산업을 위한 AI와 버추얼 트윈 기술 (2)   이번 호에서는 다쏘시스템의 LBM 기반 CFD 설루션인 파워플로(PowerFLOW)를 활용하여, 하중 및 회전에 의해 변형되는 트레드 타이어를 반영한 정밀 유동 예측 워크플로를 제시한다. 드라이브에어(DrivAer) 모델 적용을 통해 접지면과 사이드월 돌출부 형상 변화가 차량 항력 및 후류 구조에 미치는 영향을 분석하고, 실제 주행 조건을 고려한 차세대 공력 최적화 설계 프로세스의 방향성을 제안한다.   ■ 고석원 다쏘시스템의 유동해석 컨설턴트로, 국내 완성차 업체의 공력 및 공력소음 분야 CFD 프로젝트 수행 및 기술 지원을 담당하고 있다. 홈페이지 | www.3ds.com/ko   EV(전기자동차) 시대에 접어들면서 공력 성능은 단순한 항력 계수(Cd : Drag Coefficient) 저감의 문제가 아니라, 에너지 효율과 주행거리 경쟁력을 결정하는 핵심 설계 변수로 자리잡았다. 특히 고속 주행 영역에서는 타이어 주변에서 형성되는 복잡한 와류 구조가 전체 항력에 상당한 영향을 미친다. 그러나 현재까지 많은 외부 유동해석은 계산 효율과 모델 단순화를 이유로 강체 타이어 형상을 가정해왔다. 실제 주행 조건에서는 차량 하중과 회전에 의해 타이어 접지면이 평탄화되고, 트레드 패턴이 국부적으로 변형된다. 이러한 기하학적 변화는 경계층 발달과 박리 위치, 그리고 후류 구조에 직접적인 영향을 미친다. 그럼에도 불구하고 설계 단계에서 이러한 변형 효과는 충분히 반영되지 못하는 경우가 많다. 이 간극은 단순한 수치 오차를 넘어, 설계 의사 결정의 신뢰성 문제로 이어질 수 있다. 기존의 전산유체역학(CFD : Computational Fluid Dynamics) 접근에서는 회전 조건을 MRF(Moving Reference Frame) 혹은 LRF(Local Reference Frame) 기법을 구현하고, 접지부는 이상적인 평면 조건으로 단순화한다. 이 방식은 빠른 비교 분석에는 적합하지만, 접지부 인근의 비대칭 유동 구조와 시간에 따라 변화하는 와류 변동을 충분히 재현하기 어렵다. 특히 하중에 의해 형성되는 접지부 형상 변화는 타이어 하부 압력 분포를 바꾸고, 이는 차체 하부 유동과 상호작용하며 항력 특성에 영향을 미친다. 고속 주행 시에는 원심력에 의한 외경 변화까지 더해져 형상 변형이 복합적으로 발생한다. 따라서 현실 기반 공력 예측을 위해서는 타이어 변형을 포함한 해석 전략이 요구된다.   파워플로 기반 정밀 유동 예측 방법론 이번 호에서는 LBM(Lattice Boltzmann Method) 기반 CFD 설루션인 파워플로를 활용하여 하중 및 회전 변형을 반영한 해석 환경을 구축하였다. 차량 모델은 <그림 1>과 같이, 오픈소스 표준 차체 형상인 드라이브에어 모델을 적용하였다. 타이어 형상은 단순 강체 모델과 실제 하중 조건을 반영한 변형 트레드 타이어 모델을 사용하였다. 변형 형상은 파워플로의 전처리 모듈인 파워델타(PowerDELTA)를 통해 구현되었으며, <그림 2>와 같이 정적 하중에 의해 형성되는 접지면(contact patch)과 사이드월 돌출부(bulge)를 기하학적으로 재현하였다. 수치해석 방법에는 회전하는 타이어에 IBM(Immersed Boundary Method)을 적용하여 타이어 인근에서 시간에 따라 변화하는 유동 구조와 후류 거동을 정밀하게 분석하였다.   그림 1. 드라이브에어 차량 형상   그림 2. 접촉면과 돌출부의 형상(왼쪽 : 접촉면, 오른쪽 : 돌출부)   해석 케이스 구성 해석 케이스는 변형 타이어의 적용 유무와 <그림 3>에 나타낸 바와 같이, 타이어 변형 효과를 체계적으로 비교하기 위해 다음 세 가지 인자를 독립적으로 변화시켰다. 사이드월 돌출부(bulge, B) 횡방향 삽입각(slip angle, α) 접지면 폭(contact patch width, W)   그림 3. 변형 타이어 인자 변화 조건   각 변수 변화에 따른 항력 특성 및 후류 구조 변화를 비교함으로써, 설계 관점에서 지배적인 인자를 도출하고자 하였다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

SIMTOS 2026  - 캐드앤그래픽스 주관 컨퍼런스 Day 1  4.16(목) - 피지컬 AI & 디지털트윈 컨퍼런스 발표자 및 발표 내용 소개 1. 피지컬AI의 부상, 제조 강국의 길 한국로봇산업진흥원 제조로봇본부 전진우 수석연구원 [강연 내용] 피지컬AI에 대한 이해와 국내외 동향을 살펴보고 왜 제조분야에 도입이 필요한 가에 대한 기술, 경제, 문화적 관점의 해석을 통해    한국이 제조 강국을 유지하기 위해 가야할 길을 모색해 보고자 한다. [약력] 공학박사(Ph.D) 한국로봇산업진흥원 로봇클러스터사업단장, 정책기획실장 로봇학회 이사, 재활로봇학회 이사, 인공지능윤리학회 이사 숭실대 스마트산업안전공학과 겸임교수(기계로봇 안전) 2. Beyond Possibility, Autonomous Manufacturing Transformation - Physical AI와 디지털 트윈을 통한 자율제조혁신) 현대자동차·기아 민정국 상무 [강연 내용] 1. 자동차 제조 산업의 변화 2. 새로운 여정 : 자율제조공장 3. 자동화의 진화 : 자율제조혁신 [약력] ■ 현대자동차·기아 제조SW개발실 상무 ■ LG 디스플레이 - CTO VD, VP / Technology Fellow ■ 삼성전자    . 혁신센터 - Principal Researcher   . 반도체 연구소 CAE팀 - Senior Researcher   . SSIT(삼성전자공과대학교) - Visiting Professor, Industrial AI/Advanced CMOS ■ IBM New York - Technology CAD Researcher ■ 공학박사 - 성균관대 반도체디스플레이 및 산업공학 (Industrial AI & Digital Twin)             - 삼성전자 Fellowship 3Yrs 조기졸업  ■ KAIST - Executive Course in Artificial Intelligence 수료   3. 조선 미래를 위한 차세대 설계/생산 통합 플랫폼과 피지컬 AI HD현대 이태진 전무(CDO) [강연 내용] 한국의 조선산업은 새로운 도약을 준비하고 있다. 전통적인 노동 집약 산업에서 디지털 기술과 AI를 활용한 지능형 자율 운영 조선소의 비전을 실현하고자 한다. D현대 그룹은 FOS(Future of Shipyard)프로젝트의 일환으로 차세대 설계/생산 통합 플랫폼과 AI를 활용하여 선박 제조 밸류 체인의 가상화, 지능화, 자율화를 완성하고자 한다.    [약력] 현재 HD현대 그룹의 CDO(Chief Digital Officer)로 그룹 내 조선, 중장비, 에너지 산업의 디지털전환을 이끌고 있다. 과거 액센츄어 코리아의 제조 산업 부문 리드로서 다수의 중공업 및 기계 산업 고객의 프로세스 혁신 및 디지털 전환 프로젝트를 수행한 바 있다.   4. 제조AX(M.AX) 얼라이언스 구성·성과 및 운영방향 한국산업기술기획평가원(KEIT) 김성호 본부장 [강연 내용]  제조 AX(M.AX) 얼라이언스 추진 배경, 구성 및 목표, 주요 성과, 운영 방향 등에 대해 소개한다. [약력] 한국산업기술기획평가원 AI자율제조추진단장, 휴머노이드추진단장 한국산업기술기획평가원 주력산업본부장 5. 제조 피지컬 AI & 제조 자동화  KAIST 장영재 교수 [강연 내용] 제조 피지컬 AI와 소프트웨어 중심적 공장 (SDF)에 대한 개념과 실제 사례를 소개한다. AI의 물리적 요소를 고려한 시스템을 피지컬 AI라 정의하고 있다. 자율주행 자동차 및 로봇이 피지컬 AI의 대표적인 사례다. 그러나 제조 피지컬 AI는 거대 시스템과 다양한 복합 장비를 다룸으로 그 구성과 운영의 차별성이 필요하다. 이러한 차별점의 핵심이 바로 SDF이다. 소프트웨어 중심적 설계를 통해 공장을 하나의 거대한 AI 시스템으로 설계하고 이를 기반으로 자율운영을 가능하게하는 것이 SDF의 본질이다. 실제 국내 사례를 통해 이들 개념 및 자율공장이 어떻게 구축되었는지 살펴볼 것이다. [약력] 산업 및 시스템 공학과에서 "스마트 팩토리" 및 "지능형 물류 및 공급사슬망 시스템" 관련 연구를 진행하고 있다. 또한 2025년 12월에 설립된 <카이스트 제조 피지컬 AI 연구소> 소장을 역임하고 있다. 카이스트 부임 전 미국 반도체 메모리 제조사인 마이크론 테크놀로지 (Micron Technology)에서 4년간 현장에서 공장 자동화 및 운영 관련 업무를 수행하였다. MIT 공대 기계 공학과에서 박사학위를 취득했다. 2020년에는 연구실 박사 졸업생 4명과 함께 <다임리서치>를 창업했다. 현재 국제저널인 Computers and Industrial Engineering (SCIE:2.62) 의 부편집장 (Associate Editor)를 맡고 있으며 International Journal of Production Research, IEEE Power Electronics 등 국제 저널 특별호의 편집장 및 부 편집장과 반도체 운영 전문가들의 국제 학회인 (International Symposium on Semiconductor Intelligence) 및 Winter Simulatoin Conference MASM의 학회장을 역임했다.  SIMTOS 컨퍼런스 2026 상세 내용 보러가기 >>

IBM이 에이전틱 AI(Agentic AI) 기술을 접목한 차세대 IBM 플래시시스템(FlashSystem) 포트폴리오를 공개하며 자율형 스토리지 시대를 선언했다. 이번에 발표된 신제품은 기존의 스토리지 역할을 넘어 스스로 위협을 분석하고 성능을 최적화하는 지능형 계층으로 진화한 것이 특징이다.   에이전틱 AI와 플래시시스템.ai로 실현하는 스토리지 자율 주행 2026년 2월 13일, IBM은 서울에서 차세대 IBM 플래시시스템 5600, 7600, 9600 등 신제품 3종을 선보였다. 이번 포트폴리오의 핵심은 지능형 운영 기술인 플래시시스템.ai(FlashSystem.ai)다. 이 기술은 AI 에이전트를 기반으로 한 공동 관리자 기능을 제공하여 스토리지 운영의 복잡성을 획기적으로 낮췄다. 플래시시스템.ai는 수년간 축적된 수십억 건의 데이터를 학습한 AI 모델을 통해 하루 수천 건의 운영 결정을 자동 수행한다. 이를 통해 기업은 스토리지 관리에 투입되던 수작업을 최대 90%까지 절감할 수 있으며, 감사 및 컴플라이언스 문서화에 소요되는 시간 또한 절반으로 줄일 수 있다. 특히 애플리케이션의 동작 변화를 실시간으로 파악해 최적의 성능 개선 방안을 제안하고 그 근거를 설명하는 등 관리자와의 유기적인 협력을 지원한다. 5세대 플래시코어 모듈 탑재로 랜섬웨어 대응력 강화 신규 제품군에는 하드웨어 기반의 보안 기능을 극대화한 5세대 플래시코어 모듈(FlashCore Module, FCM)이 적용됐다. 5세대 FCM은 모든 입출력(I/O) 처리 과정에서 고급 텔레메트리 정보를 활용하여 1분 이내에 랜섬웨어를 탐지할 수 있는 능력을 갖췄다. 이 모듈은 대규모 환경에서도 일관된 저지연 성능을 유지하면서 복잡한 통계 계산과 위협 신호 식별을 즉각적으로 수행한다. 또한 이전 세대 대비 최대 40% 향상된 데이터 효율성을 제공하여 성능과 용량, 보안이라는 세 가지 핵심 요소를 동시에 만족시켰다. 이를 통해 미션 크리티컬한 비즈니스 환경에서도 높은 신뢰도를 확보할 수 있게 됐다. 기업의 AI 워크플로우를 위한 전략적 파트너 IBM 기업가치연구소(IBV)의 조사에 따르면, 경영진의 76%가 자율형 AI 에이전트를 활용한 지능형 워크플로우 자동화를 추진 중인 것으로 나타났다. 급증하는 데이터량과 고도화되는 사이버 위협 속에서 IBM의 자율형 스토리지 솔루션은 IT 조직의 운영 부담을 덜어줄 핵심 대안으로 주목받고 있다. IBM 스토리지 총괄 샘 워너 사장은 차세대 플래시시스템이 성능, 보안, 비용을 자동으로 최적화하는 지능형 계층으로서 자율형 스토리지 시대의 시작을 의미한다고 강조했다. 그는 플래시시스템이 모든 워크로드의 안정적 운영을 보장하는 전략적 AI 파트너가 될 것이라고 덧붙였다. 이번에 발표된 IBM 플래시시스템 신규 포트폴리오는 오는 2026년 5월 한국 시장에 정식 출시될 예정이다.

IBM은 에이전틱 AI와 함께 구동되는 차세대 IBM 플래시시스템(FlashSystem) 포트폴리오를 발표했다. 이번 제품은 기존 플래시시스템의 AI 기능을 강화해 지속적인 보호, 자율적 위협 분석, 맞춤형 복구 제안까지 제공하며, 스토리지를 항상 가동되는 지능형 계층으로 확장하도록 설계됐다. IBM은 “이를 통해 기업은 스토리지 관리에 투입되던 수작업을 최대 90%까지 줄일 수 있다”고 설명했다. IBM이 새롭게 선보인 플래시시스템 5600·7600·9600 등 3가지 시스템은 이전 세대 대비 최대 40% 향상된 데이터 효율을 제공하며 저장 용량과 성능을 개선했다. 여기에 전체 데이터 경로를 관리하고 모니터링하며 문제를 진단·해결할 수 있도록 지원하는 지능형 운영 기술 ‘플래시시스템.ai’가 추가돼 관리 효율이 높아졌다. 플래시시스템.ai는 스토리지 전 단계의 상태를 실시간으로 파악하고, 애플리케이션과 인프라 변화에 빠르게 대응하며, 반복적인 운영 작업을 자동화해 관리자가 신속하게 최적의 조치를 취할 수 있도록 돕는다. 또한 에이전틱 AI 기반 분석을 통해 성능 저하나 장애로 이어질 수 있는 이상 징후를 조기에 발견하고, 대응 방안을 제시하는 기능도 지원한다. 이와 함께 실시간 랜섬웨어 탐지와 데이터 감축·분석 기능을 하드웨어 기반으로 처리하도록 설계된 5세대 플래시코어 모듈(FlashCore Module : FCM)이 적용되면서, 대규모 환경에서도 안정적인 성능과 강화된 보안성을 제공한다. 이 모듈은 모든 I/O 처리에서 고급 텔레메트리 정보를 활용해 복잡한 통계를 즉시 계산하고 위협 신호를 빠르게 식별하며, 일관된 저지연 성능을 유지해 미션 크리티컬 환경에서도 높은 신뢰도를 확보할 수 있도록 돕는다. 또한 운영 과정에서의 분석 효율을 높여 스토리지 전반의 관리 품질을 향상시키는 것이 특징이다.     기업의 AI 워크플로 도입이 확대되는 가운데, 에이전틱 AI는 IT 운영 전반을 보다 효율적이고 자율적으로 관리할 수 있는 기술로 주목받고 있다. IBM 기업가치연구소(IBV) 연구에 따르면 경영진의 76%가 자율형 AI 에이전트를 활용해 지능형 워크플로를 자동화하는 개념 검증을 개발하거나 실행 중이라고 답했다. 동시에 기업 IT 조직은 급격히 늘어나는 데이터, 고도화된 사이버 위협, 강화되는 규제 요구에 대응해야 하는 상황에 놓여 있다. 이러한 요구는 지능형·자율형 스토리지 설루션의 필요성을 더욱 높이고 있다. 새롭게 선보인 플래시시스템.ai는 반복적이고 오류 가능성이 높은 작업을 자동화하며, 스토리지를 단순 저장 장치를 넘어 ‘스스로 발전하는 시스템’으로 전환할 수 있도록 설계됐다. 텔레메트리 데이터와 실제 운영 환경에서 수년간 축적된 수십억 건의 데이터를 학습한 AI 모델이 하루 수천 건의 운영 결정을 자동으로 수행한다. 플래시시스템.ai는 스토리지 관리 작업의 상당 부분을 자동화할 뿐 아니라 시간이 지날수록 더 빠르게 학습한다. 애플리케이션의 동작 변화를 몇 시간 안에 파악해 템플릿 기반 시스템보다 빠르게 성능 개선을 제안하고 그 근거를 설명하며, 관리자의 피드백을 반영해 권고 내용을 조정한다. 또한 최신 플래시시스템 모델에서는 감사 및 컴플라이언스 문서화 시간을 절반으로 줄일 수 있도록 설계됐다. 이 제품군은 사전 성능 조정, 지능형 워크로드 배치, 비중단 데이터 이동(타사 스토리지 포함) 기능도 제공한다. 새로운 플래시시스템 포트폴리오는 2026년 5월 한국에서 정식 출시될 예정이다. IBM의 샘 워너(Sam Werner) 스토리지 총괄 사장은 “차세대 IBM 플래시시스템은 성능, 보안, 비용을 자동으로 최적화하는 지능형 계층으로 스토리지를 확대해준다”면서, “이번 포트폴리오는 자율형 스토리지 시대의 시작을 의미하며, 플래시시스템이 모든 워크로드의 안정적이고 안전한 운영을 보장하는 전략적 AI 파트너가 되도록 돕는다”고 말했다.

헥사곤(Hexagon)이 IDC가 발표한 IDC 마켓스케이프: 전 세계 석유 및 가스 플랜트 설비 자산 성능 관리(APM) 2025-2026 공급업체 평가에서 리더(Leader)로 선정됐다. 헥사곤의 HxGN APM은 플랜트 설비의 상태와 리스크를 체계적으로 분석하고, 설비 전략을 실제 운영 환경에 적용할 수 있도록 설계된 통합 플랜트 설비 자산 성능 관리 솔루션이다. HxGN APM을 통한 유지보수 효율성 및 ROI 극대화 헥사곤의 HxGN APM 솔루션을 통해 플랜트 운영 기업은 유지보수 업무의 효율성을 높이고, 조기 고장 예방 및 신뢰성 기반 정비(RBM)를 구현할 수 있다. 이는 빠른 투자 대비 효과(ROI) 달성과 운영 비용 절감으로 이어진다. IDC는 보고서를 통해 헥사곤이 이투스 디지털(Itus Digital) 인수로 예지보전, 신뢰성 전략 관리, 리스크 모델링 등 플랜트 설비 자산 성능 관리 역량을 크게 강화했다고 평가했다. HxGN APM은 주요 EAM 및 CMMS 시스템과의 표준 커넥터와 다양한 OT 시스템 연계를 지원해 정유, 가스, 화학, 발전 등 플랜트 산업 전반에 최적화된 기능을 제공한다. AI 기반 플랜트 운영 혁신과 설비 자산 트윈 기술 헥사곤 에셋 라이프사이클 인텔리전스 부문의 조 니콜스 포트폴리오 전략 및 실행 부사장은 이번 리더 선정에 대해 AI 기반 플랜트 운영 혁신에 대한 헥사곤의 지속적인 투자와 기술 경쟁력을 입증하는 결과라고 밝혔다. 헥사곤은 예측 분석, 생성형 AI, 설비 자산 트윈(Asset Twin) 기술을 통해 고객이 설비 리스크를 최소화하고 유지보수 비용을 최적화하며, 플랜트 전 생애주기에 걸쳐 안정적이고 예측 가능한 운영을 실현할 수 있도록 지원할 계획이다. 헥사곤은 이번 석유 및 가스 분야 리더 선정 외에도 글로벌 제조 산업 및 글로벌 유틸리티 플랜트 설비 자산 성능 관리 평가에서 각각 주요 공급업체(Major Player)로 이름을 올렸다. 제조 분야에서는 AI/ML 기능을 결합한 1원칙 기반의 규칙 중심 설비 자산 관리 역량을, 유틸리티 분야에서는 HxGN EAM, SAP, IBM 맥시모 등 엔터프라이즈 시스템과의 연계를 통한 다운타임 감소 및 에너지 효율 개선 성과를 인정받았다. 신규 소프트웨어 기업 옥타브 출범으로 데이터 통찰력 강화 HxGN APM은 헥사곤 AB에서 분사 예정인 신규 소프트웨어 기업 옥타브(Octave)의 핵심 포트폴리오로 자리 잡을 예정이다. 2026년 상반기 출범을 목표로 하는 옥타브는 에셋 라이프사이클 인텔리전스 사업부와 안전, 인프라, 지리공간 사업부, 그리고 ETQ와 브릭시스(Bricsys)를 통합한 순수 소프트웨어 및 SaaS 전문 기업으로 설립된다. 옥타브는 고급 데이터 분석과 AI 기반 기술을 통해 플랜트 및 산업 현장의 복잡한 데이터를 실행 가능한 인사이트로 전환할 예정이다. 이를 통해 고객의 플랜트 운영 및 유지보수 경쟁력과 의사결정 속도를 동시에 향상시킨다는 전략이다. 한편, 인터그래프코리아와 동일 기업인 헥사곤 에셋 라이프사이클 인텔리전스 사업부는 고객이 보다 수익성 있고 안전하며 지속 가능한 산업 시설을 설계, 건설, 운영할 수 있도록 지원하며 경제 및 환경 지속 가능성에 기여하고 있다.  

해마다 연말이 되면 업계에서는 새해의 전망을 내놓는다. 특히 IT 분야에서는 여러 기술 기업이 AI(인공지능)를 중심으로 한 2026년 전망을 소개했다. 2026년은 산업을 가리지 않고 AI가 본격 활용되는 해가 될 것으로 보인다. 이제는 AI를 사용하는 기업 사용자의 초점이 ‘AI를 도입해야 하는가’에서 ‘어떻게 AI를 활용해야 하는가’로 옮겨가고 있다. 지난 달 미디어 대상의 간담회를 진행한 IBM, 델 테크놀로지스, 오라클은 공통적으로 ‘데이터’가 AI를 성공적으로 정착시키고 기업의 미래를 결정짓는 핵심 자산이라고 강조했다. ■ 정수진 편집장   데이터, AI 시대 기업 경쟁력의 핵심이 되다 AI 학습을 위한 데이터의 중요성은 꾸준히 커지고 있다. AI 시대의 데이터는 단순한 정보의 기록에 그치지 않고, 기업의 미래를 결정짓는 핵심 자산이자 경쟁력의 원천이라는 것이다. 한편으로, 누구나 사용할 수 있는 범용 AI 모델이나 알고리즘만으로는 차별회된 경쟁력을 확보하기 어렵다는 목소리도 나온다. 한국IBM의 이수정 사장은 “기업이 비즈니스를 수행하며 축적해 온 기업의 고유 데이터야말로 AI를 자사에 최적화하고 실질적인 성과를 내게 하는 결정적 자산”이라고 설명했다. 델 테크놀로지스는 AI 알고리즘만으로는 차별화된 혁신을 이룰 수 없으며, 고품질의 데이터와 이에 대한 손쉬운 접근이 필수라고 짚었다.   ▲ IBM은 AI가 학습하고 활용할 수 있도록 준비된 데이터가 필요하다고 짚었다.   오라클 역시 공개된 데이터로 학습된 범용 AI 모델만으로는 기업 관점에서 신뢰할 수 있고 실질적인 가치를 창출하기에 부족하다고 보았다. 기업이 가진 문제를 해결하기 위해서는 기업 내부에 축적된 비공개 데이터를 학습하고 활용해야 하며, 누가 더 자신의 데이터를 AI에 잘 접목하느냐가 AI 시대의 경쟁력이라는 것이다.   AI의 신뢰성과 성능을 위한 데이터 활용 전략 데이터는 AI가 정확한 답변을 내놓게 하고, 고도화된 추론을 수행하게 만드는 연료가 된다. IBM은 AI, 특히 생성형 AI의 결과물 수준이 입력되는 데이터의 품질에 따라 결정된다고 보고 있다. 품질이 낮거나 관리가 안 된 데이터는 AI의 환각(hallucination) 현상으로 이어지기 때문에, 추적이 가능하고 통제된 ‘AI를 위한 데이터(AI ready data)’가 신뢰할 수 있는 AI를 만들 수 있다는 설명이다. 델 테크놀로지스는 데이터가 단순한 정보 제공을 넘어 자율형 AI 에이전트의 ‘지능’과 ‘기억’을 형성하는 데 결정적인 역할을 한다고 설명했다. 델 테크놀로지스의 존 로즈(John Roese) CTO(최고 기술 책임자) 겸 CAIO(최고 AI 책임자)는 “에이전트가 일반적인 LLM보다 똑똑해지려면 기업의 특화 데이터를 지식 그래프(knowledge graph) 형태로 변환해서 단기 및 장기 메모리를 제공해야 하며, 실시간 추론 과정에서도 정제된 데이터 공급이 필수”라고 전했다.   ▲ 델 테크놀로지스는 AI가 이해할 수 있는 데이터를 구축하는 지식 레이어의 필요성을 강조했다.   한편, 그동안 활용되지 못한 방대한 비정형 데이터를 AI가 이해할 수 있는 형태로 변환하는 것이 새로운 기회로 떠오르고 있다. IBM은 기업 데이터의 90% 이상을 차지하는 문서나 이미지 등의 비정형 데이터를 AI가 이해할 수 있도록 정형화하는 것이 AI 경쟁력의 핵심이라고 보고 있다. 델 테크놀로지스 또한 전 세계 신규 데이터의 80%가 비정형 형태로 생성되고 있다면서, 이를 효과적으로 관리하고 처리하는 역량이 미래 기업의 경쟁력이 될 것으로 전망했다. 인사이트를 얻고 데이터 주권을 확보할 수 있도록 데이터를 통합하는 것 역시 중요한 전략으로 꼽힌다. 데이터가 분산되어 있으면 AI의 지능도 조각나며, 보안이 없이는 AI 도입 자체가 불가능하다는 점도 데이터 전략이 중요해지는 배경이다. 한국오라클의 조경진 상무는 “데이터가 분산되면 기업은 단편적이고 분산된 지식밖에 얻을 수 없다”면서, “통합된 데이터를 기반으로 해야만 기업 전체를 꿰뚫는 심도 있는 인사이트를 도출할 수 있다”고 지적했다. 또한 민감한 정보가 유출되지 않도록 데이터가 저장된 원천 위치에서 보안과 통제가 이루어져야 기업이 안심하고 AI를 도입할 수 있다고 강조했다.   AI 시대의 성패는 데이터가 결정한다 세 기업은 모두 남들이 가진 일반적인 데이터나 범용 AI 모델(Public Model)만으로는 기업의 차별화된 경쟁력을 확보할 수 없다는 데 의견을 같이했다. 한편으로, 이를 실현하는 방법론에서 IBM은 ‘정제’, 델은 ‘계층화’, 오라클은 ‘내재화’를 핵심 키워드로 제시했다. IT 업계에서는 이제 AI 도입의 실험 단계를 넘어, 기업들이 실질적인 투자 수익(ROI)을 거두는 단계로 진입해야 한다고 보고 있다. 이를 위한 선결 과제는 사내 곳곳에 흩어진 데이터를 AI가 이해할 수 있는 형태로 가공하고, 강력한 거버넌스를 통해 관리해서 기업 고유의 자산을 확보하는 것이다.   ‘원유’인 데이터를 정제하는 플랫폼 IBM은 데이터 전략을 기술 전략이 아닌 경영 전략으로 보고 있다. IBM의 접근법은 데이터를 고성능의 생성형 AI를 위한 연료로 만드는 것이다. 데이터를 추적 가능하고 통제된 상태의 ‘AI를 위한 데이터’로 정제해야 한다는 설명이다. IBM은 데이터를 단순히 보관하는 것이 아니라, 매출 전환이나 고객 이탈 방지 등 구체적인 KPI와 연결해 자산 가치를 입증하는 데 주력하고 있다.   데이터 구조의 진화, ‘지식 레이어’를 구축해야 델은 IT 업계의 중심이 GPU 등의 연산(compute) 능력에서 데이터로 이동할 것으로 전망했다. 델의 해법은 인프라와 데이터 구조를 진화시키는 데에 초점을 맞춘다. 델은 기존의 시스템에 기록된 데이터를 AI 에이전트가 이해할 수 있는 벡터나 지식 그래프 형태로 변환해서, 별도의 ‘지식 레이어(knowledge layer)’를 구축해야 한다고 보고 있다. 이런 지식 레이어는 자율형 AI 에이전트에게 기억과 지능을 제공함으로써, 실시간 추론과 업무 수행을 가능하게 하는 기반이 된다.   ▲ 오라클은 데이터베이스 안에서 AI와 데이터가 결합된 통합 아키텍처를 제시했다.   데이터가 있는 곳에 AI를 오라클은 보안과 데이터 주권을 강조하면서, 데이터를 AI 모델로 가져가는 것이 아니라 데이터가 있는 곳에 AI를 심는 AI 내재화(built-in) 방식을 제안한다. 데이터베이스 자체에 AI 기능을 통합함으로써 데이터의 외부 유출을 원천 차단할 수 있다는 것인데, 이를 통해 루트 권한자가 볼 수 없는 데이터는 AI도 볼 수 없게 하는 강력한 보안을 구현한다는 설명이다. 또한, 관계형 데이터와 벡터 데이터를 통합 처리하는 융합형 데이터베이스를 통해 데이터 분산에 따른 지식의 파편화를 막고, 통합된 인사이트를 제공한다는 점을 차별화 포인트로 내세우고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

가상 제품 개발을 위한 MBSE 및 SysML의 이해와 핵심 전략 (2)   오늘날 제품 개발은 점차 복잡해지고 있으며, 다양한 기능·구조·성능 요구를 동시에 만족시켜야 한다. 이에 따라 전통적인 문서 중심의 시스템 엔지니어링 방식은 한계에 직면하고 있다. 문서 기반 방식은 사양, 인터페이스, 설계, 분석, 테스트 계획 등이 개별적으로 관리되어 추적성과 일관성이 부족하고, 변경 시 수작업이 많아 오류 가능성이 크다. 이러한 문제를 해결하기 위해 ‘모델 기반 시스템 엔지니어링(MBSE)’이 대두되었다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 연구소장   MBSE(Model-Based Systems Engineering)는 요구사항, 기능, 구조, 성능, 안전성, 비용 등 다양한 측면을 통합 시스템 모델로 표현하고 분석하여 개발 전 과정을 지원한다. SysML과 같은 표준 언어와 랩소디(Rhapsody), 카메오(Cameo), 카티아 매직(CATIA Magic) 등의 도구를 통해 모델은 단순한 도식이 아닌 설계·검증·분석의 핵심 매개체로 활용된다. MBSE는 첫째, 시스템 및 소프트웨어 개선을 지원한다. 요구사항을 명확히 시각화하여 이해도를 높이고, 아키텍처를 구조화해 통합을 용이하게 하며, 시뮬레이션 기반 사전 검증으로 설계 오류를 줄인다. 둘째, 협업과 커뮤니케이션 향상에 기여한다. 이해관계자 간 지식 격차를 줄이고, 교육 및 의사결정 도구로 활용되며, 프로젝트 참여도를 높인다. 또한, 고객·개발자·통합자·공급업체·규제기관 등 다양한 이해관계자가 참여하는 시스템 획득 과정에서 MBSE는 공통 언어로서 상호작용을 원활히 하고 요구사항 관리·검증·규제 대응까지 일관성을 제공한다. 특히 문서 기반과 MBSE 기반 방식을 비교하면, MBSE는 정보 표현의 일관성, 다중 뷰 제공, 자동화된 변경 영향도 분석, 품질 및 무결성 평가의 체계화를 가능하게 한다. 이는 복잡한 시스템의 개발 리스크를 줄이고, 비용 절감과 개발 기간 단축 그리고 신뢰성 확보에 직결된다. 결국 MBSE는 단순한 도구가 아니라, 가상 제품 개발(VPD)의 핵심 엔진으로서 차세대 제품 개발 패러다임을 뒷받침하는 전략적 전환임을 보여준다.   시스템 설명을 위한 SE 사례 과거의 시스템 엔지니어링(SE) 방식은 문서 중심(documents–centric)이었다. 이 방식에서는 시스템 사양(specifications), 인터페이스 요구사항(interface requirements), 시스템 설계(system design), 분석 및 트레이드오프(analysis & trade–off), 테스트 계획(test plans) 등의 주요 활동이 대부분 문서 형태로 작성되고 관리되었다. 이러한 문서들은 서로 연결성이 부족하고 변경 관리를 수동으로 수행해야 하는 한계가 있었다. 문서 간의 일관성을 유지하기 어려우며, 추적성(traceability)도 제한적이었다.   그림 1. 시스템 엔지니어링에서의 변화 모습   미래의 시스템 엔지니어링 방향은 모델 중심(model–centric)으로 전환되고 있다. 이 방식에서는 시스템 설명과 분석, 검증 활동이 모두 모델을 중심으로 수행된다. 모델은 다이어그램 형태로 시스템의 기능, 구조, 행동 등을 시각적으로 표현하며, 분석 도구 및 시뮬레이션 환경과 직접 연계할 수 있어 변경의 영향 분석이나 테스트 계획 수립 등도 자동화할 수 있다. 변화의 핵심은 방법론(methodology), 언어(language), 도구(tool)이며 이 변화의 중심에는 MBSE를 실현하기 위한 다음의 구성요소가 있다. 방법론은 예를 들어 OOSEM(Open-Source Systems Engineering Methodology)과 같은 절차적 방법론, 언어는 SysML(Systems Modeling Language)과 같은 표준화된 모델링 언어, 도구는 IBM 랩소디, 카메오 시스템즈 모델러(Cameo Systems Modeler), 카티아 매직 등의 모델링 도구가 있다. 이러한 구성 요소들이 유기적으로 연결되어 문서 대신 모델을 기반으로 시스템 설계를 설명하고 검증할 수 있도록 한다. 현재 시스템 엔지니어링은 문서 중심에서 모델 중심으로의 전환이 일어나고 있다. 이 변화는 단순히 표현 수단의 변화가 아니라, 시스템 개발의 추적성, 일관성, 자동화, 협업, 재사용성을 획기적으로 향상시키는 전략적 전환이며, 복잡한 시스템 개발을 보다 정밀하고 효율적으로 수행할 수 있게 한다. 따라서 기존의 문서 기반 설명을 넘어서 모델 기반 설명이 필수인 시대에 들어섰음을 강조하고 있으며, SE 전환 전략의 방향성을 명확히 보여주는 대표 사례로 볼 수 있다.   시스템 모델링 시스템 모델링은 하나의 통합된 시스템 모델을 통해 제품 또는 시스템의 다양한 측면(기능, 구조, 성능, 요구사항 등)을 동시에 표현하고 분석할 수 있는 접근 방식이다. 이러한 통합 시스템 모델은 다음과 같은 여러 하위 모델로 구성된다. 요구사항 모델(requirement model)은 시스템이 충족해야 하는 기능적/비기능적 요구사항을 표현한다. 이는 모델링의 출발점이 되며, 모든 다른 모델은 이 요구사항을 만족시키기 위해 만들어진다. 기능/행동 모델(functional/behavioral model)은 시스템이 수행해야 하는 주요 동작을 시퀀스 형태로 정의한다. 예를 들어 Start → Shift → Accelerate → Brake와 같은 모델은 사용자 또는 시스템의 동작 흐름을 추상화한 것이며, 상태 전이 또는 유스케이스 기반 모델링에 해당한다. 성능 모델(performance model)은 시스템의 성능을 정량적으로 평가할 수 있는 수식 기반의 모델이다. 예시로, 동력 방정식(power equations)과 차량 동역학(vehicle dynamics) 모델을 통해 제어 입력이 차량의 물리적 반응에 어떤 영향을 주는지 계산할 수 있다. 구조/컴포넌트 모델(structural/component model)은 시스템을 구성하는 하드웨어 또는 서브시스템 구조를 나타낸다. 예를 들어 Engine → Transmission → Transaxle(변속기 → 트랜스 액슬) 모델은 실제 구현 또는 설계를 위한 기반 구조를 제공한다. 기타 공학 해석 모델(other engineering analysis models)에는 상세 기술 모델들이 포함된다.   그림 2. 시스템 모델링의 핵심 개념과 구성 요소   이 외에도 질량 중심, 관성 모멘트 등 물리적 특성을 나타내는 Mass Property Model, 구조 강도 해석 등 Structural Model, 시스템 안전성 분석에 대한 Safety Model, 비용 예측 및 분석 모델인 Cost Model이 있다. 이러한 모델은 제품 개발의 신뢰성과 경제성을 확보하기 위해 중요한 도구이다. 따라서 통합 시스템 모델은 시스템의 여러 측면을 다루어야 한다. 즉, 단일한 관점(예 : 기능적 요구사항이나 하드웨어 구조)만 고려해서는 복잡한 시스템을 정확하게 설계하거나 검증할 수 없으며, 기능, 구조, 성능, 안전성, 비용 등 다양한 분석 도메인을 통합적으로 연결한 모델링이 필요하다는 것을 강조한다. 이는 MBSE의 핵심 원리를 반영한 구조이며, 다양한 관점에서 시스템을 이해하고 최적화하기 위해 어떻게 통합 모델이 구성되는지를 시각적으로 잘 보여준다. 이러한 접근은 복잡한 시스템 설계 시 설계 리스크를 줄이고, 변경의 영향도를 분석하며, 개발 비용과 시간을 절감하는 데 필수이다. 모델링에도 도움이 된다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

IBM은 자사의 메인프레임 시스템 IBM z17 및 IBM 리눅스원 5(IBM LinuxONE 5)에 적용 가능한 인공지능(AI) 가속기 ‘스파이어 엑셀러레이터(Spyre Accelerator)’를 정식 출시한다고 밝혔다. 스파이어 엑셀러레이터는 생성형 및 에이전트 기반 AI 업무를 지원하는 빠른 추론 기능을 제공하며, 핵심 업무의 보안과 복원력을 최우선으로 고려해 설계되었다. 12월 초부터는 파워11(Power11) 서버용 제품도 제공될 예정이다. 오늘날 IT 환경은 기존의 논리 기반 업무 흐름에서 에이전트 기반 AI 추론 중심으로 전환되고 있으며, AI 에이전트는 저지연(low-latency) 추론과 실시간 시스템 반응성을 요구한다. 기업은 처리량의 저하없이 가장 까다로운 엔터프라이즈 업무와 AI 모델을 동시에 처리할 수 있는 메인프레임과 서버 인프라를 필요로 한다. IBM은 이러한 수요에 대응하기 위해서 생성형 및 에이전트 기반 AI를 지원하면서도 핵심 데이터, 거래, 애플리케이션의 보안과 복원력을 유지할 수 있는 AI 추론 전용 하드웨어가 필수적이라고 판단했다. 스파이어 엑셀러레이터는 기업이 중요한 데이터를 사내 시스템(온프레미스, on-premise) 내에서 안전하게 관리할 수 있도록 설계되었으며, 운영 효율성과 에너지 절감 효과도 함께 제공한다.     스파이어 엑셀러레이터는 IBM 리서치 AI 하드웨어 센터의 혁신 기술과 IBM 인프라 사업부의 개발 역량이 결합된 결과물이다. 시제품으로 개발된 이후 IBM 요크타운 하이츠 연구소의 클러스터 구축과 올버니대학교 산하 ‘신흥 인공지능 시스템 센터(Center for Emerging Artificial Intelligence Systems)’와의 협업을 통해 빠른 반복 개발 과정을 거쳐 완성도를 높였다. 이렇게 기술적 완성도를 높여 온 시제품 칩은 현재는 IBM Z, 리눅스원, 파워 시스템에 적용 가능한 기업용 제품으로 진화했다. 현재 스파이어 엑셀러레이터는 32개의 개별 가속 코어와 256억 개의 트랜지스터를 탑재한 상용 시스템온칩(SoC, system-on-a-chip) 형태로 완성되었다. 5나노미터 공정 기술을 기반으로 제작된 각 제품은 75와트(Watt) PCIe 카드에 장착되며, IBM Z 및 리눅스원 시스템에는 최대 48개, IBM 파워 시스템에는 최대 16개까지 클러스터 구성이 가능하다. IBM 고객들은 스파이어 엑셀러레이터를 통해 빠르고 안전한 처리 성능과 사내 시스템 기반의 AI 가속 기능을 활용할 수 있다. 이는 기업이 IBM Z, 리눅스원, 파워 시스템 상에서 데이터를 안전하게 유지하면서도 AI를 대규모로 적용할 수 있게 되었음을 의미한다. 특히, IBM Z 및 리눅스원 시스템에서는 텔럼 II(Telum II) 프로세서와 함께 사용되어 보안성, 저지연성, 높은 거래 처리 성능을 제공한다. 이를 통해 고도화된 사기 탐지, 유통 자동화 등 예측 기반 업무에 다중 AI 모델을 적용할 수 있다. IBM 파워 기반 서버에서는 AI 서비스 카탈로그를 통해 기업 업무 흐름에 맞춘 종합적인 AI 활용이 가능하다. 고객은 해당 서비스를 한 번의 클릭으로 설치할 수 있으며, 온칩 가속기(MMA)와 결합된 파워용 스파이어 엑셀러레이터는 생성형 AI를 위한 데이터 변환을 가속화해 심층적인 프로세스 통합을 위한 높은 처리량을 제공한다. 또한 128개 토큰 길이의 프롬프트 입력을 지원하며, 이를 통해 시간당 800만 건 이상의 대규모 문서를 지식 베이스에 통합할 수 있다. 이러한 성능은 IBM의 소프트웨어 스택, 보안성, 확장성, 에너지 효율성과 결합되어, 기업이 생성형 AI 프레임워크를 기존 업무에 통합해 나가는 여정을 효과적으로 지원한다. IBM 인프라 사업부 최고운영책임자(COO)이자 시스템즈 사업부 총괄 배리 베이커(Barry Baker) 사장은 “스파이어 엑셀러레이터를 통해 IBM 시스템은 생성형 및 에이전트 기반 AI를 포함한 다중 모델 AI를 지원할 수 있는 역량을 갖추게 됐다. 이 기술 혁신은 고객이 AI 기반 핵심 업무를 보안성과 복원력, 효율성을 저해하지 않고 확장할 수 있도록 돕는 동시에, 기업 데이터의 가치를 효과적으로 끌어낼 수 있도록 지원한다”고 말했다. IBM 반도체 및 하이브리드 클라우드 부문 무케시 카레(Mukesh Khare) 부사장은 “IBM은 2019년 AI 리서치 하드웨어 센터를 설립해, 생성형 AI와 대규모 언어 모델(LLM)이 본격적으로 확산되기 이전부터 AI의 연산 수요 증가에 대응해 왔다. 최근 고도화된 AI 역량에 대한 수요가 높아지는 가운데, 해당 센터에서 개발된 첫 번째 칩이 상용화 단계에 진입해 자랑스럽다”면서, “이번 스파이어 칩의 정식 출시로 IBM 메인프레임 및 서버 고객에게 향상된 성능과 생산성을 제공할 수 있게 되었다”고 설명했다.

서울 삼성동 그랜드 인터컨티넨탈 서울 파르나스 호텔에서 ‘IBM AI 서밋 코리아(IBM AI Summit Korea)’가 열렸다. 한국IBM이 주최한 이번 행사는 “AI로 앞서가는, 더 똑똑한 비즈니스의 시작”이라는 주제로, 기업들이 AI를 어떻게 전략적으로 수용하고 활용할지에 대한 깊이 있는 논의와 경험이 공유되었다. 한국IBM 이수정 사장은 개회사에서 AI를 단순한 트렌드가 아닌 기업 경쟁력의 핵심 동인으로 강조했다. 산업 구조와 업무 방식이 AI로 재편되고 있으며, 특히 왓슨x(watsonx) 플랫폼을 중심으로 “클라이언트 제로(Client Zero)” 사례를 통해 실제 성과를 검증했다고 밝혔다. 특히 왓슨x 기반으로 비용 대비 최대 효용을 내기 위한 맞춤형 AI 모델, 그리고 각 산업과 업무 영역에 특화된 접근 방식이 중요하다고 강조했다. IBM 아시아 태평양 총괄 한스 데커스 사장은 '가능성을 현실로, AI로 실현하는 비즈니스의 새로운 지평'을 주제로 데이터 중심, 아키텍처 + 실행 전략이 AI 성공의 열쇠라고 강조했다. 투자 대비 수익(ROI)을 실질적으로 확보하는 기업이 적은 현실(클라우드+AI 도입 기업 중 약 25%만이 만족할 만한 ROI를 실현)에서 왓슨x 포트폴리오 등이 그 한계를 극복할 수 있는 가능성을 제시했다. 특별 강연으로 궁금증뇌연구소 대표인 장동선 박사가 참여해 '뇌과학자가 바라보는 AI 시대의 미래'를 주제로, 뇌과학 관점에서 본 AI 시대의 인간과 기술의 공존에 대해 이야기했다. 장 박사는 AI와 함께 살아가야 하는 시대일수록 인간과 인간이 연결 고리는 더욱 중요해질 것이라고 말했다. 한편, 현장 전시에서는 IBM의 왓슨x 기술이 실제 기업 환경에서 어떻게 적용되는지를 보여주는 ‘페르소나 기반 AI 여정’이 눈길을 끌었다. 인사, 구매, 영업 등 현업 부서와 AI 혁신팀, 데이터팀, IT 운영팀 등 기술 조직을 각각의 페르소나로 설정하고, 각 조직이 직면한 과제를 AI가 어떻게 해결하는지를 시나리오 중심으로 구성했다. 예를 들어, HR 부서는 채용 프로세스 자동화와 직원 경험 개선, 영업 부서는 예측 기반 고객 관리, IT 운영 부서는 운영 리스크 탐지 및 자동 대응 등 각 부서의 니즈에 맞춘 왓슨x 기반 AI 활용 사례가 전시되었다. 이를 통해 참가자들은 기술 중심이 아닌 업무 중심의 AI 적용 방식을 직접 체험할 수 있었다.