다이슨(Dyson)은 최적의 물청소 솔루션을 개발하기 위해 새로운 접근 방식이 필요하다는 연구 결과를 도출했다. 그 결과물이 바로 수세기의 역사를 지닌 가정용 청소 도구인 대걸레를 재해석한 청소기 ‘다이슨 워시G1(Dyson WashG1)’이다. 다이슨 엔지니어들은 이 제품을 개발하기 위해 항공우주 산업 등 복잡한 시스템 설계에 쓰이는 엔지니어링 방법론을 일상 제품에 적용했다. 기존 제품의 개선 버전을 개발할 때는 효과적이었던 다이슨의 문서 기반 워크플로가 완전히 새로운 제품군을 만드는 데는 적합하지 않았기 때문이다. 이에 다이슨의 첨단 제어 시스템 수석 엔지니어인 로맹 기셰르(Romain Guicherd)는 팀을 설득해 모델 기반 설계(model-based design : MBD)를 도입했다. 모델 기반 설계란 시스템 레벨 시뮬레이션 모델을 활용해 시스템 개발 방식을 개선하는 방법론이다. 이를 통해 개발 워크플로를 가속화하고, 테스트를 위한 보다 강건한 코드를 구현할 수 있었다.   모델 기반 설계로 바꾼 제품 개발 방식 다이슨은 진공청소기 등 기존 제품 라인업의 신제품을 개발할 때, 팀 간 요구사항의 전달에서 서면으로 된 문서 기반 방식을 사용해 왔다. 이러한 방식은 이전의 설계 및 임베디드 소프트웨어를 참고하고 반복 개선할 수 있어, 이미 안정화된 기존 제품군 개발에 적합한 방식이다. 그러나 완전히 새로운 제품군을 개발하는 과정에서는 이러한 문서 전달 방식이 오히려 혼선을 초래할 수 있었다. 문서로 작성된 설계 사양은 엔지니어마다 요구사항을 다르게 해석할 가능성이 있기 때문이다. 새로운 제품군 개발은 팀 간 오해를 줄이고 보다 원활한 협업을 가능하게 하는 새로운 개발 방식을 모색하게 하는 계기가 됐다.    ▲ 다이슨 워시G1은 습식 오염과 건식 이물질을 모두 제거한다.   다이슨은 모델 기반 설계가 새로운 기능과 설계 방향을 탐색하는 데 적합한 개발 방식이라고 봤다. 개발 초기에는 다양한 개념과 방향을 동시에 검토해야 했는데, 시뮬링크(Simulink) 기반의 모델 기반 설계를 도입한 덕분에 팀은 기존 문서 기반 프로세스 대비 두 배 빠르게 새로운 아이디어를 구현할 수 있었다. 워시G1의 핵심 세척 방식은 촘촘한 마이크로파이버 천으로 감싼 역방향 회전 롤러를 탑재한 세척 헤드를 중심으로 구성된다. 습식 오염과 건식 이물질을 분리하기 위해 보조 롤러가 고체 이물질을 트레이에 모으고, 트레이 바닥의 메시 필터를 통해 액체가 오수 탱크로 흘러내려가는 구조다. 기셰르의 팀은 이 모든 기능을 구현하고 다양한 상황에 대응하기 위해, 상호작용하는 시스템 구성요소의 시뮬레이션을 용이하게 하고 설계부터 코드 생성, 소프트웨어 테스트까지 전 과정을 아우르는 툴이 필요했다. 팀은 세척 롤러 제어 장치 개발을 위해 심스케이프 일렉트리컬(Simscape Electrical)로 폼 롤러 모터와 모터 드라이브를 모델링했다. 또한 스테이트플로(Stateflow)를 활용해 청소기에 탑재된 두 개의 펌프, 즉 깨끗한 물로 롤러에 수분을 공급하는 펌프와 오수를 배출하는 펌프의 스케줄링과 제어 로직을 설계했다. 제품의 자동 세척 메커니즘 구현에도 스테이트플로가 활용됐다. 워시G1의 세척 성능을 구현하기 위해서는 단계별로 선택 가능한 수분 공급 수준과 각 단계의 세밀한 민감도 조정이 모두 뒷받침돼야 했다. 다양한 설정 값과 세척 부하 변화에 대응하려면 정밀한 전압 제어가 필수였다. 팀은 시뮬링크 모델로 매개변수를 조정하고 다양한 값을 반복 테스트하며 모터 전압 제어 로직을 빠르게 최적화했다. 실제 프로토타입을 제작하지 않고도 시뮬레이션만으로 설계 변경의 영향을 사전에 파악할 수 있었다는 점도 개발 효율을 높이는 데 크게 기여했다.   ▲ 심스케이프로 모델링된 다이슨의 롤러 기술   다이슨은 요구사항 툴박스(Requirements Toolbox)를 활용해 요구사항을 시뮬링크 모델에 연결함으로써 각 요구사항이 제품 기능으로 어떻게 구현되는지 확인할 수 있었다. 요구사항 툴박스(Requirements Toolbox)를 사용하기 전에는 하드웨어 테스트 단계에 이르러서야 요구사항의 오류를 발견할 수 있었다. 하지만 요구사항을 모델에 연결한 이후로는 각 요구사항의 구현 방식과 요구사항 간 상호 관계를 사전에 명확히 파악할 수 있게 됐다.   시스템 시뮬레이션이 설계에 가져온 변화 시뮬링크와 심스케이프를 활용한 모델 기반 설계는 보다 체계적인 개발 접근 방식을 가능하게 했고, 다이슨이 프로토타입을 제작하고 테스트하기에 앞서 다양한 유형의 인더루프(in-the-loop) 테스트를 수행할 수 있도록 하였다. 모델 기반 설계 덕분에 엔지니어는 멀티도메인 모델링을 수행하고 타 팀과 긴밀하게 협업할 수 있었다. 일례로 기셰르의 팀은 배터리 셀 및 배터리 관리 시스템 팀의 데이터를 활용해 정밀한 4셀 배터리팩 모델을 구축했다. 또한 전자팀과 협력해 심스케이프 일렉트리컬로 전력전자 하드웨어의 동작을 모델링하고 시뮬레이션했다. 시뮬링크를 통한 시스템 레벨 시뮬레이션은 더 많은 설계 옵션을 검토하고 트레이드오프를 비교할 수 있는 환경을 만들어줬다. 그 결과 팀은 프로젝트의 설계 단계에 더 많은 시간을 투자할 수 있었고, 설계 오류와 통합 문제를 수정하기 훨씬 쉽고 비용도 적게 드는 초기 단계에서 발견할 수 있었다.   소프트웨어 아키텍처와 임베디드 코드 개발 이후 프로젝트에서 팀은 소프트웨어 아키텍처 개발을 위해 시스템 컴포저(System Composer)를 추가로 도입했다. 시스템 컴포저를 통해 제품팀과 소프트웨어팀은 소프트웨어 인터페이스와 스케줄링을 함께 개발하고 다양한 시나리오를 모델링할 수 있었다. 또한 대규모 모델을 논리적 단위로 구조화해 병합 충돌 없이 원활한 팀 간 협업이 가능해졌다. 시뮬링크 모델은 제품 동작을 시각적으로 표현함으로써 개발 전 과정에 걸쳐 팀원 간의 협업을 촉진했다. 제어 시스템 모델에서는 C 코드가 생성됐다. 팀은 모델을 수정하고 일부 구간에 주석을 달거나 새로운 블록을 추가하는 방식으로 소프트웨어 엔지니어에게 청소기의 새로운 동작을 보여줬다. RCP(Rapid Control Prototyping)를 활용하면 코드를 빠르게 생성하고, 다음 날 바로 실험실에서 제품의 동작을 확인할 수 있었다. 팀은 직접 코딩 대신 임베디드 코더(Embedded Coder)로 시뮬링크 모델에서 C 코드를 자동 생성했고, 소프트웨어팀은 이를 NXP 마이크로컨트롤러의 메인 코드에 통합했다. 임베디드 코더 도입 이후 소프트웨어 릴리스 주기는 기존 약 10주에서 9일로 단축됐다. 초기에는 실험실 환경에서의 동작 구현에 집중하였기 때문에 모델과 코드 생성을 핵심으로 삼았지만, 곧 모델과 코드, 테스트, 커버리지가 함께 어우러질 때 제품 완성도가 한층 높아진다는 사실을 확인했다.   테스트 효율을 높인 모델 기반 개발 팀은 이전 제품 개발 때보다 설계 개선에 더 많은 시간을 쏟았다. 시뮬링크를 통해 시뮬레이션 중 발생한 오류를 신속하게 수정할 수 있었고, 그 효과는 테스트 단계에서 그대로 나타났다. 이 테스트 단계는 과거보다 훨씬 단순하고 빨라졌으며, 팀의 개발 시간과 노력을 절감하는 데 기여했다. 모델에서 정상 작동하도록 설계한 것은 실제 제품에 적용해도 동일하게 구현됐고, 이는 무결점 제품 출시로 이어졌다. 워시G1의 모델 기반 설계와 코드 자동 생성이 성공을 거두면서, 초기에 회의적이었던 소프트웨어팀의 시각도 달라졌다. 자동 생성 코드가 내부 표준 준수와 실행 효율성을 담보할 수 있을지 우려하던 소프트웨어팀은 이제 코드에 대한 확신을 갖게 됐다. 현재 소프트웨어팀은 하드웨어팀과 협력해 자동 생성 코드의 API를 함께 정의하고 있으며, 모델 기반 설계에 시뮬링크를 활용하면서 유연성과 개발 속도 모두를 향상시켰다. 이제는 소프트웨어팀이 먼저 나서서 동일한 프로세스를 다른 제품에도 적용해 달라고 요청할 만큼, 프로젝트 복잡도가 높아질수록 모델 기반 설계의 가치는 더욱 분명해지고 있다. 다이슨 팀은 향후 워시G1 후속 모델 개발 시 기존 모델의 구성 요소를 재사용할 수 있다. 또한 이번 모델 기반 설계 방법론의 성공 사례는 사내 다른 부서에서도 주목받고 있다. 헤어 케어 제품과 다른 플로어 케어 제품군에도 이를 적용하는 방안이 검토되고 있어, 다이슨 내 추가 혁신 가능성을 넓히고 있다.   ■ 이웅재 | 매스웍스코리아 이사

트렌드에서 얻은 것 No. 29   “진짜 창작자는 결국 결과물을 세상에 내놓는다.” – 스티브 잡스 AI가 소프트웨어 개발의 문턱을 낮추고 있다는 말은 이제 낯설지 않다. 누구나 아이디어만 있으면 앱 하나쯤 만들 수 있을 것처럼 말하는 분위기도 강하다. 그러나 현장에서 체감하는 현실은 훨씬 복합적이다. 누군가는 “이제 비개발자도 충분히 만들 수 있다”고 말하고, 또 누군가는 “기업 시스템은 그렇게 단순하지 않다”고 말한다. 두 말 모두 맞다. 문제는 이 둘의 경계를 구분하지 않은 채 바이브 코딩(vibe coding)을 마치 모든 개발 문제를 한 번에 해결해줄 만능 해법처럼 받아들이는 데 있다. 필자가 최근 직접 경험한 바이브 코딩은 기대보다 흥미로웠고, 동시에 예상보다 훨씬 현실적이었다. 결론부터 말하면 바이브 코딩은 분명 강력하다. 다만 그 힘은 모든 영역에서 같은 방식으로 작동하지 않는다. 비개발자에게 바이브 코딩은 ‘개발의 대체재’라기보다 ‘제작의 첫 진입로’에 가깝고, 개발자에게는 생산성과 속도를 높여주는 가속 장치에 가깝다. 같은 용어를 쓰더라도 출발점도 다르고, 활용 방식도 다르며, 기대해야 할 결과도 다르다. 스티브 잡스는 “단순함은 복잡함보다 더 어렵다”고 말했다. 바이브 코딩이 바로 그렇다. 겉으로 보기에는 말 몇 줄로 프로그램을 만드는 간단한 방식처럼 보이지만, 실제로는 무엇을 만들고 싶은지 더 선명하게 설명해야 하고, 문제를 더 세밀하게 구조화해야 하며, 결과를 더 집요하게 검토해야 한다. 개발 문법의 부담은 다소 줄어들 수 있지만, 사고의 부담까지 사라지는 것은 아니다. 오히려 생각을 더 명료하게 만드는 훈련이 필요하다. 비개발자의 바이브 코딩은 결국 문제를 언어로 구조화하는 데서 시작된다. 무엇이 불편한지, 어떤 흐름이 필요한지, 어떤 화면이 있어야 하는지, 어떤 데이터를 어디서 가져와야 하는지, 결과를 어떤 방식으로 보여줘야 하는지를 AI에게 설명하고, 그 결과물을 계속 수정하고 다듬는 방식이다. 이때 중요한 것은 프로그래밍 문법을 얼마나 많이 아느냐보다 문제를 얼마나 또렷하게 정의할 수 있느냐다. 반면 개발자의 바이브 코딩은 결이 다르다. 개발자는 AI를 이용해 아키텍처 초안을 잡고, 반복 코드를 줄이고, 오류를 빠르게 디버깅하고, 리팩토링을 효율화하며, 배포 속도를 높인다. 비개발자가 바이브 코딩을 통해 ‘처음 만들어 보는 사람’이 된다면, 개발자는 ‘더 빠르고 더 많이 만드는 사람’이 된다. 이 차이를 구분하지 않으면 바이브 코딩에 대한 기대도 쉽게 과장되고, 반대로 불필요한 실망도 생긴다. 이번에 필자가 시도한 작업은 몇 가지 방향으로 나뉘어 전개되었다. 투자와 자산을 구조화해보는 도구, 여행과 탐험을 시각적으로 정리하는 도구, 그리고 개념을 더 직관적으로 연결해보는 실험 등이 그 예다. 접근 방식도 조금씩 달랐다. 어떤 것은 빠른 프로토타이핑 도구로 시험했고, 어떤 것은 웹 기반 구조를 상상했으며, 어떤 것은 생성형 AI를 결합해 해석 기능을 더해보았다. 중요한 것은 특정 기술 이름이 아니었다. 문제의 성격에 따라 도구 조합이 달라졌다는 점, 그리고 그 조합을 통해 ‘작동하는 형태’를 빠르게 확인할 수 있었다는 점이 핵심이었다. 그중에서도 가장 손에 잡히는 성과를 보여준 것은 투자 관리용 실험 도구였다. 한국 시장과 미국 시장에 동시에 투자하는 개인을 염두에 두고, 자산을 한 화면에서 함께 보고, 환율을 반영한 체감 손익을 계산하고, 단순 수익률이 아니라 수수료와 환차까지 고려한 실제 순수익에 가깝게 접근해보는 방식이었다. 여기에 종목의 가치, 품질, 위험도를 함께 보려는 시도와, 매매 기록을 정리하는 자동화 기능까지 더해보았다. 한마디로 말하면, 개인 투자자가 늘 엑셀과 계산기와 감으로 처리하던 일을 하나의 흐름 안에서 정리해보려는 실험이었다. 이런 시도는 바이브 코딩의 장점을 잘 보여준다. 현장의 불편을 가장 잘 아는 사람이 그 문제를 가장 먼저 작동하는 도구로 바꿔볼 수 있다는 점이다. 특히 개인 투자 영역에서는 불편이 명확하다. 원화 자산과 달러 자산이 분리돼 보이기 때문에 전체 자산 배분을 한눈에 파악하기 어렵고, 과거 환율이나 거래 수수료를 반영한 실제 수익 계산은 늘 번거롭다. 단일 지표만 보고 투자하면 가치 함정에 빠질 수 있고, 매매 기록을 체계적으로 남기지 않으면 판단의 맥락도 쉽게 흐려진다. 바이브 코딩은 바로 이런 불편을 작은 단위로 쪼개어 도구로 만들어보는 데 강점을 보인다.   ▲ 클릭하면 큰 이미지로 볼 수 있습니다.   피터 드러커의 말처럼 “측정할 수 있어야 관리할 수 있다.” 투자든 업무든 결국 비슷하다. 막연히 ‘잘하고 있다’고 느끼는 동안에는 개선도 어렵다. 숫자가 보여야 하고, 흐름이 보여야 하며, 내 행동의 결과가 구조적으로 드러나야 한다. 바이브 코딩은 이 지점에서 의외로 힘을 발휘한다. 정교한 상용 시스템 수준은 아니더라도, 내가 무엇을 보고 싶은지 정확히 정의할 수만 있다면 적어도 첫 번째 가시화 도구는 만들어볼 수 있다. 그 순간 막연한 감각은 데이터가 되고, 데이터는 다시 판단의 기준이 된다. 특히 인상적이었던 것은 ‘정답 제시’보다 ‘판단 보조’에 초점을 맞춘 설계였다. 단순히 싸 보이는 종목을 찾는 것이 아니라 가치와 퀄리티, 리스크를 함께 고려하는 구조를 상상하고, 이동평균선이나 거래량 변화 같은 기술적 신호를 함께 보는 식이다. AI는 여기서 결정을 대신 내려주는 존재가 아니라, 사람이 놓치기 쉬운 신호를 먼저 정리해주는 조수 역할을 맡는다. 이런 경험을 통해 느낀 것은, 바이브 코딩의 진짜 효용이 거창한 인공지능 자체에 있는 것이 아니라 사용자의 판단 포인트를 더 선명하게 드러내는 데 있다는 점이었다. 그러나 여기서 반드시 짚고 넘어가야 할 현실이 있다. 이런 경험이 곧바로 기업용 핵심 시스템 개발로 이어질 것이라고 생각해서는 안 된다. PLM, ERP, MES, APS 같은 글로벌 설루션 기반의 엔터프라이즈 환경은 개인 실험과는 전혀 다른 차원의 세계다. 데이터 모델은 정교하고, 권한 체계는 복잡하며, 인터페이스는 수많은 예외를 품고 있고, 변경 이력과 검증 절차, 보안과 운영 책임까지 촘촘하게 연결되어 있다. 자연어 몇 줄과 AI의 코드 제안만으로 안전하게 다룰 수 있는 구조가 아니다. 바로 이 지점에서 비개발자의 바이브 코딩과 개발자의 바이브 코딩은 다시 갈라진다. 비개발자는 문제를 빠르게 형태화하고 아이디어를 프로토타입으로 검증하는 데 강점을 가질 수 있다. 반면 개발자는 그 프로토타입을 기존 시스템 환경과 연결하고, 예외 처리와 안정성, 보안과 운영성을 검증하는 역할까지 감당할 수 있다. 따라서 바이브 코딩은 모든 사람을 동일한 수준의 개발자로 만들어주는 기술이라기보다, 각자의 위치에서 ‘만들어보는 속도’를 높여주는 기술에 가깝다. 이런 환경에서는 바이브 코딩이 할 수 있는 역할이 자연스럽게 제한된다. 핵심 업무 로직을 직접 대체하기보다는 화면 프로토타입, 보조 대시보드, 분석용 유틸리티, 개인용 자동화 도구, 테스트용 샌드박스, 보고용 시뮬레이터처럼 본체 주변의 영역에 더 적합하다. 다시 말해, 바이브 코딩은 글로벌 설루션의 중심부를 재구축하는 기술이라기보다, 그 주변부의 불편을 빠르게 줄여보는 실험 도구에 가깝다. 하지만 그렇다고 해서 그 의미를 과소평가할 필요는 없다. 오히려 반대다. 필자는 바로 그 제한성 때문에 바이브 코딩이 더 현실적이라고 본다. 실제 업무에서는 거대한 혁신보다 작지만 반복되는 불편이 훨씬 많다. 예를 들어 품질 이슈를 정리하는 간단한 대시보드, 협력사 대응용 정리 화면, 설계 변경 영향 체크리스트, 일정 가시화 도구, 개인용 원가 계산기, 회의록 자동 정리 보조 도구처럼 ‘정식 시스템으로 만들기엔 작지만 그대로 두기엔 계속 불편한 것들’이 현장에는 늘 존재한다. 바이브 코딩은 바로 그 틈새를 파고든다. 스티브 잡스의 말, “진짜 창작자는 결국 결과물을 세상에 내놓는다”는 문장은 이 맥락에서 유난히 실감난다. 바이브 코딩의 장점은 완벽한 시스템을 만들게 해준다는 데 있지 않다. 머릿속에만 있던 아이디어를 실제로 한번 작동해보게 만든다는 데 있다. 비개발자에게 이 경험은 특히 중요하다. 그전까지는 ‘좋은 아이디어’와 ‘실제로 작동하는 결과물’ 사이에 너무 큰 간극이 있었기 때문이다. 이제는 그 사이를 AI가 어느 정도 메워준다. 물론 완성도 높은 상용 시스템을 만들기 위해서는 여전히 전문 개발과 검증이 필요하다. 그러나 첫 번째 프로토타입을 만드는 데까지는 이전보다 훨씬 빠르게 갈 수 있다. 필자는 이 점에서 바이브 코딩의 현재 위치를 ‘개인의 실험실’에 가깝다고 본다. 지금의 바이브 코딩은 거대한 엔터프라이즈 시스템을 통째로 만드는 기술이라기보다, 순수한 개인 또는 소규모 팀이 자기 문제를 해결하기 위해 무언가를 직접 만들어보는 수준에서 가장 잘 작동한다. 그렇다고 그 수준이 가볍다는 뜻은 아니다. 바로 그 개인 실험의 축적이 조직의 디지털 감각을 바꾸고, 현장의 언어를 더 구조화하며, 나중에는 더 정교한 시스템 구축을 위한 문제 정의력으로 이어질 수 있기 때문이다. 특히 제조 기업의 실무자와 리더에게 이 흐름은 시사점이 크다. 설계, 생산, 품질, 구매, 자산 관리, 프로젝트 관리 영역에는 늘 현장만이 아는 불편이 있다. 외부 설루션은 그 불편을 모두 담아내지 못하고, 내부 IT는 모든 요청을 즉시 반영하기 어렵다. 이때 바이브 코딩은 완성형 설루션의 경쟁자가 아니라, 아이디어를 빠르게 시험해보는 사전 실험장 역할을 할 수 있다. 사용자는 먼저 문제를 언어로 정리하고, 필요한 데이터 흐름을 구조화하고, AI를 이용해 작은 도구를 만들어본다. 그렇게 만들어진 결과는 때로는 개인용 유틸리티에서 끝날 수도 있고, 때로는 정식 프로젝트의 출발점이 될 수도 있다. 중국 고전에서 유래한 말처럼 “천 리 길도 한 걸음부터다.” 바이브 코딩은 거창한 완성의 기술이 아니라, 작지만 구체적인 첫걸음을 가능하게 하는 방식이다. 비개발자는 그것을 통해 문제를 구조화하는 감각을 익히고, 개발자는 그것을 통해 더 빠르게 실험하고 구현한다. 그리고 기업은 그 사이에서 정식 시스템 이전의 가능성을 시험해볼 수 있다. 필자는 바이브 코딩을 지나치게 낙관적으로 보지도 않고, 반대로 일시적 유행으로만 보지도 않는다. 그것은 지금 당장 모든 것을 바꿔놓을 혁명은 아닐 수 있다. 그러나 적어도 한 가지는 분명하다. 이제 현장을 가장 잘 아는 사람이, 자신이 겪는 불편을 직접 작동하는 형태로 바꿔볼 수 있는 시대가 열리고 있다는 점이다. 그 가능성은 생각보다 크고 그 시작은 생각보다 작다. 그래서 지금 바이브 코딩은 거대한 답이라기보다 한 번 진지하게 시도해볼 만한 좋은 질문에 가깝다.   ■ 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.

델 테크놀로지스가 전문가용 워크스테이션 브랜드인 ‘델 프로 프리시전(Dell Pro Precision)’을 다시 선보인 것과 동시에, 인공지능(AI) 워크로드와 전문 작업에 최적화된 신제품 9종을 발표했다. 이번 신제품은 높은 연산 성능과 냉각 효율을 바탕으로 기업의 AI 혁신을 지원하는 데 초점을 맞췄다.   ▲ 델 프로 맥스 위드 GB300의 내부 구성   가장 눈길을 끄는 제품은 엔비디아 GB300 슈퍼칩을 탑재한 ‘델 프로 맥스 위드 GB300(Dell Pro Max with GB300)’이다. 이 제품은 72코어 Arm 기반 프로세서를 통해 데이터센터 수준의 성능을 책상 위에서 구현하는 AI 슈퍼컴퓨터다. 최대 20페타플롭의 연산 성능과 748GB의 코히어런트 메모리를 갖춰, AI 개발팀이 로컬 환경에서 최대 1조 개의 매개변수를 가진 거대 모델을 실험할 수 있도록 설계했다. 델 테크놀로지스에 따르면 초저지연 네트워킹을 지원하는 엔비디아 커넥트X-8 스마트 NIC를 통해 제품 두 대를 연결하면 성능을 두 배로 확장할 수 있다. 또한 이 제품은 우분투 리눅스 기반의 엔비디아 AI 소프트웨어 스택을 기본 구성해 거대 언어 모델(LLM) 미세 조정이나 에이전트 개발을 즉시 실행할 수 있다. 델이 자체 설계한 맥스쿨 냉각 기술은 스마트 콜드 플레이트와 듀얼 열교환기를 사용해 고부하 작업 시에도 성능 저하 없이 최적의 온도를 유지한다. 엔비디아 네모클로와 오픈쉘을 지원해 외부 클라우드 연결 없이 기업 보안 정책에 맞춘 자율형 AI 에이전트 구축이 가능한 것도 특징이다. 모바일 워크스테이션으로는 ‘델 프로 프리시전 7(Dell Pro Precision 7)’ 14 및 16 시리즈를 선보였다. 이들 제품은 엔비디아 블랙웰 아키텍처 기반의 그래픽 성능을 갖췄으며, 독립 소프트웨어 벤더(ISV) 인증을 통해 전문 애플리케이션의 안정적인 구동을 지원한다. 16인치 모델은 최대 50W급 인텔 코어 울트라 프로세서 시리즈 3와 엔비디아 RTX 프로 3000 블랙웰 GPU를 탑재해 3D 렌더링과 AI 모델 추론을 처리한다. 14인치 모델은 약 1.49kg의 무게로 휴대성을 높이면서도 45W급 프로세서와 RTX 프로 2000 블랙웰 GPU를 장착했다.   ▲ 델 프로 프리시전 7 16 모바일 워크스테이션   타워형 워크스테이션인 ‘델 프로 프리시전 9’ 시리즈는 워크로드 규모에 따라 T2, T4, T6 모델로 나뉜다. T2 모델은 인텔 제온 600 프로세서와 RTX 프로 6000 블랙웰 GPU를 탑재했으며 최대 1TB의 DDR5 ECC 메모리를 지원한다. 확장성이 가장 높은 T6 모델은 최대 86코어 인텔 제온 프로세서와 5개의 엔비디아 RTX 프로 블랙웰 GPU, 316TB의 스토리지 용량을 갖춰 고성능 AI 트레이닝과 시각 특수효과 작업에 적합하다. 이외에도 델 테크놀로지스는 비즈니스 사용자를 위한 엔트리급 모델인 ‘델 프로 프리시전 5 14·16’과 슬림한 폼팩터를 채택한 ‘델 프로 프리시전 5 14S·16S’ 모델을 함께 공개했다. 7 시리즈와 9 시리즈 T2 모델은 3월 중 출시하며, 5 시리즈와 9 시리즈 T4·T6 모델은 5월부터 순차적으로 출시할 예정이다. 한국 델 테크놀로지스의 김경진 총괄사장은 “에이전틱 AI로의 전환이 빨라지면서 클라우드 의존도를 낮추고 로컬 환경에서 AI를 안전하게 운용하려는 수요가 늘고 있다”면서, “AI 시대의 전문가들이 한계를 뛰어넘는 성과를 낼 수 있도록 독보적인 포트폴리오를 제공하며 시장 혁신을 주도하겠다”고 밝혔다.

지멘스 디지털 인더스트리 소프트웨어, 지멘스 EDA 사업부는 자사의 스마트 검증 소프트웨어 포트폴리오인 퀘스타 원에 에이전틱 AI 워크플로를 적용한 ‘퀘스타 원 에이전틱 툴킷(Questa One Agentic Toolkit)’을 발표했다. 이번 툴킷은 반도체 설계 검증의 전 과정을 가속해 신뢰할 수 있는 레지스터 전송 수준(RTL) 최종 승인을 빠르게 달성하도록 돕는다. 최근 3D 집적회로와 칩렛 기반 아키텍처 등 설계 복잡성이 커지면서 검증 생산성 격차가 벌어지고 있다. 지멘스에 따르면 퀘스타 원 에이전틱 툴킷은 기존의 개별 툴 중심 상호작용을 에이전틱 AI 기반의 지능형 다단계 워크플로로 전환한다. 이 시스템은 복잡한 작업을 추론하고 실행하면서도 중요한 의사결정 단계마다 엔지니어의 감독을 유지하는 것이 특징이다. 퀘스타 원 에이전틱 툴킷은 지멘스의 에이전틱 및 생성형 프레임워크인 퓨즈 EDA(Fuse EDA) AI 시스템과 원활하게 연동된다. 지멘스 환경을 원하는 고객에게 최적화된 성능을 제공하는 동시에, 개방형 아키텍처를 채택해 다른 에이전틱 플랫폼과도 통합할 수 있다. 표준화된 인터페이스를 통해 다양한 플랫폼에서 일관되게 작동하며 기존 투자 자산을 보호한다.     지멘스는 검증 엔진 전문성과 심층 AI 통합, 고객 선택권 세 가지 요소를 차별점으로 내세웠다. 자체 개발한 모델 컨텍스트 프로토콜을 통해 툴을 에이전틱 프레임워크에 노출하며, 엔비디아의 라마 네모트론(NVIDIA Llama Nemotron) 등을 활용해 실시간으로 검증 상태를 이해한다. 또한 깃허브 코파일럿이나 클로드 코드 등 주요 AI 코딩 애플리케이션과 함께 사용할 수 있는 유연성을 갖췄다. 툴킷에 포함된 주요 에이전트는 설계와 검증의 효율을 높인다. RTL 코드 에이전트는 자연어 설명으로 합성 가능한 코드를 생성하고 규칙 위반을 점검한다. 린트 에이전트(Lint Agent)와 CDC 에이전트는 각각 설계 오류와 클록 도메인 크로싱(Clock Domain Crossing) 검증을 최적화하며, AI 기반의 자동 수정 제안을 통해 품질을 확보한다. 이외에도 검증 계획 에이전트(Verification Planning Agent)는 설계 사양을 분석해 검증 계획을 자동으로 생성하며, 디버그 에이전트는 파형과 로그 파일을 분석해 근본 원인 파악을 돕는다. 이러한 에이전트들은 전문가가 개발한 프롬프트 라이브러리를 기반으로 퀘스타 원의 다양한 툴과 MCP를 활용해 직접 연동된다. 지멘스 디지털 인더스트리 소프트웨어의 아비 콜펙워 수석 부사장은 “퀘스타 원 에이전틱 툴킷은 연결성과 데이터 기반 원칙을 바탕으로 고객이 AI 가속을 통해 설계 및 검증 클로저를 달성하도록 지원한다”면서, “인간의 전문성과 판단을 유지하면서도 지능형 에이전틱 AI 워크플로로 강화된 포괄적인 검증 설루션을 제공한다”고 밝혔다.

아비바는 엔비디아와 협력해 자사의 엔지니어링 및 운영 소프트웨어를 엔비디아 옴니버스 DSX 블루프린트(NVIDIA Omniverse DSX Blueprint)에 통합했다고 밝혔다. 이를 통해 기가와트급 AI 팩토리를 위한 새로운 라이프사이클 디지털 트윈 아키텍처를 선보였다. 양사는 대규모 데이터센터에 적용할 수 있는 물리적·디지털 모듈을 공동 개발하고 이를 AI 팩토리 형태로 구현한다. 이 방식은 기존 AEC(엔지니어링·조달·시공) 프로젝트에서 검증된 방법론을 기반으로 삼았다. 이번 협력은 아비바의 산업 인텔리전스 플랫폼 커넥트와 산업용 디지털 트윈 기술 포트폴리오를 중심으로 진행한다. 기업은 도메인 특화 시뮬레이션과 디지털 시각화, 협업 설계 도구를 통해 GPU 활용 효율을 높일 수 있다. 아비바에 따르면 AI의 토큰 생성에 걸리는 시간을 줄여 AI 팩토리 구축 속도와 확장성을  높일 수 있다. 아비바는 슈나이더 일렉트릭, 이탭(ETAP)과 맺은 전략적 파트너십을 이번 협력과 연계한다. 세 기업은 엔비디아 옴니버스 DSX 블루프린트 기반 AI 팩토리의 설계부터 시뮬레이션, 구축, 운영, 최적화 전 과정을 공동으로 고도화하고 있다. 이를 통해 아비바가 보유한 산업 전문성을 AI 인프라 영역으로 확장한다는 전략이다.     아비바는 설루션 통합을 통해 AI 팩토리의 전체 생애주기에 걸쳐 디지털 트윈의 가치를 제공한다는 비전을 내세웠다. 우선 오픈USD 기반 심레디(SimReady) 자산을 아비바 유니파이드 엔지니어링(AVEVA Unified Engineering)으로 가져올 수 있는 신규 컨버터를 제공한다. 이를 통해 기존 자산 재사용과 고정밀 시뮬레이션 환경 활용이 가능해진다. 아비바 자산 정보 관리(AVEVA Asset Information Management)를 활용하면 단일 데이터 소스를 바탕으로 설계부터 운영까지 장비와 시스템을 일관되게 관리할 수 있다. 아비바 프로세스 시뮬레이션(AVEVA Process Simulation)은 AI 팩토리의 고급 액체 냉각 네트워크를 모델링하고 시뮬레이션하여 설계를 최적화하고 냉각 효율을 높이는 데 쓰인다. 아비바 PI 시스템(AVEVA PI System)은 엔비디아 옴니버스 DSX 익스체인지 전반에서 IT와 OT 데이터를 통합 수집하고 분석한다. 향후 엔비디아 NV-태서랙트(NVIDIA NV-Tesseract) 모델을 적용해 이상 탐지와 예측 기능까지 확대할 계획이다. 이를 통해 냉각 시스템과 서버 랙 등에서 발생하는 데이터를 실시간으로 분석할 수 있다. 아비바 오퍼레이션 컨트롤(AVEVA Operations Control)과 유니파이드 오퍼레이션 센터(Unified Operations Center)는 전력과 기계, 안전 시스템을 하나의 통합 플랫폼으로 관리한다. 상황 인식 기반 템플릿을 통해 장애 원인 분석과 대응 권고, 성능 저하 추세 파악 등이 가능하다. 고객은 고밀도 AI 팩토리 환경에서도 안정적인 운영을 구현하고 차세대 AI 인프라 구축을 앞당길 수 있다. 아비바의 롭 맥그리비 최고제품책임자는 “AI 팩토리는 글로벌 디지털 경제를 견인하는 핵심 인프라로 자리 잡고 있다”면서, “아비바와 엔비디아는 전문성과 소프트웨어, 운영 역량을 결합해 새로운 디지털 트윈 구축 방식을 제시하고 있다”고 전했다. 엔비디아의 블라디미르 트로이 AI 인프라 부문 부사장은 “기가와트급 AI 팩토리의 확산은 설계부터 운영까지 전체 생애주기를 최적화할 수 있는 산업 지능을 요구한다”면서, “아비바의 소프트웨어를 엔비디아 옴니버스 DSX 블루프린트에 통합함으로써 개발자들이 AI 인프라를 더 빠르고 효율적으로 구축할 수 있게 됐다”고 밝혔다.

인텔은 새로운 노트북용 프로세서인 ‘인텔 코어 울트라 200HX 플러스’ 시리즈를 출시하며 코어 울트라 200 시리즈 제품군에 게이머와 전문가를 위한 고성능 옵션을 추가했다고 전했다. 고성능 게이밍과 스트리밍, 콘텐츠 제작 및 워크스테이션 환경에 최적화된 이번 시리즈는 인텔 코어 울트라 9 290HX 플러스와 인텔 코어 울트라 7 270HX 플러스 두 가지 모델로 구성된다. 이번 신규 프로세서는 아키텍처 개선과 더불어 일부 게임에서 네이티브 성능을 향상시킬 수 있는 바이너리 변환 계층 최적화 기능인 인텔 바이너리 최적화 툴을 지원한다. 인텔의 조시 뉴먼 클라이언트 컴퓨팅 그룹 제품 마케팅 총괄은 “인텔 코어 울트라 200HX 플러스 시리즈 출시로 최고의 성능을 지향하는 게이머와 크리에이터, 전문가들을 위해 노트북 컴퓨팅 성능을 한층 더 끌어올렸다”고 말했다. 그는 “향상된 다이 투 다이 클럭 속도와 새로운 인텔 바이너리 최적화 툴을 통해 실질적인 성능 향상을 구현했으며 매끄러운 게임 플레이와 신속한 콘텐츠 제작 워크플로를 지원한다”고 덧붙였다.     인텔에 따르면, 성능 측면에서 인텔 코어 울트라 9 290HX 플러스는 이전 세대인 인텔 코어 울트라 9 285HX 대비 게이밍 성능은 최대 8% 증가했고 싱글 스레드 성능은 최대 7% 향상됐다. 구형 시스템인 인텔 코어 i9-12900HX와 비교하면 게이밍 성능은 최대 62% 높아졌으며 싱글 스레드 성능은 최대 30%까지 구현한다. 기술적인 특징으로는 인텔 코어 울트라 7 285HX 및 인텔 코어 울트라 7 265HX 대비 최대 900MHz 향상된 다이 투 다이 클럭 속도를 지원한다. 이를 통해 CPU와 메모리 컨트롤러 간 연결 속도가 1GHz 가까이 증가하며 시스템 지연을 낮추고 게이밍 성능을 높이는 효과를 낸다. 새롭게 도입된 인텔 바이너리 최적화 툴은 사이클당 명령어 수(IPC)와 사용자 체감 성능을 향상시키는 기술이다. 인텔은 이 기술이 다른 x86 프로세서나 게임 콘솔에 맞춰진 워크로드에서도 성능 개선을 가능하게 하며 향후 인텔 성능 로드맵의 핵심 요소가 될 것이라고 설명했다. 연결성 부문에서도 최첨단 기술을 탑재했다. 인텔 와이파이 7과 인텔 무선 블루투스 5.4는 물론 인텔 썬더볼트 5를 지원한다. 특히 썬더볼트 5는 최대 80Gbps의 양방향 대역폭을 기반으로 대용량 파일 전송과 8K 미디어 스트리밍을 원활하게 지원하며 다수의 액세서리를 하나의 PC에 연결하는 데이지 체인 구성도 가능하다. 인텔 코어 울트라 200HX 플러스 기반 시스템은 에이서, 에이수스, 델 테크놀로지스, HP, 레노버, MSI 등 주요 제조사를 통해 순차적으로 출시될 예정이다.

인텔이 새로운 데스크톱 프로세서인 ‘인텔 코어 울트라 200S 플러스(Intel Core Ultra 200S Plus)’ 시리즈를 공개했다. 이번에 선보인 인텔 코어 울트라 270K 및 250K 플러스는 아키텍처 개선을 통해 성능을 강화하고 사용자에게 향상된 가치를 제공하도록 설계됐다. 신제품은 기존 모델 대비 더 많은 코어 수와 최대 900MHz 향상된 다이-투-다이 클럭 속도를 제공해 멀티스레드 성능을 높였다. 특히 특정 게임에서 성능을 최적화할 수 있는 인텔 바이너리 최적화 툴을 최초로 지원한다. 인텔은 “이번 제품은 인텔 역사상 가장 빠른 게이밍 성능을 구현하며, 경쟁사 대비 콘텐츠 제작 성능을 거의 두 배 수준으로 끌어올렸다”고 밝혔다.     주요 사양 및 기능은 다음과 같다. ▲인텔 코어 울트라 7 270K 플러스는 24코어(고성능 코어 8개+고효율 코어 16개), 코어 울트라 5 250K 플러스는 18코어(고성능 코어 6개+고효율 코어 12개)로 고효율 코어(E-코어)가 4개씩 추가됐다. ▲다이-투-다이 클럭 속도가 최대 900MHz 향상되어 시스템 지연시간을 낮추고 게이밍 성능을 높인다. ▲새롭게 지원되는 인텔 바이너리 최적화 툴은 프로세서의 IPC를 향상시켜 사용자가 체감하는 성능을 높이며 다양한 아키텍처에 맞춘 워크로드에서도 성능 향상을 제공한다. ▲DDR5 7200 MT/s 메모리를 지원하며 바이오스 프로파일을 통해 최대 8000 MT/s 오버클러킹에 대한 보증 지원을 포함한다. ▲모듈당 최대 128GB를 지원하는 4-랭크 CUDIMM 메모리를 선제적으로 지원해 대용량 메모리 구성을 가능하게 한다. 인텔의 로버트 할록 클라이언트 컴퓨팅 그룹 앤수지애스트 채널 담당은 “새로운 프로세서는 고성능 데스크톱의 새로운 장을 여는 제품”이라며, “압도적인 경쟁 우위와 고객 가치를 제공할 것”이라고 강조했다. 인텔 코어 울트라 200S 플러스 시리즈는 현재 출시된 모든 800 시리즈 칩셋 메인보드와 호환된다. 신제품은 3월 26일부터 전 세계 리테일 파트너를 통해 판매될 예정이며 가격은 199달러부터 시작한다. 새로운 프로세서를 탑재한 주요 PC 제조사 및 시스템 통합업체의 완제품 PC 역시 같은 시기에 출시될 예정이다.

산업을 위한 AI와 버추얼 트윈 기술 (1)   국제적으로 환경 규제가 강화됨에 따라 조선산업에서는 설계 초기 단계부터 탄소 배출을 정량적으로 관리하는 체계가 필수로 자리잡고 있다. 다쏘시스템은 카티아 매직(CATIA Magic)과 다이몰라(Dymola)를 통해 모델 기반 시스템 엔지니어링(MBSE)과 다물리 시뮬레이션을 결합한 ‘프론트 로딩’ 환경을 제공한다. 이를 통해 선박의 복잡한 시스템을 통합적으로 검증하고 최적의 설계 대안을 도출함으로써, 저탄소 친환경 선박 개발의 리스크를 줄이고 기술 경쟁력을 강화할 수 있다.   ■ 신정일 다쏘시스템코리아 조선해양 Technical Executive 홈페이지 | www.3ds.com/ko   전 세계 교역 물량의 약 90%를 담당하는 해운 산업은 전 지구적 온실가스 배출의 약 3%를 차지하고 있으며, 기후 위기 대응의 핵심 산업으로 빠르게 부상하고 있다. 국제해사기구(IMO)는 2050년까지 해운 산업의 온실가스 순배출 제로(net-zero)를 목표로 설정하고, 기존선 에너지효율지수(EEXI : Energy Efficiency Existing Ship Index)와 탄소집약도지표(CII : Carbon Intensity Indicator) 등 규제를 본격적으로 시행하고 있다. 이러한 규제 환경은 선박의 성능을 단순히 ‘만족’시키는 수준을 넘어, 설계 초기 단계에서부터 탄소 배출을 정량적으로 예측, 관리, 검증할 수 있는 체계를 요구하고 있다. 이러한 변화로 인해 기존의 2D 도면 중심 설계와 부문별로 단절된 해석, 사후 검증 위주의 접근 방식만으로는 더 이상 효과적인 대응이 어렵다는 인식이 확산되고 있다. 이에 따라 최근 조선산업에서는 모델 기반 시스템 엔지니어링(Model-Based Systems Engineering : MBSE)과 시스템 단위 시뮬레이션을 중심으로 한 디지털 전환이 핵심적인 대응 방안으로 부상하고 있다.   조선산업에서 MBSE가 필수인 이유 선박은 본질적으로 추진, 전력, 연료, 안전, 제어, 열, 규제 요구사항이 복합적으로 얽힌 통합 시스템(system of systems)이다. 그러나 전통적인 설계 방식에서는 이러한 요소들이 개별 부서, 개별 해석 도구, 개별 문서로 관리되어 왔으며, 시스템 차원의 상호 영향은 설계 후반부나 시운전 단계에서야 드러나는 경우가 많았다. MBSE는 이러한 한계를 극복하기 위한 접근 방식이다. 선박을 하나의 통합 시스템으로 정의하고 요구사항–기능–구성요소–성능 간의 관계를 모델로 명확히 연결함으로써, 설계 변경이 전체 시스템에 미치는 영향을 사전에 검증할 수 있도록 한다. 이는 단순한 설계 효율화가 아니라, 규제 대응 리스크와 기술 불확실성을 구조적으로 줄이는 방법이다. 특히 저탄소 친환경 선박에서는 연료 소비, 이산화탄소 배출, 에너지 흐름, 운항 조건이 서로 긴밀히 연결되어 있기 때문에, 시스템 차원의 모델링과 시뮬레이션 없이는 설계 단계에서 신뢰성 있는 판단을 내리기 어렵다.   친환경 시스템 설계를 위한 성능 검증 다쏘시스템의 카티아 매직(CATIA Magic)은 이러한 복잡성을 관리하기 위해 MBSE를 단순한 개념이 아니라 설계–검증–의사결정이 유기적으로 작동하는 실질적인 실행체계로 구현한다. 요구사항 관리와 시스템 아키텍처를 중심으로 선박 전체의 구조와 기능을 정의하고, 그 결과를 물리 성능 시뮬레이션과 직접 연결함으로써 설계 초기 단계의 판단이 실제 성능 검증으로 즉시 이어지는 ‘프론트 로딩(front loading)’ 환경을 제공한다. 이 과정에서 다이몰라(Dymola)는 MBSE에서 정의된 시스템 아키텍처를 물리적으로 검증하는 핵심 가교 역할을 수행한다. 카티아 매직에서 정의된 요구사항과 검증 시나리오는 다이몰라의 시스템 모델로 전달되며, 다이몰라는 추진, 전력, 연료공급, 열관리 및 제어시스템 등 선박의 복합한 거동을 다물리(multi-physics) 기반으로 시뮬레이션하여 정량적인 성능 결과를 도출한다. 이러한 결과는 다시 시스템 아키텍처로 피드백되어 설계 대안 간 트레이드오프 분석과 전체 시스템 최적화에 활용된다. 특히 다이몰라는 오픈소스로 무료 사용이 가능한 표준 모델링 언어인 모델리카(Modelica)를 채택하고 있어, 조선소가 자사의 설계 철학과 운용 조건을 반영한 컴포넌트를 직접 구현할 수 있는 높은 유연성을 제공한다. 이를 통해 특정 벤더의 정형화된 라이브러리에 종속되지 않고, 기업 고유의 도메인 지식과 설계 노하우를 모델로 축적하고 활용할 수 있으며, 지식재산권 보호 측면에서도 경쟁력을 확보할 수 있다. 이러한 특성은 복잡성과 다양성이 높은 조선산업의 설계 및 생산 환경에서 성능을 검증, 최적화하는 데 적합하다.   그림 1   즉, MBSE가 ‘무엇(what)을 만족해야 하는가’를 정의한다면, 다이몰라는 ‘그 요구사항이 실제 물리 법칙 하에서 가능한가(how)’를 입증하는 역할을 담당한다. 이러한 시스템 아키텍처–성능 시뮬레이션 간 폐순환(closed-loop) 구조를 통해 설계 변경이 발생하더라도 그 영향이 신속하게 시뮬레이션 모델에 반영되며, 엔지니어는 그 결과를 바탕으로 데이터에 근거한 최적의 설계 대안을 도출할 수 있다. 이러한 초기 단계에서의 검증은 선박의 생산 및 시운전 단계에서의 시행착오를 획기적으로 줄이고, 한국 조선업의 기술적 리더십을 공고히 하는 핵심 경쟁력이 될 것이다.   카티아 매직과 다이몰라를 활용한 저탄소 친환경 성능 검증 사례 카티아 매직과 다이몰라는 이미 글로벌 조선산업에서 저탄소 성능을 설계 초기부터 검증하는 데 활용되고 있다. 대표적인 사례로는 전력 시스템 성능 검증, 그리고 IMO CII 규제 검증이 있다. 첫 번째 예로, 유럽의 한 조선소에서 선박 운항 중 전력 부하 해석을 통해 케이블, 변압기, 발전기 등 주요 전력 구성 요소의 적정 용량을 산정하고, 제어기를 포함한 전력 시스템의 전력 소모를 최소화하여 친환경 운항을 도모한 사례이다. <그림 2>와 같이 부하 흐름(load flow) 해석과 과도(transient) 시뮬레이션을 통해 주요 전력 구성 요소의 용량과 전력 계통의 거동을 설계 초기 단계에서 검증함으로써, 전압 강하 및 과부하 발생 여부를 사전에 평가할 수 있다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 독일 뮌헨공과대학교(TUM) 연구팀이 개발하여 공개한 세계 최대 규모의 3D 건물 지도 데이터셋인 ‘글로벌 빌딩 아틀라스(Global Building Atlas)’ 프로젝트에 대해 설명한다. 특히, 인공지능과 위성 영상 분석 기술을 결합하여 전 세계에 존재하는 건물을 3차원 모델로 구현한 방법을 기술적 관점에서 나눔한다.   ■ 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. Literally a Map Showing All the Buildings in the World(https://gizmodo.com/literally-a-map-showing-all-thebuildings-in-the-world-2000694696)   이 결과는 오픈소스로 공개되었으며, 기존에 가장 방대하다고 알려진 데이터셋이 포함하던 약 17억 개의 건물 수치를 크게 웃도는 규모로 개발되었다. 그동안 디지털 지도 데이터에서 소외되었던 아프리카, 남미, 아시아의 농촌 지역 건물들까지 정밀하게 포착해냈다는 점에서 기술적 진보를 보여준다.   개발 과정 지도의 기반이 된 데이터는 주로 2019년에 촬영된 플래닛스코프(PlanetScope) 위성 이미지를 활용하였으며, 연구팀은 이를 통해 각 건물의 2D 바닥 면적뿐만 아니라 높이 정보까지 정밀하게 추출했다. 이 지도가 제공하는 높이 데이터의 해상도는 3×3미터 수준으로, 기존의 글로벌 건물 높이 데이터셋들이 주로 90미터 해상도에 그쳤던 것과 비교하면 약 30배 이상 정밀도가 향상된 수치이다. 제공되는 데이터는 건물의 대략적인 형태와 높이를 단순화하여 표현하는 LoD1(Level of Detail 1) 수준의 3D 모델 형식을 따르고 있어, 전 지구적 규모의 방대한 데이터를 다루면서도 활용성을 확보했다.   그림 2. 3차원 건물 모델 데이터셋 자동화 결과물   이 연구는 기존 데이터셋이 가진 커버리지의 한계와 3D 정보의 부재를 해결하기 위해 진행되었으며, 전 세계 약 27억 5000만 개의 건물을 포함하는 방대한 규모의 데이터를 구축하였다. 이는 기존의 가장 포괄적인 데이터베이스보다 10억 개 이상 많은 수치로, 그동안 데이터상에서 누락되었던 전 세계 건물의 약 40% 이상을 메우는 성과이다. 연구팀은 이 데이터셋 구축을 위해 플래닛스코프 위성 이미지만을 사용하는 머신러닝 기반 파이프라인을 개발했다. 이 과정은 크게 건물 폴리곤 생성과 높이 추정의 두 단계로 나뉘며, 기존의 오픈소스 건물 데이터(오픈스트리트맵, 구글, 마이크로소프트 등)와 자체 생성한 데이터를 ‘품질 기반 융합 전략’을 통해 결합하여 데이터의 완성도를 극대화했다. 이를 통해 완성된 ‘GBAHeight’는 3×3미터의 공간 해상도를 제공하는데, 이는 기존 글로벌 제품들이 제공하던 90미터 해상도보다 약 30배 더 정밀한 수준이며 이를 통해 지역 및 전 지구 규모에서 신뢰할 수 있는 건물 부피 분석이 가능해졌다. 또한 연구팀은 건물 높이 정보를 포함한 ‘GBA-LoD1’ 모델을 생성하여 약 26억 8000만 건의 건물 인스턴스를 구현했으며, 이는 전체의 97%에 달하는 높은 완성도를 보인다.  높이 추정의 정확도를 나타내는 RMSE(평균제곱근오차)는 대륙별로 1.5미터에서 8.9미터 사이로 나타났으며, 특히 오세아니아와 유럽에서 높은 정확도를 보였다. 데이터 분석 결과 아시아가 건물 수와 총 부피 면에서 압도적인 비중을 차지하는 반면, 아프리카는 건물 수는 많으나 총 부피가 작아 소규모 또는 비공식 건물이 다수 분포함을 시사했다.     그림 3. 공개된 글로벌 빌딩 아틀라스 LoD1 웹 서비스(선릉역 및 뉴욕 근처의 생성된 3D 건물 모델)   AI 모델 개발 접근법 인공지능 모델 개발 및 활용 관점에서 본 글로벌 빌딩 아틀라스(GBA) 프로젝트는 3미터 해상도의 단일 시점(monocular) 위성 영상인 플래닛스코프 데이터를 입력으로 받아 전 지구적 규모의 3D 건물 모델을 생성하는 파이프라인을 구축했다는 점에서 기술적 의미가 있다. 전체 시스템은 크게 2D 건물 폴리곤 생성을 위한 의미론적 분할(semantic segmentation) 네트워크와 3D 높이 추정을 위한 단안 높이 추정(monocular height estimation) 네트워크로 이원화되어 설계되었다. 2D 건물 폴리곤 생성 모델의 경우, 연구팀은 UPerNet(Unified Perceptual Parsing Network) 아키텍처를 기반으로 하되 백본(backbone)으로 ConvNeXt-Tiny를 사용했다. 모델의 성능을 높이기 위해 ‘추출(extraction)’과 ‘정규화(regularization)’라는 두 단계의 네트워크를 직렬로 구성한 점이 특징이다. 첫 번째 네트워크가 위성 영상에서 1차적인 이진 마스크를 생성하면, 동일한 아키텍처를 가진 두 번째 정규화 네트워크가 이를 입력받아 노이즈를 제거하고 건물 경계를 다듬는다. 특히 정규화 네트워크 학습 시에는 깨끗한 폴리곤 마스크에 인위적인 노이즈를 주입한 것을 입력 데이터로 사용하여, 모델이 거친 마스크를 정제된 형태로 복원하는 일종의 디노이징(denoising) 기능을 수행하도록 훈련시켰다.   그림 4. GBA 딥러닝 모델 아키텍처     ■ 기사 상세 내용은 PDF로 제공됩니다.