캐드앤그래픽스 지식방송 CNG TV 지상 중계   CNG TV는 6월 26일 ‘자율주행의 미래 : AI와 데이터 통합을 통한 지멘스 ADAS 혁신’을 주제로 웨비나를 개최했다. 이번 방송은 지멘스 디지털 인더스트리 소프트웨어의 최승현 솔루션 영업대표, 김상중 프로(기술지원), 엄휘수 프로(프리세일즈 컨설턴트)가 참여해 실제 도로 기반의 가상 시뮬레이션, 생성형 AI 기술, 차량 동역학 모델링 연동 등 ADAS(첨단 운전자 보조시스템) 개발에 필요한 전 과정에 대해 상세히 설명했다. 자세한 내용은 다시보기를 통해 확인할 수 있다. ■ 박경수 기자   ▲ 지멘스 디지털 인더스트리 소프트웨어 최승현 영업대표, 김상중 프로, 엄휘수 프로   시나리오 확장부터 인증까지 최승현 영업대표는 지멘스가 자율주행 기술 개발 전반을 아우르는 ‘엔드투엔드’ 전략을 갖추고 있다고 설명했다. DOE(실험 설계) 기반의 자동 시나리오 생성 도구와 HEEDS(히즈)를 통한 최적화 기능을 다양화하고 최적화할 수 있으며, 개발 후 단계에서는 통합플랫폼을 통해 형식 인증 절차까지 통합 지원한다고 소개했다.  Prescan(프리스캔), ADA, Amesim(아메심), HEEDS 등으로 구성된 통합 시스템은 각기 다른 개발 단계를 유기적으로 연결하며, 실시간 검증·모델 개발·리포트까지 자동화된 워크플로를 제공한다. 최승현 영업대표는 “지멘스는 시뮬레이션, 데이터 분석, AI 기반 자동화, 인증까지 모두를 아우르는 플랫폼을 통해 OEM뿐만 아니라 중소 자율주행 스타트업에게도 확장성과 유연성을 제공한다”고 강조했다.   ▲ 최승현 영업대표   AI 기반 시나리오 생성과 정밀 시뮬레이션의 진화 김상중 프로는 자율주행 개발에서 시뮬레이션이 가진 핵심적 역할을 강조하며, Simcenter Prescan과 Simcenter Amesim을 활용한 가상 검증 기술을 소개했다. 이는 실제 사고 사례를 기반으로 한 시나리오를 생성하고, 차량의 센서·제어 알고리즘·동역학 모델을 통해 정교하게 시뮬레이션하는 방식이다. 특히 Amesim은 FMU 연동을 통해 실제 차량의 물리적 반응을 더욱 정밀하게 묘사함으로써 개발 단계에서의 신뢰도를 높인다는 점에서 주목된다. 김상중 프로는 “위험한 시나리오를 실제로 테스트하는 것은 비효율적이고 위험하다. 시뮬레이션을 통해 가능한 모든 케이스를 검증해야 한다”고 설명했다.   ▲ 김상중 프로   실도로 데이터 자동화와 생성형 AI 접목 엄휘수 프로는 실주행 데이터를 기반으로 한 시나리오 자동 생성 솔루션 ‘Simcenter ADA’를 소개하며, 기존 수작업 중심의 시나리오 구축에서 벗어나 데이터 업로드만으로 유의미한 테스트 시나리오를 생성하고 검증할 수 있다고 이야기했다. 지멘스는 생성형 AI(GAI)를 활용해 주행 영상과 법규 문서를 학습시키고 시나리오를 자동 생성하여 시뮬레이션 분석이 가능하도록 기능을 개발 중이다. 가우시안 스플래팅(Gaussian Splatting) 기법 기술을 통해 현실에 가까운 시뮬레이션 비주얼도 구현 가능하다. 엄휘수 프로는 “엔지니어가 데이터를 가공하는데 시간을 쓰기보다 검증과 분석에 집중할 수 있게 도와주는 것이 ADA의 핵심 가치다”고 말했다.   ▲ 엄휘수 프로   자율주행을 위한 디지털 기반 개발 혁신 지멘스 디지털 인더스트리 소프트웨어의 통합 ADAS 시뮬레이션 전략은 ‘개발 기간 단축, 비용 절감, 안전성 향상’이라는 자율주행 기술의 3대 과제를 해결할 수 있는 현실적 해법을 제시한다. 또 한, 물리 모델과 AI가 융합된 디지털 트윈 기반의 검증 체계는 차세대 차량 개발의 새로운 기준으로 부상하고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

산업 디지털 전환을 가속화하는 버추얼 트윈 (4)   MRO(Maintenance, Repair, Overhaul or Operation)는 운영 중인 장비의 엔진, 장비, 부품 등에 대한 정비, 수리, 개조, 재생정비 등의 작업을 통해 안전성과 정시성, 신뢰성을 확보하기 위한 활동 및 산업을 통칭한다. 이번 호에서는 다쏘시스템의 3D익스피리언스 플랫폼(3DEXPERIENCE Platform)을 활용하여 스마트 유지보수를 구현하는 가상 모델 기반의 엔드 투 엔드 유지보수 설루션을 소개한다.   ■ 최형완 다쏘시스템코리아 IC본부에서 A&D (Aerospace & Defense)부문 Technical Executive를 맡고 있다. 홈페이지 | www.3ds.com/ko   MRO 산업은 크게 민간 정비 사업과 군용 MRO 사업으로 나뉘며, 민간 정비 사업은 주로 항공 정비와 선박 정비로 구분한다. 민간 정비 사업 중 항공 부문의 2025년 전 세계 MRO 시장은 1230억 달러로 예상되며, 2034년에는 1640억 달러로 연 평균 3.2%의 성장률을 예상하고 있다. 우리 정부는 국내 항공 부문의 MRO 산업을 2030년까지 38억 달러(약 5조 원), 2만 3000명의 일자리를 창출하는 시장으로 키우겠다는 계획을 발표했다. 우리 나라 방산업계는 지난 2년 동안 우수한 기술력과 생산력을 바탕으로 303억 달러 규모의 무기 수출 계약을 체결하여 2년 연속 글로벌 방산 수출 상위 10위권 내로 진입하였다. 이에 따라 국내 방산업체들은 높아진 위상을 바탕으로 더 높은 수익을 장기적, 안정적으로 낼 수 있는 사업에 집중하고 있는데, 바로 MRO 산업이다. 보통 무기체계는 가격이 비싸고 한 번 도입하면 10년에서 30년 동안 사용하는 것이 일반적이다. 따라서 판매 후에도 지속적인 사후 관리 서비스를 요구하는 경우가 대부분이다. 현재 글로벌 방산 MRO 사업은 전체 무기체계 시장에서 60% 이상의 비중을 차지하는 것으로 알려져 있다. 이 시장을 위해서 국내 대형 방산업체인 KAI, 한화오션, 한화시스템, LIG넥스원도 MRO 전담 조직을 설립하여 적극 투자 중이다. 항공/방위 산업을 영위하는 90% 이상의 고객사는 다쏘시스템의 설루션을 사용하고 있으며, 다쏘시스템은 고객사의 엔드 투 엔드 프로세스를 지원하는 11개 산업 특화 설루션을 보유하고 지속적으로 발전시키고 있다. 이 중에서 운영/유지보수(Keep Them Operating) 특화 설루션은 장비의 가용성을 높이고 유지보수 비용을 줄이면서도 장비의 안정성을 높이는데 중점을 두고 있는 프로세스이다.   그림 1. 모델 기반의 스마트 유지보수   이러한 흐름 속에서 요즘은 장비 생애주기 중 유지보수(sustainment)가 핵심 프로세스로 자리잡고 있다. 운영자(항공사나 사용군), 서비스 제공자, OEM들은 장비의 유지보수 가용성을 보장하기 위해서 전통적인 정비 방식에서 모델 기반 정비(modelbased maintenance)로의 프로세스 전환에 대해 피할 수 없는 변화로 여기고 있다. 다쏘시스템은 전통적인 고립된 MRO 서비스 방식과는 다른, 스마트 유지보수(smart sustainment)로 프로세스를 변화시키고 향상시키는 포괄적인 엔드 투 엔드 모델 기반 유지보수 설루션을 제공한다. 다쏘시스템의 엔드 투 엔드 모델 기반 유지보수 설루션은 3D익스피리언스 플랫폼(3DEXPERIENCE Platform)을 활용하여 MRO 프로세스를 가상(virtual) 환경에 투영할 수 있으며, 다음의 여섯 단계를 통하여 스마트 유지보수를 구현한다. 이러한 과정을 통해 우리는 더 나은 의사결정 지원을 받아 장비 가용성 증대와 유지보수 비용 절감이라는 목표를 달성할 수 있다.   엔드 투 엔드 디지털 연속성 첫 번째 단계는 장비의 지속적인 운영을 위한 엔드 투 엔드 디지털 연속성이다. 설계 데이터가 MBOM(제조 BOM)과 SBOM(서비스 BOM)까지 연결되어 있으며, 설계 및 엔지니어링 활동에서 서비스 엔지니어링 활동까지 완전한 디지털 연속성이 확보되고, 이러한 모든 활동은 3D익스피리언스 플랫폼 내에서 수행된다. 전용 애플리케이션을 통해 전용 EBOM(엔지니어링 BOM)에서 파생된 모델 기반 SBOM 구조를 생성할 수 있으며, 여기에 정비 작업, 서비스 키트, 예비 부품, 정비 지침 및 제조사 정비 공지문(service bulletin) 등 주요 서비스 기술 데이터를 포함시킬 수 있다. 또한, 레거시(기존) 장비의 유지보수 데이터도 플랫폼에 가져올 수 있다는 점도 중요하다. 이렇게 하면 유지보수 데이터 모델에 통합할 수 있으며, 플랫폼에서 설계된 장비뿐만 아니라 레거시 장비 전체도 플랫폼의 이점을 누릴 수 있다.   그림 2. 엔드 투 엔드 디지털 연속성     ■ 자세한 기사 내용은 PDF로 제공됩니다.

주요 디지털 트윈 소프트웨어 스탬핑 공정의 안정성과 효율성 향상 소프트웨어, AutoForm-Sigma 개발 : AutoForm, www.autoform.com 자료 제공 : AutoForm, 02-6332-1150, www.autoform.com/kr   AutoForm-Sigma(오토폼 시그마)는 스탬핑 공정의 안정성과 효율성 향상을 위해 개발된 소프트웨어로, 제조 공정에서 발생할 수 있는 노이즈와 변동성을 분석하여 견고한 공정을 설계하도록 돕는다. 초기 엔지니어링 단계에서 성형 공정에 대한 깊은 통찰과 투명성을 제공하며, 설계 변수가 제품 품질에 미치는 영향을 식별하고, 트라이아웃 및 양산 중에 적절히 수정할 수 있도록 지원한다. 공정 안정성 평가, 품질 관리 및 생산 최적화 분야에 적용된다. 1. 주요 특징  설계 변수의 자동 변형, 제품에 가장 영향을 주는 변수 요인의 식별, 설계 변수의 영향도와 민감도 결정, 공정 실행력(capability) 결정, 자동 다중 시뮬레이션 기능을 포함한다.   2. 주요 기능 ■ 노이즈와 변동성 반영 : 실제 공정에서 발생하는 소재 특성, 윤활 상태, 프레스 힘 등의 변화를 고려하여 공정의 현실적인 상태를 분석한다. ■ 공정 능력 분석 : Cpk 지표를 통해 공정의 안정성과 신뢰성을 평가할 수 있으며, 공정의 개선 가능성을 파악한다. ■ 민감도 분석 및 수정 조치 지원 : 프레스 힘, 속도 등 제어 매개변수의 민감도를 분석해 효과적인 수정 조치를 제안한다. ■ 디지털 시뮬레이션 기반 예측 : 공정 안정성을 예측하고 생산 중 발생할 수 있는 문제에 대해 빠르고 정확한 평가가 가능하다. ■ 사용자 친화적 인터페이스 : 엔지니어가 쉽게 사용하고 공정을 최적화할 수 있도록 설계되었다.   3. 도입 효과 체계적인 프로세스 개선 덕분에 성형 공정의 안정성과 신뢰성을 높일 수 있으며, 안정적인 생산 공정을 통해 제품 불량률을 최소화할 수 있다. 또한, 수정 횟수 및 비용의 최소화 덕분에 효율적인 생산이 가능하다. 변수 분석을 통해 디지털 트랜스포메이션이 가능하다는 점도 중요한 효과 중 하나이다. 이러한 특징과 효과를 통해 AutoForm-Sigma는 품질 요건을 충족하는 가장 효율적이고 안정적인 생산 공정을 확인할 수 있게 한다.   4. 주요 고객 사이트 오토폼은 전 세계 50여 개국, 1,000여 개 회사에서 3,500명 이상의 사용자가 주요 엔지니어링 및 제조 공정을 위해 신뢰하고 있다. 주요 고객은 자동차 및 기타 OEM, 금형 및 스탬핑 업체, 철강 및 알루미늄 공급업체이며, 항공 우주 산업뿐만 아니라 의료, 가전 및 백색 가전 산업으로도 점점 더 진출하고 있다.     상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

로크웰 오토메이션이 제10차 스마트 제조 현황 보고서의 일환으로 ‘2025 스마트 제조 현황 보고서 : 자동차 산업 에디션’을 발표했다. 이번 보고서는 자동차 및 타이어 제조업체, 장비 제조업체(OEM), 엔지니어링 조달업체(EPC), 시스템 통합업체 등 15개국 130명의 업계 리더를 대상으로 실시되었으며, 급변하는 시장 환경 속 경쟁력을 유지하기 위한 자동차 산업 내 기술 도입과 인력 전략의 변화를 집중 조명했고 ▲장기 인력 과제와 전략 ▲기술 투자 지속 및 AI 도입 가속화 등의 이슈를 다뤘다.     이번 조사에서는 ‘인력 확보 및 유지’가 자동차 업계의 가장 시급한 과제로 떠올랐다. 지난 해와 비교해 인력 관련 도전 과제의 비중이 높아졌으며, 자동차 및 타이어 제조업체 응답자의 37%는 ‘조직이 새로운 기술과 프로세스를 효과적으로 수용할 수 있도록 돕는 변화 관리’를 향후 12개월간 가장 중요한 과제로 꼽았다. 이어서 숙련 인력 확보(31%), 유지(33%), 인건비 상승(36%) 등도 주요 이슈로 나타났다. 기술 투자는 여전히 강세를 보이고 있다. 자동차 및 타이어 제조업체들은 AI, 생산 모니터링, 사이버보안 분야에 꾸준히 투자하고 있으며, 응답자의 62%는 기술 투자의 가장 큰 이유로 ‘장기적인 비즈니스 영향’을 꼽았고, ‘생산 능력 확대(58%)’ 또한 중요한 투자 동기로 드러났다. 이는 전체 제조업계의 2025년 전망과도 일치한다. 특히, 자동차 제조업체들은 생성형 AI, 로봇 프로세스 자동화(RPA), 디지털 도구 등 신기술에 대한 투자도 선도하고 있다. 기술 도입의 주요 목적은 안전성 향상, 사이버보안 강화, 규정 준수 확보, 비용 절감과 리스크 최소화 등으로, 이러한 방향성은 변함없이 유지되고 있음을 보여줬다. AI 도입에 대한 인식도 긍정적으로 변화하고 있다. 품질 관리, 로보틱스, 공정 최적화는 AI 기술의 대표적인 활용 사례로 나타났으며, 자동차 업계는 생성형 AI, 로봇 프로세스 자동화(RPA), 디지털 툴 분야에서도 타 산업보다 높은 투자 계획을 보였다. 특히, AI를 ‘위험 요소’로 인식한 응답자 비율은 2023년 24%에서 올해 14%로 줄어들어, 기술 채택에 대한 거부감이 줄고 실질적인 활용에 대한 기대감은 높아진 것으로 보인다. 기술 도입의 핵심 목표는 여전히 일관되게 유지되고 있다. 안전, 사이버보안, 규정 준수에 기반한 품질 향상, 비용 절감, 리스크 감소가 기술 투자 목적의 상위를 차지했다. 한편, 2030년까지 약 790만 명의 제조 인력 부족이 예상되는 가운데, 제조업체들은 자동화 투자와 더불어 AI 이해도와 커뮤니케이션, 분석적 사고, 적응력 등 소프트 스킬을 갖춘 인재 확보에 박차를 가하고 있다. 로크웰 오토메이션의 제임스 글래슨(James Glasson) 글로벌 산업 담당 부사장은 “AI와 자동화가 공장 현장을 재편하는 시대에, 자동차 제조의 미래와 성공은 기술뿐만 아니라 인재 혁신과 사람에 대한 투자에 달려 있다”며, “기술 역량 강화와 혁신은 이제 성장을 이끄는 핵심 동력이 되었다”고 말했다.

앤시스는 자율주행차 시대에 요구되는 안전성과 성능을 충족하는 전자식 파워 스티어링 시스템(EPS : Electronic Power Steering system) 개발을 위해 폭스바겐과 협력하고 있다고 소개했다. 자율주행차, 차량 공유 및 배송 서비스가 머지않아 일상 속에서 주류 기술로 자리잡을 것으로 전망된다. 맥킨지 미래 모빌리티 센터는 자율주행 기술이 오는 2035년까지 3000억~4000억 달러의 수익을 창출할 수 있을 것으로 내다봤다. 이는 자율주행차 개발에 투자하고 있는 완성차 제조업체(OEM) 및 티어 공급업체에게 긍정적인 신호로 해석된다. 다만 이러한 기술이 본격적으로 상용화되기 위해서는 새로운 기술 역량의 확보는 물론, 안정성과 관련된 다양한 우려를 해소할 수 있는 능력이 성공의 핵심으로 작용할 것이다. 폭스바겐은 EPS를 개발하면서 급변하는 자동차 산업 환경과 자율주행 기술의 진화에 발맞춰 혁신을 추진하고 있다. 특히, EPS의 성능과 안전성을 빠르게 개선해 관련 요구 사항의 임계값을 충족시키는 동시에, 자사 브랜드 고유의 정확하고 반응성이 뛰어난 핸들링 성능을 강화하기 위해 앤시스의 시뮬레이션 소프트웨어를 적극 도입하고 있다. EPS는 다양한 주행 시나리오에서 스티어링 프로세스를 정밀하게 제어할 수 있는 복잡한 기능을 갖추고 있다. 이러한 진화 덕분에 최신 자동차는 차선 유지 보조 시스템, 고속도로 주행 시나리오의 일시적 자율주행, 자동 주차 그리고 무인 호출 기능까지 다양한 자동화 기술을 탑재하고 있다. 앞으로의 발전 방향은 ‘스티어-바이-와이어(Steer-by-wire)’ 시스템으로 나아갈 것으로 예상된다. 이 시스템은 운전자와 앞바퀴 간의 기계적 연결 없이도 차량을 제어할 수 있도록 하며, SAE 레벨 3 이상의 고도 자율주행을 실현하는 핵심 기술로 주목받고 있다.   ▲ 폭스바겐 프리미엄 플랫폼용 전자식 스티어링 시스템의 주요 사양   승차감과 핸들링을 좌우하는 스티어링 시스템 개발은 폭스바겐의 차량 설계에서 핵심적인 역할을 담당한다. 차량 주행 중의 변화는 대부분 소프트웨어 기능에 의해 밀리초 단위로 정밀하게 조정되며, 운전자가 무의식적으로 감지하는 미세한 차이가 성능에 대한 인식으로 이어지는 경우가 많다. 특히, 운전자의 직접적인 입력이 제한되는 자율주행차에서는 더욱 복잡하게 작용한다. 현재 폭스바겐은 프리미엄 플랫폼 전기차에 적용 가능한 첨단 모듈형 스티어링 시스템을 개발 중이다. 이러한 시스템은 스티어링 보조 기능의 갑작스러운 상실이나 예기치 못한 스티어링을 포함한 자율주행 관련 위험을 효과적으로 완화한다. 또한, 자율주행 환경에서 요구되는 EPS 시스템의 복잡성에 대응하기 위해 폭스바겐은 다양한 물리 영역을 아우르는 테스트를 수행하고 있다. 이는 약 150명의 엔지니어가 75만 줄의 코드를 기반으로 8000개 이상의 요구 사항을 만족시키는 소형 전자 제어 장치(ECU)에 대한 테스트, 유효성 검토 및 검증 작업을 책임지고 있다. 이러한 작업은 고성능이면서도 비용 효율적인 ECU의 개발을 가능케 한다. 특히 폭스바겐은 테스트 시나리오 전반에 걸친 시간 및 비용 부담을 최소화하고 개발 속도와 효율성을 동시에 확보하기 위해 제품과 프로세스 전반의 간소화를 적극적으로 추진하고 있다. 앤시스의 쇠렌 슈라이너(Soeren Schreiner) 수석 애플리케이션 엔지니어는 “자율주행 기술처럼 복잡성과 변동성이 높은 분야에서는 적응력이 뛰어난 설루션이 필수이다. 동시에 비용 효율성과 안전성 또한 충족되어야 한다. 특히 안전은 전체 개발 비용에서 가장 큰 비중을 차지하는 요소 중 하나”라고 강조했다. 자율주행 기술의 복잡한 시스템의 안전성을 보장하기 위해, 폭스바겐 엔지니어들은 국제적 안전 표준을 충족하는 방식으로 시스템 소프트웨어를 개발했음을 적극적으로 입증해야 한다. 이를 위해 폭스바겐은 차량용 전기·전자(E/E) 시스템의 기능적 안전을 규정한 국제 표준 ISO 26262를 기반으로, 가장 높은 수준의 안전 등급인 ASIL-D를 준수하고 있다. ASIL-D는 EPS와 같은 안전 필수 시스템의 설계·개발 시 적용되는 핵심 프레임워크다. 또한, 폭스바겐의 스티어링 시스템은 자동차 임베디드 소프트웨어 개발의 글로벌 품질 기준인 ASPICE(Automotive SPICE)의 레벨 2(L2) 요구 사항을 충족해야 한다. ASPICE L2는 차량 소프트웨어 개발 표준의 이행 여부를 평가해, 신뢰 가능한 결과물을 일관되게 제공할 수 있는지를 검증하는 체계다. 이러한 표준을 만족시키기 위해 폭스바겐은 앤시스의 시스템 및 소프트웨어 아키텍처 설계(SCADE Architect), 주요 임베디드 소프트웨어를 위한 모델 기반 개발 환경(SCADE Suite), 임베디드 소프트웨어 테스트(SCADE Test) 및 소프트웨어 라이프 사이클 관리(SCADE LifeCycle) 등 다양한 개발 도구를 활용해 엔드 투 엔드 모델 기반 시스템 및 소프트웨어 설계 툴체인을 구축했다. 이 새로운 툴체인은 소프트웨어 개발 및 배포 효율성을 높이는 동시에, 고난도 안전 제약 기준을 충족해야 하는 시스템 내에서 ISO 26262 ASIL-D 및 ASPICE L2를 준수할 수 있도록 지원한다. 앤시스의 쇠렌 슈라이너 수석 애플리케이션 엔지니어는 “폭스바겐과 함께 개발한 이번 워크플로는 효율성과 유연성을 모두 갖춘 것이 특징이다. 이 프로세스를 통해 복잡한 다단계 소프트웨어 아키텍처 모델을 정의하고 유지하면서도 설계 모델과 기능 테스트 간의 자동 동기화, 전체 개발 과정에 걸친 요구사항 추적성 확보가 가능해졌다”라고 설명했다.

오토폼엔지니어링이 올리비에 르퇴르트르(Olivier Leteurtre) CEO의 방한과 함께 한국 시장을 위한 기술 협력과 인재 양성 전략을 발표했다. 이번 전략은 국내 고객과의 디지털 협업을 확대하고, 지역 기반 산학협력을 통해 디지털 금형 생태계를 구축하는 데 중점을 두고 있다. 르퇴르트르 CEO는 “제조업의 미래는 디지털 협업 생태계 위에서 결정된다. 오토폼은 금형 산업의 복잡한 공정과 데이터를 정밀하게 연결해, 더 이상 ‘경험’이 아닌 ‘데이터’로 예측하고 판단하는 환경을 만들어가고 있다”면서, “특히 한국은 자동차 산업의 글로벌 중심지이자, 디지털 제조 혁신이 가장 빠르게 진화하는 시장으로, 이 전환의 최전선에 서 있다. 오토폼은 이곳에서 디지털 트윈과 시뮬레이션을 통해 제조 방식의 새로운 기준을 제시하고, 산업의 미래를 주도해 나가겠다”고 밝혔다.     오토폼은 국내 주요 자동차 및 전자 산업의 OEM 기업과 협력하며 금형 설계, 시뮬레이션, 공정 최적화 등 다양한 디지털 전환 프로젝트를 전개하고 있다고 소개했다. 특히 ‘디지털 프로세스 트윈’을 구현함으로써 설계 초기부터 품질을 예측하고 리스크 줄이는 시스템을 현실화해 불량률을 줄이며, 실제 제조 현장에서의 리드타임 단축과 생산성 향상에 기여하고 있다. 이 같은 기술은 ESG 경영 요구에 대응하는 스마트 제조 구현에도 핵심 역할을 하고 있다는 것이 오토폼의 설명이다. 또한 오토폼은 국내 제조업 밸류체인 전반의 디지털 역량 강화를 위해, 중소 협력업체 지원에도 적극 나서고 있다고 밝혔다. 경일대학교 내에 설립 예정인 ‘디지털 트라이아웃 랩(Digital Tryout Lab)’은 고가의 소프트웨어나 전문 인력 없이도 시뮬레이션 기반 공정 해석을 적용할 수 있도록 돕는 기술 거점으로, 기존에 디지털 전환에서 소외됐던 2차·3차 벤더의 실질적 변화와 기술 내재화를 지원한다. 이 센터는 아진산업 등과 연계해 실무 중심의 시범 프로젝트를 수행하고 있으며, 향후 다양한 협력사들이 활용할 수 있는 공동 인프라로 확대될 예정이다. 오토폼은 기술 지원과 더불어 인재 양성 측면에서도 산학 협력을 강화하고 있다. 오토폼은 경북기계공업고등학교와 디지털 금형 분야 인재 양성을 위한 업무협약(MOU)을 체결하고, 지역 기반의 실무형 교육 생태계 조성에 나선다고 전했다. 이번 협약은 교내 실습과 인턴십, 산업 현장과의 채용 연계를 포함한 통합형 프로그램으로 구성되며, 디지털 제조 환경에 특화된 현장 맞춤형 기술 인재를 체계적으로 육성하는 데 초점을 맞추고 있다. 이외에도 오토폼은 국립창원대학교에 600억 원 규모의 소프트웨어를 3년간 기증해 ‘글로컬 산업기술거점센터’를 설립하고, 지역 기업과 연계한 실무 교육 및 취업 연계 프로그램을 운영하고 있으며, 성균관대학교와는 복합재료 기반의 공동 연구와 실무형 교육을 통해 차세대 제조 인재를 양성하고 있다. 오토폼엔지니어링코리아의 조영빈 대표는 “디지털 전환은 더 이상 대기업만의 과제가 아니며, 금형 산업의 디지털화는 선택이 아닌 생존의 문제다. 오토폼은 중소 협력사를 포함한 밸류체인 전반을 디지털 협업 구조로 연결해, 제조 생태계 전체의 경쟁력을 함께 끌어올리고자 한다”면서, “기술은 나눌 때 그 가치가 배가되고, 사람은 연결될 때 성장한다고 믿는다. 특히 기술과 인재를 지역 현장에서 직접 연결하는 산학협력 모델을 통해, 지속 가능한 산업 성장의 토대를 함께 만들어가겠다”라고 전했다.

스노우플레이크는 자사의 ‘제조 산업을 위한 AI 데이터 클라우드(AI Data Cloud for Manufacturing)’가 자동차 산업에 특화된 설루션을 중심으로 확장하며 높은 성장세를 보이고 있다고 발표했다. 스노우플레이크에 따르면, 2023년 4월을 기준으로 2년간 전 세계 제조 산업군에서 데이터 애플리케이션 및 협업을 위해 스노우플레이크의 플랫폼을 도입한 비율은 416% 증가했고, 데이터 분석을 위해서는 185%, 고급 예측 모델링 및 AI 앱과 같은 데이터 사이언스 목적으로는 188% 늘었다.  이와 같은 제조업체의 데이터 기반 비즈니스 인사이트 확보에 대한 높은 수요에 따라, 스노우플레이크는 AI 데이터 클라우드를 자동차 산업의 특수한 요구사항을 충족할 수 있도록 정밀하게 조정하며 글로벌 제조업체의 디지털 전환 및 AI 혁신을 뒷받침하고 있다고 전했다. 커넥티드 및 소프트웨어 정의 차량(Software Defined Vehicle : SDV), 자율주행, 전기차, 인더스트리 4.0 등 자동차 산업 트렌드에 맞춰 스노우플레이크는 데이터 공유 및 AI 지원 기능으로 완성차 제조업체(OEM), 부품업체, 유통 및 서비스업체 전반의 협업과 생산 공정을 최적화하고 있다.     특히 스노우플레이크를 활용하는 자동차 관련 기업은 차량 설계부터 생산, 서비스, 보증에 이르는 전체 라이프사이클 데이터를 통합하고 사일로를 제거할 수 있게 된다. 이를 통해 운영 효율을 높이고 고객 경험을 향상시킨다. 또한 스노우플레이크 아키텍처로 SDV와 자율주행차에서 생성되는 방대한 커넥티드 데이터를 안정적으로 활용하고 확장할 수도 있다. 누적된 데이터는 스노우플레이크 마켓플레이스에서 판매할 수 있어 신규 수익원이 되기도 한다. 스노우플레이크 데이터 플랫폼은 조직 전반에서 AI·ML 기능을 손쉽게 활용할 수 있도록 해, 예측 모델 개발시간을 단축하고 차량 설계 및 유지보수의 새로운 패러다임을 주도할 수 있다. 공급망 전반의 실시간 가시성도 제공한다. 수요 예측의 정확도를 높이고 재고 관리와 비용 효율성을 높여 데이터 기반의 의사결정을 현실화할 수 있다. 스노우플레이크의 팀 롱(Tim Long) 제조 산업 부문 글로벌 총괄은 “커넥티드 및 자율주행 등 최신 차량은 방대한 데이터를 생성하고 있으며, 자동차 업계는 이를 효과적으로 처리하면서도 신뢰할 수 있는 AI 설루션이 필요해졌다”면서, “스노우플레이크의 자동차 산업 설루션은 제조 전문성을 바탕으로 자동차 기업이 데이터를 통합하고 커넥티드 차량 개발 계획을 확장하며, 시장 변화에 빠르게 대응할 수 있도록 지원한다”고 말했다. 지멘스와 같은 글로벌 기술 및 제조 기업은 스노우플레이크를 활용해 AI와 고급 분석으로 전사적 운영을 혁신하는 동시에 엄격한 보안 및 거버넌스 기준을 유지하고 있다. 전 세계 주요 완성차 제조업체(OEM)의 약 80%가 스노우플레이크 플랫폼을 활용 중이며, 닛산, 카맥스(CarMax), 콕스 오토모티브(Cox Automotive), 펜스케 로지스틱스(Penske Logistics) 등은 실시간 커넥티드 차량의 인사이트와 안전한 데이터 협업으로 운영 효율을 높이고 있다. 스노우플레이크는 이외에도 액센츄어, 아마존웹서비스, 딜로이트, EY 등 글로벌 파트너와 함께 자동차 산업에 특화된 AI 및 데이터 설루션을 확장하고 있으며, 지멘스 디지털 인더스트리 소프트웨어, 블루욘더(Blue Yonder), 랜딩AI(LandingAI), 멘딕스(Mendix), 시그마(Sigma) 등 다양한 파트너사가 스노우플레이크 플랫폼에서 SDV 개발, AI 기반 품질 관리, 공급망 최적화 등 전문 설루션을 개발하며 생태계를 확장하고 있다고 밝혔다.

AutoForm Car Body Planner   개발 : AutoForm, www.autoform.com 자료 제공 : AutoForm, 02-6332-1150, www.autoform.com/kr   AutoForm(오토폼)은 제품 설계부터 차체 조립에 이르기까지 전체 개발 프로세스 체인의 디지털화를 지원하는 통합 플랫폼을 제공한다. 특히, 디지털화 노력이 상대적으로 미진했던 차체 구매 부문의 견적 및 비용 산출 프로세스의 투명성을 확보하기 위해 ‘AutoForm CarBody Planner’를 도입하여 구매 프로세스의 디지털화를 추진하고 있다. 이는 ESG 경영과 맞물려 고객사로부터 큰 주목을 받고 있다. 또한, ESG 경영을 위한 디지털 트랜스포메이션을 통해 지속 가능한 경영을 실현하고, 환경적, 사회적, 거버넌스 측면에서의 책임을 다하기 위해 노력하고 있다. 1. 주요 특징  자동차 차체 개발 프로세스에서 초기 제품 설계 후, OEM 협력사의 구매 부서가 CBP를 통해 자동으로 수율을 검토한다. 이를 통해 빠른 대응과 OEM의 입찰 원가인 수율 보고서 작성이 간소화된다. 또한, OEM 구매 부서는 차종별 수율 이력 관리를 통해 효율성을 높이고, 협력사의 작업 시간을 단축하며, 입찰 정보 계산의 디지털화를 통해 경험에 의한 편차를 줄일 수 있다. 2. 주요 기능 ■ 웹사이트 기반에서 차체 전체 입력 및 각 제품의3D확인 가능 ■ 제품의 소제 및 정보를 차제 제품 입력과 동시에 적용 가능 ■ AutoForm Simulation 기반의 전체 제품 자동 수율 계산   3. 도입 효과 OEM 구매팀의 입찰 결정 시 정합성 확보로 신뢰성이 높아지며, 자동 수율 검토 덕분에 빠르고 효율적인 대응이 가능하다. 입찰 정보 계산의 디지털화로 경험에 의한 편차가 제거되고, 협력사의 업무 효율성 증대와 작업 시간 단축으로 생산성이 향상된다. 마지막으로, 클라우드 기반의 협업 공간 제공으로 부서 간 원활한 협업이 가능하다. 이러한 특징과 효과를 통해 AutoForm의 디지털 트랜스포메이션은 구매 프로세스의 혁신을 이끌고, ESG 경영을 실현하는데 큰 기여를 하고 있다. 4. 주요 고객 사이트 오토폼은 전 세계 50여 개국, 1,000여 개 회사에서 3,500명 이상의 사용자가 주요 엔지니어링 및 제조 공정을 위해 신뢰하고 있다. 주요 고객은 자동차 및 기타 OEM, 금형 및 스탬핑 업체, 철강 및 알루미늄 공급업체이며, 항공 우주 산업뿐만 아니라 의료, 가전 및 백색 가전 산업으로도 점점 더 진출하고 있다.     상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

BIM 칼럼니스트 강태욱의 이슈 & 토크   생성형 AI 에이전트는 목표 달성을 위해 세상을 관찰하고 스스로 행동하는 자율적인 애플리케이션으로, 행동과 의사결정을 위한 인지 아키텍처를 갖추고 있다. 이번 호에서는 오픈소스 AI 에이전트인 오픈마누스(OpenManus)를 통해 AI 에이전트의 동작 메커니즘이 어떻게 구현되는지 분석해 본다.   ■ 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 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   최근 AI 에이전트 기술이 크게 발전하고 있다. 구글의 에이전트 백서를 보면, 생성형 AI 에이전트는 목표 달성을 위해 세상을 관찰하고 스스로 행동하는 자율적인 애플리케이션으로 설명한다. 명시적인 지시가 없어도 스스로 판단하고 능동적으로 목표에 접근할 수 있다. 이러한 에이전트는 행동과 의사결정을 위한 인지 아키텍처를 갖추며, 핵심 구성 요소는 <그림 1>과 같이 사용자 입력에 대한 추론 역할을 하는 모델(보통은 GPT와 같은 LLM), 입력에 대해 필요한 기능을 제공하는 도구(tools), 그리고 어떤 도구를 호출할지 조율하는 오케스트레이션의 세 가지로 이루어진다.   그림 1. AI 에이전트의 구성 요소(Agents, Google, 2024)   이번 호에서는 AI 에이전트의 동작 메커니즘을 분석하기 위한 재료로, 딥시크(DeekSeek)와 더불어 관심이 높은 마누스(Manus.im)에서 영감을 받아 개발된 오픈마누스(OpenManus) 오픈소스 AI 에이전트를 활용하겠다. 오픈마누스는 메타GPT(MetaGPT)라는 이름으로 활동 중인 중국인 개발자가 공개한 AI 에이전트이다. 개발자는 오픈마누스가 연결된 다양한 도구를 LLM으로 조율하고 실행할 수 있다고 주장하고 있다. 깃허브(GitHub) 등에 설명된 오픈마누스는 다음과 같은 기능을 지원한다. 로컬에서 AI 에이전트 실행 여러 도구 및 API 통합 : 외부 API, 로컬 모델 및 자동화 도구를 연결, 호출 워크플로 사용자 지정 : AI가 복잡한 다단계 상호 작용을 효율적으로 처리 여러 LLM 지원 : 라마(LLaMA), 미스트랄(Mistral) 및 믹스트랄(Mixtral)과 같은 인기 있는 개방형 모델과 호환 자동화 향상 : 내장 메모리 및 계획 기능을 통해 코딩, 문서 처리, 연구 등을 지원   <그림 2>는 이 에이전트가 지원하는 기능 중 일부이다. 프롬프트 : “Create a basic Three.js endless runner game with a cube as the player and procedurally generated obstacles. Make sure to run it only in browser. If possible also launch it in the browser automatically after creating the game.”   그림 2   오픈마누스는 이전에 중국에서 개발된 마누스에 대한 관심을 오픈소소로 옮기는 데 성공했다. 오픈마누스는 현재 깃허브에서 4만 2000여 개의 별을 받을 정도로 관심을 받고 있다.    그림 3. 오픈마누스(2025년 4월 기준 42.8k stars)   필자는 오픈마누스에 대한 관심이 높았던 것은 구현된 기술보다는 에이전트 분야에서 크게 알려진 마누스에 대한 관심, 오픈소스 버전의 AI 에이전트 코드 공개가 더 크게 작용했다고 생각한다. 이제 설치 및 사용해 보고, 성능 품질을 확인해 보자. 그리고 코드 실행 메커니즘을 분석해 본다.    오픈마누스 설치 개발 환경은 이미 컴퓨터에 엔비디아 쿠다(NVIDIA CUDA), 파이토치(PyTorch) 등이 설치되어 있다고 가정한다. 이제, 다음 명령을 터미널에서 실행해 설치한다.   conda create -n open_manus python=3.12 conda activate open_manus git clone https://github.com/mannaandpOEM/OpenManus.git cd OpenManus pip install -r requirements.txt playwright install   오픈마누스가 설치하는 패키지를 보면, 많은 경우, 기존에 잘 만들어진 LLM, AI Agent 라이브러리를 사용하는 것을 알 수 있다. 여기서 사용하는 주요 라이브러리는 다음과 같다.  pydantic, openai, fastapi, tiktoken, html2text, unicorn, googlesearch-python, playwright, docker     ■ 자세한 기사 내용은 PDF로 제공됩니다.