시스템 엔지니어링의 진화, 항공우주 산업의 복잡성을 넘어서다   아폴로 프로그램에서 시작된 시스템 엔지니어링은 오늘날 항공우주 및 방위 산업의 핵심 방법론으로 자리 잡았다. 하지만 소프트웨어 중심의 기체 구조와 급증하는 상호작용으로 인해 기존 방식은 한계에 직면해 있다. 이제 기업은 시스템 모델링 언어인 SysML v2와 인공지능(AI), 포괄적 디지털 트윈을 결합한 총체적 설루션으로 디지털 전환을 가속해 미래 경쟁력을 확보해야 한다.   ■ 오병준 지멘스 디지털 인더스트리 소프트웨어의 한국지사장이다. SAS 코리아 대표이사를 지냈으며, 오라클 코리아, 테라데이터 코리아, IBM 코리아 임원 등 IT 업계에 30여 년 이상 몸 담으며 쌓아온 엔터프라이즈 소프트웨어 경험을 바탕으로 지멘스 디지털 인더스트리 소프트웨어를 진두지휘하고 있다. 홈페이지 | www.sw.siemens.com/ko-KR   ▲ 제공 : 지멘스   우주비행사의 달 착륙과 지구 귀환을 성공적으로 이끈 아폴로(Apollo) 프로그램은 인류 역사상 가장 위대한 성과 중 하나로 평가된다. 아폴로 프로그램을 통해 개발된 다양한 기술은 오늘날 우리의 일상 속에서 널리 활용되고 있는데, 무선 헤드셋, 집적회로, 이메일, 무선 공구 등이 대표적인 예다. 이 글에서는 아폴로 프로그램의 수많은 유산 가운데 한 가지에 초점을 맞추고자 한다. 바로 엔지니어가 종종 간과하곤 하는 ‘시스템 엔지니어링(systems engineering)’이다. 당시 NASA가 개발한 로켓은 전례 없는 규모의 복합 시스템이 결합된, 그 시대 가장 정교하고 복잡한 기계였다. NASA 엔지니어들은 로켓 내 모든 시스템을 유기적으로 작동시키기 위해 새로운 엔지니어링 방법론이 필요하다는 사실을 깨달았고, 그렇게 시스템 엔지니어링이 탄생했다. 시스템 엔지니어링은 아폴로 로켓의 복잡성을 체계적으로 분석하고 각 시스템을 유기적으로 통합함으로써 성공적인 발사를 가능하게 했다. 이후 시스템 엔지니어링은 우주 분야를 넘어 항공우주 및 방위(A&D) 산업 전반에서 혁신을 이끌며, 새로운 항공기와 우주선 개발을 견인하는 핵심 요소로 자리 잡았다.   ▲ 시스템 엔지니어링은 우주 분야에서 시작돼 A&D 산업 전반으로 확대됐다.(제공 : C. Fredrickson Photography/Getty Images)   시스템 엔지니어링은 제품의 복잡성을 낮추는 데 기여해왔지만, 그 자체로는 상당히 복잡한 개념이다. 엔지니어링 영역들은 기업이 인식하는 것만큼 긴밀하게 통합돼 있지 않을 가능성이 있다. 일부 기업은 두 엔지니어링 영역 간 인터페이스에서 문제가 발생하기 전까지 자사의 통합 수준이 어느 정도인지조차 제대로 인식하지 못하기도 한다. 이러한 문제는 전통적인 문서 기반 방법론이 모델 기반 시스템 엔지니어링으로 전환된 이후에도 여전히 이어지고 있다. 이 같은 통합 미비는 설계 오류를 초래하고 일정 지연의 위험을 높인다. 이러한 위험은 오늘날 항공기와 우주선에 새로운 전자 기술과 소프트웨어 시스템이 대거 탑재되고 복잡성이 크게 증가함에 따라 갈수록 커지고 있다. 이와 같은 상황에서 변화가 없다면, 현재의 시스템 엔지니어링 접근 방식만으로는 항공우주 산업의 급격한 복잡성 증가에 대응하기 어려울 것이다. 따라서 앞으로 시스템 엔지니어링은 보다 총체적인 접근 방식으로 진화해 엔지니어링 영역 간 상호운용성과 협업을 강화해야 한다. 이를 위해 기업은 디지털 전환에 투자하고 SysML v2, AI(인공지능), 포괄적 디지털 트윈과 같은 핵심 기술을 활용해 엔지니어들이 혁신을 가속할 수 있는 새로운 프로세스를 익히도록 해야 한다.   항공우주의 새로운 패러다임 오늘날 생산되는 항공기와 우주선은 아폴로 시대에 개발된 기체와는 완전히 다르다. 민항기와 제트기부터 로켓과 위성에 이르기까지, 모든 것이 점점 더 소프트웨어 중심 구조로 진화하고 있다. 이에 따라 첨단 기계·전기 시스템은 물론, 새로운 전자 기술과 소프트웨어까지 폭넓게 통합되고 있다. 이러한 첨단 시스템은 이전 세대의 기체에 비해 훨씬 높은 수준의 복잡성을 만들어낸다. 특히 기체 내 다른 시스템과의 상호작용이 늘어나면서 전체적인 복잡성은 더욱 확대되고 있다. 예를 들어, 20년 전만 해도 엔지니어는 하나의 기계 시스템에서 발생하는 100여 개의 상호작용만 관리하면 됐고, 이는 스프레드시트에 손쉽게 정리할 수 있었다. 그러나 오늘날에는 반도체 칩 하나만으로도 수만에서 수십만 개에 이르는 상호작용이 발생할 수 있다.   ▲ 보다 고도화된 전자 기술과 소프트웨어 통합으로 새로운 항공우주 시스템의 복잡성이 커졌다.(제공 : santofilme/Getty Images)   A&D는 여러 엔지니어링 영역 간 통합이 필수인 산업이다. 한 영역에서 변경이 발생하면 이를 수용하기 위해 다른 영역에서도 추가 변경이 필요할 가능성이 높다. 최근 전자 기술과 소프트웨어의 비중이 커지면서 이러한 변경의 규모와 영향력은 더욱 확대되고 있다. 따라서 영역 통합의 격차를 식별하고 해소하기 위해 시스템 엔지니어링 접근 방식 역시 보다 총체적으로 발전해야 한다.   SysML v2를 통한 격차 해소 총체적인 시스템 엔지니어링 전략을 수립하려면 엔지니어 간 새로운 협업 프로세스를 지원하는 도구가 필요하다. SysML (Systems Modeling Language) v2가 이러한 역할을 수행할 수 있다. 이전 버전인 SysML v1은 엔지니어가 작업을 효율적으로 모델링하고 설명할 수 있는 새로운 방식을 제시했다. 그러나 모델을 구축하고 관리하는 방식이 매우 엄격해 상호운용성 측면에서는 한계가 있었다. 반면 SysML v2는 더욱 직관적인 모델링 접근 방식을 제공하며, 다양한 모델링 방법론을 유연하게 활용할 수 있도록 지원한다. 이를 통해 기업은 데이터 교환을 훨씬 수월하게 수행할 수 있다. 결과적으로, SysML v2는 엔지니어링 영역 간 정보를 개방적으로 공유할 수 있는 표준 프레임워크를 구축한다. 이를 통해 데이터 일관성을 높이고 통합 시스템 아키텍처 개발을 가능하게 한다. 물론 SysML v2의 효과는 이를 활용할 수 있는 인재 양성이 병행될 때 비로소 실현될 수 있다. 다행히 다양한 모델링 방법론을 수용할 수 있는 특성은 진입 장벽을 낮추고, 엔지니어가 새로운 시스템 엔지니어링 전략을 보다 쉽게 배우고 참여할 수 있도록 한다. 이는 시스템 엔지니어링의 총체적 발전과 민주화에도 기여한다.     ■ 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 책임     ‘매트랩 엑스포 2026 코리아’에서 LG에너지솔루션의 최호득 책임은 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”

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.

세일즈포스는 최근 ‘에이전틱 엔터프라이즈’ 비전을 소개하면서, 핵심 플랫폼으로 슬랙(Slack)을 내세웠다. 세일즈포스가 2021년 277억 달러(약 30조 원)에 인수한 슬랙은 메시징 및 채팅 앱을 넘어, AI(인공지능)를 기반으로 업무를 자동화하고 의사결정을 지원하는 ‘에이전틱 업무 운영체제’를 지향한다. 세일즈포스는 인간과 AI가 유기적으로 협업해 생산성 향상과 실질적인 비즈니스 성과를 얻는 미래형 기업 운영 모델의 청사진을 제시했다. ■ 정수진 편집장   ▲ 에이전틱 엔터프라이즈 아키텍처를 소개한 세일즈포스코리아 박세진 대표   데이터와 에이전트가 결합하는 에이전틱 엔터프라이즈 세일즈포스가 제시하는 ‘에이전틱 엔터프라이즈’는 단순히 사람의 업무를 돕는 AI를 넘어, 사람과 AI 에이전트가 공존하며 시너지를 내는 기업을 뜻한다. 지난 4월 8일 진행된 기자간담회에서 세일즈포스코리아의 박세진 대표는 “에이전틱 엔터프라이즈는 사람과 AI 에이전트(agent)가 공존을 이루는 기업이다. 에이전트가 데이터를 기반으로 실행을 하고, 사람은 그 에이전트에게 방향을 제시한다. 두 존재가 서로 부족한 부분을 메꿔 주는 구조”라고 설명했다. 단순한 챗봇과 달리 에이전트가 데이터를 기반으로 실제 비즈니스 업무를 자율적으로 판단하고 실행하며, 직원은 보다 창의적인 고부가가치 역할과 방향 제시에 집중하게 된다는 것이다. 이러한 업무 환경을 실현하기 위해 세일즈포스는 크게 네 가지 핵심 시스템을 단일 플랫폼으로 통합한 에이전틱 엔터프라이즈 아키텍처를 제시했다. 가장 밑바탕에는 기업 내·외부에 흩어진 모든 데이터를 하나로 연결하고 통합하는 컨텍스트 시스템(system of context)이 위치한다. 세일즈포스가 가진 인포매티카, 뮬소프트, 태블로, 데이터 360 등의 설루션을 활용해 에이전트가 참조할 수 있는 신경망이자 신뢰도 높은 데이터 기반을 구축하는 역할이다. 그 위에는 세일즈포스가 오랜 시간 축적해 온 비즈니스 프로세스와 산업별 노하우가 담긴 업무 시스템(system of work)이 자리 잡고 있다. 그리고 실질적인 업무를 직접 수행할 수 있도록 기업 맞춤형 AI 에이전트를 개발하고 테스트 및 배포하는 에이전트 시스템(system of agency)인 에이전트포스(Agentforce)가 유기적으로 작동한다. 가장 위쪽에는 고객 및 직원의 경험을 에이전트와 매끄럽게 연결하는 인게이지먼트 시스템(system of engagement)이 자리한다. 이곳에서 슬랙을 에이전틱 업무 운영체제로 삼아 사람과 앱, 에이전트가 대화형 인터페이스를 통해 끊김 없이 소통하고 협업을 완성하게 된다.   ▲ 슬랙은 기업 내 자산을 연결하고 의사결정을 돕는 방향으로 강화되고 있다.   업무 효율 높이는 ‘에이전틱 업무 운영체제’ 슬랙 에이전틱 업무 운영체제(agentic work OS)를 지향하는 슬랙은 사람, 애플리케이션, 데이터 그리고 AI 에이전트를 하나의 대화형 인터페이스 안에서 매끄럽게 연결하는 구심점 역할을 한다. 과거에는 직원이 업무를 처리하기 위해 수십 개의 애플리케이션을 번갈아 사용하며 흐름이 끊기는 불편함을 겪어야 했다. 김고중 슬랙 코리아 사업 총괄은 “이제 슬랙은 복잡한 시스템을 오갈 필요 없이 친숙한 대화창 안에서 즉각적으로 정보를 찾고 정리할 뿐 아니라, 실제 업무 트랜잭션까지 실행할 수 있는 통합 환경을 제공한다”고 설명했다. 특히 슬랙 안에서는 세일즈포스의 맞춤형 에이전트뿐만 아니라 외부의 에이전트와 기업이 자체 개발한 에이전트까지 모두 하나로 연동되어 유기적으로 작동한다. 이 공간에서 사용자는 어떤 에이전트를 사용해야 할지 일일이 신경 쓸 필요가 없다. 지시 사항을 자연어로 대화하듯 입력하면 슬랙봇이 맥락을 파악하고 적절한 에이전트를 지휘해 알아서 업무를 처리해 주기 때문이다. 슬랙 코리아의 주다혜 설루션 엔지니어는 “슬랙은 세일스포스, 서드파티, 고객이 직접 개발한 에이전트까지 컨트롤하며 보안 거버넌스를 지키면서 사용자의 업무를 돕는다”고 설명했다. 슬랙의 지향점은 사람간의 협업을 넘어서 인간과 에이전트가 협업하는 에이전틱 엔터프라이즈의 핵심이 된다는 것이다.   ▲ 슬랙에서 다양한 외부 AI와 앱을 연결해 활용할 수 있다.   슬랙봇, 실질적인 비즈니스 성과와 생산성 혁신 주도 한편, 세일즈포스는 기자간담회에서 슬랙에 포함된 맞춤형 AI 에이전트 ‘슬랙봇(Slackbot)’을 처음으로 국내에 공개했다. 슬랙봇이 알림 도우미를 넘어 사용자의 업무 방식과 비즈니스 맥락을 이해하는 맞춤형 AI 비서로 진화했다는 것이 세일즈포스의 설명이다. 슬랙봇의 주요 기능으로는 ▲회의 내용을 자동으로 기록하고 요약해 실행 과제를 도출하는 미팅 인텔리전스 ▲여러 애플리케이션을 넘나들며 문서 요약과 초안 작성 등을 단일 워크플로에서 지원해 업무 흐름이 끊기지 않게 돕는 데스크톱 어시스턴트 기능 ▲반복 업무를 AI 명령 세트로 표준화하는 AI 스킬 기능 ▲사용자의 대화 패턴을 학습해 맞춤형 답변을 고도화하는 메모리 기능 ▲구글 드라이브, 지라 등 외부 시스템에 흩어진 데이터까지 대화하듯 자연어로 한 번에 찾는 엔터프라이즈 검색 기능 등이 있다. 또한, 조직 내 모든 에이전트와 앱을 통합하는 클라이언트 기능을 활용하면 세일즈포스의 에이전트포스는 물론 서드파티 에이전트까지 하나의 대화창에서 유기적으로 연동하고 지휘할 수 있다. 이러한 슬랙봇의 도입은 큰 폭의 생산성 향상으로 이어진다. 세일즈포스는 “슬랙봇을 통해 직원은 개인당 하루 최대 90분의 업무 시간을 절약하고, 팀 단위로는 주간 최대 20시간의 효율 개선 효과를 얻은 사례를 확인했다”고 전했다. 기자간담회에서는 국내 기업의 업무 혁신 사례도 소개됐다. 당근마켓은 사내 AI 에이전트를 슬랙에 구현해 쿼리 생성과 과거 메시지 데이터 분석 등에 활용하고 있다. 당근마켓의 이예찬 엔지니어는 “슬랙은 단순한 소통 창구를 넘어 조직의 ‘살아있는 기억’이며, 진정한 에이전틱 운영체제로 진화할 수 있음을 체감하고 있다”라고 밝혔다. 배달의민족을 운영하는 우아한형제들은 비개발 부서에서도 슬랙 워크플로를 활용해 반복 문의를 선제적으로 해결하고 있다. 우아한형제들의 이청규 담당은 “슬랙봇을 도입해 신규 입사자의 적응을 돕고 불필요한 커뮤니케이션에 소모되는 ‘컨텍스트 비용’이 줄어들 것으로 기대한다”고 전했다.     ■ 기사 내용은 PDF로도 제공됩니다.

슈나이더 일렉트릭 코리아는 건국대학교 탄소중립 특성화대학원사업단 및 에코업혁신융합대학사업단과 각각 업무협약을 맺고 미래 산업을 이끌 전문 인재 양성에 나선다고 밝혔다. 이번 협약은 건국대학교의 연구 교육 역량과 슈나이더 일렉트릭의 글로벌 기술력 및 산업 현장 경험을 결합하기 위해 추진됐다. 실제 산업 현장에서 요구하는 실무형 인재를 기르고 산학 연계 프로그램을 활성화하는 것이 핵심이다. 탄소중립 특성화대학원사업단과의 협약은 첨단 분야인 탄소중립 핵심 실무 인재를 육성하고 유기적인 협조 체계를 구축하기 위해 마련했다. 두 기관은 탄소중립 분야 인재 양성 사업을 홍보하고 정보를 교류한다. 또한 공동 프로젝트 참여, 현장 전문가 특강과 세미나 지원, 참여 대학원생 멘토링, 인턴십 및 채용 연계 등 상호 교류와 협력이 필요한 다양한 분야에서 힘을 합칠 방침이다. 에코업혁신융합대학사업단과는 에코업 분야의 홍보와 확산을 위해 연구 및 정보를 교류한다. 진로 탐색 및 대학 연계 프로그램을 개발해 운영하고, 기업과 대학 간 연계 활동에 필요한 자원과 경험을 공유한다. 아울러 기업 연계 실무 교육, 산학 인턴십, 현장 견학 등 교육 부문에서 협력하며 기타 인재 양성 사업도 공동으로 추진할 계획이다. 학생들이 실제 산업 현장을 이해하고 진로 역량을 키울 수 있도록 돕는 체험형 프로그램도 단계적으로 운영한다. 여기에는 슈나이더 일렉트릭 코리아 사업장과 관련 산업 현장 방문 프로그램, 직무 특강 등이 포함된다. 슈나이더 일렉트릭 코리아는 이를 통해 학생들이 에너지 관리, 자동화 시스템, 환경·사회·지배구조 경영, 지속 가능한 공급망 등 미래 유망 분야에 대한 이해를 높이고 실질적인 취업 경쟁력을 갖출 수 있을 것으로 기대한다고 밝혔다. 슈나이더 일렉트릭 코리아의 권지웅 대표는 “이번 협약은 슈나이더 일렉트릭이 보유한 글로벌 기술 역량과 산업 현장 경험을 바탕으로, 탄소중립 분야 전문 인재 육성과 에코업 분야 미래 인재 발굴 및 실무 역량 강화에 함께 기여하는 뜻깊은 출발점”이라며, “건국대학교와의 협력을 통해 학생들에게는 진로 탐색, 현장 실습, 멘토링 등 실질적인 성장 기회를 제공하고, 산업계에는 지속가능한 미래를 이끌 우수 인재를 연결하는 선순환 구조를 만들어가겠다”고 전했다.  

구글코리아가 ‘AI의 지난 10년과 미래 방향성’을 주제로 ‘구글 포 코리아 2026’ 행사를 개최했다. 올해로 6회째를 맞이한 이번 행사는 한국 사회와 함께하는 구글의 혁신 방향과 파트너십 사례를 공유하는 자리로 마련됐다. 특히 2016년 ‘알파고’와 이세돌 9단의 대국 10주년을 기념해 AI 기술이 한국 산업에 가져온 변화를 돌아보고 미래 비전을 논의했다. 행사에는 구글코리아 윤구 사장과 구글 딥마인드 공동 창업자인 데미스 하사비스 CEO, 이세돌 사범 등이 참석했다. 윤구 사장은 개막사에서 10년 전 알파고 대국을 “AI의 잠재력과 인간의 창의성이 조화를 이룬 역사적 이정표”라고 정의했다. 윤 사장에 따르면 한국은 아시아 태평양 지역에서 제미나이 이용량이 가장 빠르게 성장하는 시장이며, 이용자의 82%가 AI를 성장을 돕는 파트너로 인식하고 있는 국가다.     데미스 하사비스 CEO는 이세돌 사범과 진행한 대담에서 “10년 전 서울에서 알파고는 AI의 잠재력을 입증하며 과학적 난제를 해결할 기술적 토대를 알렸다”고 회고했다. 하사비스 CEO는 오늘날 과학의 거의 모든 영역에서 AI로 인한 변화가 목격되고 있다고 진단하며, 알파고를 통해 개척한 기술이 범용 인공지능(AGI)으로 나아가는 길을 열어 인류에게 새로운 발견의 황금기를 제공할 것이라고 전망했다. 또한, 하사비스 CEO는 한국을 차세대 로보틱스와 제조 자동화 분야의 글로벌 선도 국가로 꼽으며 물리적 AI 영역에서 한국이 보여줄 도약에 기대감을 드러냈다. 그는 향후 도래할 AGI 시대가 과거 산업혁명보다 10배 더 큰 규모로, 10배 더 빠르게 전개되는 혁신적 전환점이 될 것이라고 내다봤다. 이날 구글코리아는 청년과 개발자 등을 위한 통합 AI 교육 브랜드 ‘AI 올림’과 ‘구글 AI 캠퍼스’ 설립 계획도 발표했다. 구글 AI 캠퍼스는 대한민국 학계와 연구 기관이 구글의 AI 전문가들과 협력하는 중심지 역할을 하게 된다. 구글은 서울대학교, 한국과학기술원(KAIST) 등과 협력해 생명 과학, 에너지, 기상 등 분야에서 구글의 AI 모델을 활용할 계획이다. 기술 세션에서는 구글 딥마인드의 캐롤리나 파라다 로보틱스 시니어 디렉터가 추론 능력을 갖춘 ‘제미나이 로보틱스 1.6(Gemini Robotics 1.6)’을 소개했다. 파라다 디렉터는 보스턴 다이나믹스의 4족보행 로봇 ‘스팟’이 제미나이 지능을 탑재해 인간의 복잡한 명령을 이해하는 단계에 진입했다고 설명했다. 이어 최현정 시니어 엔지니어링 디렉터는 학습자가 스스로 답을 찾아가도록 돕는 교육 특화 AI 모델 ‘런LM(LearnLM)’을 소개하며 AI를 통한 교육 혁신 사례를 공유했다.

엔비디아가 한국 사회와 문화적 특성을 반영한 합성 데이터셋인 ‘네모트론-페르소나-코리아’를 공개했다. 이 데이터셋은 글로벌 AI 개발 플랫폼인 허깅페이스에서 데이터셋 부문 1위를 기록하며 글로벌 커뮤니티의 높은 관심을 받고 있다. 엔비디아는 “한국어 특화 데이터셋이 기술적 완성도와 실용성을 인정받으며 국내 AI 생태계의 경쟁력을 입증한 사례”라고 평가했다. 네모트론-페르소나-코리아는 대한민국의 인구통계학적, 지리적, 문화적 특성을 투영한 600만 건 규모의 합성 데이터셋이다. 국가통계포털, 대법원, 국민건강보험공단, 한국농촌경제연구원, 네이버 클라우드 등 신뢰도가 높은 공공 및 민간 데이터를 기반으로 구축해 한국 사회의 실제 통계적 분포를 반영했다.     데이터의 현실성을 높이기 위해 이름과 성별, 연령, 혼인 상태, 교육 수준, 직업, 거주 지역 등 주요 속성을 실제 통계 수치에 맞췄다. 한국어 특유의 존댓말 체계와 지역별 직업 패턴 같은 문화적 맥락도 고려했다. 기존 데이터셋에서 상대적으로 비중이 낮았던 고령층과 농촌 지역, 다양한 직업군을 포괄해 개발자가 한국 문화를 깊이 이해하는 정교한 AI 시스템을 구축하도록 돕는다. 개인정보 보호와 규제 준수에도 중점을 뒀다. 이 데이터셋은 개인정보를 포함하지 않는 완전한 합성 데이터로 구성해 국내 개인정보보호법을 준수하도록 설계했다. 엔비디아는 이를 통해 데이터 활용성과 규제 준수 사이의 균형을 확보하고 AI 개발 환경에 필요한 신뢰성과 확장성을 동시에 충족한다고 설명했다. 현재 네모트론-페르소나-코리아는 오픈소스 라이선스로 공개되어 국내외 개발자가 자유롭게 활용할 수 있다. 엔비디아는 이번 데이터셋이 한국형 소버린 AI 발전을 위한 핵심 자산으로서, 데이터 다양성을 넓히고 모델의 편향성을 완화하며 응답 품질을 높이는 데 기여할 것으로 기대하고 있다.

아마존웹서비스(AWS)는 오는 5월 20일~21일 서울 코엑스에서 AI·클라우드 콘퍼런스인 ‘AWS 서밋 서울 2026’을 개최한다. 올해로 12회를 맞이하는 이번 행사는 정부 부처와 산업계 리더, IT 전문가들이 한자리에 모여 에이전틱 AI를 포함한 최신 클라우드 기술 트렌드와 산업별 실전 사례를 공유할 계획이다. 올해는 AWS가 2006년 아마존 S3를 출시하며 클라우드 시대를 연 지 20주년이 되는 해다. 동시에 2016년 서울 리전을 개소하며 국내에 클라우드 인프라를 직접 제공한 지 10주년이 되는 시점이기도 하다. 인터넷만 연결되어 있다면 누구나 세계 최고 수준의 기술로 혁신할 수 있다는 신념을 바탕으로, AWS는 국내 스타트업과 대기업, 공공 부문의 디지털 전환을 지원하며 한국의 디지털 혁신을 가속화해 왔다. 이번 서밋은 지난 20년의 성과를 돌아보고 에이전틱 AI가 이끌 미래 20년의 비전을 제시하는 자리가 될 전망이다.     이번 행사는 에이전틱 AI가 기업의 실제 업무 현장을 변화시키는 혁신의 구심점이라는 점에 주목한다. 기조연설과 세션, 엑스포를 통해 참가자들에게 실질적인 정보를 제공하며 18개 트랙과 120개 이상의 세션이 마련된다. 60개 이상의 파트너사도 함께 참여한다. 특히 AWS 20주년 기념 특별 부스와 AI 중심의 ‘AWS 포 인더스트리’, ‘피지컬 AI 라운지’ 등을 통해 산업 현장에서 활용되는 AI 설루션을 직접 체험할 수 있다. 행사 첫날인 인더스트리 데이에는 AWS 코리아 함기호 대표가 에이전틱 AI 시대의 고객 혁신 지원 전략을 발표한다. 이어 AWS의 제이슨 베넷 글로벌 스타트업 부문 부사장이 AI 혁신의 미래 전망을 공유한다. 김성훈 업스테이지 대표와 김환 CJ 올리브영 CTO는 무대에 올라 AWS를 활용한 비즈니스 혁신 사례와 성장 통찰력을 나눈다. 오후에는 금융, 리테일, 제조, 헬스케어, 미디어 등 9개 산업별 트랙에서 48개 이상의 세부 세션이 이어진다. 둘째 날인 AI 데이에는 AWS 기술 리더들이 차세대 AI 개발자 경험과 클라우드 설루션을 설명한다. 버너 보겔스 아마존 부사장 겸 CTO를 비롯해 우스만 칼리드 AWS 서버리스 컴퓨팅 디렉터, 안종훈 아모레퍼시픽 전무 등이 기조연설자로 나선다. 신재현 우아한형제들 AWS 히어로와 김민태 AWS 커뮤니티 빌더, 윤석찬 AWS 코리아 수석 테크 에반젤리스트도 참여해 전문적인 견해를 전달하며 오후에는 50개 이상의 기술 세션이 열린다. 엑스포 현장에서는 다양한 에이전틱 AI 기반 설루션을 직접 경험할 수 있다. AWS 포 인더스트리 존에서는 아모레퍼시픽의 ‘뷰티 컨시어지’를 통해 아마존 베드록과 아마존 세이지메이커 기반의 맞춤형 서비스를 선보인다. KBS+A LIVE 부스에서는 AI 영상 편집 및 콘텐츠 분석 설루션을 소개하며, NCAI 부스에서는 사진 한 장으로 에이전틱 AI가 커머스 설루션을 완성하는 과정을 체험할 수 있다. 피지컬 AI 라운지에서는 로아이, 컨피그, 뉴빌리티, 로보티즈가 참여해 에이전틱 AI와 물리 세계의 융합 사례를 보여준다. 디벨로퍼 라운지에서는 차세대 AI 개발 도구인 ‘키로’ 데모를 확인할 수 있으며, AWS 빌리지에서는 5대 핵심 기술 영역의 데모가 운영된다. 스타트업 존에는 인포플라, 프렌들리AI, 모빌린트, 플렉스 등 8개 기업이 참여해 AI 추론 클라우드와 이상 탐지, AI 보안 진단 등 혁신 기술을 시연한다.

엔비디아가 4월 21일~22일 서울 디캠프 마포에서 ‘엔비디아 네모트론 디벨로퍼 데이즈 서울 2026’을 개최했다. 이번 행사는 엔비디아의 최신 오픈 모델인 네모트론(Nemotron)을 중심으로 한국 AI 산업 성장을 지원하고 글로벌 소버린 AI 생태계를 구축하기 위해 마련했다. 현장에는 국내 AI 개발자와 연구자 등 약 500명이 참석해 기술 트렌드와 인사이트를 공유했다. 행사 첫날 기조연설을 맡은 엔비디아의 브라이언 카탄자로 응용 딥러닝 연구 부문 부사장은 AI가 단순한 대화형 시스템을 넘어 스스로 사고하고 행동하는 자율형 에이전트로 진화하고 있다고 설명했다. 카탄자로 부사장은 이러한 변화 속에서 개인이 AI 에이전트를 활용해 복잡한 문제를 해결하는 시대가 오고 있다고 강조했다. 또한 한국을 높은 AI 성장 잠재력을 가진 국가로 평가하며 엔비디아 최신 오픈 모델인 네모트론 3를 중심으로 생태계 협력을 이어가겠다는 의지를 밝혔다. 엔비디아는 한국 개발자를 위한 ‘네모트론-페르소나-코리아’를 공개했다. 이는 국가통계포털과 대법원, 국민건강보험공단, 한국농촌경제연구원, 네이버 클라우드 등 다양한 출처의 공식 데이터를 기반으로 만든 600만 건 규모의 합성 데이터셋이다. 엔비디아는 이 데이터셋이 한국의 인구통계학적 특성과 문화적 다양성을 반영하고 있어 개발자들이 지역적 맥락을 이해하는 AI 시스템을 구축하는 데 도움을 줄 것으로 보고 있다. 이어진 기술 세션에서는 AI 훈련 데이터 합성 전략과 네모트론 파운데이션 모델 사전 훈련 기법 등 실무적인 논의를 진행했다. 과학기술정보통신부와 정보통신산업진흥원 지원으로 마련한 패널 세션에서는 한국형 AI 생태계가 나아갈 방향에 대해 의견을 나눴다. 1층 라운지에서는 지티씨(GTC) 2026에서 화제를 모은 AI 에이전트 체험 프로그램 ‘빌드 어 클로’ 팝업 세션을 세계 최초로 한국에서 선보였다. 참가자들은 오픈소스 프로젝트인 오픈클로를 활용해 AI 에이전트를 직접 구축해보는 실습 기회를 가졌다.     행사 둘째 날 카탄자로 부사장은 서울대학교를 방문해 400여 명의 공학도와 엔지니어를 대상으로 특별 강연을 했다. 그는 에너지와 칩, 인프라, 모델, 애플리케이션으로 이어지는 AI 산업 전 계층을 설명하는 ‘AI 5단 케이크’ 개념을 소개했다. 카탄자로 부사장은 오픈 모델과 고성능 인프라의 결합이 AI 연구 속도를 가속화하고 있다고 강조하며 연구자들이 기술 자산을 전략적으로 활용할 수 있는 환경이 중요하다고 언급했다. 이번 행사에서는 ‘네모트론 해커톤’도 함께 열렸다. 참가자들은 지능형 에이전트 구축과 산업 특화 모델 강화학습 등 고도화된 기술 과제를 수행했다. 최종 쇼케이스 결과 독창적인 설루션을 제시한 노타 AI 팀이 우승을 차지했다. 심사위원단은 우승팀의 결과물이 실무 현장에서 즉시 배포할 수 있을 만큼 높은 완성도를 갖췄다고 평가했다. 엔비디아는 이번 행사를 통해 한국이 칩부터 애플리케이션까지 AI 전 분야를 자국 내에서 구현할 수 있는 역량을 갖췄음을 확인했다고 밝혔다. 엔비디아는 앞으로도 국내 파트너와 개발자들이 산업별로 최적화된 독자적인 AI 생태계를 만들 수 있도록 기술 지원과 협력을 지속한다는 계획이다.