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  

최적화 문제를 통찰하기 위한 심센터 히즈 (3)   이번 호에서는 심센터 히즈(Simcenter HEEDS)를 사용하여 수집된 외부 데이터를 시각화하고 분석하는 데 초점을 맞추고, 데이터 시각화의 중요성과 분석 기법의 활용 방안을 살펴본다.   ■ 연재순서 제1회 AI 학습 데이터 생성을 위한 어댑티브 샘플링과 SHERPA의 활용 제2회 근사모델 기반의 최적화 vs. 직접 검색 기반의 최적화 제3회 수집 또는 측정된 외부 데이터의 시각화 및 데이터 분석 제4회 산포특성을 가지는 매개변수의 상관성 및 신뢰성 분석 제5회 실험 측정과 해석 결과 간의 오차 감소를 위한 캘리브레이션 분석 제6회 프로세스 자동화 Ⅰ – 구조 설계 최적화 및 사례 제7회 프로세스 자동화 Ⅱ – 모터 설계 최적화 및 사례 제8회 프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 및 사례 제9회 프로세스 자동화 Ⅳ – 다물리 시스템 최적화 및 사례 제10회 프로세스 자동화 Ⅴ – 제조 공정 효율성 최적화 및 사례   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 히즈를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR   데이터 분석의 중요성 오늘날 데이터는 우리의 일상과 비즈니스 운영에서 점점 더 중요한 역할을 하고 있다. 수집되고 측정된 데이터의 양이 증가하면서 이를 효과적으로 처리하고 분석하는 방법은 더욱 필요해지고 있다. 이러한 변화 속에서, 지멘스의 심센터 히즈는 강력한 데이터 분석 및 시각화 기능을 제공하여 다양한 산업 분야에서 최적의 해결책을 찾는 데 기여하고 있다. 이번 호에서는 히즈의 기능을 효과적으로 활용하여 어떻게 복잡한 데이터를 이해하고 의미 있는 인사이트를 얻을 수 있는지 살펴볼 것이다.   히즈의 데이터 분석 기능 히즈의 Discover(디스커버) 탭은 사용자가 데이터 사이의 관계 및 최적화 가능성을 탐구할 수 있도록 다양한 도구를 제공한다. Discover 기능은 주요한 데이터 분석 및 이해를 도와주는 여러 방법을 포함하고 있다.    그림 1   다음은 각각의 기능에 대한 설명이다.  Closest : 특정 데이터 포인트에 가장 가까운 변화를 식별한다. 이를 통해 최적화 과정에서의 데이터 민감성을 이해하고 결정에 도움을 줄 수 있다.  Similar : 사용자가 선택한 기준에 따라 유사한 데이터 집합을 찾는 기능이다. 이는 집합의 규칙 또는 모델을 파악하는 데 유용하다. Clusters : 데이터 세트를 서로 연관된 그룹으로 분류한다. 군집화 기법을 통해 데이터의 패턴을 식별하고 알고리즘에 의한 데이터 이해를 개선할 수 있다.  Trade-offs : 다수의 설계 목표 간의 상충 관계를 분석한다. 이를 통해 각각의 설계 대안이 어떻게 특정 목표를 달성하는지에 대해 명확하게 이해할 수 있다.  Patterns : 데이터 내의 반복되는 경향이나 구조를 발견하여 예측 및 모델링에 도움을 주는 기능이다. 패턴 인식은 정보의 신뢰도를 높이는 데 중요하다.  Preview History : 사용자가 수행한 변경이나 실행의 기록을 미리 보면서 데이터 분석의 이력을 관리할 수 있다.  Design Set : 여러 디자인 시나리오를 만들고 비교하여 최적의 설계를 도출하는 데 도움을 준다.  Performance & Plot : 데이터의 성능을 평가하고 시각적으로 플롯하여 분석 결과를 명확하게 표현한다.  Discover 탭의 이러한 기능은 히즈 사용자가 데이터를 깊이 이해하고 시뮬레이션 최적화 과정에서 효과적인 의사 결정을 내리도록 돕는다. 이를 바탕으로 보다 정확하고 신뢰성 있는 설계와 분석 결과를 도출할 수 있다.   데이터 분석을 위한 예제   그림 2    목적함수 외팔보 H빔의 체적을 최소화 제약 조건 최대 굽힘 응력(σ) ≤ 200 MPa  최대 끝단 처짐(δ) ≤ 2 mm  설계 변수 Length : 5,000 mm  Load P : 6,500 N  E : 200 MPa  H : 50 mm ≤ H ≤ 100 mm  h1 : 5 mm ≤ h1 ≤ 30 mm  b1 : 50 mm ≤ b1 ≤ 100 mm  b2 : 5 mm ≤ b2 ≤ 50 mm 히즈의 Discovery Method를 사용하여 분석할 데이터는 우리가 지금까지 계속 예제로 사용한 외팔보의 처짐 문제를 기반으로 Adaptive Sampling Study(어댑티브 샘플링 스터디)에서 500개의 데이터를 생성하여 사용할 것이다. 아니면 독자들이 가지고 있는 데이터를 사용해도 괜찮다.   그림 3     ■ 자세한 기사 내용은 PDF로 제공됩니다.

MBSE를 위한 아키텍처-1D 모델 연계의 중요성 및 적용 전략 (1)   제조산업에서 설계 효율 향상과 개발 기간 단축을 위해 모델 기반 개발(MBD)을 적극 도입하고 있지만, 아키텍처 모델과 1D 모델 간의 연계 부족으로 인해 개발 단계에서 모델의 실질적인 활용과 의사결정 지원이 어려운 경우도 많다. 이번 호에서는 MBD의 성과를 높이기 위한 아키텍처 모델과 1D 모델의 체계적인 연계 방안을 제시하고, 이를 통한 설계 효율 및 개발 정확성 향상의 전략적 방향을 살펴본다.   ■ 오재응 한양대학교 명예교수, LG전자 기술고문   최근 제조산업은 제품의 개발 기간 단축과 다품종 생산이라는 트렌드에 대응하기 위해 개발의 효율성을 극대화하고 반복 설계를 최소화하는 방향으로 변화하고 있다. 이러한 흐름 속에서 모델 기반 개발(Model-Based Development : MBD)은 이미 많은 제조업체가 적극 추진하고 있으며, 이를 통해 설계 초기부터 제품의 동작을 예측하고 최적화할 수 있는 기반을 마련하고자 한다. 그러나 모델 기반 개발을 도입하고 실제로 모델을 구축했음에도 불구하고, 현업에서 모델이 제대로 활용되지 못하는 경우가 많다. 이는 구축된 모델이 단지 형식적으로 존재할 뿐, 제품 개발의 맥락 속에서 아키텍처적, 1D적 연결성을 갖추지 못해 실질적인 의사결정과 개발 단계에서 활용되지 못하고 있기 때문이다. 즉, 원래 의도한 목적이나 아키텍처적 요구와 연계되지 않은 모델이기 때문에, 사용자는 해당 모델이 ‘내 일에 어떻게 쓰이는지’를 이해하지 못하고 거리감을 느끼는 것이다. 이러한 문제를 극복하기 위해서는 아키텍처 모델과 1D 모델을 유기적으로 연계하고, 이를 기반으로 아키텍처 요구사항을 구체화할 수 있어야 한다. 아키텍처 모델이란 제품의 구조, 기능, 물리적 메커니즘 등 아키텍처적 개념을 설명하는 모델이며, 1D 모델은 이러한 개념을 수학적으로 해석하고 시뮬레이션 가능한 형태로 정형화한 것이다. 따라서 아키텍처 모델과 1D 모델 간의 연계는 제품 개발의 전체 V자 프로세스에서 핵심 역할을 하며, 상호보완적으로 작용하여 제품 성능 검증 및 요구사항 만족 여부를 평가하는 데 기여한다.   그림 1. 아키텍처 모델 – 1D 모델 연계   <그림 1>은 이러한 개념을 시각적으로 설명한다. 초기의 아키텍처 설계 단계에서 아키텍처 요구와 구조를 정의한 뒤 이를 바탕으로 1D 모델이 생성되고, 시뮬레이션 및 해석을 통해 결과를 도출하며, 이 결과는 다시 상위의 아키텍처 요구사항에 대한 검증으로 이어진다. 이처럼 상향식-하향식 피드백 루프를 통해 아키텍처 모델과 1D 모델이 반복적으로 연계되어야 진정한 의미의 모델 기반 개발이 실현될 수 있다. 특히 설계자와 개발자는 1D 모델은 제품을 해석하고 튜닝하는 강력한 도구라고 인식하지만, ‘왜 이 설계를 했는가’, ‘서브시스템 간 구조는 어떻게 되는가’, ‘요구사항은 어떻게 충족되는가’와 같은 질문에는 답하지 못한다. 그 해답을 주는 것이 바로 아키텍처 모델(MBSE)이며, 이 두 모델을 연결해야만 설계의 정확성, 추적성, 협업성이 동시에 확보된다.   다양한 유형의 아키텍처적 측정 간의 관계   그림 2. ISO/IEC 15288 System Life Cycle Technical Processes & Life Cycle   ISO/IEC 15288(그림 2)은 시스템 수명주기 전반에 걸친 아키텍처 프로세스의 흐름과 체계를 정의한 국제 표준이다. 특히 이 표준은 모델 기반 시스템 엔지니어링(Model-Based Systems Engineering : MBSE) 관점에서 시스템 개발 활동을 구조화한 것으로, 시스템 수명 주기(V 모델)를 기반으로 요구 분석, 설계, 검증 및 확인, 유지보수 등 각 단계의 아키텍처적 활동과 그 상호 관계를 정립한다. 시스템 엔지니어링 활동을 통해 성공적인 시스템을 구축하기 위해서는 다양한 아키텍처적 성과 지표와 측정 지표가 필요하며, 이를 통해 시스템의 목표 달성 여부를 판단할 수 있다. 대표적인 지표로는 다음과 같은 세 가지가 있다. MOE(Measure of Effectiveness, 효과성 측정지표)는 시스템이 실제 운용 환경에서 얼마나 효과적으로 임무를 수행할 수 있는지를 평가하는 지표로, 주로 고객 요구사항이나 운용 목표 달성 여부에 초점을 맞춘다.  MOP(Measure of Performance, 성능 측정지표)는 시스템의 성능 수준을 수치적으로 정량화한 것으로, 설계 명세나 요구된 성능 기준을 얼마나 충족하는지를 평가한다.  TPM(Technical Performance Measure, 아키텍처 성과 측정지표)은 개발 과정 중 아키텍처 적인 목표 도달 여부를 지속적으로 모니터링하고 예측하는 데 사용되는 지표로, 시스템 개발 리스크를 조기에 식별하고 관리하는 데 활용된다. 이러한 측정 지표는 예측 차이나 실측 차이를 바탕으로 비교 분석할 수 있으며, 시스템 개발 단계에서 시스템의 위험 요인에 대한 조기 탐지와 개선 대책의 선제 적용이 가능하도록 지원한다. 이는 곧 사업의 비용 효율성 제고와 일정 준수에 기여하며, 전체 수명주기 동안 긍정적인 영향을 유도할 수 있다.  <그림 2>는 ISO/IEC 15288의 V-모델과 아키텍처적 측정 지표가 어떻게 연계되는지를 보여준다. 요구사항 도출과 검증, 설계와 확인 간의 대응 관계를 통해 아키텍처적 활동이 체계적으로 연결되며, 수명주기 전체에서 MOE, MOP, TPM이 통합적으로 작동하여 아키텍처적 리스크를 관리하고 시스템의 성공적인 구현을 가능하게 한다.      ■ 자세한 기사 내용은 PDF로 제공됩니다.

시점 – 사물이나 현상을 바라보는 눈 (5)   지난 호에서는 ‘정적 이미지’와 ‘동적 이미지’에 관하여 정의하고 두 이미지의 차이를 살펴보았다. 이미지 센서의 입장에서 바라본 ‘관찰의 시점과 관점’에 관한 몇 가지 사례를 들어가며 구체적으로 생각해 보았다. 또한 정적 이미지에 시간 요소를 비롯한 새로운 차원의 요소를 추가하는 방법의 고안과 활용의 필요성을 강조하였다. 이번 호에서는 정적 이미지와 동적 이미지의 활용이라는 측면에서 ‘변화와 흐름의 관찰’ 방법과 관찰된 결과를 가시화 및 시각화하는 구체적인 사례를 함께 생각해 보기로 한다. 변화와 흐름의 본질부터 응용에 이르기까지 구체적인 사례를 소개한다.   ■ 연재순서 제1회 호기심 제2회 암중모색 제3회 관찰의 시점과 관점 제4회 정적 이미지와 동적 이미지 제5회 변화와 흐름의 관찰 제6회 개별 관찰 제7회 집단 관찰 제8회 확률과 통계 제9회 작용, 반작용, 상호작용 제10회 무엇을 볼 것인가? 제11회 무엇을 믿을 것인가? 제12회 가설, 모델, 이론의 설득력의 시대성   ■ 유우식 웨이퍼마스터스의 사장 겸 CTO이다. 동국대학교 전자공학과, 일본교토대학 대학원과 미국 브라운대학교를 거쳐 미국 내 다수의 반도체 재료 및 생산 설비 분야 기업에서 반도체를 포함한 전자재료, 공정, 물성, 소재 분석, 이미지 해석 및 프로그램 개발과 관련한 연구를 진행하고 있다. 경북대학교 인문학술원 객원연구원, 국민대학교 산림과학연구소 상임연구위원, 문화유산회복재단 학술위원, 국제문화재전략센터 전문위원이다. 홈페이지 | www.wafermasters.com    그림 1. 당구공 움직임 궤적의 가시화   변화와 흐름의 본질‘변화’는 사물의 성질, 모양, 상태 따위가 바뀌어 달라지는 것을 의미하고, ‘흐름’은 흐르는 것, 또는 한 줄기로 잇따라 진행되는 현상을 비유적으로 이르는 말로 일상적으로 사용된다. 두 가지 개념 모두 시간과 관계가 있다. 시간 역시 흐름의 하나이다. 다만 시간은 불가역적으로 과거로 돌아갈 수 없다. 시간이 실재하는 것인가 하는 것은 철학적인 이야기에 가깝다. 다만 시간의 특성을 이해하고 여러 가지 현상을 관찰하면 변화와 흐름을 발견하게 된다. 우리도 시간의 흐름과 더불어 나이를 먹고 늙어 간다. 모든 생명체에게 공통된 현상이다. 눈으로 확인하기도 어려운 현상이나 추상적인 주제에 관해서 설명하기보다는 눈으로 확인할 수 있는 것이 이해하기 쉽다.  당구는 경도가 높은 압축 플라스틱 재질로 만든 공을 사용하는 경기이다. 당구공은 충돌 시의 반발계수가 1에 가까운 완전 탄성체이다. 따라서 당구공끼리 충돌하는 것은 두 물체가 부딪친 후에도 운동 에너지의 합이 변하지 않는 ‘완전 탄성충돌’에 가깝다. 정면에서 충돌할 경우 운동량 보전 법칙이 성립하여 공이 서로의 속도를 교환한다. 물리법칙을 이해하고 공을 치는 방향과 힘을 조절해서 다른 공을 맞히는 게임이다. 공을 치게 되면 공이 움직이게 되니 시시각각으로 위치와 속도가 달라진다. 즉 시간에 따른 위치 변화와 흐름이 발생한다.  <그림 1>은 당구대의 위쪽에 고정된 카메라로 노란 당구공을 쳐서 초록색 당구공을 오른쪽 위 귀퉁이에 넣는 장면을 촬영한 동영상에서 적당한 시간 간격으로 프레임을 발췌하여 합성한 이미지를 소개하였다. 하나의 이미지에서는 같은 시간 간격으로 프레임을 발췌하여 합성한 것이므로, 여러 개의 노란색 공의 위치는 같은 시간 간격으로 촬영된 것이다. 녹색 공 또한 마찬가지이다. 같은 색 공 사이의 간격이 넓은 것은 공의 이동 속도가 빨랐다는 것을 의미하고, 간격이 좁은 것은 그 공의 이동 속도가 빠르지 않았음을 의미한다. 공과 공 사이의 거리를 측정해서 프레임 간의 시차로 나누면 해당 구간의 속도를 구할 수도 있다. 고속으로 촬영해서 이미지를 합성하면 공이 전부 연결되어 공이 지나간 궤적을 그려낼 수 있을 것이다. 이러한 이미지를 합성해서 변화와 흐름을 시각화하는 방법을 포함해서 다양한 방법이 활용되고 있으며, 앞으로도 새로운 개념의 방법도 나타날 것으로 기대한다. 어떤 방법들이 고안되었으며 활용되고 있는지 살펴보도록 한다.   일상적으로 사용되는 흐름을 측정하는 기기 흐름에는 무엇이 있을까? 바람이 불면 공기의 흐름이 있고 강에는 물이 흐른다. 보도에는 사람들의 흐름이 있고 도로에는 차량의 흐름이 있다. 비가 오거나 눈이 내리는 것도 자연스러운 물의 순환(흐름)이다. 일상생활에서도 흐름을 측정하는 기기들이 셀 수 없이 많이 있다. 전류계, 전력량계(적산전력계), 수도 계량기, 도시가스 계량기, 온수 미터 등이다.(그림 2) 실험용 전류계는 실시간으로 흐르는 전하량을 전류로 표시하고 있다. 전체적으로 얼마나 사용했는지는 알 수 없다. 전류가 흐르지 않으면 그 순간 0을 표시하기 때문이다. 전체적인 흐름의 양을 알려고 하면 시시각각의 흐름을 적산해서 표시해야 한다. 전력량계(적산전력계), 수도 계량기, 도시가스 계량기, 온수 미터는 사용량을 적산하는 방식을 채용하여 사용량에 맞춰 요금을 부과하는 방식이다.  흥미롭게도 여기에서 소개한 흐름을 측정하는 모든 기기는 전선이나 배관을 통해서 흐르는 것이다. 전기는 누전되지 않는 한 전선을 벗어나서 흐르는 일이 없다. 물과 가스 또한 누수 또는 가스의 누출이 없는 상태에서 사용한다. 즉 모든 흐름의 측정은 폐쇄회로에서 이루어진다. 그런 의미에서 <그림 1>의 당구대 평면 상의 당구공 위치 변화를 동영상 정보를 바탕으로 추적한 사례는 특이한 경우로 볼 수 있다.    그림 2. 주변에서 흔히 볼 수 있는 흐름을 측정하는 기기     ■ 자세한 기사 내용은 PDF로 제공됩니다.

실시간 3D 엔진을 활용해 더욱 현실적인 시뮬레이션 구축   시뮬레이션은 어느새 산업에서 반드시 거쳐야 하는 단계로 자리잡았다. 이번 호에서는 자율주행 시뮬레이터 기술을 개발하는 모라이(MORAI)의 모라이 시뮬레이션 플랫폼(MORAI Simulation Platform)을 소개한다. ■ 자료 제공 : 유니티 코리아     모라이 시뮬레이션 플랫폼 모라이는 주로 ‘디지털 트윈’, ‘개발 도구’, ‘검증 도구’로 불리는 시뮬레이션 툴을 통해 자율주행 기술의 안전성과 신뢰성을 검증한다. 실제 도로에서 발생할 수 있는 다양한 돌발 상황을 가상화한 환경에서 테스트하고 개발함으로써, 실제 도로에서의 복잡하고 위험한 테스트를 대신할 수 있다. 이를 통해 개발자는 안전하고 효율적으로 자율주행 시스템을 검증하고 개선할 수 있다. 모라이에서 개발한 모라이 시뮬레이션 플랫폼은 자율주행, 자율 비행 등 자율 이동체를 테스트하고 개발할 수 있는 종합적인 미래 모빌리티 시뮬레이터이다. 이 솔루션은 자율주행 자동차, UAM(도심 항공 모빌리티), 무인 로봇, 무인 선박 등 다양한 차세대 모빌리티 산업에 적용되며, 자율주행 상용화를 가속화하는 핵심 가상 검증 플랫폼으로 주목받고 있다.   유니티를 도입하게 된 이유 유니티의 강력한 기능과 사용자 친화적인 인터페이스 덕분에, 짧은 시간 내에 모라이가 원하는 가상 환경 및 시뮬레이터를 개발할 수 있었다. 이는 특히 프로젝트의 초기 단계에서 도움이 되었다. 유니티를 통해 현실적이고 정교한 3D 시뮬레이션 환경을 구현함으로써, 자율주행 기술의 테스트와 검증 과정을 더욱 효율적이고 안전하게 수행할 수 있는 기능을 개발할 수 있었다. 이와 함께, 유니티의 커뮤니티와 풍부한 리소스는 문제 해결과 기술 향상에 도움이 되었다. 다양한 예제와 튜토리얼을 통해 개발자들이 빠르게 학습하고, 프로젝트에 필요한 기능을 구현할 수 있었다. 결과적으로, 유니티 도입 이후 모라이는 프로젝트의 개발 속도와 품질을 높였으며, 더 나은 자율주행 시뮬레이션 환경을 제공할 수 있게 되었다.   플랫폼 구성 요소 기본적으로 가상 환경을 렌더링하고 사용자 인터페이스를 제공하는 베이스 플랫폼(Base Platform)이 중심을 이룬다. 이 베이스 플랫폼 위에 다양한 모듈이 결합되어, 정밀하고 현실적인 시뮬레이션 환경을 구현한다. 첫 번째로 정밀 지도 도로 모듈이 있다. 이 모듈은 실제 도로와 동일한 환경을 가상으로 재현하며, 자율주행 차량이 운행할 수 있는 도로 네트워크를 제공한다. 이를 통해 현실적인 도로 상황에서의 테스트와 검증이 가능하다.  두 번째로 차량 동역학(Vehicle Dynamics) 모듈이 있다. 이 모듈은 차량의 물리적 특성과 동역학을 시뮬레이션하여, 다양한 운전 조건에서 차량의 반응을 정확하게 모델링한다. 이를 통해 차량의 주행 성능과 안전성을 평가할 수 있다. 세 번째로 센서 모델(Sensor Model) 모듈이 있다. 이 모듈은 자율주행 차량에 장착된 다양한 센서의 데이터를 시뮬레이션한다. 카메라, 라이다, 레이더 등의 센서가 실제 환경에서 어떻게 작동하는지를 가상으로 재현하여, 센서의 정확도와 신뢰성을 검증할 수 있다. 네 번째로 교통 모델(Traffic Model) 모듈이 있다. 이 모듈은 다양한 교통 상황을 시뮬레이션하여, 자율주행 차량이 실제 도로에서 마주할 수 있는 다양한 교통 상황을 가상으로 재현한다. 이를 통해 교통 혼잡, 돌발 상황, 보행자와의 상호작용 등을 테스트할 수 있다. 마지막으로 인터페이스(Interface) 모듈이 있다. 이 모듈은 외부 시스템과의 연동을 가능하게 하여, 다양한 테스트 시나리오와 데이터를 효율적으로 관리하고 분석할 수 있게 한다. 이를 통해 개발자가 자율주행 시스템을 더 효과적으로 개발하고 검증할 수 있다. 이 모든 구성 요소가 결합되어, 모라이 시뮬레이션 플랫폼은 자율주행 시스템의 개발, 테스트, 검증을 위한 강력한 도구로서의 역할을 수행한다.     가상환경과 현실의 차이를 최소화하기 위한 노력 모라이가 시뮬레이션 플랫폼을 구축하면서 가장 신경 썼던 부분은 현실과의 차이를 최소화하는 것이었다. 이를 위해 고충실도 시뮬레이션 환경을 제공하고, 실제 지도 데이터, 교통 데이터, 센서 데이터를 기반으로 가상과 실제 환경의 갭을 최소화하는 데 집중했다. 이를 위해 자율주행차가 실제 도로에서 맞닥뜨릴 수 있는 거의 모든 상황을 가상 환경에서 묘사할 수 있도록 다양한 요소 기술을 개발하고 있다. 이는 사람이 실제 도로에 나가지 않더라도 최대한 많은 테스트를 할 수 있도록 하기 위한 것이다. 예를 들어, 보행자 충돌 위험성 등 실제 도로에서 검증하기 어려운 시나리오를 수만 번 반복하여 테스트할 수 있다. 이를 통해 자율주행 개발 기업과 연구원들은 더욱 신뢰성과 안전성을 갖춘 검증을 할 수 있다. 또한, 가상과 실제 환경이 직접적으로 연계될 수 있도록 설계했다. 시뮬레이션이 실제 환경의 데이터와 상호작용할 수 있도록 하여, 개발자들이 현실적인 조건에서 자율주행 시스템을 테스트하고 개선할 수 있게 했다. 이와 같은 접근 방식은 실제 도로에서 발생할 수 있는 다양한 상황을 사전에 예측하고 대응하는 데 도움이 된다.   모라이 시뮬레이션 플랫폼에 대한 고객의 니즈 우선 고객사들은 현실적인 그래픽과 정밀한 도로 환경을 원했다. 자율주행 차량은 다양한 도로 상황과 환경에서 운행되므로, 시뮬레이터가 실제 도로와 유사한 환경을 재현해야 한다. 이를 통해 개발자는 도시, 고속도로, 교외 지역 등 다양한 도로 상황에서 자율주행 시스템의 성능을 테스트할 수 있다. 또한 다양한 교통 상황과 돌발 상황을 시뮬레이션할 수 있어야 했다. 교통 혼잡, 보행자와의 상호작용, 돌발적인 장애물 등 실제 도로에서 발생할 수 있는 모든 상황을 가상 환경에서 재현하여, 자율주행 시스템이 어떻게 대응하는지 평가할 수 있어야 한다. 아울러, 고객사들은 다양한 센서 데이터를 필요로 했다. 자율주행 차량은 카메라, 라이다, 레이더 등의 센서를 통해 주변 환경을 인식하기 때문에, 시뮬레이터는 이러한 센서의 데이터를 정확하게 생성하고, 실제 환경에서의 센서 성능을 재현할 수 있어야 한다.   개발 시 어려웠던 점과 해결 방법 자율주행 시뮬레이터를 개발하는 것은 다양한 기술을 통합해야 하기 때문에 많은 어려움이 따른다. 기본적으로 3D 엔진에 대한 이해도가 필요하며, 그 위에 올라가는 센서, 차량 동역학, 통신 등 각각의 모듈에 대한 깊은 이해와 적절한 통합 과정이 필요하다. 이 과정에서 각 개발자의 이해도와 전문 분야가 다르기 때문에, 이를 하나의 시뮬레이터로 통합하는 것이 가장 어려운 부분이었다. 다행히, 유니티는 이러한 다양한 요소들을 모두 통합할 수 있는 개발 환경을 제공했다. 각 모듈 개발자들이 개발할 때마다 바로 결과를 확인할 수 있었고, 다른 모듈에 대한 이해도를 높일 수 있었다. 이를 통해 각 모듈이 전체 시스템에 어떤 영향을 미치는지 파악할 수 있었고, 빠르게 개발을 진행할 수 있었다. 또한, SDV(Software Defined Vehicle : 소프트웨어 정의 차량)와 UAM 등의 복잡한 시뮬레이션 환경을 구축하는 데 있어서도 유니티의 유연한 개발 환경이 도움이 되었다. 유니티의 그래픽 엔진과 실시간 데이터 처리 능력을 활용하여 현실과 유사한 고충실도의 시뮬레이션 환경을 구현할 수 있었고, 이를 통해 다양한 테스트와 검증을 효율적으로 수행할 수 있었다.     모라이의 목표 모라이는 자율주행 시뮬레이션 시장에서 개발뿐만 아니라 검증과 인증까지 가능한 시뮬레이터를 제공하고자 한다. 앞서 설명한 대로 개발자들이 손쉽게 사용할 수 있는 가상 공간과 시뮬레이션 도구를 공급하여, 이 툴을 기반으로 빠르게 기술을 개발하고 정량적으로 시험 평가할 수 있도록 하는 것이 모라이의 목표이다. 또한, 모라이는 고객이 많은 노력을 들이지 않아도 바로 이해하고 현업에 적용할 수 있는 개발 도구를 제공하는 것을 중요하게 생각하고 있다. 이를 통해 고객은 복잡한 설정이나 학습 없이도 자율주행 기술을 개발하고 테스트할 수 있게 된다.  궁극적으로는 자율주행 자동차, UAM, 무인 로봇, 무인 선박 등 모든 무인 이동체의 기술 개발 및 통합 검증에 사용되는 도구가 되는 것이 모라이의 목표이다.  모라이의 공동설립자인 홍준 CTO는 “이 과정에서 유니티는 핵심 개발 도구로서 중요한 역할을 하고 있다. 유니티의 강력한 3D 엔진과 사용자 친화적인 인터페이스 덕분에 우리는 고품질의 시뮬레이션 환경을 빠르게 개발할 수 있다. 또한, 유니티의 지속적인 기술 지원과 업데이트는 우리가 최신 기술을 빠르게 도입하고, 고객의 요구에 맞는 기능을 신속하게 제공하는 데 큰 도움이 된다”고 전했다.     ■ 기사 내용은 PDF로도 제공됩니다.

캐드앤그래픽스 디지털 트윈 설문조사 분석   디지털 트윈 기술에 대한 관심이 국내 제조 및 엔지니어링 업계를 중심으로 높아지고 있지만, 실제 산업 현장에서는 여전히 다양한 현실적 제약에 직면해 있는 것으로 나타났다. 캐드앤그래픽스는 국내 디지털 트윈 현황을 집대성한 ‘디지털 트윈 가이드’를 발간하고, 국내 제조 및 엔지니어링 업계 관계자를 대상으로 3월 13일부터 4월 14일까지 ‘국내 디지털 트윈 현황 설문조사’를 실시했다. 총 1212명이 참여한 이번 설문조사에서는 디지털 트윈의 이해도, 적용 분야, 도입 단계, 구축 시 어려움 등 다양한 관점에서 기술의 현주소를 조망했다. 특히 디지털 트윈을 실제로 사용 중인 기업과 종사자를 대상으로 진행한 심층 조사에서는 기술 도입 과정에서의 구체적인 어려움과 향후 투자 계획 등 실질적인 인사이트가 도출됐다. ■ 최경화 국장   설문조사 개요 및 참가자 현황 이번 설문조사는 국내 제조 엔지니어링 업계 관계자 1212명을 대상으로 진행되었다. 설문 참가자들의 배경은 다양한 산업 분야에 걸쳐 있었으며, 이는 디지털 트윈 기술이 단일 산업에 국한되지 않고 여러 분야에서 관심을 받고 있음을 시사한다. 참가자들의 직무 또한 연구개발, 설계, 생산, 관리 등 다양한 영역에 분포하고 있어, 디지털 트윈 기술이 기업 내 여러 부서와 직무에 걸쳐 중요성을 인정받고 있음을 알 수 있었다. 디지털 트윈 관련 업무 분야에서도 다양한 응답이 나타나, 이 기술의 응용 범위가 넓어지고 있음을 확인할 수 있다.   주력 산업 분야 설문 응답자들의 주력 산업 분야는 ‘건축/건설/토목’(22.7%)과 ‘전기전자/하이테크/반도체’(17.9%), ‘시각화/그래픽/디자인’(14.2%) 등이 높은 비중을 차지했으며, 자동차, 플랜트 등 다양한 산업 분야가 분포되어 있음을 알 수 있다.   그림 1. 설문 응답자 현황 - 주력 산업 분야   직무 분야 설문 응답자들의 직무 분포는 ‘엔지니어’(41.2%)가 압도적으로 높은 비율을 보였고, ‘경영진/임원’(15.9%), ‘SW 개발’(14.3%) 순으로 나타나, 기술 및 관리 직무 종사자들의 높은 관심을 반영했다.   그림 2. 설문 응답자 현황 – 직무   디지털 트윈 관련 업무 분야 설문 응답자들의 디지털 트윈 관련 업무 분야에 대해서는 CAD/3D 모델링이 가장 높게 나타났고, AI/머신러닝, CAE/시뮬레이션 순으로 나타났다.    그림 3. 설문 참가자 현황 - 디지털 트윈 관련 업무 분야   국내 디지털 트윈 도입 현황 - 뜨거운 기대감과 더딘 현실 디지털 트윈 이해 수준 기술에 대한 이해 수준은 아직 부족한 것으로 나타났다. 디지털 트윈 이해 수준에 대해서는 ‘대체로 알고 있다’(36.8%)와 ‘조금 알고 있다’(37.2%)가 비슷한 비율을 보였으며, ‘매우 잘 알고 있다’ (10.4%)는 소수에 불과했다. ‘잘 모른다’(15.6%)는 응답도 상당수를 차지했다. 이는 기술에 대한 인지도는 높지만, 깊이 있는 이해와 활용 능력은 아직 부족하다는 점을 시사한다.   그림 4. 디지털 트윈에 대한 이해 수준   디지털 트윈 발전 전망 반면, 디지털 트윈의 미래에 대한 업계의 기대는 매우 컸다. 향후 디지털 트윈 발전 전망에 대한 응답에 따르면 ‘매우 중요하게 성장할 것’(66%)과 ‘다소 성장할 것’(30.5%)이라는 답변이 전체의 압도적인 대다수를 차지했다. 또한 전체 응답자의 96.5%가 기술의 중요성과 잠재력에 대해 폭넓은 공감대를 형성하고 있음을 확인시켜 주었다.   그림 5. 디지털 트윈 향후 발전 전망   디지털 트윈 사용 기업 및 도입 현황 디지털 트윈을 실제로 사용하고 있는 기업 및 유저를 대상으로 한 심층 조사에는 총 385명이 참여했다. 이들 기업의 규모는 매출액과 직원 수를 기준으로 다양하게 분포하고 있어, 디지털 트윈 기술이 대기업뿐 아니라 중소기업에서도 점차 도입되고 있음을 알 수 있다.   디지털 트윈 사용 기업 규모 디지털 트윈 사용 기업의 매출액은 5000억원 이상이 48.8%를 차지해 가장 높은 분포를 보였으며, 1000억원 이상~500억원 미만이 13.2%로 큰 기업들이 주로 관심을 가지고 있었음을 알 수 있었다. 직원 수도 5000명 이상이 32.2%로 가장 높은 수치를 차지했으며, 1000명~5000명 미만이 17.9%, 100명~500명 미만이 11.7% 순으로 나타났다.    그림 6. 디지털 트윈 사용 기업 매출액   디지털 트윈 사용 기업 적용 분야 디지털 트윈 적용 분야는 ‘제품 설계 및 시뮬레이션’(66.8%), ‘생산/제조 운영’(43.9%), 설비 모니터링 및 유지보수(39.2%) 순으로, 제품 개발과 생산 영역에 활용이 집중되는 경향을 보였다. 제조 분야에 비해서는 사용이 적지만 도시, 에너지, 교통, 물류, 의료 등 다양한 영역에서 활용되고 있음을 확인할 수 있다. 특히 제조업 분야에서는 생산 공정 최적화, 품질 관리, 설비 예지 보전 등의 목적으로 활용되고 있을 것으로 추정된다.   그림 7. 디지털 트윈 적용 분야   디지털 트윈 적용 목적 디지털 트윈을 적용하는 주요 목적은 ‘설계 최적화’(61.0%), ‘생산성 향상’(54.5%), ‘운영 효율화’(46.2%) 등 효율성 증대 관련 항목들이 우위를 점했다.   그림 8. 디지털 트윈 적용 목적   디지털 트윈 도입 단계 아직까지 디지털 트윈에 대한 관심은 높지만 실제 사용 보다는 검토 중인 기업이 많은 것으로 나타났다. 디지털 트윈 사용 기업의 도입 단계 관련 답변을 보면, ‘도입 검토 중’(43.6%)이 가장 큰 비중을 차지했다. 이어 ‘일부 시스템 도입 완료’(18.4%), ‘PoC(파일럿) 진행 중’(12.2%), ‘전사 확산 및 활용 중’은 4.2% 순으로, 본격적인 활용 단계에 진입한 기업은 소수임을 알 수 있었다. ‘도입 계획 없음’(17.9%)이라는 응답도 적지 않았다.    그림 9. 디지털 트윈 도입 단계   다양한 상용 디지털 트윈 툴 사용… 자체 개발·검토도 다수 디지털 트윈 기술의 확산과 함께, 국내 기업들이 활용 중인 디지털 트윈 소프트웨어 및 플랫폼은 매우 다양하며, 기업별로 도입 단계나 활용 수준에서도 큰 차이를 보이는 것으로 나타났다. ‘현재 사용 중인 디지털 트윈 툴’에 대한 주관식 응답 결과를 분석해 보면, 국내 산업계는 BIM 기반 플랫폼, CAE 시뮬레이션 도구, PLM 및 협업 플랫폼, 그리고 게임 엔진 기반 시각화 도구를 중심으로 디지털 트윈 기술을 도입하고 있는 것으로 나타났다. 아래 내용은 답변 내용을 중심으로 정리한 것이다.   BIM 및 설계 중심 소프트웨어의 강세 디지털 트윈 구축의 초기 단계에서 가장 두드러지는 분야는 설계 기반 모델링(BIM) 도구다. 응답자 중 상당수가 오토데스크의 레빗(Revit), 오토캐드, 시빌 3D(Civil 3D), 나비스웍스(Navisworks) 등을 사용하고 있다고 응답했다. 벤틀리 시스템즈의 아이트윈(iTwin), 트림블의 테클라(Tekla) 및 트림블 커넥트(Trimble Connect), 아비바의 아비바 E3D(AVEVA E3D) 등도 건설·플랜트 산업에서 활용하고 있다고 답변했다.   정밀 해석 기반의 시뮬레이션 툴 확산 앤시스(Ansys), 아바쿠스(Abaqus), 하이퍼웍스(HyperWorks), LS-DYNA, 시뮬링크(Simulink), 아담스(Adams), GT-스위트(GT-Suite), 플렉스심(FlexSim) 등 해석 전문 툴의 사용도 두드러졌다. 특히 제품 설계나 공정 시뮬레이션에서 정밀한 모델링이 필요한 제조업, 자동차, 중공업 분야에서는 다물리 해석 툴 기반의 디지털 트윈 구현이 주를 이뤘다.   PLM 기반 통합 디지털 플랫폼도 주목 설계-생산-운영 전 주기를 통합 관리하기 위한 PLM 기반 플랫폼도 활발히 사용되고 있다. 다쏘시스템즈의 3D익스피리언스(3DEXPERIENCE), 카티아(CATIA), 에노비아(ENOVIA), 지멘스의 NX, 팀센터(Teamcenter), 플랜트 시뮬레이션(Plant Simulation), PTC의 크레오(Creo), 윈칠(Windchill), 씽웍스(ThingWorx) 외에도 전문 툴인 비주얼컴포넌트 등은 스마트 공정 및 운영 관리까지 연계된 디지털 트윈 구현에 활용되고 있는 것으로 보인다.   게임엔진 기반 실시간 시각화 기술 부상 유니티(Unity), 언리얼 엔진(Unreal Engine), 트윈모션(Twinmotion), 엔비디아 옴니버스(Omniverse) 등 게임엔진 기반 시각화 도구는 실시간 협업과 현장 시뮬레이션에서 각광받고 있다. 특히 언리얼엔진, 유니티와 옴니버스 등은 다른 플랫폼과의 연동성을 강화해 디자인 협업 및 공정 검증에 널리 활용되고 있다.   자체 설루션 및 커스터마이징 비율도 높아 이밖에도 국산 설루션인 이에이트, 소프트힐스, 버넥트, 한국디지털트윈연구소 설루션을 이용하고 있다는 응답도 있었다. 흥미로운 점은 응답자의 상당수가 ‘인하우스 개발’ 또는 ‘자체 플랫폼’, ‘프로젝트마다 요구사항 수렴 방식’ 등의 형태로 독자적인 디지털 트윈 시스템을 운영하고 있다는 것이다. 이는 특정 상용 설루션만으로는 각기 다른 업무 흐름이나 도메인 지식을 완벽히 반영하기 어렵기 때문으로 분석된다. 또한 ‘아직 도입 예정’ 또는 ‘검토 단계’라는 응답도 적지 않아, 디지털 트윈 도입의 확산은 진행 중인 흐름임을 알 수 있다.   넘어야 할 장벽 : 현장의 목소리로 본 핵심 과제 디지털 트윈의 확산이 더딘 배경에는 공통적으로 지적된 여러 장애물이 존재했다. 특히 높은 비용과 불확실한 ROI는 가장 큰 걸림돌로 지목됐다.   디지털 트윈 시스템 구축의 어려움 디지털 트윈 사용 기업이 꼽은 구축 시 가장 큰 어려움으로 ‘초기 투자 비용’(24.4%)과 ‘전문 인력 부족’(20.5%)이 가장 높은 비율을 차지했다. 그 뒤를 이어 ‘ROI 분석의 어려움’(16.6%), ‘경영진의 이해 부족’(15.1%) 순으로 나타났다. 주관식 답변에서는 고비용의 소프트웨어, 외산 설루션 및 3D 프로그램의 높은 라이선스 비용, 디지털 전환(DX) 도입 및 유지보수 비용 과다 등 경제적 부담에 대한 토로가 많았다. 특히 기대효과가 명확해야 한다, 비용 대비 효율이 확보되지 않으면 불가능하다, 실질적인 경영 효과로 어떻게 연결되는지 의문이라며, 투자를 정당화할 명확한 성과 측정과 검증된 성공 사례 부족을 지적했다. 전문 인력 부족 문제는 교육 시스템의 부재와 연계돼 있으며, 현장에서는 관련 교육 기회가 부족하다는 지적이 많았다. 경영진의 이해 부족도 중요한 문제로 나타났다.   그림 10. 디지털 트윈 구축 시 어려움   디지털 트윈 시스템 구축 관련 투자 계획 이러한 어려움에도 불구하고, 향후 디지털 트윈에 대한 투자 의향은 비교적 긍정적이었다. 사용 기업의 향후 투자 계획을 보여주는 그래프를 보면, ‘2년 이내’(31.4%), ‘1년 이내’(19.0%), ‘6개월 이내’(11.4%) 등 2년 내 투자 계획이 있다는 응답이 전체의 61.8%를 차지했다. 반면에 ‘도입 계획 없음’(26.2%)도 상당수 있었다.   그림 11. 향후 투자 계획   미래 투자 방향과 나아갈 길 전체 응답자가 디지털 트윈 확산을 위해 가장 필요하다고 꼽은 요소를 가중치 순으로 나타낸 그래프를 보면, ‘경영진의 의지와 디지털 트윈에 대한 이해’가 다른 항목을 큰 차이로 앞서며 압도적인 1위를 차지하고 있음을 확인할 수 있다. 또한 실제 사용 기업이 겪는 어려움에서도 ‘경영진의 이해 부족’이 중요한 요인으로 드러났다. 주관식 답변에서는 ROI 증명의 어려움과 맞물려 경영진 설득의 어려움을 토로하거나, 심지어 “실제 시험을 안 해도 된다고 생각하는 경영진이 많다”는 언급까지 나와, 리더십의 인식 개선이 시급함을 알 수 있었다. 표준화의 부재 역시 반복적으로 지적되었다. 응답자들은 데이터 표준화, 3D CAD 포맷 변환, 시스템 간 호환성 부족 등을 구체적인 문제로 언급했다.   그림 12. 디지털 트윈 시스템 구축과 확대를 위해 가장 필요한 것   구체적 정보와 성공 사례의 부족 또한 큰 장벽이다. 응답자들은 산업별 사례, 성공 및 실패 경험 등을 통한 실질적 정보 공유를 절실히 요구하고 있다. 이 밖에도 데이터 확보의 어려움, 외산 소프트웨어 의존도, 기술 복잡성, 국산 소프트웨어 개발의 필요성 등이 복합적으로 언급되며, 생태계 전반에 대한 개선이 필요함을 시사했다. 따라서 성공적인 디지털 트윈 도입과 확산을 위해서는 산적한 과제를 해결하기 위한 다각적인 노력이 필요하다. 현장의 목소리와 설문 데이터는 다음과 같은 방향을 제시하고 있다. 정부의 적극적인 역할 : 중소기업 지원 확대 , R&D 지원 및 국산 소프트웨어 육성, 산업 표준화 주도, 선도적인 인프라 투자 및 정책 지원 등 정부의 체계적이고 일관성 있는 지원 정책이 요구된다. 실질적 가치 증명 및 정보 공유 : 명확한 ROI 산정 모델 개발, 산업별 성공/실패 사례 발굴 및 투명한 공유, 기술 효용성에 대한 적극적인 홍보와 교육 강화가 필요하다. 표준화 및 기술 개발 : 데이터 형식 통일, 호환성 확보 등 산업 표준을 조속히 마련하고, 사용자 편의성을 높인 기술 및 플랫폼 개발 노력이 필요하다. 인력 양성 및 생태계 조성 : 실무 중심의 교육 프로그램 개발발 및 전문가 양성 시스템 구축, 산학연관 협력 시스템 강화가 필요하다.   맺음말 : 잠재력 현실화 위한 협력과 실질적 노력 시급 이번 설문조사는 디지털 트윈에 대한 국내 산업계의 높은 관심과 함께, 도입을 가로막는 다양한 현실적 장애 요인을 통계와 목소리로 생생하게 보여준 것이라고 할 수 있다. 이 같은 결과는 국내 산업계에서 디지털 트윈 도입이 활발히 이루어지고 있으나, 여전히 도입 도구의 표준화, 조직 내 전사적 활용, 실제 업무 흐름과의 통합 등에서 과제가 많다는 점을 보여준다. 향후에는 상용 툴과 자체 개발 플랫폼 간의 융합 전략, 그리고 데이터 연동성과 유지관리 측면에서의 체계적인 접근이 더욱 중요해질 것으로 보인다. 또한 디지털 트윈이 제조업 혁신의 핵심 동력으로 자리매김하기 위해서는 산업계, 정부, 학계가 함께 협력해 실질적인 해결책을 모색하고, 지속 가능한 생태계를 조성하려는 노력이 절실하다고 할 것이다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

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.

유니티가 지난 4월 15일 글로벌 개발자 콘퍼런스인 ‘유나이트 서울 2025’를 진행했다. 2900여 명의 국내외 개발자 및 게임 업계 종사자들이 참석한 이번 행사에서 유니티는 자사의 최신 기술과 실제 적용 사례 등을 소개했다. 또한, 콘텐츠 개발을 위한 AI(인공지능) 비전과 비 게임 분야의 산업 시장을 겨냥한 전략도 밝혔다. ■ 정수진 편집장     개발 효율 향상과 커뮤니티 지원에 중점 두고 기능 개발 유니티 코리아 송민석 대표이사는 “지난 몇 년간 개발자 커뮤니티는 기술의 변화, 시장의 변화, 창작 과정의 어려움 등 많은 도전을 겪었지만, 그 과정에서 늘 새로운 가능성을 발견했다. 유니티 역시 그동안 많은 변화가 있었고, 개발자들의 격려와 조언이 큰 힘이 됐다”면서, “이번 유나이트에서는 개발자를 위한 생존 전략, 크리에이터 세션, 국내외 유니티 전문가의 기술 세션 및 다양한 산업에서 적용 가능한 기술과 사례를 제공하면서, 사용자의 프로젝트에 도움이 되고 영감을 주는 기회를 마련하고자 했다”고 전했다. 유나이트 서울 행사를 위해 처음으로 한국을 찾은 유니티의 맷 브롬버그(Matt Bromberg) CEO는 “한국은 유니티의 역사에서 매우 특별한 위치를 차지한다. 한국 개발자들이 만든 혁신적인 게임은 유니티의 가능성을 잘 보여줬다. 모바일뿐 아니라 최근 PC와 콘솔로까지 확대되는 한국 게임 개발자들의 새로운 도전은 전 세계적으로 주목받고 있다”면서 성능, 안정성, 크로스 플랫폼 지원을 더욱 강화하면서 개발자와 커뮤니티의 좋은 파트너가 되고자 한다고 밝혔다. 최신 버전인 유니티 6.1에서는 VRS(가변 레이트 셰이딩), GPU 처리 시간을 단축해 CPU 성능과의 균형을 유지하는 디퍼드+(Deffered+), 벌칸 디바이스 필터링 등의 기능을 통해 퍼포먼스 향상이 이뤄졌다. 한편, 유니티는 올해 다양한 새 기술과 고성능 기능을 제공하는 동시에 엔진의 근본적인 기술도 현대화할 예정이다. 그리고 엔진의 핵심 소스 코드에 닷넷(.NET) 프레임워크와 ECS(Entity Component System)를 적용하여 성능을 극대화하며, 콘텐츠 파이프라인도 현대화하여 개발자들이 더 빠르게 개발하고 반복 작업을 최소화할 수 있도록 지원할 계획이다. 브롬버그 CEO는 향후 개발 방향과 관련해서 새 업데이트를 출시 전 실제 환경에서 테스트한 후 제공할 것이며, 유니티 에디터 내에서 AI를 활용한 게임 개발을 지원하는 등 개발 효율을 높일 계획이라고 소개했다.   ▲ 유니티 맷 브롬버그 CEO   게임 개발 프로젝트에서 기술 검증 후 출시 전략 이와 관련해서 유니티의 애덤 스미스(Adam Smith) 엔진 부문 프로덕트 수석 부사장이 조금 더 자세히 설명했다. 그는 “유니티가 게임 개발자들로부터 가장 많이 받은 피드백은 플레이어의 경험이 더 안정적이고 뛰어나야 한다는 것이었다. 또한 개발 과정이 보다 빠르고 효율적이길 원했고, 복잡한 라이브 게임 개발에서 겪는 여러 문제들을 해결해 달라는 요청이 많았다”고 전했다. 이에 대응하기 위해 유니티는 ‘프로덕션 검증(production verification)’이라는 테스트 방식을 도입했다. 이는 실제 게임 개발 프로젝트에 최신 기술을 적용하여 검증하는 방식인데, 유니티는 몇몇 게임사와 협력해 기술 성능과 빌드 성공률을 높였다. 한편, 유니티는 코나미와 협력해 닌텐도 스위치 2용 게임인 ‘서바이벌 키즈(Survival Kids)’의 개발 과정 전반에 유니티 6 엔진을 적용했으며, 궁극적으로 게임의 기획부터 개발, 광고를 통한 수익화까지 전체 수명주기를 포괄하는 기술을 제공한다는 포부를 밝히기도 했다. 스미스 수석 부사장은 “이러한 협업과 게임 개발 경험은 유니티가 자체 기술과 서비스, 툴을 실제 개발 환경에서 테스트하고, 모든 기능이 철저히 검증되고 안정화된 상태에서 전달될 수 있도록 하는 데 목적이 있었다. 특히 애니메이션 시스템, 물리 엔진, DOTS(Data-Oriented Technology Stack) 기능의 성능과 안정성을 크게 높여 커뮤니티에 제공할 수 있게 되었다”고 전했다.   ▲ 유니티의 임원진이 참가한 기자간담회   개별 설루션 대신 AI 데이터가 모이는 플랫폼 추구 스미스 수석 부사장은 게임 및 시각 콘텐츠 개발에서 빠르게 확산되고 있는 AI와 관련한 로드맵도 소개했다. 2025년 하반기에 출시될 유니티 6.2 버전에서는 에디터 내에 직접 프롬프트 기반의 워크플로(prompt-based workflows)를 통합할 계획이다. 스미스 수석 부사장은 “반복 업무가 자동화되어 개발자들의 작업 시간을 크게 줄일 수 있고, 코드 디버깅과 C# 코드 자동 생성 기능도 추가되어 더욱 효율적인 작업 환경을 제공할 것”이라고 밝혔다. 유니티의 AI 지향점은 개발자가 워크플로의 흐름에서 벗어나지 않고, 유니티 에디터 내에서 곧바로 AI 어시스턴트의 도움을 받을 수 있도록 한다는 것이다. 유니티의 플랫폼이 생성형 AI 데이터를 수집하는 중심이 될 수 있도록 하고, 코드, 텍스처, 애니메이션 등 AI로 생성된 다양한 애셋을 손쉽게 유니티 프로젝트에 통합하고 활용할 수 있는 프레임워크를 구축하고 있다는 것이 유니티의 설명이다. 스미스 수석 부사장은 “유니티의 기존 AI 설루션인 ‘뮤즈’나 ‘센티스’의 이름은 점차 쓰이지 않게 되고, 유니티 에디터 안에 AI를 자연스럽게 통합하는 방향으로 가게 될 것”이라고 전망했다.   산업 분야를 위한 실시간 시각화 및 데이터 활용 비전 소개 유니티는 게임, 비주얼 콘텐츠뿐 아니라 다양한 산업 영역으로 실시간 3D 시각화 기술을 확장하려는 노력을 기울이고 있다. 유니티 코리아의 민경준 인더스트리 사업 본부장은 “그 동안 산업 분야의 많은 기업이 제품 설계, 디자인, 제조부터 마케팅과 운영까지 정적인 3D 모델과 전통적인 워크플로에 의존해왔지만, 기술의 융합과 비즈니스의 디지털화가 빠르게 진행되면서 기업들이 일하는 방식, 클라우드 협업, 고객과의 상호작용 방식이 근본적으로 바뀌고 있다”고 전했다. 민경준 본부장은 이런 변화의 핵심 키워드로 ‘상호작용(interactive)’과 ‘몰입(immersive)’의 두 가지를 꼽았다. 두 가지 핵심 경험을 제공하는 기업만이 디지털 전환을 성공시킬 수 있다는 것이다. 그리고 이런 혁신이 가져올 수 있는 성과로 ▲고품질의 현실감 있는 3D 모델을 활용한 디자인과 프로토타이핑 과정의 간소화 ▲복잡한 3D 애셋과 설계 파일의 효율적인 최적화 및 생산 일정과 비용의 절감 ▲현실감 있는 시뮬레이션을 통해 위험도가 높은 산업군의 직원 교육의 빠르고 안전하며 효과적인 진행 ▲마케팅부터 판매까지 전 과정에서 인터랙티브 제품 구성 도구와 가상 경험으로 고객 전환율 향상 ▲모든 고객 접점에서 인터랙티브한 3D 경험을 적용해 참여도 향상 및 브랜드 차별화 실현 등을 소개했다.   ▲ 산업 분야에서 유니티의 혁신 성과   “몰입형 혁신은 리얼타임 3D를 기반으로 실현할 수 있다”고 짚은 민경준 본부장은 “연결(Connect), 개발(Create), 배포(Deploy) 등 세 가지 핵심 기능을 중심으로 하는 유니티의 산업용 설루션은 뛰어난 시각적 인터페이스를 제공하며, 많은 기업이 유니티를 활용하여 VR, AR, XR 애플리케이션, 제조 환경의 디지털 트윈, 고품질 프로덕트 컨피규레이터 등 다양한 핵심 애플리케이션을 개발하고 있다”고 전했다. 유니티는 차량용 인포테인먼트 시스템, 디지털 클러스터, 몰입형 UX(사용자 경험) 기반의 계기판, 디지털 미디어 시스템 등이 유니티로 제작되고 있다고 소개했다. 또한 현대자동차는 유니티 기반의 디지털 트윈 기술을 물류 및 스마트 공장 프로젝트에 적용하고 있으며, LG전자는 차량용 HMI 시스템을 유니티 기반으로 개발 중이다. 산업 분야의 데이터 활용에 대해 스미스 수석 부사장은 ‘애셋 매니저(Asset Manager)’라는 클라우드 기반 툴을 통해 다양한 산업용 데이터를 워크플로에 통합할 수 있도록 지원한다. 애셋 매니저는 데이터를 시각적으로 프리뷰하는 한편, 성능을 떨어뜨리지 않고 유니티 엔진에 적합한 형태로 변환할 수 있다. 이외에도 산업 시장을 위해 꾸준한 기술 개선 및 실무에 바로 적용 가능한 설루션을 선보일 것”이라고 밝혔다.       ■ 기사 내용은 PDF로도 제공됩니다.