로코드를 활용하여 엔지니어링 데이터 분석 극대화하기 (3)   지난 호에서는 로코드 분석 솔루션인 KNIME(나임)에 대해 알아보고 전력 판매량(Electric Power Sales) 예측에 대한 따라하기를 진행해 보았다. KNIME을 통해 ‘데이터 불러오기’와 ‘데이터 병합’에 대한 분석을 진행하였다. 이를 통해 KNIME이 어떻게 동작하는지 그리고 어떻게 데이터 분석을 시작할 수 있는지 대략적으로는 파악할 수 있었을 것으로 생각하고 있다. 이번 호에서는 지난 호에 이어서 나머지 전력 판매량 예측 따라하기 부분을 완성해 보도록 하겠다.   ■ 연재순서 제1회 데이터 분석에 로코드 설루션이 필요한 이유 제2회 데이터 분석 로코드 설루션을 배워보자 Ⅰ 제3회 데이터 분석 로코드 설루션을 배워보자 Ⅱ 제4회 로코드를 활용하여 시뮬레이션 데이터 분석을 따라해 보자 제5회 데이터 분석 로코드 설루션을 클라우드로 확장해 보자   ■ 윤경렬 현대자동차 연구개발본부 책임연구원   ■ 김도희 잘레시아 DX 프로   규칙 엔진과 데이터 전처리   그림 1   우선 진행해야 할 부분은 Rule Engine(규칙 엔진)이다. Rule Engine이 무엇이고 어떤 데이터 노드인지 알아보자.   그림 2   KNIME 왼쪽 상단의 info 탭을 클릭해서 Rule Engine에 대한 설명을 찾아보도록 하자. 대략의 내용을 읽어보면 Rule Engine은 사용자가 정의할 수 있는 규칙(Rule) 목록을 설정하는 기능인데, 해당 규칙에 매칭이 이루어지면 칼럼(Column)이 새롭게 추가된다. 여기서 규칙은 해당 라인(line)별로 정의되어야 하며, 해당 칼럼은 $name$로 표현되어야 한다.   그림 3   Rule Engine을 통해 시간대별 발전량에서 발전량이 있는 경우를 1, 없는 경우를 0으로 분류하고 ‘is_y_positive’라는 칼럼을 생성하였다. Rule은 $9H$ > 0 => 1로 설정하면 되고, Append column = is_y_positive로 입력한다.   그림 4   노드를 실행(Excute)해 보면 ‘is_y_positive’라는 칼럼이 추가된 것을 알 수 있다.   그림 5   이제 is_y_positive 컬럼이 추가되었으니, 우선 발전량이 있는 경우와 없는 경우로 나누어 각각 얼마나 되는지 카운트해보자.(Value counter 노드)   그림 6   노드를 실행(Excute)해보면 <그림 7>과 같이 발전량이 없는 경우가 12건이 있고, 발전량이 있는 경우는 1448건이라는 것을 알 수 있다.   그림 7     ■ 자세한 기사 내용은 PDF로 제공됩니다.

알테어는 9월 5일 ‘2025 추계 AI 워크숍’을 진행했다. ‘엔지니어를 위한 AI’를 주제로 진행된 이번 워크숍에서 알테어는 AI를 활용해 제품 개발 프로세스를 가속화하고 의사결정의 정확성을 높이며, 지능형 디지털 트윈을 완성한다는 비전을 선보였다. 또한 AI 기반 시뮬레이션, 생성형 AI, AI 에이전트, 지식 그래프 등 최신 AI 기술의 실제 적용 사례와 활용 방안을 소개했다. ■ 정수진 편집장     한국알테어의 김도하 지사장은 개회사를 통해 AI 기술이 산업 고객의 현장에서 빠르게 내재화되며 동반 성장하고 있다면서, “이는 고객들이 명확한 비전과 단계별 로드맵을 가지고 각자의 환경에 맞춰 AI를 접목하고 있기 때문”이라고 설명했다. 또한, 국가 AI 프로젝트가 시작되어 1만 4000 장의 GPU가 1차 도입되는 등 정부가 주도하는 ‘소버린 AI’ 시대가 열리고 있는 점에 주목하면서, “AI를 통한 제조 산업의 르네상스가 도래하고 있으며, 알테어 또한 시장과 함께 성장하기 위해 준비하고 있다”고 전했다.   엔지니어링 언어를 학습하는 AI 알테어의 케샤브 선다레시(Keshav Sundaresh) 디지털 전환 총괄 시니어 디렉터는 “AI는 더 이상 개념이 아니라 실제 현장의 핵심 기술”이라면서, 엔지니어링 수명주기 전반에 걸친 로코드·고효율 AI 접근법을 구현해야 한다고 짚었다. MIT의 연구에 따르면, 기업의 생성형 AI 파일럿 프로젝트 가운데 95%가 실질적인 재무 성과를 내는 데 실패하고 있는 것으로 나타났다. 그 원인으로는 ▲특정 결과에 편중된 데이터 ▲단편적이고 사일로화된 데이터 ▲값비싼 컴퓨팅 자원 ▲도메인 지식과 AI 기술 간 격차 ▲기존 시스템과의 통합 및 신뢰성 문제 등이 꼽힌다. 선다레시 시니어 디렉터는 이런 현실적 장벽을 극복할 수 있도록 알테어와 지멘스의 기술 역량을 결합해 AI 기반의 통합 설루션 포트폴리오를 제공할 수 있다는 점을 강조했다. “제품의 요구사항 정의부터 폐기에 이르는 모든 과정에서 AI를 활용하고, 단절된 디지털 스레드를 통합하여 데이터 기반의 신속한 의사결정을 지원하겠다”는 것이다. 이를 위한 핵심 전략은 ‘AI에게 엔지니어링 및 제조의 언어’를 가르치는 것이다. 기존의 LLM(대규모 언어 모델)이 텍스트나 이미지 등 일반 데이터에 강점을 보인다면, 지멘스와 알테어는 기계 설계, 전기/전자, BOM(Bill-of-Materials), 시뮬레이션 데이터 등 산업 특화 데이터를 학습시켜 신뢰도 높은 ‘산업용 파운데이션 모델(Industrial Foundation Model)’을 구축하고 있다는 것이 선다레시 시니어 디렉터의 설명이다.   AI 확산으로 제조 혁신의 속도 높인다 AI 비전을 구체화하는 방법론으로 알테어는 ‘라이프사이클 인텔리전스(Lifecycle Intelligence)’ 프레임워크를 제시했다. 이 프레임워크는 AI 도입의 장벽을 낮추고 모든 엔지니어가 AI를 손쉽게 활용해 혁신을 가속화할 수 있도록 하는 데에 중점을 두고 있다. 선다레시 시니어 디렉터는 ▲반복 작업의 자동화 및 대규모 데이터 분석으로 인간 전문가의 역량을 강화하고 ▲기존 워크플로와 도구에 AI 기능을 통합하여, 학습 부담 없이 자연스러운 AI 활용을 도우며 ▲코딩 지식과 관계 없이 모든 사용자가 AI를 구축하고 배포할 수 있는 환경을 제공하는 세 가지 접근법을 통해 AI 도입을 가속화한다는 로드맵을 소개했다. 이 프레임워크를 활용하면 전처리 영역에서는 형상 인식 AI 기술로 부품 분류 및 군집화를 자동화하거나, 자연어 처리(NLP) 기반 코파일럿을 통해 모델 정리부터 전체 해석 설정까지 대화형으로 수행할 수 있다. 솔빙 영역에서는 기존의 시뮬레이션 데이터를 학습해 CAD 또는 메시 단계에서 물리 현상을 빠르게 예측할 수 있고, 시스템 레벨의 시뮬레이션 속도를 높일 수 있다. 후처리 영역에서는 AI가 핫스폿이나 파손 영역을 자동 식별해 결과 분석을 돕는다. 이 프레임워크의 기술적 기반은 분산된 데이터를 연결하는 ‘데이터 패브릭’과 AI 모델을 개발·운영하는 ‘AI 팩토리’의 결합이다. 선다레시 시니어 디렉터는 알테어의 데이터 분석/AI 플랫폼인 래피드마이너(RapidMiner)와 로코드 앱 개발을 지원하는 지멘스 멘딕스(Mendix)를 통해 라이프사이클 인텔리전스를 구현할 수 있다고 설명했다.     엔지니어링 AI의 혁신 동력 에이전틱 AI(Agentic AI), 지식 그래프(Knowledge Graph), 생성형 AI 등 최신 AI 기술이 R&D부터 설계와 제조까지 엔지니어링 전반의 혁신을 가속화하고 있다. 알테어는 이들 기술이 개별적으로도 강력하지만, 서로 결합하면서 데이터 기반의 신속한 의사결정을 지원하고 기존 워크플로를 지능적으로 전환하는 핵심 동력으로 작용한다고 소개했다. AI 에이전트는 사용자를 대신해 특정 목표를 이해하고 자율적으로 판단 및 실행하는 ‘지능형 디지털 대리인’이다. 단순 반복 작업을 자동화하는 것을 넘어서, 여러 에이전트가 협업하는 다중 에이전트 구조를 통해 복잡한 과업을 수행하는 것이 최근의 흐름이다. 엔지니어링 현장에도 공정 상 발생한 문제에 대해 자연어로 질문하면 해결 방법을 제시하거나, 생산 라인의 다운타임 원인을 분석하고 관련 데이터를 종합해 보고하는 등의 AI 에이전트가 도입되고 있다. 알테어는 시각적 워크플로 설계 도구를 통해 이러한 AI 에이전트를 쉽게 구축하고 AI 클라우드 프로세스와 원활하게 연결하는 방법을 제시했다. 지식 그래프는 다양한 출처(소스)에 분산된 데이터를 하나의 의미 계층(semantic layer)으로 통합해서 데이터 간의 숨겨진 관계를 파악하게 하는 기술이다. 이는 AI 모델의 가장 큰 문제점으로 꼽히는 환각(hallucination) 현상을 최소화하고, 장기적인 맥락을 이해하는 메모리로 기능하면서 신뢰성 높은 AI 에이전트를 구현할 수 있게 돕는다. 엔지니어링 분야에서 지식 그래프는 여러 AI 에이전트가 일관된 지식 베이스를 공유하게 해서 협업의 효율을 높이고, 공장 문제 해결 시 여러 데이터베이스에 동적으로 접근하여 질문에 답하는 아키텍처를 구현하는 데 쓰인다.   PLM과 AI의 시너지로 더 큰 혁신도 가능 알테어는 지난 3월 지멘스와의 합병을 완료했다. 제조 기술에 강점을 가진 지멘스와 엔지니어링 및 AI 기술에 집중해 온 알테어의 시너지에 대해, 이번 워크숍에서 한 가지 실마리를 발견할 수 있었다. 알테어는 AI와 PLM(제품 수명주기 관리)의 결합이 제조업의 패러다임을 바꿀 것으로 보았다. 한국알테어 최병희 본부장은 “많은 기업이 PLM 시스템에 제품의 설계부터 생산, 운영까지 대량의 데이터를 축적하고 있지만, 이를 제대로 활용하지 못하고 있다. 이 PLM 데이터를 AI로 분석해 기업의 핵심 자산으로 만들고, 경험에 의존하던 사후 대응 방식의 업무 환경을 미래가 예측하고 문제를 예방하는 예측 기반의 업무 환경으로 혁신할 수 있다”고 소개했다. 지멘스의 PLM 설루션인 팀센터(Teamcenter)가 제품의 모든 역사를 기록한 단일 진실 공급원(single source of truth)이라면, 알테어의 래피드마이너는 코딩 지식이 없이도 AI 모델을 개발할 수 있는 ‘똑똑한 AI 분석가’라고 할 수 있다. 두 설루션을 통합하면 래피드마이너가 팀센터의 데이터를 분석해 숨겨진 패턴과 인사이트를 찾아내고, 이를 바탕으로 미래 예측 모델을 생성할 수 있다. 그리고 이 예측 결과를 다시 팀센터에 전달해 시스템 전체가 똑똑해지는 선순환 구조를 만든다. 최종적으로는 현실을 명확히 이해하고 미래를 예측하는 ‘지능형 디지털 트윈’을 완성할 수 있다는 것이 최병희 본부장의 설명이다. 이 외에 공급망 최적화, 품질 이상의 조기 탐지, 고객 피드백의 반영 등 다양한 분야로 시너지를 확장할 수 있는 가능성도 점칠 수 있다. 최병희 본부장은 “PLM 데이터를 시작으로 ERP, MES, CRM 등 분산된 기업 데이터를 통합하면 더 큰 범위의 업무 혁신이 가능하다”고 전했다.     ■ 기사 내용은 PDF로도 제공됩니다.

  INFOWORLD    Editorial 17　AI 기반 스마트홈, 엔지니어링의 새로운 도전과 기회   Focus 18　코리아 그래픽스 2025, AI로 가속하는 산업과 크리에이티브의 변화를 짚다 24　헥사곤, 스마트 제조의 미래 비전 제시… “DX를 넘어 AX로” 26　알테어, 제조 현장의 핵심 기술로 자리 잡는 AI 비전 소개   Case Study 29　포지FX가 VR 훈련 설루션을 만드는 방법　확장현실로 건설 장비의 사용 교육과 운영 효율 강화 32　자동차 HMI 기술 브랜드 실리 아우토　언리얼 엔진으로 향상된 HMI 경험 구현   People&Company 34　앤시스 패드메쉬 맨들로이 부사장, 월트 헌 부사장, 앤시스코리아 박주일 대표　시높시스와 통합 시너지 강화… AI로 엔지니어링 혁신 이끈다 37　글로텍 이재홍 센터장, 한국철도기술연구원 박영곤 수석연구원　BIM 기반의 철도 인프라 통합 운영 설루션 연구·개발   On Air 49　캐드앤그래픽스 CNG TV 지식방송 지상중계　소버린 AI를 주도하는 6가지 코드 50　캐드앤그래픽스 CNG TV 지식방송 지상중계　미래를 여는 비즈니스 혁신 : AI 맞춤형 안경과 3D 프린팅 52　캐드앤그래픽스 CNG TV 지식방송 지상중계　설계 효율 극대화한 PTC 크레오 12.4 업데이트 54　캐드앤그래픽스 CNG TV 지식방송 지상중계　개발 기간 단축을 위한 설계자 해석 방안   New Product 40　BIM 기반 공사비 자동 산출 설루션    NaviQ v2.0 42　HP Z2 미니 G1a 리뷰　초소형 워크스테이션의 AI·3D 실전 성능 46　이달의 신제품   Column 55　디지털 지식전문가 조형식의 지식마당 / 조형식　인공지능 기술 : 도입에서 혁신으로 58　현장에서 얻은 것 No. 23 / 류용효　나만의 AI 에이전트 필살기 Ⅱ – 코드를 이해하는 기획자, 비개발자의 바이브 코딩 입문기   62　News   Directory 139　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 64　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　요구사항 기반 바이브 코딩의 사용 방법 74　새로워진 캐디안 2025 살펴보기 (11) / 최영석　유틸리티 기능 소개 Ⅸ 78　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2026 (7) / 천벼리　AI로 더욱 똑똑해진 CAD 어시스턴트, A3   Reverse Engineering 84    시점 – 사물이나 현상을 바라보는 눈 (10) / 유우식　무엇을 볼 것인가?   Mechanical 69　제조업의 미래를 위한 ZW3D 2026 / 지더블유캐드코리아　통합 3D CAD/CAM 설루션의 전략적 가치 90　제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (3) / 김주현　크레오 시뮬레이션 라이브를 활용한 제품 설계 최적화   Analysis 97　앤시스 워크벤치를 활용한 해석 성공 사례 / 한성훈　터보기기 해석을 위한 플루언트 터보 워크플로 102　최적화 문제를 통찰하기 위한 심센터 히즈 (8) / 이종학　프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 111　산업 디지털 전환을 가속화하는 버추얼 트윈 (7) / 신효주　스티뮬러스의 모델 기반 요구사항 검증 방법 116　성공적인 유동 해석을 위한 케이던스의 CFD 기술 (26) / 나인플러스IT　고충실도 제트 유동 시뮬레이션으로 항공우주 산업 혁신 120　설계, 데이터로 다시 쓰다 (1) / 최병열　DX 시대, 샌드위치로 살아남기 126　로코드를 활용하여 엔지니어링 데이터 분석 극대화하기 (3) / 윤경렬, 김도희　데이터 분석 로코드 설루션을 배워보자 Ⅱ   Manufacturing 134　자율제조를 위한 데이터 표준화와 사이버 보안 강화 전략 (1) / 차석근　제조 혁신의 열쇠, 4M2E 생산자원 데이터 표준화     2025-10-aifrom 캐드앤그래픽스     캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기

알테어가 9월 5일 서울 과학기술회관에서 ‘2025 추계 AI 워크숍’을 진행했다고 밝혔다. 2024년부터 매년 춘·추계로 진행되는 이번 행사에는 400여 명의 제조업 실무진과 산업 전문가가 참석해 인공지능(AI) 기술의 실무 적용 방안을 논의했다.   행사는 김도하 한국알테어 지사장의 개회사로 시작했으며, 이어 알테어 케샤브 선다레시 디지털 전환 총괄 시니어 디렉터가 ‘엔지니어링을 위한 라이프사이클 인텔리전스 : 로코드 고효율 접근법’을 주제로 제조업 혁신을 가속화할 수 있는 방안을 발표했다.     이후 국내 기업의 AI 활용 사례가 소개됐다. 한국항공우주산업(KAI)의 김범준 선임연구원은 ‘AI 스튜디오를 활용한 고정익 항공기 조종면 유격 검사 데이터 처리 프로그램 개발’을 발표했다. 그는 “기존에 수작업으로 진행되던 검사 데이터 처리를 자동화·표준화했으며, 노코드·로코드 기반 AI 스튜디오를 통해 코딩 지식이 없는 설계자도 데이터 분석 프로그램을 직접 개발할 수 있다”고 설명했다.   특히 이번 행사에서는 알테어와 지멘스가 제조업 분야에서 축적한 경험과 전문성을 바탕으로 디지털 전환을 가속화하는 방안이 소개됐다. 알테어의 최병희 본부장은 지멘스의 PLM(제품 수명 주기 관리)과 알테어의 AI 기술 결합 방안을 발표했으며, 지멘스 강철 전무는 제조업의 AI 도입 동향과 로코드 기반 개발 환경의 시너지 효과를 강조했다.   이 밖에도 ▲에이전틱 AI 실현을 위한 온톨로지 기반 데이터 패브릭 전략 ▲예측 AI, LLM(대형 언어 모델) 기반 생성형 AI, 지식 그래프, AI 에이전트를 통한 엔지니어링 및 제조 혁신 ▲AI 기반 HPC(고성능 컴퓨팅)로 제품 개발팀의 시장 출시 속도 가속화 등 다양한 발표가 다뤄졌다.   한국알테어의 김도하 지사장은 “올해 춘계에 이어 추계 워크숍을 개최하면서 AI 기술이 빠르게 발전하고 있을 뿐만 아니라, 국내 고객사들의 AI 적용 사례가 실제 현장에서 빠르게 확산되고 있음을 체감하고 있다”면서, “알테어는 이러한 경험을 기반으로 국내 제조업체들이 AI 도입 아이디어를 얻고 실무 혁신을 실현할 수 있도록 적극 지원하겠다”고 전했다.

로코드를 활용하여 엔지니어링 데이터 분석 극대화하기 (2)   지난 호에서는 로코드 분석 설루션이 필요한 이유에 대해 알아보았다. 또한 데이터 분석이 일반적으로 거치는 과정에 대해서도 살펴 보았는데, 이러한 과정에 파이썬(Python)과 같은 프로그래밍 언어가 활용되는 상황 또한 정리해 보았다. 이번 호에서는 로코드 분석 설루션인 KNIME(나임)에 대해 알아보고, 전력 판매량 예측에 대한 분석 과제를 따라하기 과정을 통해 완성해 보도록 하겠다.   ■ 연재순서 제1회 데이터 분석에 로코드 설루션이 필요한 이유 제2회 데이터 분석 로코드 설루션을 배워보자 Ⅰ 제3회 데이터 분석 로코드 설루션을 배워보자 Ⅱ 제4회 로코드를 활용하여 시뮬레이션 데이터 분석을 따라해 보자 제5회 데이터 분석 로코드 설루션을 클라우드로 확장해 보자   ■ 윤경렬 현대자동차 연구개발본부 책임연구원   ■ 김도희 잘레시아 DX 프로   지난 호에서 살펴본 일반적인 데이터 분석 과정은 다음과 같다.   요청 접수 → 데이터 확보 → 데이터 검토(칼럼/누락/이상치 확인) → 분석 전략 수립 → 데이터 정제 및 가공 → 분석 수행 및 시각화 → 결과 공유   이전에 강조한 바와 같이, 아무리 쉬운 코딩 언어라고 할지라도 데이터 분석을 요청받은 데이터 과학자(data scientist)가 이를 실제 업무에 적용하여 원하는 결과를 빠르고 정확하게 구현해내는 것은 어려운 일이다. 또한 코딩에 능숙한 데이터 과학자라고 해도 깃허브(Github) 및 인터넷 상에 공유된 소스코드를 다운받아 재활용 및 가공하여 사용하는 경우가 많은데, 이때 악성 코드 등에 대한 보안 이슈도 문제가 될 소지가 있다. 사실 데이터 과학자는 수학 및 통계적 지식을 활용하여 빠르게 정확하게 데이터 분석을 하고 싶은 것이고, 이를 위해 효율적인 툴을 사용하고자 한다. 우리는 이러한 현상을 극복해 나가고자 로코드 분석 설루션(low code analytics solution)을 대안으로 검토하였고, 이를 활용하여 데이터 분석을 수행해 나가는 과정을 따라가 보고자 한다. 지난 호에서 유관부서로부터 전력 판매량(electric power sales) 예측에 대한 분석 과제를 요청 받은 상태이고, 언제나처럼 기한은 촉박한 상황의 시민 데이터 과학자(citizen data scientist)로 가정하여 주어진 과제 목표를 달성하였다. 우리에게 주어진 데이터는 발전소 데이터, 기상 정보 데이터, 날짜 및 요일 데이터 등 세 가지로 이를 처리하기 위해 파이썬으로 코드를 작성한 사례를 공유하였고, 동일한 내용을 로코드 분석 설루션인 KNIME을 활용하여 처리한 사례도 공유하였다.   그림 1   이번 호에서는 KNIME에 대해 알아보고 전력 판매량 예측에 대한 분석과제를 따라하기 과정을 통해 완성해 보도록 하겠다. 우선 구글 제미나이(Google Gemini)에게 KNIME에 대한 역사와 특징에 대해 알려 달라고 해보자.(그림 2~4)   그림 2   그림 3   그림 4   가트너(Gatner)의 피어 인사이트(Peer insight) 리뷰를 확인해 보았는데, 평점(rating)이 상당히 높은 편이고 사용자의 반응도 높다는 것을 확인하였다. 또한 오픈소스 기반 소프트웨어로서 기업에서도 무료로 자유롭게 설치하여 사용할 수 있다는 측면에서(KNIME Analytics Platform) 로코드 분석 설루션으로 선택하기에 부족함이 없다는 것을 확인하였다.   그림 5   현재 KNIME은 데이터 사이언스를 위한 최적의 설루션을 위해 세 가지 서비스를 제공하고 있다. 이번 호에서는 KNIME Analytics Platform을 활용하여 전력 판매량 예측에 대한 분석 과제를 따라해보고자 한다.   그림 6     ■ 자세한 기사 내용은 PDF로 제공됩니다.

  18ㅤTheme. PLM과 AI로 가속화하는 제조 디지털 전환의 미래 Ⅱ 제조산업의 미래, 산업 AI 트렌드와 과제 / 조영임 AI 혁신을 기회로 : SAP의 통합형 PLM 전략 / 고건 미래 제조 패러다임의 전환 : SDM 기반 자율 제조의 도래 / 박한구 엔비디아 옴니버스만 가능한 디지털 트윈의 비즈니스 실현 / 김건우 패스트 포워드 디지털 전환과 제품 개발 / 윤중근 소프트웨어 정의 자동화가 바꾸는 산업의 미래 / 김건   Infoworld   Editorial 17ㅤAI 시대, 그래픽 산업과 한국 기업의 대응 전략은?   People&Company 39ㅤ헥사곤 매뉴팩처링 인텔리전스 성 브라이언 사장ㅤ시뮬레이션·디지털 트윈·AI 결합해 제품 개발의 미래 제시 42ㅤ한국기계가공학회 안동규 회장ㅤ뿌리기술로 미래 제조 혁신 이끈다   Case Study 44ㅤKAI의 언리얼 엔진 기반 차세대 시뮬레이션 에코시스템ㅤ비행 훈련부터 제품 개발·운영까지 아우르는 핵심 인프라를 목표로 47ㅤ가상 커미셔닝으로 산업 과제를 해결하는 스피라텍ㅤ개방형 커미셔닝과 협업 혁신으로 제조업을 재정의하다   Focus 50ㅤ넥스트콘 2025에서 만난 건설 디지털 전환의 미래   New Product 52ㅤ사용자 경험 혁신하는 3D CAD/CAE/CAM 소프트웨어ㅤZW3D 2026 57ㅤAI·스마트 자동화 기반의 차세대 디지털 엔지니어링 설루션ㅤ앤시스 2025 R2 60ㅤ이달의 신제품   On Air 63ㅤ캐드앤그래픽스 CNG TV 지식방송 지상중계ㅤAI로 혁신하는 3D 시각화와 산업의 미래   Column 70ㅤ디지털 지식전문가 조형식의 지식마당 / 조형식ㅤ인생 디지털 스레드 : 삶의 모든 ‘오늘’을 연결하는 새로운 패러다임 72ㅤ현장에서 얻은 것 No. 22 / 류용효ㅤ나만의 AI 에이전트 필살기 Ⅰ – 나만의 지식 지도를 그리다   64ㅤNew Books 66ㅤNews   Directory 123ㅤ국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 75ㅤ새로워진 캐디안 2025 살펴보기 (10) / 최영석ㅤ유틸리티 기능 소개 Ⅷ 78ㅤ데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2026 (6) / 천벼리ㅤ모바일 CAD 아레스 터치의 새로운 기능 116ㅤBIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱ㅤ바이브 코딩 지원 멀티 에이전트 코덱스의 사용법   Mechanical 80ㅤ제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (2) / 김성철ㅤ부품 모델링 개선 사항   Reverse Engineering 86ㅤ시점 - 사물이나 현상을 바라보는 눈 (9) / 유우식ㅤ작용, 반작용, 상호작용   Analysis 93ㅤ앤시스 워크벤치를 활용한 해석 성공 사례 / 박건ㅤ포토닉스 소자 시뮬레이션을 위한 앤시스 루메리컬 98ㅤ산업 디지털 전환을 가속화하는 버추얼 트윈 (6) / 이현충ㅤ시뮬리아 웨이브6를 활용한 환경 소음 시뮬레이션 100ㅤ로코드를 활용하여 엔지니어링 데이터 분석 극대화하기 (2) / 윤경렬, 김도희ㅤ데이터 분석 로코드 설루션을 배워보자 Ⅰ 106ㅤ최적화 문제를 통찰하기 위한 심센터 히즈 (7) / 이종학ㅤ프로세스 자동화 Ⅱ – 모터 설계 최적화 113ㅤ성공적인 유동 해석을 위한 케이던스의 CFD 기술 (25) / 나인플러스ITㅤ처리 시간이 10시간 미만인 LES 워크플로         캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기

로코드를 활용하여 엔지니어링 데이터 분석 극대화하기 (1)   이번 호부터 로코드(low code) 설루션을 활용하여 데이터 분석을 활용하는 방법에 대해 설명하고자 한다. 앞으로 4회에 걸쳐 데이터 분석을 위한 로코드 분석 설루션이 어떤 장점을 가지고 있으며 어떻게 활용될 수 있는지 살펴보고, 간단한 데이터 분석 예제를 따라해 보면서 활용하는 방법을 배워보도록 하겠다.   ■ 연재순서 제1회 데이터 분석에 로코드 설루션이 필요한 이유 제2회 데이터 분석 로코드 설루션을 배워보자 제3회 로코드를 활용하여 시뮬레이션 데이터 분석을 따라해 보자 제4회 데이터 분석 로코드 설루션을 클라우드로 확장해 보자   ■ 윤경렬 현대자동차 연구개발본부 책임연구원   ■ 김도희 잘레시아 DX 프로   머신러닝 및 딥러닝 기술의 급격한 발전에 힘입어 최근 몇 년사이에 데이터 분석 시장은 폭발적으로 성장해 왔다. 데이터의 분석을 통해서 패턴을 찾고 이를 통해 행동을 예측할 수 있는 사례는 많은 이들의 관심을 불러 일으켰고, 파이썬(Python) 언어와 관련 라이브러리의 사용법을 배우는 강좌도 덩달아 큰 인기를 누리게 되었다. 이는 지식의 저변 확대와 관련 산업의 활성화라는 측면에서 상당히 좋은 방향이지만, 실제 현장에서는 상대적으로 쉽다고 알려져 있는 파이썬 언어도 교육 강좌를 수강한 이후 막상 본인의 업무에 적용하려고 하면 적지 않은 어려움에 직면하게 된다. 이유는 파이썬 언어의 사용이 어려워서라기보다는 CDS(Citizen Data Scientist : 시민 데이터 과학자)에게는 익숙하지 않기 때문이다. 특히 프로그래밍 언어를 이용한 코딩은 텍스트에 기반한 정보이기 때문에 직관적이지 않고 시행착오를 반복해야 어느 정도 활용 레벨에 올라갈 수 있다. 최근 이러한 문제를 해결하기 위해 로코드 분석 설루션(low code analysis solution)이 대안으로 시도되고 있으며 유의미한 결과를 보여주고 있다.   일반적인 데이터 분석 과정 데이터 분석은 보통 요청을 접수하는 것부터 시작되며, 이 단계에서는 무엇을 분석해야 하는지, 분석의 목적은 무엇인지 명확히 파악하는 것이 중요하다. 분석 대상과 기대하는 결과가 정해지면 그에 필요한 관련 데이터를 확보하게 된다. 이 때 데이터는 내부 시스템, 데이터베이스, 외부 파일 등 다양한 경로를 통해 수집될 수 있다. 다음은 확보한 데이터를 개괄적으로 파악하는 과정인데, 이 때 주요 칼럼과 데이터의 값을 확인하고 누락된 값 또는 이상치가 있는지 등을 점검하게 된다. 데이터의 품질을 빠르게 진단하는 이 단계는 이후 분석의 방향에 큰 영향을 미치게 되기 때문에 아주 중요하다. 이렇게 데이터의 상태를 파악하고 난 뒤에는 분석 전략을 수립하게 되는데, 여기서는 어떤 방식으로 데이터를 다루는 것이 좋을지, 어떤 분석 기법을 적용하는 게 좋을지를 구체적으로 준비하게 된다. 세 번째 단계로는 그 동안 수립한 분석 계획에 따라 본격적인 데이터 정제 작업을 시작하게 된다. 구체적으로는 전처리, 필터링, 파생 변수 생성 등의 작업을 포함하여 분석에 적합한 형태로 데이터를 정돈하는 단계로 볼 수 있다. 다음은 실제 분석을 수행하고 필요한 시각화를 통해 인사이트를 도출하는 것으로 통계 분석, 머신러닝 모델링, 상관관계 파악 등 다양한 방법이 이 부분에 포함된다. 마지막으로 분석 결과는 보고서 형태로 문서화하거나 대시보드로 시각화하여 공유되며, 이는 분석 요청자 또는 조직 내 이해관계자가 쉽게 결과를 활용하여 의사결정을 수행하도록 지원할 수 있다. 요청 접수 → 데이터 확보 → 데이터 검토(칼럼/누락/이상치 확인) → 분석 전략 수립 → 데이터 정제 및 가공 → 분석 수행 및 시각화 → 결과 공유   파이썬 코딩과 로코드 기반 분석의 비교 이제부터 본격적으로 데이터 분석을 진행하기 위해, 우리는 데이터 분석에 대한 요청을 받은 CDS라고 가정을 해 보자. 우리는 유관부서로부터 전력 판매량(Electric Power Sales) 예측에 대한 분석을 요청 받은 상태이고, 언제나처럼 기한은 촉박한 상황이다. 우리에게 주어진 데이터는 발전소 데이터, 기상 정보 데이터, 날짜 및 요일 데이터 등 세 가지로 다행스럽게도 소스 데이터는 엑셀 형태로 정리되어 입수한 상태이다. 우선 ‘발전소 데이터’를 살펴 보면 일자별로 특정 발전소에서 일일 발전량이 자세하게 표시되어 있다. 결국 첫 번째 데이터는 Electricity_sales로, 발전소 명칭, 측정 일자(년, 월, 일), 시간대별 전력 판매량으로 구성되어 있는데 이는 머신러닝에서 예측하게 될 Y값(종속변수)이 포함된 핵심 데이터 영역이다.   그림 1. 발전소 데이터   다음은 ‘기상 정보 데이터’로 일자별로 특정 지역의 날씨 정보가 정리되어 있다. 발전소 위치에 따른 기상 정보로 일시, 평균기온, 강수량, 풍속, 습도, 일사량 등의 정보가 담겨 있다.    그림 2. 기상 정보 데이터   마지막으로 ‘날짜 및 요일 데이터’는 일자별로 요일을 숫자로 매핑한 데이터이다. 날짜 데이터에 매핑 가능한 공휴일 정보가 담겨 있는 데이터 영역이다.   그림 3. 날짜 및 요일 데이터   결국 요청 받은 데이터 분석을 완료하기 위해서는 입수한 데이터에 전처리를 수행하고 이를 기반으로 다중 회귀 분석을 수행하여 머신러닝 예측 모델을 구성해야 한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

디지털 전환의 잠재력을 실현하는 메타버스 기술   이번 호에서는 산업 분야 메타버스의 발전을 이끄는 요인과 그 잠재력에 대해 알아보고, 디지털 전환의 중요성과 이를 실현하는 기술을 살펴보고자 한다. 또한, 실제 성공 사례를 통해 산업 분야 메타버스를 즉시 시작해야 하는 세 가지 이유를 제시한다. ■ 자료 제공 : 유니티 코리아     메타버스는 주로 게임, 엔터테인먼트, 소셜 네트워크, 가상 경제 같은 소비자 지향적 활동을 위해 구상되었으며, 현재 로블록스(Roblox), 디센트럴랜드(Decentraland), 호라이즌 월즈(Horizon Worlds) 등의 플랫폼에서 관련 콘텐츠를 찾아볼 수 있다. 반면에 제조, 자동차, 물류 등의 산업 분야에서는 효율과 생산성, 혁신 등에 메타버스를 응용하는 방안을 주목한다. 산업 분야의 메타버스는 디지털 트윈, 시뮬레이션, 실시간 협업 등의 툴을 통합하여 운영과 설계, 교육을 개선한다. 유니티의 헤닝 린(Henning Linn) 인더스트리 고객 성공 담당 시니어 디렉터는 “산업 분야 메타버스는 데이터 연결성과 접근성을 새로운 차원으로 인도하며, 가속화된 연결을 통해 한 시스템에서 다른 시스템으로 데이터를 전송하는 방식을 개선한다”고 전했다.   든든한 토대를 마련하는 산업 분야 메타버스 산업 분야 메타버스는 몰입형 3D 기술과 실제 기업용 애플리케이션을 혼합하는 방법이다. 주된 용도는 비즈니스의 내부 프로세스에 사용하거나 고객의 참여를 유도하는 것이다. 산업 분야 메타버스는 기업에게 디지털 작업 공간이 되며, 현실 공간에서 써야 할 시간이나 비용을 절약하면서 테스트와 디자인을 거쳐 운용 방안을 개선할 수 있다. 공장, 기계 또는 시스템의 첨단 디지털 시뮬레이션, 즉 가상의 모형이 생긴다고 생각해 보자. 디지털 3D 공간에서 여러 팀이 협력하여 문제를 해결하고 작업자를 교육하거나 프로세스를 최적화할 수 있다. 산업 분야 메타버스는 형태나 규모의 제약에서 벗어나 제품을 선보일 수 있는 가상 쇼케이스가 되기도 하며, 한층 새로운 수준으로 고객의 참여를 유도하는 수단이 되기도 한다. 고객이 어디서나 가상 환경을 통해 제품을 체험할 수 있는 몰입형 플랫폼을 제공할 수 있으므로 참여도와 구매 가능성이 높아진다. 산업 분야 메타버스에서는 VR(가상현실), AR(증강현실), XR(확장현실) 같은 툴을 사용하여 이러한 가상 세계에 몰입할 수 있는 환경을 제공한다. 그 기반이 되는 실시간 3D 기술을 활용해 센서, IoT(사물인터넷), 글로벌 제품 카탈로그, 소재 정보를 비롯한 현실 세계의 데이터를 연동할 수 있다. 이 모든 것을 하나로 엮으면 실시간으로 가상 세계에서 환경이나 제품을 정확하게 표현할 수 있다. 산업 분야 메타버스를 통해 몰입형 3D 기술을 실제 정보와 결합하면 더 스마트하게 작업하고, 비용을 절감하며, 고객 참여를 유도하고, 보다 안전하고 신속하게 의사 결정을 내리는 데 도움이 된다.   산업 분야 메타버스에 대한 주목도가 높아지는 이유 PwC의 2024년 운영 디지털 트렌드 설문 조사에 따르면, 운영 및 공급망을 담당하는 임원 10명 중 거의 7명(69%)은 기술 투자가 전반적으로 기대치를 충족하지 못한다고 답했다. 산업 분야의 기업들은 다음과 같은 과제에 직면하고 있다.  빠르게 변화하는 시장에 대응 : 기술과 비즈니스 모델은 빠르게 발전하고 있으며, 산업 분야의 기업은 경쟁력을 유지하기 위해 미래를 향한 비전을 제시하고 새로운 기술에 투자해야 한다. 분산된 조직 간 협업 및 전략적 의사 결정 지원 : 인력은 다양한 지역과 시간대에 흩어져 있으며, 직원과 임원 모두 저마다 시간대가 달라 협업하기가 쉽지 않다. 전사적 차원에서 단절된 데이터 파악 : 그 어느 때보다 많은 데이터가 디지털화되고 클라우드에 저장되어 접근성이 높아졌지만, 대부분의 조직에서 데이터는 여전히 상당 부분 고립되어 있다. 사용자가 데이터와 상호 작용하고 데이터를 이해할 수 있도록 지원 : 복잡한 데이터 세트를 다른 데이터 세트와 통합하고, 사람들이 그 안에 담긴 맥락과 의미를 파악할 수 있도록 데이터를 시각화해야 한다.   산업 분야 메타버스가 지닌 혁신적인 잠재력 산업 분야 메타버스가 다양한 유형의 비즈니스에 적합한 이유는 무엇일까? 교육, 고객 경험, 협업 툴, 영업 및 마케팅 실무와 같은 실질적인 응용 사례에 집중하면 그 가능성은 무궁무진하다. 몇 가지 가능한 사례를 살펴보겠다.   운영 프로세스 간소화 목표 : 기존 프로세스, 워크플로, 시스템을 진단한다. 응용 사례 : 정유소에서 공장 전체의 디지털 트윈을 제작한다. 유지 관리 담당자는 가상 환경에서 디지털 트윈을 탐색하고, 그 구성 요소와 상호 작용하고, 유지 관리 작업을 시뮬레이션할 수 있다. 여기에는 마모된 부분이 있는지 파악하고, 수리 절차를 계획하고, 모든 안전 프로토콜이 준수되었는지 확인하는 작업이 포함된다. 장점 : 더 효과적으로 계획을 수립하고 휴먼 에러를 줄일 수 있으므로 유지 관리 다운타임 및 비용이 대폭 감소한다.   비즈니스 모델 전환 목표 : 기존 비즈니스 모델에서 더 혁신적인 모델로 전환 응용 사례 : 중장비 제조업체가 PaaS(Product-as-a-Service) 모델로 전환한다. PaaS 모델을 도입하면 고객은 제품 사용 비용을 한 번에 전부 지불하는 대신 사용한 만큼만 지불하면 된다. 기업은 장비의 디지털 트윈을 구축하고 실제 기계의 IoT 센서와 동기화함으로써 성능, 사용량, 마모 관련 데이터에 액세스할 수 있다. 고객은 장비를 구매하지 않고 사용량(예 : 작동 시간, 생산 산출량)을 기준으로 요금을 납부할 수 있다. 장점 : 제조업체는 PaaS 모델을 통해 반복적인 수입이 발생하는 새로운 수익원을 창출하여 재무적 예측 가능성을 높일 수 있다.   업종 전환 목표 : 새로운 지역, 업종 또는 프로젝트 모색 응용 사례 : 건설 회사가 디지털 기술을 사용해 건물의 설계, 건축, 관리 방식을 혁신하는 3D 프로젝트 모델을 구축함으로써 효율성과 지속 가능성, 비용 절감을 전체적으로 개선한다. 장점 : 실제 건설을 시작하기 전에 잠재적인 문제를 탐지하면 비용을 절감하고, 오류를 최소화하며, 프로젝트 일정을 줄일 수 있다.   인력과 조직 문화의 변화 목표 : 직원의 협업과 혁신을 촉진하고 민첩성 강화 응용 사례 : 다양한 지역에 떨어져 있는 여러 팀이 마치 같은 현장에 있는 것처럼 서로 보고 들을 수 있는 가상 3D 회의실에서 실시간으로 협업하고, 다 함께 제품의 3D 디지털 버전을 검토한다. 장점 : 직원 간의 커뮤니케이션을 개선하고, 더욱 빠르게 의사 결정을 내리고, 프로젝트를 완료하는 데 걸리는 시간을 단축한다.   고객과 파트너의 경험 혁신 목표 : 고객에게 더 흥미로운 경험 제공 응용 사례 : 자동차 제조업체가 고객에게 집에서 차량을 자세히 살펴보고 원하는 대로 커스터마이즈해 볼 수 있는 3D 가상 쇼룸을 제공한다. 고객은 실시간으로 차량의 기능을 사용해 보고, 차량의 색상, 인테리어 옵션, 액세서리를 변경하고, 모든 각도에서 변경에 따른 차이를 확인할 수 있다. 장점 : 자동차 제조업체는 고객이 더욱 많은 정보를 바탕으로 의사 결정을 내릴 수 있도록 도와주며, 고객 만족도와 참여 수준이 높아진다.   디지털 전환이 중요한 이유 기업이 소프트웨어와 전자 제품을 통해 기능과 사용자 경험을 개선할 방안을 모색하는 한편 지속 가능한 설루션에 대한 관심이 증가함에 따라, 많은 산업 분야에서 스마트 제품과 커넥티드 제품이 점점 더 다양하게 보급되고 있다. 공급망 관리, 인력 역학, 지속 가능한 혁신을 둘러싼 과제들로 인해 불확실성이 늘어나지만, 동시에 창의적인 솔루션을 통해 기업이 경쟁 우위를 확보할 기회가 생겨나기도 한다. 이러한 압박과 어려움으로 인해 기업은 운영 방식뿐 아니라 시장에 출시하는 제품과 서비스도 혁신해야 하는 상황에 놓였다. 실시간 3D 렌더링, AI, 클라우드 컴퓨팅이 발전하면서 산업 분야 메타버스에는 새로운 길이 열렸다. 미래의 성공을 위해 기업은 더 탄력적이고 민첩해져야 하며, 역동적으로 변하는 환경에 대한 적응력을 높여야 한다. 그러려면 디지털 전환과 산업 분야 메타버스를 핵심 요소로 채택해야 한다. 린 시니어 디렉터는 “데이터가 디지털화되었다고 해서 연동되었다는 것은 아니다. 예를 들면 제품의 동작을 설명하는 데이터라고 하더라도 제품 데이터와는 연동되지 않을 수 있다. 동작을 시뮬레이션하려면 수동으로 데이터를 연결해야 한다. 산업 분야 메타버스는 데이터 사일로(silo)를 연결하며, 이는 디지털 전환을 통해 실현할 수 있다”고 짚었다.   실시간 3D : 산업 분야 메타버스의 기반 기술 현재 디지털 전환을 시작하는 조직에 중요한 혁신 중 하나는 바로 실시간 3D이다. 실시간 3D는 컴퓨터로 생성되어 단순히 보는 것에 그치지 않고, 직접 체험할 수 있는 3D 이미지를 만들고 표시하는 기술이다. 그 이름에서 알 수 있듯이 이 이미지는 실시간으로 업데이트된다. 즉, 사용자의 행동에 따라 바로 바뀌는 것이다. 실시간 3D는 원래 비디오 게임을 제작하기 위해 개발되었지만 이제는 산업 분야에서도 널리 응용되고 있으며, 가상 세계가 사용자 행동에 즉각적으로 반응하는 몰입형 인터랙티브 경험의 근간이 된다.   검증된 실시간 3D 응용 사례 고도로 발전한 고성능 실시간 3D 기술은 이미 존재한다. 제조업체, 사치품 소매 업체, 자동차 제조 업체 등 다양한 기업들이 이미 실시간 3D 기술을 활용하고 있다. 다음은 몇 가지 예시이다.   단일 에셋 라이브러리로 XR 제작 과정을 간소화 글로벌 과학 및 임상 연구 회사인 써모피셔사이언티픽(Thermo Fisher Scientific)은 디지털 트윈, 영업 지원, 교육, 기능성 게임 같은 설루션을 제공하기 위해 단일 소스의 3D 애셋을 활용하는 XR 기반 플랫폼을 구축했다. 이 XR 플랫폼의 성과는 다음과 같다. 애셋 파이프라인 효율 250% 향상 로코드/노코드 비주얼 스크립팅을 통한 개발 시간 단축   ▲ 이미지 출처 : 써모피셔사이언티픽   사이버 공간에 오프라인 매장 경험을 구현 파리의 럭셔리 가죽 제품 브랜드 카뮤포네(Camille Fournet)는 섬세한 디자인과 장인 정신으로 잘 알려져 있지만, 실시간 3D를 사용하여 고객의 경험을 향상하는 데 앞장선 브랜드이기도 하다. 이 기업에서는 고객이 매장에서 누리는 럭셔리한 경험을 온라인에도 똑같이 제공하고자 했다. 유니티를 기반으로 스마트픽셀(SmartPixels)에서 제작한 실시간 3D 제품 컨피규레이터 덕분에 카뮤포네는 다음과 같은 성과를 거뒀다. 탐색에서 구매로 이어지는 전환 수 5배 증가 고객 참여도 66% 상승   ▲ 이미지 출처 : 스마트픽셀   교육 비용을 절감 칼스 주니어(Carl’s Jr.)는 미국에 뿌리를 둔 패스트푸드 체인으로, 30개국에서 1100개가 넘는 식당을 운영한다. 만 명에 달하는 직원 대부분이 서로 멀리 떨어져 다양한 지역에서 근무하고 있다. 안전, 위생 및 고객 서비스에 대한 높은 기준을 유지하려면 지속적이고 일관된 신입 직원 교육이 필수이다. 칼스주니어는 AR 기반의 자기 주도형 인력 교육을 통해 다음과 같은 성과를 달성했다. 교육 비용 73% 절감 고객 만족도 43% 증가   ▲ 이미지 출처 : 비저너리스 777(Visionaries 777)   지금 산업 분야 메타버스를 시작해야 하는 세 가지 이유 디지털 기술은 빠르게 발전하고 있다. 산업 분야의 기업이 뒤처지지 않으려면 더 전략적으로, 더 장기적인 관점에서 변화를 예측해야 한다. 경쟁력 확보 : 경쟁 업체는 이미 실시간 3D를 활용할 방법을 모색하고 있고, 움직임이 더딘 조직을 빠르게 앞지를 것이다. 실시간 3D에 대한 고객의 수요와 기대치가 모두 증가하고 있으며, 고객이 원하는 것을 제공하지 않는 조직은 고객 이탈을 겪게 될 것이다. 인재 확보 : 최고의 인재, 특히 기술 인력은 늘 부족하며 수요가 많다. 새로운 기술을 도입하여 디지털 전환을 추진하는 기업은 기술 커뮤니티의 이목을 끌 수 있다. 혁신 실현 : 복잡한 3D 데이터에 대한 보편적인 액세스 권한을 제공하고 전 세계의 관계자가 협업할 수 있도록 지원하면 작업자가 더욱 생산적이고 효과적인 동시에 보다 빠르게 작업할 수 있다.   향후 전망 살펴보기 기술의 융합 그 자체인 산업 분야 메타버스의 목표는 가상 세계와 증강현실을 서로 연결하는 것이다. 유연함이라는 본질 덕분에 기술과 활용 사례가 발전함에 따라 그 정의도 계속 변화할 것이다. 기업은 IoT, AI, XR 같은 디지털 전환 툴을 연동하여 공장, 공급망, 제품을 세밀한 부분까지 그대로 재현함으로써 몰입도 높은 산업 분야 메타버스 애플리케이션을 제작할 수 있다. 이 가상 모형은 실시간 모니터링, 예측형 유지 관리, 시나리오 테스트, 교육, 협업 등을 가능케 한다. 결론적으로, 산업 분야 메타버스는 기존 프로세스를 개선하는 것을 넘어서 더욱 민첩하고 지속 가능하며 혁신적인 산업으로 향하는 혁신의 기틀이 되고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.