. 기업은 크루AI, 구글 ADK, 랭그래프, 라마인덱스, 오픈AI 에이전트 SDK, 스트랜드 에이전트 등 선호하는 프레임워크와 아마존 베드록에서 제공되는 모델 또는 오픈AI, 제미나이 등 아마존 베드록 외부 모델을 사용하여 필요한 에이전트코어 서비스를 선택할 수 있다.     에이전트코어 코드 인터프리터(AgentCore Code Interpreter)는 격리된 환경에서 에이전트가 코드를 안전하게 생성하고 실행할 수 있게 하며, 에이전트코어 브라우저(AgentCore Browser)는 대규모 웹 애플리케이션 상호작용을 지원한다. 에이전트코어 게이트웨이(AgentCore Gateway)는 기존 API와 AWS 람다(AWS Lambda) 함수를 에이전트 호환 도구로 전환하고 기존 모델 컨텍스트 프로토콜(Model Context Protocol : MCP) 서버에 연결하며, 지라, 아사나, 젠데스크 등 서드파티 비즈니스 도구 및 서비스와의 원활한 통합을 제공한다. 에이전트코어 아이덴티티(AgentCore Identity)를 통해 에이전트는 오스(OAuth) 표준을 사용한 적절한 인증 및 권한 부여로 이러한 도구에 안전하게 액세스하고 운영할 수 있다. AI 에이전트는 컨텍스트를 유지하고 상호작용을 통해 학습할 수 있어야 한다. 에이전트코어 메모리(AgentCore Memory)는 개발자가 복잡한 메모리 인프라를 관리하지 않고도 정교하고 컨텍스트를 인식하는 경험을 만들 수 있도록 지원하며, 에이전트가 사용자 선호도, 과거 상호작용, 관련 컨텍스트에 대한 상세한 이해를 구축하고 유지할 수 있게 한다. 아마존 클라우드워치(Amazon CloudWatch) 기반의 에이전트코어 옵저버빌리티(AgentCore Observability)는 실시간 대시보드와 상세한 감사 추적을 통해 포괄적인 모니터링을 제공한다. 기업은 모든 에이전트 작업을 추적하고 문제를 신속하게 디버깅하며 성능을 지속적으로 최적화할 수 있다. 오픈텔레메트리(OpenTelemetry : OTEL) 호환성을 통해 다이나트레이스, 데이터독, 아리제 피닉스, 랭스미스, 랭퓨즈 등 기존 모니터링 도구와 통합된다. 에이전트 워크로드는 기존 애플리케이션과 달리 실행 시간이 불규칙하다. 에이전트코어 런타임(AgentCore Runtime)은 이러한 변동성(variability)에 대응해 필요에 따라 제로에서 수천 개의 세션으로 자동 확장되며 장시간 실행 작업을 위한 업계 최고 수준의 8시간 런타임을 제공한다. 에이전트코어는 에이전트가 안전하게 작동할 수 있도록 모든 서비스에 보안을 내장했다. 가상 프라이빗 클라우드(VPC) 환경과 AWS 프라이빗링크(AWS PrivateLink)를 지원하여 네트워크 트래픽을 비공개로 안전하게 유지한다. 에이전트코어 런타임은 마이크로VM 기술을 통해 매우 높은 수준의 보안을 제공하여 각 에이전트 세션에 고유한 격리된 컴퓨팅 환경을 제공함으로써 데이터 유출을 방지하고 모든 상호작용의 무결성을 유지한다. 에이전트코어는 키로(Kiro), 커서AI(Cursor A)I와 같은 통합 개발 환경(IDE)과 호환되는 MCP 서버를 통해 프로덕션급 에이전트 구축을 지원한다. AWS는 “시작까지 단 몇 분밖에 걸리지 않지만 이는 단순한 도구가 아니라 강력한 보안을 유지하면서 제로에서 수천 개의 세션으로 즉시 확장할 수 있는 완전한 기능의 프로덕션급 설루션”이라고 소개했다. 아마존 디바이스 운영 및 공급망(Amazon Devices Operations & Supply Chain) 팀은 에이전트코어를 사용하여 에이전틱 제조 접근 방식을 개발하고 있다. AI 에이전트들은 제품 사양을 사용하여 함께 작업하며 수동 프로세스를 자동화하며 협업한다. 한 에이전트는 제품 요구사항을 읽고 품질 관리를 위한 상세한 테스트 절차를 만들고, 다른 에이전트는 제조 라인의 로봇에 필요한 비전 시스템을 훈련시킨다. 그 결과 기존에 며칠이 걸리던 객체 감지 모델 미세 조정이 1시간 이내에 높은 정밀도로 단축됐다. 에이전트코어는 뭄바이, 싱가포르, 시드니, 도쿄, 더블린, 프랑크푸르트, 미국 동부(버지니아 북부), 미국 동부(오하이오), 미국 서부(오리건) 등 9개 AWS 리전에서 정식 출시됐다. 기업은 에이전트코어에서 작동하도록 설계된 AWS 마켓플레이스(AWS Marketplace)의 사전 구축된 에이전트 및 도구를 통해 가치 실현 시간을 가속화할 수 있다.

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.

복잡한 제조, 간단한 시작 AI 기반 온라인 제조 서비스 크렐로,  3D프린팅 · CNC · 주형,  특별 프로모션. 첫 주문 고객 20% 특별 할인 혜택!  이 글을 보신 분은 첫 주문시 캐드앤그래픽스 전용 할인 쿠폰을 넣어주세요 본 내용이 안보이시는 경우 웹버젼을 확인해주세요.     #3D프린팅제작비용 #CNC가공서비스 #주형제작업체 #AI온라인제조 #크렐로할인코드 #3D프린팅CNC할인 #제조서비스플랫폼 #첫주문20퍼센트할인 #복잡한제조간단하게 #캐드앤그래픽스