전통정원 표준모듈 개발   전통정원 표준모듈의 개념 정의 1 현대에 재현된 전통정원 고찰 (1) 전통 재현의 문제 양상 1) 정자와 방지원도형 창덕궁 부용지 정원 반복 방지 원형 섬 정자와 화계 , , , 굴뚝으로 구성된 궁궐 정원 중심의 반복적 도입 누구나 인지하는 형태로 전달성을 담보하는데 유리하지만 단조로운 전통정원 양산 2) 개별 구성요소의 경관 짜임새 부족 지당, 정자, 마당, 화계, 담장, 문, 장독대 등 단위 구조물을 개별적으로 재구성 원형 공간과 달라진 규모와 배치로 인한 공간의 스케일감 변형과 모호한 분위기 형성 의도하는 전통경관의 입체적 완성도 확보의 어려움 3) 전통정원 조성 기법의 변형 지당과 섬의 호안 등 전통 축조법에서 어긋난 전통정원 조성 사례 얀색 조약돌 포장을 도입하거나 플라스틱 등 현대 재료 사용으로 인해 어색하고 조화롭지 못한 경관 연출   목차 제1장 과업의 개요 1. 과업의 배경과 목적 3 2. 과업의 내용과 방법 4 3. 전통정원 표준모듈의 개념 정의 6 4. 과업의 기대효과 15 제2장 전통정원 기초모듈 축적 1. 전통정원 목록과 기초모듈 도출 대상 19 2. 전통정원의 공간구성과 구성요소 조사 항목 32 3. 전통정원 기초모듈 정보 작성 38 제3장 전통정원 표준모듈 도출 1. 전통정원 표준모듈 53 2. 양호한 경관의 전통공간 152 3. 전통정원 표준모듈 구성요소의 설계기준 188 제4장 전통정원 표준모듈 활용·보급 방안 1. 전통정원 표준모듈의 활용·보급 로드맵 231 2. 분야별 전략 사업과 수행 방안 233 참고문헌     발행 : 2025. 12. 형식 : pdf 254 page 제작 : 국가유산청 자료보기  

주요 스마트 건설 DX 솔루션 소개 AI 네이티브 클라우드 플랫폼, Autodesk Forma(이미지 제작 : 제미나이) 개발 : 오토데스크, www.autodesk.com/kr 자료 제공 : 오토데스크코리아, 02-3484-3400, www.autodesk.com/kr   오토데스크(Autodesk)는 미국 캘리포니아주 샌프란시스코에 본사를 둔 글로벌 소프트웨어 기업으로 건축·엔지니어링·건설(AEC), 제조 및 미디어·엔터테인먼트 산업을 위한 설계·엔지니어링 소프트웨어를 제공하고 있다. AutoCAD, Revit 등 업계를 대표하는 솔루션을 통해 디지털 설계와 협업 환경을 지원해 왔으며, 최근에는 AI와 클라우드 기반 플랫폼을 중심으로 프로젝트 전 생애주기를 연결하는 산업 전반의 디지털 전환을 지원하고 있다.   1. 주요 특징  Autodesk Forma는 건축·엔지니어링·건설(AECO) 산업을 위한 AI 네이티브 클라우드 플랫폼으로, 초기 기획과 사이트 분석, 개념 설계부터 설계·시공 단계까지 데이터를 하나의 환경에서 연결한다. 실시간 환경 분석과 AI 기반 설계 인사이트를 통해 더 빠르고 합리적인 의사결정을 지원하며, Revit과 Autodesk Construction Cloud 등 기존 툴과의 연계를 통해 단일 데이터 소스를 기반으로 이해관계자 간의 협업을 강화하고 프로젝트 전 생애주기 전반의 효율성과 품질을 높일 수 있다. 2. 주요 기능 Autodesk Forma는 프로젝트 초기 단계에서 부지와 주변 환경을 분석해, 일조, 일사, 바람, 소음, 탄소 등 다양한 환경 요소를 종합적으로 검토할 수 있도록 지원한다. AI 기반 개념 설계 및 매스 스터디 기능을 통해 여러 설계안을 신속하게 생성하고 비교함으로써 초기 의사결정의 효율성을 높인다. Forma Site Design과 Building Design 기능을 활용하면 부지 계획부터 초기 건물 설계 단계까지 하나의 환경에서 연속적으로 수행할 수 있으며, Forma Connected CLIent를 통해 Forma에서 수행한 분석 결과와 설계 데이터를 Revit에서 직접 활용할 수 있다. 또한 Forma Data Management를 기반으로 한 공통 데이터 환경(CDE)을 제공해 프로젝트 참여자 간 데이터 관리와 협업을 효과적으로 지원한다. 3. 도입 효과 Autodesk Forma를 도입하면 AI 기반 분석을 통해 초기 설계 단계에서 설계안을 신속하게 검증할 수 있어 의사결정 속도를 높일 수 있다. 일조, 환경, 성능 등 다양한 데이터를 설계 초기부터 종합적으로 고려함으로써 설계 품질과 건물 성능을 데이터 중심으로 개선할 수 있으며, 프로젝트 전 단계에 걸친 설계 완성도를 높이는데 기여한다. 또한 기획, 설계, 시공 단계 간 데이터 연속성을 확보해 협업 효율을 높이고, 정보 단절로 인한 재작업을 최소화할 수 있다. 이를 통해 비용, 일정, 성능과 관련된 프로젝트 리스크를 초기 단계에서 예측하고 선제적으로 대응할 수 있어 보다 안정적인 프로젝트 수행이 가능하다. 4. 주요 고객 사이트 Autodesk Forma는 국내외 다양한 건축·건설 프로젝트에서 활용되고 있다. 국내에서는 행림종합건축사사무소를 비롯한 설계사무소에서 Autodesk Forma를 활용해 프로젝트 초기 기획 및 설계 단계에서 데이터 기반 검토와 의사결정을 지원하고 있으며, 해외에서는 네덜란드의 디자인·빌드 기업 Dura Vermeer, 글로벌 건축·엔지니어링 기업인 Stantec, HMC Architects, HNTB 등 다양한 설계 및 엔지니어링 조직에서 초기 설계 및 분석 단계에 Autodesk Forma를 적용하고 있다.     상세 내용은 <스마트 건설 DX 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

포토리얼리즘과 합성 데이터로 피지컬 AI의 진화를 이끌다   시뮬레이션 산업은 인간을 훈련시키는 툴에서 기계를 훈련시키는 툴로 크게 전환되고 있다. 이를 위해서는 현실 세계에서 직접 작동하고 인식하며 상호작용하는 AI 시스템이 필요하다. 바로 피지컬 AI(physical AI)다. AI 모델을 센서, 카메라, 액추에 이터와 결합함으로써 로봇, 자율 주행 차량, 드론과 같은 시스템은 실시간으로 상황을 이해하고 판단하며 행동하고, 예측할 수 없는 환경에도 적응한다. 언리얼 엔진은 이제 시뮬레이터를 넘어 합성 데이터 팩토리이자 차세대 로보틱스 시스템을 구동하는 실시간 자율 플랫폼으로도 활용되며, 로보틱스 산업의 핵심 플랫폼으로 자리매김하고 있다. ■ 자료 제공 : 에픽게임즈   기술 요구사항으로 평가되는 포토리얼리즘 현실 세계에서 작동하는 로봇을 훈련하려면 방대한 데이터가 필요하다. 이러한 데이터를 현실 세계에서 수집하는 일은 느리고 비용이 많이 들며 위험할 뿐만 아니라 근본적인 한계를 갖고 있다. 예를 들어, 수천 번의 차량 충돌이나 수술 합병증을 실제로 반복 재현하는 것은 불가능하다. 이러한 이유로 시뮬레이션은 현대 피지컬 AI 개발의 핵심 기반이 되고 있다. 이에 따라 로보틱스 팀에게 언리얼 엔진은 비용·성능·속도 모든 면에서 핵심 해답으로 자리잡고 있다. 로보틱스 시뮬 레이션에서 포토리얼리즘은 단순한 선택 사항이 아니라 기술적으 로 반드시 필요한 요건이기 때문이다. 언리얼 엔진의 그래픽 성능은 ‘시뮬레이션과 현실 간 격차(sim-to-real gap)’, 즉 시뮬레이션에서 모델이 인식하는 것과 실제 로봇 환경에서 마주하는 것 사이의 차이를 줄이는 데 적합하다. 핵심 원리는 합성 이미지가 실제 사진에 가까울수록, 모델이 시뮬레이션에서 현실로 일반화하는 데 필요한 추가 작업이 줄어든다는 점이다. 언리얼 엔진 5는 이 분야의 판도를 근본적으로 바꾸기 위한 세 가지 기술을 선보였다. 포토리얼리즘을 구현하는 데 그치지 않고, 이를 실시간으로 구현할 수 있게 한 것이다. 언리얼 엔진 5의 나나이트(실시간 초고해상도 지오메트리), 루멘(다이내믹 글로벌 일루 미네이션), 하드웨어 레이 트레이싱은 물리적으로 정확한 포토리얼 환경을 실시간으로 구현하는 핵심 기술이다. 제너럴 로보틱스(General Robotics)는 언리얼 엔진을 활용해 로봇 자율성 시스템을 테스트하고 시연하기 위한 사실적인 가상 환경을 구축하고, 이를 통해 로보틱스 플랫폼에 확장 가능한 시뮬레이션과 시각적 검증을 제공하고 있다. 언리얼 엔진은 에이전트 기반 로봇 평가 시스템을 위한 토대로도 활용된다. 에이전트가 다양한 환경과 조건에서 로봇 AI의 동작 평가를 자동으로 구성하고 실행하며, 배포 전에 예외 상황을 찾아내고 성능을 검증할 수 있도록 도와준다.     피직스 시뮬레이션 포토리얼리즘만으로는 시뮬레이션과 현실 간 격차를 해소할 수 없다. 물리 정확도, 센서 현실성, 제어 루프 모델링까지 모두 중요하기 때문이다. 많은 조작 및 이동 작업에서 시각적 차이보다는 접촉 역학이나 액추에이터 동작의 부정확성이 실패의 원인이 된다. 이러한 맥락에서 언리얼 엔진의 카오스 피직스 시스템은 배정밀도를 기반으로 확장 가능한 훈련, 인식 시뮬레이션, 그리고 포토리얼 환경에서의 실시간 상호작용을 지원하는 툴이다. 엔지니어는 알고릭스(Algoryx)에서 개발한 고정밀 실시간 피직스 시뮬레이션 시스템인 언리얼 엔진용 AGX Dynamics과 같은 외부 툴을 활용해 시스템의 물리적 특성을 정확하게 모델링할 수 있다. AGX는 유압 시스템, 구동계, 엔진, 변형 지형 등 전체 기계를 물리적으로 정확하게 시뮬레이션할 수 있도록 지원한다.     리얼리티스캔을 활용한 다양한 데이터 소스 병합 및 재구성 로보틱스 팀은 리얼리티스캔과 언리얼 엔진 간의 워크플로를 통해 실제 환경과 사물을 디지털 트윈으로 빠르게 변환하고, 이를 로보틱스 시뮬레이션에 활용할 수 있다. 리얼리티스캔은 기존 사진 측량 기술뿐 아니라 라이다(LiDAR)와 SLAM 포인트 클라우드까지 지원해 환경 생성의 병목을 줄이고, 실제 배포 환경과 밀접하게 일치하는 합성 훈련 및 회귀 환경을 빠르게 구축할 수 있도록 한다. 또한 리눅스(Linux) 서버에서 실행 가능하며 리모트 커맨드 플러그인(Remote Command Plugin) 또는 CLI(명령줄 인터페이스) 스크립트로 제어할 수 있어, 여러 머신에서 스캔 데이터를 지속적으로 처리하고 결과를 언리얼 엔진으로 바로 전송하는 자동화된 사진측량 파이프라인 구축도 가능하다.   빠르고 비용 효율적인 훈련을 위한 합성 데이터 언리얼 엔진은 모든 픽셀을 수학적으로 생성하기 때문에 각 사물의 위치, 거리, 머티리얼, 움직임까지 씬에 대한 모든 정보를 이미 알고 있다. 따라서 이미지를 캡처한 후 사람이 직접 라벨링할 필요 없이, 엔진이 이미지를 렌더링하는 동시에 정확한 라벨을 자동으로 생성할 수 있다. 이를 통해 라벨 오류와 어노테이터 간 편차를 없애고 품질 관리 비용도 절감할 수 있다.     경제적 효과도 분명하다. 합성 데이터를 활용한 훈련 시뮬레이션은 대규모로 수행할수록 이미지당 비용을 낮출 수 있기 때문이다. 수만 장 수준에서 이미 합성 데이터가 수작업 라벨링보다 비용 효율적이며, 수백만 장을 필요로 하는 로보틱스 모델에서는 절감 효과가 더욱 크다. 이러한 변화는 시장에서도 분명하게 나타나고 있으며, 합성 데이터는 AI 훈련 파이프라인의 핵심 요소로 자리잡을 것으로 전망된다.     듀얼리티 AI(Duality AI)는 언리얼 엔진 기반의 팔콘(Falcon) 디지털 트윈 플랫폼을 통해 고품질 합성 데이터와 센서 시뮬레이션을 제공하고 있다. 이를 통해 드론 비행, 자율 주행, 위성 도킹 등 다양한 분야에서 AI 모델 학습과 검증 효율을 높이고, 시뮬레이션과 현실 간 격차를 줄이고 있다.   도메인 랜덤화 : 예측할 수 없는 상황에 대비하기 도메인 랜덤화는 시뮬레이션 환경의 다양한 요소를 의도적으로 변화시켜, 시뮬레이션에서 학습된 모델이 실제 환경에서도 더 잘 동작하도록 하는 기법이다. 모델이 시뮬레이션에서 충분한 변화를 경험하면 특정한 합성 환경에 과적합되지 않으며, 복잡한 실제 환경에서도 더 안정적으로 동작한다. 포테라(Forterra)는 고품질 환경 모델링을 기반으로 자율 주행 시스템 오토드라이브(AutoDrive)를 테스트하고 있다. 오토드라이브는 온로드와 오프로드를 아우르는 복잡한 환경에서 다양한 지형, 변화하는 노면, 예측하기 어려운 장애물에 대응해야 한다. 포테라는 언리얼 엔진을 활용해 물리적으로 정확한 센서 시뮬레이션과 정밀한 디지털 환경, 다양한 날씨·지형·장애물 조건에서 전체 임무 시나리오를 검증하고 있다.     언리얼 엔진은 프로그래밍 가능한 머티리얼 시스템과 다이내믹 라이팅 기능을 갖추고 있어 도메인 랜덤화에 특히 적합하다. 또한 로보틱스 팀은 언리얼 엔진의 프로시저럴 콘텐츠 제너레이션(Procedural Content Generation : PCG) 프레임워크를 활용해 훈련 에피소드마다 실내 환경을 다양하게 구성할 수 있다. 창고나 사무실 신(scene)에서는 레이아웃(선반이나 테이블 배치 등), 박스나 도구와 같은 잡동사니, 머티리얼, 라이팅, 오클루전 등 시각적 요소를 원하는 대로 변화시킬 수 있다. 시뮬레이션 환경을 구축하거나 사물을 배치해야 하는 경우, 팹(Fab) 마켓플레이스를 활용할 수 있다. 팹은 합리적인 가격에 쉽게 통합할 수 있는 고퀄리티 3D 콘텐츠를 제공하며, 사진측량 기술을 기반으로 제작된 퀵셀 메가스캔(Quixel Megascans)과 같은 고품질 애셋도 포함되어 있다.   센서 시뮬레이션 : 환경을 종합적으로 이해하기 현대 로보틱스는 단일 입력에 의존하는 대신 여러 종류의 센서를 동시에 활용해 환경을 이해하는 멀티 모달 인식에 기반한다. 언리얼 엔진의 렌더링 파이프라인은 실제 로봇에서 사용하는 다양한 센서를 시뮬레이션하는 데 적합하다. 카메라, 라이다, 레이더, 열화 상, IMU/GPS, 수중 음파 탐지기까지 실제 로봇에 사용되는 주요 센서를 지원한다. 또한 노이즈, 왜곡, 지연시간, 동기화와 같은 주요 센서 특성을 모델링해 실제 하드웨어와 비슷한 환경을 구현할 수 있다. 듀얼리티 AI의 팔콘 디지털 트윈 플랫폼은 센서 시뮬레이션 활용 사례 중 하나다. 다양하게 설정할 수 있는 시뮬레이션용 센서 라이브러리를 통해 카메라, 라이다, 레이더 및 SAR, GPS, IMU 등 여러 센서를 지원하며, 언리얼 엔진이 데이터를 처리해 고정밀 환경 시뮬레이션을 생성한다. 듀얼리티 AI의 아푸르바 샤 CEO는 “언리얼 엔진이 로보틱스와 피지컬 AI 엔지니어에게 제공할 수 있는 가치가 매우 크다는 점을 잘 알고 있었기 때문에, 이를 중심으로 팔콘을 구축했다”고 말했다.     디스페이스(dSPACE)의 오렐리온(AURELION)은 언리얼 엔진이 기존 자율 주행 차량 및 로보틱스 워크플로에 어떻게 통합되는지를 잘 보여준다. 예를 들어 한국산업기술시험원은 오렐리온을 활용해 복도, 엘리베이터, 병실 등을 포함한 가상 병원 환경에서 자율 서비스 로봇을 테스트하고 있다. 개발자는 실제 환경에 배포하 기 전에 가상 센서를 통해 주행 경로 계획, 장애물 회피, 시스템 반응을 평가할 수 있다. 디스페이스의 카이우스 자이거 센서 시뮬레이션 프로덕트 매니저는 “언리얼 엔진은 물리 기반 센서 시뮬레이션 솔루션인 오렐리온의 기술적 기반”이라고 말했다.     언리얼 엔진은 정확한 렌즈 및 이미지 센서 모델링을 포함해 센서 특성을 반영한 카메라 시뮬레이션을 지원한다. 자이거는 “소스 코드에 접근할 수 있어서 레이더, 라이다, 초음파 센서를 위한 정확한 원시 센서 데이터를 생성할 수 있도록 리얼타임 레이 트레이싱을 구현해 플랫폼을 더욱 확장할 수 있었다”고 말했다. 언리얼 엔진은 3D 모델과 머티리얼을 효율적으로 통합해 도심 배송 드론부터 병원 서비스 로봇에 이르기까지 다양한 활용 사례를 지원한다. 또한 매트랩(MATLAB)·시뮬링크(Simulink)와의 연 동을 통해 인식, 제어, 물리 기반 모델링을 통합한 자율 시스템 개발 워크플로도 지원한다.   ROS 통합 : 게임 엔진과 로봇 연결하기 로보틱스 팀이 게임 엔진 도입을 검토할 때 흔히 우려하는 부분은 로보틱스 미들웨어와의 호환성이다. 현재 언리얼 엔진은 ROSIntegration, rclUE, UE ROS2 센서 플러그인, CARLA 등 검증된 연동 툴을 통해 ROS 및 ROS2와 원활하게 연동될 수 있다. 일부 로보틱스 조직은 생산 시스템의 요구사항을 충족하기 위해 자체 미들웨어를 구축하기도 한다. 템포 시뮬레이션(Tempo Simulation)은 이를 고려해 개발되었다. 이 오픈소스 플랫폼은 유연한 gRPC/프로토버프(Protobuf) 인터페이스를 제공해, 로보틱스 팀이 언리얼 엔진을 자체 자율 주행 시스템과 미들웨어에 직접 연결할 수 있도록 지원한다. 또한 템포는 TempoROS 연동과 함께, 언리얼 엔진 내에서 사실적인 시뮬레이션 환경, 센서 모델, 복잡한 에이전트 행동을 구축할 수 있는 툴을 제공한다.     템포 시뮬레이션의 피터 멜릭 CEO는 “템포에서는 시뮬레이션을 통한 반복 개선 구조가 얼마나 강력한지 직접 확인해 왔다. 팀이 시뮬레이션 환경에서 데이터를 생성하고, 동작을 테스트하며, 빠르게 반복 작업할 수 있을 때 개발 주기는 크게 단축될 수 있다. 우리의 목표는 모든 로보틱스 팀이 고퀄리티의 현실감 있는 언리얼 엔진 시뮬레이션을 활용할 수 있도록 하는 것”이라고 말했다. 이는 언리얼 엔진이 로봇의 자율 동작을 가능하게 하는 소프트웨어 시스템을 위한 리얼타임 시뮬레이터로서 효과적으로 활용될 수 있음을 보여주는 사례이다.   시뮬레이션 전 과정 지원 언리얼 엔진은 로보틱스 분야에서 인식과 합성 데이터에 강점을 가지고 있지만, 시뮬레이션 전 과정 역시 지원한다. 에이전트가 환경과 상호작용하며 보상이나 패널티를 통해 학습하는 강화학습(reinforcement learning : RL)에서 시뮬레이션 환경의 사실성과 반응성은 학습된 행동이 실제 환경에서 얼마나 효과적으로 이어지는지를 결정한다. 언리얼 엔진은 강화학습 파이프라인과 결합되어 드론 내비게이션, 로봇 제어 등 다양한 자율 시스템 개발에 활용되고 있다. 또한 클라우드 기반 합성 데이터 생성과 대규모 자율성 테스트 환경 구축도 지원한다.   주요 로보틱스 시뮬레이션 플랫폼을 구동하는 핵심 기술 언리얼 엔진은 단순한 렌더링 툴이 아닌 여러 주요 로보틱스 시뮬레이션 플랫폼의 기반을 이루는 핵심 기술이다. 가장 널리 사용되는 오픈소스 자율 주행 시뮬레이터 CARLA는 현재 언리얼 엔진 5.5에서 구동되며 라이다, 레이더, GPS, ROS2 네이티브 연동을 지원한다. 언리얼 엔진 5 기반의 홀로오션은 옥트리 기반 수중 음파 탐지기 센서 모델을 포함한 다중 에이전트 수중 시뮬레이션을 제공하며, 루멘과 나나이트로 사실적인 수중 환경을 구현한다. 듀얼리티 AI 팔콘(Falcon) 플랫폼은 고품질 합성 데이 터와 디지털 트윈 기술을 바탕으로 NASA-JPL, 허니웰, 다르파, P&G 등에서 도입하고 있다. 테로랩스(PteroLabs)의 테로심(PteroSim)은 100대 이상의 드론을 동시에 시뮬레이션할 수 있는 UAV 비행 시뮬레이터로, PX4·ArduPilot 오토파일럿 펌웨어를 시뮬레이션 안에서 실제처럼 실행할 수 있다.     인더스트리 4.0 로보틱스, 자동화, 디지털 기술이 융합된 인더스트리 4.0(Industry 4.0)에서는 생산 변경을 가상 환경에서 검증하기 위해 리얼타임 시뮬레이션과 디지털 트윈이 활용된다. 이를 통해 실제 적용 전에 자동화 의사결정을 검증함으로써 위험과 비용을 줄일 수 있다. SAS는 인더스트리 4.0 분야의 선도 기업으로, 언리얼 엔진의 고품질 시각화와 SAS AI/분석 플랫폼 바이야(Viya)를 결합해 공장 자동화를 위한 지능형 디지털 트윈을 구축하고 있다. 조지아 퍼시픽(Georgia-Pacific)과의 파일럿 프로젝트에서는 언리얼 엔진 기반의 SAS 디지털 트윈을 활용해 실제 공장에서 AGV 이동, 품질 관리, 유지보수 계획을 시각화하고 최적화하고 있다. 현대 시설은 사람과 로봇이 함께 작업해야 하는 더욱 복잡한 환경으로 변화하고 있으며 이에 따라 안전성과 효율성의 중요성도 커지고 있다.   로보틱스 플랫폼으로의 진화 언리얼 엔진이 처음부터 로보틱스 플랫폼으로 설계된 것은 아니다. 그러나 합성 데이터의 확산, 시뮬레이션에서 현실로의 전이 기술의 발전, 포토리얼 센서 시뮬레이션에 대한 수요 증가로 인해 언리얼 엔진은 로보틱스 플랫폼으로 자리 잡게 되었다. 공장 현장에서 사물을 감지하거나, 도심 교차로를 주행하거나, 수술 중 해부학적 구조를 식별하는 등 실제 환경을 정확하게 인식해야 하는 로보틱스 모델을 개발하는 팀에게 언리얼 엔진은 시뮬레이션 학습부터 실제 적용까지 아우르는 강력한 플랫폼으로 자리 잡고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

마이크로소프트가 AI(인공지능) 에이전트의 안전한 운용과 보안 및 거버넌스 강화를 지원하는 ‘마이크로소프트 에이전트 365(Microsoft Agent 365)’를 정식 출시했다. 최근 AI 에이전트가 애플리케이션과 엔드포인트 및 클라우드 전반에 걸쳐 빠르게 확산함에 따라, 보안 팀의 가시성과 통제 범위를 벗어나 운영되는 사례가 늘고 있다. 마이크로소프트는 에이전트가 자율적으로 도구를 호출하거나 다른 에이전트와 상호작용하는 과정에서 발생하는 데이터 과다 공유와 도구 오용 및 권한 남용 등을 주요 보안 리스크로 지목했다. 에이전트의 규모가 계속 달라지는 환경일수록 엔드 투 엔드 관측성 확보가 중요하다는 것이 마이크로소프트의 분석이다. 이번에 출시된 마이크로소프트 에이전트 365는 에이전트 관리를 위한 제어 플랫폼이다. 조직은 기존 관리 및 보안 워크플로를 그대로 유지하면서 마이크로소프트와 에코시스템 파트너의 에이전트를 통합 관측하고 관리하며 보호할 수 있다. 마이크로소프트는 플랫폼 출시와 함께 적절한 통제 체계를 갖춘 상태에서 에이전트 도입을 확장할 수 있는 새로운 기능의 프리뷰도 공개했다. 자체 자격 증명과 권한으로 동작하는 독립 운영 에이전트까지 관리 범위를 넓혔으며 마이크로소프트 디펜더(Microsoft Defender)와 마이크로소프트 인튠(Microsoft Intune)을 통해 로컬 및 클라우드 환경의 에이전트와 ‘섀도 AI’를 식별한다. 이를 통해 비관리 에이전트 차단을 포함한 적절한 통제를 적용할 수 있도록 돕는다. 윈도우 디바이스에서 실행되는 오픈클로(OpenClaw)를 시작으로 깃허브 코파일럿 CLI(GitHub Copilot CLI)와 클로드 코드(Claude Code) 등으로 로컬 에이전트 탐지 역량을 강화할 계획이다.   ▲ 마이크로소프트 디펜더에서 제공하는 로컬 AI 에이전트 관계 맵   에이전트 리스크 평가 체계도 정밀해진다. 에이전트와 연결된 디바이스나 MCP(모델 컨텍스트 프로토콜) 서버 및 관련 ID와 접근 가능한 클라우드 리소스 간의 상관관계를 시각화해 제공한다. 보안 팀은 이를 바탕으로 인프라 노출 범위와 잠재적 영향력을 평가할 수 있다. 실시간 런타임 차단 및 알림 기능을 통해 에이전트가 민감 데이터에 접근하거나 유출을 시도하는 등 악성 행동 패턴을 보일 경우, 마이크로소프트 디펜더가 이를 차단하고 사고 맥락이 포함된 알림을 생성한다. 이기종 클라우드 환경에 대한 지원도 강화한다. 이번 프리뷰 기능을 통해 AWS 베드록 및 구글 클라우드와 레지스트리를 동기화할 수 있다. IT 팀은 여러 플랫폼에 걸쳐 에이전트를 자동 탐지하고 향후 수명 주기를 관리할 수 있게 된다. 또한 젠스파크나 젠데스크 등 파트너사의 에이전트도 별도의 통합 작업 없이 마이크로소프트 에이전트 365에서 통합 관리할 수 있다. 에이전트 전용 클라우드 PC 환경을 제공하는 윈도우 365 포 에이전트(Windows 365 for Agents)는 에이전트가 조직의 보안 정책이 적용된 안전한 환경 내에서 상호작용하도록 돕는다. 마이크로소프트 엔트라(Microsoft Entra)의 네트워크 제어 기능은 코파일럿 스튜디오와 사용자 엔드포인트의 로컬 에이전트까지 확대 적용된다. 보안 팀은 네트워크 계층에서 에이전트 트래픽을 일관되게 검사하고 미승인 AI 사용을 식별해 제한할 수 있다. 한편, 마이크로소프트는 액센츄어나 KPMG 등 글로벌 파트너사와 협력해 기업 고객의 도입을 위한 거버넌스 워크숍과 컨설팅 서비스를 지원한다고 전했다. 마이크로소프트 에이전트 365는 현재 마이크로소프트 365 E7 라이선스에 포함되어 있으며, 필요 시 사용자당 월 15달러의 단독 라이선스로도 이용할 수 있다.

데이터 사일로 해소부터 거버넌스 수립까지, 전사 협업의 효율 혁신   본격적인 3D 협업을 위한 첫 단추는 흩어진 데이터를 효율적으로 통합하는 팀 환경을 구축하는 것이다. 이번 호에서는 공통 라이브러리에 모든 3D 데이터 소스를 연결하고, 엔지니어링부터 운영 단계까지 모든 팀이 3D 애셋에 안전하게 접근하면서 데이터 임포트 시 정보 손실을 최소화하는 방법을 소개한다. 목표는 새로운 툴을 배포하는 것 자체가 아니라, 부가 가치를 창출하지 않는 작업에 소요되는 시간을 줄이고 액세스 권한 및 규정 준수 정책을 적용할 때 발생하는 불필요한 관리 복잡성을 없애는 것이다. ■ 자료 제공 : 유니티 코리아     대부분의 산업 팀은 방대한 3D 애셋 데이터를 보유하고 있지만, 이러한 데이터는 여러 사일로에 분산되어 서로 다른 조직이 소유하고 있어 재사용하기가 어렵다. 이와 관련해 데이터가 서로 다른 곳에 있으면 사람들은 서로 다른 사실을 기반으로 결정을 내리게 되기 때문에 문제가 발생한다. 예를 들어, 교육 담당자는 엔지니어링 팀에서 이전에 라인 레이아웃을 업데이트했다는 사실을 모르고 신입 직원에게 VR 시뮬레이션을 그대로 제공할 수 있다. 결국 교육 담당자는 교육을 중단하고 최신 데이터를 반영하여 업데이트하거나, 신뢰할 수 없는 콘텐츠로 교육을 계속 진행할 수밖에 없다. 둘 다 시간과 신뢰성 면에서 비용이 발생하게 된다. 해결책은 모든 3D 애셋을 위한 단일 저장소를 구축하여 계층 구조와 메타데이터를 온전히 유지하면서, 필요한 사람에게만 승인된 모델에 대한 액세스 권한을 부여하는 것이다. 모두가 동일한 라이브러리에서 애셋을 가져오면 버전 불일치가 해결되고 재작업의 필요성이 없어지며, 누가 무엇을 변경했는지에 대한 가시성도 확보할 수 있다.   단절의 원인 : 분산된 데이터와 중복 작업 산업 데이터는 어디에나 존재하지만, 서로 연결되어 있는 경우는 별로 없다. 유니티의 산업 부문 수석 부사장 겸 제너럴 매니저인 사라 래시는 “디자이너나 건축가는 CAD나 BIM(건설 정보 모델링)에 액세스할 수 있지만, 엔지니어는 해당 소프트웨어를 사용하지 않는 경우가 있어 결국 팀이 모델을 처음부터 다시 만드는 상황이 발생한다”고 전했다. 이런 사일로(silo) 현상은 운영 또는 기술적 격차로 인해 발생하는 경우가 많다. 예를 들어 엔지니어링 팀은 CAD 파일을 PLM(제품 수명주기 관리) 시스템에 저장할 수 있는 반면, 다른 팀은 사본을 별도의 드라이브나 앱으로 익스포트하므로 결국 동일한 애셋의 여러 버전이 존재하게 된다. 래시 수석 부사장은 “가장 흔한 문제는 동일한 모델의 두 가지 다른 버전으로 작업하는 것이다. 이러면 사실상 재작업을 할 수밖에 없게 된다”고 말했다. 어쩔 수 없이 여러 플랫폼, 툴, 포맷을 사용해야 하는 경우도 많지만, 이는 애셋을 추적하고 공유하는 작업을 어렵게 만든다. 그 결과 생산성이 저하되고 올바른 애셋을 찾는 데 몇 시간씩 허비하게 되며, 어떤 것이 정확한 버전인지 쉽게 알 수 없기 때문에 이미 존재하는 애셋을 다시 만드는 일까지 발생한다. 유니티 산업 고객 성공 부문의 시니어 디렉터인 헤닝 린은 “중복의 위험이 높으면 재작업이 필요한 경우가 많아진다. 애셋이 서로 일치하지 않고 팀이 동일한 소스 파일로 작업하지 않기 때문”이라고 설명했다. 이러한 불일치는 교육이나 납품 같은 후속 단계에서 드러나며, 이는 재작업, 일정 지연, 일관성 없는 경험으로 이어져 애셋 관리의 복잡성을 키운다. 그러나 그로 인한 대가는 기술적인 영역에 그치지 않는다. 이는 부서 간 신뢰뿐만 아니라 브랜드와 고객 간의 신뢰까지 약화시킬 수 있다. 결국 교육 담당자는 신규 직원을 위한 온보딩이 길어지고 일관성이 없어지더라도, 오래 되거나 검증되지 않은 모델로 세션을 시작하는 것을 피하고 싶어 한다. 다른 팀은 생산성을 유지하기 위해 ‘섀도(shadow)’ 라이브러리를 구축하게 되고, IT 팀은 통제되지 않는 환경을 보호하고 관리하느라 분주해진다. 이처럼 공통된 기반이 없으면 모든 신규 프로젝트를 처음부터 다시 시작해야 한다.   연결 대상 : 중요한 데이터를 보존하는 중앙화된 저장소 구축 3D 애셋 라이브러리는 여러 툴과 플랫폼에 걸쳐 있을 가능성이 높기 때문에, 기존에 보유한 모델을 활용하려면 먼저 유니티 애셋 매니저(Unity Asset Manager)와 같이 중앙화된 저장소로 모든 데이터를 임포트해야 한다. 이렇게 하면 이미 보유하고 있는 애셋을 다시 만들 필요가 없다. 린 시니어 디렉터는 “유니티를 활용하면 관련된 모든 데이터를 선호하는 방식으로 높은 품질을 유지하며 임포트할 수 있다. 사실상 업계에서 유니티가 지원하지 못하는 파일 포맷은 거의 없다”면서, “데이터를 통합된 포맷으로 변환하고, 필요에 따라 보강하며 모든 변경 사항을 추적하면 애셋의 전체 라이프사이클 동안 관리가 훨씬 쉬워진다”고 전했다.     데이터를 통합하기 전에, 무엇을 왜 연결하는지를 먼저 이해해야 한다. 대부분의 산업용 3D 파이프라인은 구조와 우선순위가 서로 다른 네 가지 주요 데이터 소스에서 데이터를 가져온다. CAD 모델은 보통 PLM 시스템에 저장되며 부품, 어셈블리, 기계적 프로퍼티에 대한 기본 기준이 되는 데이터 소스이다. BIM 모델은 건물 및 인프라 데이터를 포함하고, 풍부한 공간 및 규정 준수 관련 메타데이터를 갖추고 있으며, 보통 BIM 소프트웨어나 AEC   (건축, 엔지니어링 및 건설) 저장소에 저장된다. 디지털 콘텐츠 제작 툴에서 생성된 메시는 마케팅, 교육, 사용자 경험 등의 영역에서 사용되는 시각화 애셋을 포함하며, 기술적 디테일보다는 시각적 정확도에 최적화된 경우가 많다. XR(확장현실) 및 VR(가상현실) 애플리케이션에서 흔히 사용되는 포인트 클라우드(점군)와 스캔 데이터는 레이저 스캐닝이나 사진 측량 등을 통해 캡처된 데이터를 포함한다. 각 소스는 동일한 실물 애셋(제품, 어셈블리 라인, 전체 시설)을 서로 다른 관점에서 표현한다. 여기에는 기능, 공간, 형상이 포함되며, XR용 포인트 클라우드의 경우 실제로 구축된 물리적 상태가 이에 해당한다. 애셋 라이브러리 규모에 따라 우선순위를 정해야 하므로 팀에서 가장 많이 재사용하는 모델부터 시작하는 것이 좋다. 출처와 관계 없이 공통으로 필요한 사항은 임포트 과정에서 컨텍스트를 유지하는 것이다. 중요한 메타데이터가 손실되면 결국 재작업을 진행해야 하기 때문이다. 임포트 전에는 절대 손실되어서는 안 되는 메타데이터 필드를 식별한다. 린 시니어 디렉터는 “항상 식별자뿐만 아니라 높이, 무게와 같은 기술적 속성을 유지하고, 모든 애셋에 이름과 버전을 지정하여 추적과 사용이 용이하도록 해야 한다”고 덧붙였다. 일부 필드는 항상 온전하게 유지되어야 한다. 부품 번호, 버전 코드 또는 고유 ID와 같은 식별자를 사용하면 애셋의 진위 여부를 확인하기 위해 원본 소스로 추적하는 작업이 더 쉬워진다. 병합된 메시가 아닌 계층 구조 및 그룹 메타데이터는 부품이 어떻게 결합되는지, 시설이 어떻게 구성되는지를 보여 주며, 엔지니어가 필요에 따라 부품을 분리하거나 교체할 수 있도록 돕는다. 밀도나 인장 강도와 같은 머티리얼 및 단위 정보, 이름이나 공급업체와 같은 설명 정보를 활용하면 애셋이 올바른 형상과 동작을 유지하도록 할 수 있다. 이러한 세부 정보를 보존하면 모델을 다양한 애플리케이션 전반에서 유용하게 사용할 수 있지만, 그렇지 않으면 목적과 단절된 단순 참고용 이미지에 불과하게 된다. 린 시니어 디렉터는 “항상 식별자뿐만 아니라 높이, 무게와 같은 기술적 속성을 유지하고, 모든 애셋에 이름과 버전을 지정하여 추적과 사용이 용이하게 만들어야 한다”고 조언했다.     애셋 임포트를 위한 처리 애셋은 임포트 전과 임포트 과정에서 적절한 가공을 거쳐야 하며, 저장소의 상태를 양호하게 유지하기 위해 피해야 할 몇 가지 일반적인 함정이 있다. 이는 3D 데이터 세트가 극도로 복잡해질 수 있는 대규모 제조나 건설 분야에서 특히 중요하다. 예를 들어, 공장 전체의 디지털 트윈이나 자동차의 전체 모델은 수만 개, 혹은 수십만 개의 부품으로 구성될 수 있다. 이 경우 가장 강력한 소프트웨어와 하드웨어에도 부담이 가해질 수 있기 때문에 마이크로칩, 커넥터, 기계 부품과 같은 더 작은 논리적 그룹으로 분해하면 임포트 작업을 효율적으로 관리할 수 있다. 유니티의 애셋 트랜스포머 툴킷(Asset Transformer Toolkit)과 같이 3D 데이터를 준비하는 소프트웨어는 널리 사용되는 다양한 CAD 및 BIM 포맷을 지원하고, 구조와 메타데이터를 보존하며, 필요에 따라 임포트 과정에서 모델을 자동으로 단순화하고 표준화함으로써 이러한 과제를 해결하도록 설계되었다. 예를 들어, 직원 교육을 위한 XR 시뮬레이션과 같은 실시간 활용 사례에서는 원본 CAD 파일에 포함된 모든 볼트나 리벳이 필요하지 않다. 여기서 중요한 것은 작업을 수행하는 데 충분한 현실감의 수준이다. 린 시니어 디렉터는 “최종 활용 지점에 따라 폴리곤 수를 소폭에서 최대 90%까지 줄일 수 있다”고 밝혔다.   ▲ 유니티 애셋 트랜스포머 플러그인   목표는 성능과 사용성을 최적화하기 위해 모델을 최대한 가볍게 유지하는 것이다. 교육 및 시뮬레이션 활용 사례에서는 매끄러운 프레임 속도를 유지하면서 최대한 높은 시각적 정확도를 달성하는 것이 목표이다. 헤드셋의 새로고침 속도와 일치하는 안정적인 프레임 속도를 목표로 해야 하며, 그보다 낮을 경우 사용자에게 불편함을 줄 수 있다. 3D 협업 및 디자인 리뷰에서는 일반적으로 엔지니어가 체결 요소나 인터페이스 등을 검토할 수 있도록 높은 기능적 디테일을 요구한다. 높은 폴리곤 수에 대한 부담을 더 원활하게 관리할 수 있도록, 가까운 거리에서만 렌더링되는 하위 어셈블리에 디테일 수준(LOD)을 사용하는 것이 좋다. 임베디드 시스템 및 산업 제어 장치와 같은 인간–기계 인터페이스는 그래픽 처리 성능이 제한적인 경우가 많으므로, 최대한 낮은 복잡도를 목표로 하고 미리 베이크된 조명과 단순한 셰이더를 사용하는 것이 좋다. 고객 경험 애플리케이션은 타깃 기기의 다양성이 매우 크기 때문에 최적화가 어려울 수 있다. 시각적 정확도와 로딩 시간 사이의 균형을 목표로 하고, 중간급 사양의 모바일 기기와 주요 웹 브라우저에서 검증해야 한다. 일반적인 원칙으로는, 지원 계획이 있는 기기 중에서 가장 성능이 낮은 기기를 기준으로 단순화된 모델부터 테스트하는 것이 좋다. 그 후 성능이 허용하는 범위 내에서만 디테일을 추가하여 배포 후 모델이 과도하게 커져 수정해야 하는 상황을 피해야 한다. 예를 들어 임포트 단계에서 LOD를 생성하면 모든 애셋이 확장 가능한 디테일을 갖추게 되어, 향후 더 다양한 기기와 활용 사례에 유연하게 대응할 수 있다. 다만, 보편적으로 정해진 올바른 폴리곤 수는 없다. 중요한 것은 타깃 기기에서 프레임 속도와 로딩 시간 목표를 안정적으로 달성하는 방법이다. 린 시니어 디렉터는 “같은 애셋이라도 폴리곤 수는 수백만 개에서 수십만 개까지 줄어들 수 있다. 중요한 것은 모든 메타데이터가 연결된 동일한 소스 파일을 계속 사용하고 있다는 것”라고 전했다.   ▲ 제공 : HERE HMI   활용성 갖추기 : 거버넌스, 접근성 및 버전 관리 구축 애셋을 임포트하고 적절한 크기로 조정하고 나면, 다음 단계는 필요한 모든 역할에서 애셋에 안전하게 액세스하고 애셋을 쉽게 찾을 수 있도록 만드는 것이다. 이때 목표는 팀이 애셋을 어디서 찾아야 하는지 명확히 알면서도 관련 없는 애셋으로 인해 부담을 느끼지 않도록 하는 단일 라이브러리를 선별하는 것이다. 이를 위해서는 업무 속도를 저해하지 않으면서도 모든 업데이트가 프로젝트 전반에 반영되도록 완전한 감사 추적을 유지할 수 있는 권한 기반의 액세스 모델이 필요하다.   RBAC(역할 기반 액세스 제어) 린 시니어 디렉터는 “보통은 애셋의 임포트와 생성을 감독하는 관리자가 있고, 그 아래에 작업자와 검토자 역할이 있으면 충분하다”면서, 액세스 권한을 단순하게 유지할 것을 권장했다. 예를 들면 관리자는 구조와 표준을 정의하고, 사용자와 리텐션을 관리하며, 버전을 승인하거나 아카이브 처리할 수 있다. 이 사용자 그룹은 가능한 한 작게 유지하는 것이 좋다.     그 다음 계층에는 디자이너, 작업자, 편집자가 있을 수 있다. 이들은 새로운 애셋을 임포트하고 메타데이터를 편집하며 업데이트를 게시할 수 있으며, 필요 시 관리자 승인을 받아 작업을 수행할 수 있다. 이들이 라이브러리를 일상적으로 유지 관리하게 된다. 마지막으로 소비자 역할이 있는 직원은 승인된 애셋을 검색, 미리 보기 및 다운로드할 수 있지만, 수정하거나 게시할 수는 없다. 역할 기반 액세스 제어는 보안 측면에서도 매우 중요하다. 많은 산업용 3D 애셋 라이브러리에는 매우 민감한 정보가 포함되어 있으며, 그 중 일부는 규제 대상이 되기도 한다. 예를 들어 정부, 항공우주 또는 방위 분야의 수출 통제 설계 데이터는 엄격한 ‘알아야 할 필요성(need-to-know)’ 원칙, 완전한 감사 용이성, 엄격히 통제된 환경에서의 배포를 요구하는 연방 규정을 준수해야 한다. 린 시니어 디렉터는 규제가 엄격한 산업에서 운영하는 경우 가상 프라이빗 클라우드 배포를 사용할 것을 권장했다. 산업 분야와 관계 없이 반드시 지켜야 하는 내용은 다음과 같다. 항상 최소 권한의 원칙을 기본으로 하는 RBAC를 사용한다. 사용하는 플랫폼에서 전송 중인 데이터와 저장된 데이터를 모두 암호화한다. 버전별로 포괄적인 감사 로그와 승인 상태를 유지한다. 민감한 작업을 위해 프로젝트를 분리하고, 필요할 경우 데이터 상주 옵션을 적용한다.   ▲ 유니티 애셋 매니저 웹 인터페이스   버전 관리 및 감사 용이성 거버넌스는 보안과 규정 준수만을 의미하는 것이 아니라, 액세스와 활용을 용이하게 하기 위한 애셋 관리 표준화도 포함한다. 실제로 대부분의 거버넌스 문제는 모두가 모든 것을 바꿀 수 있거나, 누구도 아무것도 바꿀 수 없는 두 가지 극단적인 상황 중 하나에서 발생한다. 예를 들어, 교육 담당자가 엔지니어링 팀이 막 승인한 모델을 덮어쓸 수도 있다. 이는 반드시 부주의 때문이라기보다는, 대부분 명확한 버전 관리 체계의 부재로 인해 발생한다. 린 시니어 디렉터는 “동일한 애셋의 여러 브랜치 버전이 존재하는 경우가 많다. 이 모든 것을 일관적이고 표준화된 방식으로 관리해야 한다”고 조언했다. 여기서 버전 관리가 중요한 역할을 한다. 목표는 변경 사항이 명확하고, 되돌릴 수 있으며, 확실한 의도를 가지고 이루어지도록 하는 것이다. 결국 활용 가능한 애셋 라이브러리는 정기적으로 변경될 수밖에 없다. 공장의 디지털 트윈은 매주 레이아웃이 조금씩 조정될 수 있고, 교육 프로그램은 차세대 XR 헤드셋 출시를 앞두고 새로운 모델로 업데이트될 수 있다. 선형적인 버전 이력(v1.0, v1.1 등)과 애셋 상태(초안, 검토 중, 승인됨, 폐기됨 등)를 적용하여, 라이브러리를 계속해서 변화하는 SSOT(Single Source of Truth)로 관리해야 한다. 많은 산업 환경에서 엔지니어링 팀은 공식 설계를 위한 원본 CAD 파일을 유지 관리한다. 그러나 시각화 또는 교육 팀은 일반적으로 특정 목적에 맞게 최적화된 동일한 모델의 실시간 버전을 사용한다. 이러한 애셋은 병합이 아니라 연결되어야 하며, 그렇지 않으면 시각화용 모델이 어떤 CAD 버전에서 파생되었는지 알 수가 없다. 예를 들면 엔지니어링 팀이 도면을 업데이트하더라도 몇 달 전에 제작된 교육용 모델에는 이전 버전이 그대로 반영되어 있을 수 있으며, 이 사실을 아무도 모를 수 있다. 이는 감사 용이성을 훼손하고 잘못된 설정으로 학습하는 등의 오류로 이어질 수 있다는 점에서 문제가 된다. 모델 변형(variant)의 경우, 단순히 새로운 이름으로 복사본을 만드는 대신 해당 범위와 목적에 따라 태그를 지정하는 것이 좋다. 예를 들어 자동차 제조업체는 지리적 지역, 운전석 위치 폼 팩터 기준으로 태그를 지정할 수 있다. 이렇게 하면 기본 부품이 변경될 때 어떤 변형을 업데이트해야 하는지 정확히 알 수 있다. 마찬가지로 교육에 사용되는 단순화된 모델과 같은 특정 기본 모델의 파생 모델이 있다면, 이를 파생 모델로 표시하되 원본 소스와 해당 CAD 수정 버전에 대한 참조를 유지해야 한다. 이렇게 하면 교육 담당자가 XR/VR 시뮬레이션에 사용되는 단순화된 메시를 엔지니어링 팀의 공식 원본과 혼동하지 않게 된다. 물론 이처럼 세분화된 수준의 버전 관리도 사용성을 높이는 데 매우 중요하지만, 대규모로 구현하기는 매우 어렵기 때문에 자동화가 필수이다. 최신 3D 애셋 매니저(3D Asset Manager)는 일반적으로 대량 작업을 수행하기 위한 커맨드 라인 인터페이스(CLI)뿐만 아니라 새로 임포트 또는 업데이트된 애셋에 대한 메타데이터, 미리보기 및 태그를 생성하는 이벤트 기반 자동화 기능을 포함한다.   ▲ 애셋 매니저 팩토리   적절한 애셋 매니저를 통해 수행할 수 있는 운영 변경 사항의 간단한 체크리스트는 다음과 같다. 관리자, 작업자, 소비자로 구성된 3 역할 모델을 도입한다. 추가 승인이 필요한 프로젝트에는 승인 역할을 추가한다. 애셋 ID, 수정 번호, 원본 소스, 소유자 및 승인 상태와 같은 필수 메타데이터 필드를 매핑하고, 대부분의 사용자에게 기본적으로 승인된 뷰를 설정한다. 배리언트 및 파생 모델에 명확한 레이블을 지정하고 가능한 경우 업데이트를 자동화하여, CAD 수정 버전을 해당 실시간 대응 항목과 연결한다.   시작하기 : 30일 체크리스트 애셋을 임포트, 최적화 및 관리하고 나면 마지막 단계는 새로운 시스템을 일상 업무에 적용하는 것이다. 그런 다음 교육, 제품 개발, 고객 경험 또는 그 밖의 목적으로 실제 비즈니스 성과를 창출하는 몰입형 경험을 만들어 통합 3D 애셋 라이브러리의 가치를 빠르게 입증할 수 있다. 30일 이내에 수행할 수 있는 작업을 간단히 요약하면 다음과 같다. 데이터 소스와 해당 소유자를 목록화한다. 파일럿으로 진행할 대표 모델 한두 개를 선정한다. 보존할 메타데이터 필드를 결정한다. 임포트 과정을 테스트하여 게시 사이클을 최적화한다. 액세스 제어 및 감사 추적을 설정한다.     ■ 기사 내용은 PDF로도 제공됩니다.

HP Z북 울트라 G1a는 고성능 AI 작업과 3D 제작을 동시에 염두에 둔 14인치 모바일 워크스테이션이다. 이 글에서는 필자가 실제로 자주 사용하는 AI 리서처와 3D 제작 작업 시나리오를 바탕으로, 기존에 사용해 온 게이밍 노트북과 비교하면서 HP Z북 울트라 G1a의 장단점을 조명해보고자 한다.   HP Z북 울트라 G1a(ZBook Ultra G1a)는 프로세서 성능과 메모리 용량에 명확하게 집중한 구성을 취함으로써, 기존의 노트북 선택 방법과는 다른 노선을 제시한다. 일반적으로 노트북을 선택할 때 대부분의 사용자는 성능, 휴대성, 가격, 배터리 지속 시간, 확장성 등 여러 요소를 종합적으로 고려한다. 그러나 특정 작업 환경에서는 이러한 균형 중심의 접근이 오히려 비효율로 작용하기도 한다. 대용량 데이터 전처리, 로컬 AI 추론, 3D 콘텐츠 제작과 같이 CPU와 메모리 자원 의존도가 높은 워크로드에서는, 그래픽 성능이나 휴대성보다 연산 자원과 메모리 용량이 작업 효율을 결정짓는 핵심 요소가 되기 때문이다. HP Z북 울트라 G1a는 바로 이러한 관점에서 색다른 접근법을 채택한 기기라고 볼 수 있다. AMD의 라이젠 AI 맥스+ 프로 395(Ryzen AI Max+ PRO 395) 프로세서를 탑재해 128GB에 달하는 대용량 메모리를 제공하는 반면, 그래픽 카드는 외장 GPU가 아닌 내장 그래픽으로 구성된 14인치 노트북이다. 이처럼 극명하게 갈린 사양 구성은 과연 AI 개발과 3D 콘텐츠 제작이라는 두 가지 작업을 모두 감당할 수 있는 선택지일까?   제품 개요 워크스테이션은 일반적으로 크고 무거운 데스크톱 형태로, ‘들고 다니는 기기’와는 거리가 멀다는 인식이 강하다. 그러나 HP Z북 울트라 G1a는 이러한 고정관념을 벗어나, 14인치 폼팩터 안에 워크스테이션급 성능을 담아냈다. 앞서 언급했듯 이 제품은 AMD 라이젠 AI 맥스+ 프로 395 프로세서와 라데온 8060S(Radeon 8060S) 그래픽을 기반으로 설계되었으며, 최대 128GB LPDDR5x 메모리와 대용량 NVMe SSD를 탑재했다. 정량적인 하드웨어 스펙상 무게는 약 1.57~1.59kg으로, 여타 게이밍 노트북과 비교해도 크게 무겁지 않은 수준이다. 실제로 가방에 넣어 휴대했을 때도 다른 노트북에 비해 체감 무게가 과하게 느껴지지는 않았다. 기기 양쪽에는 USB-C 타입 포트 2개(충전 포트 포함)를 비롯해 HDMI, USB-A 타입 단자, 3.5mm 이어폰 단자가 배치되어 있어, 워크스테이션으로서 요구되는 기본적인 확장성도 충분히 갖추고 있다.   디자인 본격적인 사용기에 앞서 디자인을 살펴보자. 보기 좋은 떡이 먹기도 좋다는 말도 있듯이, 매일 사용하는 기기는 사용자의 마음에 들 정도로는 아름다워야 한다. HP Z북 울트라 G1a의 디자인은 간결하고 군더더기 없었다. 특히, 전반적인 제품의 마감 품질이 높다는 것이 느껴졌다. 처음 노트북이 닫힌 상태에서 보았을 때는 매끄럽고 둥근 디자인의 겉모습이 단정하다는 느낌이 들고, 화면을 열어 전원을 켰을 때에는 베젤이 얇고 깔끔하여 프로페셔널하다는 인상을 준다. 디자인에서 가장 좋았던 점은 키보드이다. 처음에는 짙은 회색의 평범한 플라스틱 소재로 느껴졌지만, 사용하다 보니 키보드의 키감이 좋을 뿐만 아니라 이물질이 잘 묻지 않는 코팅으로 되어 있어 사용 시 편리했다. 외부 작업 중 노트북을 열었을 때, 손때 묻은 키보드를 다른 사람에게 드러내는 것이 걱정인 사람이라면 이 노트북의 키보드 마감이 더욱 마음에 들 것이라 생각한다. 또한 카메라에는 오픈·클로즈 방식의 물리적 커버가 적용되어, 노트북 내장 웹캠을 사용하지 않을 때는 완전히 가릴 수 있다. 사소해 보일 수 있지만, 사용자를 고려한 세심한 설계라는 점에서 인상 깊은 부분이었다.   그림 1. 노트북 전면. 디자인이 깔끔하고 단정하여 외부 미팅에도 무난하게 사용할 수 있었다.   AI 및 데이터 전처리 워크로드 이제 AI 엔지니어의 관점에서 이 제품을 살펴보자. AI 제품 개발 과정에서 절실하게 체감하는 주요 요소 중 하나는 CPU 메모리의 여유이다. 모델 학습은 클라우드 GPU나 서버 자원을 활용하는 경우가 많아졌지만, 탐색적 데이터 분석, 실험을 위한 데이터 전처리는 대부분 로컬 환경에서 수행해야 하기 때문이다. 따라서 CPU 성능과 GPU 성능 둘 중 하나를 선택해야 한다면, 많은 사람들의 예상과 달리 GPU보다는 CPU를 선택하는 것이 합리적이다. CPU 메모리가 여유가 있다면 데이터셋을 실험 가능한 요건에 맞춰 수정 및 조정하는 것이 조금 더 편리해질 뿐만 아니라, 데이터셋 전처리와 동시에 다른 작업이 가능하기 때문이다. HP Z북 울트라 G1a의 128GB 메모리와 라이젠 AI 맥스+ 프로 395의 조합은 대용량 데이터 전처리와 모델 로딩 과정에서 매우 안정적인 모습을 보였다. 텍스트·이미지 데이터 전처리 작업에서 메모리 부족 현상은 거의 발생하지 않았으며, 기존에 사용하던 게이밍 노트북(32GB RAM, RTX 4060 기준) 대비 체감상 약 절반 수준의 시간으로 작업을 마칠 수 있었다. 이는 대규모 로컬 데이터셋을 다루는 리서처에게 매우 중요한 요소다. AI 허브나 대학·연구기관에서 제공하는 공공 데이터셋의 경우 단일 데이터셋만으로도 수백 GB를 훌쩍 넘기는 경우가 많고, 이를 포맷에 맞게 전처리하는 데 상당한 시간이 소요되기 때문이다. HP Z북 울트라 G1a는 메모리의 양이 크기 때문에, 작업 중간 중간에 메모리 부족으로 인해 컴퓨터가 멈추거나 작업 수행 완료를 위해 컴퓨터를 손 놓고 기다리는 일 없이 여유롭게 전처리를 수행할 수 있었다. 몇 가지 사례를 들어보면, 첫째 <그림 2>와 같이 데이터의 압축 해제, 복사와 같은 간단한 작업에서 매우 빠른 처리 속도를 보여주었다. 데이터 전처리 성능을 실험하기 위해 활용한 ‘음식 분류’ 데이터셋의 경우, 각 클래스마다 1천 개의 고화질 사진이 저장되어 있어 전체 용량이 1TB에 육박하는 매우 큰 데이터셋이다. 그러나 HP Z북 울트라 G1a에서는 30GB 용량의 데이터를 압축 해제하는 데 8분밖에 소요되지 않았고, 일관적으로 140MB/s 전후의 속도를 유지하였다. 이는 HP Z북 울트라 G1a의 메모리 대역폭 확대, 멀티채널 구성 안정성 증가가 큰 영향을 미쳤기 때문으로 생각할 수 있다. 일반적인 환경에서는 압축 해제 단계에서 CPU 처리 속도가 병목으로 작용하여, 저장장치가 충분한 성능을 갖추고 있음에도 불구하고 연속적인 읽기·쓰기 작업이 지연되는 현상이 발생하기도 한다.   그림 2. 대용량 데이터의 전처리에도 빠른 속도를 유지하였고, 프로그램 운용에 여유가 있었다.   반면, HP Z북 울트라 G1a에서는 향상된 프로세서 구조와 메모리 서브시스템을 통해 병목이 제거되었으며, 그 결과 압축 해제와 동시에 디스크 I/O가 지속적으로 최대 대역폭에 가깝게 활용될 수 있었다. 이로 인해 사용자 관점에서는 압축 해제뿐 아니라 파일 복사 속도까지 향상된 것처럼 느껴져 직접적으로 작업 효율 향상이 체감되었다. 기존의 게이밍 노트북이 동일한 작업을 수행하는데 평균 60MB/s의 속도로 약 12분 정도가 소요된 것을 고려하면, 이 작업이 전체 데이터셋에 적용될 때 얼마만큼의 작업 시간을 아낄 수 있을 지 기대해 볼 만하다. 둘째, 파이썬 코드를 활용한 데이터 전처리에서도 높은 성능 개선을 보여주었다. CSV 파일을 활용하여 3D 복셀 데이터를 만드는 작업을 수행하는 코드를 기준으로 실험해보았다. 이는 앞에서와 동일하게 CPU·메모리에 집중된 작업을 할 때의 효율을 검사하기 위한 실험으로, 동일한 SVC 파일을 대상으로 데이터의 시각화를 수행하였을 때를 비교한 것이다. 결과적으로, HP Z북 울트라 G1a는 평균적으로 75FPS(초당 프레임)를 유지하였고, 시각화된 데이터를 360도 회전시켜 확인하는 데에 큰 문제가 없었다. 반면, 기준이 된 다른 기기는 평균 42FPS를 유지하고, 시각화된 데이터를 360도로 회전시켜 확인하는 데 약간의 로딩이 필요했다. 특히, 시각화 결과물을 회전하는 과정에서 약간의 버벅임과 끊김이 발생하여 데이터를 세부적으로 확인할 때 약간의 어려움이 따랐다. 기준 기기 또한 일반적인 사무용 노트북을 기준으로 보았을 때보다는 훨씬 빠르고 원활한 데이터 전처리 성능을 보여주었으나, HP Z북 울트라 G1a는 전처리뿐 아니라 시각화 데이터 인터랙션에서도 안정적으로 동작함으로써 실시간에 가까운 시각화 환경을 제공했다는 점에서 차별화된 사용 경험을 제공하였다.   그림 3. 3D 복셀화에 소요된 시간과 프레임률을 tqdm으로 측정한 결과. 동일한 작업을 수행하는 데 HP Z북 울트라는 75FPS, 기준 기기(HX370 CPU, 32RAM)는 42FPS의 성능을 보여주었다.   로컬 AI 추론 로컬 AI 추론 작업에서도 HP Z북 울트라 G1a는 충분히 인상적인 성능을 보여주었다. 로컬 AI 세팅에는 올라마(Ollama)를 사용하였다. 올라마는 다양한 오픈소스 LLM을 간편히 사용할 수 있게 하는 프로그램으로 윈도우, 맥, 리눅스 등 다양한 환경을 지원하며 CLI 및 GUI 환경을 모두 지원하여 확장성이 좋다. 또한, 로컬에서 REST API 형태로 모델을 노출할 수 있어 파이썬(Python), 노드.js(Node.js), 자바(JAVA(Spring)), 랭체인(LangChain) 등과 연동이 용이하며, 프로토타입 서비스 제작 및 온디바이스 AI, 사내 전용 LLM 구축을 위해 다양하게 쓰인다. 필자는 윈도우에서 GUI 기반의 올라마 클라이언트를 설치하여 로컬 AI 추론을 수행하였으며, 엔비디아 그래픽 카드 드라이버(CUDA 포함)를 설치하지 않고 올라마를 구동하였다. 이 지점에서 HP Z북 울트라 G1a의 프로세서의 특장점이 드러난다. 바로 SoC(System on a Chip) 설계를 통해 프로세서 자체에서 CPU·GPU·NPU를 통합하여 활용한다는 것이다. 따라서 이 워크스테이션을 사용하는 사람은 일반적으로 말하는 CPU-Only와 같이 GPU 드라이버를 따로 설치하지 않더라도, AI 추론 및 훈련을 수행할 때 GPU·NPU를 사용하는 것과 같은 효과를 체감할 수 있다.   그림 4. 올라마의 공식 홈페이지. 윈도우, 맥, 리눅스 등 다양한 OS를 지원하며 오픈소스로 활용 가능한 LLM 모델의 가중치를 제공하여 로컬 추론을 가능하게 하는 프로그램이다.   올라마를 활용해 중·대형 언어 모델(gpt-oss:120B)과 소형 언어 모델(qwen3:8B)을 각각 다운로드한 뒤, 동일한 조건에서 추론 시간을 비교해 보았다. 결과는 예상 이상이었다. 중·대형 언어 모델의 추론에는 (약간의 쿨링 소음이 발생하였지만) 약 10초가 소요되었고, 소형 언어 모델 역시 약 13초 내외로 추론을 마쳤다. 비교 대상으로 사용한 다른 노트북에서는 중·대형 모델이 추론 도중 오류를 일으켰고, 소형 모델조차 358초가 걸렸던 점을 감안하면 상당한 차이다. ‘메모리 용량 차이가 얼마나 크겠어’라고 생각한 필자의 판단을 무색하게 만들 정도로, 128GB 메모리와 라이젠 AI 맥스+ 프로 395의 조합은 로컬 AI 추론 환경에서 분명한 강점으로 작용했다. 이러한 특성은 AI 개발자에게만 국한된 장점은 아니다. 성능이 검증된 오픈소스 언어 모델을 노트북에 직접 탑재해 휴대할 수 있다는 것은, 인터넷 연결이 원활하지 않은 환경에서도 개인화된 AI 비서를 여러 개 운용하며 작업을 이어갈 수 있음을 의미한다. 로컬 환경에서의 AI 활용 가능성을 실질적인 수준으로 끌어올렸다는 점에서, HP Z북 울트라 G1a의 방향성과 장점이 명확히 드러나는 지점이었다.   그림 5. qwen3:8b로 로컬 추론을 수행한 결과   그림 6. gpt-oss:120b로 로컬 추론을 수행한 결과   3D 작업 워크플로 다음은 3D 작업 워크플로로 넘어가 보자. 필자가 주로 사용하는 캐릭터 크리에이터(Character Creator), 지브러시(Zbrush) 등을 통하여 내장 그래픽만을 가지고 있음에도 ‘충분히 작업이 가능한가?’라는 요소를 살펴보고, 다음으로는 고화질을 요구하는 3D 게임을 실행시켜 성능을 테스트해 보았다. 먼저, 리얼루션(Reallusion)의 캐릭터 크리에이터 5 소프트웨어를 설치하여 작업 가능 여부를 확인해 보았다. 이 소프트웨어는 사실적 묘사를 담은 메타 휴먼을 만들기 위한 소프트웨어이다. 얼굴, 체형, 옷 및 장신구 같은 다양한 요소를 조합하는 자유도가 높고, 피부 결이나 머리카락 같은 요소까지 섬세하게 구현해야 하기 때문에 일반적인 게이밍 노트북에서도 원활한 작업이 어려운 소프트웨어 중 하나이다. 실제로, 필자가 보유한 게이밍 노트북 기기에서는 동일한 작업을 수행하며 컴퓨터가 다운되는 경우가 종종 있었고, 새로운 스킨으로 교체하거나 요소를 변형할 때 1 ~ 5분 정도의 로딩 타임을 요구했다.   그림 7. 캐릭터 크리에이터로 작업하는 모습   그러나, HP Z북 울트라 G1a에서는 로딩 시간이 1 ~ 3분 이하로 줄어드는 모습을 보여주었을 뿐만 아니라, 컴퓨터가 다운되는 경우도 발생하지 않아 상당히 쾌적하게 작업을 진행할 수 있었다. 물론 다루는 데이터의 크기 자체가 큰 만큼 약간의 로딩 시간은 피해갈 수 없었으나, 대부분 1분 이내의 로딩으로 작업이 완료되어 작업 완료를 기다리는 시간이 줄어들었다. 다음으로는 지브러시를 통해 추가 검증을 진행하였다. 지브러시의 경우 매끄러운 표면을 위해 의도적으로 폴리곤을 많이 나누면서 메모리 부하가 발생하는 경우가 많은데, <그림 8>과 같이 복잡한 인간형 모델링, 특히 상업적으로 판매 가능한 정도의 모델링을 테스트하였음에도 데이터의 로드 및 조형에 시간이 소요되지 않고 바로 진행할 수 있는 정도의 원활함을 보여주었다.   그림 8. 매끄러운 곡선으로 폴리곤의 수가 많아지더라도 원활히 처리하는 모습을 볼 수 있다.   마지막으로, 3D 게임을 통해 성능을 확인하였다. 대상이 된 게임은 ‘호그와트 레거시’로, 언리얼 엔진으로 만들어졌으며 비교적 실사화 스타일의 그래픽, 다양한 파티클 사용으로 고난도의 그래픽 컨트롤을 요구하는 게임이다. 게임에서는 플레이를 진행하며 기기의 사양을 자동으로 측정하여 적절한 그래픽 옵션을 정해주는데, 이 기기는 자동으로 중간 단계의 그래픽 옵션으로 세팅되는 것을 확인하였다.   그림 9. 기기 옵션을 자동으로 분석하여 적절한 수준의 그래픽 구현. 이 기기는 중간 옵션을 배정받았다.   물론 기존의 작업에 비해 3D 게임을 진행할 때는 기기의 쿨링팬 소음이 두드러지게 들리는 편이었다. 앞서 수행한 작업에서는 쿨링이 필요하지 않거나, 쿨링이 필요하더라도 비교적 짧고 조용하게 한 번의 ‘쏴아아’하는 소리가 들렸다면, 3D 게임을 실행 중일 때는 지속적인 쿨링 소음이 발생하였기 때문이다. 그러나, 여기에서도 HP Z북 울트라 G1a의 탁월한 점을 발견할 수 있었다. 그것은 바로 ‘소음이 발생하는 만큼 쿨링이 잘 되고 있다’는 점이다. 랩톱을 주로 사용하는 사용자는 공감하겠지만, 일부 랩톱의 경우 쿨링 소음이 큰데도 불구하고 쿨링이 제대로 되지 않아 기기 아래쪽의 키보드 부분이 상당히 뜨거워지는 경우가 잦다. 그러나 이 기기는 소음이 크더라도 쿨링이 확실히 진행되고 있었고, 피부에 장시간 접촉시킬 수 있을 정도의 발열만 있었다. 아울러, 게임 내의 실사화 그래픽은 모두 끊기는 부분 없이 자연스럽게 재생되었고, 게임 진행에 이상이 없이 원활히 진행되었다.   그림 10. 그림 내 실사화 시나리오 중 그래픽 재현성이 좋은 부분의 캡처. 왼쪽의 바다 물결 표현, 전면의 포그 표현 등이 끊기지 않고 자연스럽게 재생되었다.   맺음말 HP Z북 울트라 G1a는 AI 리서처와 3D 제작 작업을 병행하는 사용자에게 모바일 워크스테이션으로서 분명한 가치를 지닌 기기다. 이 제품의 구성은 모든 요소를 고르게 끌어올리기보다는, 프로세서와 메모리 성능에 명확하게 힘을 준 제품이다. 이에 사용 목적이 분명한 사용자에게 강점으로 작용한다. AI 전처리, 로컬 추론, 3D 제작 작업과 같이 CPU·메모리 의존도가 높은 워크로드에서는 이러한 설계 방향이 체감 성능으로 직결되기 때문이다. 그런 의미에서 HP Z북 울트라 G1a는 특히 다음과 같은 사용자에게 추천하고 싶다. 첫째, 대용량 데이터 전처리가 일상적인 AI 엔지니어, 둘째, 3D 콘텐츠 제작 과정에서 초안과 검증 단계의 결과물을 빠르게 만들어야 하는 사용자, 셋째, 이 모든 작업을 데스크톱이나 서버에 의존하지 않고 모바일 환경에서도 이어가야 하는 사용자다. HP Z북 울트라 G1a를 사용하는 사용자라면, 적어도 서버급 연산을 요구하는 극단적인 작업을 제외하고는 대부분의 실무 환경에서 성능으로 인한 제약을 체감할 일은 드물 것이다. 견적 상담 문의하기 >> https://www.hp.com/kr-ko/shop/hp-workstation-amd-app   ■ 박정은 AI 융합 분야 연구자이자 엔지니어로, 컴퓨터 비전, 게임 엔진, 머신러닝, 딥러닝 기반 실무를 수행하며 대용량 AI 데이터 전처리와 AI 실험 파이프라인을 설계·운용해왔다. 필적, 운동학, 감정 인식 중심의 AI 프로덕트 R&D를 수행하며, 모바일 워크스테이션 환경에서 CPU·GPU 자원을 밀도 있게 활용하는 실험 구조를 활용하였다. 산업 연계 교육 현장에서 연구와 실무를 연결하는 엔지니어이자 교육자로 활동하고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

모두솔루션은 지난 1월 14일 ‘2026 지스타캐드 파트너 킥오프’를 열고, 국내 파트너사를 대상으로 2026년 사업 전략과 파트너 협력 방향을 공유했다. 지스타캐드(GstarCAD)를 국내 공급하는 모두솔루션은 이 자리에서 2025년 지스타캐드 사업 성과와 2026년 영업 및 마케팅 전략을 소개했다. 또한 지스타캐드 개발사인 지스타소프트가 글로벌 비즈니스 전략을 설명하는 한편, 산업 기술 및 활용 사례 발표와 파트너 어워드 시상 등도 진행됐다. ■ 정수진 편집장     지스타캐드 시장 안착, 파트너 시너지와 고객 만족에 집중 모두솔루션의 정충구 대표는 “모두솔루션은 지난 2004년에 설립되어 2D/3D CAD, PDM, PLM, 설계 자동화 등 다양한 제품과 서비스를 제공하고 있으며, 파트너들과 함께 지스타캐드를 국내 시장에서 성장시켜 왔다”면서, “지스타캐드는 합리적인 가격과 안정적인 성능, 그리고 기술 지원을 바탕으로 국내 CAD 시장에서 의미 있는 대안을 만들어가고 있다”고 강조했다. 모두솔루션의 성기정 상무는 2025년 지스타캐드 국내 비즈니스 성과를 발표하면서, “공격적인 마케팅 활동과 파트너사들의 적극적인 영업 활동을 통해 지스타캐드에 대한 시장의 관심이 높아졌다”고 설명했다. 2025년에는 환율 상승의 영향으로 전년도 대비 매출 이익은 소폭 줄었지만, 전체적인 판매 수량과 매출 규모는 예년 수준을 유지하며 성장세를 이어갔다는 것이 성기정 상무의 분석이다. 또한 성기정 상무는 파트너를 통한 세일즈 비중이 늘어나고 있다면서, “이는 파트너사와 본사의 매출이 함께 증가하는 건전한 비즈니스 선순환 구조가 자리 잡고 있다는 긍정적인 신호”라고 평가했다. 한편으로, 모두솔루션이 매년 실시하는 제품 및 서비스 만족도 조사에서는 전년 대비 소폭 하락한 4.1점이 나왔는데, 성기정 상무는 사용자 만족도를 다시 끌어올리는 것이 2026년의 중요한 과제라고 덧붙였다.   ▲ 모두솔루션 정충구 대표   ▲ 모두솔루션 성기정 상무   CAD를 넘어 통합 산업 플랫폼으로 지스타소프트의 메이유 황(Meiyu Huang) 부사장은 “지난 1992년 설립된 지스타소프트는 현재 윈도우, 리눅스, 맥, 안드로이드, iOS 등 다양한 운영체제를 지원하는 코어 기술을 갖추고 있으며, 전 세계 100개 이상의 국가에서 1억 명 이상의 사용자를 가진 글로벌 제품으로 성장했다”고 소개했다. 황 부사장은 급변하는 산업 환경 속에서 지스타캐드가 나아가야 할 방향으로 ▲AI 기술의 설계 프로세스 통합 및 설계 자동화 등의 기술 흐름과 ▲설계를 넘어 협업과 관리까지 가능한 플랫폼 역량에 대한 고객 요구에 주목했다. 또한 “개인 사용자부터 대기업, 개발자에 이르기까지 세분화된 고객 니즈를 모두 충족하기 위해서는 단일 도구가 아닌 통합 플랫폼 구축이 필수”라고 짚으면서, “독자적인 코어 기술과 크로스 플랫폼 능력, 그리고 상장을 통해 확보한 자금력을 바탕으로 M&A와 R&D 투자를 가속화하면서 제품과 기술의 통합을 이뤄낼 것”이라고 밝혔다. 황 부사장이 꼽은 향후 3~5년 간의 핵심 과제는 ▲높은 성능과 안정성 확보 ▲지속적인 기능 혁신 ▲멀티 플랫폼 호환성 강화 ▲개방형 생태계 구축 등 네 가지이다. 제품의 성능 측면에서는 렌더링 엔진과 메모리 관리, 핵심 알고리즘을 최적화하여 대형 도면 작업에서도 쾌적한 속도를 제공할 계획이다. 지스타캐드 2026 버전은 파일 열기, 저장, 편집 등 주요 작업에서 성능을 높였고, 시스템 아키텍처를 모듈화하여 각 기능이 독립적으로 작동하게 함으로써 안정성을 높였다. 자동 업그레이드 메커니즘을 도입해 유지보수 비용을 낮추는 구조적 재설계도 진행된다. 기능 혁신과 관련해서는 파라메트릭 구속(parametric constraint) 기능을 강화하여 논리 기반의 설계를 지원하고, 다중 단말과 전문 영역 간의 실시간 협업이 가능한 통합 설계 기능을 고도화해 설계부터 검수까지 이어지는 표준화된 관리 체계를 구축할 예정이다. 또한 AI 기술과 CAD의 융합을 적극 추진하여 지능형 명령어 추천, 자연어 상호작용, 도면 인식 및 자동 주석 기능 등을 탑재할 계획이다. 제품 라인업과 생태계 확장 계획에 대해서 황 부사장은 엔터프라이즈 설계 플랫폼으로서 ‘지스타캐드 365’를 강화하고, 아치라인(ARCHLine.XP) 인수 후 기능을 보강 중인 ‘지스타캐드 BIM(GstarCAD BIM)’과 기능이 지속적으로 추가되는 도면 열람&편집 툴 ‘DWG 패스트뷰(DWG FastView)’ 등의 포트폴리오를 완성해 나가겠다고 전했다. 지스타소프트는 GRX(Graphics Runtime Extension), COM(Component Object Model), 닷넷(.NET), LISP(리스프), 파이썬(Python) 등 커스텀 개발을 위한 생태계 지원도 이어나갈 계획이다.   ▲ 지스타소프트 메이유 황 부사장   3D·BIM 시장 공략 및 서드파티 강화… 지스타캐드의 인지도 높일 것 지스타캐드는 오토캐드 대체 시장을 넘어 제조, 건설, 플랜트 등 산업별 특화 수요로 시장을 빠르게 확장하고 있다. 모두솔루션은 2026년에는 파트너 중심의 세일즈 체계를 더욱 강화하는 한편, 시장에서 3D CAD에 대한 수요가 꾸준히 증가하고 있는 상황에 맞춰 3D 제품군 및 BIM 설루션을 2026년에 본격 선보이면서 시장 대응력과 사업 경쟁력을 함께 높인다는 전략을 소개했다. 제품 측면에서는 2025년 출시한 클라우드 기반 설계 협업 플랫폼 ‘지스타캐드 365 비즈니스(GstarCAD 365 Business)’를 국내 시장에 안착시키기 위해 레퍼런스 구축에 집중하고, 향후 선보일 BIM 및 3D CAD 제품 역시 파트너와의 협업을 통해 단계적으로 시장에 소개할 예정이다. 성기정 성무는 “특히 그동안 약점으로 지적되던 서드파티 및 라이브러리 부족 문제를 해결하기 위해 2025년에 베타 버전으로 출시했던 ‘드림플러스(DreamPlus)’의 정식 버전을 올해 출시하고 AEC 시장을 본격 공략하겠다”는 구상을 제시했다. 또한 성기정 상무는 경쟁 제품 사용자를 타깃으로 한 공격적인 프로모션 전략도 공개했다. “오토캐드 LT의 1년 구독 비용 수준으로 지스타캐드 스탠더드 제품을 3년간 사용할 수 있게 하는 ‘1+2 프로모션’을 기획해서, 시장의 반응을 살피고 파트너들의 의견을 수렴해 전략을 고도화해 나갈 것”이라는 설명이다. 이외에도 성기정 상무는 설계 작업 자동화를 지원하는 라이브러리 프로그램인 멕클릭(MecCLIck)의 성능 향상 및 규격 확대 업데이트 소식을 공유하면서, 진화하는 지스타캐드와 지능형 라이브러리의 결합을 통해 시장에서 좋은 성과를 얻고자 한다고 전했다. 모두솔루션 마케팅팀의 한운선 부장은 “2026년에는 고객 데이터베이스 확보를 넘어서 실제 구매 가능성이 높은 고객 수요(리드)를 창출하고 영업 파이프라인을 확장하는 데 마케팅의 초점을 맞출 것”이라면서, “지스타캐드의 인지도를 구축하고 신뢰도 높은 콘텐츠 자산을 중심으로 마케팅 체계를 강화해, 고객이 지스타캐드를 스스로 찾을 수 있는 환경을 만들고자 한다”고 설명했다.     ■ 기사 내용은 PDF로도 제공됩니다.

인텔은 클라이언트 워크스테이션용 신제품인 ‘인텔 제온 600(Intel Xeon 600)’ 프로세서를 발표했다. 이번에 출시한 워크스테이션 프로세서는 코어 수를 최대 86코어로 늘리고 PCle 연결성, 더 빠른 메모리 속도 지원, 그리고 역대 최대 향상된 전력 효율을 포함해 전 세대 포트폴리오 대비 광범위하게 개선되었다. 새로운 인텔 제온 600 워크스테이션 프로세서는 데이터 사이언스·AI 개발, 엔지니어링 시뮬레이션·시각화, 미디어 및 엔터테인먼트 콘텐츠 제작 등 다양한 작업에 이점을 제공한다. 주요 이점에는 이전 세대 프로세서 대비 멀티 스레드(MT) 성능이 크게 향상되었으며, 더욱 강력해진 I/O 성능, 유무선 연결성 개선, 고급 AI 훈련 및 추론 워크로드 지원 확장 등을 포함한다. 인텔 3 공정 기술과 레드우드 코브+(Redwood Cove+) 코어 아키텍처에 기반한 인텔 제온 600 워크스테이션 프로세서는 제품 라인 전반에 걸쳐 코어 수를 늘렸다. 86코어 제온 698X와 이전 세대 64코어 W3595X를 비교시 기존 전력 소비 목표 대비 최대 61% 향상된 멀티 스레드 성능을 제공하는 등 성능이 크게 향상되었다.     워크스테이션용 인텔 제온 600 프로세서는 최대 86코어와 4.8GHz의 터보 주파수를 제공한다. 이를 통해 이전 세대 대비 싱글 스레드(ST) 성능은 최대 9%, 멀티 스레드(MT) 성능은 최대 61%까지 향상되었다. 그리고 인텔 AMX(Intel AMX)에 FP16 데이터 타입 지원이 추가되어 AI 학습 및 추론 성능이 개선되었다. 이전 세대 대비 AI 및 머신러닝(ML) 워크로드에서 최대 17% 더 빠른 속도를 제공한다. 제온 600은 최대 128개의 CPU PCIe 5.0 레인을 지원한다. 이를 통해 멀티 GPU, SSD, 네트워크 카드 등 복잡한 워크플로우에 필요한 플랫폼 확장성을 보장한다. 또한, 최대 8채널 DDR5 RDIMM(6400 MT/s)을 지원하여 이전 세대(4800 MT/s) 대비 대역폭을 높였다. 새롭게 추가된 DDR5 MRDIMM은 최대 8000 MT/s의 속도를 지원하여, 메모리 집약적인 워크로드의 성능을 향상시킨다. 이외에도 ECC 메모리와 RAS 기술을 지속적으로 지원하여 기업의 핵심 데이터 무결성을 유지하고 시스템 신뢰성을 보장하며, 업계 최고 수준의 프로세서 튜닝(오버클러킹) 기능을 통해 고성능 컴퓨팅 역량을 극대화한다. 내장 인텔 와이파이 6E 지원 및 외장 인텔 와이파이 7 지원을 통해 최상급의 네트워크 환경을 제공하며, 하드웨어 수준에서 강화된 보안 기능(멀티 키 메모리 암호화)과 펌웨어 버전 관리, 인텔 원클릭 복구(Intel One-CLIck Recovery)를 포함한 광범위한 인텔 vPro 기술 등을 통해 기업 환경에서 더욱 신속하고 용이한 시스템 배포 및 관리가 가능하도록 한 것도 특징이다. 인텔은 워크스테이션용 인텔 제온 600 프로세서가 2026년 3월 말부터 OEM 및 SI 파트너사를 통해 공급되며, 주요 소매점에서도 박스형 정품 프로세서 형태로 공급된다고 밝혔다. 인텔의 헥터 게바레즈(Hector Guevarez) 클라이언트 컴퓨팅 그룹(CCG) 워크스테이션 부문 디렉터는 “다양한 산업 분야에서 고성능 컴퓨팅에 대한 수요가 날로 증가하고 있는 상황에서, 인텔 제온 600 워크스테이션 프로세서를 통해 전문가들의 일상 업무에 필요한 플랫폼을 제공할 수 있다”면서, “높은 성능 효율, 확장된 AI 컴퓨팅 기능, 다양한 인텔 vPro 기술, 강력한 플랫폼 연결성을 갖춘 이 플랫폼은 하이엔드 워크스테이션만이 제공할 수 있는 성능과 역량이 필요한 전문가에게 최적의 선택”이라고 밝혔다.

  17분기 연속 한국 시장 점유율 1위 (출처 : IDC 2021 Q3 – 2025 Q3) HP Z AI 워크스테이션 데모 장비 및 컨설팅 무상 지원 기업 모집 귀사의 소프트웨어/솔루션이 고성능 AI PC에 탑재되어 더 큰 가치를 창출할 수 있도록, HP 코리아는 중소·중견 기업을 대상으로 HP Z AI 워크스테이션 Z6 G5 A & ZBook Ultra G1a 데모 장비 및 컨설팅을 무상 지원하는 프로그램을 운영하고 있습니다. 장비나 고가 GPU구매 부담에 비즈니스 성장의 제약을 느끼시나요? 인재 유출 걱정까지 더해져 고민이시라면 본 프로그램 참여로 솔루션을 찾아보세요.   01 프로그램 개요   - AI 워크스테이션 데모 장비 무상 지원 (연구개발 단계부터 가능) - 비즈니스 요구에 맞춘 하드웨어 컨설팅 및 최적화 지원 - 사업 기회 발굴 및 협업 추진 - 마케팅 지원     02 모집 대상 및 기간 대 상 자사가 개발한 소프트웨어/솔루션을 고성능 하드웨어 PC에 탑재하여 비즈니스를 하는 기업   기 간 2025.12.01 ~ 2026.01.31   발 표 2026.03.03 / 유선 및 이메일을 통한 개별 안내       * 일정은 진행 상황에 따라 변동될 수 있습니다. * 대면심사에 해당되지 못하는 업체의 경우, 개별 통보 예정입니다. * 테스트 장비 지원 기간은 최대 2개월입니다. * 동일 업체의 중복 참여는 허용되지 않습니다.     03 데모 지원 제품   HP Z6 G5 A + 모니터 최대 96코어 기반 초고부하 AI·3D 작업 최적화 최대 3개의 하이엔드 GPU로 고급 3D·AI 작업 처리 3D 렌더링, 캐드, AI 모델링에 최적화 된 성능 HP Series 7 Pro 27" 4K 모니터   HP ZBook Ultra G1a + 모니터 + 도킹   고가의 GPU 없이도 최대 VRAM 96GB 작업 가능 대용량 LLM 실험도 엔지니어 책상 위에서 가능 3D 모델링과 렌더링 동시 처리 가능 HP Series 7 Pro 27” 4K 모니터 + 도킹     데모 지원 신청하기

에이서가 인텔 코어 울트라 시리즈 3 프로세서(팬서레이크)를 탑재한 AI 코파일럿+ PC(Copilot+ PC) 노트북 라인업을 공개하며, 프리미엄부터 메인스트림까지 전 제품군에 걸친 AI PC 포트폴리오를 확장했다고 밝혔다. 이번에 공개된 라인업은 프리미엄 AI 노트북 ‘스위프트 AI’ 시리즈와 일상·업무 중심의 메인스트림 ‘아스파이어 AI’ 시리즈로 구성된다. 모든 모델은 윈도우 11 기반 코파일럿+ PC 환경과 온디바이스 AI 성능을 바탕으로, 학습·업무·콘텐츠 제작·크리에이티브 작업 전반에서 한층 향상된 사용자 경험을 제공한다. 에이서 AI 코파일럿+ PC 라인업은 에이서의 AI 기반 소프트웨어 기능을 탑재해 일상적인 사용 경험을 강화한다. 에이서 인텔리전스 스페이스(Acer Intelligence Space)는 개인화된 AI 허브로 주요 기능과 AI 도구 접근을 간소화하며, 에이서 퓨리파이드뷰(PurifiedView)와 에이서 퓨리파이드보이스(PurifiedVoice)는 화상 회의 시 영상 품질 개선과 AI 노이즈 캔슬링을 통해 선명한 커뮤니케이션 환경을 제공한다. 또한 에이서 마이 키(Acer My Key)를 통해 자주 사용하는 앱과 기능을 단축 실행할 수 있으며, 코파일럿+ PC 환경에서는 실시간 번역을 지원하는 라이브 캡션(Live Captions), 화면 콘텐츠를 인식해 작업을 돕는 클릭 투 두(CLIck to Do), 음성 기반 코파일럿 보이스(Copilot Voice), 맥락 인식 기반의 코파일럿 비전(Copilot Vision) 등 윈도우 11의 AI 기능을 직관적으로 활용할 수 있다.   ▲ 에이수스 스위프트 16 AI   스위프트 AI 시리즈는 이동성과 성능을 중시하는 크리에이터와 전문가를 위한 프리미엄 AI 노트북으로, 스위프트 16 AI, 스위프트 엣지 AI, 스위프트 고 AI로 구성된다. 스위프트 16 AI는 에이서의 플래그십 AI 노트북으로, 인텔 코어 울트라 X9 388H 프로세서와 인텔 아크 B390 그래픽을 탑재했다. 16:10 비율의 햅틱 터치패드(175.5×109.7mm)는 MPP 2.5 스타일러스 입력을 지원해 스케치·모델링·편집 등 AI 기반 크리에이티브 작업을 직관적으로 수행할 수 있다. VESA DisplayHDR True Black 500 인증을 받은 16인치 3K OLED 터치 디스플레이(120Hz, DCI-P3 100%)와 DTS:X Ultra 듀얼 스피커, FHD IR 카메라를 탑재해 몰입감 있는 작업 환경을 제공한다. 스위프트 엣지 14 AI와 스위프트 엣지 16 AI는 MIL-STD 810H 밀리터리 등급 내구성을 충족하는 슬림·경량 AI 노트북이다. 스위프트 엣지 14 AI는 무게 1kg 미만, 두께 13.95mm로 높은 수준의 휴대성을 제공하며, 두 모델 모두 최대 인텔 코어 울트라 9 386H 프로세서와 최대 3K OLED 터치 디스플레이를 지원한다. 스위프트 고 14 AI와 스위프트 고 16 AI는 성능과 휴대성, 가격 경쟁력을 균형 있게 갖춘 프리미엄 슬림 노트북으로, OLED 디스플레이 옵션과 180도 풀 플랫 힌지 설계를 적용해 업무와 콘텐츠 소비에 적합하다. 아스파이어 14 AI와 아스파이어 16 AI는 일상적인 학습과 업무, 콘텐츠 소비를 위한 메인스트림 AI 노트북으로 최대 인텔 코어 울트라 9 386H 프로세서를 탑재해 멀티태스킹과 생산성 성능을 강화했으며, 최대 32GB 메모리와 최대 2TB PCIe Gen4 SSD를 지원한다. 16:10 화면비의 WUXGA 디스플레이를 기본으로 최대 120Hz 주사율을 지원하며, OLED 및 터치 옵션을 제공해 사용 목적에 따라 선택할 수 있다. 슬림·경량 디자인과 180도 풀 플랫 힌지 설계를 적용해 협업과 콘텐츠 공유 환경에서도 활용도를 높였다. 썬더볼트 4, HDMI 2.1, 와이파이 6E 등 다양한 연결성을 제공한다.