아마존웹서비스(AWS)가 인공지능(AI) 에이전트의 행동을 개별 작업 단위뿐만 아니라 연속된 작업의 흐름까지 검증할 수 있는 오픈소스 정책 언어 ‘도그우드(Dogwood)’를 공개했다. AWS는 도그우드를 기반으로 한 시간 기반 정책(temporal policies)을 아마존 베드록 에이전트코어(Amazon Bedrock AgentCore)의 정책 기능인 에이전트코어 정책(AgentCore Policy)에 새롭게 적용했다. 이와 함께 에이전트코어 게이트웨이(AgentCore Gateway)에 속도 제한 기능도 추가했다. 시간 기반 정책을 지원하는 도그우드는 AI 에이전트를 위해 설계된 새로운 오픈소스 정책 언어다. 도그우드는 에이전트의 최근 이벤트 이력을 참조할 수 있는 시간 조건을 추가한다. 이를 통해 에이전트의 이전 행동 이력을 바탕으로 도구 사용 순서, 사전 조건, 빈도 및 누적 사용량 등에 대한 정책을 표현할 수 있다. 도그우드는 시간과 순서를 다루는 수학 분야인 시간 논리를 기반으로 설계됐다. 또한 정책이 실제로 무엇을 허용하고 무엇을 막는지 실행 전에 분석할 수 있다. AI 에이전트는 작업을 수행하면서 스스로 다음 행동을 결정한다. 이 때문에 각 단계가 개별적으로는 문제가 없어도 전체 행동의 흐름에서는 위험한 패턴이 나타날 수 있다. 예를 들어 고객 계좌를 조회한 뒤 조회하지 않은 다른 계좌로 송금하거나, 승인 한도 이하의 주문을 여러 차례 실행해 전체 예산을 초과할 수 있다. 오류가 발생한 도구를 반복해서 재시도하며 토큰 예산을 소진하는 문제도 발생한다. 맥킨지(McKinsey)의 조사에 따르면 조직의 약 80%가 이미 AI 에이전트의 위험한 행동을 경험했다. 보안 및 리스크에 대한 우려는 에이전틱 AI 확산의 가장 큰 걸림돌로 꼽힌다.     기존 에이전트코어 정책은 접근 권한을 제어하는 오픈소스 정책 언어 시더(Cedar)를 기반으로 각 도구 호출을 독립적으로 평가했다. 각 요청을 빠르고 일관되게 평가할 수 있지만, 여러 행동이 이어지는 흐름 자체를 규칙으로 표현하기는 어려웠다. 새롭게 제공되는 시간 기반 정책은 현재 요청뿐 아니라 해당 세션에서 에이전트가 이미 수행한 행동을 함께 살펴본다. 이를 바탕으로 도구 호출의 허용 여부를 판단한다. 앞선 호출의 반환값과 다음 호출의 입력값이 일치하도록 요구할 수 있다. 에이전트가 사용한 누적 금액을 계산해 누적 금액이 예산 한도에 도달하면 개별 결제가 한도 이하여도 다음 결제를 차단한다. 특정 단계가 정해진 순서에 따라 수행되도록 하거나, 중요한 행동에 앞서 사람의 승인이 선행되도록 요구하는 정책도 설정할 수 있다. 시간 기반 정책은 에이전트 자체 코드가 아닌 게이트웨이 계층에서 적용된다. 에이전트는 정책 로직을 볼 수 없으며, 프롬프트 인젝션이나 에이전트 코드의 결함으로도 정책을 스스로 변경하거나 우회할 수 없다. 정책 결정은 기본 거부 원칙에 따라 이뤄지고 감사 로그에 관련 맥락과 함께 기록된다. 도그우드는 기존 시더 정책과 호환되므로 기존 정책을 재작성하거나 마이그레이션하지 않고 그대로 사용할 수 있다. 시더의 기존 권한 부여 원칙도 그대로 유지한다. 도그우드는 아파치 2.0(Apache 2.0) 라이선스의 오픈소스 사양 및 참조 구현으로 제공된다.

제품 개발의 완성도를 높이는 크레오 파라메트릭 13 (1)   이번 호에서는 크레오 파라메트릭 13(Creo Parametric 13)에서 인터페이스와 작업 효율을 높여주는 개선사항에 대 해 알아보자.   ■ 박수민 디지테크 기술지원팀의 과장으로 크레오 전 제품의 기술지원 및 교육을 담당하고 있다. 홈페이지 | www.digiteki.com   크레오 파라메트릭 13에서는 대형 어셈블리 작업 시 모델 트리와 강조 표시 성능이 향상되었으며, 도구 설명과 컨텍스트 메뉴도 개선되었다. 또한 모델을 탭으로 열고 전환하는 기능과 표시 유형 제어 그리고 설계 트리에서 보디와 퀼트를 선택하는 기능 등이 추가되어 반복적인 작업을 줄일 수 있게 되었다. 이번 개선사항들은 새로운 작업 방식을 별도로 익혀야 하는 기능이라기보다는, 기존에 자주 사용하던 트리 조작과 선택 및 표시 작업 그리고 오류 확인 작업을 더 빠르고 명확하게 수행할 수 있도록 다듬어진 항목들이다. 각 기능이 어떤 작업에서 사용되는지 실제 설계 작업에서 어떤 점이 편리해졌는지 하나씩 살펴 보자.   향상된 모델 트리 성능 크레오 파라메트릭 13에서 대형 어셈블리 작업을 할 때 모델 트리의 성능이 개선되었다. 모델 트리 노드와 관련 열을 업데이트하는 과정이 최적화되어, 트리를 새로 고치거나 항목을 조작할 때 더 부드럽게 반응한다. 특히 부품 수가 많고 트리 구조가 복잡한 어셈블리에서는 모델 트리를 확장하거나 필요한 정보를 확인하는 시간이 작업 흐름에 영향을 줄 수 있다. 이번 개선으로 모델 트리 성능이 향상되어 대형 어셈블리 환경에서 더 빠르게 트리 정보를 확인할 수 있다. 모델 트리 성능은 최대 15% 더 빨라졌으며 복잡한 모델을 자주 다루는 작업자에게는 체감되는 응답 속도 개선이 될 수 있다. 모델 트리는 설계 구조를 확인하고 피처나 컴포넌트를 선택하는 기본 작업 공간이다. 트리의 새로 고침 속도가 빨라지면 대형 어셈블리에서 항목을 찾거나 열 정보를 확인할 때 기다리는 시간이 줄어들고, 선택한 항목의 상태를 더 안정적으로 확인할 수 있다.     강조 표시 : 개선된 성능 강조 표시와 미리 강조 표시의 성능도 개선되었다. 서피스가 많은 모델에서 객체를 선택하거나 마우스를 올려 미리 강조 표시할 때 속도를 높이기 위해 선택 프로세스가 개선된 것이다. 서피스 수가 많은 퀼트나 보디가 포함된 모델에서는 객체를 선택할 때 표시 반응이 느려질 수 있다. 크레오 파라메트릭 13에서는 이런 상황에서 강조 표시가 적용되기를 기다리는 시간을 줄여 모델링 작업을 좀 더 자연스럽게 진행할 수 있다. 기본적으로 ‘highlight_skip_small_surfaces’ 구성 옵션은 ‘yes’로 설정되어 있으며 강조 표시할 때 일부 작은 서피스를 건너뛰도록 되어 있다. 작은 서피스까지 포함하여 강조 표시하고 싶다면 이 옵션을 ‘no’로 설정할 수 있다. 다만 면 처리 모델의 성능은 이 개선사항에 포함되지 않는다. 작은 서피스를 건너뛰는 방식은 화면 반응 속도를 높이는 데 도움이 된다. 반대로 아주 작은 서피스까지 선택 상태를 확인해야 하는 작업에서는 옵션 값을 조정하여 선택 범위를 넓힐 수 있으므로, 모델의 복잡도와 작업 목적에 맞게 설정하는 것이 좋다.     컨텍스트 명령에 대한 도구 설명 마우스 오른쪽 버튼을 클릭하면 나타나는 컨텍스트 명령에도 도구 설명이 추가되었다. 명령 위로 마우스 커서를 가져가면 해당 명령의 설명과 사용에 필요한 안내가 표시된다. 특히 명령이 비활성화되어 있을 때도 관련 정보를 확인할 수 있어, 왜 해당 명령을 사용할 수 없는지 또는 어떤 조건에서 사용할 수 있는지 이해하는 데 도움이 된다. 작업 중인 화면을 벗어나지 않고 바로 명령의 의미를 확인할 수 있다는 점에서 사용자 경험이 개선되었다. 이 기능은 처음 사용하는 명령뿐 아니라 자주 사용하지 않는 명령을 확인할 때도 유용하다. 별도의 창을 열지 않아도 현재 메뉴 안에서 필요한 정보를 바로 확인할 수 있어, 작업 흐름을 유지하면서 다음 동작을 판단할 수 있다.     도구 설명 향상 크레오 파라메트릭 13에서는 향상된 도구 설명이 스케쳐 영역까지 확장되었다. 도구 설명에는 텍스트뿐 아니라 시각적인 이미지가 함께 제공되어 도구의 역할을 더 쉽게 파악할 수 있다. 기존에는 아이콘이나 도구 이름만 보고 기능을 판단해야 하는 경우가 있었지만, 개선된 도구 설명을 활용하면 각 도구가 어떤 작업에 사용되는지 좀 더 명확하게 이해할 수 있다. 특히 스케쳐처럼 명령 수가 많고 비슷한 아이콘이 함께 표시되는 환경에서는 시각적인 설명이 도움이 된다. 도구의 동작을 미리 이해하고 선택할 수 있어 불필요한 명령 실행이나 취소 작업을 줄일 수 있다.       ■ 자세한 기사 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (8)   이번 호에서는 어떠한 형식의 해석 입출력 파일이라도 직관적이고 효율적으로 연결할 수 있도록 돕는 5가지 태깅 모드(tagging mode)의 원리와 특징을 소개한다. 나아가 수십· 수백 개의 매개변수를 다룰 때 작업 시간을 획기적으로 단축할 수 있는 오토 태깅(auto-tagging) 워크플로와 파이썬 로직을 결합한 고급 실무 활용 사례까지 함께 살펴보고자 한다. 이를 통해 데이터 연결 작업의 진입 장벽을 낮추고, 설계 탐색에 온전히 집중할 수 있는 방향을 제시할 것이다. ■ 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   시뮬레이션 자동화 및 최적화 프로세스를 성공적으로 구축하기 위해 가장 기본적이면서도 중요한 단계는 바로 해석 모델과 최적화 알고리즘 간의 ‘매개변수(parameter) 연결’이다. 최적화 알고리즘이 광범위한 설계 공간을 탐색하기 위해서는, 매 해석 사이클마다 입력(input) 파일의 특정 변수 값을 변경하여 모델을 구동하고, 해석이 완료된 후에는 수많은 데이터가 담긴 결과(output) 파일에서 원하는 성능 지표를 한 치의 오차 없이 추출할 수 있어야 한다. 심센터 HEEDS(Simcenter HEEDS)는 이러한 매개변수 연결 과정을 ‘태깅(tagging)’이라는 직관적이고 유연한 기능으로 제공한다. 사용자가 입력 파일의 특정 위치를 태깅하면, HEEDS(히즈)는 기존에 적혀 있던 기준값(baseline value)을 새로운 설계안의 값으로 치환하여 해석을 수행한다. 반대로 출력 파일에서 특정 위치를 태깅하면, HEEDS는 해당 위치의 데이터를 읽어와 최적화 결과 지표로 활용한다. 이번 호에서는 단순한 텍스트 파일부터 복잡한 상용 해석 툴의 데이터 구조까지, 어떠한 형태의 파일이라도 매끄럽게 연결할 수 있도록 HEEDS가 제공하는 다섯 가지 태깅 모드를 깊게 살펴본다. 아울러 이 과정에서 사용자 인터페이스(UI)가 어떻게 구성되어 있는지, 수백 개의 변수를 다룰 때 작업 효율을 어떻게 극대화할 수 있는지 통합적인 관점에서 소개한다.   그림 1. HEEDS의 태깅 개념   직관적인 UI를 결합한 5가지 태깅 모드 딥다이브 HEEDS는 해석 툴의 특성과 파일 구조의 복잡성에 따라 맞춤형으로 대응할 수 있는 5가지의 태깅 모드를 제공한다. 각 모드는 사용자 친화적인 설정 화면과 함께 고유의 파싱(parsing) 능력을 발휘한다.   구분자/고정 폭 기준 태깅 : 정적 ASCII 파일의 완벽한 제어 해석 입출력 파일로 가장 널리 쓰이는 CSV나 텍스트(TXT) 형식의 파일은 보통 특수한 기호로 데이터가 구분되어 있거나, 일정한 글자 폭을 기준으로 데이터가 나열되어 있다. 구분자 기준 태깅(Delimited Tagging) : 공백(space), 탭(tab), 쉼표(comma) 등의 구분자(delimiter)를 기준으로 파일을 행과 열로 분할한다. 엑셀과 같이 익숙한 스프레드시트 형태로 파일 내용이 표시되며, 사용자는 원하는 셀을 클릭하여 태그를 생성할 수 있다. 필요에 따라 `="()`와 같은 복잡한 사용자 정의 구분자도 추가할 수 있어 유연성이 높다. 고정 폭 기준 태깅(Fixed-Width Tagging) : 과거부터 사용되어 온 일부 레거시 FEA 코드(예 : 나스트란 등)는 열 너비(column width)가 엄격하게 정해져 있어, 값이 특정 위치를 벗어나면 해석 오류를 일으킨다. HEEDS는 이러한 파일의 열 너비를 시각적으로 지정하여 데이터를 분할할 수 있게 해주며, 태깅된 변수에 값을 쓸 때도 지정된 고정 폭(fixed-width format)을 유지하도록 보장한다.   그림 2. 구분자 및 고정폭 설정 예시   그림 3. 구분자 및 고정 폭 설정 예시   XML 태깅과 계층 구조 제어 최신 해석 툴이나 복잡한 설정 파일은 태그(element)와 속성(attribute)이 중첩된 트리 형태의 XML(또는 HTML) 형식을 취하는 경우가 많다. XML 파일은 구조적이지만, 사람이 직접 텍스트로 보며 태깅하기에는 눈이 쉽게 피로해진다. HEEDS의 XML 태깅 모드는 파일을 파싱하여 ‘요소 ID(element ID)’와 ‘태그 값(tag value)’만을 깔끔한 표 형태로 나타낸다. 여기서 가장 돋보이는 기능은 XML Element Configuration 창에서 불필요한 하위 요소(child elements)의 표시 여부를 체크박스로 켜거나 끄는 것이 가능하다는 점이다. 이를 통해 사용자는 수만 줄에 달하는 방대한 XML 파일에서도 원하는 데이터 노드만을 화면에 필터링해 띄워 놓고 손쉽게 태깅을 진행할 수 있다.   그림 4. XML 파싱 및 하위 요소 제어 화면   스크립트 태깅의 강력한 커스터마이징과 즉각 검증 해석이 끝난 후 생성되는 결과 파일(예 : `*.f06`, 동적 `*.csv` 등)은 매 해석마다 출력되는 텍스트의 줄 수나 위치가 달라질 수 있다. 이런 동적인 파일 구조에서는 고정된 행/열을 지정하는 방식이 통하지 않는다. 이때 HEEDS 고유의 스크립트 태깅(script tagging)이 진가를 발휘한다. 파이썬(Python) 기반으로 설계된 이 모드는 코딩 지식이 없어도 제공되는 버튼 명령어를 블록 쌓듯 조합하여 강력한 스크립트를 작성할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

대한기계학회 가상제품개발연구회(VPD연구회)가 리스케일과 공동으로 주관한 ‘2026 춘계 심포지엄’이 7월 3일 서울 강남구 포스코타워 역삼 이벤트홀에서 개최됐다. ‘에이전틱 VPD : AI 에이전트가 이끄는 제품개발 혁신’을 주제로 열린 이번 심포지엄에서는 AI 에이전트와 가상제품개발(VPD : Virtual Product Development)의 융합이 제품 설계와 검증, 엔지니어링 프로세스를 어떻게 변화시키고 있는지를 산업계와 학계의 다양한 사례를 통해 조망했다. ■ 최경화 국장     이번 심포지엄은 가상제품개발연구회 박종원 연구회장(한국기계연구원)의 개회사와 대한기계학회 리광훈 회장의 축사로 시작됐다. 참석자들은 단순한 분석과 예측을 넘어 AI가 목표를 이해하고 계획을 수립하며 실행하는 ‘AI 에이전트’ 시대로 접어들면서, 전통적인 시뮬레이션과 제품 개발 방식이 어떻게 변화하고 있는지를 공유했다. 특히 축적된 엔지니어링 데이터와 물리 기반 모델, 디지털 플랫폼, AI 에이전트가 결합한 새로운 제품 개발 패러다임이 주요 화두로 제시됐다.   AI 에이전트 기반 하네스 엔지니어링과 VPD의 미래 기조강연에 나선 경희대학교 임재혁 교수는 ‘에이전트 기반 하네스 엔지니어링과 VPD의 미래’를 주제로 AI 에이전트가 제품개발에 가져올 변화를 소개했다. 임 교수는 VPD를 “실물 중심의 개발을 가상 모델 기반으로 전환해 개발 효율과 완성도를 높이는 기술”이라고 정의하며, 기존 대규모 언어 모델(LLM)과 LLM 에이전트의 차이를 설명했다. 그는 기존 LLM이 단일 응답 생성에 머무르는 반면, LLM 에이전트는 CAD·CAE API 호출, 파이썬(Python) 함수 실행, 서브 에이전트 협업 등을 통해 복합 업무를 자율적으로 수행할 수 있다고 설명했다. 또한 여러 에이전트가 역할을 분담해 병렬로 작업하는 멀티 에이전트 시스템(multi-agent system)이 제품개발 자동화의 핵심 기술이라고 소개했다. 이어 LLM 하네스(harness)에 대해서는 “강력한 LLM을 안전하고 재현 가능하게 활용하기 위한 실행 환경”이라며, 스킬(skill)이 ‘무엇을 수행할 것인가’라면 하네스는 ‘어떻게 안전하게 실행할 것인가’를 담당하는 개념이라고 설명했다. 발표에서는 12U 큐브샛(CubeSat) 개발 사례도 소개됐다. 우 주 모빌리티와 위성 개발은 높은 복잡성과 전문가 부족, 설계 도구의 분산 등으로 개발 난이도가 높다. 이를 해결하기 위해 총괄 에이전트를 중심으로 요구사항 분석, 부품 추천, 형상·배치 설계, 구조 및 열 해석(PINN 기반 가상 센싱 포함)을 담당하는 서브 에이전트를 유기적으로 연결한 설계 시스템을 구축했다고 밝혔다.   데이터와 AI가 만드는 ‘예측하고 발견하는’ VPD 첫 번째 세션에서는 리스케일 김정훈 팀장이 ‘엔지니어링 데이터 기반 가상제품개발과 AI 활용 방향’을 발표했다. 김 팀장은 기존 VPD가 시뮬레이션을 수행하는 데 초점을 맞췄다면, AI 시대에는 데이터를 기반으로 결과를 예측하고 새로운 설계 대안을 발견하는 방향으로 진화하고 있다고 설명했다. 기존 워크플로는 해석 결과가 일회성으로 활용되고 전문가 경험에 의존하는 한계가 있었지만, AI 기반 환경에서는 수천 건의 시뮬레이션을 동시에 수행하고 엔지니어링 데이터를 재사용 가능한 자산으로 축적할 수 있다. 축적된 데이터를 활용해 AI가 성능을 예측하고 최적 설계를 탐색하는 체계가 가능해진다는 것이다. 또한 리스케일은 클라우드 기반 HPC 플랫폼에서 출발해 엔지니어링 데이터 자산화와 AI 물리 기반 기술을 접목한 디지털 엔지니어링 플랫폼으로 진화하고 있다고 소개했다. 그리고 멕라렌, 다이킨, 붐 슈퍼소닉의 적용 사례를 통해 AI 기반 엔지니어링의 실효성도 제시했다.   중공업 및 건설 기계 산업 VPD 현황과 미래 과제 HD현대사이트솔루션 곽성규 상무는 ‘HD건설기계에서의 VPD 현황과 미래 과제’를 발표했다. 이 회사는 굴착기와 휠로더, 지게차 등 다양한 건설 기계를 개발하면서 구조, 유압, 제어, 열, 진동 등 복합 물리 현상을 동시에 검증해야 한다. 이 회사는 2012년부터 VPD 기반을 구축해 최근 5년 동안 건설 기계 179기종과 엔진 44 기종 개발에 적용하며 개발 체계를 지속적으로 고도화해 왔다. 제품 기획부터 상세 설계, 시제품 검증까지 1D 시스템 모델 기반 성능 시뮬레이션을 적용해 목표 성능과 시스템 아키텍처를 검증하고 있으며, AI 기반 지능형 VPD와 XR(확장현실) 기반 Virtual Proto Review 환경도 구축했다. 특히 ‘만들기 전에 보고 검증한다’는 개념 아래 개발자들이 가상 공간에서 시제품을 체험하고 조립성과 시야를 검토할 수 있도록 했다. 또한 웹 기반 VPD(webVPD) 환경과 자동화된 해석 프로세스를 구축해 구조 강도, CFD 기반 열유동, 진동·소음 해석 등을 통합 수행하고 있으며, 이를 통해 개발기간(time-to-market : TTM) 단축과 개발 비용 절감 효과를 거두고 있다고 소개했다.   모빌리티와 전자산업으로 확산되는 버추얼 제품 개발 오후 세션에서는 자동차와 전자산업의 VPD 적용 사례가 이어졌다. 현대자동차 박제승 실장은 ‘차량 아키텍처 단계 버추얼 타이어 개발’을 주제로 발표했다. 전기차는 무거운 배터리와 높은 초기 토크, 반복적인 회생제동 등으로 타이어에 가해지는 부하가 크게 증가한다. 이에 현대자동차는 초기 설계 단계에서 타이어 설계 변수와 차량 성능 KPI를 연계하는 데이터 기반 버추얼 개발 체계를 구축해 실차 시험 이전 단계에서 성능을 확보하는 개발 방식을 추진하고 있다고 설명했다. 이어 현대모비스 송준영 팀장은 ‘제품개발의 AX - 현대모비스 추진 현황’, LG전자 박만수 실장은 ‘LG전자 HS본부의 VPD 추진 방향’을 발표하며 제조업 전반에서 AI 전환(AX)과 버추얼 제품 개발이 품질 향상과 개발 리스크 감소의 핵심 전략으로 자리잡고 있다고 소개했다. 마지막 발표자인 전북대학교 이수민 교수는 ‘데이터 기반 최적 설계를 통한 피지컬 AI’를 주제로 데이터 기반 설계 최적화와 AI 활용 방향을 제시했다.   ▲ 패널토론   에이전틱 AI 엔지니어링 시대 본격화 모든 발표가 끝난 뒤에는 연구회 임원진과 발표자들이 참여한 패널 토론이 진행됐다. 참석자들은 ‘디지털 엔지니어링 고도화와 AI 에이전트 기반 VPD 혁신 방향’을 주제로 의견을 나누며, 산업 분야는 서로 다르지만 엔지니어링 데이터를 표준화하고 디지털 자산으로 축적하는 것이 AI 기반 제품 개발의 핵심이라는 데 공감했다. 또한 AI 에이전트가 축적된 데이터를 기반으로 설계와 해석, 최적화, 의사결정을 지원하는 방향으로 발전하고 있다는 점도 공통된 의견으로 제시됐다. 이번 춘계 심포지엄은 반복적인 해석 업무를 자동화하는 수준을 넘어 AI 에이전트가 설계와 검증, 최적화를 주도하는 에이전틱 엔지니어링(agentic engineering) 시대가 본격화되고 있음을 보여준 자리였다. AI는 단순한 설계 지원 도구를 넘어 엔지니어링 프로세스 전반을 연결하고 의사결정을 지원하는 핵심 기술로 자리매김하고 있으며, VPD 역시 시뮬레이션 중심에서 데이터와 AI 에이전트가 융합된 새로운 디지털 엔지니어링 단계로 진화하고 있음을 확인할 수 있었다.   ▲ VPD연구회 2026 춘계 심포지엄 참가자 단체사진     ■ 기사 내용은 PDF로도 제공됩니다.

트렌드에서 얻은 것 No. 34   지난 7월, 필자는 ‘데이터공작소’ 온톨로지 스터디 그룹에서 ‘지식그래프 : AI와 온톨로지로 여는 지식혁명’(이강배 저)의 3장을 주제로 발표를 진행했다. 발표 제목은 ‘온톨로지의 개념, 그리고 컨셉맵’이었다. 이 글은 그날의 발표를 제조기업의 경영자와 실무자를 위해 다시 정리한 것이다. 그리고, 글의 끝에서 8월에 출간되는 필자의 새 책 이야기를 잠시 나누려 한다. 두 이야기는 겉보기엔 다르지만, 결국 하나의 질문으로 만난다. “AI 시대, 우리의 경험과 지식은 어떻게 시스템 위에서 다시 움직이는가?”   “좋습니다. 그런데 실제로 되는 겁니까?” 제조기업의 회의실 풍경이 달라지고 있다. 예전에는 잘 정리된 문서와 유창한 설명이 설득의 무기였다. 지금은 다르다. AI 도입 보고가 끝나면 경영진은 이렇게 묻는다. “좋습니다. 그런데 실제로 되는 겁니까?” 방향이 아니라 증거를, 설명이 아니라 결과를 요구하는 시대가 된 것이다. 그런데 막상 ‘실제로 되게’ 하려고 하면, 대부분의 제조기업은 같은 벽에 부딪힌다. 데이터는 많은데 연결이 안 된다. ERP, MES, PLM, CRM에 수십 년 치 데이터가 쌓여 있지만 같은 부품이 부서마다 다른 코드로 등록되어 있고, 같은 고객이 시스템마다 다른 이름으로 존재한다. AI에게 “이번 달 출하 지연 리스크를 요약해 달라”고 묻고 싶어도, AI는 우리 회사의 ‘출하’가 무엇이고 ‘지연’의 기준이 무엇인지 알지 못한다. 데이터는 있지만 ‘의미’가 없기 때문이다. 이 문제를 정면으로 겨냥한 개념이 바로 온톨로지(ontology)다. 미 국방부와 BMW, 에어버스같은 기업들이 팔란티어(Palantir) 플랫폼에 주목하는 이유도, 그 중심에 온톨로지가 있기 때문이다.   ▲ 제미나이로 생성한 이미지 (클릭하면 큰 그림으로 볼 수 있습니다.)   온톨로지, 어렵지 않다 − 출석부와 우리 반 지도 온톨로지라는 단어는 철학의 존재론에서 왔다. 낯설게 들리지만, 개념 자체는 초등학생도 이해할 수 있다. 전학 온 친구에게 우리 반을 소개하는 상황을 떠올려 보자. 이름만 쭉 적힌 출석부를 건네는 방법이 있고, ‘민수는 축구를 좋아하고, 지우와 짝꿍이다’처럼 관계를 그린 지도를 건네는 방법이 있다. 출석부는 데이터의 나열이고, 지도는 지식의 구조다. 어느 쪽이 우리 반을 더 잘 설명하는지는 물을 필요도 없다. 이 지도에는 온톨로지의 재료 네 가지가 모두 들어 있다. ‘3반 친 구’라는 범주가 클래스(class), 민수와 지우라는 실제 인물이 인스턴스(instance), 키 145cm와 같은 특징이 속성(attribute), ‘짝꿍이다’라는 연결이 관계(relationship)다. 책은 이를 노트북으로 설명한다. ‘컴퓨터’와 ‘노트북’은 클래스, ‘LG 그램’은 인스턴스, ‘사양과 가격’은 속성, ‘노트북은 컴퓨터에 포함된다’는 관계다. 회사 버전으로 바꾸면 이렇게 된다. ‘고객·제품·설비’가 클래스, ‘A 조선소와 스크러버 1호기’가 인스턴스, ‘소재지·등급·가동 상태’가 속성, ‘A 조선소는 스크러버를 발주했다’가 관계다. 스탠포드대학교의 토마스 그루버 교수는 온톨로지를 “공유된 개념화의 정형화되고 명시적인 명세”라고 정의했다. 어렵게 들리지만 세 조각으로 나누면 명료하다. ‘공유된 개념화’란 부서마다 다르게 부르던 용어를 하나로 합의한 회사 공용어 사전이다. ‘정형화·명시적’이란 베테랑의 머릿속 암묵지를 규정집처럼 명문화하는 것이다. ‘명세’란 그것을 사람만이 아니라 시스템도 읽을 수 있는 업무 문법으로 만드는 것이다. 한 줄로 줄이면, 책 76쪽의 표현 그대로 “특정 분야의 지식을 구조화하여 컴퓨터가 이해하고 처리할 수 있도록 표현한 것”이다.   스키마가 이미 있는데, 왜 온톨로지인가 실무자들이 가장 많이 던지는 질문이 있다. “우리 데이터베이스에도 이미 테이블 설계, 즉 스키마가 있는데 뭐가 다릅니까?” 책 3.1.1이 정확히 이 질문에 답한다. 스키마(schema)는 데이터의 구조를 정의한다. 고객 테이블에 이름과 나이 컬럼이 있다는 식이다. 반면 온톨로지는 ‘고객은 사람의 하위 클래스이고, 구매 행동을 수행할 수 있다’는 지식 자체를 모델링한다. 스키마의 모델링 대상이 ‘데이터’라면, 온톨로지의 대상은 ‘개념과 개념 간 관계’이며, 결정적 차이는 추론 가능 여부다. 제조 현장의 언어로 옮기면 차이가 더 선명해진다. ‘선박 코드 SHIP-001, 블록 ID BLK-A-017, 작업 ID WLD-0342’라고 코드를 나열하는 것이 기존 데이터 모델이라면, 온톨로지는 ‘선박은 블록으로 구성된다, 블록은 용접작업을 필요로 한다, 용접은 특정 자격을 가진 작업자만 수행한다, 모든 작업은 규정된 품질 기준을 따라야 한다’는 업무의 문법을 시스템에 심는다. 이 문법이 있어야 설계 변경이 발생했을 때 시스템이 영향받는 블록을 스스로 추적하고, 작업을 재계획하고, 지연 리스크를 예측할 수 있다. 사람이 엑셀로 하루 걸리던 영향 분석이 관계를 따라 실시간으로 이루어지는 것이다. 팔란티어가 조선·자동차 산업에서 보여주는 시나리오가 정확히 이것이며, 그 구동 방식은 다섯 단계다. 레거시 데이터를 옮기지 않고 연결하고, 그 위에 온톨로지 계층을 얹어 의미를 부여하고, 현장이 쓰는 업무 앱을 제공하고, 조치의 비용과 리스크를 시뮬레이션하고, 마지막으로 AI(AIP)가 실행까지 연결한다. 스키마가 ‘데이터를 담는 그릇의 규격’이라면, 온톨로지는 ‘지식의 의미와 규칙까지 담는 모델’이다. 그리고 이 온톨로지라는 설계도에 실제 데이터를 채워 넣은 결과물이 지식 그래프(knowledge graph)다. 구글의 의미 검색과 아마존의 추천이 이미 그 위에서 돌아가고 있다.   회의실의 콘셉트맵이 시스템의 온톨로지가 되기까지 여기서 필자가 오래 다뤄 온 주제인 콘셉트맵(concept map) 이 등장한다. 1970년대 코넬대학교의 조셉 노박이 개발한 콘셉트 맵은 개념(상자)과 연결어(화살표 위의 단어)로 명제를 그리는 생각의 지도다. ‘온톨로지는 지식 그래프의 청사진이다’처럼, 개념−연결어−개념이 한 문장을 이룬다. 흥미로운 것은 이 명제 구조가 지식 그래프의 기본 단위인 트리플(주어−술어−목적어)과 정확히 같다는 점이다. 콘셉트맵과 온톨로지는 같은 뿌리에서 나온, 독자가 다른 두 표현이다. 콘셉트맵은 사람이 읽는 지식의 스케치이고, 온톨로지는 기계까지 읽는 지식의 도면이다. 그래서 필자는 두 가지를 경쟁 관계가 아니라 ‘한 정의의 앞뒤 반쪽’이라고 부른다. 그루버의 정의로 돌아가 보면, 전문가들이 모여 콘셉트맵을 그리고 용어를 표준화하는 과정이 ‘공유된 개념화’이고, 그 합의를 클래스·관계·규칙으로 변환해 시스템에 싣는 과정이 ‘정형화되고 명시적인 명세’다. 콘셉트맵 없이 온톨로지를 만들면 합의 없는 표준이 되고, 온톨로지 없이 콘셉트맵만 있으면 그림으로 끝난다. 실무 적용법은 단순하다. 업무 인터뷰와 워크숍의 대화를 실시간 콘셉트맵으로 기록해 암묵지를 형식지로 바꾸고, 부서 간 용어 합의의 회의 도구로 쓰고, 합의된 맵을 개념은 클래스로, 연결어는 관계로 변환해 온톨로지 설계의 초안으로 삼는 것이다. 도구는 시맵(Cmap)이든 화이트보드든 상관없다. 경영자에게 강조하고 싶은 지점이 있다. 온톨로지 프로젝트의 성패는 기술이 아니라 합의에서 갈린다. 그리고 품목 명칭조차 통일되지 않은 상태라면 어떤 온톨로지도 그 위에 설 수 없다. 그래서 현실적인 로드맵은 전사 빅뱅이 아니라, 효과가 분명한 핵심 도메인 하나(예컨대 품목, BOM, 변경 관리)를 골라 콘셉트맵으로 합의를 만들고, 온톨로지로 정형화하고, 데이터를 채워 인접 도메인으로 확장하는 것이다. 책도 균형 있게 짚는다. 도메인이 복잡할수록 설계와 유지보수가 어렵고 주기적 갱신 부담이 있다. 그러니 작게 시작해야 한다.   그리고, 바이브코딩 − 8월의 새 책 이야기 온톨로지가 ‘조직의 지식’을 시스템이 이해하게 만드는 일이라면, 개인 차원에서 같은 전환을 다룬 이야기가 있다. 오는 8월 출간 예정인 필자의 새 책, ‘베테랑 기획자의 바이브코딩 도전기’다. “나는 아직 유효한 사람인가.” — 회의실에서 젊은 동료들이 빠르게 도구를 다루는 모습을 볼 때, 은퇴라는 단어가 더 이상 먼 일이 아니게 느껴질 때, 조용히 계산하곤 했다. 내가 가진 경험이 앞으로도 통할까.  책은 이 질문에서 출발한다. 바이브 코딩(vibe coding)이란 프로그래밍 문법을 외워 코드를 치는 것이 아니라, 커서(Cursor)나 제미나이(Gemini)같은 AI 도구에게 자신의 의도와 맥락을 전달해 프로그램을 만들도록 지휘하는 일하는 방식이다. 필자는 데이터공작소 스터디에서 8개월간 개발자들과 함께 배우며, 하루 30분씩 눈으로 70%를 이해하고 손으로 30%를 부딪히는 자신만의 학습 공식을 찾았다. 거창한 프로젝트가 아니라 매주 나를 지치게 하던 엑셀 정리 하나, 파일 정리 하나부터 고쳐 나가는 ‘하루 한 프로그램’의 기록이다. 책의 부록에서는 노코드(no code), 로코드(low code), 바이브 코딩을 비교하며 언제 무엇을 써야 하는지도 다룬다. 요구사항이 표준적이면 노코드, 예외 처리와 연동이 필요하면 로코드, 요구사항이 계속 바뀌고 기획자가 직접 프로토타입을 쥐어야 한다면 바이브 코딩이다. 눈 밝은 독자라면 이미 알아챘을 것이다. 온톨로지 도입 로드맵과 바이브 코딩 학습법은 같은 철학 위에 서 있다. 작게 시작하고, 합의(같은 방향)를 먼저 만들고, 증거로 말하는 것. 조직은 온톨로지로 지식을 시스템에 싣고, 개인은 바이브 코딩으로 의도를 실행에 싣는다. 제조 기업의 디지털 전환이란 결국 이 두 층위가 만나는 지점에서 완성된다.   맺으며 − 같은 방향을 본다는 것 생텍쥐페리는 “사랑이란 서로 바라보는 것이 아니라, 서로 같은 방향을 보는 것”이라고 했다. 필자가 이 문장을 좋아하는 이유는, 프로젝트와 조직의 성패도 결국 같은 방향을 보는 능력에서 갈리기 때문이다. 온톨로지는 사람과 시스템이, 현장과 경영진이, 그리고 사람과 AI가 같은 방향을 보게 만드는 언어다. LLM(대규모 언어 모델)은 유창하지만 사실에 약하고, 지식 그래프는 사실에 강하다. 둘의 결합이 신뢰할 수 있는 기업 AI의 핵심이라는 책의 통찰 (6.3장)은, 앞으로 제조기업의 AI 전략이 어디로 가야 하는지를 가리키고 있다. 이번 여름, 회의실 화이트보드에 우리 회사의 콘셉트맵 한 장을 그려 보기를 권한다. 우리 회사의 ‘고객’이란 무엇인가, ‘품목’과 ‘설비’는 어떻게 연결되는가. 그 한 장의 합의가 온톨로지의 시작이고, 지식 그래프의 청사진이며, AI가 우리 회사를 이해하는 첫 문장이 된다.   ■ 류용효 디원 PLM기술본부에서 상무로 재직 중이며, 페이스북 ‘류용효컨셉맵연구소’ 리더, CNGTV 지식방송 전문위원으로 활동하고 있다. PTC코리아, 오라클, 지멘스 PLM 등을 거치며 PLM과 프로세스 컨설팅 분야에서 일해 왔다. 저서로 ‘베테랑 기획자의 바이브코딩 도전기’가 있다. (블로그)     ■ 기사 내용은 PDF로도 제공됩니다.

최근 인공지능(AI) 산업 확산으로 전력 수요가 급증하고, 탄소중립 실현을 위해 소규모 분산형 설비인 분산 에너지 자원의 도입이 빠르게 늘면서 전력망의 복잡성도 심화되는 추세이다. 이에 따라 전력계통의 안정성을 확보하기 위해 종단간(end-to-end) 디지털 아키텍처 구축과 고성능, 고신뢰성 네트워크 기술을 통합하는 일이 필수 요건으로 떠올랐다. 시스코는 효성중공업과 함께 이러한 시장 변화에 대응해 차세대 디지털 변전소 구현에 필요한 핵심 기술 검증을 공동으로 진행했다고 밝혔다. 양사는 실제 변전소 환경에서 발생할 수 있는 고부하 트래픽 상황을 구현하고, 샘플값 등 핵심 디지털 데이터가 지연이나 손실 없이 전송되는지를 확인했다. 그 결과 전력 디지털화의 핵심 요건인 무손실 데이터 전송을 검증했다고 양사는 밝혔다. 특히 효성중공업의 핵심 전력 기기인 지능형 정보취합장치와 시스코의 산업용 사물인터넷(IoT) 설루션 간의 상호운용성 테스트를 성공적으로 마쳤다. 이번 검증은 전력망 이중화 표준 프로토콜인 HSR 및 PRP를 기반으로 진행했으며, 장애가 발생해도 중단 없이 전력 서비스를 제공할 수 있음을 입증했다.     이번 기술 검증에는 에스넷시스템과 세니온도 참여했다. 에스넷시스템은 시스코 프리퍼드 파트너로서 네트워크, 보안, 클라우드, AI 인프라 설계 및 구축 역량을 바탕으로 전체 아키텍처 구현을 지원했다. 전력 IT 전문기업 세니온은 전력망 통합 경험을 토대로 송전, 변전, 배전 분야의 실제 변전소 환경을 반영한 검증 시나리오를 설계하고 적용했다. 앞으로 양사는 사전 검증을 마친 기술과 제품군을 패키지 형태로 글로벌 전력 시장에 제공할 계획이다. 전력 운영사는 신규 디지털 변전소를 구축할 때 발생할 수 있는 기술적 불확실성을 줄이고, 구축 기간을 단축하며 운영 효율을 높일 수 있을 전망이다. 효성중공업의 한영성 연구소장은 “차세대 디지털 변전소 구현에는 전력기기의 디지털화와 고가용성 네트워크, 종단간 통신 성능, 사이버보안이 모두 검증된 통합 아키텍처가 중요하다”면서, “이번 머징 유닛 상호운용성 검증을 토대로, 전력제어 시스템과 산업용 네트워크 보안이 결합되는 영역에서 시스코와 공동 설계 및 보안 상호운용성 검증 분야의 협력을 지속 검토해 나갈 계획”이라고 전했다. 시스코코리아 최지희 대표는 “시스코의 산업용 스위치는 가혹한 전력 환경에 특화된 세계적으로 검증된 고성능 네트워크 장비”라면서, “효성중공업의 지능형 전력 기기가 가진 최상의 성능을 발휘할 수 있도록 적극 지원하겠다”고 말했다.

SAP 코리아는 7월 14일 ‘SAP 나우 AI 투어 코리아 2026’을 개최하고, 자율형 기업(Autonomous Enterprise)으로의 전환을 위한 새로운 비즈니스 운영 방식을 제시했다. SAP 나우 AI 투어 코리아는 SAP 고객과 파트너, 업계 전문가들이 모여 비즈니스 AI를 중심으로 기업 업무를 혁신할 방안을 공유하는 연례 행사다. 올해 행사에서는 AI가 단순한 보조 도구를 넘어 기업 운영의 핵심 동력으로 자리 잡는 흐름이 강조됐다. 복잡한 비즈니스 콘텍스트에 대한 명확한 이해를 신속하고 정확한 실행으로 연결하는 역량이 기업 경쟁력의 분기점이 된다는 메시지가 중심을 이뤘다.     자율형 기업은 AI 에이전트가 비즈니스 프로세스, 데이터, 거버넌스에 내재되어 스스로 프로세스를 감지, 판단, 실행하는 SAP의 새로운 기업 운영 모델이다. 기존의 업무 결과 기록 방식을 넘어 인간이 전략적 의사결정에 집중할 수 있도록 돕는다. 기조연설을 맡은 SAP의 얀 벙커트(Jan Bungert) 비즈니스 AI 플랫폼 부문 최고매출책임자(CRO)는 ‘자율형 기업으로 최고의 성과를 실현하라’를 주제로 SAP의 자율형 기업 비전과 AI 혁신 전략을 발표했다. 얀 벙커트 CRO는 “AI가 실질적인 가치를 만들어내기 위해서는 깊이 있는 프로세스 및 산업 지식, 의미가 풍부한 비즈니스 데이터, 그리고 엔터프라이즈급 거버넌스라는 세 가지 요소가 필요하다”면서, “자율형 기업은 사용자의 단일 관문인 쥴(Joule), 재무와 구매 및 공급망 등을 하나로 연결하는 SAP 자율형 스위트, 산업별 규제와 프로세스를 내재한 SAP 인더스트리 AI 등의 요소로 완성된다”고 말했다. 또한 “이 모든 것의 기반에는 비즈니스 콘텍스트와 통합 데이터, 거버넌스를 하나로 제공하는 SAP 비즈니스 AI 플랫폼이 있으며, 에이전트 주도 전환을 통해 기업이 비즈니스를 멈추지 않고도 자율형 기업으로 나아갈 수 있다”고 설명했다. 이어진 세션에서는 SAP 코리아의 하경남 고객자문부문 부문장과 김지훈 가치자문본부 본부장이 업무를 직접 실행하는 운영 모델로의 전환 필요성을 강조했다. 이들은 쥴, SAP 자율형 스위트, SAP 비즈니스 AI 플랫폼의 3개 레이어로 구성된 자율형 기업 구현 전략을 실제 데모와 글로벌 고객 사례와 함께 소개했다. 이날 행사에서는 SAP의 자율형 기업 비전이 한국 산업 현장에 구현된 실제 사례도 소개됐다. 삼성전기 박준호 그룹장은 국내 최초 ‘SAP 프리미엄 서플라이어’ 기반 SAP S/4HANA(SAP S/4HANA) 전환을 통한 AI 혁신 플랫폼 구축 여정을 공유했다. 삼성전기는 SAP의 다운타임 최적화 기법을 적용해 전환 과정의 시스템 비가동 시간을 당초 144시간에서 34시간으로 76% 단축하며 제조라인 중단 없는 비즈니스 무중단 전환을 완수했다. 박준호 그룹장은 “ERP 전환은 마치 심장이식 수술과 같다”며, “국내 성공 사례가 없는 상황에서도 수많은 시행착오 끝에 제조 라인 중단 없는 전환을 완수했다”고 말했다. 이어 “SCM 계획부터 ERP 실행, AI 분석, 시뮬레이션까지 이어지는 클로즈드 루프 자동화를 목표로, SAP S/4HANA 기반 통합 플랫폼을 토대로 AI 시대에 대비한 완전 자동화 기반을 구축해 나가고 있다”고 밝혔다. 이외에도 LG이노텍의 박준기 차세대 ERP 추진실 실장이 클라우드 및 자율형 기업으로 이어지는 차세대 ERP 여정을 공유했으며, 삼성SDS 지기성 부사장이 콘텍스트 인식 기반의 자율형 기업 전략 실현 사례를 발표했다. 오후에는 실무 분야별 4개 전문 트랙에서 총 41개 세션이 진행됐다. 각 영역별 실무진에게 실질적인 비즈니스 인사이트와 구체적인 적용 방안을 제공하는 자율형 기업 구현, 데이터 플랫폼 통합, 산업별 고객 사례, 서비스 및 지원 트랙 등이 마련됐다. 행사장에 마련된 체험존에서는 참가자들이 직접 나만의 AI 에이전트를 실시간으로 구축해보며 비즈니스 AI의 실질적인 가능성을 체험하는 기회도 가졌다.

  아비바는 박기범 아비바코리아 대표를 한국 지사장으로 선임했다고 밝혔다. 박기범 신임 대표는 정보기술(IT) 및 운영기술(OT) 분야에서 30년 이상의 경력을 보유한 산업 소프트웨어 및 디지털 전환 전문가다. 아비바 합류 이전에는 지멘스 소프트웨어, 레드햇, 오라클, BMC소프트웨어, LG CNS 등 글로벌 및 국내 IT 기업에서 시스템 엔지니어, 컨설팅, 엔터프라이즈 영업, 경영진 등 다양한 역할을 수행하며 현장 경험과 리더십을 다져왔다. 2024년 11월 반도체 및 하이테크 산업 부문 영업 이사로 아비바에 합류한 이후, 박기범 대표는 성과 창출 중심의 조직문화를 구축하고 주요 고객과의 경영진 네트워크를 확대하는 한편, 전략적 대형 프로젝트를 발굴하고 수주하며 국내 사업 성장에 기여해왔다. 2025년 4월부터는 반도체와 하이테크 산업뿐 아니라 석유 및 화학, 조선과 해양 산업까지 영업을 총괄하며 아비바의 산업 포트폴리오 전반에 대한 리더십을 확대했다. 이후 지금까지 다양한 산업 분야에서 고객 및 파트너와의 협력을 강화하고 국내 경영진 및 임직원과의 신뢰를 구축하며 한국 시장 비즈니스를 이끌어 왔다. 박기범 대표는 “AI가 산업 현장의 경쟁력을 좌우하는 시대를 맞아 데이터를 기반으로 한 운영 혁신의 중요성이 더욱 커지고 있다”면서, “아비바의 산업 AI와 디지털 트윈 기술을 통해 국내 고객들이 생산성과 운영 효율을 높이는 것은 물론, 지속가능한 성장을 실현할 수 있도록 지원하겠다. 또한 고객 및 파트너와 긴밀한 협력을 바탕으로 한국 시장의 디지털 혁신을 가속화해 나가겠다”고 밝혔다.

이메일이 정상적으로 보이지 않거나 링크 연결이 되지 않는 경우 여기를 클릭하세요.

대한기계학회 가상제품개발연구회가 주관하고 리스케일이 공동 주관한 2026년 춘계 심포지엄이 7월 3일 서울 강남구 포스코타워 역삼 3층 이벤트홀에서 개최되었다. 이번 심포지엄은 'Agentic VPD: AI Agent가 이끄는 제품개발 혁신'을 슬로건으로 내걸고, 인공지능 에이전트 기술과 가상제품개발의 융합이 가져올 새로운 가능성과 미래 방향을 집중적으로 논의했다. 최근 인공지능 기술은 생성형 AI와 에이전틱 AI로 대표되는 새로운 전환기를 맞이하고 있다. 단순한 분석과 예측을 넘어 스스로 목표를 이해하고 계획하며 실행을 지원하는 AI 에이전트 단계로 진화함에 따라, 전통적인 시뮬레이션과 가상제품개발 분야 역시 큰 변화의 중심에 서 있다. 이번 행사에서는 축적된 R&D 데이터와 물리 기반 모델, 시뮬레이션 플랫폼, 그리고 AI 에이전트가 유기적으로 결합되어 제품개발의 방식 자체를 혁신하는 다양한 방안과 최신 연구 동향, 산업 적용 사례가 공유되었다.   AI 에이전트와 가상제품개발의 융합을 다룬 다채로운 강연 행사는 가상제품개발연구회 박종원 연구회장(한국기계연구원 DX전략연구단 단장)의 개회사와 대한기계학회 리광훈 회장의 축사로 막을 열었다. 가상제품개발연구회 박종원 회장은 이번 심포지엄이 산학연 전문가들이 최신 연구 동향과 산업 적용 사례를 공유하고 기계공학 기반 제품개발의 새로운 패러다임을 모색하는 뜻깊은 교류의 장이 되기를 기대한다고 전했다. 이어지는 기조 강연에서는 경희대학교 임재혁 교수가 에이전트 기반 하네스 엔지니어링과 VPD의 미래를 주제로 발표를 진행하여 참석자들의 큰 관심을 모았다. 첫 번째 주제 발표 세션에서는 리스케일 김정훈 팀장이 엔지니어링 데이터 기반 가상제품개발과 AI 활용 방향을 소개했으며, HD현대사이트솔루션 곽성규 상무가 HD건설기계에서의 VPD 현황과 미래 과제를 공유했다. 국내 주요 기업의 VPD 추진 현황과 패널 토론 오후에 재개된 두 번째 주제 발표 세션에서도 심도 있는 논의가 이어졌다. 현대자동차 박제승 실장의 차량 아키텍처 단계 버추얼 타이어 개발 발표를 시작으로, 현대모비스 송준영 팀장이 제품개발의 AX - 현대모비스 추진현황을 소개했다. 이어 LG전자 박만수 실장이 LG전자 HS본부의 VPD 추진 방향을 설명했으며, 전북대학교 이수민 교수가 데이터기반 최적설계를 통한 Physical-AI를 주제로 발표를 마무리했다. 모든 발표가 끝난 후에는 연구회 임원 및 발표자들이 대거 참여한 패널 토론이 진행되었다. 토론자들은 Digital Engineering 고도화와 AI Agent 기반 VPD 혁신 방향을 주제로 열띤 논의를 펼치며, 에이전틱 AI 시대의 가상제품개발 혁신을 전망하고 새로운 협력과 도약의 계기를 마련하는 소중한 시간을 가졌다.   대한기계학회 가상제품 개발(VPD)연구회 참석자 단체사진