제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (10)   이번 호에서는 크레오 파라메트릭 12.0(Creo Parametric 12.0)에서 애니메이션을 활용하는 기능에 대해 알아보자. 애니메이션 기능은 분해(Explode), 스냅샷(Snapshot), MDO(Mechanism Design Option)에서 가져오기 세 가지의 뷰 조건을 활용하여 쉽고 빠르게 동영상을 생성할 수 있다. 특히 뷰 관리자에서 미리 만들어둔 단계별 분해 뷰(Explode View)를 타임라인의 원하는 시간대에 키 프레임(Key Frame)으로 배치하기만 하면, 복잡한 어셈블리가 스스로 조립되거나 분해되는 애니메이션을 빠르고 정교하게 완성할 수 있다.   ■ 박수민 디지테크 기술지원팀의 과장으로 Creo 전 제품의 기술지원 및 교육을 담당하고 있다. 홈페이지 | www.digiteki.com   애니메이션의 기초 : 연속적인 분해 뷰 준비하기     애니메이션 작업을 시작하려면 응용 프로그램 → 애니메이션을 선택한다.     화면 왼쪽에는 모델 트리와 애니메이션 트리가 위치하며, 위쪽 리본 메뉴에는 애니메이션 설정, 분해, 키 프레임 시퀀스, 보기 및 투명도 설정 등 동영상 제작에 필요한 모든 도구가 직관적으로 배치되어 있다. 각 기능들에 대해 알아보자.   모델 애니메이션  애니메이션 설정 : 애니메이션 설정 변경  애니메이션 보간 : 투명도 및 뷰에 대한 보간 설정 정의  애니메이션 디스플레이 : 모델의 아이콘 디스플레이를 제어  분해 : 분해 뷰를 사용하여 애니메이션 생성  스냅샷 : 스냅샷을 사용하여 애니메이션 생성  MDO에서 가져오기 : Mechanism 애니메이션 생성   재생  재생 : 애니메이션 재생 내보내기 : 애니메이션 내보내기   애니메이션 생성  키 프레임 시퀀스 : 키 프레임 시퀀스를 생성  이벤트 : 이벤트를 생성  제거 : 타임라인에서 선택된 항목 제거  키 프레임 시퀀스 관리 : 키 프레임 시퀀스 생성 및 편집 관리  선택됨 : 타임라인에서 선택된 항목 편집  하위 애니메이션 : 하위 애니메이션으로 포함   그래픽 설계  보기 @ 시간 : 애니메이션 중 모델의 보기 방향 정의  투명도 @ 시간 : 애니메이션 중 모델의 투명도 정의  유형 @ 시간 : 애니메이션 중 모델의 유형 정의   타임라인  시간배율 확대 : 타임라인을 확대  시간배율 전체 표시 : 전체 타임라인 보기  시간배율 축소 : 타임라인을 축소  시간 영역 : 애니메이션 시간 영역을 설정   Mechanism Design  컴포넌트 끌기 : 해당 어셈블리가 어떻게 작동하는지 확인  서보 모터 : 새 서보 모터를 생성  서보 모터 관리 : 서보 모터를 정의  연결 상태 : 새 연결 상태를 생성  강체 잠금 : 모델의 보디를 잠금  강체 정의 : 모델의 보디를 정의     가장 먼저 애니메이션에 사용할 분해 뷰를 생성하기 위해 위쪽 메뉴에서 새 애니메이션 → 분해를 선택하여 새로운 애니메이션을 시작한다.     애니메이션에 사용할 분해 뷰를 생성하기 위해  보기 관리자를 선택하여 분해 탭으로 이동한다.     전체가 조립되어 있는 기본 상태의 뷰를 ‘새로 만들기’를 통해 생성한다. 이 뷰는 애니메이션에서 조립되어 있는 상태를 표현할 때 사용된다.     처음 생성한 뷰가 활성화된 상태에서 특성 → 위치 편집을 선택한다.     각 방향의 팬 블레이드와 볼트를 선택해 몸체와 떨어진 방향으로 각각 분해시킨다. 분해가 완료되면 ‘확인’을 눌러 두 번째 분해 뷰를 완성한다.     ■ 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.

한국플랜트정보기술협회 교육 안내입니다. 내용이 잘 보이지 않으면 여기를 클릭하십시오. 한국플랜트정보기술협회 2026 연간교육일정 확인하기

캐디안이 오는 4월 20일~24일 독일에서 열리는 산업 전시회 ‘하노버 메세 2026’에 참가한다고 밝혔다. 지난 3월 위즈코어로 사명을 변경한 캐디안은 KOTRA 한국관을 통해 AI 기술력을 선보이며 글로벌 CAD 시장 개편에 나선다는 계획이다. 이번 전시의 핵심은 AI 기반 설계 및 자동 적산 설루션인 ‘AI-CE(AI-Cost Estimation)’다. AI-CE는 이미지나 DWG 도면을 AI가 스스로 인식하고 추론해 도면 재생성과 객체 탐지, 자동 BOM 산출까지 원스톱으로 처리하는 기술이다. 기존 전문가의 수작업에 의존하던 노동 집약적 방식에서 벗어나 견적 산출의 정확도와 속도를 높였다는 점이 특징으로, 캐디안은  건설 및 제조 현장의 프리콘 역량을 극대화해 수주 경쟁력을 확보하는 핵심 전략 자산이 될 것으로 기대하고 있다.     주력 제품인 ‘캐디안 프로 2026(CADian Pro 2026)’과 ‘캐디안 클래식 2026(CADian Classic 2026)’도 함께 공개한다. 이 제품들은 오토캐드와 양방향 호환성을 갖췄으며, 친숙한 UI를 제공해 별도 교육 없이 즉시 실무에 적용할 수 있다. 캐디안 프로 2026은 표준 API를 지원해 반복 설계를 자동화하고 스마트 치수 기능을 통해 효율을 높였다. 2D 설계에 최적화된 캐디안 클래식 2026은 기존 자동화 자산을 그대로 활용할 수 있어 전환 리스크를 최소화했다. 특히 구독형 모델 중심의 시장에서 영구 라이선스 방식을 유지해 기업의 비용 부담을 80% 이상 절감하는 경제성을 확보했다. 캐디안은 단순 도구를 넘어 설계 데이터 기반의 ‘디지털 엔지니어링 플랫폼’ 비전을 선포한다. 스마트 공장과 디지털 전환 수요가 급증하는 글로벌 흐름에 맞춰 합리적 가격과 AI 기술력을 결합한 새로운 표준을 제시한다는 포부다. 캐디안 관계자는 “CAD는 이제 AI 기반 의사결정을 지원하는 지능형 플랫폼으로 진화하고 있다”면서, “이번 전시를 기점으로 유럽 등 글로벌 파트너십을 강화해 전 세계 제조 산업의 디지털 전환을 선도하겠다”고 밝혔다.

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     ■ 기사 내용은 PDF로도 제공됩니다.

캐드앤그래픽스 CNG TV는 ‘AI 에이전트 대전환, 전문성 설계부터 코딩 혁명까지’를 주제로 인공지능팩토리 김태영 대표와 소이랩(SOY.LAB) 최돈현 대표를 초청, 방송을 진행했다. 이번 방송에서는 CNG TV 전문위원인 한국건설기술연구원 강태욱 연구위원의 사회로 최근 뜨거운 이슈가 되고 있는 AI 에이전트 트렌드에 대해 살펴보았다. 자세한 내용은 다시보기 페이지에서 확인할 수 있다.   CNG TV 발표자 - 김태영 대표(인공지능팩토리), 최돈현 대표(SOY.LAB)   AI 에이전트 대전환 시대, 전문가의 설계와 코딩 혁명이 가져올 미래 단순한 도구 활용을 넘어 AI 에이전트(AIA)가 업무의 주축이 되는 대격변의 시대가 도래했다. 기술의 단순 재현(Representation)을 넘어 전문가가 직접 시스템을 설계(Design)하고 지휘(Orchestration)하는 생존 전략이 필요한 시점이다. 인공지능팩토리 김태영 대표와 SOY.LAB 최돈현 대표는 이번 방송을 통해 AI 에이전트의 최신 흐름과 실무 적용 방안을 심도 있게 다루었다. AI 에이전트의 진화: 툴 콜링에서 자율적 임무 수행까지 AI 기술은 LLM(대규모 언어 모델)에서 시작하여 RAG(검색 증강 생성), 멀티턴 대화, 그리고 도구를 직접 호출하는 '툴 콜링(Tool Calling)' 단계로 빠르게 진화했다. 과거에는 개발자만이 API를 통해 도구를 연결할 수 있었으나, MCP(Model Context Protocol)의 등장으로 일반 엔지니어도 다양한 외부 기능을 에이전트에 연결할 수 있는 길이 열렸다. 특히 최근 주목받는 '오픈클로(OpenClaw)' 시스템은 하트비트(Heartbeat) 기능을 통해 에이전트를 주기적으로 깨워 스스로 업무를 수행하게 한다. 이는 사용자가 일일이 명령을 내리는 리액티브(Reactive) 방식을 넘어, AI가 스스로 판단하고 실행하는 프로액티브(Proactive) 방식으로의 전환을 의미한다. 김태영 대표는 실제 실험을 통해 에이전트의 자율적 업무 가능성을 확인했다고 밝혔다. 바이브 코딩과 코딩 에이전트가 만드는 생산성 혁명 '바이브 코딩(Vibe Coding)'의 등장은 개발 생태계에 큰 충격을 주었다. 커서(Cursor)나 클로드 코드(Claude Code)와 같은 에이전트는 파일 시스템에 접근하여 스스로 코드를 수정하고 실행하며, 사용자의 의도(Vibe)만으로 결과물을 만들어낸다. 이러한 에이전트는 단순히 코드 작성에 그치지 않고 문서 작성, PPT 제작, 웹페이지 구축 등 다양한 스킬(Skill)을 장착하여 범용적인 업무 비서로 진화하고 있다. 하지만 에이전트가 공유기 설정을 변경하거나 시스템 보안을 위협할 수 있는 수준까지 발전함에 따라, 격리된 환경(샌드박스)에서의 운영과 시스템적 보안 설계가 필수가 되었다. 시댄스 2.0과 비주얼 생성 AI의 격변 영상 및 이미지 생성 분야에서도 거대한 변화가 일어나고 있다. 바이트댄스(Bytedance)의 '시덴스(Seedance) 2.0'은 실사에 가까운 고품질 영상 생성 능력을 보여주며 기존의 글로벌 모델들을 위협하고 있다. 이미지 한 장으로 비행기 탈출 장면과 같은 역동적인 영상을 생성하거나, 짧은 명령만으로 고수준의 광고 영상을 제작하는 것이 가능해졌다. 또한 '컴피 클라우드(Comfy Cloud)'의 등장은 고가의 그래픽 카드 없이도 저렴한 비용으로 전문가급 워크플로우를 구축할 수 있게 했다. 이는 개인이 GPU 자원을 클라우드에서 활용하며 복잡한 노드 기반의 생성 프로세스를 운영할 수 있게 됨으로써, 1인 창작자의 기술적 진입 장벽을 혁신적으로 낮추었다. 전문가의 역할 변화와 미래 지향적 관점 AI가 숙련가의 영역을 대체함에 따라, 인간 전문가의 역할은 '어떻게 만드느냐'보다 '무엇을 설계하느냐'로 이동하고 있다. 최돈현 대표는 인문학적 소양과 예술적 통찰력을 바탕으로 한 전문성이 결여된 AI 결과물은 시장에서 오래 살아남기 어렵다고 강조했다. 앞으로의 산업 구조에서는 큰 기업에 소속된 인재보다, AI 에이전트를 지휘하여 가치를 창출하는 '1인 기업가'의 비중이 높아질 것으로 예측된다. 따라서 기술에 매몰되기보다 본연의 도메인 지식을 강화하고, AI를 효율적으로 지휘하는 설계 능력을 갖추는 것이 생존의 핵심이다.

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.

▲ 제공 : 옥타브   플랜트 및 조선 산업은 거대한 전환점을 마주하고 있다. 전통적인 설계와 시공 방식은 이제 디지털 전환(DX)을 넘어 인공지능 전환(AX)으로 빠르게 진화하고 있다. 또한, 디지털 기술과 인공지능은 이제 선택이 아닌 생존을 위한 필수 요소로 자리잡았다. 이번 호에서는 지난 2월 5일 ‘플랜트 조선 컨퍼런스 2026’에서  발표된 내용을 중심으로, 플랜트 및 조선 산업의 지속 가능한 혁신을 위한 추진 전략부터 엔지니어링 데이터의 품질 확보 및 설계 자동화 등 실무적인 설루션을 통한 기술 변화의 흐름을 짚어보고, 우리 산업이 나아가야 할 재도약의 방향을 살펴보고자 한다.   글로벌 플랜트·조선 프로젝트의 새로운 경쟁력을 위한 실행 중심 DX 전략 / 남궁진 플랜트 DX/AX를 통한 산업 혁신 : 지속 가능하면서 효율적인 추진 전략 / 이현식 DX·AI 시대의 플랜트 토목 설계 자동화 / 최재득 디지털 건설 블록을 통한 EPC 산업의 AI/ML 기반 디지털 전환 전략 / 손창영 AI 스마트 선박 및 스마트 해운의 사이버 안전 대응 전략 / 공병철 플랜트·조선 산업을 위한 대용량 3D 시각화 설루션 적용 사례 / 이찬영 AI 기반 엔지니어링을 위한 CAD 데이터 품질 인프라 구축 / 아이지피넷   총 25 페이지     ■ 자세한 기사 내용은 PDF로 제공됩니다.