전주기 AX 통합 플랫폼 ‘OCTOPUS’로 산업 AI 혁신 앞당긴다   AI는 이제 로봇의 몸을 빌려 물리적 제조 현장에서 움직이기 시작했다. 글로벌 제조업은 산업현장이 자동화되는 인더스트리 4.0을 넘어 인간과 기술이 공존하는 인더스트리 5.0 시대로 진입하고 있다. 특히 올해 글로벌 빅테크 기업들이 앞다퉈 제시한 ‘피지컬 AI’는 AI가 물리적 세계를 직접 제어하는 시대의 도래를 알렸다. 제조업 디지털화의 중심도 변하고 있다. 과거 스마트 팩토리가 ‘연결’과 ‘자동화’를 중심으로 했다면, 현재의 자율제조는 ‘지능화’와 ‘자율 판단’으로 무게중심이 이동하고 있다. 유비씨(UVC, www.uvc.co.kr)는 전주기 AX(AI Transformation) 통합 플랫폼 ‘OCTOPUS’(옥토퍼스)를 통해 이러한 변화를 이끌고 있다.   유비씨 조규종 대표 8개 개별 솔루션을 하나로 통합한 전주기 AX 플랫폼 ‘OCTOPUS’ 유비씨는 2010년 설립 당시 기계와 로봇 간 데이터 통신 기술에 집중했다. 이후 3D 렌더링 엔진 기술을 결합하며 스마트 팩토리와 디지털트윈 솔루션으로 사업영역을 확장했다. 최근에는 이러한 역량에 AI 기술을 융합하며 제조 현장의 디지털 전환(DX)을 넘어 AI 전환(AX)까지 아우르는 전주기 통합 솔루션 OCTOPUS를 완성했다. OCTOPUS는 엣지(Edge), 데이터 허브(Data Hub), 트윈(Twin), 시뮬레이터(Simulator), AI 허브(AI Hub), 에이전틱 AI(Agentic AI), 피지컬 AI(Physical AI), 로봇 허브(Robot Hub) 등 8개 솔루션으로 구성된다. 8개의 개별 솔루션을 하나의 전주기 AX 플랫폼에 통합한 OCTOPUS는 이름 그대로 문어의 특징을 닮았다. 글월 문(文)자를 쓰는 문어는 예부터 ‘바다의 선비’로 불리던 똑똑한 생명체다. 문어의 지능적 두뇌는 스스로 학습하는 AI를, ▲ 유비씨 조규종 대표 예리한 눈은 정밀 모니터링을, 독립적으로 움직이는 8개의 팔은 분산지능을, 민감한 피부는 이상 감지를 상징한다. OCTOPUS는 8개 솔루션이 유기적으로 연결되어 데이터 수집-통합-시각화-검증–학습–예측–제어의 전 과정을 수행한다. 나아가 이를 다시 생산 계획에 반영하는 완벽한 순환 구조를 구현했다. 작동 방식은 다음과 같다. 현장의 엣지가 이기종 설비에서 데이터를 수집하면, 데이터 허브가 이를 AI가 학습할 수 있는 형태로 정제한다. 트윈은 실시간 3D로 현장을 시각화하고, 시뮬레이터는 반복 실험을 통해 최적의 조건을 탐색한다. AI 허브는 공정을 학습하고, 학습된 데이터를 바탕으로 에이전틱 AI가 24시간 자율 의사결정을 수행한다. 피지컬 AI는 로봇과 설비를 정밀 제어하고, 로봇 허브가 다수의 로봇을 통합 관제한다. 기존의 제조 IT·시뮬레이션·AI 솔루션은 전문 인력이 아니면 접근 자체가 어려울 정도로 진입 장벽이 높았다. OCTOPUS는 이 문제를 플랫폼 설계 단계부터 완전히 다르게 접근했다. 데이터 수집, 시뮬레이션, AI 분석, 디지털 트윈, 로봇 제어 등 각기 다른 카테고리로 분리되어 있던 기능들을 하나의 흐름과 하나의 화면, 하나의 언어로 통합한 것이다. 특히 LLM 기반 자연어 인터페이스를 적용해 “생산 라인을 한 대 더 늘리면 어떻게 될까?”, “이 공정에서 병목이 생기는 이유가 뭐지?” 등의 질문만으로 시뮬레이션과 AI 분석, 가상 검증 결과를 제시한다. AI 예측을 실제 설비제어까지 연결하는 M.AX 시대 많은 AI 솔루션이 데이터를 분석하고 예측 결과를 보여주는데 그친다. 그러나 진정한 제조 A I전환, 즉 ‘M.AX(Manufacturing AX)’를 실현하려면 AI의 판단이 실제 설비나 로봇의 동작으로 직접 이어져야 한다. 문제는 현장에서 AI가 내린 결정을 설비 제어에 바로 적용하는 것을 극도로 꺼린다는 점이다. 안전 문제, 예상치 못한 오작동에 대한 우려, 그리고 책임 소재에 대한 불안감 때문이다. 유비씨는 디지털 트윈과 피지컬 AI를 결합한 독자적인 아키텍처로 문제 해결에 나섰다. 가상 환경에서 AI 모델을 충분히 학습시키고, 수천 번의 시뮬레이션을 통해 안전성과 효과를 검증한 후에만 실제 현장에 적용하도록 설계한 것이다. 이를 통해 환경 변화와 예외 상황에도 흔들리지 않는 안정적이고 신뢰할 수 있는 자율 운영을 실현해 나간다. 유비씨 조규종 대표는 “AI가 브레인이라면 DT는 AI의 명령을 실질적으로 수행하는 중추 신경계다. 유비씨는 디지털 트윈 기반의 피지컬 AI 기업을 향해 나아가고 있다”고 설명한다. 이어 “제조업에서 AI 기반 디지털 트윈이 지금 가장 큰 가치를 만드는 분야는 제조·생산·물류 현장의 ‘협업’을 지능화하는 영역이다. 로봇이 혼자 똑똑해지는 것보다 더 어려운 건 로봇이 제조 설비와 함께 상황을 이해하고, 여러 로봇이 스스로 역할을 나누며, 필요하면 작업자와도 안전하게 함께 일하도록 만드는 일이다”라고 덧붙였다. 유비씨가 정의하는 피지컬 AI는 인지-계획-실행으로 이어지는 구조를 기반으로 한다. 물리적 환경과 설비 상태를 실시간으로 인지하고, 운영 목표와 제약 조건을 반영해 행동을 계획한 뒤, 이를 실제 로봇과 설비의 동작으로 실행하는 전 과정을 설계하고 있다. 이 과정에서 디지털 트윈은 피지컬 AI가 학습할 수 있는 합성 데이터(Synthetic Data)를 제공하는 핵심 환경 역할을 담당한다. 나아가 OCTOPUS 피지컬 AI 솔루션을 중심으로 자율제조 영역에서 사업을 확장하는 모습이다. 조 대표는 “국내 탑티어 로봇 제조사 두 곳과 협업을 통해 실제 제조 현장 적용이 가능한 피지컬 AI 기술의 실증과 고도화를 진행하고 있다”면서, “이를 통해 제조 AX 분야의 선도 기업으로 입지를 공고히 해 나갈 것”이라고 밝혔다.   ■ 캐드앤그래픽스 최경화 국장 kwchoi@cadgraphics.co.kr

심센터 HEEDS 더 깊게 살펴 보기 (4)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA의 성능을 비약적으로 가속화시키는 AI 시뮬레이션 프레딕터(AI Simulation Predictor) 기술에 대해 자세히 살펴본다. 지난 호에서 다룬 SHERPA의 지능형 탐색 방식에 AI의 예측 통찰력을 결합하여, 어떻게 해석 시간의 병목을 해결하고 검색 효율을 극대화하는지 조명할 예정이다. 이를 통해 고비용 해석 모델에서도 실질적인 리드타임을 단축하고 더 우수한 설계안을 도출해 내는 원리를 알아보고자 한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 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 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   최적화의 병목, 해석 시간과 비용의 문제 고충실도(High-Fidelity) 해석의 딜레마 현대 엔지니어링 설계의 정점은 전산유체역학(CFD)이나 비선형 구조해석과 같은 고성능 계산 과정을 필수로 한다. 이러한 고충실도 해석은 제품 성능을 가상 공간에서 정밀하게 모사할 수 있게 해 주지만, 치명적인 약점이 있다. 복잡한 모델의 경우 1회 해석에 수 시간에서 수 일이 소요되기도 하며, 수백 번의 반복 계산이 필요한 최적화 과정에서 이는 극복하기 어려운 시간적 병목(bottleneck)이 된다.   MDAO 과정에서 직면하는 실제 문제들 연재의 배경이 되는 다분야 설계 분석 및 최적화(MDAO : Multidisciplinary Design Analysis and Optimization) 환경에서는 다음과 같은 네 가지 핵심 문제에 직면한다. 시뮬레이션 시간 & 계산 비용 : 장기간의 CAE 실행은 컴퓨터 자원의 점유와 라이선스 비용 부담을 가중시킨다. 신뢰성 : 시간 제약으로 인해 충분한 설계안을 검토하지 못하면 결과의 신뢰성이 떨어진다. 지식의 재사용 : 이전 프로젝트의 방대한 시뮬레이션 데이터를 현재 최적화에 제대로 자산화하지 못하는 한계가 있다. 시프트 레프트(shift left) : 제품 개발 초기 단계에서 오류를 발견하지 못하면 이후 단계에서 대규모 수정 비용이 발생한다.   기존 대안 : 전통적 최적화 프로세스와 근사 모델의 한계 해석 시간을 줄이기 위해 전통적인 설계 공간 탐색(design space exploration) 과정에서는 반응표면법(RSM)이나 크리깅(kriging)과 같은 근사 모델(surrogate model)이 널리 사용되어 왔다. 하지만 이러한 전통적인 방식은 프로세스 측면에서의 번거로움과 기술적 모델 구축 측면에서의 한계를 동시에 안고 있다.   그림 1   첫째, 전문가 중심의 복잡한 다단계 프로세스로 인한 고충(pain points)이 크다. 목적 정의부터 모델 단순화, 알고리즘 선택 및 튜닝, 탐색 수행, 결과 해석으로 이어지는 과정은 매우 정교한 전문 지식을 요구하며 다음과 같은 문제를 일으킨다. 모델 단순화의 오류 가능성 : 변수 선별이나 응답면 모델을 수동으로 생성하는 과정은 오류가 개입되기 매우 쉽다.(too error-prone) 알고리즘 선택 및 튜닝의 고비용 구조 : 적절한 검색 알고리즘을 결정하기 위해 수많은 반복 시도가 필요하며, 파플레이션 크기나 변이율 등 세부 매개변수 설정에 고도의 전문성이 요구되어 시간과 비용이 많이 든다.(too costly & too difficult) 제한적인 혁신 : 이러한 난이도 탓에 최적화 기술이 일부 전문가에 의해 매우 한정적인 문제에만 적용되어, 결과적으로 설계 혁신의 폭이 좁아지는 결과를 초래한다. 둘째, 기술적으로 구축된 근사 모델 자체가 가진 결정적인 한계가 존재한다. 초기 데이터 확보의 높은 비용 : 신뢰할 수 있는 모델을 구축하기 위해서는 설계 공간 전체에 걸쳐 상당수의 초기 샘플 해석이 선행되어야 하며, 고성능 CAE 환경에서는 이 초기 샘플링 과정 자체가 막대한 병목이 된다. 정적 구조의 경직성 : 한 번 구축된 모델은 최적화가 진행되는 동안 설계 공간의 특성 변화나 새로운 유망 영역의 발견을 실시간으로 반영하여 스스로 업데이트되지 않는다. 전역적 경향성과 국부적 정밀도의 딜레마 : 전체적인 경향성은 파악하지만 최적해 주변의 미세한 비선형적 거동을 포착하는 데 한계가 있어, 최종 설계안이 실제 해석 결과와 괴리를 보이는 경우가 빈번하다.   그림 2   반면, 심센터 HEEDS는 이러한 복잡한 중간 단계를 ‘Automated Search’ 하나로 통합하여 엔지니어가 본연의 설계 업무인 목적 정의와 결과 분석에만 집중할 수 있는 환경을 제공한다. 이번 호에서 다룰 AI 프레딕터(AI Predictor)는 이 혁신적인 자동 탐색 과정을 한 단계 더 가속하여 기술적 한계를 극복하고 진정한 설계 디스커버리(discovery)를 실현하는 핵심 기술이다.   기술 혁신 : Boosting SHERPA의 정의와 전략적 가치 AI 시뮬레이션 프레딕터란 무엇인가? 심센터 HEEDS의 AI 시뮬레이션 프레딕터는 최적화 검색 과정을 가속시키는 퍼포먼스 부스터(Performance Booster)이다. 단순히 정해진 데이터를 학습하는 것을 넘어, SHERPA 검색 프레임워크 상단에서 작동하는 AI 오버레이(AI Overlay) 기술을 통해 실시간으로 데이터를 학습(on-the-fly)하여 해석이 필요한 위치(DOE)를 지능적으로 선별한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

로크웰 오토메이션은 지난 3월 4일~6일 열린 ‘오토메이션 월드 2026’에 참가해 산업 운영의 미래 비전과 자율 제조 전환 전략을 소개했다. 하드웨어 중심에서 소프트웨어 및 서비스 중심 기업으로 탈바꿈하고, 자동화를 넘어 AI와 데이터 중심의 자율 운영 단계로 진화하겠다는 비전을 밝힌 로크웰 오토메이션은 글로벌 파트너들과 함께 자율형 스마트 공장 생태계를 구축할 계획이다. ■ 정수진 편집장     AI 기반의 자율 제조 운영으로 산업 패러다임 전환 로크웰 오토메이션 코리아의 인더스트리 및 OEM 영업 본부장인 김낙현 상무는 “제조 산업이 하드웨어 중심 자동화에서 AI와 소프트웨어 기반의 자율 운영 단계로 진입하는 변곡점을 맞이했다”고 짚었다. 로크웰 오토메이션은 이러한 변화가 제조업의 복합적인 위기와 기술 진화가 맞물린 결과라고 보고 있다. 김 상무는 현재 제조업계가 에너지 비용 상승, 숙련 인력 부족, 공급망 리스크 등 거대한 위기에 직면했다고 진단하면서, “제조 기업은 전방위 압박 속에서도 지속 가능한 생산 능력을 키워야 하는 과제를 안고 있다”고 전했다. 기술 발전도 가속화되고 있다. AI와 로보틱스 등 생산 기술이 빠르게 발전하면서 적용 분야 또한 넓어지는 추세다. 김낙현 상무는 이에 따라 기존의 공장 운영 방식을 새롭게 재조명해야 한다면서, “하드웨어 통제 위주의 제조 환경이 AI와 데이터 기반으로 스스로 학습하고 최적화하는 자율 운영 체계로 넘어갈 것”이라고 전망했다. 로크웰 오토메이션 코리아의 이용하 대표는 “산업 현장의 AI는 더 이상 자동화를 보완하는 부가 기술이 아니다. 데이터 단절을 극복하고 공장 운영 전반의 의사결정 구조를 바꾸는 핵심 인프라로 자리 잡았다”면서, 제조 기업들이 자연스럽게 통합 데이터 기반의 자율 운영 단계로 전환해 나가고 있다고 밝혔다.     산업 생애주기 전반에 걸친 AI 통합 추진 로크웰 오토메이션 코리아의 마켓 액세스 영업 본부장인 이원석 상무는 산업용 AI의 특수성을 강조했다. 실시간 제어와 운영기술(OT) 데이터, 안전성이 중요한 산업 현장에서는 단순 분석형 AI보다 설계–운영–유지보수 전반에 내재된 특화 AI가 필요하다는 설명이다. 로크웰 오토메이션은 제품의 전체 생애주기에 AI를 결합하는 엔드 투 엔드 전략을 추진하고 있다. ▲설계 단계에서는 자연어 질의로 프로그램 코드를 자동 생성하고, 디지털 트윈 설루션으로 가상 공간에서 물리적 장비의 시뮬레이션을 수행한다. ▲운영 단계에서는 제어기 내부에 AI 모듈을 탑재해 장비가 머신러닝으로 제어 값을 조정하고 이상을 예측한다. 여기에 AMR(자율이동로봇) 설루션을 융합해 공장의 자율 최적화를 구현한다. ▲유지보수 단계에서는 설비의 에지(edge) 단에 AI를 적용해 실시간 모니터링을 진행하고, 유지보수 시스템과 연동해 선제적인 작업 지시를 내려 다운타임을 방지한다. 이원석 상무는 “수명주기 전반을 아우르는 파트너십을 바탕으로 모든 제품군에 AI 기술을 내재화해 시작부터 끝까지 책임지는 역량이 로크웰 오토메이션의 산업용 AI가 가진 차별점”이라고 강조했다.     중소기업을 위한 자율 공장 로드맵과 구축 전략 제시 로크웰 오토메이션은 디지털화 및 데이터 인프라가 상대적으로 부족한 중소·중견 기업을 위한 단계별 전략도 소개했다. 핵심은 중소·중견 기업이 자율형 스마트 공장으로 원활하게 나아갈 수 있도록 맞춤형 컨설팅과 기술의 자연스러운 내재화를 결합해 제공하는 것이다. 김낙현 상무는 “한국의 많은 중소·중견 기업이 아직 데이터 수집조차 제대로 되지 않는 기초적인 스마트 공장 단계에 머물러 있다”면서, “이를 해결하기 위해 로크웰 오토메이션은 전담 컨설팅 조직을 통해 고객의 상황을 분석하고, 자율형 공장으로 가기 위한 구체적인 AI 접목 플랜과 단계별 설루션 활용을 지원하고 있다”고 밝혔다. 로크웰 오토메이션 코리아의 라이프사이클 서비스 사업본부장인 최태능 상무는 “오랜 기간 공장 자동화를 수행해 온 전문성을 바탕으로, 기존 제조업 현장에서 친숙하게 사용되는 제어기(PLC)나 휴먼 머신 인터페이스(HMI) 등 기존 자동화 설루션에 AI 기능을 탑재하여 내재화하는 작업을 진행하고 있다”고 밝혔다. 또한, “기업들이 거부감 없이 AI를 도입하고 기존 시스템에 자연스럽게 스며들도록 유도하는 것이 핵심 방향”이라고 전했다.     ■ 기사 내용은 PDF로도 제공됩니다.

디지털 지식전문가 조형식의 지식마당   과거 십수 년간 전 세계 기업들을 관통한 화두는 ‘디지털 전환(digital transformation : DX)’이었다. 아날로그 데이터를 디지털화하고, 클라우드와 모바일 환경을 구축하며 비즈니스의 민첩성을 확보하는 것이 생존의 필수 조건이었다. 하지만 이제 시대의 흐름은 단순한 디지털화를 넘어 ‘AI 전환(AI transformation : AX)’이라는 새로운 국면으로 접어들고 있다.   그림 1. 디지털 전환의 진화   기술의 도입을 넘어 조직의 재설계로 많은 이가 디지털 전환을 IT 인프라의 현대화나 소프트웨어 도입 정도로 오해하곤 한다. 그러나 디지털 전환의 진정한 가치는 기술 그 자체가 아니라, 기술을 중심에 두고 ‘조직을 재설계하는 것’에 있었다. 기존의 파편화된 업무 프로세스를 통합하고, 데이터가 흐르는 구조를 만들어 의사결정의 근거를 마련하는 과정이 바로 DX의 핵심이었다. 하지만 데이터가 쌓이는 것만으로는 충분하지 않다. 방대한 데이터 속에서 의미를 추출하고, 이를 실시간 비즈니스 액션으로 연결해야 하는 과제가 남았다. 여기서 AI 전환의 필요성이 대두된다. 특히 디지털 스레드(digital thread)는 의미 없는 데이터를 연결하여 맥락(context)를 주고 스토리텔링(storytelling)을 만들어서 인간의 감성을 움직인다. 예를 들어서 대부분의 사람들이 매일 스마트폰으로 엄청난 양으로 사진을 찍지만, 대부분을 관리하지 않는다. 그리고 이 사진은 필요할 때 찾지 못해서 사용하지 못하고 있다. 이것은 현대 사회의 일면이다. 자료를 엄청나게 생성하지만 사용하기는 쉽지 않다는 것이다. 기업의 데이터도 마찬가지이다. 또한 이것은 디지털 트윈(digital twin : DT)의 형태로 인간의 현실 세계(real world), 증강현실/가상현실 (AR/VR) 그리고 메타버스(metaverse)의 영역까지 연결할 수 있다. 이것은 미래 기업의 존재 방식이 어떤 형태든 가질 수 있다는 것이다.   AI 전환 : 조직을 하나의 지능으로 만드는 과정 AI 전환은 단순히 업무에 챗봇을 도입하거나 분석 도구를 활용하는 수준을 의미하지 않는다. AX의 진정한 지향점은 ‘조직을 하나의 지능으로 만드는 것’이다.   그림 2. 인지 디지털 전환의 형태   기존의 조직이 각 부서의 매뉴얼과 개인의 경험에 의존해 움직였다면, AI 전환을 이룬 기업은 조직 전체가 유기적으로 연결된 하나의 거대한 지능체처럼 작동한다. 마케팅의 데이터가 생산으로 흐르고 고객의 피드백이 실시간으로 제품 설계에 반영되는 구조, 즉 데이터와 알고리즘이 조직의 혈관 역할을 하며 판단과 실행을 주도하는 상태를 의미한다. 그리고 이런 조직은 현실 세계와 연동되는 디지털 트윈의 형태가 될 수도 있고, 가상의 형태가 될 수 있다.   효율적 집단에서 지능 시스템으로의 진화 AI 전환을 통해 기업은 단순한 ‘효율적 집단’에서 ‘지능적 시스템’으로 진화한다. 이러한 진화는 세 가지 차원에서 기업의 존재 방식을 재정의한다. 첫 번째 – 더 빠른 학습 : 시장의 변화와 고객의 패턴을 실시간으로 흡수하여 조직의 지식 자산으로 축적한다. 인공지능의 최대의 장점은 일반적인 학습이다. 두 번째 – 더 정확한 판단 : 인간의 편향이나 정보의 누락 없이, 방대한 데이터를 기반으로 최적의 의사결정을 내린다. 인간은 물론 인공지능도 편향을 가지고 있다. 세 번째 – 더 창의적인 행동 : 반복적이고 소모적인 판단 업무에서 벗어난 인적 자원이 더 높은 차원의 전략과 창의적 비즈니스 모델 창출에 집중한다. 아직도 인공지능은 창의적 생각을 하기는 부족하지만, 인간은 인공지능의 도움을 받아 더 효과적으로 창의성을 발휘할 수 있다. 제조업 분야에서는 피지컬 AI(physical AI)와 자율 제조 시스템(autonomous manufacturing system)의 연결이 될 것이다. 그러나 우리의 기대처럼 될 것 같지는 않다. 부분적으로 실현될 가능성이 높다. 현실적으로 아직도 해결해야 할 과제가 너무 많이 있다. 미래에 대해서 누구나 이야기할 수 있다. 왜냐면 미래는 증명할 필요가 없이 그럴듯하고 듣기 좋은 이야기가 항상 인기 있기 때문이다.   리스크 : AI 전환은 동시에 ‘위험 전환’ AI 전환은 강력한 기회인 동시에, 전례 없는 리스크를 동반한다. 주요 리스크는 데이터 프라이버시, 알고리즘 편향성, 설명 불가능성, 규제 리스크(예 : EU AI Act)이다. 특히 중요한 것은 ‘AI는 정확할 수는 있지만, 항상 공정한 것은 아니’라는 것이다. 따라서 기업은 반드시 설명 가능한 인공지능(explainable AI : XAI)와 윤리적 AI 가이드라인 지속적 감사 체계를 구축해야 한다.   그림 3. AI 시대의 단계   맺음말 : 지능의 확장이 가져올 미래 디지털 전환은 이제 AI 전환으로 진화하고 있다. 우리가 반드시 기억해야 할 점은, 디지털 전환의 궁극적인 목표가 단순한 자동화나 비용 절감을 통한 효율화가 아니라는 사실이다. 그 본질은 ‘인간 조직의 지능을 확장하는 것’이다. AI 전환은 바로 이 지점에서 시작된다. 기업은 이제 기술을 도구로 사용하는 단계를 지나 스스로 더 빠르게 학습하고, 더 정확하게 판단하며, 더 창의적으로 행동하는 ‘지능적 시스템(intelligent system)’으로 거듭나야 한다. 결국 디지털 전환이 ‘조직을 재설계하는 것’이었다면, AI 전환은 그 설계를 바탕으로 ‘조직을 하나의 살아있는 지능으로 만드는 것’이다. 이 거대한 흐름 속에서 AI를 조직의 일부로 내재화하는 기업만이 미래 경쟁력을 선점하게 될 것이다. 우리는 이것은 인지적 디지털 전환(cognitive digital transformation) 이라고 부를 지도 모른다.   ■ 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.

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.

매스웍스가 오는 4월 7일 서울 코엑스에서 ‘매트랩 엑스포 2026 코리아’를 개최한다. 올해로 22회를 맞이한 이번 행사는 매트랩(MATLAB) 및 시뮬링크(Simulink) 사용자들이 최신 기술 트렌드를 확인하고 실제 생산 환경의 활용 사례를 공유하는 기술 콘퍼런스다. 이번 행사는 엔지니어와 연구자 등 기술 리더를 위해 워크플로 개선과 설계 품질 향상을 위한 실용적인 인사이트를 제공한다. 5개 기술 트랙과 30개 이상의 세션으로 구성했으며, 인공지능(AI), 무선, 항공우주 기술을 다루는 마스터 클래스 세션을 통해 참석자의 전문성 향상을 지원한다.     기조연설은 매스웍스의 사미르 M. 프라부(Sameer M. Prabhu) 인더스트리 부문 이사가 맡는다. 프라부 이사는 ‘임베디드 인텔리전스 : 엔지니어링 설계에서 AI의 미래’를 주제로 발표한다. 그는 AI가 모델링, 시뮬레이션, 검증, 배포 등 엔지니어링 전반의 워크플로를 어떻게 변화시키는지 집중 조명할 예정이다. 또한 최신 매트랩과 시뮬링크의 기능을 소개하며, 개발 생산성을 높이는 AI 기반 엔지니어링 워크플로를 라이브 데모로 시연한다. 국내 주요 기업의 프로젝트 경험도 소개된다. 삼성전자, 현대자동차, LG에너지솔루션, HL만도 등은 전동화, 자율주행, 배터리 시스템, 차량 소프트웨어 개발 분야에서 매트랩과 시뮬링크를 활용해 복잡한 과제를 해결한 사례를 발표한다. 한국전자통신연구원(ETRI) 이문식 본부장은 고객 기조연설을 통해 6G 위성 통신 기술 트렌드와 차세대 무선 시스템 전망을 제시한다. 기술 파트너사들과의 협력 체계도 눈여겨볼 대목이다. 퀄컴, 벡터코리아, 이노엑스, PTC, NI, 벡호프, UL솔루션즈 등은 ▲AI 기반 개발 워크플로 ▲배터리 및 전동화 시스템용 예측 모델링 ▲자율주행 분산 시뮬레이션 ▲디지털 트윈 기반 무선 네트워크 검증 등의 주제로 전시 공간에서 통합 설루션을 선보인다. 행사에서는 산학 협력의 성과도 공유한다. 서울대학교와 한양대학교 등 8개 주요 대학의 학술 포스터 세션이 열리며, 한양대 RACE 팀이 제작한 포뮬러 스튜던트(Formula Student) 전기 경주차도 현장에 전시된다. 매스웍스코리아의 박주일 사장은 “이번 행사는 AI가 현대 엔지니어링의 핵심으로 자리 잡는 흐름 속에서 엔지니어를 지원하기 위한 매스웍스의 노력을 보여주는 자리”라면서, “AI 기반 엔지니어링과 모델 기반 설계가 조직의 혁신 속도를 높이고 기술적 과제를 해결하는 데 기여하는 과정을 확인할 수 있을 것”이라고 밝혔다.

심센터 HEEDS 더 깊게 살펴 보기 (3)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA Search Framework에 대해 자세히 살펴본다. 기존의 전통적인 최적화 알고리즘과 비교 분석하여, SHERPA(셰르파)만이 가지는 차별화된 탐색 방식과 뛰어난 성능을 조명할 예정이다. 이를 통해 복잡한 설계 공간에서 사용자의 개입을 최소화하고 가장 효율적으로 최적해를 도출해 내는 원리를 알아보고자 한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 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 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   최적화의 난제와 ‘No Free Lunch’ 이론 엔지니어링 최적화의 현실 현대의 엔지니어링 환경에서 ‘최적화(optimization)’는 선택이 아닌 필수가 되었다. 제품의 경량화, 성능 향상, 비용 절감이라는 상충되는 목표를 동시에 만족시켜야 하기 때문이다. 그러나 설계 변수가 증가함에 따라 설계 공간(design space)은 기하급수적으로 복잡해진다. 비선형성(non-linearity), 다봉성(multimodality), 그리고 수치적 노이즈(noise)가 뒤섞인 예측 불가능한 지형에서 최적해를 찾는 것은 매우 도전적인 과제이다. 엔지니어에게 중요한 것은 이론적으로 완벽한 ‘절대 최적해’를 찾는 것보다, 제한된 시간과 비용 내에서 ‘실현 가능한 더 나은 해(feasible better design)’를 발견하는 것이다.   No Free Lunch Theorem(NFL)의 시사점 최적화 이론에는 ‘공짜 점심은 없다(No Free Lunch Theorem)’라는 유명한 정리가 존재한다. 이는 ‘모든 종류의 문제에 대해 평균적으로 우수한 성능을 보이는 단일 최적화 알고리즘은 존재하지 않는다’는 것을 의미한다. 즉, 특정 문제(예 : 매끄러운 단봉형 함수)에 뛰어난 성능을 보이는 알고리즘이라도, 다른 문제(예 : 복잡한 다봉형 함수)에서는 성능이 현저히 떨어질 수 있다.   그림 1   그림 2   이 이론은 엔지니어에게 큰 부담을 안겨준다. 최적화 문제를 풀기 위해 엔지니어는 자신의 문제 특성을 정확히 파악해야 하며, 이에 적합한 알고리즘을 선정하고, 수많은 파라미터를 튜닝해야 하는 ‘최적화를 위한 최적화’ 과정에 매몰된다.   전통적 최적화 기법의 한계와 파라미터 튜닝의 딜레마 전통적인 최적화 기법들은 각자의 영역에서 훌륭한 성능을 발휘하지만, 비전문가가 다루기에는 ‘튜닝의 어려움(tuning difficulty)’이라는 명확한 진입장벽이 존재한다. <그림 3>과 같이 심센터 HEEDS(히즈)에서 제공하는 전통적인 최적화 기법의 설정 환경을 기반으로 설명하겠다.   그림 3   2차 계획법 2차 계획법(Quadratic Programming : QP)은 목적함수를 2차 함수로 근사하여 최적해를 탐색하는 구배(gradient) 기반 기법이다. 매끄러운 함수에서는 빠른 수렴 속도를 보이지만, 실제 엔지니어링 문제에서는 다음과 같은 튜닝의 어려움과 한계가 있다.   그림 4   튜닝의 복잡성 : 사용자는 ‘Maximum outer iterations(전체 반복 횟수)’, ‘Maximum line search iterations(탐색 방향 결정 후 반복 횟수)’, ‘Gradient step size(미소 변위량)’ 등을 직접 설정해야 한다. 특히 스텝 크기(step size)가 너무 작으면 노이즈에 민감해지고, 너무 크면 정확도가 떨어지는 딜레마가 있다. 조기 종료(Early Termination) 문제 : 예를 들어 최대 반복 횟수를 50회로 설정했더라도, 탐색 도중 국부 최적해(local optima)에 갇혀 기울기가 0에 가까워지면 알고리즘은 20~25회 만에 탐색을 종료해 버린다. 이는 전역 최적해를 찾지 못했음에도 불구하고 해석 기회를 스스로 포기하는 결과를 낳는다.   다중 시작 국부 탐색 다중 시작 국부 탐색(Multi-Start Local Search : MS)은 이러한 국부 탐색의 한계를 극복하기 위해, 여러 초기점에서 국부 탐색을 수행하여 전역해를 찾으려는 시도이다. 그러나 이 역시 사용자의 파라미터 설정 능력에 크게 의존한다.   그림 5   총 해석 횟수 계산의 번거로움 : SHERPA와 달리 총 해석 횟수(evaluation)를 직접 입력하는 것이 아니라, ‘Number of Starts(시작점 개수)’와 ‘Evaluations per Start(각 탐색별 반복 횟수)’를 곱하여 계산해야 한다. 200회 설정의 함정 : 만약 사용자가 총 200회의 해석 예산(evaluation budget)을 가지고 ‘Max Evaluations’를 200으로 설정하더라도, 기본값인 ‘Number of cycles(Starts)’를 100으로 둔다면 치명적인 문제가 발생한다. 각 시작점(cycle)에서 평균 2회(200/100)밖에 탐색하지 못하기 때문이다. 이는 수렴은커녕 수박 겉핥기식 탐색(shallow search)에 그치게 된다. 제대로 된 탐색을 위해서는 사용자가 사이클을 4~5회(각 40~50회 탐색) 수준으로 직접 대폭 줄여야 하는 번거로움이 있다.   전역 탐색 및 메타 휴리스틱 유전 알고리즘(GA)이나 입자 군집 최적화(PSO), 시뮬레이티드 어닐링(SA)과 같은 전역 탐색(global search) 기법은 국부해 탈출 능력은 뛰어나지만, 파라미터 설정의 난이도는 더욱 높다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

AI·디지털 트윈으로 제조 현장의 실질적 가치 입증할 것   지멘스 디지털 인더스트리 소프트웨어의 오병준 한국지사장은 지난해 국내 대형 조선사의 차세대 설계 시스템 수주 등 굵직한 성과를 거뒀다고 소개했다. 그는 알테어 인수를 통한 기술 시너지와 엔비디아와 협력한 디지털 트윈 신제품으로 올해 제조 현장에 실질적인 가치를 제공하겠다고 밝혔다. 아울러 국내 기업에는 데이터 주권을 확보하고 작은 성공부터 만들어가는 실용적인 디지털 전환 전략을 주문했다. ■ 정수진 편집장     지난해 제조 시장의 분위기와 주요한 변화를 소개한다면? 2025년에는 많은 대기업이 지출을 통제하면서 제조 시장의 전반적인 경기가 좋은 편은 아니었지만, 하반기에 들어서면서는 많이 회복되어 지멘스 디지털 인더스트리 소프트웨어 입장에서는 목표를 달성할 수 있었다. 조선이나 일부 업종을 제외한 중소기업들은 여전히 큰 어려움을 겪었다.가장 큰 변화는 디지털 스레드(digital thread) 기반의 제조업 변환이 본격적으로 시작되었다는 점과, 알테어 인수 이후 AI 기반의 엔지니어링 프로세스 혁신을 지멘스가 주도하게 되면서 고객의 관심이 높아졌다는 것이다. 특히 BYD 등의 중국 기업이 디지털 전환(DX)을 통해 제품 출시를 크게 앞당기는 것을 보면서, 국내 시장에서도 DX 전략 도입을 더욱 적극적으로 고민하는 환경으로 바뀌었다. 산업별로 살펴 보면, 항공/방산 분야에서는 무기를 수출할 때 예방 정비 데이터를 함께 납품해야 하는 트렌드에 따라 팀센터 SLM 기반의 MRO(유지·보수·운영) 데이터 체계 구축에 대한 수요가 늘었다. 가장 큰 성과는 조선 분야에서 HD현대와 4년간 공동 개발한 끝에 지멘스의 설루션이 차세대 설계 시스템으로 선정된 것이다. 향후 5년간 전환을 거쳐 2028년에는 실제 선박 설계에 투입될 예정이다. 반도체 기업들의 전사 프로젝트 역시 계속 확장되고 있다.   인수합병 등으로 제품 라인업과 타깃 산업군이 방대해졌는데 어떻게 정리할 수 있을지? 지멘스 디지털 인더스트리 소프트웨어의 포트폴리오는 CAD 제품군인 디자인센터(Designcenter), 알테어 설루션을 포함한 시뮬레이션 제품군인 심센터(Simcenter), PLM 설루션인 팀센터(Teamcenter), 제조 운영 관리를 위한 옵센터(Opcenter), AI/에이전트 플랫폼인 멘딕스(Mendix)와 래피드마이너(Rapidminer), HPC, IoT 등으로 구성된다. 이에 더해 최근 인수한 닷매틱스(Dotmatics)를 통해 바이오 산업의 SaaS(서비스형 소프트웨어) 분야도 본격 공략할 예정이다. 주요 타깃 산업은 자동차, 전기·전자, 반도체, 조선, 기계, 항공국방, 배터리, 의료기기, 에너지, 프로세스 산업 등 10여 개 이상이다. 건설 산업에서는 직접적인 제품 포트폴리오는 크지 않지만, 지멘스 스마트 인프라(SI) 사업부의 빌딩 관리 및 알테어 시뮬레이션을 통해 협업하고 있다.   알테어 인수를 포함해 내부 조직 및 세일즈 체계에는 어떤 변화가 있었는지? 지멘스는 2007년부터 약 45조 원을 투입해 수많은 인수합병을 진행해 왔다. 현재 알테어, 지멘스 EDA(구 멘토그래픽스), 지멘스 디지털 인더스트리 소프트웨어를 모두 합쳐 한국에만 600명이 넘는 직원이 근무 중이다. 내부적으로는 모든 제품을 총괄하는 어카운트 세일즈와 특정 설루션에 특화된 스페셜티 세일즈 조직이 긴밀히 협업하는 체계를 갖추고 있다. 알테어와의 법인 통합은 올해 7월경으로 예상되며, 기존에 별도로 움직이던 지멘스 EDA 조직도 글로벌 산하로 사업 관리가 통합되었다.   산업 분야에서 AI 기술의 적용 현황과 지멘스의 전략을 소개한다면? 엔지니어링 레벨에서는 설계 툴인 NX의 코파일럿(Copilot) 등 AI 기능이 자리를 잡았고, 알테어를 인수하면서 물리적 시뮬레이션을 데이터 기반으로 보완하는 피직스 AI(Physics AI) 적용 사례가 늘고 있다. 알테어의 인수는 AI 기반 혁신의 큰 모멘텀이 될 것으로 기대하고 있다. PLM 분야에서도 RAG(검색 증강 생성)를 통해 기업 내·외부의 데이터를 엮어 리포팅 공수를 줄이는 작업이 진행 중이다. 특히 향후 기대되는 분야는 온톨로지(ontology)이다. 온톨로지는 부품이나 장비 등 데이터가 가진 속성 간의 숨겨진 관계를 찾아내서 ‘지식 그래프(knowledge graph)’를 만들고, 전사적 뷰에서 프로세스를 연결해 부서 간에 데이터가 단절되는 사일로(silo)를 없애는 기술이라고 할 수 있다. 무리하게 전사 시스템 전체를 통합하려다 실패하는 경우가 적지 않은데, 이와 달리 지멘스는 제조산업의 도메인 지식을 바탕으로 품질 관리 시스템의 고도화처럼 특정 영역부터 시작하는 바텀업(bottom-up) 방식을 채택했다. 2026년부터는 실질적인 비즈니스 가치를 현장에서 입증해 나갈 계획이다.   ▲ 지멘스가 엔비디아와 함께 개발한 디지털 트윈 컴포저   구체적인 AI 접근법과 최근 발표한 신제품에 대해 소개한다면? 지멘스는 ▲NX 등 툴 자체에 내장된 엔지니어링 AI ▲래피드마이너 등을 활용해 전사 내·외부 데이터를 엮는 데이터 패브릭 기반 AI ▲멘딕스 플랫폼과 PLM을 엮어 프로세스 자동화를 돕는 디지털 스레드 기반 에이전틱 AI(agentic AI) 등 세 가지 핵심 영역에 집중해 AI 전략을 추진하고 있다. PLM은 단순 관리 시스템을 넘어 AI가 장착된 프로세스 중심의 혁신 플랫폼으로 변화할 것이다. 이와 함께 지난 CES 2026에서 엔비디아와 공동 발표한 ‘디지털 트윈 컴포저(Digital Twin Composer)’를 올 6월에 출시할 예정이다. 기존의 공장 시뮬레이션이 단방향으로 이뤄졌다면, 이 설루션은 실제 공장 데이터와 가상의 모델 공장이 양방향으로 실시간 데이터를 주고받으며 AI가 둘 사이의 차이(gap)을 분석하고 최적화해주는 리얼타임 메타버스 설루션이다. 여타의 디지털 트윈 설루션이 가진 과도한 코딩의 한계를 해결할 수 있을 것으로 기대한다.   최근 산업 분야별 비즈니스 트렌드와 기술 투자 현황에 대해서는 어떻게 보는지? 비용 절감과 제품 출시 시간 단축을 위해 가상 제품 개발(VPD), 디지털 트윈, 소프트웨어 중심 자동차(SDV) 등에 대한 관심과 투자가 크게 늘고 있다. 실제로 실제 제품을 사용하는 소음진동(NVH) 테스트 장비 시장은 정체되는 반면, 이를 가상화하는 시뮬레이션 투자는 증가하고 있다. 특히 시뮬레이션 데이터 관리(SPDM)에 대한 투자가 늘고 있는데, 지멘스의 팀센터 포 시뮬레이션(Teamcenter for Simulation)과 알테어가 가진 다중 시뮬레이션 및 HPC 호스팅 플랫폼인 알테어 원(Altair One)이 결합하면서 이 시장에서 경쟁력을 갖추게 되었다. 또한 디지털 매뉴팩처링(DM)을 통한 생산 프로세스 최적화도 현장에 깊이 자리 잡고 있는 상황이다.   새로운 기술이 등장하면서 기업에서는 이를 활용하는 데에 어려움도 느끼는 것 같다. 어떤 조언을 해 줄 수 있을지? 기술적인 호기심만으로 접근하지 말고 비즈니스 문제와 가치를 먼저 명확히 정의한 후에 투자를 결정해야 한다고 강조하고 있다. 또한 가장 중요한 것은 데이터의 소유권(ownership)을 절대 설루션 공급사에게 내주지 말아야 한다는 것이다. 특정 툴에 종속되지 않으려면 기업 스스로 전사 데이터 모델을 이해하는 데이터 아키텍트를 반드시 육성해야 한다. 지멘스 디지털 인더스트리 소프트웨어는 기업들에게 실질적인 도움을 주기 위해 다양한 노력을 기울이고 있다. 작년에 기업 임원급을 대상으로 ‘디지털 전환 아카데미’를 꾸준히 진행해 왔는데, 올해도 이런 활동을 이어갈 계획이다. 아카데미에는 한국타이어, LG이노텍, KG모빌리티 등 여러 국내 기업의 C 레벨 임원들이 직접 참석하고 있는데, 설루션 소개가 아닌 베스트 프랙티스와 문제 해결 경험담을 공유하면서 높은 참여율과 좋은 호응을 얻고 있다. 아카데미의 주된 목적은 수백억 원의 큰 투자나 거대 담론에 휩쓸리지 말고, 임원의 권한 내에서 당장 할 수 있는 작은 디지털 전환 과제부터 빠르게 실행할 수 있도록 독려하는 것이다.   2026년 국내 제조 시장 전망과 주요 비즈니스 계획을 소개한다면? 복잡한 대내외 환경 속에서도 주요 대기업들은 근본적인 혁신을 계속 추구할 것으로 보인다. 현대자동차 등의 오픈 이노베이션 가속화, 휴머노이드 로봇 산업의 성장, 전고체 배터리 등 신시장 혁신이 공격적으로 진행될 것으로 본다. 지멘스 디지털 인더스트리 소프트웨어는 올 한 해 AI를 산업에 적용해 실질적인 비즈니스 효과를 검증하고 확산하는 데 집중하고자 한다. 특히 조선 분야를 중심으로 디지털 트윈 컴포저의 현장 적용을 지원할 예정이다. 미국이나 중국 기업들이 호기심을 갖고 빠르게 테스트해 보는 반면 국내 기업들은 실행 속도가 다소 느린 경향이 있다고 느끼는데, 앞으로는 실패를 두려워하지 않는 과감한 실험적 투자 문화가 자리 잡기를 바란다.     ■ 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.