반도체 설루션 기업인 르네사스 일렉트로닉스가 중국 베이징에 피지컬 AI 및 로보틱스 연구소를 공식 개소했다고 발표했다. 이번에 구축된 전용 연구 공간은 고객이 차세대 로봇 시스템을 실증하고 검증하며 공동 개발할 수 있는 환경을 제공한다. 아울러 개념 증명(POC) 단계부터 대규모 현장 배포에 이르기까지, 르네사스의 피지컬 AI 전략을 실행하는 핵심 거점으로 기능하게 된다. 피지컬 AI는 인공지능이 디지털 환경을 넘어 물리적 세계에서 동작하는 시스템으로 확장되는 차세대 AI 진화 단계를 뜻한다. 기존 디지털 AI 애플리케이션과 달리, 피지컬 AI 시스템은 실시간으로 결정론적 동작을 수행하며 안전하게 인식하고 판단해 행동해야 한다. 특히 휴머노이드로 대표되는 로보틱스는 피지컬 AI의 전형적인 사례로 꼽히며, 임베디드 프로세싱, 센싱, 액추에이션, 전력 관리, 소프트웨어, 개발 도구 등의 유기적인 통합이 필수이다.     이번 연구소 설립은 르네사스가 지난 7월 1일 출범한 피지컬 AI 사업부의 뒤를 잇는 행보로, 피지컬 AI를 핵심 중장기 성장 동력으로 육성하려는 르네사스의 의지를 한층 강화한 조치다. 연구소는 하드웨어와 소프트웨어, AI 모델링, 제어, 전원 공급, 센싱, 시스템 수준 검증 체계를 하나로 아울러 설루션 개발부터 실제 배치까지 이어지는 엔지니어링 전 과정을 뒷받침한다. 단순히 완제품을 전시하는 수준을 넘어, 고객의 요구와 생태계 자원, 첨단 기술을 잇는 플랫폼으로서 통합 로보틱스 설루션의 검증과 공동 개발을 이끌 계획이다. 르네사스는 두뇌 및 모션 제어, 센싱, 액추에이션, 전력 관리를 비롯한 핵심 시스템 영역 전반을 아우르는 폭넓은 포트폴리오를 바탕으로, 피지컬 AI와 휴머노이드 로보틱스 시장을 공략하고 있다. 자동차 및 산업 분야에서 수십 년간 쌓아온 노하우를 기반으로 하드웨어 기술에 기능 안전, 에지 AI, 클라우드 기반 전자 개발 플랫폼인 르네사스 365(Renesas 365)를 결합함으로써 고객이 더욱 안전하고 지능적이며 확장성 높은 로봇 시스템을 설계할 수 있도록 지원한다. 르네사스의 이보 마로코 UX 부문 총괄 부사장은 “휴머노이드 로봇이 고도화되고 복잡해짐에 따라, 하드웨어와 소프트웨어 시스템이 완벽하게 연동되어야 한다는 요구가 커지고 있다”고 짚었다. 이어 “현재 르네사스는 휴머노이드 로봇 부품 명세서(BOM)의 약 30%를 공급할 수 있는 수준이지만, 제어, 전력, 센싱, AI, 소프트웨어 및 생태계 설루션 전반의 강점을 바탕으로 이를 70%까지 확대할 기회를 엿보고 있다”면서, “새 연구소를 통해 고객이 전체 시스템을 완벽히 검증하고 차세대 로보틱스 혁신의 도입 속도를 높이도록 지원할 것”이라고 덧붙였다. 르네사스 중국 지사의 이본 류 총괄 부사장은 “중국은 두터운 고객층과 긴밀한 협력 생태계, 종합적인 공급망 서비스 시스템을 바탕으로 로보틱스 혁신과 도입을 이끌고 있다”고 설명했다. 아울러 “르네사스는 베이징 연구소와 보유 기술 역량을 활용해 고객, 생태계 협력사, 대학, 스타트업과 긴밀히 협력할 것”이라며, “이 연구소는 중국 시장 내 주요 전략의 일환으로서 피지컬 AI 시스템의 엔지니어링 구현을 크게 앞당길 것”이라고 강조했다.

자율주행 기술 접근성에 혁신을 가져오다   티어포(TIER IV)는 자율주행 기술 개발을 개방하여 접근성과 확장성을 높임으로써 모두가 자율주행 기술에 접근할 수 있도록 만들기 위해 노력하고 있다. 이 비전을 뒷받침하기 위해 티어포는 유니티로 개발한 오픈소스 시뮬레이터인 AWSIM을 구축했다. AWSIM은 보다 현실적이고 효율적인 환경에서 오토웨어(Autoware)와 같은 오픈소스 자율주행 소프트웨어의 테스트와 검증, 최적화 등을 지원하는 시뮬레이터이다. 이번 호에서는 티어포가 왜 유니티를 선택했는지와 팀에서 어떻게 자율주행에 맞춤화된 시뮬레이터를 구축했는지, AWSIM을 통해 어떻게 비용이 많이 드는 실제 테스트에 대한 의존도를 줄이면서 오토웨어 생태계를 확장하고 있는지 살펴본다. ■ 자료 제공 : 유니티 코리아     기존 방법론의 한계 자율주행 소프트웨어를 개발하려면 실제 도로에서 테스트하기 전에 동작, 센서 성능, 시스템 상호 작용을 대규모로 정확하게 확인할 수 있는 시뮬레이션 환경이 필요하다. 차량과 전문 코스를 활용한 실제 테스트는 비용이 많이 들고 시간도 오래 걸리며, 안전상의 위험이 내재되어 있다. 하지만 티어포가 2020년에 기존의 여러 시뮬레이터를 평가한 결과, 대다수가 오토웨어와 같은 자율주행 소프트웨어의 요구 사항에 맞게 디자인되지 않았다는 사실을 확인했다. 많은 시뮬레이터가 ROS2(Robot Operating System 2)와 호환되는 통신 방식 대신 독점 프로토콜에 의존하고 있어서 현실적인 연동이 어렵고, 시뮬레이션과 실제 차량 환경 간 이동에 더 많은 작업이 필요했다. 기술적 한계로 인해 추가적인 마찰도 발생했다. 일부 시뮬레이터에서는 라이다(LiDAR)를 CPU에서 처리해 속도와 정확도가 감소했고, 더러는 교차로에서 신호등을 안정적으로 인식하는 등의 복잡한 자율주행 워크플로에 반드시 필요한 기능이 부족했다. 티어포는 결국 오토웨어 시뮬레이션 전체 프로세스를 처음부터 끝까 지지원하는 시뮬레이터를 찾을 수 없었다.   참조 환경으로서의 AWSIM 티어포는 여러 불완전한 툴을 조합하는 대신, 자체 시뮬레이터인 AWSIM을 개발하기로 했다. AWSIM은 유니티로 개발한 오픈소스 자율주행 시뮬레이터로, 오토웨어의 참조 환경으로 설계되었다. 유니티로 개발한 AWSIM은 오토웨어와 원활하게 연동되며, 보다 폭넓은 자율주행 생태계에 맞는 개방형 개발 모델을 지원한다. 오픈소스 기반을 마련한 것은 전략적 선택이었다. 티어포는 AWSIM의 투명성과 접근성을 보장해 다양한 기업과 연구자, 개발자 등이 보다 쉬운 참여와 기여, 공통적인 참조 구현 기반 개발이 가능한 환경을 조성했다. AWSIM은 오토웨어를 도입하는 팀의 학습 기간도 단축해 준다. 사전 연동된 데모 시뮬레이션을 통해 일반적으로 필요한 센서와 맵, 시나리오 등의 설정에 많은 시간을 할애하지 않고 시뮬레이터를 연결해 처음부터 끝까지 워크플로를 바로 진행할 수 있다. 이런 방식으로 AWSIM은 단순한 시뮬레이터를 넘어, 오토웨어와 호환 가능한 시뮬레이션 환경 구축의 실용적인 레퍼런스 역할을 한다. 티어포의 AWSIM 개발 리드인 마키노 타카토키는 “앞으로 AWSIM은 오토웨어와의 연결을 목표로 시뮬레이터를 개발하려는 자율주행 관련 기업과 대학이 참고할 수 있는 방향을 제시할 것이며, 앞으로 다양한 협업이 이루어지길 기대한다”고 말했다.   ▲ AWSIM 개발 스크린   유니티가 개발 툴로 선정된 5가지 이유 AWSIM을 구축하기 위해 티어포에는 고충실도 시뮬레이션, 복잡한 센서 워크플로, 외부 연동, 프로토타이핑부터 정식 제작까지 빠른 반복 작업을 지원하는 개발 플랫폼이 필요했다. 여러 옵션을 평가한 끝에 유니티를 선택한 5가지 이유는 다음과 같다.   개발 및 프로토타이핑 시간 단축 티어포는 유니티의 빌트인 물리 요소, 렌더링, 신(scene) 관리 기능을 통해 기본 설정에 소요되는 시간을 줄이고 구현에 집중할 수 있었다. 마키노에 따르면, 유니티의 C# 기반 환경 덕에 센서와 차량 동작 실험에서 R&D 반복 수정 시간도 단축되었다고 한다.   핵심 기능과 고급 기능의 균형 조정 티어포는 고급 최적화와 커스터마이징에 도움이 되는 기술인 DOTS(데이터 지향 기술 스택, Data-Oriented Technology Stack)와 SRP(스크립터블 렌더 파이프라인, Scriptable Render Pipeline) 등 유니티의 기본 툴과 확장성을 높이 평가했다.   큰 규모에서도 유지되는 성능과 유연성 자율주행 시뮬레이션은 렌더링과 오브젝트 처리에 매우 높은 성능을 요구한다. 유니티는 팀에게 품질이나 성능에 맞게 조정할 수 있는 유연성을 제공하고, 차량, 교통 참가자 등 움직이는 다수의 오브젝트를 효율적으로 관리할 수 있게 지원했다.   방대한 생태계와 인재 풀 유니티의 폭넓은 사용자층과 기술 자료, 지원 리소스를 비롯해 게임 외의 다양한 분야에 채택된 사례도 많았던 덕에 티어포에서는 정보 수집과 문제 해결, 유니티 경력 보유 인재 채용 등이 한층 수월했다.   개방형 개발을 위한 멀티플랫폼 지원 AWSIM은 오픈소스이므로 접근성이 중요하다. 리눅스를 지원하는 유니티는 CI 파이프라인, 컨테이너화된 워크플로를 비롯해 오토웨어와 AWSIM이 사용하는 우분투(Ubuntu) 기반 개발 환경에 적합한 플랫폼이었다.   오픈소스와 자율주행 시뮬레이터 관련 과제 오픈소스 기반 자율주행 시뮬레이터를 구축하는 과정에서 티어포와 더 넓은 오토웨어 커뮤니티에 고유한 기술적 과제와 운영상의 과제가 발생했다. AWSIM은 모든 사람들에게 공개될 예정이었으므로, 티어포에서는 오픈소스와 호환되는 라이브러리 및 외부 애셋의 제약을 고려해야 했다. 이 과제를 해결하기 위해 티어포는 오토웨어 재단 산업 그룹의 일원인 로보텍.에이아이(Robotec.ai)와 협력하여 ros2-forunity, Robotec-GPU-Lidar와 같은 라이브러리를 개발하고 활용했다. 이러한 라이브러리는 유니티에서 네이티브 ROS2를 직접 처리하고, 엔비디아 옵틱스(NVIDIA OptiX)를 사용한 레이트 레이싱 기반 라이다 시뮬레이션을 구현하여 라이다 처리를 CPU에서 GPU로 오프로드하게 했다. 팀은 우분투에 맞는 개발 요구 사항도 해결해야 했다. 오토웨어가 우분투에서 실행되므로 AWSIM 역시 외부 디바이스 지원이 제한되거나 문서화된 내용이 없는 상황에서 동일하게 우분투에서 동작해야 했다. 예를 들어 네이티브 우분투 지원이 되지 않는 스티어링 휠 컨트롤러와 같은 디바이스의 경우, 티어포는 격차를 줄이기 위해 커스텀 드라이버를 개발하여 HILS(Hardware In the Loop Simulation) 설정을 일관성 있게 유지했다. 마키노 리드는 “빠르게 발전하는 개발 분야에서 유니티와 같은 게임 엔진을 활용하는 것은 산업 용도로도, 연구 목적으로도 매우 효과적”이라고 평가했다.   ▲ 유니티 출력을 실제 카메라 센서로 촬영   주요 과제 설루션 다중 카메라 렌더링 자율주행 시뮬레이션은 실시간으로 여러 고해상도 센서에 프레임마다 데이터를 제공해야 하므로 일반적인 3D 인터랙티브 애플리케이션보다 더 높은 성능이 요구된다. 티어포는 일부 AWSIM 시나리오에서 센서의 정확도를 유지하면서 8대 이상의 카메라를 동시에 실행해야 했기 때문에 표준 최적화 기술만으로는 충분하지 않았고, 이에 커스텀 조정이 필요했다. 팀에서는 유니티를 활용해 이러한 부하를 관리하기 위한 일련의 특화된 최적화 기법을 개발했다. 여기에는 여러 카메라에서 시차를 둔 렌더링으로 급격한 부하를 줄이고, 타임스케일 조정으로 프레임당 리소스를 더 할당하며, 애셋을 최적화하고, 정확도와 프레임 속도 간의 균형을 맞추기 위해 단일 프로젝트 내에서 렌더링 파이프라인 옵션을 유연하게 활용하는 등의 작업이 포함되었다.   HILS 티어포는 유니티 잡 시스템(Unity Job System)과 피직스(PhysX) 등의 툴을 사용하여 차량, 교통, 보행자 시뮬레이션의 실시간 성능을 향상했다. 팀에서는 HILS를 지원하기 위해 원시 센서 패킷을 분석하고 유니티에서 동등한 출력을 재현하여 테스트 차량에 배포하기 전에 ECU와 카메라 센서 설정을 시뮬레이션에서 테스트할 수 있도록 했다. 마키노 리드는 “일반적인 게임 개발에서 사용되는 컬링과 LOD는 주변 오브젝트에 변화를 줘 수집 가능한 센서 데이터에 영향을 줄 수 있다. 따라서 원하는 성능을 얻기 위해 다양한 아이디어를 생각해 내야 했다”고 전했다.   라이브러리를 활용한 기능 개발 티어포는 커스텀과 공동 개발 라이브러리를 통해 유니티의 기능을 더욱 확장했다. 팀에서는 엔비디아 옵틱스를 활용한 레이트레이싱 라이다 기능을 구축하고, 이를 유니티에 네이티브 플러그인으로 연결하여 오토웨어의 자기 위치 추정 워크플로용 포인트 클라우드 맵을 생성했다. 또한 VFX 그래프를 활용해 비, 눈 등 기상 효과와 이로 인해 카메라와 라이다 데이터에 발생하는 시각적 노이즈까지 시뮬레이션했다. 또한 티어포는 ros2-for-unity 라이브러리를 통해 유니티 내에서 DDS와 ROS2 관련 설정을 직접 작업함으로써, 여러 시뮬레이션 스택에서 시간 관리를 통합하고 실제 도로 위 차량에서 사용되는 것과 유사한 저지연 통신 패턴을 재현할 수 있었다. 마키노 리드는 “ros2-for-unity는 실제 차량에서 사용되는 메시징 포맷과 통신 프로토콜을 그대로 고처리량 저지연으로 활용할 수 있어 가능한 한 실제 차량에 가까운 시뮬레이션 구현이 가능하다”고 설명했다.    ▲ 주변 오토웨어 툴을 포함한 연동 시뮬레이션. 왼쪽 상단 : AWSIM, 오른쪽 상단 : 오토웨어, 왼쪽 하단 : 주행 경로, 오른쪽 하단 : 차량 내 앱   AWSIM 개발이 기여한 오토웨어의 개선 AWSIM은 외부 오토웨어 생태계와 티어포의 내부 개발 워크플로 모두에 새로운 가치를 더했다. AWSIM이 공개되기 전에는 시뮬레이션을 실행하려면 오토웨어와 시뮬레이터 양쪽 모두에 대한 깊은 이해도가 필요했고, 따라서 신규 사용자에게는 진입 장벽이 높았다. AWSIM은 튜토리얼과 사전 연동된 워크플로를 통해 개발자들이 쉽게 시작하고 시뮬레이션을 실행할 수 있게끔 만들었고, 완전한 오토웨어 파이프라인을 보여 주며 그 장벽을 낮췄다. 이러한 접근성 덕분에 도입이 확대되었다. AWSIM은 일본 자동차 기술회가 주최하는 AI 챌린지 예선에서도 활용되어, 매년 수백 명의 참가자들이 오토웨어 생태계를 경험하고 오픈소스 자율주행을 중심으로 한 커뮤니티의 성장을 가속화하는 데 기여했다. 내부적으로는 AWSIM이 오토웨어 출시 전에 포괄적인 평가를 지원하여 개발 효율성을 높였고, 초기 검증과 디버깅에서 물리적 차량에 대한 의존도를 줄여 특히 차선 유지와 신호 인식 등의 카메라 기반 기능에서 큰 도움이 되었다. AWSIM의 영향은 내부 테스트의 효율 향상에만 그치지 않고, 더 넓은 산업 분야에서 검증하는 단계로 확대되고 있다. 2025년, 이 프로젝트는 제17회 유니티 어워즈 산업 분야에서 이노베이션 어워드 수상의 영예를 안으며, 티어포가 접근성 높은 오픈소스 시뮬레이션을 통해 자율주행 분야의 발전을 이끌고 있음을 입증했다. 마키노 리드는 “AWSIM의 가장 중요한 성과는 AWSIM 튜토 리얼 시청만으로 누구나 시뮬레이터를 오토웨어에 연결할 수 있는 환경을 만들었다는 것”이라고 전했다.   AWSIM의 미래 앞으로 티어포는 AWSIM을 오토웨어 프로젝트의 디지털 트윈 시뮬레이터 참고 자료로 발전시켜 나갈 계획이다. 주요 목표 중 하나는 정확하게 재현된 POC 테스트 사이트를 활용해 수만 킬로미터의 주행 데이터를 생성함으로써, 실제 차량 테스트에만 의존하지 않고 대규모 평가를 지원하는 것이다. 티어포에게 이 목표는 단순한 시뮬레이션 품질 개선 그 이상을 의미한다. 오토웨어의 신뢰성을 강화하고, 글로벌 커뮤니티를 확장하며, 전 세계 수많은 개발자, 연구자, 업계 파트너에게 도달할 수 있는 개방형 자율주행 생태계에 한 걸음 더 다가간다는 비전을 뒷받침한다.     ■ 기사 내용은 PDF로도 제공됩니다.

도구의 시대를 지나 운영 모델의 시대로   디지털과 현실을 잇고 아이디어를 실제 가치로 구현하는 방식, 오토데스크가 말하는 ‘디자인 & 메이크(Design & Make)’다. 7월 15일에 열린 ‘오토데스크 디자인 & 메이크 서밋 코리아 2026’은 그 진화를 이끄는 세 개의 키워드(데이터, AI, 컨버전스) 를 축으로 구성되었다. 기조연설로 문을 열고, 세 곳의 고객 성공 사례가 이어졌으며, 오토데스크 코리아의 AI 세션으로 마무리되는 하루였다. 필자가 이날 현장에서 받은 인상을 한 문장으로 요약하면 이렇다. “지난해가 ‘어떤 도구를 써야 하나’로 우왕좌왕하던 시기였다면, 올해의 화두는 ‘어떤 데이터를 어떤 거버넌스로 다룰 것인가’로 옮겨 갔다.” 마지막 세션에서 오토데스크코리아의 정태승 박사가 던진 이 진단은 사실 그날 발표자 대부분이 서로 다른 언어로 반복한 말이기도 했다. 도구(BIM)는 이미 전제가 되었고, 승부처는 그 위에 쌓이는 데이터와 그것을 운영하는 방식으로 넘어가고 있었다.   ▲ 오토데스크 디자인 & 메이크 서밋 코리아 2026 현장   기조연설 — 새로운 청사진, 그리고 모두를 위한 디자인 이번 행사의 기조연설은 오토데스크의 켄 푸(Ken Foo) 전략 파트너십 부사장이 맡았다. ‘The New Blueprint : Data, AI, and Convergence’라는 제목처럼, 데이터·AI·산업 융합이 기업의 운영 방식을 어떻게 재편하는지를 조망했다. 프로젝트는 갈 수록 복잡해지고 수익성 압박은 커지는데, 연결된 데이터와 플랫폼, 그리고 워크플로에 내장된 AI가 의사결정과 리스크 관리, 업무의 예측 가능성, 효율과 품질, 나아가 혁신을 어떻게 끌어올릴 수 있는지가 핵심 메시지였다. 고객 기조연설은 현대자동차 제네시스의 송지현 실장과 이준호 책임연구원이 ‘Nanomobility – Design for All’을 주제로 진행했다. 이동약자와 도시의 이동 문제에서 출발한 나노 모빌리티가 포용적 디자인과 제품 혁신으로 발전하고, 오토데스크 설루션 기반의 워크플로를 통해 더 가볍고 강하며 제조 가능한 구조로 구현된 과정을 소개했다. 현대자동차 제네시스의 나노 모빌리티 사례는 ‘디자인’ 과 ‘메이크’가 하나의 흐름으로 이어지는 구체적인 예시였다.   고객 성공 사례 세 편 — 다른 출발점, 같은 결론 GS건설, 간삼건축, 삼우종합건축사사무소가 연달아 무대에 올라 각자의 현실적인 고민과 시도를 공유했다.   GS건설 — CDE로 ‘흩어진 정보’를 연결하다 GS건설 디지털건설팀의 조재영 팀장은 아주 현실적인 질문으로 발표를 열었다. ‘현장에서 최신 정보를 확인하려면 몇 개의 시스템을 뒤져야 할까?’ 도면은 도면 시스템에, BIM은 별도 서버나 담당자 PC에, 이슈는 메신저와 메일에, 검측 서류는 개인 PC와 휴대전화에 흩어져 있다. 정보가 없는 게 아니라, 서로 연결되어 있지 않다는 것이 문제다. 그 결과 무엇이 최종본이고 기준인지 확인하는 데만 많은 시간이 든다. 그 해법으로 제시된 것이 CDE(Common Data Environment, 공통 데이터 환경)다. 조 팀장은 CDE가 원드라이브 같은 단순 저장소가 아니라는 점을 강조했다. 최신 도면과 BIM, 시방, 이슈, 검측 사진 같은 ‘승인 정보’를 하나의 업무 흐름으로 연결하는 프로젝트 협업 공간이라는 것이다. 모든 참여자가 같은 승인 정보를 기준으로 일하고, 변경·검토·조치 과정이 기록되므로, 문제가 생겼을 때 누가 언제 어떤 정보를 기준으로 판단했는지 추적할 수 있다. 글로벌 건설사의 정보 관리는 파일 저장에서 출발해 사내 서버·EDMS를 거쳐, 영국발 정보 관리 기준(ISO 19650)이 확산되면서 상용 협업 플랫폼으로, 다시 클라우드·모바일 환경으로 발전해 왔다. 지금은 CDE를 PMS·ERP·데이터 레이크·AI와 연결해 전사 데이터 기반으로 확장하는 단계라는 설명이다. 특히 인상적이었던 것은 CDE와 ‘AI 도면 시스템’의 역할을 분명히 구분한 대목이었다. CDE가 답해야 할 질문은 “어떤 도면이 최신 승인본인가”(버전·승인 권한·배포·감사 이력)이고, AI 도면 시스템의 질문은 “이 도면에서 무엇을 찾고 분석할 수 있는가”(검색·비교·요약·오류 후보 탐지)다. 만약 AI 시스템이 승인·배포·버전 관리까지 떠안으면 사실상 또 하나의 CDE를 자체 개발·운영하는 부담을 지게 된다. 공식 기준 정보는 CDE가 관리하고, AI는 그 위에서 검토하는 구조가 바람직하다는 것이다. CDE 선택 기준으로는 여덟 가지 항목이 제시되었다. ISO 19650 기반 정보 관리 적합성 : 작성 중/공유/승인/보관 등 정보 상태 구분, 명명 규칙·고유 ID·메타데이터, 버전·워크플로·감사 추적·아카이브 도면 관리 : DWG·DGN·PDF 등 원본 형식과 외부 참조(Xref) 지원, 시트 단위 관리, OCR 속성 추출, 개정 전후 비교·마크업 BIM 지원 : 레빗(Revit)·나비스웍스(Navisworks)·IFC 등 주요 모델 조회, 건축·구조·설비 통합 검토, 간섭·설계 변경을 이슈로 전환 모바일 사용성 : 지하층·통신 음영 구간에서도 도면 확인, 이슈·체크리스트·사진을 도면 위치에 바로 연결 권한·보안 : 역할·폴더·문서 상태별 권한 구분, 인증·저장 위치·활동 로그 API·데이터 연계성 : PMS·공정·ERP·자재·원가·드론·레이저 스캔 연결, 데이터 레이크·AI 분석 활용 도입·표준화 용이성 : 표준 폴더·권한·워크플로 템플릿화, 한국어 지원, 국내 기술 지원, 확산성 비용·벤더 리스크 : 초기 구축비 외 라이선스·스토리지·교육·운영을 포함한 장기 총비용, 종료 시 데이터 반출과 종속성 조 팀장은 이 여덟 가지를 결국 세 개의 질문으로 압축했다. 공식 기준 정보를 제대로 관리할 수 있는가, 현장에서 실제로 쓸 수 있는가, 회사 시스템과 연계해 장기적으로 운영할 수 있는가. 이 조건을 폭넓게 충족하는 설루션은 많지 않은데, 오토데스크 포마(Forma)가 그 몇 안 되는 선택지에 든다는 것이 결론이었다. BIM 360과 컨스트럭션 클라우드(Construction Cloud, ACC)를 거쳐 지금은 포마를 중심으로 계획·설계·시공 데이터를 잇는 방향으로 발전하고 있고, 그 중심에 도면·문서·모델을 다루는 데이터 매니지먼트가 있으며 그 위에 Collaborate·Build·Takeoff와 초기 계획 기능이 얹힌다. 실제 적용 사례도 구체적이었다. 통도면을 시트 단위로 전환하면 변경된 도면만 새 버전으로 등록되고 개정 전후 비교가 가능해진다. 부담이 되던 통도면 분할은 GS건설이 AI OCR로 도면번호· 도면명을 인식해 자동 분할하는 웹 도구를 자체 개발해 써 왔는데, 최근에는 포마의 페이지·속성 추출 기능으로도 처리할 수 있게 되었다. 다만 잘못 인식된 정보가 그대로 기준이 되지 않도록 최종 검수는 반드시 필요하다는 단서를 달았다. 이 밖에 웹·태블릿에서의 BIM 접근, 도면·모델의 정확한 위치에 이슈를 등록하고 담당자·기한·상태를 지정하는 기능, 그리고 검측 서류의 준비·출력·제출 과정을 통째로 없앤 모바일 검측 사례가 소개되었다. 철근 검측 자동화(도면 속 부재명을 AI가 인식해 구조 일람과 연결)는 아직 개발 중이라고 밝혔다. 마지막으로 포마와 MCP(모델 콘텍스트 프로토콜)를 연결한 확장 실험을 공유했다. CDE의 도면·BIM·공정표·현장 데이터를 API로 LLM(대규모 언어 모델)에 연결해, 자연어로 특정 층 물량을 조회해 보고서로 받거나, 공정표 기반 CP(주공정) 분석, 구조 부재 Takeoff의 엑셀 내보내기, BIM 모델 기반 작업 위험 검토를 시험해 본 결과다. 최근 한글 지원이 개선되었고, 국가건설공사 표준시방·LH·도로·철도 등 국내 기준이 반영되면 활용도가 더 높아질 것이라는 기대도 덧붙였다. 조 팀장의 결론은 명료했다. “CDE는 하나의 시스템을 도입하는 것이 아니라, 프로젝트 구성원이 같은 정보를 기준으로 일하게 만드는 변화다.”   ▲ GS건설 조재영 팀장의 CDE·포마 적용 발표   ▲ GS건설 발표 인포그래픽(필자 생성 by Gemini)   간삼건축 — 데이터 자산화가 가져올 미래 간삼건축 이혁 INNOVATION 부문 대표의 발표는 세 사례 중 가장 서사적이고 성찰적이었다. 2008년 간삼건축에 합류해 십 수 년간 프로세스 효율화와 인적 자산 관리를 고민해 온 그는, “여전히 진행 중이고 실험적인 이야기”라며 담담하게 자사의 시행착오를 풀어놓았다. 출발은 2023년의 한 경험이었다. 연말에 급하게 작은 오피스를 호텔로 리모델링하는 기획설계를 맡게 되었는데, 유튜브에서 본 3D 모델링 기반 AI 렌더링을 처음 시도했다. 금요일 오전 세 시간 모델링, 오후엔 BIM 팀원과 함께 손을 보고, 두 시간 만에 50여 장의 이미지를 얻었다. 주말을 거쳐 결국 둘이서 14시간 만에 보고서를 완성했다. 그가 놀란 것은 이미지 품질이 아니라, ‘AI를 쓰면 우리 프로세스를 이렇게 압축할 수 있구나’라는 사실이었다. CAD와 스케치업이 각각 도면과 모델만 다루는 ‘반쪽짜리’라면, 라이노(Rhino)와 레빗으로 옮겨 모델링이 도면으로 직접 이어지고 AI로 이미지를 얻는 세상이 가능하다는 것. 그래서 그는 “AI를 잘 쓰려면 툴 자체가 바뀌어야 한다”고 말하며, “세상은 데이터로 넘어가고 있었다”고 덧붙였다. 간삼은 지난 5년간 여러 조치를 빠르게 진행했다. BIM 교육 동영상 배포, 전사 BIM 능력시험, CAD 허가제, 템플릿 개정, 파라메트릭 팀 신설, 연 10여 회의 AI 세미나. 그러나 그는 생텍쥐페리의 어린 왕자를 빌려 조직의 저항을 유쾌하게 꼬집었다. 어린 왕자가 지구에 오기까지 거친 여섯 별의 어른들이 회사에 다 있다는 것이다. 정작 본인은 하지 않으면서 아랫사람에게만 BIM을 시키는 사람, 끊임없이 허점만 지적하는 사람, “난 CAD가 BIM보다 빠르다”고 버티는 시니어 — 자전거를 빨리 타서 자동차를 이기겠다는 이들 — 와 매일 씨름한다고 했다. 그럼에도 ‘바오밥 나무를 뽑겠다’는 일념으로 만든 것이 ‘팀31’ 이다. 기존 BIM 매니저 팀에 건축 설계 시니어를 붙인 조직으로, 목표는 SD(계획설계) 종료 시점에 실시설계 도서 총량의 30%를 확보하는 것. 도면 총량 30%에 도면당 완성률 60%를 곱하면 18이라 원래 이름은 ‘T18’이었는데, 직관적인 ‘팀31’로 바꿨다는 뒷 이야기가 웃음을 자아냈다. 설계팀 한 명과 팀31 두 명을 짝지어 올해 이미 12개 프로젝트에서 SD 종료 시 40~45%까지 도면을 만들어 내고 있고, 회사 기준으로 전체 설계 효율을 약 6% 올릴 것으로 기대한다고 했다. 자산화 도구도 촘촘했다. 클라우드 협업 보드 미로(Miro)에 계약·목표와 SD 30% 분량의 도면 150여 장을 올려 피드백을 공유하고, 포마에는 간삼의 매스 자산을 허브에 DB처럼 올려 쓰며(파트너사 상상진화의 Forma Box로 초기 계획을 압축), 환경 분석은 라이노의 그래스호퍼(Grasshopper)보다 간편하다고 평가했다. 이미 2차 교육을 마쳤고 8월 중순 3차 교육 후 전면 적용할 계획이다. 오토데스크의 콘텐트 카탈로그(Content Catalog)로는 엘리베이터의 모든 사양에 이름을 붙여 클라우드에 올려 파라미터 조정 없이 선택·삽입하게 했고, 한 걸음 더 나아가 방풍실·병실·계단실·화장실 등 패밀리 조합을 블록으로 저장했다. 여기에 자체 개발한 디테일 DB는 1/50·1/60 도면을 함께 연동하고, 그 디테일을 언제 써야 하는지·주의점은 무엇인지에 대한 경험자의 설명과 별점·좋아요까지 붙였다. 이 대표는 아키텍트 펌의 기술을 ‘감자 이야기’에 비유했다. 1500년대 유럽에 감자가 퍼졌지만 사람들은 ‘악마의 식물’이라며 먹지 않았고, 1700년대 대기근 때에도 감자를 두고 굶어 죽었다. 1800년대 보급 이후 인구가 폭발했지만, 작황 좋은 한 품종만 심은 탓에 감자 마름병(역병)이 창궐하자 아일랜드에서만 150만이 아사했다. ‘안 먹어서 죽고, 그것만 먹어서 죽는다’는 이 우화를, 이 대표는 AI에 그대로 겹쳤다. 쓰지 않으면 뒤처지고, 특정 방식만 맹신하면 위험하다는 것. 실제로 지금 설계실을 들여다보면 절반은 PPT를, 절반은 AI를 쓰고 있는데, 도면 없이 화려한 겉모습만 남는 상태를 그는 오히려 경계했다. 지식 자산화의 진짜 벽은 기술이 아니라 사람과 세대였다. ‘내 자산인데 왜 회사에 내놔야 하느냐’는 물음은, 이 대표가 보기엔 도제식 문화의 방어 심리로서 나름 합리적이다. 아키텍트 펌은 사람을 자산처럼 다뤄 왔지만, 그 자산은 회계장부에 잡히지 않고 복제·확장·승계도 안 되며 사람이 떠나면 함께 사라진다. 동료의 피드백을 거치지 않은 개인 자산은 품질도 낮다. 결과의 공정성보다 과정의 공정성을 중시하는 MZ 세대는 회사의 지시를 맹목적으로 따르지 않는다. 그래서 그가 내린 결론은, 개인의 가치를 ‘추출’해 회사 가치로 만드는 구조에서 벗어나, 개인이 자신의 가치를 내어놓고 서로 교환하며 성장하는 ‘마당(커뮤니티)’을 만드는 것이다. 성과에는 ‘OO의 리포트’, ‘OO의 LISP’, ‘OO의 AI 디자인’처럼 이름을 붙여 인정한다. TFT로 만든 ‘모두가 만드는 플랫폼’은 이미 베타를 열었고 9월 초 정식 오픈을 앞두고 있다. 특히 간삼건축 이혁 부문 대표의 마지막 말은 이날 여러 발표가 향하고 있던 방향을 가장 명확하게 요약했다. “BIM을 시작으로 AI와 클라우드까지, 단순히 도구를 바꾸는 것만으로는 혁신이 안 되겠다는 생각이 들기 시작했다.”   ▲ 간삼건축 이혁 부문 대표의 ‘데이터 자산화’ 발표   ▲ 간삼건축 발표 인포그래픽(필자 생성 by Gemini)   삼우건축 — DX부터 AX까지 삼우건축 AX팀의 윤종근 프로는 삼우가 BIM 기반 설계 체계에서 출발해 DX(디지털 전환)를 거쳐 AX(AI 전환) 운영 모델로 이동한 여정을 단계별로 정리했다. 그는 이 여정을 새로운 기술의 도입이 아니라, “설계자가 문제를 더 빠르게 정의하고 AI·클라우드로 해결하며 그 결과를 조직의 자산으로 축적하는 새로운 업무 방식”으로 규정했다. 시작은 BIM이었다. 삼우는 2016년부터 전면 BIM을 수행하며 BIM을 조직의 ‘설계 기준’으로 만들었다. 전 직원 BIM 역량 평가, CAD 표준과 수행 경험·자동화 속성을 반영한 표준 템플릿, 반복 업무를 시스템화한 삼우 BIM 익스텐션, 2018년 건축·구조 표준 모델과 도면 기준, 2019년 설계 단계별 권장 모델이 그것이다. 핵심은 ‘BIM을 썼다’가 아니라, 설계 기준과 노하우·모델·도면 작성 방식을 디지털 자산으로 축적했다는 점이다. DX 단계의 목표는 본업 경쟁력 강화였다. AutoDrawings로 도면·시트 작성을, 창호·입면도 자동화로 뷰 생성·주석·시트 배치를 자동화했고, 구조 모델링과 일람표, 실내 마감표, 룸 데이터 시트(문서의 실 정보와 레빗 모델 정보를 연동)로 확장했다. 방식은 기술 부서가 현업의 문제를 수집·분석해 개발·배포·교육하고 현업이 적용하는 구조였다. 초기 성과는 분명했지만 한계도 뚜렷했다. 자동화 수요는 느는데 개발 인력은 제한적이고, 기능을 만들어도 실제 활용까지 이어지지 못했으며, 현업은 어떤 기능이 언제 있는지조차 알기 어려웠다. 질문은 ‘무엇을 더 자동화할 것인가’에서 ‘어떻게 더 잘 활용할 것인가’, 나아가 ‘누가 문제를 정의하고 해결에 참여할 것인가’로 바뀌었다. 이에 대한 두 갈래의 시도가 이어졌다. 하나는 사내 플랫폼 ‘DX 가이드맵’으로, 이미 만든 자동화 기능을 현업이 쉽게 찾아 적용하도록 연결했다. 이때 기술 부서의 역할이 ‘만드는 생산자’에서 ‘환경을 제공하는 프로바이더’로 분화된 것이 중요한 변화였다. 다른 하나는 2024년의 생성형 AI 공모전으로, 현업이 직접 문제를 정의하기 시작했다. 이미지 생성·데이터 분석·시각화 등 다양한 유스케이스가 나왔지만, 개인 역량에 의존한 방식은 회사 전체로 확산되기 어렵다는 한계도 함께 확인했다. 공모전에서 나온 아이디어가 기술 검증(POC)과 사용성 개선을 거쳐 사내 이미지 생성 AI 서비스 ‘미지’로 발전한 것은, 문제 정의의 출발점이 기술 부서에서 현업으로 옮겨 간 상징적 사례였다. 전환점은 2025년의 APS 도면 자동화 프로젝트였다. 오토데스크 플랫폼 서비스(APS)와 포마를 기반으로 PDF 출도의 반복 업무를 자동화해, 대형 프로젝트에서 하루가 걸리던 작업을 30분으로 줄였다. 그러나 윤 프로가 강조한 진짜 의미는 결과가 아니라 ‘개발 방식’에 있었다. AI와 협업하면서 기술 학습·코드 작성·오류 개선의 속도가 달라졌고, AI가 단순 보조 도구가 아니라 개발 과정을 함께 푸는 파트너로 작동했다는 것이다. 그는 이 프로젝트를 “DX 방식으로 시작했지만 AX 방식으로 완성한 첫 프로젝트”이자 DX에서 AX로 넘어가는 터닝 포인트로 규정했다. 이 가능성을 공식 운영 모델로 구조화한 것이 삼우 AI 프레임워크, 이른바 ‘사이프(CYPHE)’다. 핵심은 AI 활용을 개인의 실험에 머무르게 하지 않는 것이다. 사이프는 세 관점으로 요약된다. 첫째, 고객과 회사의 정보를 안전하게 지키면서 AI를 강력하게 쓰는 표준 환경을 구축한다. 둘째, 특정 업무 목적에 맞는 AI 활용을 검증·지원하는 구조를 세운다. 셋째, 실제 업무 변화와 성과를 조직 차원에서 인정하고 확산한다. AI 활용의 기본값을 ‘보안 안에서의 활용’으로 바꾸고, 개인의 시도를 조직의 활용으로 전환하는 것이다. 여기에 유스케이스 등록과 인센티브·교육·멘토링으로 이어지는 성장 구조를 얹었다. 현업이 문제를 발굴하면 AX팀이 기술과 보안을 연결해 구체화하고, 현업의 오너십을 유지한 채 거버넌스와 파트너 리소스를 붙인다. 오토데스크 설루션과 연결성이 높은 케이스는 APS·포마 기반으로 더 확장된 업무 전환 모델로 발전시키며, 최근에는 오토데스크와 공동으로 AX 워크숍을 마쳤다고 밝혔다. 결론은 이랬다. “삼우의 AX는 AI 서비스를 도입한 결과가 아니라, 조직이 일하는 방식을 바꾸는 과정이다. BIM이 설계 데이터를 만들었고, 자동화가 프로세스를 바꿨으며, AI와 클라우드는 문제 해결의 주체와 방식을 확장하고 있다.”   ▲ 삼우건축 윤종근 프로의 ‘DX to AX’ 여정 발표   ▲ 삼우건축 발표 인포그래픽(필자 생성 by Gemini)   오토데스크 AI로 여는 업무 혁신 마무리 세션은 오토데스크코리아의 정태승 박사와 성진호 수석이 맡았다. 고객들이 저마다의 방식으로 AI를 쓰는 모습을 본 뒤, ‘그렇다면 오토데스크는 AI를 어떻게 생각하는가’를 짚는 자리였다.   AEC 관점 — 데이터 교환 모델과 포마, 그리고 어시스턴트의 현주소 정 박사는 오토데스크의 토대로 ‘데이터 교환(data exchange) 모델’을 먼저 꺼냈다. 한 프로젝트에서 수많은 소프트웨어가 쓰이지만 모든 데이터가 한곳에 모일 필요는 없고, 각 모델에서 필요한 부분만 상호 교환되도록 하는 것이 요체다. 이 기반 위에서 다양한 소프트웨어가 운영되는 베이스라인 플랫폼이 바로 포마이며, 이것이 오토데스크가 그리는 생태계라는 설명이다. 흥미로운 것은 ‘이미지에서 공간으로’라는 방향이었다. 같은 프롬프트로 이미지를 만드는 것을 넘어 3차원 ‘공간’을 생성하는 기술에 지속 투자하고 있으며, “공간이 다음 세대의 표준이 될 것”이라고 내다봤다. 현주소에 대해서는 솔직했다. 아직 목적 지향의 ‘에이전트’ 단계까지는 아니며, 현재는 ‘어시스턴트’ 수준이라는 것이다. 반복 작업 자동화, 정보 분석, 그리고 내가 잘 모르는 기능의 의사결정 지원이 지금의 몫이다. 제품별로는 사이트 디자인(Site Design)과 올해 출시하는 빌딩 디자인(Building Design)이 소개되었는데, 웹에서 여러 사람이 함께 작업하고 파사드뿐 아니라 개별 실 단위까지 적용하며 그 데이터가 레빗으로 바로 넘어가는 흐름이 강조되었다. AutoCAD에서는 "보여줘/찾아줘/표준을 검토해 줘" 같은 문구로 QA·QC와 도움말을 어시스턴트가 처리하고, 포마(구 ACC)에서는 RFI 등 정해진 정보를 '필터'처럼 자연어로 조회·검토할 수 있다. 특히 공식 레빗 MCP 서버(베타)를 클로드와 약 1분 만에 연결해, 레빗을 열어 두고 문(door)에 대한 대시보드·일람을 3분 남짓에 만들어 내는 시연이 눈길을 끌었다.   D&M 관점 — 퓨전과 클로드(MCP)로 ‘의도’를 전달하다 이어 성진호 수석은 제조(Design & Make) 영역을 맡아, 퓨전(Fusion)과 AI의 결합을 직접 테스트한 결과를 공유했다. 그는 “본사 발표 자료가 아니라 제가 직접 돌려 본 내용”이라고 전제했다. 퓨전의 오토데스크 어시스턴트(Autodesk Assistant)는 같은 모깎기(R) 형상을 한 번에 선택·편집하거나, 마이크로소프트와 협력한 이미지 렌더링, 오픈 API를 활용한 엔지니어링 앱 개발·배포를 지원한다. 제조 및 기계 설계 분야(DNN)를 담당한 성진호 수석의 오토데스크 퓨전 시연 역시 놀라웠다. 퓨전이 앤트로픽의 MCP 표준을 사용하기 때문에 클로드가 이질감 없이 붙어 명령 수행은 물론 결과를 스크린샷으로 분석하고 커뮤니케이션한다. 심플한 의자를 3D로 모델링하면 여섯 개의 골체가 배치되고 치수가 파라미터로 등록되며 BOM까지 자동 작성됐다. STL 메시를 솔리드로 변환하는 작업, 이미지를 주고 네 번의 피드백으로 원하는 형상을 얻는 과정도 시연됐다. 한 걸음 더 나아간 것은 ‘에이전트 협업’이었다. 에이전트 1이 제조를 전제로 한 지침(컨텍스트 약 100줄)을 만들고, 에이전트 2가 그에 맞춰 MCP 서버로 구현하는 방식이다. 이렇게 하면 펼쳐지는 구조의 의자가 제조 가능한 모델로 만들어지고, 관절이 연결된 로봇이 한 시간이 채 안 되어 생성되며, CNC 가공을 위한 툴패스도 만들어진다. 룰 베이스 CAM을 넘어, 가공되지 않는 영역을 피드백으로 알려 주면 공구 길이와 이송 속도를 스스로 조정하고 기가공 영역을 제외해 자동으로 연결하는 모습이 인상적이었다. 2D 도면을 3D로 변환하는 것은 아직 어렵지만, 규칙을 분석할 수 있는 도면이라면 구현이 가능하다고 했다. 성 수석의 결론은 한 문장으로 압축된다. “설계 개념이 ‘소프트웨어 조작’에서 '의도의 전달’로 넘어가고 있다.”   정리 — 데이터 자산화, 적합성 정의, 거버넌스 마지막으로 정 박사는 고객 사례와 겹치는 결론을 세 가지로 정리했다. 첫째, 데이터가 자산화되어야 한다. 둘째, 지금 하는 일이 그 모델로서 적합한가에 대한 정의가 필요하다. 셋째, 조직이 어떤 거버넌스로 이를 운영할 것인가가 정리되어야 한다. 그는 “AX는 결국 운영 모델을 설계하는 것”이라며, 무엇을 쓰고 어떻게 절차를 만들지, 그리고 “누군가는 책임을 져야 한다”는 점을 강조했다. 대부분의 문제가 책임을 지지 않으려는 데서 생긴다는 뼈 있는 말이었다.   ▲ 오토데스크코리아 정태승 박사의 오토데스크 AI 세션   ▲ 오토데스크 코리아 발표 인포그래픽(필자 생성 by Gemini)   필자의 시선 — 도구는 이미 전제, 승부는 데이터와 거버넌스 하루를 되짚어 보면, 네 개의 발표가 서로 다른 언어로 같은 말을 하고 있었다. GS건설은 ‘CDE와 역할 분리’로, 간삼건축은 ‘감자 우화와 지식 자산화’로, 삼우건축은 ‘사이프와 유스케이스 성장 구조’로, 그리고 오토데스크는 ‘데이터 교환 모델과 데이터·거버넌스’로. 표현은 달라도 지향점은 하나였다. BIM 같은 도구는 이미 전제가 되었고, 승부처는 그 위에 쌓이는 데이터를 어떻게 자산화하고, 개인의 AI 활용을 어떻게 조직의 자산으로 전환하느냐로 넘어가 있다는 것. 필자는 이 흐름이 개인 차원의 오래된 교훈과 맞닿아 있다고 본다. AI가 아무리 훌륭한 대안을 제시해도, 최종 판단은 도메인 지식을 가진 사람의 몫이다. 도구는 이미 민주화되었다. 이날 진행을 맡은 사회자가 훈민정음을 빗대어 “누구나 읽고 쓸 수 있다는 것은 지식의 민주화이고, 지금 AI가 바로 그렇다”고 한 것처럼, 이제 관건은 무엇을(도메인) 어떻게(프롬프트와 거버넌스) 시킬 것인가다. 개인 차원에서 ‘일머리’라 부르던 능력이, 조직 차원에서는 ‘데이터 자산화와 거버넌스’라는 이름으로 확장된 셈이다. 특히 “AX는 운영 모델을 설계하는 것”이고 “누군가는 책임을 져야 한다”는 말은, 화려한 AI 시연 사이에서 가장 오래 남는 문장이었다. 결국 도구를 바꾸는 것만으로 혁신은 오지 않는다. 어떤 데이터를 신뢰할 수 있는 기준으로 삼고, 누가 그것을 책임지며, 개인의 성과를 조직의 자산으로 어떻게 축적할 것인가 — 이 질문에 답하는 조직이 다음 단계로 나아갈 것이다.   ▲ 오토데스크 디자인&서밋 코리아 2026 핵심 메시지 인포그래픽(필자 생성 by Gemini)   맺음말 이번 서밋은 신기술의 전시가 아니라, 그 기술을 ‘어떻게 운영할 것인가’에 대한 고민의 공유장에 가까웠다. 지금 이 글을 읽고 있는 독자에게 묻고 싶다. 우리 조직은 어떤 데이터를, 어떤 거버넌스로 자산화하고 있는가. 그리고 각자의 자리에서 만들어 내는 AI 결과물은 개인의 실험으로 소모되고 있는가, 아니면 조직의 자산으로 쌓이고 있는가. 아직 답을 다 갖춘 조직은 없다. 모두 “늦은 감이 없지 않다”면서도 멈추지 않고 실험을 이어 가고 있었고, 오토데스크 역시 “내년에는 더 나아간 기술을 소개하겠다”고 약속했다. 내년 이맘때 이 자리에서 한 걸음 더 나아간 사례를 만나 보길 권한다. 도구를 넘어 운영 모델을 고민하기 시작한 조직에게, 올해의 서밋은 좋은 이정표가 되어 줄 것이다.   ■ 양승규 캐드앤그래픽스 전문 필진으로, MOT를 공부하며 엔지니어와 직장인으로 살아가는 방 법에 대해 탐구한다. 건축과 CAD를 좋아한다. (홈페이지)     ■ 기사 내용은 PDF로도 제공됩니다.

델 테크놀로지스는 국내외 IT 업계 리더와 관계자들이 참석한 가운데 ‘델 테크놀로지스 포럼 2026’을 열고, 인공지능(AI)을 실질적인 비즈니스 성과로 연결하기 위한 청사진을 공유했다. 이번 행사에서는 급변하는 환경 속에서 기업들이 마주한 과제와 해결 방안, 최신 IT 인프라 기술 트렌드가 폭넓게 다뤄졌다. 한국 델 테크놀로지스 김경진 회장의 환영사로 시작된 기조연설에는 한국 델 테크놀로지스 유상모 사장과 델 본사의 맷 던피 수석부사장이 나서 “이제 AI를 통해 실질적인 비즈니스 성과를 창출해야 할 때”라고 강조했다. 이들은 최근 델이 진행한 설문 결과를 인용하며, 응답 기업의 87%가 급변하는 환경 대응에 어려움을 겪고 있고 66%는 향후 3~5년 뒤 산업 변화를 예측하기 어렵다고 답할 만큼 불확실성이 크다고 진단했다. 또한 초대 연사로 참여한 SK하이닉스의 주영표 부사장과 과학커뮤니케이터 장동선 뇌과학자가 무대에 올라 혁신 사례와 통찰을 전했다.   ▲ 한국 델 테크놀로지스 유상모 사장   맷 던피 수석부사장은 이러한 변화를 극복하기 위한 과제로 데이터센터 현대화, 안전과 신뢰 바탕의 AI 확장, 현대적인 업무 환경 구현을 제시했다. 설문에 참여한 국내 기업의 72%는 현재 데이터센터 환경이 대규모 AI 및 분석 업무를 지원하기에 충분치 않다고 답했으며, 84%는 인프라 복잡성을 줄이기 위해 노후 장비를 최신 서버 및 저장장치(스토리지)로 통합·전환하는 현대화를 계획하는 것으로 나타났다. 보안과 데이터 거버넌스 역시 주요 과제로 지목됐다. 설문 응답자의 75%는 AI 데이터 관련 규제 대응에 어려움을 겪고 있으며, 65%는 보안 및 규제 준수 문제로 AI 도입이 지연되거나 중단된 경험이 있다고 밝혔다. 응답자의 60%는 제3자가 접근할 수 있는 생성형 AI 도구에 기업의 중요 데이터를 맡기기 어렵다고 답해 데이터 주권에 대한 높은 관심을 드러냈다. 아울러 에이전트 기반의 업무가 늘어나면서 개별 직원의 PC 역할도 중요해지고 있다. 한국 응답자의 90%는 현대적인 기기가 협업의 질을 높인다고 답했고, 87%는 노후 장비가 AI 앱 도입의 걸림돌이 된다고 답했다. 오후에는 AI, 모던 데이터센터, 모던 워크플레이스로 나뉜 세 개 트랙에서 스물다섯 개의 세션이 이어졌다. AI 트랙에서는 대규모 에이전틱 AI 운영 시 발생하는 비용과 위험을 통제하는 방법, 개념 검증(POC)에서 실제 운영 환경으로 확장하는 전략, ‘델 AI 팩토리(Dell AI Factory)’ 및 ‘델 AI 데이터 플랫폼(Dell AI Data Platform)’ 기반 구축 방안 등을 소개했다. 모던 데이터센터 트랙에서는 하이브리드 클라우드 환경의 신뢰성 확보와 사이버 복원력 전략을 설명했으며, 모던 워크플레이스 트랙에서는 AI 기반 업무 환경과 기기 관리, ‘델 데스크사이드 에이전틱 AI’ 구동 방식을 다뤘다. 또한, 델은 기업의 AI 혁신을 돕는 다양한 IT 설루션을 선보였다. 엔터프라이즈 저장장치 신제품인 ‘델 파워스토어 엘리트(Dell PowerStore Elite)’의 데이터 절감 기술을 체험하는 공간이 마련됐으며, AMD, 인텔, 마이크로소프트, 엔비디아 등 글로벌 파트너사와 국내 협력사 마흔세 곳이 참여해 기술을 공유했다. 다양성과 포용성 가치를 다룬 세션에는 드라마 ‘중증외상센터’ 원작자인 이낙준 작가가 연사로 나서 직업 전환과 도전의 경험을 전했다. 유상모 사장은 “많은 기업이 AI를 새로운 성장 기회로 받아들이고 있지만 보안, 규제, 인프라 준비도 등 다양한 어려움에 직면해 있다”면서, “델 테크놀로지스는 엔드-투-엔드 포트폴리오와 개방형 생태계를 바탕으로 기업에 장기적인 기술 로드맵을 제시하고 비즈니스 성과 창출을 돕는 전략적 파트너 역할을 다할 것”이라고 말했다.

한국산업지능화협회는 오는 10월 21일부터 23일까지 3일간 일산 킨텍스에서 2026 산업AI EXPO를 개최한다고 밝혔다. 이번 전시회는 산업통상자원부가 주관하는 국가대표 산업AI 플랫폼 K Connect AI와 연계하여 열리며, 산업AI 분야의 정책, 산업, 시장을 잇는 대표 플랫폼으로서 공급 및 수요기업 간 기술협력과 실증, 사업화, 글로벌 비즈니스 협력의 중심 무대가 될 전망이다. K Connect AI는 산업 전반의 AI 전환 흐름을 하나로 연결하기 위한 전시 및 컨퍼런스 통합 브랜드다. 정부의 AI 기반 산업혁신 정책과 제조 AI 확산 전략을 뒷받침하며, 전시회, 글로벌 컨퍼런스, 수출상담회, 투자 및 비즈니스 프로그램을 유기적으로 연계해 산업과 AI를 잇는 글로벌 협력 생태계를 구축하는 것을 목표로 한다. 한국전자전 및 반도체대전 연계 K Connect AI는 2026 산업AI EXPO를 비롯해 한국전자전(KES), 반도체대전(SEDEX), 로보월드 등 국내 대표 산업 전시회와 산업AI를 공통 주제로 릴레이 연계해 추진된다. 연계행사를 포함하면 국내 1,500개사, 해외바이어 500개사, 참관객 15만 명 이상 규모로 열릴 예정이다. 전시 개막일인 10월 21일에는 글로벌 산업AI 컨퍼런스가 함께 열린다. 제조AX를 주요 의제로 글로벌 산업AI 리더와 전문가들이 참여해 제조AI 대전환 트렌드와 혁신 전략을 공유한다. 기조연설에서는 글로벌 산업AI 시장 전망과 산업 전환 방향을, 산업별 세션에서는 제조, 전자, 반도체, 로봇 등 주요 산업의 AI 적용 선도사례를, 정책 세션에서는 정부 및 공공기관의 산업AI 프로젝트 추진 방향을 소개한다. Embodied AI 주제로 산업AI 생태계 조성 가속화 Embodied AI를 비롯한 차세대 AI 기술이 제조 현장과 물리적 세계를 연결하는 핵심 기술로 부상하면서, 산업AI는 제조 혁신과 국가 경쟁력을 이끄는 새로운 패러다임으로 자리잡고 있다. 정부도 AI 3대 강국 실현을 위해 제조 AI 확산과 AI 기반 산업혁신을 핵심 정책으로 추진하면서, 산업별 AI 혁신 생태계를 조성하고 이를 확산할 글로벌 플랫폼 구축의 필요성이 꾸준히 제기되어 왔다. 이에 한국산업지능화협회는 산업부가 주최하는 산업AI 통합 브랜드 K Connect AI를 KOTRA 등 5개 기관과 공동 주관하고, Embodied AI : Beyond Physical AI를 주제로 2026 산업AI EXPO를 연다. 정책과 산업, 시장을 잇는 허브로서 산업AI 기술협력과 실증, 사업화, 선도사례 확산의 장이 될 예정이다. 산업정책관, 공공부문관, 민간부문관으로 전시 구성 전시회는 산업정책관, 공공부문관, 민간부문관으로 나뉜다. 산업정책관에서는 정부의 산업AI 정책과 전략을 소개하고, 공공부문관에서는 지자체 및 유관기관의 AI 지원제도와 우수사례를 선보인다. 민간부문관에서는 국내외 기업의 AI 인프라와 플랫폼, Embodied AI, Agentic AI, AI Orchestration 등 핵심 기술은 물론 제조, 반도체, 에너지, 유통물류, 모빌리티, 방산 등 산업별 AI 활용사례를 폭넓게 전시한다. 지역균형 성장전략 5극 3특을 기반으로 조성된 지역 AX 허브존에서는 지역별 AX 혁신 생태계와, 지자체, 유관기관, 지역혁신기관, 대학 등이 추진하는 공공 및 지역 기반 산업AI 프로젝트를 소개한다. 지역 혁신 주체와 산업계 간 협력을 활성화하고, 산업AI 기술의 지역 확산과 사업화 기반을 넓히는 계기가 될 것으로 기대된다. 이번 전시회는 아시아 기계 & 제조 산업전(AMXPO)과 공동 개최되어 제조, 기계, 자동화 분야 수요기업과 AI 공급기업을 잇는 비즈니스 협력 기회도 확대한다. 수출상담회 및 IR피칭 등 실질적 비즈니스 프로그램 운영 전시 2일차인 10월 22일에는 AI Applied to Real Industry - 산업 현장에서 실현되는 AI를 주제로 산업AI 컨퍼런스가 열린다. 산업별 AX 혁신 전략을 공유하고, 산업AI 기술의 현장 적용 성과와 발전 방향을 제시할 예정이다. AX 전략 수립과 산업AI 도입을 준비 및 추진 중인 산업 관계자들에게 실질적인 인사이트를 제공하는 자리가 될 전망이다. KOTRA는 산업AI 분야 해외 바이어를 초청해 수출상담회를 운영하고 바이어 라운지를 조성하여, 국내 AI 기업과 해외 수요기업 간 비즈니스 매칭을 지원한다. 이를 통해 국내 AI 기업의 글로벌 시장 진출과 기술 협력, 투자 연계를 적극 지원할 계획이다. 전시 기간에는 참가기업의 사업화와 시장 진출을 지원하는 비즈커넥트 프로그램도 함께 운영된다. AI-Tech 세미나, AI 스타트업 IR피칭, 오픈이노베이션, 중견-스타트업 POC 프로젝트 등을 통해 참가사는 전시부스뿐만 아니라 기술발표, 투자자 및 수요기업 대상 피칭, POC 협력논의, 공동사업 발굴 등 다양한 방식으로 시장과 연결될 수 있다. 참관객을 위한 참여형 프로그램으로 참가기업의 로봇시연과 솔루션 발표를 볼 수 있는 로봇 스타디움, 산업AI 핵심 테마별 도슨트 투어, 비즈니스 밋업 등이 마련된다. 한국산업지능화협회 조규종 회장은 "K Connect AI는 산업AI 기술과 정책, 비즈니스, 글로벌 협력이 하나로 연결되는 대한민국 대표 플랫폼으로, 아시아를 대표하는 산업AI 허브로 성장해 나갈 것"이라며, "2026 산업AI EXPO는 이와 연계해 기업이 보유한 기술을 단순히 보여주는 전시회가 아니라 제조 및 수요기업, 해외 바이어, 투자자 등 수요와 연결되는 핵심 플랫폼이자 대한민국 산업AI 생태계를 조성하는 출발점이 될 것"이라고 밝혔다. 한편 2026 산업AI EXPO에 대한 자세한 사항은 공식 홈페이지 에서 확인할 수 있다.  

캐드앤그래픽스 지식방송 CNG TV 지상 중계   지난 6월 24일 진행된 CNG TV 웨비나에서는 EPC 및 건설 업계의 핵심 화두인 AWP(advanced work packaging) 방법론의 기본 개념과 예측 가능성(predictability) 향상 방안, 그리고 옥타브의 디지털 실행 플랫폼 사례를 통한 프로젝트 성과 극대화 전략이 소개되었다. 자세한 내용은 다시보기를 통해 확인할 수 있다. ■ 박경수 기자   ▲ AWP의 개념과 절차 등을 소개한 연세대학교 건축공학과 강영철 교수   AWP의 개념, 절차 및 기대 효과 AWP는 기술이라기보다 EPC(엔지니어링·구매·시공)의 모든 정보와 업무를 플래닝 단계부터 시공 중심 기준으로 통합하여 정렬하는 업무 흐름(workflow)이다. 핵심 목적은 현장 근로자의 작업 생산성(tool time)을 높이고 대기·이동 시간을 단축하는 것이다. 정량적 효과로는 근로자의 직접 작업 시간 증가로 인한 생산성 향상(최대 25%), 감독관의 현장 관리 시간 증가(15%→65%)를 통한 안전·품질 개선 등이 보고되어 있으나, 조직의 AWP 성숙도 레벨이나 추가 비용 분담 및 이익 배분 등의 계약구조 이슈가 존재한다. 반면 정성적 효과로는 투명한 정보 공유, 작업 승인권에 따른 책임감 강화, 이직률 감소 및 안전성 제고, 분야 간 협업 개선, 그리고 가장 유의미한 요소로 평가받는 ‘예측 가능성(predictability)’ 향상을 꼽을 수 있다. 연세대학교 건축공학과 강영철 교수는 “AWP를 수행할 때 너무 기술에만 치중하지 말고 사람, 프로세스, 기술이라는 세 가지 관점을 균형 있게 고려해야 한다”며, “단기적 성과보다는 프로세스 개선과 조직 문화 변화를 바탕으로 지속 가능한 실행 체계를 갖추는 것이 중요하다”고 이야기했다.   ▲ AWP의 성공적 수행을 위한 실행 전략을 소개한 옥타브 남궁진 영업이사   AWP의 성공적 수행을 위한 디지털 기술 실행 전략 AWP를 성공적으로 현장에 안착시키기 위해서는 플랫폼 기반의 테크놀로지 이네이블먼트(technology enablement)가 필수적이다. 디지털 기술 구현 영역은 크게 네 가지 영역으로 구분된다. AWP 라이프사이클 관리 : POC부터 CWP, IWP까지 제약 조건 및 워크플로를 통제하는 거버넌스 체계 디지털 공급망 관리(SCM) : BOM부터 현장 설치, 시운전 단계까지 Auto-ID/IoT 기반 자재 트래킹 및 자재 준비도(readiness) 확보 시공 관리 및 시운전 지원 : 모바일 디바이스와 3D 모델 기반으로 현장 제약 사항을 시각화하고 실시간 작업 및 커미셔닝 관리 인포메이션 허브 및 데이터 연계 : 엔지니어링, 구매, 시공 간의 데이터 사일로(silo)를 제거하고 일관된 맥락에서 실시간 의사결정을 지원하는 데이터 통합 환경 옥타브는 이와 관련하여 SCM/Jobsite, Smart Completions, iConstruct(3D 모델 기반 워크 패키징 및 4D 스케줄 시뮬레이션) 등 설루션 포트폴리오를 제공하고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

공정진단 AI 솔루션 DutchBoy로 제조 프로세스 생산성과 인사이트 제공 인공지능(AI)과 데이터 기술이 제조 현장에 본격적으로 도입되면서, 공정 운영 방식 역시 새로운 전환점을 맞이하고 있다. 설비와 공정에서 생성되는 방대한 데이터를 어떻게 분석하고, 이상을 조기에 감지하며, 근본 원인을 규명할 것인가는 스마트 제조 시대의 핵심 과제로 떠올랐다. 산업용 AI 솔루션 전문기업 에이아이비즈(AIBIZ)는 딥러닝 기반 공정 진단 플랫폼 ‘DutchBoy(더치보이)’를 통해 이러한 과제에 대한 해법을 제시하고 있다. ■ 자료 제공 I 에이아이비즈. 02-334-6988, www.ai-biz.net 1. 스마트 제조 시대, 새로운 과제와 기회 제조 산업은 지금 전례 없는 변화의 흐름 속에 있다. 인공지능(AI), 사물인터넷(IoT), 빅데이터 기술이 결합되면서 ‘스마트 팩토리’는 더 이상 미래의 개념이 아니라 현실적인 산업 전략으로 자리 잡았다. 그러나 기술 도입이 확대될수록 제조 현장이 직면하는 문제 역시 복잡해지고 있다.  대표적인 과제는 데이터 활용이다. 제조 설비와 공정에서는 초 단위, 나노 초 단위로 수많은 시계열 데이터가 생성된다. 이 방대한 데이터를 단순히 저장하는 것만으로는 의미 있는 가치를 창출하기 어렵다. 공정 중 발생하는 미세한 이상 징후를 어떻게 실시간으로 감지할 것인지, 불량의 원인이 되는 공정이나 장비를 어떻게 신속하게 규명할 것인지가 기업 경쟁력을 좌우하는 핵심 요소로 떠올랐다. 이러한 문제의식에서 출발한 기업이 산업용 AI 솔루션 전문기업 에이아이비즈(AIBIZ Co. Ltd.)다. 에이아이비즈는 다년간의 연구개발과 현장 적용 경험을 토대로, 딥러닝 기반 산업용 AI 플랫폼 ‘DutchBoy’를 개발했다. DutchBoy는 현장 엔지니어가 복잡한 AI 전문 지식 없이도 공정 데이터를 활용해 생산성과 수율을 개선하고, 공정 안정성을 확보할 수 있도록 설계된 것이 특징이다. 2. DutchBoy 플랫폼이란 무엇인가? DutchBoy는 반도체, 이차전지, 자동차 등 고정밀 제조 산업을 위해 개발된 딥러닝 기반 산업용 AI 플랫폼이다. 제조 공정에서 발생하는 방대한 시계열 데이터를 실시간으로 분석해, 육안으로는 확인하기 어려운 미세한 이상 징후까지 탐지한다.  기존 제조 현장의 데이터 분석 방식은 샘플링 분석이나 사후 분석에 의존하는 경우가 많았다. 이는 전체 공정을 대표하기 어렵고, 문제가 발생한 이후에야 원인을 추적할 수 있다는 한계를 지닌다.  DutchBoy는 이러한 한계를 넘어, 실시간 전수 데이터 분석을 기반으로 공정을 진단한다는 점에서 차별성을 갖는다.  특히 DutchBoy는 이상 탐지에 그치지 않고, 이상 발생의 근본 원인을 추적하고 사전 예방 계획 수립까지 지원하는 통합형 솔루션으로 설계됐다. 이를 통해 제조 현장은 단순한 자동화 단계를 넘어, 데이터 기반의 예측·진단·의사결정이 가능한 지능형 공정 운영 단계로 전환할 수 있다. 3. DutchBoy의 핵심 기술: 빠르고, 확장 가능하며, 강건하게 DutchBoy의 성능과 현장 적용성은 에이아이비즈가 보유한 독자적인 핵심 기술에서 비롯된다. 주요 기술은 ADTW, GNN, TTTM 세 가지로 요약된다. 이러한 기술들은 보안성과 신뢰성, 확장성을 고려한 안정적인 AI 운영 환경과 함께 제공되며, 제조 현장에 적용 가능한 실용 기술로 구현된다. (1) ADTW: 데이터 레이블링 없는 빠른 현장 적용  먼저 ADTW(Advanced Dynamic Time Warping)는 데이터 레이블링 없이도 빠른 현장 적용을 가능하게 하는 기술이다. 일반적으로 AI 모델 학습 과정에서 가장 큰 장벽은 데이터에 ‘정상’과 ‘이상’을 구분해 표시하는 레이블링 작업이다. 이는 많은 시간과 인력을 필요로 하며, 경우에 따라 1년 가까운 준비 기간이 소요되기도 한다. ADTW는 정상 데이터만을 자동으로 추출해 모델을 학습하기 때문에 별도의 레이블링 과정 없이도 약 1주일 만에 현장 적용이 가능하다. (2) GNN: 데이터 간 상관관계를 통한 확장성 확보  제조 현장의 센서 데이터는 개별적으로 존재하는 것이 아니라 서로 복잡한 상관관계를 가진다. GNN(Graph Neural Network)은 이러한 센서 간 상호작용 구조를 학습해, 동일 장비군 내에서는 하나의 AI 모델을 공유할 수 있도록 한다. 이를 통해 장비마다 별도의 모델을 구축해야 하는 비효율을 줄이고, 모델의 확장성과 적용 유연성을 크게 높인다. (3) TTTM: 장비 간 편차 극복 및 강건성 유지  동일한 장비라도 노후화나 부품 교체로 인해 데이터 패턴이 달라질 수 있다. TTTM(Tool To Tool Matching)은 장비 간 미세한 편차를 자동으로 보정하고, 패턴 변화를 감지해 AI 모델의 성능이 일관되게 유지되도록 한다. 엔지니어가 수작업으로 모델을 재조정하지 않아도, 시스템이 스스로 최적의 성능을 유지하는 구조다. 4. DutchBoy의 작동 방식: 데이터에서 인사이트까지 DutchBoy는 '수집 → 저장 → 분석 → 활용'의 체계적인 데이터 파이프라인과 4가지 핵심 모듈을 통해 제조 공정의 이상을 종합적으로 진단한다. (1) 데이터 파이프라인 데이터 수집 단계에서는 레거시 시스템(Legacy System)과 IoT 장비 등 다양한 소스로부터 스트리밍 또는 배치 형태의 데이터를 받아들인다. 수집된 데이터는 Data Lakehouse와 인메모리(In-memory) DBMS를 통해 신뢰성 있게 저장된다. 이후 딥러닝 기반 AI 플랫폼이 자동 분석을 수행하며, 결과는 대시보드, 웹, 모바일 환경에서 실시간으로 확인할 수 있다. (2) 핵심 모듈 핵심 모듈은 이상 탐지, 이상 검사, 이상 판정, 이상 진단 모듈로 구성된다. 이러한 구조를 통해 DutchBoy는 단순한 이상 감지를 넘어, 원인 분석과 대응 전략 수립까지 지원하는 통합 진단 체계를 구축한다. ■ 이상 탐지 모듈: 공정에서 발생하는 시계열 센서 데이터를 실시간 모니터링하여 이상을 탐지하고, 이상의 원인 센서 정보를 제공한다. ■ 이상 검사 모듈: 측정 데이터를 Wafer Map으로 시각화하고 하여 불량 패턴(Particle, Shot 등)을 자동으로 분류 및 분석하여 불량의 원인이 되는 공정과 장비 정보를 제공한다. ■ 이상 판정 모듈: 제품 이미지 데이터를 활용하여 불량을 판정하며, 불량 패턴을 자동으로 분류하고 불량 원인 공정과 장비 정보를 제공한다. ■ 이상 진단 모듈: 센서, 장비, 공정 측면의 다각도의 분석 결과를 종합적으로 분석, 시각화하여 불량의 근본 원인을 제공한다.   5. 적용 분야 및 현장 도입 효과 DutchBoy는 반도체, 이차전지, 자동차 산업 등 다양한 첨단 제조 분야에 적용되고 있다. 국내 반도체 장비 S사, 파운드리 D사, 이차전지 제조 L사 등 국내 유수의 기업들과의 POC(Proof of Concept, 기술 검증) 및 상용화를 통해 그 성능을 입증받았다. DutchBoy 도입을 통해 기업들은 불량률 감소, 설비 효율 향상, 공정 안전성 확보, 제품 수율 개선 등 가시적인 성과를 거두고 있으며, 데이터 기반의 객관적인 의사결정과 탐구적 업무 환경으로의 변화를 경험하고 있다. 6. 에이아이비즈, 산업 AI 혁신을 선도하다 2020년 설립된 에이아이비즈는 ‘2026년 산업용 AI 솔루션 글로벌 1위 기업’을 비전으로 빠르게 성장하고 있는 스타트업이다.  CES 2026 혁신상, 2025 세계일류상품 인증, IR52 장영실상 수상 등 대외적 성과를 통해 기술력을 인정받고 있다. 현재 등록 특허 24건, 출원 특허 30건(해외 출원 포함)을 보유하고 있으며, 이는 시계열 데이터 분석 기술 분야에서의 경쟁력을 보여준다.  에이아이비즈는 공정 진단 솔루션 'DutchBoy S' 외에도 R&D(연구·개발) 자동화 솔루션 'DutchBoy R', ELT자동화 솔루션 ‘DutchBoy E’를 통해 반도체 소자 개발 TAT(Turn Around Time) 단축과 데이터 추출, 저장, 변환 자동화를 지원하며, 지속적인 기술 혁신을 통해 산업 현장의 디지털 전환(DX)을 선도하고 있다. 7. 결론: 실시간 전수 검사로 여는 제조 품질 혁신 DutchBoy는 단순한 이상 탐지 툴을 넘어, 제조 현장의 엔지니어에게 AI라는 강력한 조력자를 제공하는 통합 플랫폼이다. 기존의 제조 현장에서는 불량 검사를 위해 주로 두 가지 방식에 의존해 왔다.  첫째는 제품 생산 후 카메라로 이미지를 촬영하여 불량을 판별하는 비전 검사 방식이었다. 이는 최종 생산 단계에서만 불량을 감지할 수 있어, 이미 발생한 불량품을 걸러내는 사후 조치에 불과하였다. 불량의 원인을 실시간으로 파악하기 어렵고, 불량이 발생하는 순간을 놓쳐 생산 효율성을 크게 저해하는 한계가 명확하였다.  둘째는 샘플링 검사 방식이었다. 이는 특정 수량의 제품만을 샘플링하여 검사하는 방식으로서, 전수 검사가 불가능할 뿐만 아니라, 검사 대상이 아닌 제품에서 불량이 발생할 경우 이를 인지하기조차 어려웠다. 또한, 생산된 제품의 일부를 손실해야 하는 비효율성 또한 존재하였다. DutchBoy는 이러한 기존 검사 방식들의 근본적인 한계를 극복하며 제조 품질 관리의 패러다임을 혁신한다. DutchBoy는 생산 공정 중 실시간으로 수집되는 시계열 센서 데이터를 활용한다. 온도, 압력, 전압, 전류, 속도 등 수많은 공정 변수들의 미세한 변화를 초 단위, 나노 초 단위로 전수 검사하여 이상 징후를 즉각적으로 탐지한다. 이는 최종 제품이 나오기 전에, 심지어 불량이 시작되는 시점에서 이상을 감지하고 경고함으로써, 불량품 발생 자체를 최소화하고 생산 손실을 극적으로 줄이는 사전 예방적 관리의 가능성을 현실화한다. 이러한 실시간 전수 검사의 강점은 단순히 불량을 줄이는 것을 넘어선다. 공정 데이터의 상시 모니터링을 통해 미세한 성능 저하 징후나 잠재적 설비 고장 위험까지 예측할 수 있게 된다. 이는 계획된 유지보수를 가능하게 하여 예기치 않은 가동 중단을 방지하고, 설비의 수명을 연장하며, 전반적인 생산 효율성을 극대화하는 데 기여한다. 공정 자체가 정상 범위 내에서 최적으로 운영되도록 실시간으로 통제하고 관리하는 '능동적이고 지능적인 제조'를 가능하게 하는 것이다. 에이아이비즈는 DutchBoy솔루션을 통해 국내는 물론, CES, SEMICON West 등 글로벌 무대에서 기술력을 선보이며 K-산업 AI의 위상을 높이고 있다. 제조 공정의 혁신을 꿈꾸는 기업이라면, DutchBoy솔루션이 실시간 전수 검사 기반의 스마트 제조 실현을 위한 강력한 해답이 될 것이다.  

더 광범위한 타깃에게 창작물을 선보이는 방법   이번 호에서는 관계자 또는 고객이 사용하는 플랫폼이나 기기에 관계없이 이러한 경험을 제공하는 방법을 살펴본다. 배포란 결국 양질의 경험과 이를 활용한 장점을 누릴 사람들 사이에 존재하는 최종적인 마찰 요인을 제거하는 것이다. 이번 호의 내용은 사용자가 중앙 집중화되고 연결된 3D 애셋 라이브러리를 보유하고 있으며, 타깃 사용 사례에 맞게 경험을 구축 및 최적화했음을 전제로 한다. ■ 자료 제공 : 유니티 코리아   ▲ 이미지 제공 : Esri   실시간 3D 경험이 아무리 세련되고 효과적이더라도, 그 유용성은 누가 어디에서 액세스할 수 있는지에 따라 달라진다. 3D 애셋 라이브러리를 연결하고 표준화한 뒤 모델을 타깃 용도에 맞게 최적화했다면, 마지막 단계는 이러한 경험을 필요한 곳, 즉 데스크톱, 모바일, 웹, XR(확장현실) 헤드셋 및 HMI(휴먼-머신 인터페이스) 시스템 전반에 제공하는 것이다. 유니티 인더스트리 커스터머 석세스 부문의 헤닝 린 시니어 디렉터는 “물론 데스크톱 및 모바일과 같은 가장 일반적인 플랫폼에 배포하기가 가장 쉽다. 하지만 XR과 VR(가상현실)은 폼팩터가 그다지 다양하지 않기 때문에 조금 까다로울 수 있다. HMI는 모든 OEM이 다르게 구현하기 때문에 좀더 복잡하다”고 말한다. XR 헤드셋을 사용한 심층 교육 워크스루를 주최하든, 디자인 계획에 대해 협업을 진행하거나 매력적인 고객 경험을 제공하든, 각 플랫폼에는 고유한 강점과 약점, 그리고 활용처가 있다. 웹은 접근성이 뛰어나고, XR·VR은 몰입도를 최대화할 수 있는 최적의 선택이며, 데스크톱과 모바일은 일상적인 사용 면에서 유용하고, HMI는 임베디드 인텔리전스를 제공한다. 이제 목표는 이러한 디자인을 필요로 하는 사람들에게 제공하는 것이다.     최종적인 마찰 요인 : 실험실과 현장 간의 격차 해소 많은 사람이 비슷한 상황을 겪어 봤을 것이다. 인터랙티브 3D 제품 데모는 고사양 워크스테이션에서는 멋지게 보이지만, 공장 현장의 중급 태블릿에서 실행하면 올바르게 작동하지 않는다. 프레임 속도가 급격히 떨어지고, 다운로드가 지연되며, 조명이 강한 환경에서는 XR 트래킹도 끊기고, 다양한 관계자들이 가치를 느끼기도 전에 파일럿 버전이 멈춘다. 여기서 핵심은 이러한 경험이 무조건 ‘잘못된’ 것은 아니라는 점이다. 다만 적절한 방식으로 올바른 곳에 배포되지 않고 있을 뿐이다. 유니티의 사라 래시 산업 부문 시니어 VP 겸 제너럴 매니저는 “많은 조직에서 문제가 되는 것은 제한적인 개발자 리소스 풀이나 자금에 대한 접근성이다. 그래서 POC(proof of concept : 개념 검증) 단계에서 막히는 팀도 많다”면서, “그런 일이 발생하면 반복 작업을 수행하거나 필요한 사항을 변경할 수 있는 역량이 제한된다. 유니티에서는 이를 고려하여 기술을 담당하지 않는 팀도 유니티 애플리케이션에서 아이디어를 구상하고 스스로 디자인 및 반복 작업 프로세스를 시작할 수 있는 유니티 스튜디오(Unity Studio) 설루션을 출시했다”고 말했다.     기술적인 관점에서 배포가 실패하는 데에는 몇 가지 일반적인 이유가 있다. 성능 불일치는 경험이 타깃 하드웨어에 최적화되지 않았을 때 발생한다. 일반적으로 고사양 워크스테이션을 사용하여 경험을 구축하고 프로토타이핑하지만, 모바일, 웹, 스마트폰 또는 XR과 같은 저사양 플랫폼에 맞게 경험을 조정할 수도 있어야 한다. 기기 호환성과 배리에이션으로 인해, 특정 기기에서는 경험이 원활하게 작동하지만 다른 기기에서는 그렇지 않을 수 있다. 경험은 동일한 유형의 시스템(서로 다른 웹 브라우저, 스마트폰, GPU) 간에도 크게 다를 수 있다. 실질적인 조건의 다양성도 방해가 될 수 있다. 예를 들어 일반적인 실험실 환경에서는 XR 애플리케이션이 잘 작동할 수 있지만, 최적화되지 않았다면 밝은 조명의 공장에 배치되는 순간 모션 트래킹이 불안정해질 수 있다. 대규모 프로젝트의 경우, 확장성 문제는 견고한 멀티플랫폼 또는 멀티유저 아키텍처의 부족으로 인해 발생하는 경향이 있다. 예를 들어 CDN(콘텐츠 전송 네트워크)은 여러 대형 모델의 동시 다운로드를 처리하지 못할 수 있다. 마지막으로 인적 요인도 있다. 최종 사용자에 대해 충분한 교육이나 지원이 이루어지지 않으면 도입률이 낮을 수 있다. 겉보기에 사소해 보이는 문제라도 사용자가 바람직하지 않은 우회 방법을 찾게 만들거나 고객이 경쟁사로 돌아서게 만드는 결과로 이어진다. 물론 일부 기기는 다른 기기보다 대응하기 더 어려울 수 있지만, 이는 용도와 원하는 결과에 따라 다르다. 웹 브라우저는 보편적으로 사용되고 있음에도 불구하고 대응이 비교적 어려운 플랫폼에 속하는데, 그 이유는 대부분 제한된 메모리와 전용 GPU의 부재이다. XR 헤드셋(AR 또는 VR)의 경우 성능과 착용감 측면 모두에서 과제를 안고 있다. 차량이나 어셈블리 라인에서 사용되는 임베디드 HMI 시스템은 고도로 맞춤화된 하드웨어에서 실행되는 경향이 있으며, 그래픽스 처리 측면에서는 최상의 성능을 기대하기 어렵다. 이렇게 산적한 과제는 많지만, 배포 준비 상태를 테스트하고 필요에 따라 최적화할 수 있는 확실한 방법이 있다. 적절한 실제 환경의 타깃 기기에서 가능한 한 일찍 자주 테스트를 수행하면 출시 전에 모든 문제를 해결할 수 있다. 린은 “무엇이든 더 일찍 테스트할 수록 최종 제작물 배포가 더 쉬워진다”면서, “중요한 순간에 배포가 문제없이 이루어지도록 실제 엔드포인트에서 미리 테스트해야 한다. 예를 들어, 임베디드 HMI나 XR처럼 복잡한 기기 유형부터 시작해 하드웨어 패턴과 요구 사항을 정확히 파악한 다음, 이를 바탕으로 반복 작업을 통해 개선해 나가야 한다”고 설명했다.     모든 기기 및 최종 사용자를 고려하여 성능에 맞게 최적화 배포는 타깃 기기를 선택하고 그에 맞게 대응하며, 경험을 통해 원하는 결과를 달성하는 툴체인을 최적화하는 작업이다. 권한이 있는 단일 3D 모델은 여러 LOD를 계획하고, 적절한 조명을 적용하며, 기기 유형과 그 성능에 맞춰 물리 설정을 조정할 수 있도록 하면 어떤 플랫폼에서도 잘 작동할 수 있다. 린은 “달성하고자 하는 목표에 따라 다르지만, 어느 정도의 타협을 통해 좋은 결과를 얻을 수 있다. HMI와 XR에서도 마찬가지다. 모든 엔드포인트를 미리 파악하고, 고사양 엔드포인트에 대해 충실도 수준을 일정 수준으로 높이는 것이 중요하다”고 말한다.   ▲ 이미지 제공 : Prespective   웹 : 누구나 원활하게 접근할 수 있는 환경 웹만큼 넓은 도달 범위와 높은 접근성을 제공하는 플랫폼은 없다. 대부분의 웹 브라우저는 HTML5, CSS, 자바스크립트(JavaScript)를 모두 지원한다는 점에서 대체로 상호 호환성이 높다. 동시에, 최신 브라우저 역시 다운로드 용량, 메모리 사용량, 시작 시간과 관련해서는 거의 비슷한 한계를 공유하고 있다. 하지만 대다수의 사용자를 지원하려면 플러그인 없이 3D 그래픽스를 렌더링해야 하며, 이를 위해서는 충분한 하드웨어 성능이 필요하다. 예를 들어 통합 GPU로는 비교적 가벼운 신(scene)을 처리할 수 있지만, 페이로드 셰이더 복잡도가 더 높아지면 대부분의 중급 노트북이나 모바일 기기에서 속도가 느려지게 된다. 특히 고객이 직접 사용한다면 초기 로드 시간을 매우 중요한 자산으로 간주해야 한다. 일반적인 광대역 연결에서 경험이 몇 초 안에 로드되지 않으면 사람들은 계속 머무르지 않을 가능성이 높다. 더 복잡한 애셋의 경우, 모든 것을 한 번에 로드하려고 하기보다는 필요에 따라 여러 LOD를 스트리밍하는 것이 가장 좋다. 기기의 다양성에도 주의해야 한다. 내장형 그래픽스가 탑재된 구형 노트북에서는 사용 경험에 끊김이나 지연이 발생하는 특이 사례가 드러날 수 있다. 이러한 문제를 피하려면 중급 사양의 여러 기기에서 테스트하고, 지원되지 않는 기능에 대해 폴백 옵션을 설정하며, 일반적인 시청 환경에서는 30FPS 이상을 목표로 하는 것이 필요하다. 목표로 삼을 것 : 여러 LOD를 활용하여 텍스처 크기를 적극적으로 관리하고, 보이지 않는 내부 요소의 메시를 제거하거나 단순화하며, 유리, 금속, 페인트, 패브릭처럼 핵심 디테일 영역이 드러나는 ‘대표’ 표면과 상호 작용을 우선적으로 로드하는 스트리밍 콘텐츠 로딩을 적용한다.   ▲ 이미지 제공 : Google Maps   XR : 안정성이 뒷받침되어야 하는 몰입 경험 VR 및 AR(증강현실) 등의 확장현실 경험은 실습 교육이나 복잡한 워크스루처럼 공간적 이해가 중요한 경우 강점을 보인다. 반면 조금만 성능이 떨어져도 바로 문제가 드러난다는 단점도 있다. 대부분의 스탠드얼론 헤드셋은 비교적 고사양이지만 모바일급 칩셋을 사용하며, 사용자의 불편감과 멀미를 방지하려면 높은 수준의 안정적인 프레임 속도가 필요하다. 일반적으로 경험은 해당 기기의 네이티브 주사율로 렌더링되어야 하며, VR 헤드셋의 경우 이는 대체로 90Hz 또는 120Hz이고 FPS로 환산해도 동일하다. 편안한 VR 헤드셋 경험을 제공하려면 72FPS를 최소 기준으로 고려하는 것이 좋다. AR 요구 사항은 타깃 기기에 따라 크게 달라진다. AR의 경우 사용자의 편안함 측면에서 VR과 비슷한 기준이 적용되므로, 72FPS 이상의 안정적인 프레임 속도를 목표로 하는 것이 중요하다. 휴대폰이나 태블릿에서 AR은 카메라 피드와 SLAM(동시적 위치 추정 및 지도 작성)을 렌더 루프에 통합한다. 따라서 최신 기기에서는 60FPS를 목표로 하되, 30FPS 이상을 엄격히 유지해야 한다. 다만 야외 조명과 서멀 스로틀링이 여전히 문제가 될 수 있으므로, 다이내믹 해상도와 쉽게 접근 가능한 기능 토글을 통해 적응성이 높은 경험을 계획해야 한다. 목표로 삼을 것 : 대부분의 경우 미리 베이크된 조명을 사용하고, 저사양 XR 헤드셋이나 모바일 AR 경험을 지원해야 하는 경우 여러 LOD와 단순화된 셰이더를 활용한다.   ▲ 이미지 제공 : CollabXR   데스크톱 : 높은 성능이 요구되는 경험 데스크톱은 세부적인 분석이나 멀티모달 검토에 이상적이지만, 반드시 최고급 GPU를 필요로 하지는 않는 다양한 시나리오에도 활용된다. 일상 업무에서의 디자인 승인, 품질 점검, 안전 가이드, 제조 계획과 같은 작업에서는 높은 충실도를 제공하기보다 신속한 상호 작용과 명확한 검사가 가능한 툴이 유용할 수 있다. 따라서 타깃 기기는 중급 외장 GPU나 최신 내장 그래픽스만으로도 간단한 작업이 가능한 경우가 많다. 이 경우에는 단면 보기(내부를 드러내는 절단면), 측정(스냅 기능을 기반으로 한 정확한 치수 측정), 분해도(부품 설명이 포함된 단계별 어셈블리 뷰)와 같은 결정론적 검토 툴을 우선적으로 고려해야 한다. 대규모 어셈블리 렌더링이나 복잡한 시뮬레이션과 같이 더 무거운 내부 워크로드의 경우에는 워크스테이션급 전용 GPU나 원격 GPU 리소스가 일반적이다. 그러나 모든 최종 사용자가 그렇게 비용이 많이 드는 기기를 필요로 하는 것은 아니다. 고도로 복잡한 콘텐츠를 제작하는 팀에게는 고사양 로컬 하드웨어가 여전히 독보적인 위치를 차지하지만, 소비자에게는 GPU 서버에서 스트리밍되는 세션이 훨씬 더 비용 효율적이다. 목표로 삼을 것 : 타깃 기기에서 일관된 프레임 속도를 유지하면서 안정적으로 유지되는 가장 높은 품질을 기본값으로 설정한다. 결정론적 검토 툴과 온디맨드 스트리밍을 사용하고, 입력에 대한 반응성을 우선적으로 고려한다.     임베디드 HMI : 신뢰성과 즉각적인 명확성 HMI는 제품 자체에 3D를 가져온다. 차량 내 디스플레이, 산업용 관리 패널, 의료 기기 등의 환경에서는 극사실적인 표현보다 가동 시간과 예측 가능성이 훨씬 더 중요하다. 이러한 용도에서는 오퍼레이터가 시간에 민감한 결정을 내려야 하는 경우가 많으며, 대부분의 임베디드 타깃은 서비스 라이프 사이클이 길고 제약이 있는 하드웨어에서 실행된다. 어셈블리 라인과 차량의 임베디드 기기 는 수년간 안정적으로 유지되어야 하므로 소프트웨어가 제한적인 하드웨어 예산을 관리하는 역할을 해야 한다. 일반적인 활용 사례로는 어셈블리 라인의 설정 작업, 단계별 유지 보수 안내 및 교육 또는 로보틱스 시스템에서의 로봇 팔 운동학, 작업 가능 범위, 접근 금지 구역 시각화 등이 있다. 자동차 분야에서는 인터랙티브 3D가 첨단 운전자 지원 시스템에 활용될 수 있다. 이 경우에는 가독성과 부드러운 움직임이 무엇보다 중요한 요소이다. 이는 많은 의료 및 실험실 기기에도 해당되며, 여기서는 규제 및 안전 요구 사항으로 인해 기준이 더욱 엄격해진다. 목표로 삼을 것 : 단순화된 지오메트리와 미리 베이크된 조명은 성능 요구 사항과 로딩 시간을 크게 줄여주며, 벤더의 장기 지원은 임베디드 기기에 대한 지속적인 지원을 보장한다.     지속적인 성공을 위한 배포 운영 및 확장 최고 사양의 기기를 기준으로 디자인한 뒤, UI 요소를 복사하여 인터페이스 전반에 붙여넣고 높은 성능을 요구하는 애셋을 초기 단계에 과도하게 로드하여 저사양 기기를 지원하려고 하는 경우가 많다. 그러나 적절한 엔드 투 엔드 플랫폼을 사용하면 이러한 함정을 피할 수 있다. 자동 스케일링을 사용하고 필요 시 무거운 애셋을 스트리밍할 경우, 경험이 갑작스럽게 끊기는 대신 점진적으로 성능이 저하되도록 할 수 있다. 이렇게 하면 새로고침을 어느 정도 예측할 수 있어 비즈니스 연속성을 보장할 수 있다. 유니티의 프로파일링 툴은 특히 이러한 문제에 대응할 수 있도록 설계되었다. 린은 “유니티는 애셋 로딩 시간, 시작 시간 등을 모니터링한다. 이러한 요소는 HMI 배포에서 특히 중요하다. 실제 기기에서 모델이 어떻게 동작하는지에 대한 양질의 실시간 피드백이 필요하기 때문”이라고 말했다. 초기 배포는 시작에 불과하며, 특히 제작 라인이나 작업 현장의 실시간 디지털 트윈과 같은 프로젝트의 동적인 특성을 고려하면 더욱 그렇다. 성공적인 대규모 운영을 위해서는 버전 불일치 없이 콘텐츠를 제공할 수 있는 예측 가능한 방식, 올바르게 작동하거나 그렇지 않은 요소를 파악할 수 있는 텔레메트리, 문제를 일으키지 않으면서 신속하게 조치를 취할 수 있게 해주는 거버넌스가 필요하다. 린은 “장기적인 롤아웃 전략은 다른 소프트웨어와 거의 동일하다고 생각한다. 물결처럼 단계적으로 확장하면서 가장 가치 있는 분석 자료를 제공할 수 있는 엔드포인트와 사용자를 타게팅하여 프로세스 초기에 버그나 누락된 기능을 식별하고, 다음 사용자나 기기로 롤아웃하기 전에 해결하는 것”이라면서, “결국에는 완전한 일반 액세스 단계에 도달하게 될 것이며, 그때쯤이면 버그는 최소화되고 사용자 경험의 품질은 극대화될 것”이라고 말했다. 이를 위해서는 업데이트 사이클, 기기 텔레메트리, 거버넌스, 장기 지원에 세심한 주의를 기울여야 한다. 린은 “세션 길이와 도입률 같은 요소를 추적하고, 가능하면 경험의 품질과 같은 사항에 대해 최종 사용자로부터 직접 피드백을 구해야 한다”고 권장한다.   ▲ 이미지 제공 : Random42   콘텐츠 제공 및 롤아웃 단계적 롤아웃은 특히 수백 명에서 수천 명의 최종 사용자를 타기팅할 때 효과적이다. 고객 대상 경험이나 여러 공장과 시설에 걸친 대규모 프로젝트라면 단일 현장이나 타깃 사용자 그룹에서 시작하여 문제를 모니터링한 뒤 규모를 확장해 나가는 것이 좋다. 이렇게 하면 예상치 못한 문제의 영향을 완화하고 훨씬 더 쉽게 관리할 수 있다. 또한 원격 설정을 사용하여 애플리케이션이나 경험을 모든 사람에게 배포하되, 특정 기능은 선택한 위치나 사용자 그룹에 대해서만 활성화할 수도 있다. 이밖에도 적절한 CDN을 사용하 여 더 큰 모델을 사전에 캐싱함으로써 네트워크 측면을 계획하고, 주요 업데이트나 다운로드는 혼잡하지 않은 시간대로 설정해 첫날 병목 현상이 발생하는 것을 막을 수 있다.   중요한 기기 데이터 올바른 텔레메트리 데이터를 수집하지 않으면 경험을 통해 원하는 결과를 얻고 있는지 판단하기 어렵다. 누가 경험을 이용하고 있는지, 경험이 의도한 대로 작동하고 있는지를 확인하는 핵심 질문에 대한 답을 찾으려면 도입 및 참여 지표를 트래킹해야 한다. 세션 길이와 사람들이 다시 돌아오는 빈도를 추적하면 프로젝트 성공에 대한 전반적인 감을 얻을 수 있다. 그러나 지속적인 개선과 통합을 위해서는 품질과 성능을 아우르는 더 심층적인 지표가 필요하다. 교육 시뮬레이션과 같은 특정 워크플로의 경우, 교육 단계를 시작한 사용자 대비 이를 완료한 사용자의 비율을 확인할 수 있도록 간단한 워크플로 단계를 정의해야 한다. 또한 기기 유형별로 세분화하여 추가적인 주의가 필요한 그룹이 있는지 확인할 필요가 있다.   ▲ 이미지 제공 : Visionaries 777   ▲ 이미지 제공 : Vodafone Deutschland   복잡하지 않은 거버넌스 거버넌스는 중단과 위험을 완화하기 위해 누가 업데이트를 관리하는지, 롤아웃이 어떻게 구성되는지에 대한 명확한 규칙을 설정하는 것이다. 이상적으로는 각 릴리스마다 지정된 승인자와 백업을 두고, 결정되는 모든 내용을 공유된 곳에 기록해야 한다. 또한 라이브로 전환할 요소는 점검을 거쳐야 하지만, 이러한 절차를 지나치게 복잡하게 하지 않도록 해야 한다. 민감한 데이터를 포함하여 규정 준수 및 보안 검토를 필요로 하는 사례를 제외하면, 타깃 기기에서의 성능 점검과 제품 및 운영 팀의 승인만으로도 충분한 경우가 많다.   장기 및 커뮤니티 지원 하드웨어, 드라이버 및 운영 환경은 항상 장기적인 안정성을 계획하고 새로운 플랫폼과 업데이트가 출시될 때마다 이에 대응할 수 있도록 배포 전략을 조정해야 한다. 특히 장기 지원을 제공하는 전문 산업 벤더와 협력하면, 쉽게 업그레이드할 수 없는 임베디드 HMI가 탑재된 고사양 산업용 시스템에서도 이전 버전의 기기를 계속 지원할 수 있다. 오픈 소스 툴과 애셋도 제공하는 벤더도 많으므로, 검증된 애셋을 재사용하고, 릴리스 및 업데이트 노트를 트래킹하며, 높은 수준의 드라이버, 툴, 기기 및 활용 사례별 지침에 대한 내부 기술 자료를 관리하여 커뮤니티를 지원 체계의 일부로 활용할 수 있다.   시작하기 : 단계별 배포 계획 여러 관계자와 고객이 사용하는 플랫폼에 인터랙티브 3D 경험을 배포하면 어떤 기기에서든 새로운 차원의 정보를 제공할 수 있다. 최첨단 교육 시뮬레이션을 호스팅하든, 데스크톱과 모바일 전반에서 디자인 협업을 수행하든, 웹 브라우저용 고객 경험을 구축하든, 적절한 플랫폼을 선택하면 어떤 타깃 환경에서도 최적화된 결과를 얻을 수 있다. 이를 달성하는 데 필요한 내용을 요약하면 다음과 같다. 다양한 관계자를 기기 및 사용자 컨텍스트에 연결한다. 플랫폼별 성능 벤치마크를 정의한다. 문제를 조기에 식별할 수 있도록 제한된 수의 플랫폼에서 파일럿 버전을 배포한다. 콘텐츠 제공 및 텔레메트리를 설정한다. 업데이트와 지원을 위한 거버넌스 역할을 수립한다.     ■ 기사 내용은 PDF로도 제공됩니다.

DJI는 듀얼 렌즈 포켓 짐벌 카메라인 ‘오즈모 포켓 4P(Osmo POCket 4P)’를 출시했다고 밝혔다. 이번에 선보인 오즈모 포켓 4P는 광각 렌즈와 중망원 렌즈를 모두 갖춰 폭넓은 영상 표현을 지원하는 것이 특징이다. 광각 렌즈는 새로운 1인치 CMOS 센서와 20mm 환산 초점거리, f/2.0 조리개를 기반으로 한다. 여기에 LOFIC 기술을 적용해 최대 17스톱의 다이내믹 레인지와 최대 4K/240fps 동영상 촬영을 지원한다. DJI는 도시 야경, 석양, 역광 인물 촬영처럼 명암 차가 큰 장면에서도 하이엔드 시네마 카메라에 가까운 풍부한 디테일과 안정적인 표현력을 구현한다고 설명했다.     새롭게 추가된 고해상도·대구경 60mm 중망원 렌즈는 인물 촬영에 적합한 클래식 초점거리를 제공한다. 3배 광학 줌과 최대 12배 줌을 지원하며, f/1.8 대구경 조리개는 f/6.3 상당의 심도 표현을 제공해 배경을 자연스럽게 압축하고 피사체를 더욱 돋보이게 만든다. 이미징 성능도 한층 높였다. 고속 액션 장면에서는 최대 4K/240fps의 8배 초고화질 슬로 모션 촬영을 지원해 빠르게 지나가는 순간을 섬세하게 담아낼 수 있다. 빛의 흐름을 궤적으로 기록하거나 모션 블러 효과를 연출하는 슬로 셔터 동영상 기능도 탑재했다. 새로운 10비트 D-Log 2 컬러 프로파일과 17스톱 다이내믹 레인지는 하이라이트와 섀도 디테일을 폭넓게 보존한다. 10비트 컬러 심도는 10억 개 이상의 색상을 기록해 색상 전환을 부드럽게 표현하며, 후반 색 보정 작업에서도 높은 유연성을 제공한다. 제품 색상은 클래식 블랙과 펄 화이트 두 가지로 구성됐다. 오즈모 포켓 4P는 230g의 컴팩트한 보디에 3축 기계식 짐벌을 탑재해 영상을 매끄럽고 안정적으로 유지한다. 업그레이드된 ‘액티브트랙 8.0’은 12배 줌 상태에서도 사람, 차량, 반려동물 등 움직임에 따라 형태가 달라지는 피사체까지 안정적으로 추적해 프레임 중앙에 유지한다. 자동 프레이밍 기능을 통해 등록된 피사체를 우선 추적하거나, 어떤 초점거리에서도 여러 피사체를 프레임 중앙에 배치할 수 있다. 사용자 경험을 개선한 직관적인 기능도 포함됐다. 터치스크린을 회전하면 전원이 켜지고 바로 녹화가 시작되는 바로 녹화 기능, 손바닥을 펼치거나 V 사인을 보내 녹화를 시작하는 제스처 컨트롤을 지원한다. 사진을 촬영할 때마다 4K 디테일의 1.5초 클립을 자동으로 기록하는 4K 라이브 사진, 최대 37MP 해상도의 고해상도 사진 촬영 기능도 갖췄다. USB 3.1을 지원해 최대 800MB/s의 유선 전송 속도를 제공하며, 배터리는 18분 만에 80%까지 충전할 수 있고 완전히 충전하면 최대 210분 동안 사용할 수 있다. 필라이트, 블랙 미스트 필터, ND 필터 세트, 배터리 핸들, 광각 렌즈, 마이크 등 다양한 오즈모 생태계 액세서리와도 호환된다. 제품 가격은 스탠다드 콤보 89만 5000원, 브이로그 콤보 99만 9000원이다. 예기치 못한 사고로 인한 손상을 보상하는 종합 보호 플랜인 ‘DJI 케어 리프레시’도 함께 적용된다.

Al, 이제 POC를 넘어 실질적인 비즈니스 성과로 연결해야 할 때입니다. 이번 웨비나에서는 HP와 업스테이지가 기업 및 산업별 환경에 최적화된 AI 전환(AX) 구축·운영 방안을 소개합니다. 또한 NVIDIA Blackwell 및 Grace Blackwell 기반 HP AI 포트폴리오를 통해, 추론(Inference)과 AI 에이전트 시대의 온프레미스 AI 인프라 가치와 활용 사례를 소개합니다. 아울러 초기 투자 부담은 최소화하고, POC에서 실제 운영 및 확산 단계로 성공적으로 전환하기 위한 핵심 체크리스트를 공유합니다. Al 도입의 실질적인 성과와 성공적인 구축·운영 방안이 궁금하다면 이번 웨비나에 참여해 보세요. #HP #엔비디아 #업스테이지 #에티버스