산업을 위한 AI와 버추얼 트윈 기술 (3)   이번 호에서는 AX 시대를 맞아 제조 기업이 축적한 방대한 도메인 지식과 3D 설계 데이터를 AI가 이해하고 실무에 즉시 활용할 수 있는 ‘자산’으로 전환하는 방안을 제시한다. 그리고, 다쏘시스템의 시맨틱 3D(Semantic 3D) 기술과 데이터 온톨로지(data ontology)를 활용해 중복 설계를 방지하고, 파편화된 정보를 비즈니스 맥락과 연결된 지식 개체로 지능화하는 기술적 원리를 살펴본다. ■ 이종혁 다쏘시스템코리아의 인더스트리 프로세스 컨설턴트로, 3DEXPERIENCE(구 NETVIBES) 테크 세일즈를 맡고 있다. 홈페이지 | www.3ds.com/ko   AX 시대, 제조 데이터의 새로운 정의 글로벌 제조 산업은 바야흐로 ‘디지털 전환(digital transformation)’의 단계를 넘어 ‘인공지능 전환(AI transformation : AX)’의 시대로 진입하고 있다. 생성형 AI와 대규모 언어 모델(LLM)이 비즈니스 프로세스 전반을 혁신하고 있는 현재, 엔지니어링 도메인에서의 핵심 과제는 명확하다. “어떻게 우리 기업이 지난 수십 년간 축적해 온 방대한 도메인 지식과 엔지니어링 노하우를 AI가 이해하고 실무에 즉시 활용할 수 있는 형태의 자산으로 바꿀 것인가?”이다. 대부분의 제조 기업은 수만, 수십만 장의 2D 도면과 3D 모델을 보유하고 있다. 그러나 역설적으로 엔지니어는 필요한 부품을 찾는 데 수많은 시간을 허비하거나, 이미 존재하는 설계를 중복으로 수행하는 ‘디지털 피로(digital fatigue)’에 시달리고 있다. 데이터가 존재함에도 불구하고 그 데이터가 가진 ‘의미(semantics)’와 ‘관계(relationship)’가 구조화되어 있지 않기 때문이다. 이러한 데이터의 파편화는 단순히 설계 효율을 떨어뜨리는 것에 그치지 않는다. 이는 부품 가짓수의 기하급수적 증가로 이어져 구매 단가 상승, 재고 관리 비용 증가, 그리고 급변하는 글로벌 공급망 리스크에 대한 대응력 약화라는 전사적 위기를 초래한다. 이번 호에서는 3D 모델링의 진화가 형상의 정밀함을 구현하는 단계를 넘어, 비즈니스 맥락과 지능이 결합된 ‘시맨틱 3D (semantic 3D)’로 나아가야 함을 제언한다. 다쏘시스템의 원파트(OnePart), 서플리멘탈 커넥터(Supplemental Connector), 그리고 데이터 사이언스 익스피리언스(Data Science Experiences : DSE)를 필두로 한 하이브리드 지능형 플랫폼이 어떻게 데이터 온톨로지를 통해 설계 자산을 지능화하고, 기업의 공급망 회복탄력성(resilience)을 극대화하는지 상세히 고찰해보고자 한다.   그림 1. The Transition to ‘Semantic 3D’ in the AX Era   하이브리드 아키텍처 : 데이터 주권과 클라우드 지능의 공존 국내 제조 기업이 클라우드 기반 AI 설루션 도입을 주저하는 가장 큰 이유는 ‘데이터 보안’과 ‘데이터 주권(data sovereignty)’에 대한 우려다. 핵심 설계 자산인 3D CAD 데이터는 기업의 기밀 중의 기밀로 간주되며, 이것이 외부 서버로 나가는 것에 대한 거부감은 기술적인 문제를 넘어 기업 생존의 문제로 인식된다. 하지만 클라우드가 제공하는 강력한 분산 연산 능력과 실시간 업데이트되는 AI 분석 엔진을 포기하는 것은 기술 경쟁력 측면에서 매우 위험한 선택이다. 이러한 딜레마를 해결하는 핵심 아키텍처가 바로 서플리멘탈 커넥터를 활용한 하이브리드 모델이다. 이 모델의 핵심은 데이터의 물리적 위치를 ‘통제된 온프레미스’와 ‘고성능 클라우드’로 이원화하는 데 있다. 이 아키텍처의 중심에는 ‘에지 에이전트(Edge Agent)’라는 전용 미들웨어가 존재한다. 에지 에이전트는 기업 내부의 로컬 파일 서버, CSV 기반의 레거시 데이터베이스, 그리고 솔리드웍스 PDM 프로페셔널(SOLIDWORKS PDM Professional)과 같은 엔터프라이즈 시스템과 직접 연동된다. 여기서 중요한 기술적 포인트는 에지 에이전트가 원본 CAD 파일(source file)을 클라우드로 전송하는 것이 아니라는 점이다. 대신, 설계에 포함된 메타데이터와 형상의 특징을 수치화한 ‘3D 서명(signature)’, 그리고 시각적 확인을 위한 가벼운 썸네일(thumbnAIl)과 CGR 데이터만을 추출하여 클라우드의 ‘시맨틱 그래프 인덱스(Semantic Graph Index : SGI)’로 전송한다. 이러한 하이브리드 접근법은 두 가지 결정적인 이점을 제공한다. 첫째, 데이터 주권은 기업이 완벽하게 통제한다. 원본 설계 데이터는 사내 보안망 내부에 머무르기 때문에 유출 우려가 없다. 둘째, 클라우드는 오직 ‘지능형 인덱스’와 ‘분석 엔진’의 역할만을 수행한다. 클라우드의 Data Science Experience(DSE)는 이 SGI에 축적된 정보를 바탕으로 전사적인 부품 사용 현황을 360도 뷰로 관찰하고, AI 기반의 의사결정 지원 기능을 제공한다. 이는 특히 카티아 V5(CATIA V5)와 같은 온프레미스 기반의 강력한 설계 환경을 유지하면서도, 최신 클라우드 기술의 혜택을 즉시 누릴 수 있는 현실적이고 안전한 가교 역할을 한다.   그림 2. Hybrid Architecture and Edge Agent   원파트와 AI 형상 지능 : 중복 설계의 늪에서 벗어나는 방법 엔지니어링 현장에서 가장 흔히 발생하는 보이지 않는 낭비는 이미 사내에 존재하는 부품을 찾지 못해 다시 설계하는 ‘중복 설계’다. 다쏘시스템의 연구 결과에 따르면, 시장 표준 부품(예 : 단순 브래킷이나 고정용 볼트 등) 하나를 불필요하게 신규 생성할 때 발생하는 전사적 비용은 부품당 약 1만 1000유로(한화 약 1600만 원)에 이른다. 이 비용에는 설계자의 시간뿐만 아니라 부품을 위한 테스트 및 시뮬레이션 비용, 금형 제작 등 제조 공정 셋업 비용, 신규 구매처 등록 및 관리 비용, 그리고 물류 및 창고 재고 유지 비용이 누적된 결과다. 원파트는 이러한 문제를 해결하기 위해 AI 기반의 ‘형상 유사도 검색(AI-Powered Component Signature)’ 기능을 제공한다. 이는 전통적인 키워드 기반 검색의 한계를 뛰어넘는다. AI는 3D 모델을 기하학적 특징(shape), 단면 형상(section), 구멍 배치 패턴(hole pattern), 그리고 외곽선(silhouette)이라는 네 가지 핵심 기준을 바탕으로 분석하여 부품별로 고유한 ‘디지털 지문’을 생성한다. 설계자가 새로운 프로젝트를 시작할 때, 백지 상태에서 모델링을 시작하는 대신 간단한 형상 아이디어를 스케치하여 업로드하면 AI가 수초 내에 사내 라이브러리 및 외부 공급업체 카탈로그에서 가장 유사한 부품을 찾아 제안한다. 또한 지능형 클러스터링(clustering) 엔진은 방대한 부품 데이터베이스를 기하학적 유사성에 따라 자동으로 군집화한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

시스템 엔지니어링의 진화, 항공우주 산업의 복잡성을 넘어서다   아폴로 프로그램에서 시작된 시스템 엔지니어링은 오늘날 항공우주 및 방위 산업의 핵심 방법론으로 자리 잡았다. 하지만 소프트웨어 중심의 기체 구조와 급증하는 상호작용으로 인해 기존 방식은 한계에 직면해 있다. 이제 기업은 시스템 모델링 언어인 SysML v2와 인공지능(AI), 포괄적 디지털 트윈을 결합한 총체적 설루션으로 디지털 전환을 가속해 미래 경쟁력을 확보해야 한다.   ■ 오병준 지멘스 디지털 인더스트리 소프트웨어의 한국지사장이다. SAS 코리아 대표이사를 지냈으며, 오라클 코리아, 테라데이터 코리아, IBM 코리아 임원 등 IT 업계에 30여 년 이상 몸 담으며 쌓아온 엔터프라이즈 소프트웨어 경험을 바탕으로 지멘스 디지털 인더스트리 소프트웨어를 진두지휘하고 있다. 홈페이지 | www.sw.siemens.com/ko-KR   ▲ 제공 : 지멘스   우주비행사의 달 착륙과 지구 귀환을 성공적으로 이끈 아폴로(Apollo) 프로그램은 인류 역사상 가장 위대한 성과 중 하나로 평가된다. 아폴로 프로그램을 통해 개발된 다양한 기술은 오늘날 우리의 일상 속에서 널리 활용되고 있는데, 무선 헤드셋, 집적회로, 이메일, 무선 공구 등이 대표적인 예다. 이 글에서는 아폴로 프로그램의 수많은 유산 가운데 한 가지에 초점을 맞추고자 한다. 바로 엔지니어가 종종 간과하곤 하는 ‘시스템 엔지니어링(systems engineering)’이다. 당시 NASA가 개발한 로켓은 전례 없는 규모의 복합 시스템이 결합된, 그 시대 가장 정교하고 복잡한 기계였다. NASA 엔지니어들은 로켓 내 모든 시스템을 유기적으로 작동시키기 위해 새로운 엔지니어링 방법론이 필요하다는 사실을 깨달았고, 그렇게 시스템 엔지니어링이 탄생했다. 시스템 엔지니어링은 아폴로 로켓의 복잡성을 체계적으로 분석하고 각 시스템을 유기적으로 통합함으로써 성공적인 발사를 가능하게 했다. 이후 시스템 엔지니어링은 우주 분야를 넘어 항공우주 및 방위(A&D) 산업 전반에서 혁신을 이끌며, 새로운 항공기와 우주선 개발을 견인하는 핵심 요소로 자리 잡았다.   ▲ 시스템 엔지니어링은 우주 분야에서 시작돼 A&D 산업 전반으로 확대됐다.(제공 : C. Fredrickson Photography/Getty Images)   시스템 엔지니어링은 제품의 복잡성을 낮추는 데 기여해왔지만, 그 자체로는 상당히 복잡한 개념이다. 엔지니어링 영역들은 기업이 인식하는 것만큼 긴밀하게 통합돼 있지 않을 가능성이 있다. 일부 기업은 두 엔지니어링 영역 간 인터페이스에서 문제가 발생하기 전까지 자사의 통합 수준이 어느 정도인지조차 제대로 인식하지 못하기도 한다. 이러한 문제는 전통적인 문서 기반 방법론이 모델 기반 시스템 엔지니어링으로 전환된 이후에도 여전히 이어지고 있다. 이 같은 통합 미비는 설계 오류를 초래하고 일정 지연의 위험을 높인다. 이러한 위험은 오늘날 항공기와 우주선에 새로운 전자 기술과 소프트웨어 시스템이 대거 탑재되고 복잡성이 크게 증가함에 따라 갈수록 커지고 있다. 이와 같은 상황에서 변화가 없다면, 현재의 시스템 엔지니어링 접근 방식만으로는 항공우주 산업의 급격한 복잡성 증가에 대응하기 어려울 것이다. 따라서 앞으로 시스템 엔지니어링은 보다 총체적인 접근 방식으로 진화해 엔지니어링 영역 간 상호운용성과 협업을 강화해야 한다. 이를 위해 기업은 디지털 전환에 투자하고 SysML v2, AI(인공지능), 포괄적 디지털 트윈과 같은 핵심 기술을 활용해 엔지니어들이 혁신을 가속할 수 있는 새로운 프로세스를 익히도록 해야 한다.   항공우주의 새로운 패러다임 오늘날 생산되는 항공기와 우주선은 아폴로 시대에 개발된 기체와는 완전히 다르다. 민항기와 제트기부터 로켓과 위성에 이르기까지, 모든 것이 점점 더 소프트웨어 중심 구조로 진화하고 있다. 이에 따라 첨단 기계·전기 시스템은 물론, 새로운 전자 기술과 소프트웨어까지 폭넓게 통합되고 있다. 이러한 첨단 시스템은 이전 세대의 기체에 비해 훨씬 높은 수준의 복잡성을 만들어낸다. 특히 기체 내 다른 시스템과의 상호작용이 늘어나면서 전체적인 복잡성은 더욱 확대되고 있다. 예를 들어, 20년 전만 해도 엔지니어는 하나의 기계 시스템에서 발생하는 100여 개의 상호작용만 관리하면 됐고, 이는 스프레드시트에 손쉽게 정리할 수 있었다. 그러나 오늘날에는 반도체 칩 하나만으로도 수만에서 수십만 개에 이르는 상호작용이 발생할 수 있다.   ▲ 보다 고도화된 전자 기술과 소프트웨어 통합으로 새로운 항공우주 시스템의 복잡성이 커졌다.(제공 : santofilme/Getty Images)   A&D는 여러 엔지니어링 영역 간 통합이 필수인 산업이다. 한 영역에서 변경이 발생하면 이를 수용하기 위해 다른 영역에서도 추가 변경이 필요할 가능성이 높다. 최근 전자 기술과 소프트웨어의 비중이 커지면서 이러한 변경의 규모와 영향력은 더욱 확대되고 있다. 따라서 영역 통합의 격차를 식별하고 해소하기 위해 시스템 엔지니어링 접근 방식 역시 보다 총체적으로 발전해야 한다.   SysML v2를 통한 격차 해소 총체적인 시스템 엔지니어링 전략을 수립하려면 엔지니어 간 새로운 협업 프로세스를 지원하는 도구가 필요하다. SysML (Systems Modeling Language) v2가 이러한 역할을 수행할 수 있다. 이전 버전인 SysML v1은 엔지니어가 작업을 효율적으로 모델링하고 설명할 수 있는 새로운 방식을 제시했다. 그러나 모델을 구축하고 관리하는 방식이 매우 엄격해 상호운용성 측면에서는 한계가 있었다. 반면 SysML v2는 더욱 직관적인 모델링 접근 방식을 제공하며, 다양한 모델링 방법론을 유연하게 활용할 수 있도록 지원한다. 이를 통해 기업은 데이터 교환을 훨씬 수월하게 수행할 수 있다. 결과적으로, SysML v2는 엔지니어링 영역 간 정보를 개방적으로 공유할 수 있는 표준 프레임워크를 구축한다. 이를 통해 데이터 일관성을 높이고 통합 시스템 아키텍처 개발을 가능하게 한다. 물론 SysML v2의 효과는 이를 활용할 수 있는 인재 양성이 병행될 때 비로소 실현될 수 있다. 다행히 다양한 모델링 방법론을 수용할 수 있는 특성은 진입 장벽을 낮추고, 엔지니어가 새로운 시스템 엔지니어링 전략을 보다 쉽게 배우고 참여할 수 있도록 한다. 이는 시스템 엔지니어링의 총체적 발전과 민주화에도 기여한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (5)   심센터 HEEDS(Simcenter HEEDS) 2604 릴리스는 설계 파라미터와 시뮬레이션 워크플로를 유기적으로 연결하여 최적의 설계안을 자동으로 도출하는 역할을 더욱 공고히 하기 위해 계산 리소스의 효율적 관리, AI를 활용한 워크플로 가속화, 그리고 다목적 트레이드오프 스터디의 실시간 가시성 확보라는 세 가지 핵심 방향으로 혁신적인 기능을 담았다.이번 릴리스를 통해 복잡성 모델링(model the complexity), 가능성 탐색(explore the possibilities), 속도 향상(go faster), 통합 유지(stay integrated)라는 네 가지 기둥 아래 엔지니어링 시뮬레이션의 새로운 기준을 제시한다.   ■ 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   전산 자원 관리의 재구상 : 새로운 리소스 카탈로그 기존 방식의 한계 엔지니어링 최적화 스터디는 단 한 번의 시뮬레이션으로 끝나는 작업이 아니다. 수십 번에서 수천 번의 반복 해석을 수행해야 하며, 이를 위해서는 로컬 워크스테이션, 사내 HPC 클러스터, 클라우드 컴퓨팅 플랫폼 등 다양한 전산 자원을 조합하여 활용해야 한다. 기존의 HEEDS(히즈)는 이러한 원격 실행 환경을 프로젝트별로 설정해야 했기 때문에, 팀 내의 여러 엔지니어가 동일한 클러스터를 사용하더라도 각자 동일한 설정 과정을 반복해야 하는 비효율이 존재했다. 특히 HPC 클러스터의 경로, 인증 정보, 작업 스케줄러 파라미터를 매번 수동으로 입력해야 하는 번거로움은 첫 번째 설계 최적화를 시작하기도 전에 엔지니어의 시간을 낭비하게 만들었다.   리소스 카탈로그의 등장 심센터 HEEDS 2604는 원격 실행 기능을 새로운 ‘리소스 카탈로그(Resource Catalog)’로 전면 개편하여 이 문제를 근본적으로 해결했다. 리소스 카탈로그는 전산 자원 정보를 프로젝트에 종속된 설정이 아닌, 전사적으로 공유 가능한 독립적 자산으로 관리하는 방식이다. 이제 로컬 머신, 원격 클러스터, 리스케일(Rescale)과 같은 HPC 클라우드 플랫폼, 또는 작업 스케줄러를 사용하는지의 여부와 관계 없이 프로젝트 전체에서 리소스 구성을 더 쉽게 설정하고 재사용할 수 있다.   그림 1. 리소스 카탈로그 설정 환경   그림 2. 작업 수행을 위해 미리 설정된 리소스 선택   주요 기능 및 이점 원클릭 리소스 생성 : 사용자가 리소스 유형을 선택하면, 해당 유형에 적합한 모든 설정 항목이 기본값으로 미리 채워진 상태로 나타난다. 처음 사용하는 엔지니어도 복잡한 설정 파라미터를 일일이 파악할 필요 없이 빠르게 시작할 수 있다. 관리형 카탈로그(Managed Catalogs) : 조직의 IT 관리자 또는 HEEDS 전문가가 심센터 HEEDS 커넥트(Simcenter HEEDS Connect)를 통해 표준 리소스 프로필을 미리 구성하면, 팀의 다른 구성원이 이를 즉시 다운로드하여 사용하거나 로컬 카탈로그로 복사하여 필요에 맞게 조정할 수 있다. 이는 조직 전체가 동일한 리소스 표준을 따르도록 하는 ‘단일 정보 소스(single source of truth)’ 역할을 수행하여 설정 오류와 불일치를 원천적으로 방지한다. 다중 제출 항목(Multiple Submission Items) : 하나의 물리적 서버에서도 PBS, LSF, SLURM, MSHPC, 또는 다이렉트 서브미션(Direct submission) 등 다양한 방식의 작업 스케줄러를 위한 복수의 제출 항목을 생성할 수 있다. 예를 들어, 빠른 소규모 해석을 위한 인터랙티브 대기열과 대규모 최적화를 위한 배치 대기열을 동일한 클러스터에서 각각 별도의 리소스 프로필로 관리할 수 있다. 리소스 구성 확인 기능 : 복잡한 네트워크 환경에서 원격 리소스가 실제로 접근 가능한지, 또는 올바르게 설정되었는지 확인하는 것은 종종 어려운 문제였다. 새로운 ‘Run test now’ 기능을 통해 사용자는 설정 완료 즉시 리소스의 접근 가능성과 동작 상태를 확인할 수 있다. 테스트 결과는 Not tested(미실행), Passed(성공), Error(오류)의 세 가지 상태로 직관적으로 표시되어 문제 발생 시 신속한 보정이 가능하다. 지속적 구성 : 매핑된 로컬 및 원격 드라이브 설정이 모든 프로젝트에 걸쳐 유지되므로, 프로젝트를 새로 만들 때마다 리소스를 재구성할 필요가 없다. 한 번 설정한 리소스 카탈로그는 이후 모든 프로젝트에서 즉시 재사용 가능하다.   비최적화 스터디를 위한 효율적 데이터 및 리소스 운용 디스크 공간의 숨겨진 병목 실험계획법(Design of Experiments : DOE), 강건성(robustness) 분석, 신뢰성(reliability) 분석, 또는 단순히 특정 설계 후보를 일괄 평가하는 ‘Evaluation Only’ 스터디는 최적화 알고리즘이 동반되지 않는 빠른 유형의 설계 탐색이다. 이러한 스터디는 개별 해석이 비교적 짧게 완료되기 때문에, HEEDS는 실행 스택을 가득 채워 최대한 많은 병렬 해석을 동시에 구동하려 한다.   그림 3. 프로세스의 병렬 해석 진행 상황 예시   그런데 여기서 예상치 못한 문제가 발생한다. 해석이 매우 빠르게 완료되기 때문에 각 해석의 임시 작업 디렉토리와 결과 파일이 시스템에 쌓이는 속도도 매우 빠르다. 짧은 시간 안에 수백 개의 해석 폴더가 생성되어 디스크 공간을 순식간에 소진할 수 있으며, 이는 특히 로컬 워크스테이션이나 디스크 할당량이 제한된 HPC 환경에서 심각한 장애 요인이 될 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   루비 온 레일즈(Ruby on RAIls)는 루비(Ruby) 프로그래밍 언어로 작성된 서버 측 웹 애플리케이션 프레임워크이다. 일반적으로 ‘레일즈(RAIls)’로 줄여 부르며, 2004년 데이비드 하이네마이어 한손(David Heinemeier Hansson)에 의해 처음 공개되었다. 이번 호에서는 루비 온 레일즈의 설치 및 개발 방법을 정리하고, 이를 기반으로 개발된 빌딩 모니터링 구현 결과를 설명한다.   ■ 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 | https://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   그림 1   루비는 베이스캠프(Basecamp)란 곳을 시작으로, 세계 최대의 코드 호스팅 플랫폼 깃허브(GitHub), 글로벌 이커머스 설루션 쇼피파이(Shopify), 숙박 공유 서비스 에어비앤비(AIrbnb), 그리고 트위치(Twitch) 등이 레일즈를 기반으로 탄생하고 성장했다. 국내에서도 빠른 서비스 출시와 성장이 핵심인 스타트업 신을 중심으로 널리 사용되었다. 대표적으로 지역 기반 커뮤니티 당근, 온라인 동영상 서비스(OTT) 왓챠 등이 초기부터 레일즈를 활용해 서비스를 구축하고 확장해온 대표 사례로 꼽힌다. 레일즈의 핵심 개발 철학은 ‘설정보다 관례(Convention over Configuration : CoC)’와 ‘반복하지 마라(Don’t Repeat Yourself : DRY)’이다. 이는 개발자가 반복적인 설정 작업에서 벗어나 비즈니스 로직에 집중하게 함으로써, 웹 개발의 생산성을 획기적으로 향상시키는 것을 목표로 한다.   배경 및 핵심 개념 레일즈는 MVC(Model – View – Controller) 아키텍처 패턴을 근간으로 설계되었다. 이는 애플리케이션의 구성 요소를 세 가지 역할로 명확히 분리하여 코드의 구조를 체계적으로 관리하는 방식이다. 모델(Model) : 애플리케이션의 데이터와 비즈니스 로직을 담당한다. 데이터베이스 테이블에 직접 대응되며, 데이터의 유효성 검사, 처리, 저장 등의 역할을 수행한다. 뷰(View) : 사용자에게 보여지는 UI(사용자 인터페이스)를 생성하는 할을 한다. HTML, CSS, 자바스크립트(JavaScript) 코드를 동적으로 생성하여 웹 브라우저에 표시할 최종 결과물을 만든다. 컨트롤러(Controller) : 모델과 뷰 사이의 중재자 역할을 한다. 사용자의 요청(HTTP request)을 받아 분석하고, 필요한 모델을 호출하여 데이터를 처리한 뒤, 그 결과를 다시 뷰에 전달하여 사용자에게 응답(HTTP response)을 보낸다. 이러한 구조 덕분에 개발자는 데이터, 로직, 화면 표시 코드를 분리하여 유지보수가 용이하고 확장성 높은 애플리케이션을 구축할 수 있다.   장점 및 단점 레일즈의 장점은 다음과 같다. 높은 생산성과 개발 속도 : CoC 철학과 스캐폴딩(scaffolding) 같은 강력한 코드 자동 생성 기능은 CRUD(생성, 읽기, 갱신, 삭제) 기반의 기능을 매우 빠르게 구현하게 해준다. 거대하고 활발한 생태계 : ‘젬(Gem)’이라고 불리는 수많은 오픈소스 라이브러리가 존재하여 인증, 결제, 파일 업로드 등 다양한 기능을 몇 줄의 코드로 손쉽게 추가할 수 있다. 가독성 및 유지보수성 : 루비 언어 자체의 간결하고 우아한 문법과 레일즈의 잘 정립된 관례는 코드의 가독성을 높여 팀 단위 협업과 장기적인 유지보수를 용이하게 한다. 한편, 단점은 다음과 같다. 상대적으로 느린 실행 속도 : 인터프리터 언어인 루비의 특성상, Go나 Java와 같은 컴파일 언어 기반의 프레임워크에 비해 요청 처리 속도가 느릴 수 있다. 초기 학습 곡선 : 레일즈의 많은 부분이 ‘마법’처럼 자동으로 동작하기 때문에, 내부 동작 원리를 깊이 이해하기 전까지는 문제 발생 시 원인을 파악하고 디버깅하는 데 어려움을 겪을 수 있다. 제한적인 유연성 : 레일즈가 제시하는 강력한 관례는 대부분의 웹 애플리케이션 개발에 최적화되어 있지만, 매우 특수하거나 비표준적인 구조를 가진 시스템을 개발할 때는 오히려 제약이 될 수 있다. 젬은 현재 인공지능 기술 스택을 고려해 발전 중이다. 루비 생태계의 중심에는 ‘루비젬스(RubyGems)’라는 강력한 패키지 관리 시스템이 자리 잡고 있다. 이는 전 세계의 루비 개발자들이 만든 수많은 라이브러리를 젬이라는 표준화된 패키지 형태로 공유하고 재사용할 수 있도록 하는 핵심 기반이다. 개발자는 젬을 통해 인증, 데이터베이스 연동, 웹 서버 구동과 같은 복잡한 기능을 직접 구현할 필요 없이, 이미 검증된 코드를 자신의 프로젝트에 손쉽게 통합하여 개발 생산성을 극대화할 수 있다. 이러한 의존성을 체계적으로 관리하는 도구가 바로 ‘번들러(Bundler)’이다. 프로젝트의 Gemfile에 필요한 젬의 이름과 버전을 명시하면, 번들러는 해당 젬뿐만 아니라 그 젬이 의존하는 다른 모든 젬까지 정확한 버전으로 설치하여 개발 환경의 일관성을 보장한다. 이는 여러 개발자가 협업하는 환경에서 발생할 수 있는 잠재적인 충돌을 방지하고 안정적인 애플리케이션 운영을 가능하게 하는 필수 과정이다. 최근 인공지능, 특히 거대 언어 모델(LLM)이 기술의 새로운 패러다임으로 부상하면서 루비 커뮤니티 역시 이러한 변화에 발 빠르게 대응하고 있다. 루비의 강점인 뛰어난 가독성과 개발 편의성을 바탕으로, 복잡한 AI 기능을 애플리케이션에 통합하기 위한 다양한 젬들이 활발하게 개발되는 중이다. 가장 대표적인 것은 ruby-openAI 젬으로, 오픈AI (OpenAI)가 제공하는 GPT, 달리(DALL-E)와 같은 강력한 모델의 API를 루비 코드 내에서 직관적으로 호출할 수 있게 해준다. 이를 통해 개발자는 손쉽게 챗봇, 콘텐츠 생성, 이미지 생성과 같은 최신 AI 기능을 자신의 서비스에 접목할 수 있다. 여기서 한 걸음 더 나아가, langchAInrb는 LLM을 활용한 고수준의 애플리케이션을 구축하기 위한 프레임워크를 제공한다. 이는 단순히 API를 한 번 호출하는 것을 넘어, 여러 단계의 프롬프트를 연결하는 ‘체인’이나 LLM이 특정 도구를 사용하도록 만드는 ‘에이전트’와 같은 복잡한 로직을 구조적으로 설계할 수 있도록 돕는다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

새로워진 캐디안 2026 살펴보기 (6)   오토캐드와 양방향으로 호환되는 국산 CAD인 캐디안(CADian)이 한 차원 높은 사용자 경험을 제공하는 차세대 CAD ‘캐디안 2026’을 선보였다. 이번 호에서는 캐디안 2026에서 새롭게 선보인 신기능 및 기존 유틸리티 기능 중에서 사다리꼴 옵셋 외 여러 기능을 자세히 살펴보도록 하겠다.   ■ 최영석 위즈코어 기술지원팀 부장으로 기술지원 업무 및 캐드 강의를 담당하고 있다. 홈페이지 | www.cadian.com 카페 | https://cafe.naver.com/ilovecadian   유틸리티 - 작도 – 사각형(DRECT) 사각형 및 마름모를 그려주는 명령으로 각 꼭지점을 모깎기 및 모따기, 스캘럽(scallop)을 자동으로 그려주는 명령이다.   1. 명령 : DRECT    2. 대화상자(D)/<시작점> : ‘D’를 입력한다.(대화상자를 호출한다.)     3. 작도방법 : 대화상자의 그림에서 그리고자 하는 모양과 작도 방법을 선택한다. 윗줄에 있는 사각형 작도 방법은 직사각형과 정사각형 모두 작도가 가능하고, 아래 줄은 정사각형을 작도한다.   4. 모깎기 : 모깎기 모양 및 반지름 값을 설정한다.     5. 모깎기 : 모따기에서 가로, 세로 거리값을 입력한다.     6. 치수 입력 : 그려질 상자의 가로, 세로 크기를 숫자로 입력하여 작도하는 기능이다.  폭 : 박스를 그리는 선의 두께를 설정한다. 높이 : 박스의 3차원 두께를 설정한다.   7. 대화상자(D)/<시작점> : ⓐ점을 찍는다.    8. 대화상자(D)/<시작점> : ⓑ점을 찍는다.    9. 대화상자(D)/<시작점> : ⓒ점을 찍는다.      10. 명령 : DRECT    11. 대화상자(D)/<시작점> : ‘D’를 입력한다.(대화상자를 호출한다.)     12. 대화상자(D)/<시작점> : ⓐ점을 찍는다.   13. 대화상자(D)/<시작점> : ⓑ점을 찍는다.       ■ 자세한 기사 내용은 PDF로 제공됩니다.

데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2027 (1)   오늘날의 CAD 환경은 단순 도구를 넘어 엔지니어링 데이터 플랫폼으로 진화하며 설계 표준 유지와 반복 작업 효율화라는 과제에 직면해 있다. 아레스 커맨더 2027(ARES Commander 2027)은 이러한 과제를 해결하기 위해 독자적인 ‘프로퍼티 페인터(Property PAInter)’ 기능을 대폭 강화했다. 이제 설계자는 마스터 도면의 객체 속성을 별도의 파일 오픈 없이도 열려 있는 다른 도면 탭에 즉시 복사·적용할 수 있으며, 주석 및 치수 스타일 등 세부 특성까지 정밀하게 제어할 수 있다. 이를 통해 대규모 프로젝트에서 설계 일관성을 확보하고 재작업 비용을 절감하며, 진정한 의미의 디지털 거버넌스를 실현할 수 있는 토대를 마련했다.   ■ 최하얀 위즈코어 마케팅팀의 전임으로 ARES CAD의 마케팅 콘텐츠 기획 및 제품 홍보 업무를 담당하고 있다. 홈페이지 | www.arescad.kr 블로그 | https://blog.naver.com/graebert 유튜브 | www.youtube.com/GraebertTV   오늘날의 설계 환경은 근본적인 변화를 겪고 있다. 불과 10여 년 전만 해도 CAD 작업자의 핵심 역량은 ‘얼마나 빠르고 정밀하게 선을 긋느냐’에 집중되어 있었다. 그러나 2020년대 중반에 접어든 지금, 설계 현장의 기준은 완전히 달라졌다. 이제 CAD는 단순히 ‘설계를 도와주는 도구’가 아니라, 방대한 엔지니어링 데이터를 체계적으로 관리하고 다수의 이해관계자 사이에서 유기적인 협업을 이끌어내는 ‘엔지니어링 데이터 플랫폼’의 역할을 요구받고 있다. 실제로 중규모 이상의 건축·플랜트·인프라 프로젝트에서는 수십에서 수백 개의 DWG 파일이 하나의 프로젝트로 묶여 관리되는 구조가 이미 보편화되었다. 각 파일은 독립적으로 존재하는 것이 아니라 외부 참조(XREF)로 서로 연결되어 있으며, 단 하나의 레이어 설정 오류나 축척 불일치가 프로젝트 전체의 정합성을 무너뜨리는 상황이 빈번하게 발생한다. 그뿐만 아니라 BIM(건설 정보 모델링)과의 연계, 클라우드 기반 협업 플랫폼과의 통합이 필수 요건이 되면서, CAD 소프트웨어에 요구되는 기술적 역량의 폭은 과거와는 비교할 수 없을 만큼 넓어졌다. 이러한 환경 변화 속에서 실무 설계자는 매일 두 가지 거대한 도전에 직면한다. 첫 번째는 설계 표준의 일관성 유지이다. 여러 파일, 여러 작업자가 혼재하는 프로젝트 환경에서는 레이어 구조, 선 종류, 텍스트 스타일, 치수 스타일 등 도면 표준이 조금씩 달라지는 ‘표준 표류(standard drift)’ 현상이 발생한다. 이를 방치하면 납품 직전에 전체 도면을 재검토하고 수정해야 하는 최악의 상황이 벌어질 수 있다. 두 번째는 반복 작업으로 인한 비효율이다. 경험 많은 설계자조차 레이아웃 설정, 뷰포트 배치, 출력 환경 구성 같은 반복적이고 기계적인 작업에 상당한 시간을 소모하고 있다. 이는 단순한 시간 낭비를 넘어, 집중력을 분산시켜 정작 중요한 설계 품질 향상에 쏟아야 할 에너지를 갉아먹는 구조적 문제이다. 아레스 커맨더 2027은 바로 이 두 가지 핵심 도전에 정면으로 대응한다. 이번 업데이트는 화려한 신기능의 나열이 아니라, 실무 현장의 페인 포인트(pAIn point)를 정밀하게 타격하는 집중적인 기능 강화로 구성되어 있다. 그 중심에는 프로퍼티 페인터(Property PAInter)의 대폭 확장이 있다.   도면 간 경계를 허무는 프로퍼티 페인터, 협업의 일관성을 완성하다 표준화의 붕괴, 현장에서 벌어지는 일     프로젝트 현장에서 설계 표준화가 무너지는 과정은 대부분 의도치 않게 시작된다. A 설계자는 이전 프로젝트에서 사용하던 도면 템플릿을 그대로 가져와 작업을 시작하고, B 설계자는 발주처가 요구하는 레이어 기준에 맞게 새로운 설정을 만들어 쓴다. C 설계자는 외부 협력사에서 받은 참고 도면의 스타일을 그대로 가져다 쓴다. 이렇게 하나씩 쌓여가는 불일치는 어느 순간 프로젝트 전체를 뒤흔드는 문제로 커진다. 이러한 상황을 수작업으로 정리하는 것은 극도로 비효율적이다. 레이어 속성을 하나하나 확인하고, 텍스트 스타일이 올바른지 점검하고, 해치 패턴의 축척이 통일되어 있는지를 수십 개의 파일에 걸쳐 검토하는 작업은 수 시간, 때로는 수 일이 걸리는 고된 과정이다. 그리고 이 과정은 반드시 숙련된 시니어 설계자가 담당해야 한다는 점에서 조직의 핵심 인력을 비생산적인 작업에 묶어두는 결과를 낳는다.   프로퍼티 페인터가 바꾸는 것     아레스 커맨더 2027에서 강화된 ‘PROPERTYPAINTER’ 명령은 이 문제를 근본적인 차원에서 해결한다. 이번 버전에서 PROPERTYPAINTER는 두 가지 핵심 개선을 통해 대폭 향상되었으며, 여러 도면을 동시에 작업하는 환경에서 설계자에게 더 큰 유연성과 정밀한 컨트롤을 제공한다. 첫 번째 핵심 개선점은 도면 간 속성 복사이다. 이전까지 PROPERTYPAINTER 명령은 동일한 도면 파일 내에서 엔티티 간의 속성을 복사하는 것만 가능했다. 충분히 유용한 기능이었지만, 오늘날처럼 수십 개의 파일이 동시에 열려 작업되는 환경에서는 근본적인 한계가 있었다. 아레스 커맨더 2027부터는 한 도면의 엔티티에서 속성을 복사하여, 현재 열려 있는 다른 도면의 엔티티에 직접 적용하는 것이 가능해졌다. 사용자는 기준이 되는 ‘마스터 도면’에서 원하는 객체의 속성을 선택한 뒤, 열려 있는 다른 도면 탭으로 이동하여 그 속성을 그대로 적용할 수 있다. 파일을 닫고 다시 열 필요 없이, 탭 전환만으로 프로젝트 전체에 걸친 속성 통일 작업이 가능해진 것이다. 이 개선은 특히 일관된 스타일과 표준이 요구되는, 여러 파일로 분할된 대형 프로젝트 환경에서 워크플로를 간소화한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

영화의 복잡한 샷에서 빠른 반복 작업을 지원한 언리얼 엔진   1930년대 미시시피 델타를 배경으로 한 ‘씨너스 : 죄인들(Sinners)’은 인종 분리 및 차별을 명시적으로 인정하던 짐크로(Jim Crow)법 시대, 미국 남부의 고향으로 돌아온 쌍둥이 형제가 초자연적인 악과 마주하게 되는 이야기를 그린 공포 영화이다. 이 영화는 고도의 기술력이 필요한 시퀀스 촬영을 활용했다. 스티칭 기법을 사용해 IMAX(아이맥스)로 촬영한 장면들을 정교하게 이어 붙여 마치 한 호흡처럼 전개되는 음악 몽타주를 구성했으며, 시대 고증에 충실하면서도 영화적 완성도를 갖춘 대규모 기차 도착 장면도 구현해야 했다. 이 모든 작업을 빠듯한 제작 환경 속에서 진행하는 것은 쉽지 않았다. 이를 위해 팀은 언리얼 엔진을 중심으로 구축된 리얼타임 시각화 워크플로를 적극 활용했다. 언리얼 엔진을 단순한 프리비즈 툴 역할을 넘어서, 실제 촬영이 시작되기 훨씬 전부터 아이디어를 탐색하고 조율하며, 제작진의 방향을 맞출 수 있는 공동 창작 공간으로 역할을 수행했다. ■ 자료 제공 : 에픽게임즈     영화 제작 파이프라인의 재구성 일반적인 VFX 워크플로에서는 아티스트들이 파이프라인의 후반부에 합류하는 경우가 많아, 연출 방향이 대부분 확정된 뒤에야 샷 작업을 시작하게 된다. ‘씨너스 : 죄인들’이 아카데미상을 수상한 데에는 바라붐!(Baraboom) 의 마이클 랄라(Michael Ralla) VFX 슈퍼바이저와 에미상 수상자인 페페 발렌시아(Pepe Valencia) 시각화 슈퍼바이저가 큰 기여를 했다. ‘씨너스 : 죄인들’ 제작 팀에 참여한 마이클 랄라 VFX 슈퍼바이저는 이렇게 스토리와 동떨어진 상태에서 작업하게 되는 상황을 피하고자 했다. 그는 “컴포지터로 일하다 보면 보통 파이프라인의 마지막 단계에서 작업하게 된다. 원래의 연출 의도를 충분히 이해하지 못한 채, 다른 사람이 이미 만들어 놓은 작업을 마무리해야 한다”고 말했다.     언리얼 펠로우십을 통해 언리얼 엔진을 경험한 뒤, 랄라는 다른 접근 방식을 발견했다. 시각화를 실시간으로 이뤄내고, 영화 제작진과 긴밀하게 협업하며, 단순한 기술 구현을 넘어 스토리를 위해 활용하는 방식이었다. 이러한 생각은 페페 발렌시아 시각화 슈퍼바이저의 생각과도 일치했다. 발렌시아는 스토리텔러의 관점으로 시각화에 접근하고자 했기 때문이다. 랄라가 처음 연락했을 때, 발렌시아는 예산이나 일정에 대해 묻지 않고 대신 이렇게 물었다. ”대본을 읽어볼 수 있을까요?” 그 한마디가 전체 협업의 분위기를 결정지었다.   처음부터 맞춰진 공통의 방향성 ‘씨너스 : 죄인들’에서 가장 인상적인 장면 중 하나는 1930년대 미시시피의 주크 조인트를 배경으로 한 몽환적인 핵심 뮤지컬 시퀀스다. 이 장면에서는 마일스 케이튼이 연기한 새미의 블루스 공연을 계기로, 흑인 음악의 여러 시대가 뒤섞이며 시간의 경계를 넘나드는 순간이 펼쳐진다. 랄라는 “처음 대본을 읽었을 때, 가장 눈에 띈 독특한 장면은 ‘초현실적 몽타주’라고 하는 시퀀스였다. 새미가 무아지경에 빠진 듯 연주를 시작하면, 어느 순간 역사를 가로지르는 경험을 하게 된다”고 말했다. 이 초현실적 몽타주는 서아프리카의 드럼 연주부터 블루스, 펑크, 힙합까지 아우르며 마치 영혼을 불러내는 의식처럼 펼쳐진다.     그 장면은 대본을 읽는 순간 생생하게 눈앞에 그려졌지만, 각자가 머릿속에 떠올린 모습은 조금씩 달랐다. 대표적으로 랄라는 몽타주 속 인물을 반투명한 유령처럼 떠다니는 존재로 상상했다. 랄라는 “그 장면에 대해 다른 사람들과 이야기해 보니, 다들 ‘그게 무슨 뜻이죠?’라는 반응이었다”고 말하기도 했다. 팀 전체가 같은 그림을 공유하고 이 시퀀스가 품은 다양한 예술적 시도를 함께 탐색할 방법이 필요했다. 여기서 언리얼 엔진이 진가를 발휘했다. 언리얼 엔진은 누구나 이해할 수 있는 공통의 언어가 되어, 시퀀스를 함께 확인하고 바로 재생해볼 수 있게 해주었다. 발렌시아는 대본, 프로덕션 디자인 팀이 촬영한 평면도, 촬영 감독이 손으로 그린 카메라 경로, 그리고 여러 세대에 걸친 등장 인물 목록 등 몇 가지 자료만으로 언리얼 엔진에서 시퀀스 제작을 시작했다.   ▲ 언리얼 엔진 웹사이트 영상 캡처   이에 단 이틀 만에 첫 번째 시각화 버전이 완성되었다. 빠른 제작 속도는 각자의 해석을 두고 논쟁하는 대신, 모든 부서가 동일한 시퀀스를 함께 보면서 무엇이 잘 작동하고 무엇이 그렇지 않은지를 아직 수정이 가능한 시점에 논의할 수 있게 되었다. 추가 샷을 요청하는 편집 팀부터 릭 설치 공간과 배치를 계획하는 그립 팀까지 여러 부서에서 이 작업을 통해 각자의 문제를 해결할 수 있었다. ‘프리비즈’는 더 이상 단순한 하나의 결과가 아니었다. 랄라는 프리비즈가 “제작 전반에 걸쳐 활용하는 시각화”라고 설명했다.   빠른 문제 발견 언리얼 엔진을 활용한 기술적 시각화 덕분에 팀은 모든 계획을 실제 촬영과 동일한 조건에서 테스트하고, 잠재적 문제를 사전에 찾아낼 수 있었다. 초현실적 몽타주는 하나의 롱테이크처럼 느껴지도록 설계됐지만, 실제 촬영은 65mm IMAX 필름으로 진행되었다. 크고 무거운 카메라를 사용해야 했고, 필름 롤 길이에도 제한이 있었으며, 안무 및 동선 설계 역시 매우 복잡했다. 언리얼 엔진에서 시퀀스를 시각화함으로써 팀은 필름 길이상 촬영을 끊고 이어붙여야 할 스티치 지점을 미리 파악했다. 화면을 빠르게 돌려 전환하는 기법인 휩 팬 같은 전형적인 트릭에 기대지 않고 전환 방식을 설계했으며, 스테디캠 동선을 실제 물리적 제약에 맞춰 테스트할 수 있었다. 음악과 퍼포먼스 비트에 맞춰 타이밍을 맞춰보는 것도 가능했다. 촬영 현장에서 발견하기엔 너무 늦거나 해결하기엔 너무 어려웠을 문제를 언리얼 엔진 덕분에 조기에 찾아낼 수 있었다.     새로운 버전이 하루에 하나씩 나올 정도로 반복 작업도 매우 빠르게 이뤄졌다. 덕분에 제작진은 아이디어를 과감히 시도해 보고 무엇이 문제인지 확인한 뒤, 비용이 많이 드는 본격적인 촬영에 들어가기 전에 촬영을 다시 설계할 수 있었다. 랄라는“잘 안 되면, 빠르게 실패하고 넘어가면 된다”고 말했다. 길이가 제한된 고가의 IMAX 필름으로 작업하는 환경에서 아이디어를 시험해 보고 폐기하는 건 비용이 너무 많이 든다. 언리얼 엔진은 필름을 사용하기도 전에 다양한 아이디어를 탐색할 수 있는 길을 열어주었다. 속도는 제작 전 준비 단계에서뿐 아니라 실제 촬영 현장에서도 중요하게 작용했다. 기차 촬영 당시, 랄라는 휴대폰으로 레퍼런스 영상을 바로 찍어 발렌시아에게 전달하며 CG 기차를 추가한 빠른 시각화 버전을 요청했다. 발렌시아는 언리얼 엔진과 언리얼 엔진 마켓플레이스(현재 팹) 애셋을 사용해 다음 날 의사 결정에 사용할 수 있을 만큼 빠르게 결과를 만들었다. 중요한 건 완성도 높은 픽셀이 아니라, ‘과연 의도대로 작동할까?’라는 질문에 답하는 것이었다. 빠른 시각화는 곧 빠른 결정으로 이어졌다. 랄라는 아이디어가 의도대로 작동한다는 확신이 생기는 순간 지체 없이 다음 촬영으로 넘어갈 수 있었다고 말했다. 카메라를 실시간으로 움직이고, 화면을 공유하며, 아이디어를 즉시 조정하는 빠른 프로토타입 방식이 언리얼 엔진을 하나의 창작 공간으로 만들었다. 언리얼 엔진은 시간과 비용을 본격적으로 쏟아붓기 전에 다양한 결정을 미리 시험해 볼 수 있는 환경을 만들었다.     확신을 갖고 기획한 복잡한 샷 ‘씨너스 : 죄인들’에서 제작된 언리얼 엔진 기반 시각화는 일반적인 프리비즈 과정과 달리 촬영이 시작된 후에도 계속 활용되었다. 편집 과정에서 비어 있는 부분을 보완하는 데 활용됐고, 제작 후반에는 대체 샷을 탐색하는 데도 쓰였으며, 포스트 프로덕션 전반에 걸쳐 연출 의도를 유지하는 데 도움을 주었다. 편집자 마이클 쇼버(Michael Shawver)는 컷을 구성하기 위해 시각화 샷을 요청하고, 이를 임시 컷이자 편집 계획을 세우는 도구로 활용했다. 사실상 이 영화의 VFX 작업 중 상당 부분은 촬영 팀이 세트장에 들어가기 전부터 이미 시작되고 있었다. 랄라와 발렌시아에게 ‘씨너스 : 죄인들’에서 언리얼 엔진을 활용한다는 것은, 스토리에 대한 명확하고 공통된 이해를 제작 초기부터 만들어 모든 부서가 최고의 결과를 낼 수 있도록 하는 것을 의미했다. 랄라는 “연출 의도를 최대한 많은 사람들에게, 최대한 빨리 전달해야만 한다. 그래야 모두가 같은 방향을 바라볼 수 있다”고 말했다. 언리얼 엔진은 팀이 더 빠르게 움직이고, 더 긴밀하게 협업하며, 야심 찬 아이디어를 확신을 가지고 실행할 수 있도록 뒷받침했다. 이는 리얼타임 워크플로가 영화 제작 방식뿐만 아니라, 가장 중요한 연출적 선택이 내려지는 시점 자체를 바꾸고 있음을 보여준다.     ■ 기사 내용은 PDF로도 제공됩니다.

이재 지음 / 2만 2000원 / 비엘북스   생성형 AI 도구인 '나노바나나'를 활용하여 누구나 전문가 수준의 비주얼 콘텐츠를 제작할 수 있도록 돕는 실전 가이드북이 새로 나왔다. 이 책은 복잡한 이론보다는 100가지의 구체적인 예제를 통해 사용자가 직접 기능을 체험하며 익힐 수 있도록 구성되어 있다는 점이 특징이다. 이 책의 가장 큰 특징은 '경험 중심의 학습'을 지향한다는 점이다. 지루한 원리 설명 대신 실행 버튼을 누르는 순간부터 실습이 시작되도록 설계되어 있으며, 브랜드 로고 제작부터 광고 썸네일, 사진 복원 등 현무에서 즉시 활용 가능한 예제들을 담고 있다. 또한, 미드저니(Midjourney)와 같은 기존 AI 도구들이 가진 한계를 보완하는 워크플로우를 제시하여, 뭉개진 텍스트 복구나 캐릭터의 일관성 유지와 같은 고급 테크닉을 초보자의 눈높이에서 설명한다. 기술적인 측면에서는 단순한 이미지 생성을 넘어 '디테일의 완성'에 집중한다. 카메라의 로우 앵글이나 더치 앵글 같은 연출법은 물론, 제품과 액체의 상호작용, 조명과 그림자의 자동 일치 등 전문적인 이미지 퀄리티를 결정짓는 미세한 요소들을 다루는 법을 배울 수 있다. 나아가 구글 FLOW를 이용한 영상 제작이나 3D 렌더링 변환까지 다루고 있어 생성형 AI의 확장성을 폭넓게 경험하게 한다. 이 책에서 소개하는 나노바나나 활용법은 크게 네 가지 영역으로 구분된다. 첫째, 이미지 수정 및 복원 기술이다. AI가 생성한 이미지 내의 뭉개진 텍스트를 완벽하게 복구하거나, 불필요한 사물과 사람을 자연스럽게 지우는 법을 배운다. 또한 흑백 사진을 자동으로 컬러링하거나 저해상도의 사진을 선명한 프로필 사진으로 보정하는 실무 기술이 포함되어 있다. 둘째, 배경 및 스타일의 자유로운 변환이다. 인물은 그대로 유지한 채 배경만 특정 장소로 교체하거나, 여름 풍경을 눈 내리는 겨울로 바꾸는 계절 변경법을 익힐 수 있다. 실사 사진을 라인 드로잉으로 바꾸는 등의 화풍 변환과 낮과 밤의 시간대 변경도 가능하다. 셋째, 캐릭터 및 콘텐츠의 일관성 유지이다. 한 장의 캐릭터 이미지를 바탕으로 다양한 각도의 턴어라운드 시트를 제작하거나, 동일한 캐릭터에게 여러 가지 감정을 입히는 법을 배운다. 이는 웹툰이나 브랜드 캐릭터 마케팅을 준비하는 사용자에게 매우 유용한 기능이다. 넷째, 전문적인 광고 및 제품 디자인 연출이다. 제품 이미지를 자연스러운 배경에 합성하면서 그림자와 조명을 일치시키고, 모델이 들고 있는 상품을 다른 것으로 교체하는 등 고효율의 마케팅 콘텐츠 제작법을 다룬다. 영문 텍스트를 한글로 수정하거나 건축 도면을 바탕으로 3D 조감도를 기획하는 등의 심화 활용법도 제시된다. 특히 이 책은 프롬프트 입력이 막막한 입문자부터 업무 속도를 높이려는 디자이너, 저비용 고효율의 홍보물이 필요한 1인 창업자 모두에게 실질적인 솔루션을 제공하는 지침서가 될 것이다.

산업AI의 성패, 데이터의 ‘양’이 아닌 ‘맥락’으로 승부   지난 3월, 글로벌 산업 소프트웨어 시장에 의미 있는 변화가 일어났다. 헥사곤의 주요 소프트웨어 사업부가 분사해 ‘옥타브(Octave)’라는 독립 브랜드로 새롭게 출범한 것이다. 월드 IT 쇼(WIS) 2026 현장에서 만난 옥타브 산업 컨설팅 부문 김세환 기술 이사는 옥타브가 건설/플랜트/조선 분야를 리드해온 것에서 진일보하겠다는 포부를 밝혔다. 그리고 산업AI와 결합하여 전 산업 분야에서 라이프사이클을 아우르는 기업으로 거듭나겠다는 비전을 제시했다. ■ 최경화 국장     옥타브는 산업 및 인프라 자산의 설계(design)부터 구축(build), 운영(operate), 보호(protect)에 이르는 전 단계에 걸쳐 ‘라이프사이클 인텔리전스’를 제공하는 기업이다. 옥타브의 전신은 인터그래프로, 1969년에 플랜트 산업 분야의 데이터 관리와 3D 설계 설루션을 공급하는 회사로 설립되었다. 2010년 헥사곤AB(Hexagon AB)에서 인수 후 헥사곤 PPM (2017년)으로 명칭이 변경되었고, 설계를 넘어 자산의 전체 수명 주기 관리 업체로 변화한다는 의미에서 헥사곤 ALI(2022년)로 변경되어 온 바 있다. 옥타브의 설립은 헥사곤 내 헥사곤 ALI(애셋 라이프사이클 인텔리전스) 사업부, SIG(세이프티·인프라·지오스페이셜) 사업부, 브릭시스, ETQ, 프로젝트메이츠 사업부를 통합해 구성되었으며, 산업AI 시대에 소프트웨어 분야에 더욱 집중하기 위해 새롭게 설립되었다는 설명이다. 이 회사는 현재 45개국 이상의 고객사를 지원하고 있으며, 포춘 500대 기업의 약 60%가 옥타브 설루션을 활용하고 있다. 김세환 이사는 이번 분사가 단순히 조직의 분절이 아니라, 고객의 수요와 운영 현실을 반영한 전략적 선택이었다고 설명한다. “산업 간 연계가 깊어지면서 자산 생애주기 전반에서 데이터가 소실되는 문제가 빈번해졌고, 이를 해결하기 위해 보다 빠르고 단호한 투자가 가능한 독립 법인이 필요했다”는 것이다. 옥타브는 ‘인텔리전스를 규모 있게 실현한다’는 비전 아래, 복잡한 데이터를 실행 가능한 정보로 전환하는 데 집중하고 있다.   생성형 AI와 산업AI의 결정적 차이, 맥락 최근 생성형 AI 열풍이 거세지만, 김 이사는 산업 현장의 AI는 본질적으로 달라야 한다고 강조한다. 일반적인 AI가 폭넓은 정보를 바탕으로 답을 내놓는다면, 산업 AI는 실제 자산과 안전, 워크플로에 직결되는 ‘구조화된 도메인 특화 데이터’를 기반으로 삼아야 한다. 산업 환경에서의 오류는 안전과 품질, 비용에 치명적인 영향을 미치기 때문이다. 옥타브의 산업AI는 도면, 유지보수 이력, 운영 현황, 센서 데이터 등 맥락(context)화된 데이터를 기반으로 작동하며, 점검 우선순위를 정하거나 부품 발주 지침을 내리는 등 즉각 실행 가능한 인텔리전스를 제공한다.   AI 선도 전략으로 최적의 대안 제시 옥타브의 핵심 전략은 ‘AI 주도(AI-lead)’가 아닌 ‘AI 선도(AI-forward)’다. AI가 전문가를 대체하는 것이 아니라 위험 신호를 감지해 권고안을 제시하고, 최종 결정은 현장 전문가가 내리는 구조다. 데이터 통합이 단순히 정보를 모으는 것이라면, 맥락화는 그 데이터를 자산 및 리스크와의 관계 속에서 의미 있게 만드는 작업이다. 옥타브의 AI 전략은 데이터 맥락화, 임베디드 AI, 에이전틱(agentic) 워크플로, AI 네이티브 애플리케이션이라는 네 가지 축을 중심으로 구성된다. 김 이사는 AI 도입의 성패가 기술적 성숙도가 아닌 ‘데이터 준비도(data readiness)’에 달려 있다고 말한다. 데이터가 충분히 연결되고 맥락이 결합될 때 비로소 ‘AI가 즉시 활용 가능한 데이터’가 된다. 이러한 토대 없이 AI를 도입하면 성과 없이 비용만 발생할 가능성이 높다.   핵심 설루션 활용 : 옥타브 어튠 EAM과 옥타브 아리아 한국 산업 현장에서 가장 빠르게 현실화되고 있는 영역은 운영(operate) 도메인, 특히 데이터 맥락화와 임베디드 AI를 결합한 자산 성능 관리(APM) 및 예측 유지보수이다. 실제 현장에서 옥타브 어튠 EAM(Octave Attune EAM)은 작업 지시, 자산 추적, 재고 및 안전 관리를 통합적으로 지원하며, 생성형 AI 엔진인 옥타브 아리아(Octave Aria)는 설비 제조사 매뉴얼을 자동으로 읽어 예방 정비 항목을 정리하거나 공급업체 정보를 참조해 부품 가격을 자동 업데이트하는 등 현장 실무자의 반복 업무를 줄여준다. 에이전틱 워크플로와 AI 네이티브 애플리케이션은 현재 기술 개발 중에 있으며, 옥타브는 올해 에이전틱 AI 기능을 단계적으로 도입할 계획이다.   한국 산업계의 성공 사례와 기술 검증 옥타브는 에너지, 석유화학, 건설/플랜트(EPC), 제조 분야 등에서 주요 산업 고객들과 협력하고 있다. 대표적 사례로 에쓰오일(S-OIL)은 옥타브 Facets P&ID, 옥타브 Forte 3D 등의 설루션을 도입해 지능형 디지털 트윈 기반 운영 체계를 구축하였다. 현대건설 또한 옥타브와 MOU를 체결하고 스마트 EPC 분야의 디지털 전환을 추진 중이다. 이러한 기술력은 극한의 환경인 F1 레이싱 현장에서도 입증되고 있다. 옥타브는 VCARB(비자 캐시앱 레이싱 불스)와 파트너십을 맺고 옥타브 어튠을 통해 모든 부품과 장비, 공구를 실시간으로 관리한다. 단 하나의 실수도 허용되지 않는 F1 서킷에서 검증된 자산 가시성과 예측 유지보수 기술은 에너지, 인프라, 제조 운송 등 산업현장의 성과로 이어지고 있다.   데이터 연결과 준비를 통해 산업AI 경쟁력 강화 옥타브는 오는 2026년 3분기, 생애주기 전반의 데이터를 단일 스레드로 통합하고 에이전틱 서비스를 제공하는 단일 플랫폼을 출시할 예정이다. 김세환 이사는 향후 3~5년 내 산업 AI의 경쟁력이 AI 모델의 정교함이 아니라 ‘얼마나 연결되고 맥락화된 데이터 기반을 갖췄는가’에서 갈릴 것이라고 전망한다. 그는 한국 기업들에게 “AI에 투자하기 전, 데이터가 진정으로 AI 준비 상태(AI-ready)인지 확인하라”고 조언했다. 단편적인 효율 개선을 넘어 라이프사이클 전반의 데이터를 연결하는 변혁에 집중하는 조직만이 산업 AI 시대의 승자가 될 것이라는 분석이다.     ■ 기사 내용은 PDF로도 제공됩니다.

LG에너지솔루션 최호득 책임연구원     ‘매트랩 엑스포 2026 코리아’에서 LG에너지솔루션의 최호득 책임연구원은 MIL(model-inthe-loop) 환경에서 배터리 SOX 로직을 매트랩과 시뮬링크 도구를 활용하여 테스트 스위트를 구성하고, 이를 동적으로 검증하는 프로젝트를 소개했다.   – LG에너지솔루션 및 현재 맡은 업무에 대해 LG에너지솔루션은 자동차, IT 및 로봇, ESS(에너지 저장 시스템) 등에 필요한 배터리 셀, 배터리 팩, BMS(배터리 관리 시스템)를 제공하는 회사이다. 이 가운데 주로 자동차 배터리에 탑재되는 BMS의 기능 검증 및 검증 자동화 업무를 수행하고 있다. 최근에는 BMS 없이 가상 ECU를 검증하는 SIL(software-in-the-loop) 환경 구축이나, 개발된 특정 소프트웨어를 활용해서 모델 내에서 검증하는 MIL 검증을 진행하고 있다.   – 시뮬링크를 적용한 업무는 어떤 것이며, 시뮬링크를 적용하게 된 배경은 무엇인지 이번에 적용한 업무는 매트랩 툴박스(MATLAB Toolbox) 내에 있는 시뮬링크 테스트(Simulink Test)를 기존 테스트 환경에 반영하는 것이다. 시뮬링크 테스트는 시뮬링크 모델을 테스트 하네스(test harness)로 만들어 테스트 스위트를 구성하고 검증하는 방식이다. 개발팀은 주로 특정 모듈을 검증하지만, 검증팀은 대규모 개발 모델과 검증 모델을 통합하여 보다 정확한 검증을 위해 트랜지션(transition)을 사용할 수 있다. 또한, 기존에 사용하던 엑셀 기반의 시나리오 테스트 케이스를 매트릭스 구조로 읽어와 테스트 어세스먼트(test assessment) 블록에 이관하여 검증할 수 있어 검증 효율성을 높일 수 있다는 점에서 시뮬링크 테스트를 활용하게 되었다.   – 현재 시뮬링크를 어떻게 활용하고 있는지 현재 시뮬링크는 두 가지 측면에서 활용하고 있다. 첫 번째는 구성한 테스트 스위트를 활용하여 수동으로 검증할 때이다. 자동화 환경을 구성하기 전에 정의한 변수와 실행이 올바르게 이루어지는지 확인하고, 자동화 검증 결과에 이상이 있을 때 특정 포인트를 직접 눈으로 보면서 로직을 확인한다. 두 번째는 테스트 자동화를 위해 시뮬링크 모델을 래핑한 후, 엑셀에 설계된 테스트 시나리오를 기반으로 개발팀이 배포한 소프트웨어의 기능을 검증하는 목적으로 사용하고 있다.   – 시뮬링크 활용을 통해 얻은 효과에 대해 시뮬링크를 활용함으로써 얻은 효과로는 세 가지가 있다. 첫째는 직관성이다. 시뮬링크는 모델로 구성되어 시간적 순서에 따라 인과관계에 근거하여 동작한다. 이 때문에 구성된 로직이 시간의 순서에 맞추어 동작하는지, 주변 로직에서 영향을 받지 않는지 등의 디버깅이 용이하다. 두 번째는 모델 배포의 용이성이다. 특정 모델을 분리하여 동료에게 배포하기가 쉽다. 배포된 모델은 유닛 테스트 및 동료 검토(예 : FAIlure 시뮬레이션)가 용이하다. 코드가 아닌 모델로 구성되어 있기 때문에 로직을 보다 쉽게 이해할 수 있다. 마지막은 변수 제어이다. 시뮬링크를 사용하여 시뮬레이션을 진행할 때 시뮬레이션 중 변수 제어가 되지 않는 문제가 있었지만, 이번에 적용한 시뮬링크 테스트를 활용하면 특정 포인트에서 원하는 값을 제어하며 모델을 운영할 수 있다.   – 향후 시뮬링크의 활용 계획에 대해 향후에는 시뮬링크를 현재 수준으로 계속 활용하면서, 매트랩의 통계 함수와 연동하여 검증된 결과에 대한 통계 분석 등 후처리 시뮬레이션(post simulation)을 더욱 적극적으로 활용할 계획이다. 또한, 내장된 툴박스의 기능을 보다 많이 파악하여 현재까지 인지하지 못한 유용한 기능을 활용함으로써, 검증 품질을 높이고자 한다.   – 시뮬레이션 활용 확대를 위해 현업에서 어떤 부분을 고려해야 할지 자동차 및 ESS 프로젝트를 진행하면서 다양한 형태의 데이터 파일을 현장에서 받게 된다. 이러한 데이터를 쉽게 가져와 개발된 모델과 연동하여 사용하는 방법에 대한 고민이 필요하다. 또한, 기존 데이터를 의미 있는 범위 내에서 왜곡하여 시뮬레이션함으로써 로직의 강건성을 검증하는 방법에 대한 고민도 필요하다. 매트랩과 시뮬링크의 시뮬레이션 결과는 동적인 형태로 출력되는데, 이러한 패턴을 검증할 수 있는 기술 개발 역량 강화가 필요할 것 같다.   같이 보기 : [포커스] 매스웍스, MBD와 AI 결합으로 제조 혁신 가속화… “설계 복잡성 줄이고 신뢰성 높인다”