오라클이 아마존웹서비스(AWS)와 협력하여 오라클 AI 데이터베이스@AWS(Oracle AI Database@AWS) 서비스를 국내 고객에게 공식 제공한다고 밝혔다. 이번 서비스는 AWS의 서울 리전에서 출시되었으며, 국내 기업은 AWS 내 오라클 클라우드 인프라스트럭처(OCI) 전용 인프라에서 오라클 엑사데이터 데이터베이스 서비스와 오라클 자율운영 AI 데이터베이스 등을 운영할 수 있다. 이번 서비스 출시로 기업은 기존 온프레미스 환경에서 운영하던 오라클 워크로드를 큰 변경 없이 AWS로 옮길 수 있게 되었다. 오라클은 “온프레미스와 동일한 기능과 성능을 제공하여 클라우드 전환 과정에서의 복잡성을 줄였다”고 설명한다. 또한 오라클과 AWS 사이의 데이터를 통합하는 제로 ETL 기능을 통해 아마존 베드록과 같은 생성형 AI 서비스와 고급 분석 도구를 쉽게 활용할 수 있는 환경을 마련했다. 전국 1380여 개 매장을 운영하는 뷰티 및 웰니스 리테일 기업인 CJ올리브영은 이 서비스를 활용해 핵심 워크로드를 AWS 내 오라클 데이터베이스 서비스로 이전하고 있다. CJ올리브영 박원호 팀장은 “오라클 AI 데이터베이스@AWS는 핵심 워크로드를 클라우드로 옮기는 손쉬운 경로를 제공한다”면서, “아마존 베드록 등 AWS의 인공지능 서비스와 통합해 비즈니스 성과를 높일 수 있을 것으로 기대한다”고 말했다.     한국오라클 김성하 사장은 이번 출시가 국내 기업의 미션 크리티컬 워크로드 현대화와 AI 혁신 수요에 대응하기 위한 것이라고 설명했다. AWS코리아 함기호 대표 또한 국내 기업이 애플리케이션 재설계 없이 오라클 워크로드를 클라우드로 이전하고 보안성과 확장성을 누릴 수 있게 되었다고 덧붙였다. 고객은 AWS 마켓플레이스에서 서비스를 직접 구매하거나 유클릭, 에티버스와 같은 공인 채널 파트너를 통해 이용할 수 있다. 유클릭 김철 대표와 에티버스 정인성 대표는 이번 서비스가 고객의 AI 기반 혁신을 가속화하고 운영을 간소화하는 중요한 기점이 될 것이라고 강조했다. 이번 서울 리전 출시는 기존 도쿄, 시드니, 런던 등 11개 리전에 이은 확장이다. 오라클과 AWS는 앞으로 싱가포르, 오사카, 파리 등 10개 리전으로 서비스 범위를 더욱 넓힐 계획이다.

한국오라클이 2월 3일 연례 콘퍼런스인 ‘오라클 AI 서밋(Oracle AI Summit) 2026’을 열고, 데이터와 AI의 결합을 통한 기업의 생존 및 성장 전략을 제시했다. 오라클은 AI 벡터 검색 기능이 통합된 데이터베이스 새 버전을 선보이면서, 복잡한 데이터를 의미론적으로 분석하고 검색 증강 생성(RAG) 기술을 효율적으로 구현하는 방안을 설명했다. 또한 스스로 계획하고 행동하는 에이전틱 AI(agentic AI)와 데이터베이스 관리를 돕는 AI 어시스턴트의 도입을 강조했다. 오라클은 자사의 융합형 아키텍처를 앞세워 기업의 현대적인 AI 기반 비즈니스 환경을 지원할 예정이다. ■ 정수진 편집장     AI의 핵심은 데이터, 데이터와 AI의 통합은 필연 오라클은 기업이 AI를 활용해 성과를 얻기 위해 가장 핵심이면서 중요한 요소로 ‘데이터’를 내세운다. AI가 기업 데이터 관리의 패러다임을 재편하는 필수 요소가 되면서, 오라클은 ‘AI와 데이터가 초기 설계 단계부터 함께 구축’되어야 한다고 강조했다. 오라클은 기업이 특정 부서의 업무를 향상시키는 데에는 AI를 잘 활용하고 있지만, 이를 전사 업무 프로세스의 향상으로 확장하는 데에는 어려움을 겪고 있는 것으로 보고 있다. 오라클의 티르탄카르 라히리(Tirthankar Lahiri) 미션 크리티컬 데이터 및 AI 엔진 부문 수석 부사장은 그 핵심 원인에 대해 조직 내 데이터가 분산(silo)되어 있기 때문이라고 짚으면서, “융합형 데이터 플랫폼을 통해 데이터 접근성을 통합해야 실질적인 AI 비즈니스 성과를 낼 수 있다”고 전했다. AI를 활용해 기업 비즈니스와 관련된 질문에 대해 답을 얻으려면, 질문과 관련해서 적절한 기업 내부의 데이터를 AI에 제공해야 한다. AI는 제공받은 비즈니스 데이터와 자체 지식, 그리고 공개된 외부 데이터를 결합하여 보다 정확한 결과를 생성할 수 있다. 오라클이 데이터의 중요성을 강조하는 이유가 여기에 있다. 한편으로, 복잡성을 줄이고 AI 기능의 신뢰도를 높이는 것도 중요하다. 분산된 기술이나 개별 제품을 단순히 이어 붙이는 방식은 복잡성과 비용을 키울 수밖에 없다. 오라클은 데이터가 위치한 곳에 AI를 직접 내재화하여 통합 설계하면, 시스템 운영이 단순해지고 기업이 신뢰할 수 있는 빠르고 일관된 AI 혁신이 가능해진다고 보고 있다.   AI를 위한 통합 아키텍처로 차세대 혁신 지원 AI를 위한 오라클의 데이터 전략은 ‘데이터 혁신을 위한 AI(AI for Data)’로 요약할 수 있다. 이 전략은 단순히 AI 기술을 덧붙이는 것이 아니라, AI를 데이터 플랫폼의 가장 핵심적인 부분에 내재화해서, 기업이 AI 리더로 도약하고 새로운 환경에서 번영할 수 있도록 돕는 데 초점을 맞춘다. 오라클 데이터 전략의 주된 방향은 ▲AI, 데이터, 애플리케이션 개발, 그리고 개방형 표준의 통합 구축 ▲개방형 표준에 기반한 융합형 아키텍처로 모든 데이터 유형과 워크로드를 일관된 플랫폼에서 결합하고 탐색할 수 있도록 지원 ▲데이터 사일로 현상을 해결하기 위해, 데이터, AI 모델, 실행 과정을 하나로 아우르는 단일 프레임워크 제공 ▲자체 LLM뿐 아니라 xAI, 구글, 메타, 코히어, 오픈AI 등의 AI 모델을 오라클 인프라 내에 자동으로 임베디드하고 유연하게 수용 ▲기업의 내부 프라이빗 데이터가 보호받을 수 있도록 거버넌스, 프라이버시, 보안을 최우선으로 고려하는 것이다. 오라클은 이런 전략이 집약된 차세대 AI 네이티브 데이터베이스인 ‘오라클 AI 데이터베이스 26ai’를 통해, 기업들이 경쟁사보다 한발 앞서 비즈니스 인사이트를 얻고 생산성 혁신을 달성할 수 있도록 돕는다는 계획이다.   AI 네이티브를 강조한 오라클 데이터베이스 26ai 오라클 AI 데이터베이스 26ai의 핵심 기능은 다음과 같다. 통합 AI 벡터 검색 : 문서, 이미지, 동영상, 관계형 데이터 등 다양한 형태의 데이터를 의미와 맥락을 나타내는 ‘AI 벡터(vector)’로 변환해서 처리한다. 이를 통해 일치하는 값을 찾는 것을 넘어, 의미적 유사성을 기반으로 밀리초(ms) 단위의 고속 검색을 제공한다. 단일 SQL문을 통한 RAG 파이프라인 통합 : AI 벡터 검색으로 찾은 기업 내부 데이터를 LLM과 결합하여 정확하고 맥락에 맞는 답변을 도출하는 RAG(검색 증강 생성) 기능을 지원한다. 또한, 복잡한 RAG 전체 파이프라인을 단일 SQL 구문이나 데이터베이스 API를 통해 간편하게 실행할 수 있다. 데이터베이스 내 에이전틱 AI(agentic AI) 직접 통합 : AI 에이전트를 데이터베이스 내부에 직접 통합 및 설계해서 기업이 쉽고 안전하게 구축, 배포, 관리할 수 있도록 지원한다. 기업의 내부 프라이빗 데이터는 물론 웹 검색 등 외부 공개 데이터까지 결합해서 수준 높은 답변을 제공할 수 있다. AI를 위한 데이터 주석 기능 : AI가 데이터의 의미를 잘못 유추하지 않도록, 사용자가 테이블이나 컬럼의 의미와 용도를 LLM에게 명시적으로 설명해 줄 수 있는 주석(annotations) 기능을 제공한다. 이는 LLM이 더 우수한 결과물을 생성하도록 돕는다. 모든 데이터 유형의 통합 검색 : AI 벡터 검색 기능은 전통적인 관계형 데이터뿐만 아니라 텍스트, 공간, JSON, XML 데이터 등 모든 종류의 데이터 검색과 매끄럽게 결합되어 통합적인 데이터 탐색 환경을 제공한다.   데이터 중심 AI로 엔터프라이즈 혁신 돕는다 오라클은 개방형 생태계를 기반으로 하는 ‘기업용 맞춤형 AI’를 제공하면서, 기업 내부 데이터의 거버넌스, 프라이버시, 보안을 요구하는 엔터프라이즈 환경에 최적화된 AI 접근 방식을 내세운다. 한국오라클의 김성하 사장은 “오라클은 ‘데이터베이스 기업’이라는 기존의 인식에서 벗어나 ‘데이터 중심의 AI 플랫폼 기업’으로서 입지를 굳히고, 엔터프라이즈 클라우드 시장 점유율을 높이고자 한다”면서, 국내 시장 전략을 소개했다. 한국오라클은 OCI(오라클 클라우드 인프라스트럭처)의 성능과 안정성, 비용 효율에 대한 고객의 신뢰를 바탕으로, 기업의 핵심적인 기간계 업무를 클라우드로 전환하는 데 집중하고 있다. 오라클에 따르면, POC를 넘어 실질적인 클라우드 소비가 전년 대비 2025년 두 배 이상 증가했으며, 비 오라클 데이터베이스 워크로드의 클라우드 전환도 확대하고 있다. 오라클은 국내 2곳의 퍼블릭 클라우드 리전(데이터센터)을 안정적으로 운영하면서 지속적인 성장 발판을 마련했다고 보고 있다. 또한 고객이 자체 데이터센터 내에서 오라클 클라우드를 사용할 수 있도록 지원하는 전용 리전(Dedicated Region Cloud@ Customer)를 국내 세 곳의 고객사에 구축·운영하는 등 고객 맞춤형 인프라 전략을 전개 중이다. 김성하 사장은 “올 상반기 국내 AWS 데이터센터에 오라클의 고성능 데이터베이스 머신인 엑사데이터(Exadata)를 배치할 예정이다. 이는 핵심 데이터베이스를 안전하게 운용하고자 하는 금융권 및 대형 엔터프라이즈 고객의 멀티 클라우드 도입 수요를 흡수하기 위한 전략”이라고 소개했다. 이와 함께, 오라클은 국내 AI 시장을 선도할 유망 스타트업이 OCI를 기반으로 성장할 수 있도록 협력 및 지원을 이어갈 예정이다. 이런 노력을 통해 국내 AI 혁신 고객 사례를 늘려가겠다는 것이 오라클의 계획이다.       ■ 기사 내용은 PDF로도 제공됩니다.

디지털 지식전문가 조형식의 지식마당   최근 인공지능이 우리 삶의 모든 면을 급격하게 변화시키고 있다. 혹자는 이것을 인공지능 전환(AI transformation 또는 AX)이라고 말한다. 그러나 실상은 그 이상이다. 디지털 전환(digital transformation : DX)이 본격적으로 시작한 것도 몇 년 되지 않았는데 다시 인공지능 전환이라니, 대부분 정보기술 분야의 이해당사자들은 당혹스럽다. 디지털 전환의 시대에 정보기술 분야에 일하는 사람들은 약간 안도했을 수도 있다. 이것은 정보화에서 디지털 기술의 심화가 디지털 전환으로 받아들였기 때문이다. 그러나 인공지능 전환은 조금 결이 다르다는 것을 느낄 것이다. 초기에는 빅데이터 분석(big data analytics)과 머신러닝은 연결고리가 있었다. 또한 CAD/CAM/CAE 분야와 시뮬레이션(simulation) 그리고 디지털 트윈(digital twin)도 연결고리가 있다. 이 모든 패러다임의 데이터 기반(datadriven)과 폐쇄형 시스템(closed system)이라는 패러다임을 공유한다. 다시 말해서 데이터 수집(data collection)이 중요하고 데이터 정의(data definition)가 핵심이다.  그러나 인간의 사고를 흉내내는 언어 중심의 인공지능에서 의사결정 구조에서 맥락(context)이 없는 데이터는 경직되고 의사결정에서 쓸모 없는 경우가 많다. 기업의 경쟁력은 더 이상 단순히 데이터를 ‘많이 보유’하는 데서 나오지 않는다. 핵심은 데이터를 어떻게 구조화하고, 어떻게 의미를 부여하며, 어떻게 의사결정으로 연결하느냐에 있다. 전통적 데이터 웨어하우스는 스타 스키마(star schema)와 스노우플레이크 모델을 중심으로 발전해 왔다. 이 구조는 대규모 분석을 가능하게 했지만, 급변하는 비즈니스 환경—규제 변화, 가격 정책 수정, 구독 모델 전환, AI 기반 실험—을 따라가기에는 점점 한계를 드러내고 있다.   그림 1. 온톨로지와 그래픽 데이터베이스   이제 기업은 고정된 테이블 중심 사고에서 벗어나, 시맨틱 그래프 기반 온톨로지(ontology)로 전환하고 있다. 이 전환을 가속하는 기술이 바로 LLM(Large Language Model : 대형 언어 모델)이다. 기존의 산업용 정보기술(industrial IT)은 마치 ‘콘크리트 신발’을 신고 달리는 것과 같다. 구조는 단단하지만, 방향 전환은 느리다. 온톨로지는 데이터를 ‘테이블’이 아니라 의미 있는 객체(object)로 본다. ‘고객’, ‘주문’, ‘제품’은 더 이상 테이블이 아니라 그래프의 노드다. 관계는 조인이 아니라 방향성 링크(directed edge)다. 이 접근은 그래프 데이터베이스 및 시맨틱 기술 발전과 맞물려, 현대 데이터 아키텍처의 핵심으로 자리잡고 있다. 이전에는 인공지능 프로젝트가 없거나 온톨로지, 디지털 스레드와 디지털 트윈, 그래프 데이터베이스(graph database)를 결합하려는 시도가 없던 것은 아니다. 다만 개발자, 담당자, 도메인 전문가는 너무 힘든 작업과 시간과 비용의 소모전이기 때문에 성공할 수 없는 방법론이었다. 단지 거대 방위산업 회사만이 가능했다. 그러나 LLM이 보편화되면서 이 모든 것이 가능해졌다. 이 패러다임은 온톨로지 기반 디지털 트윈(ontology based digital twin) 정보화이다. 복잡하게 들리지만, 현재 팔란티어라는 회사가 사용하고 있는 방법이다.   그림 2. 게임 체인저 LLM, 구축 비용의 혁신   새로운 온톨로지 디지털 트윈 정보기술의 패러다임의 비즈니스 혁신 효과는 다음과 같다.   의사결정 민첩성 규제 변경, 가격 정책 전환, 제품 피봇 시 노드와 링크만 추가하면 확장 가능   분석 부채 감소 기존 핸드크래프트 파이프라인 붕괴 문제 해소 데이터 팀은 유지보수가 아닌 가치 창출에 집중   데이터 민주화 현업 담당자가 직접 질문 : “지난달 프리미엄 사용자의 평균 구매 빈도는?” 엔지니어 도움 없이도 탐색 가능   비용 효율 스타트업 : 엔터프라이즈급 모델링 확보 대기업 : 스키마 드리프트 관리 자동화   그림 3. 온톨로지 패러다임 비교   전략적 시사점은 LLM 기반 온톨로지 자동화는 단순 기술 도입이 아니다. 이는 기업 운영 체계의 구조적 재설계다. 핵심은 데이터 → 의미 → 의사결정 연결 구조 구축, 인간과 AI의 역할 명확화, 온톨로지를 운영 자산으로 관리, 질의 기반 학습 구조 설계, 장기적 데이터 지능 축적 전략 수립이다.   그림 4. 디지털 트윈 정보 모델   결론적으로, 데이터 민주화에서 의사결정 민주화로 움직이면서 LLM 기반 온톨로지 자동화는 단순히 모델링 비용을 줄이는 도구가 아니다. 이는 의미 중심 데이터 구조, 자가 최적화 파이프라인, 복리적 지식 축적, 조직 전체의 분석 역량 확장을 가능하게 한다. 결국 이는 데이터 민주화 → 분석 민주화 → 의사결정 민주화로 이어지는 전환이다. 여기서 말하는 민주화는 책임지는 사람이 결정하고, 의사결정 과정을 투명하게 공유하는 과정을 의미한다. 설명되지 않는 인공지능 도움에 의한 의사 결정은 리스크가 크다. 앞으로의 경쟁력은 데이터를 얼마나 많이 보유했는가가 아니라, 데이터를 얼마나 의미 있게 연결했는가에 달려 있다. 그리고 그 연결을 자동화하는 시대가 이미 시작되었다.   ■ 조형식 항공 유체해석(CFD) 엔지니어로 출발하여 프로젝트 관리자 및 컨설턴트를 걸쳐서 디지털 지식 전문가로 활동하고 있다. 현재 디지털지식연구소 대표와 인더스트리 4.0, MES 강의, 캐드앤그래픽스 CNG 지식교육 방송 사회자 및 컬럼니스트로 활동하고 있다. 보잉, 삼성항공우주연구소, 한국항공(KAI), 지멘스에서 근무했다. 저서로는 ‘ PLM 지식’, ‘서비스공학’, ‘스마트 엔지니어링’, ‘MES’, ‘인더스트리 4.0’ 등이 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

트렌드에서 얻은 것 No. 28   ▲ 클릭하면 큰 그림으로 볼 수 있습니다.   21세기 제조 산업은 기계적 자동화를 넘어 데이터와 인공지능(AI)이 설계, 생산, 운영의 전 과정을 주도하는 지능형 시대로 진입하고 있다. 2025년을 기점으로 인공지능은 생산성을 보조하는 도구의 단계에서 벗어나, 엔지니어링의 근간을 재정의하는 ‘AI 네이티브(AI-native)’ 환경의 핵심 인프라로 자리 잡았다. 과거의 제조 방식이 숙련공의 경험과 직관에 의존하는 결정론적(deterministic) 방식이었다면, 미래의 스마트 엔지니어링은 방대한 산업 데이터를 기반으로 최적의 의사결정을 자율 수행하는 확률론적(probabilistic) 방식으로 전환되고 있다. 이번호 칼럼에서는 글로벌 선도 기업의 실무 적용 사례를 통해 2026년 제조업이 나아가야 할 방향을 알아보고자 한다.   스마트 엔지니어링의 역사적 진화와 패러다임의 전환 스마트 엔지니어링의 역사는 물리적 모델을 디지털 공간으로 옮기려는 지속적인 노력의 산물이다. 1990년대 초반, 보잉은 777 기종의 개발 과정에서 CAD를 활용한 디지털 목업(DMU) 기술을 도입하며 설계 혁신을 시작했다. 이는 종이 도면 없이 항공기 전체를 3D 상에서 검증한 최초의 사례로 기록된다. 이후 2010년대에 들어서며 에어버스 A350의 사례와 같이 설계 리뷰 전 과정이 디지털화되었고, 2020년대에 이르러서는 복제를 넘어 물리적 대상과 실시간으로 데이터를 주고받는 디지털 트윈(digital twin) 기술이 성숙기에 접어들었다. 2025년부터 2026년 사이의 기술적 전향점은 이러한 디지털 트윈이 AI 네이티브 지능을 탑재하기 시작했다는 점이다. 이제 엔지니어링 업무의 30%를 차지하던 과거 데이터 검색 및 비부가가치 활동은 구체적인 사례가 공개되고 있지는 않지만, 시대의 흐름에 따라 서서히 생성형 AI와 검색 증강 생성(RAG) 기술로 대체되어 갈 것으로 보인다. 또한, 글로벌 기업의 끊임없는 연구로 인해 엔지니어는 반복적인 분석 대신 창의적인 문제 해결과 맥락적 의사결정에 집중하는 ‘코파일럿(co-pilot)’ 시대도 곧 맞이할 것으로 예상된다.     이러한 패러다임의 전환은 한국 제조업에도 시급한 과제다. 미국, 독일, 일본 등 주요 제조 강국과 비교할 때 한국의 제조업 부가가치율은 여전히 상대적으로 낮은 수준에 머물러 있으며, 대기업과 중소기업 간의 생산성 격차는 약 4배에 이른다. 고령화와 저출산으로 인한 노동력 감소, 근로시간 단축 등 제약 사항이 증가하는 상황에서 AI를 통한 제조 지능화는 선택이 아닌 생존을 위한 필수 전략으로 부상하고 있다.   제조 지능화를 위한 AI 핵심 활용 방안 및 기술 분석 제조 현장에서 AI를 실무에 적용하는 방식은 정보 추출부터 복잡한 공정 시뮬레이션 및 자율 제어에 이르기까지 넓은 영역을 포괄한다. 지능형 지식 검색 및 데이터 파이프라인 최적화는 엔지니어링 업무의 상당 부분은 과거의 기술 문서, 도면, 실험 데이터를 찾는 데 소요된다. 최근의 RAG(Retrieval Augmented Generation) 기술은 수십 년간 축적된 비정형 데이터(PDF, 엑셀, 문서)를 벡터 데이터베이스(vector DB)로 변환하여 자연어 질문에 답변하고 근거가 되는 출처를 명확히 제시함으로써 환각(hallucination) 문제를 해결하고 있다. 이는 글로벌 프로젝트에서 기술 문서의 실시간 번역과 용어 표준화를 지원하여 협업 효율을 극대화한다. 또한, 연구 프로세스 개선을 위해 데이터 파이프라인 중심의 자동화가 추진되고 있다. 기존의 실험 연구자가 수기로 기록하던 방식에서 벗어나 디지털화된 시료 분석과 제어 데이터를 클라우드 협업 환경에 통합함으로써, 연구 산출물의 재현성을 높이고 멘토링의 질을 개선하는 것이 핵심이다. 생성형 설계(generative design)와 제조 공법 인지는 엔지니어의 상상력을 정교한 설계안으로 구현하는 데 결정적인 역할을 한다. 설계자가 경량화, 강성 등 목표 조건과 재료, 제조 공법 등의 제약 조건을 입력하면 AI는 수백 가지의 대안을 생성한다. 특히 ‘제조 공법 인지(manufacturing-aware)’ 기능은 주조 공법 시 금형에서 제품이 빠져나올 수 있는 구배 각도를 자동 고려하거나 3축/5축 가공 시 공구가 접근할 수 없는 언더컷 형상을 배제하는 수준까지 진화했다. 일본의 니프코(Nifco)는 이를 활용해 전통적인 육각형 허니콤 구조를 넘어선 비정형 유기적 패턴을 설계함으로써 강성을 유지하면서도 재료 사용량을 획기적으로 절감하는 성과를 거두었다. 에이전틱 AI(agentic AI)와 자율적 프로세스 제어 부분을 살펴보면, 2026년의 주요 트렌드인 에이전틱 AI는 분석을 넘어 독립적으로 과업을 계획하고 실행하는 능력을 갖출 것이다. 기존의 AI가 ‘무엇이 잘못되었는가’를 알려주는 예측 도구였다면, 에이전틱 AI는 ‘어떻게 해결할 것인가’를 결정하고 실행한다.     인과관계 AI(causal AI)와 지식 조립 공장은 전통적인 머신러닝 모델은 데이터 간의 상관관계에 의존하기 때문에 ‘왜’라는 질문에 답하기 어렵고, 공정 환경이 변하면 모델이 붕괴되는 한계를 가진다. 이를 극복하기 위해 2026년에는 인과관계 AI가 제조업의 핵심 기술로 부상하고 있다. 인과관계 AI는 데이터 패턴 학습을 넘어 원인과 결과의 사슬을 규명한다. 예를 들어, 공장 내 배관의 결로 현상과 습도 데이터 사이에는 강한 상관관계가 존재하지만, 습도가 결로의 원인인지 혹은 그 반대인지를 명확히 정의하지 못하면 잘못된 설비 투자가 이루어질 수 있다. 인과관계 AI는 주다 펄(Judea Pearl)의 수학적 기초를 바탕으로 개입(intervention) 분석을 수행하여 ‘만약을 변경한다면은 어떻게 변할 것인가’라는 질문에 명확한 수치를 제공한다. 인하대학교 이창선 교수가 제시한 KAMG AI(Knowledge Assembly Factory) 개념은 AI가 스스로 모든 것을 만드는 것이 아니라, 인간 전문가가 설계한 ‘인과 지식 설계도(blueprint)’를 기반으로 AI가 지식을 조립하는 방식을 취한다. 이는 존재(entity), 속성(attribute), 관계(relation) 프레임워크를 통해 지식을 해부하고 표준화된 조립 공정을 거쳐 인과 예측 모델을 산출한다. 이 과정에서 엔지니어는 프로그래머가 아닌 시스템의 의미와 변수의 역할을 결정하는 ‘지식 설계자(architect)’로 거듭나게 된다. 데이터 거버넌스와 팔란티어 온톨로지(ontology) 전략의 핵심은, 제조 AI가 진정한 가치를 창출하기 위해서는 현장의 모든 데이터가 실시간으로 연결되는 ‘디지털 스레드(digital thread)’가 전제되어야 한다는 것이다. 팔란티어의 온톨로지 기술은 데이터 사일로(silo) 문제를 해결하고 기업의 전체 데이터 유니버스를 비즈니스 맥락으로 재구성하는 핵심 아키텍처를 제공한다. 온톨로지는 데이터를 분류하는 것을 넘어 업무, 조직, IT 시스템 간의 공통 언어를 제공한다. 팔란티어 파운드리는 기존 레거시 시스템(ERP, PLM, MES 등)의 데이터를 물리적으로 옮기지 않고 연결하며, 이를 객체(object)와 관계(link)로 모델링한다. 객체(entity) : 차량 모델, 부품, 공정, 설비, 고객 등 핵심 요소를 개체화한다. 속성(attribute) : 개체의 특징(온도, 압력, 재질, 작업 시간)을 정의한다. 관계(relationship) : ‘부품은 공정에서 사용된다’, ‘설계 변경은 생산에 영향을 준다’와 같은 업무적 연결을 구조화한다. 구축된 온톨로지 위에서 팔란티어의 AIP(Artificial Intelligence Platform)는 자연어 인터페이스를 통해 현장의 복잡한 상황을 분석하고 대응한다. 예를 들어, ‘5월 출하 지연 리스크를 요약해달라’는 명령에 대해 AI는 공급망, 재고, 생산 실적 데이터를 온톨로지 상에서 실시간으로 탐색하여 리스크의 원인을 파악하고, 대체 시나리오의 비용 효율을 시뮬레이션한 뒤 실행 승인을 요청한다. HD현대(전 현대중공업그룹)의 FOS(Future of Shipyard, 미래 첨단 조선소) 프로젝트는 2030년까지 세계 최초의 자율 운영 스마트 조선소를 구현하기 위해 팔란티어의 빅데이터 플랫폼인 ‘파운드리(Foundry)’를 도입하는 핵심적인 디지털 전환 사업이다. BMW는 팔란티어의 데이터 플랫폼인 파운드리를 도입하여 생산, 공급망 관리 및 품질 관리 시스템을 고도화하고 있다. 특히 팔란티어의 QMOS(Quality Management Operating System) 설루션을 통해 데이터 기반의 ‘제로 디펙트(zero defect, 무결점)’ 생산 환경을 구축하는 것이 핵심이다. 에어버스는 팔란티어의 파운드리 기술을 도입하여 항공기 제조 및 운항 데이터를 통합 관리하는 ‘스카이와이즈(Skywise)’ 플랫폼을 구축했다. 이를 통해 A350 인도 속도를 33% 향상시키고 운영 효율을 극대화하며, 데이터 기반의 의사결정 시스템을 혁신했다.   품질, 예지보전 및 에너지 최적화의 기술적 심화 AI가 제조 현장에 가져온 가장 직접적인 성과는 품질 비용 절감과 비가동 시간(downtime)의 최소화다. 현대트랜시스는 자체 개발한 AI 기반 품질 검사 시스템인 TADA(Transys Advanced Data Analytics) 스마트 설루션을 생산 현장에 적용하여, 기존 93% 수준이던 불량 검사 정확도를 99.9%까지 끌어올렸다. LG에너지솔루션은 AI 및 빅데이터 기술을 활용해 전 세계 생산 공장을 ‘지능형 스마트 팩토리’로 전환하고, 배터리 제조 품질과 생산 효율을 극대화하는 것을 AI 비전으로 삼고 있다. 특히, CDO 직속 AI 기술팀을 통해 공정 데이터를 분석하여 배터리 수명을 예측하고, 스마트 공장 기술을 적용하여 글로벌 생산 기지의 경쟁력을 강화하는 중책을 맡고 있다. 기존의 예지보전이 단일 센서의 임계치 모니터링에 의존했다면, 예지보전 2.0은 진동, 전류 파형, 소음, 온도를 동시에 분석하는 멀티모달(multi-modal) 방식을 취한다. AI는 고장 징후를 발견할 뿐만 아니라, ‘최근 3개월간의 패턴 분석 결과 내륜 손상이 의심되니 메뉴얼 45페이지의 베어링 교체 절차를 따르라’는 처방적 가이드를 생성형 AI를 통해 현장 작업자에게 즉시 전달한다. 포스코 광양제철소는 이를 연속 주조 설비에 적용하여 고장 예지 시스템을 성공적으로 구축했다. 탄소 배출 규제가 강화되는 가운데 AI는 에너지 사용량 예측과 최적화에 결정적인 역할을 한다. 슈나이더 일렉트릭은 예측 AI를 활용하여 산업 시설의 에너지 효율을 높이고 운영비를 절감하는 설루션을 제공하고 있으며, 한국그린데이터 등 국내 기업들도 AI 챗봇이 탑재된 운영 체제를 통해 제조업의 에너지 피크 관리와 전력 최적화를 지원하고 있다.   2026 글로벌 기술 트렌드 및 리더십의 우선순위 2026년은 AI가 ‘생산성 향상 도구’에서 ‘책임과 신뢰의 기반’으로 진화하는 해가 될 것이다. 딜로이트와 가트너 등의 보고서에 따르면 기업 리더들은 다음의 네 가지 영역에 집중해야 한다. 첫째, 에이전틱 리얼리티 체크(agentic reality check)이다. 챗봇 도입을 넘어 비즈니스 프로세스 자체를 재설계해야 한다. 보고서에 따르면 40%의 에이전틱 AI 프로젝트가 2027년까지 실패할 것으로 예상되는데, 이는 기술적 문제보다는 기존의 망가진 프로세스를 단순히 자동화하는 ‘자동화 함정’ 때문이라고 분석된다. 성공하는 기업은 엔드 투 엔드 프로세스 전체를 혁신하며 인간과 에이전트 팀을 오케스트레이션하는 모델을 채택하고 있다. 두 번째, 소버린 AI(sovereign AI)와 보안 거버넌스이다. 데이터 주권과 국가별 규제 대응이 중요해짐에 따라 소버린 AI 전략이 필수이다. 2026년에는 기업의 77%가 공급업체 선택 시 설루션의 원산지를 고려하며, 로컬 벤더를 중심으로 한 독립적인 AI 스택 구축이 확산될 것이다. 또한, 데이터 모델 오염(poisoning) 리스크에 대응하기 위한 예측적 OT 사이버 보안 체계 구축이 가속화될 전망이다. 세 번째, 피지컬 AI와 휴머노이드 로봇의 확산이다. 제조, 물류, 국방 분야를 중심으로 피지컬 AI의 도입이 급증하고 있다. 2026년에는 아시아-태평양 지역을 중심으로 피지컬 AI 채택률이 80%에 도달할 것으로 보이며, 이는 공장 내 정적인 자동화 설비를 대체하여 비정형 환경에서도 유연하게 대응하는 자율 운영 공장의 핵심 요소가 될 것이다. 네 번째, 지능형 컴플라이언스 및 표준화이다. 규제 당국 역시 AI를 활용하여 기업의 데이터를 실시간 모니터링하는 시대가 오고 있다. 이제 정기 감사에 대비하는 수준을 넘어, 시스템이 스스로 규정 위반 리스크를 예측하고 보고하는 ‘예측적 컴플라이언스’가 표준으로 자리 잡을 것이다.   실무자를 위한 실행 로드맵 스마트 엔지니어링을 위한 AI 활용은 더 이상 미래의 담론이 아닌 2026년 현재의 경영 핵심 과제다. 2026년은 지식 소유 자체가 무의미해지는 시점이며, AI가 생성한 결과물을 편집하고 맥락화하는 ‘아키텍트(architect)’ 능력이 엔지니어의 몸값을 결정짓게 될 것이다. 기업은 성공적인 AI 전환을 위해 다음의 3단계 로드맵을 고려해야 한다. 첫째, 지능형 설계 및 시뮬레이션 단계를 통해 아이디어를 가장 빠르게 현실화할 수 있는 데이터 환경을 구축해야 한다. 둘째, 스마트 생산 및 운영 단계를 통해 물리적 세계를 정밀하게 제어하고 최적화하는 디지털 스레드와 온톨로지 체계를 완성해야 한다. 셋째, 제품, 공장, 도시를 하나의 유기체로 연결하는 생태계 통합 단계로 나아가야 한다. AI는 도구가 아니라 설계–생산–운영 전반을 학습하고 최적화하는 ‘지능형 플라이휠(intelligent flywheel)’이다. 지금 이 순간에도 데이터는 쌓이고 있으며, 이를 인과관계로 해석하고 에이전틱 AI로 실행에 옮기는 기업만이 2026년 이후의 제조업 패러다임 변화에서 승리자가 될 수 있을 것이다.   ■ 류용효 디원의 상무이며 페이스북 그룹 ‘컨셉맵연구소’의 리더로 활동하고 있다. 현업의 관점으로 컨설팅, 디자인 싱킹으로 기업 프로세스를 정리하는데 도움을 주며, 1장의 빅 사이즈로 콘셉트 맵을 만드는데 관심이 많다. (블로그)     ■ 기사 내용은 PDF로도 제공됩니다.

산업 디지털 전환을 가속화하는 버추얼 트윈 (11)   제조업 전반에서 PCF(Product Carbon Footprint)에 대한 관심은 해마다 빠르게 높아지고 있다. 그 배경에는 EU를 중심으로 한 환경 규제 강화가 있으며, 특히 제품 단위의 탄소 배출량 산정을 규제 대응을 위한 산출물로 요구하고 있다는 점이 핵심이다. PCF는 LCA(Lifecycle Assessment : 전 과정 평가)의 하위 개념이다. LCA가 원재료 채굴부터 생산, 사용, 폐기까지 제품 전 생애주기의 환경 영향을 종합적으로 평가하는 반면, PCF는 그 중에서도 ‘온실 가스 배출량(GHG)’에 초점을 맞춘다는 차이가 있다.   ■ 정유선 다쏘시스템코리아의 ENOVIA 브랜드 기술 컨설턴트이다. 홈페이지 | www.3ds.com/ko   그동안 많은 OEM은 매년 ESG 보고서를 공시하기 위해, 전통적인 LCA 컨설팅 업체에 외주를 맡겨왔다. 이 과정에서 기업은 특정 공정에 대한 데이터를 엑셀 파일 형태로 제공하고, LCA 컨설팅 업체는 공정의 전력 및 에너지 소비량, 폐수 배출량 등을 분석하는 결과를 다시 엑셀 파일로 전달하는 방식이 일반적이었다. 하지만 이러한 전통적인 LCA 컨설팅은 결과와 데이터가 파일 단위로 관리되어 연속성과 추적성이 떨어질 뿐 아니라, 민감한 공정 정보를 외부에 공유해야 하는 구조적인 보안 한계를 안고 있다. 더 나아가 이는 본질적으로 공정을 개선하고 최적화하는데 목적을 두고 있기 때문에, 분석 단위가 제품이 아닌 공정으로 설정하는 경우가 대부분이다. 핵심은, 이러한 접근 방식만으로는 제품 단위의 환경 영향을 정량적으로 파악하기 어렵다는 점이다. 하나의 공정에는 여러 제품이 동시에 관여하며, 개별 제품에 영향을 미치는 환경 영향을 명확히 식별하여 영향도를 분배하기가 까다롭기 때문이다. 결과적으로 기존 방식은 제품 단위 PCF 산정과 이를 요구하는 최근의 규제 대응에는 구조적인 한계를 가질 수밖에 없다.     다쏘시스템의 LCA 설루션은 이러한 한계를 극복하기 위해 ‘설계 단계’부터 제품의 환경 영향을 체크하여 이를 사전에 줄이고자 하는 데 목적이 있다. 시스템의 분석 단위 역시 공정이 아닌 제품(Product/BOM) 이며, 설계 과정에서 빈번하게 일어나는 소재나 중량의 변경, BOM(Bill of Materials : 자재 명세서) 구조 변경 등을 즉각 반영하여 시뮬레이션할 수 있다. 이는 단순한 사후 보고를 넘어, 설계 의사결정 단계에서부터 환경 성과를 고려할 수 있게 해준다는 점에서 기존 LCA 접근 방식과 본질적인 차별98 · 성을 갖는다. 다만 제품 단위의 LCA와 PCF 산정이 실제 규제 대응과 비즈니스 의사결정에 활용되기 위해서는, 공급망 전반에 걸친 데이터 연계와 신뢰성 있는 정보 교환이 필수이다. 이러한 배경 속에서 최근에는 OEM–부품사–소재사–서비스사까지 하나의 생태계로 구성하여, 제품 및 공정 관련 데이터를 안전하게 교환할 수 있도록 만든 산업 협력 플랫폼이 등장하고 있다. 독일 정부 주도로 자동차 산업용 데이터 네트워크를 구성한 카테나-X(Catena-X)가 대표 사례다. 카테나-X에는 BMW, 메르세데스-벤츠, 폭스바겐 등 주요 OEM이 참여하고 있으며, 각 기업의 데이터를 표준 프로토콜 기반으로 중앙 데이터베이스 없이 안전하게 공유하는 구조를 갖는다. 또한 제품 및 자산 정보를 디지털 트윈 표준 구조로 표현하고, 이를 기반으로 DPP(Digital Product Passport : 디지털 제품 여권)를 표준화해 적용할 계획을 가지고 있다.     제품 단위 PCF를 요구하는 다가올 미래의 규제 환경은 제조업의 역할과 책임을 설계 단계로 앞당기고 있다. 이는 환경 성과가 더 이상 생산 이후에 사후적으로 계산되는 지표가 아니라, 설계 단계에서 의사 결정에 직접 반영되어야 함을 의미한다. PLM 기반 LCA와 공급망 데이터 플랫폼의 결합은 이러한 규제를 대응하기 위한 가장 효과적인 설루션이며, EU 시장으로 수출을 하고 있거나 이를 준비 중인 기업에게는 해당 역량을 얼마나 빠르게 설계 프로세스에 내재화하느냐가 중요한 요소가 될 것이다.     ■ 기사 내용은 PDF로도 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 건설 인프라 분야에서 정보 교환 시 사용되는 BIM(건설 정보 모델링) 산업 표준인 IFC(Industry Foundation Classes) 기반 AI 에이전트 개발 과정을 설명한다. IFC 포맷의 BIM 데이터를 팔코DB(FalkorDB) 그래프 데이터베이스로 변환하고, 로컬 LLM인 Ollama(올라마)를 연동하여 자연어 질의가 가능한 AI 에이전트를 구축하는 전체 과정을 기술한다. 또한, 도커(Docker) 기반의 데이터베이스 서버 구성부터 파이썬(Python) 의존성 설치, 데이터 적재 및 애플리케이션 실행 방법을 단계별로 정리한다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/ GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   그림 1   개발 환경 및 전제 조건 이번 호에서 만들어 볼 시스템은 온프레미스 환경에서의 실행을 가정하며, 다음의 컴포넌트를 필요로 한다. 도커 : 그래프 데이터베이스(팔코DB) 실행을 위해 필요(설치 : https://www.docker.com/get-started) 파이썬 3.11+ : 데이터 변환 및 에이전트 로직 수행 올라마 : 로컬 LLM 추론 서버 하드웨어 : LLM 구동을 위한 적정 수준의 GPU 또는 메모리(RAM 16GB 이상 권장) 지면 한계 상 모든 개발 코드를 설명하기는 어려우므로, 주요 부분만 개발 방법을 설명할 것이다. 다음의 깃허브 링크를 참고해 다운로드한다. ■ https://github.com/mac999/infra_ai_agent_tutorials/tree/main/08_AI_Agent/5_infra_graph_rag 다운로드한 폴더의 구조는 <그림 2>와 같을 것이다.   그림 2   이제 이 깃허브 프로젝트의 각 핵심 모듈을 설명하도록 하겠다.   데이터베이스 서버 구축(팔코DB) 팔코DB는 레디스(Redis) API 호환 고성능 그래프 데이터베이스다. 오픈소스이며 무료이다. 그래프 구조 데이터 저장 및 검색을 지원한다.   그림 3. Graph Database uses GraphBLAS under the hood for its sparse adjacency matrix graph representation(GraphRAG) (https://github.com/FalkorDB/FalkorDB)   실행을 위해, 다음과 같이 명령창 터미널에서 도커 명령을 실행해 본다. 그러면 팔코DB 서버가 로컬에 다운로드된 후 자동 실행될 것이다. docker run -p 6379:6379 -p 3000:3000 -it --rm -v ./data:/ var/lib/falkordb/data falkordb/falkordb 상세 옵션은 다음과 같다. -p 6379:6379 : 팔코DB(레디스 프로토콜) 접속 포트 바인딩. 파이썬 클라이언트가 이 포트로 통신한다. -p 3000:3000 : (옵션) 팔코DB 시각화 도구 등을 위한 포트 바인딩 -it --rm : 대화형 모드로 실행하며, 컨테이너 종료 시 자동 삭제 -v ./data:/var/lib/falkordb/data : 호스트의 ./data 디렉터리를 컨테이너 내 데이터 저장소로 마운트하여 데이터 영속성(persistence)을 보장한다.   패키지 및 모델 설치 이제 IFC 파싱, 그래프 DB 연결, LLM 체인 구성을 위한 라이브러리를 pip로 터미널에서 설치한다. Plaintext falkordb langchain langchain-ollama langchain-core ifcopenshell python-dotenv streamlit 이제 자연어를 그래프 구조 데이터베이스를 검색할 때 사용하는 사이퍼 쿼리로 변환(Text-to-Cypher)하는 방법이 필요하다. 이 경우, 코드 생성 능력이 뛰어난 모델이 필요하다. 이번 호에서는 qwen2.5-coder:7b 모델을 사용한다. 올라마 설치(다운로드 : https://ollama.com/download/ windows) 후 다음의 명령어를 실행한다. ollama pull qwen2.5-coder:7b     ■ 자세한 기사 내용은 PDF로 제공됩니다.

개발 및 공급 : 어바스 주요 특징 : 3D 형상과 요구조건을 기반으로 공정 라우팅과 소재 및 공급사 등 제조 공정 추천, 기계적 특성을 통계 레이어로 구조화하고 사용자 행동 데이터를 결합해 최적 소재 추천, 수행사 가중치를 기반으로 견적과 배분 시나리오 자동 산출 등   엠피니티(MPNITE)는 사용자가 업로드한 3D 형상 데이터를 기반으로, 제조 공정 추천, 스마트 레이어(smart layer) 기반 소재 추천, 수행사 가중치 기반 동적 견적 및 일감 배분을 하나의 파이프라인으로 연결해 제공하는 제조 의사결정 지원 소프트웨어이다. 적용 분야는 3D 프린팅 중심의 시제품 제작 및 소량 생산, 공정 선택이 중요한 제조 외주 업무 전반이며, 공정 후보로 FDM, SLA, SLS, MJF, 등을 추천 대상으로 둔다.   엠피니티의 특징 엠피니티의 핵심은 ‘가능 여부 판정’ 수준을 넘어, 형상과 요구조건을 바탕으로 공정 라우팅과 소재 및 공급사 선택까지 연동한다는 점이다.     형상 분석 기반 공정 추천 3D 형상을 복셀(voxel), EDT, 기하학 피처로 분석해 두께 분포, 형상 복잡도, 부품 용도 특성까지 자동 판정 후 공정을 추천한다.     스마트 레이어 기반 소재 추천 8가지 기계적 특성을 7개 통계 레이어로 구조화한 스마트 레이어에 사용자 행동 데이터를 결합해 최적의 소재를 추천한다.   수행사 가중치 기반 동적 견적 및 배분 MOQ, 일정, 장비 유휴율과 변동성, 수행사 장비 및 소재 특성, 품질 이력, 마진 경쟁력 등을 가중치로 반영해 견적과 배분 시나리오를 자동 산출한다.   엠피니티의 구성 기술 신고서 기준 제품 구성은 네 개의 축으로 정리된다. 사용자 인터페이스 : 3D 도면 업로드, 실시간 뷰어, 견적서 및 분석 리포트 제공 분석 엔진(core) : 3D 파일 정규화, 복셀화 및 EDT 연산, 공정 적합성 판정 모듈 매칭 엔진 : 공정 및 소재 룰 데이터베이스, VPS(위험 조정) 및 정합성 스코어링 모듈 관리자 및 데이터베이스 : 공급사 프로파일, 소재 및 장비 라이브러리, 주문 및 로그 관리   엠피니티의 주요 기능 제품 소개(동작 흐름) 서비스 흐름은 ‘업로드 → 분석 → 후보 도출 → 공급사 랭킹 → 동적 견적 → 발주 및 학습’으로 설계된다. 특히 공급사 랭킹 단계에서 VPS와 설비 적합도를 평가하고, 견적 단계에서 실시간 유휴율을 반영해 최종 견적을 산출하는 점이 강조된다.     타 설루션과의 차이점 현재 타사의 설루션은 이전 데이터를 학습한 딥러닝 기반 실시간 설계 분석을 통하여 자사가 보유한 장비의 역량에 맞는 공정과 소재를 지원 하는 방식으로 ‘자사 장비 중심’의 제작 서비스를 지원하는 온라인 제조 서비스에 초점을 맞추고 있다. 반면 엠피니티는 ‘제조 의사결정 지원 엔진의 통합’ 자체가 차별 포인트로 정리된다. 형상 분석 기반 AI를 통하여 이 형상에 어떤 공정이 적합한지를 추천한다. 스마트 레이어 기반 정적 데이터시트와 사용자 행동 학습에 기반한 알고리즘으로 소재를 추천한다. 수행사 가중치, 장비 유휴율 등을 반영한 동적 견적 및 일감 배분을 하나의 파이프라인으로 연결해 자동화한다. 이상의 세 가지가 현재까지의 온라인 제조 설루션과의 핵심 차이점이다.   향후 계획 및 지원 전략 학습 고도화 : 주문 결과와 사용자 선택 데이터를 다시 AI 학습에 반영하는 루프를 강화해 추천 정확도와 납기 신뢰도를 높이는 방향 공정 및 소재 라이브러리 확장 : 공정 및 소재 후보군 자동 도출 단계의 폭을 넓혀 적용 산업군을 확대 수행사 네트워크 확대 : 수행사 가중치 모델에 품질 이력과 납기, 부하율 등 운영 데이터를 더 촘촘히 반영   주요 고객 제품 개발 및 R&D 조직, 시제품을 반복 제작하는 기업 및 연구소 3D 데이터는 있으나 공정 및 소재 선택 경험이 부족한 비전문 사용자(스타트업, 개인 개발자 포함) 외주 제작을 운영하는 구매 및 생산관리 담당자(견적 비교, 납기 리스크 관리 수요) 제조 수행사(유휴 장비 활용, 물량 배분을 통한 가동률 개선 수요)     ■ 기사 내용은 PDF로도 제공됩니다.

실시간 시각화 및 계산으로 크레인 판매 증가에 기여   팔핑거(PALFINGER)는 유니티 엔진을 활용해 인터랙티브 크레인 시각화 및 비교 도구인 팔쇼(PALSHOW)를 개발해 영업 및 마케팅을 위한 3D 협업, 실시간 시뮬레이션 및 시각화 등에 활용하고 있다. 유니티의 기술은 크레인의 구성과 성능을 시각화하고 비교하는 방식을 재정의함으로써, 팔핑거가 더 나은 의사결정을 할 수 있도록 지원한다. ■ 자료 제공 : 유니티 코리아     팔핑거는 혁신적인 크레인 및 리프팅 설루션을 전문으로 하는 기술 및 기계 공학 분야의 기업이다. 1만 2350명 이상의 직원, 30개 제조 시설, 그리고 전 세계적인 판매 및 서비스 네트워크를 보유한 팔핑거는 건설 및 운송부터 해상 및 해양 분야에 이르기까지 다양한 산업 전반에서 효율과 안전성을 높이는 첨단 장비를 제공한다. 팔핑거는 로더 크레인 분야의 글로벌 기업이자 목재 및 재활용 크레인, 후크리프트, 트럭 장착형 지게차, 접근 플랫폼 분야의 주요 제조업체이다. 유럽에서는 철도 시스템 및 교량 검사 장비 분야에서도 첨단 기술을 제공하고 있으며, 팔핑거 마린은 해상 부문의 갑판 장비 및 취급 설루션 분야에서 활약하고 있다. 팔핑거는 디지털 전환 여정을 지속하면서 실시간 3D 시뮬레이션, 클라우드 컴퓨팅, 자동화 같은 첨단 기술을 활용해 고객 경험을 높이고 가치 사슬 전반에 걸쳐 운영을 효율화하고 있다.   ▲ 작동 중인 크레인(출처 : 팔핑거)   팔쇼의 가치 : 한눈에 보는 영향 유니티에 기반해 팔핑거가 개발한 팔쇼 애플리케이션은 크레인 동작의 시각화, 비교 및 전달 방식을 변화시켜 접근성, 효율 및 사용자 경험 측면에서 측정 가능한 성과를 제공한다. 매월 600명 이상의 활성 유저를 보유하고 있으며, 여기에는 전 세계 영업팀, 유통업체 및 운영자가 포함된다. 1만 2300개 이상의 크레인 모델과 변형 모델을 시뮬레이션 및 비교에 활용 가능 CI/CD(지속적 통합 및 지속적 배포)를 통해 3주마다 새로운 버전을 출시 700여 개의 자동화된 테스트와 90%의 코드 커버리지(code coverage) 모든 최신 웹 브라우저를 통해 실시간 크레인 데이터에 즉시 접근 가능 분 단위가 아닌 초 단위로 크레인 구성과 리프팅 용량을 확인할 수 있어 시간을 절감 기술적 전문 지식 없이도 유저가 크레인의 작업 반경, 안정성 및 변형을 시각화할 수 있는 매끄럽고 직관적인 인터페이스 문서화, 규정 준수 및 고객 커뮤니케이션을 위한 간편한 내보내기 옵션(SVG 또는 PDF) 데이터 기반의 신속한 대화로 고객 참여도와 판매 자신감을 강화   ▲ 크레인 비교 및 적재 용량 분석(출처 : 팔핑거)   복잡한 크레인 데이터를 단순하고 시각적이며 접근 가능하게 만들기 팔핑거의 영업 및 유통 팀은 고객에게 크레인의 복잡한 기계 구조와 리프팅 동작을 보다 간편하게 보여줄 방법이 필요했다. 이전에는 팔쇼의 기능이 대형 데스크톱 애플리케이션 내에 포함되어 복잡한 설치, 로컬 데이터베이스 동기화, 잦은 업데이트가 필요했으며, 이는 단순히 크레인 움직임을 시각화하기만 원하는 유저에게 장벽을 조성했다. 이러한 과제를 극복하기 위해 팔핑거는 팔쇼를 웹 기반의 직관적이고 즉시 접근 가능한 설루션으로 개발했다. 팔쇼의 목표는 최신 브라우저에서 실행되는 실시간 상호작용 경험을 제공하여, 고객과 영업 팀이 소프트웨어 설치나 기술적 전문성 없이도 크레인 구성을 신속하고 자신 있게 탐색할 수 있도록 하는 것이었다.   ▲ 리프팅 용량 분석(출처 : 팔핑거)   팔쇼의 확장 가능한 웹 기반 유니티 기술 스택 내부 팔핑거는 유니티의 실시간 3D 엔진을 활용해 크레인 동작을 정확성, 속도, 시각적 선명도로 시뮬레이션하는 팔쇼를 구축했다. 팔쇼의 모든 기능은 웹 브라우저 내에서 직접 접근 가능하다. 이 애플리케이션은 크레인을 도식화된 측면도로 표시하여 유저가 작업 반경, 적재 용량, 안정성, 위치 조정 및 변형을 실시간으로 동적으로 탐색할 수 있도록 한다. 팔핑거의 내부 계산 프레임워크를 유니티와 통합함으로써, 개발 팀은 정밀한 물리 기반 계산과 직관적인 시각화를 결합할 수 있었다. 이를 통해 복잡한 기계 데이터를 빠르고 상호작용적이며 이해하기 쉬운 경험으로 전환했다.   ▲ 유니티 에디터에서 실행 중인 팔쇼 애플리케이션   유니티 웹GL(Unity WebGL)은 이 경험을 온라인으로 구현하는 핵심 역할을 수행하며, 로컬 설치나 대용량 다운로드 없이도 부드러운 성능을 제공한다. 새로운 기능과 개선 사항은 자동화된 CI/CD 파이프라인을 통해 지속적으로 배포되므로, 유저들은 항상 최신 버전으로 작업하게 된다. 이는 기존의 데스크톱 기반 접근 방식과는 크게 달라진 점이다. 앵귤러와 애저(Azure) 클라우드의 배포 및 플랫폼 통합 지원을 통해 팔쇼는 팔핑거의 팔데스크(PALDESK) 생태계에 원활하게 연결되며, 구성–가격–견적(configure–price–quote) 및 작업 플래너(job planner)와 같은 애플리케이션과 함께 작동한다. 팔핑거의 헤수스 곤살레스 로드리게스(Jesús González Rodríguez) 수석 소프트웨어 엔지니어는 “현재는 웹GL로만 내보내지만, 유니티의 멀티 플랫폼 기능과 내장 테스트 도구는 정말 훌륭하다. 파이프라인에서 종단 간 테스트를 실행하면 품질 보증이 쉬워진다”고 전했다.   ▲ 유니티 에디터에서 실행 중인 팔쇼 애플리케이션   팔쇼에 사용된 유니티 기술 브라우저 기반 렌더링 및 배포를 위한 유니티 웹GL 빌드 파이프라인 크레인 움직임, 도달률 및 구성 요소 형상을 시각화하기 위한 선 및 메시 렌더러 유니티 테스트 프레임워크 + 약 700개의 자동화된 테스트로 CI/CD를 지원하며 약 90%의 코드 커버리지를 달성 애저 데브옵스(Azure DevOps)용 유니티 도구로 지속적인 통합 및 배포를 지원 유니티용 누겟(NuGet)으로 효율적인 패키지 및 종속성 관리 팔핑거가 2D 도면을 3D로 변환하는 방식을 탐구하는 프로그램 기반 메시 생성 웹 환경에서 정확한 물리 시뮬레이션을 위한 실시간 백엔드 계산 통합   ▲ 팔쇼에서 크레인 검색(출처 : 팔핑거)   ▲ 팔쇼 애저 데브옵스 빌드 파이프라인을 유니티 자동화 작업으로 구현   유니티의 유연성 덕분에 팔핑거는 요구사항이 변화함에 따라 설루션을 신속하게 반복하고 확장할 수 있었다. 이 엔진은 신속한 프로토타이핑을 지원하여, 제품이 성장함에 따라 소프트웨어 팀이 CAD 기반 워크플로, 3D 메시 압출 및 새로운 시각화 모드를 실험할 수 있도록 한다. 또한 중요한 것은, 팔핑거가 인재를 유치하고 육성하는 데 유니티가 도움을 준다는 점이다. 팔쇼는 특히 게임, UI(사용자 인터페이스) 또는 닷넷(.NET) 배경의 개발자가 접근하기 쉬운 도구 덕분에 아이디어가 신속하게 작동하는 기능으로 전환되는 플랫폼이 되었다. 팔핑거는 정기적으로 학생 및 인턴과 협력하여 새로운 개념 증명(PoC) 및 프로토타입을 탐구함으로써 숙련된 유니티 인재 풀을 강화하고 있다. 로드리게스 수석 엔지니어는 “유니티로 작업해 보면 이 엔진이 얼마나 유연한지 알 수 있다. 게임을 구동하는 동일한 환경으로 복잡한 산업용 애플리케이션도 손쉽고 효율적으로 구동할 수 있다. 닷넷에 대한 지식과 비디오 게임 및 UI 상호작용에 대한 열정을 우리 제품에 결합할 수 있었다”고 말했다.   ▲ 애플리케이션 코드 커버리지 요약(출처 : 팔핑거)   ▲ 팔쇼의 크레인 구성(출처 : 팔핑거)   더 빠른 의사 결정과 더 확신 있는 고객 대화 촉진 팔쇼는 팔핑거의 영업 생태계 전반에서 필수 도구로 빠르게 자리 잡았으며, 내부 팀, 유통업체 및 운영자가 크레인 구성을 실시간으로 검증할 수 있도록 지원한다. 데스크톱 설치나 대규모 데이터베이스 동기화를 거칠 필요 없이, 사용자는 브라우저를 열어 다양한 크레인 모델이 하중 하에서 어떻게 작동하는지 즉시 확인할 수 있다. 이를 통해 준비 시간이 몇 분에서 몇 초로 단축된다. 이 애플리케이션은 직관적인 작업 흐름을 지원해 전문적인 기술 지식이 필요하지 않게 됐다. 사용자는 단순히 크레인을 선택하고 도면에 목표 위치를 설정하면 즉시 적재 용량, 도달률 및 안정성에 대한 피드백을 받는다. 복잡한 기계적 계산이 깔끔한 시각적 경험으로 전환되어, 수십만 유로에 달하는 크레인이 현장에 도착하기 훨씬 전에 그 성능을 고객이 이해할 수 있도록 돕는다. 팔핑거의 기술 소프트웨어 애플리케이션 부문 책임자인 크리스티안 페르슐(Christian Perschl)은 “복잡한 프로그램을 설치하는 데 더 이상 관리자 권한이 필요하지 않다”고 설명했다. 이 웹 도구는 여러 플랫폼에서 실행되며 테슬라 인포테인먼트 시스템에서도 작동한다. 작업 플래너 환경 내에서 팔쇼는 한 걸음 더 나아간다. 유저는 환경 조건을 시뮬레이션하고, 안정성을 확인하며, 장애물을 그려 리프트 작업 중 발생할 수 있는 잠재적 충돌을 예측할 수 있다. 이러한 통찰력은 위험을 줄이고, 계획을 간소화하며, 규정 준수를 보장하는 데 도움이 된다. 특히 작업 전 시뮬레이션이 의무화된 지역 및 도시에서 더욱 그러하다. PDF 또는 SVG로 내보내기 옵션은 최소한의 노력으로 문서화, 리포트 및 고객 승인을 지원한다. 팔쇼는 실시간 3D 시각화와 지속적 배포, 확장 가능한 브라우저 기반 아키텍처를 결합하여 팔핑거의 디지털 영업 경험을 강화했다. 이를 통해 의사소통을 가속화하고 의사 결정의 확신을 높였으며, 복잡성이 걸림돌이 되었던 부분에 명확성을 제공함으로써 팀의 업무 수행을 지원한다. 페르슐은 “동적 리프팅 용량 다이어그램이 포함된 이 프로그램은 글로벌 영업 팀이 고객과의 회의에서 활용할 수 있도록 지원한다. 또한 차량 관리자가 크레인 운전자를 교육하여 당사의 우수한 제품을 최대한 활용할 수 있도록 하는 데에도 활용될 수 있다”고 설명했다.   ▲ 팔쇼 PK 880 TEC 크레인 구성(출처 : 팔핑거)   팔핑거의 확장되는 디지털 세계에서 다음은 무엇인가 팔핑거의 소프트웨어 개발 팀은 공간 계획, 크레인 위치 지정 및 현장 시나리오 검증을 더욱 향상시키기 위해 구글 맵스 통합 및 탑뷰 상호작용 기능을 계획하며 팔쇼 경험을 지속적으로 발전시키고 있다. 차세대 팔쇼는 기술 간 복잡성을 줄이고 작업 흐름의 유연성을 개선함으로써, 리프트 전 계획 수립과 고객 논의 과정에서 더욱 명확한 방향성을 제시할 것이다. 기능적 진화를 넘어, 팔핑거는 더 깊은 차원의 3D 미래를 목표로 삼고 있다. 이 여정에서 유니티는 핵심 역할을 수행한다. 팀은 2D 그래픽을 가벼운 3D 메시로 변환하는 것부터 더 몰입감 있는 디지털 표현을 위한 CAD 기반 지오메트리 실험에 이르기까지 새로운 시각화 접근법을 탐구한다. 이러한 노력은 팔핑거가 시각화를 단순한 부가 기능이 아닌 중장비의 구성, 이해, 판매 및 운영 방식의 핵심 요소로 만들겠다는 야망을 반영한다. 팔핑거의 소프트웨어 개발자이면서 유니티 전문가인 토마시 오니시크(Tomasz Oniśk)는 “팔핑거에서는 3D를 전략적 주제로 간주한다. 유니티는 복잡한 데이터를 시각화하고 팀과 고객에게 생생하게 전달하는 새로운 방법을 탐구하는 데 도움을 준다”고 전했다.   ▲ 팔쇼 PK 880 TEC 리프팅 분석(출처 : 팔핑거)   ▲ 팔쇼 PK 880 TEC 크레인 제어 장치(출처 : 팔핑거)   팔핑거의 미래 전략에 명시된 바와 같이, 이 회사는 혁신, 디지털화 및 실시간 데이터 경험을 통해 리프팅 설루션의 미래를 선도해 나가고 있다. 이를 통해 고객에게 작업의 안전성, 속도 및 예측 가능성을 높이는 도구를 제공함으로써 고객 역량을 강화하고 있다. 팔쇼는 그 방향을 향한 초기 이정표이며, 그 진화는 더 광범위한 변혁을 예고한다. 고급 시뮬레이션이 전문적인 작업 흐름이 아닌 일상적인 역량이 되는 변혁이다. 유니티를 기반으로 팔핑거는 단순한 애플리케이션을 넘어, 차세대 지능형 리프팅을 위해 설계된 확장 가능한 디지털 생태계를 창조하고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.