BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 생성형 AI 모델 학습과 같이 현재도 다양한 곳에서 필수로 사용되는 강화학습 딥러닝 기술의 기본 개념, 이론적 배경, 내부 작동 메커니즘을 확인한다.   ■ 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. 이메일 | laputa99999@gmail.com 페이스북 | www.facebook.com/laputa999 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | http://www.facebook.com/groups/digestpodcast   강화학습은 바둑, 로봇 제어와 같은 제한된 환경에서 최대 효과를 얻는 응용분야에 많이 사용된다. 강화학습 코딩 전에 사전에 강화학습의 개념을 미리 이해하고 있어야 제대로 된 개발이 가능하다. 강화학습에 대해 설명한 인터넷의 많은 글은 핵심 개념에 대해 다루기보다는 실행 코드만 나열한 경우가 많아, 실행 메커니즘을 이해하기 어렵다. 메커니즘을 이해할 수 없으면 응용 기술을 개발하기 어렵다. 그래서 이번 호에서는 강화학습 메커니즘과 개념 발전의 역사를 먼저 살펴보고자 한다. 강화학습 개발 시 오픈AI(OpenAI)가 개발한 Gym(www.gymlibrary.dev/index.html)을 사용해 기본적인 강화학습 실행 방법을 확인한다. 참고로, 깃허브 등에 공유된 강화학습 예시는 대부분 게임이나 로보틱스 분야에 치중되어 있는 것을 확인할 수 있다. 여기서는 CartPole 예제로 기본적인 라이브러리 사용법을 확인하고, 게임 이외에 주식 트레이딩, 가상화폐, ESG 탄소 트레이딩, 에너지 활용 설비 운영과 같은 실용적인 문제를 풀기 위한 방법을 알아본다.   그림 1. 강화학습의 개념(출처 : Google)   강화학습의 동작 메커니즘 강화학습을 개발하기 전에 동작 메커니즘을 간략히 정리하고 지나가자.   강화학습 에이전트, 환경, 정책, 보상 강화학습의 목적은 주어진 환경(environment) 내에서 에이전트(agent)가 액션(action)을 취할 때, 보상 정책(policy)에 따라 관련된 변수 상태 s와 보상이 수정된다. 이를 반복하여 총 보상 r을 최대화하는 방식으로 모델을 학습한다. 정책은 보상 방식을 알고리즘화한 것이다. <그림 2>는 이를 보여준다. 이는 우리가 게임을 하며 학습하는 것과 매우 유사한 방식이다.   그림 2. 강화학습 에이전트, 환경, 액션, 보상 개념(출처 : towardsdatascience)   강화학습 설계자는 처음부터 시간에 따른 보상 개념을 고려했다. 모든 시간 경과에 따른 보상치를 동시에 계산하는 것은 무리가 있으므로, 이를 해결하기 위해 DQN(Deep Q-Network)과 같은 알고리즘이 개발되었다. 모든 강화학습 라이브러리는 이런 개념을 일반화한 클래스, 함수를 제공한다. 다음은 강화학습 라이브러리를 사용한 일반적인 개발 코드 패턴을 보여준다.   train_data, test_data = load_dataset()  # 학습, 테스트용 데이터셋 로딩 class custom_env(gym):  # 환경 정책 클래스 정의    def __init__(self, data):       # 환경 변수 초기화    def reset():       # 학습 초기 상태로 리셋    def step(action):       # 학습에 필요한 관찰 데이터 변수 획득       # 액션을 취하면, 그때 관찰 데이터, 보상값을 리턴함 env = custom_env(train_data)  # 학습환경 생성. 관찰 데이터에 따른 보상을 계산함 model = AgentModel(env)      # 에이전트 학습 모델 정의. 보상을 극대화하도록 설계 model.learn()                       # 보상이 극대화되도록 학습 model.save('trained_model')    # 학습된 파일 저장 # 학습된 강화학습 모델 기반 시뮬레이션 및 성능 비교 env = custom_env(test_data)  # 테스트환경 생성 observed_state = env.reset() while not done:    action = model.predict(observed_state) # 테스트 관찰 데이터에 따른 극대화된 보상 액션    observed_state, reward, done, info = env.step(action)    # al1_reward = env.step(al1_action) # 다른 알고리즘에 의한 액션 보상값과 성능비교    # human_reward = env.step(human_action) # 인간의 액션 보상값과 성능비교   ■ 상세한 기사 내용은 PDF로 제공됩니다.

전 세계에서 생성되는 데이터는 기하급수적으로 증가하고 있으며 2026년에는 그 크기가 221ZB(제타바이트)에 달할 것으로 예상된다. 디지털 경제에서 데이터가 차지하는 의미가 큰 데 반해 데이터 백업 플랫폼은 그 수요를 따라잡지 못하고 있다. 데이터가 온프레미스, 클라우드, 최종 사용자 디바이스 등 점점 더 다양한 인프라에 분산되면서 각 환경마다 다른 백업 도구가 필요한 기존의 접근 방식으로는 성공적인 데이터 백업을 보장하기가 점점 더 어려워지고 있다. 전 세계 기업의 IT 의사결정자 4,000명을 대상으로 한 설문조사에 따르면 백업 작업의 37%, 복원 작업의 34%가 실패하는 것으로 나타나 성공적인 데이터 백업의 필요성이 화두에 오르고 있다. 대용량 데이터 스토리지 분야에서 40년 이상의 전문성을 갖춘 씨게이트는 우발적인 데이터 손실이나 악의적인 사이버 공격으로부터 데이터를 보호하는 동시에 데이터 활용, 확장성 및 이동성을 촉진할 수 있도록 포괄적인 백업 전략과 솔루션과 통합된 도구 교육을 제공해 왔다. 씨게이트는 스타트업부터 포춘 500대 기업에 이르는 다양한 기업과 협업하여 클라우드와 온프레미스 백업 기술을 결합해 환경, 데이터셋, 애플리케이션 및 사용자를 데이터 손실 및 다운타임으로부터 안전하게 보호하고 있다.  씨게이트는 하이브리드 클라우드 등을 사용해 내부 시스템에서 클라우드 스토리지로 데이터를 복사하는 것을 권장한다. 하이브리드 방식에서는 클라우드 백업의 이점을 온프레미스 백업에 통합할 수 있어 상호 보완이 가능하다. 클라우드 기반 솔루션을 활용하면 멀티클라우드 환경을 위한 S3 통합 서비스형 스토리지, 완전 관리형 데이터 마이그레이션 서비스, 엣지-클라우드 간 원활한 데이터 전송 등으로 통합의 폭을 넓힐 수 있다. 또한, 클라우드 백업은 보조 데이터셋을 원격으로 저장하고 또 다른 미디어로 사용하며 기본 백업 및 아카이브 위치를 제공하고 분산된 백업을 통합하는 장소로 활용될 수 있어, 데이터 접근성을 높이고 수동 개입을 줄일 수 있다.   씨게이트는 효과적인 백업을 위해 다양한 솔루션 및 제품을 선보이고 있으며, 그 중 라이브 클라우드(Lyve™ Cloud)는 기존 멀티 클라우드 환경을 보완하도록 설계된 S3 호환 스토리지형 클라우드로 백업을 개선하는 새로운 방법을 제공한다. 라이브 클라우드는 대규모 비정형 데이터셋의 가치를 최대한 실현할 수 있도록 설계되어 언제나 접근 가능한 대용량 데이터 저장 및 활성화를 지원한다.  씨게이트는 이외에도 스토리지 시스템과 이레이저 코딩 및 드라이브 장애 방지 기능이 탑재된 자체 암호화 드라이브를 비롯한 하드웨어 솔루션도 제공한다. 특히 씨게이트 하드웨어 솔루션은 데이터 보호 및 빠른 재구축을 위해 특별히 설계된 RAID 또는 JBOD 기반 스토리지 어레이를 제공한다. 씨게이트 엔터프라이즈 시스템은 원활한 통합을 통한 백업을 수행하며, 코볼트(CORVAULT™)와 같은 자가 복구 및 자가 관리 스토리지를 지원하거나 확장형 선반(Expansion Shelves) 및 JBOD와 같은 아키텍처의 다양성 및 비용 최적화를 지원한다. 코볼트는 데이터 관리를 간소화하고 매크로 엣지 및 데이터 센터에서 관리 개입을 최소화할 수 있도록 설계된 지능형 대용량 스토리지로 데이터 보호 및 자동 드라이브 복구 기능이 특징이다. 뿐만 아니라, 개인 사용자의 스토리지 백업을 위한 제품 역시 다양하게 제공한다. 개인의 효과적인 백업을 위해서는 드라이브의 용량, 스타일, 휴대성을 고려해야 하는데, 이를 위해서는 작고 세련된 디자인의 씨게이트 원터치 HDD와 SDD 제품이나, 암호 보호 기능을 갖추고 최대 20TB의 대용량을 지원하는 원터치 허브가 좋은 선택이 될 수 있다.  90% 이상의 업계 최고 수준 데이터 복구 성공률을 자랑하는 씨게이트 레스큐 데이터 복구 서비스는 대부분의 드라이브에서 최소 3년 동안 무상으로 제공되어, 사용자는 데이터 백업에 더해 데이터 손실이나 손상시를 대비해 더욱 안심하고 사용할 수 있다.    

자율주행의 인지 성능 향상을 위한 데이터셋 생성 기술 (2)   지난 호에서는 자율주행의 인지 모델을 학습하는 데에 있어, 데이터셋(dataset)의 중요성과 인지 모델 향상을 위한 데이터셋의 요건, 그리고 데이터셋 구축의 제약 사항을 살펴보고, 효율성과 품질 측면에서 정답 데이터를 빠르고 정확하게 생성할 수 있는 자동화 도구의 필요성을 짚었다. 이번 호에서는 모라이 심(MORAI SIM)의 데이터셋 생성 기술을 중점으로 모라이 심의 동작 구조와 특장점을 살펴본다.   ■ 연재순서 제1회 자율주행의 인지 성능을 위한 데이터셋의 역할 및 요건 제2회 모라이 심의 데이터셋 생성 기술 소개   ■ 김은정 모라이 엔지니어링 서비스팀 홈페이지 | www.morai.ai   모라이 심은 가상의 주행 환경에서 자율주행 테스트를 할 수 있는 시뮬레이션 플랫폼으로, 실제 자율주행 개발에 필요한 학습 데이터셋을 자동 생성할 수 있다. 모라이 심은 데이터셋 구축의 어려움과 제약 사항을 보완하면서 자율주행 인지 모델에 적용하기 위한 일반성, 실사성, 정확성의 조건을 모두 만족하는 학습 데이터셋을 매우 간단한 절차로 생성한다.   모라이 심의 데이터셋 생성 방식 모라이 심은 3D 그래픽 기반의 개발 엔진을 활용하여 실제와 유사한 주행 환경을 비롯해 다양한 객체 모델을 제공한다. 또한 실존하는 객체의 색상과 질감의 표현뿐만 아니라 중력과 충돌, 투과와 같은 물리 조건을 사실감 있게 모사한다. 특히, 현실감 있는 도로 환경을 디지털 트윈 기반의 3D 맵으로 구현해 냄으로써 데이터의 실사성을 완벽히 살릴 수 있다.    그림 1. 라스베이거스의 교통 환경을 재현한 모라이 심의 3D 맵   모라이 심은 환경 구성과 센서 설정 정보를 바탕으로 학습 데이터셋을 생성한다. 시나리오 환경 구성에서는 눈, 비, 안개와 같은 날씨와 조도를 결정하는 시간대, 주변 차량 및 보행자, 장애물의 개수 및 이동 위치 등을 선택한다. 모라이 심의 시나리오 모델은 시뮬레이션의 환경 전반을 현실감 있게 재현하며, 이는 ASAM 오픈 시나리오 표준 기반의 시나리오 생성 도구인 모라이 시나리오 러너(MORAI Scenario Runner)에서 보다 체계적으로 완성할 수 있다. 센서 설정에서는 차량에 장착하는 센서의 종류와 개수, 장착 위치 및 자세 정보를 입력하고, 검출될 이미지 데이터를 프리뷰 기능으로 확인할 수 있다.   그림 2. 모라이 심의 데이터셋 생성 방식   모라이 심은 환경 구성 및 센서 설정 정보를 바탕으로 시뮬레이션 동작의 매 스텝마다 자기 차량의 센서에서 검출하는 데이터를 생성하고 저장한다. 사용자는 모라이 심에서 제공하는 시나리오 환경과 및 센서 모델을 통해 카메라 센서의 이미지, 라이다(LiDAR) 센서의 점군(point cloud) 데이터, GPS 센서의 측위 데이터와 같은 다양한 형식의 데이터를 얻을 수 있다. 특히, 모라이 심에서는 3D 라이다 센서로 점군 데이터를 자동으로 생성하기 때문에, 비싸고 무거운 라이다 센서를 대신하여 주행 평가에 매우 유용하게 활용할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

  15　THEME. 항공우주 산업 현황과 디지털 전환 트렌드 항공우주 산업 현황과 전망 / 최경화 항공우주 산업을 위한 디지털 혁신 지원 솔루션 / 김종국 디지털 엔지니어링 환경 구현으로 항공 우주 및 방위 역량 강화 / 임석용 디지털 전환을 통한 항공우주·방위 산업의 공급망 관리 효율화 / 오병준   Infoworld   Case Study 28　역사 보호를 위한 디지털 문화 보존 프로젝트　리얼리티캡처와 언리얼 엔진으로 유럽 왕실의 유산을 보존하다 32　‘아바타 : 물의 길’을 탄생시킨 물 표현 기술　물방울부터 파도까지 사실적으로 시각화하기 위한 시뮬레이션   People&Company 36　앤시스 스티브 블레이마이어 항공우주 및 방위 부문 CTO　디지털 전환 전략 통해 항공우주 및 방위 산업 시장 적극 공략 38　모라이 정지원 대표　자율주행 개발 위한 시뮬레이션의 가능성에 주목   New Products 41　다양한 산업에서 고폼질 시각화와 강력한 리얼타임 경험 제작 지원　트윈모션 2023.1 46　오토캐드와 동일한 사용법 및 호환성 제공하는 범용 CAD　프로지캐드 2024 프로페셔널 50　격자 생성 고민에 대한 솔루션 제안하는 CFD 소프트웨어　포인트와이즈 / 피델리티 오토메쉬 52　AI 기능 강화로 성능 높이고 전력소비 줄인 GPU　지포스 RTX 4070   Focus 55　에픽게임즈코리아, 언리얼 엔진 비즈니스 성과 및 신기술 발표 58　지멘스 DISW, 디지털 제조 혁신 위한 솔리드 엣지 2023의 신기능 및 활용법 소개 60　트림블 코리아, 디지털 건설을 위한 혁신 전략과 기술 소개 62　빌딩스마트협회, 빌드스마트 포럼 2023 통해 디지털 AEC 재조명 64　지멘스 EDA, “반도체 산업의 불확실성 극복 및 성장을 혁신 기술로 뒷받침한다” 66　SAP 코리아, 공급망의 회복탄력성을 위한 도전과제와 솔루션 제시 68　델, 하이브리드 환경에서 업무 효율 높이는 기업용 PC 제품군 소개   Column 71　책에서 얻은 것 No.16 / 류용효　디지털 치료제 혁명 76　디지털 지식전문가 조형식의 지식마당 / 조형식　챗GPT 온톨로지   On Air 80　캐드앤그래픽스 CNG TV 지식방송 지상중계　디지털 전환의 가치와 디지털 엔지니어링의 역할 / 애플리케이션 개발의 패러다임 바꾸는 로코드·노코드   78　New Books   CADPIA   Plant 81　KOEN의 디지털 트윈 발전소 구축 사례 / 김명규　인공지능과 3D 시각화, 초연결로 발전 운영 시스템의 통합 및 표준화 구현   AEC 86　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　드론 자율비행 제어 지원 플랫폼 픽스호크의 소개 및 사용 방법 92　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2024 (1) / 천벼리　아레스 캐드 2024의 신규 기능 96　새로워진 캐디안 2023 살펴보기 (7) / 최영석　Express Tools, 문자 기능 소개   Reverse Engineering 99　포인트셰이프 디자인을 사용한 역설계 사례 / 드림티엔에스　엔진 기어박스 스캔 데이터 역설계 작업 과정 102　이미지 정보의 취득, 분석 및 활용 (5) / 유우식　시간 측정   Mechanical 114　제품 개발 혁신을 가속화하는 크레오 파라메트릭 9.0 (10) / 김주현　향상된 인체 공학 설계   Analysis 120　앤시스 워크벤치를 활용한 해석 성공 사례 / 송채영　앤시스 디지털 트윈과 하이브리드 애널리틱스   Cloud Computing 125　산업 현장에서 활용할 수 있는 AWS IoT 서비스 (1) / 조상만　AWS IoT를 활용한 스마트 공장의 구현   Machine Learning 130　자율주행의 인지 성능 향상을 위한 데이터셋 생성 기술 (2) / 김은정　모라이 심의 데이터셋 생성 기술 소개   PLM 133　제조기업의 미래를 위한 PLM 이야기 (4) / 김성희　상품 기획과 PLM      

파수가 4월 19일 연례 고객 행사인 ‘파수 디지털 인텔리전스 2023(Fasoo Digital Intelligence 2023, 이하 FDI 2023)’을 진행했다. 기업 및 기관의 CIO, CISO 등 400여명의 고객이 참여한 이번 행사에서 파수는 AI 시대를 위한 보안 및 데이터 관리 전략을 제시했다. FDI 2023은 ‘Generative AI : Applications Risks and Data(생성형 AI : 애플리케이션, 리스크 그리고 데이터)’를 주제로 진행됐다. 파수는 키노트와 세부 세션을 통해 최근 주목받고 있는 AI로 인한 기회와 보안 위협을 짚어보고, 제로트러스트 보안과 개인정보보호, 애플리케이션 보안, 협업 등의 다양한 주제에 대한 현재의 문제점과 해결책을 나눴다. FDI 2023의 키노트에서 파수의 조규곤 대표는 “챗GPT로 주목받고 있는 생성형 AI를 앞으로 어떻게 활용하냐에 따라 기업의 핵심 경쟁력이 좌우될 것”이라며, “파수는 기업들이 제대로 AI를 활용할 수 있도록 신규 솔루션 등을 통해 적극 지원할 것”이라고 말했다. 조규곤 대표는 AI 활용을 위한 신규 솔루션으로 ‘F-PAAS(Fasoo Private AI Assistant Service, 파수 프라이빗 AI 어시스턴트 서비스, 가칭)’와  ‘파수 퍼블릭 AI 프록시(Fasoo Pubilc AI Proxy, 가칭)’를 소개했다.   F-PAAS는 기업 내부에 구축하는 통합적인 AI 지원 서비스로, 파수가 개발 중인 기업형 LLM(대규모 언어모델)을 활용해 보안, 개인정보 보호 등 정책 학습과 문서, 데이터 등 콘텐츠 학습 등이 가능하며 문서 작성, 회의 도우미 등 다양한 AI 활용 서비스를 제공한다. 파수 퍼블릭 AI 프록시는 인증관리와 접근제어, 데이터 트랜잭션 모니터링 기능을 제공해 기업이 외부의 퍼블릭 AI를 활용할 때 높은 안전성과 보안 수준을 제공한다. 파수 퍼블릭 AI 프록시는 연내, F-PAAS는 내년 FDI 공개를 목표로 개발 중이다. 이와 함께 조규곤 대표는 “기업이 AI 학습을 위해 사용하는 데이터셋이 곧 기업의 AI 수준을 결정할 것”이라며, “데이터셋의 수준 향상을 위해서는 기업이 보유 데이터를 실시간으로 누락없이 관리하면서 중복되거나 불필요한(ROT, Redundant, Obsolete, Trivial) 데이터를 최소화해야 한다”고 설명했다. 또한 이러한 데이터셋 관리를 위한 해결책으로 중복없이 최신 버전 기준으로 누락없는 데이터 관리가 가능한 ‘콘텐츠 가상화 인프라(VCI)’를 제시했다. 키노트 이후에는 ▲AI와 개인정보보호 ▲IT 인프라 효율을 극대화하기 위한 협업 플랫폼 ▲제로트러스트 데이터 보안 플랫폼 ▲애플리케이션 보안, 그 이상 ▲AI 시대의 매니지드 서비스와 SAT(Security Awareness Training) 등을 주제로 세부 세션이 진행됐다. ‘AI와 개인정보보호’ 세션에서는 AI 시대의 개인정보보호 방안으로 AI 기반 자연어 처리 기술의 ‘파수 AIR (Fasoo AI Radar, 파수 AI 레이더)’와 개인정보 비식별 솔루션 ‘애널리틱디아이디(AnalyticDID, ADID)’의 실제 적용 사례를 소개했다. 한편 FDI 2023 현장에서는 다양한 부스도 운영됐다. 부스에서는 개인정보보호를 위한 파수AI AIR와 ADID, 데이터 식별·분류 솔루션 '파수 데이터 레이더(Fasoo Data Radar, FDR)' 외에도 엔터프라이즈 문서 플랫폼 ‘랩소디(Wrapsody)’와 외부 협업 플랫폼 ‘랩소디 에코(Wrapsody eCo)’, 업무용 메신저 ‘파이어사이드(Fireside)’, 애플리케이션 보안을 위한 스패로우 제품군, 악성메일 모의훈련 서비스 ‘마인드 셋(Mind-SAT)’ 등의 시연과 컨설팅이 제공됐다.

자율주행의 인지 성능 향상을 위한 데이터셋 생성 기술 (1)   스스로 보고 생각하고 행동하는 자율주행 기술의 기본 원리는 ‘인지-판단-제어’의 3단계로 나눌 수 있다. 자율주행의 완성도를 높이기 위한 핵심은 ‘정확한 인지’ 데이터를 기반으로 한 정확한 판단과 제어이기 때문에 카메라, 라이다와 같은 정밀 센서를 활용한 정확한 인지 기술의 구현이 선행되어야 한다. 최근 자율주행을 위한 인지 기술로 딥러닝 기반의 객체 인식 기술, 특정 사물을 파악하는 원리를 스스로 파악하는 머신 러닝 기술이 각광받는 가운데, 인지 성능의 개선을 위한 양질의 학습 데이터가 필수적으로 요구되고 있다. 이번 호부터 2회에 걸쳐, 국내 자율 주행 개발 환경에 맞춰, 자율주행의 인지성능을 이끄는 학습 데이터셋(dataset)의 역할 및 요건, 그리고 양질의 학습 데이터셋을 구축하기 위한 모라이 심(MORAI SIM)의 학습 데이터셋 생성 기술을 알아본다.   ■ 연재순서 제1회 자율주행의 인지 성능을 위한 데이터셋의 역할 및 요건 제2회 모라이 심의 데이터셋 생성 기술 소개   ■ 김은정 모라이 엔지니어링 서비스팀 홈페이지 | www.morai.ai   머신러닝에 필요한 교과서, 데이터셋 데이터셋은 특정한 작업을 위해서 방대하게 수집된 디지털 정보로, AI 학습에 사용된다. 데이터셋은 기압 및 기온과 같은 날씨 정보부터 사진, 음악 등 AI가 학습에 도움이 되는 모든 정보를 포함할 수 있다. 마치 AI가 학습하기 위한 교과서와 같다. AI 학습에서 비롯된 기술이 바로 머신러닝(machine learning) 혹은 딥러닝(deep learning)이다. 머신러닝은 AI가 데이터와 경험을 통해 스스로 학습하는 기술이다. 머신러닝은 AI가 학습하는 방법에 따라 다음과 같이 분류할 수 있다. 지도 학습(supervised learning) : 정답(label)이 있는 데이터를 학습 비지도 학습(unsupervised learning) : 답이 없는 데이터를 학습(unsupervised learning), 즉 라벨이 없는 데이터를 비슷한 특징끼리 군집화하여 새로운 데이터에 대한 결과를 예측 강화 학습(Reinforcement Learning) : 정의된 주체(agent)가 행동에 대한 보상을 받으며 학습, 보상을 최대화할 수 있는 행동 또는 행동 순서를 선택   머신러닝은 다음과 같이 세 가지 데이터를 통해 AI를 학습시키고 검증하며 평가한다. 학습 데이터(Train dataset) : 인공지능 모델을 학습하는 데 사용(정답 데이터를 포함) 검증 데이터(Validation dataset) : 학습된 모델의 성능을 검증하고 파라미터를 조정하는 데 활용 테스트 데이터(Test dataset) : 최종 학습이 완료된 모델의 성능 평가하는 데에 사용   머신러닝의 궁극적인 목표는 사람의 개입 없이 새로운 데이터에 대한 목표 값을 예측하는 것이기 때문에, 이에 활용되는 데이터는 머신러닝의 시작과 끝이라고 할만큼 매우 중요하다.   정답 데이터 이해하기 : 자율주행의 인지 모델이 학습하는 정답 데이터 정답 데이터는 말 그대로 답이 있는 데이터로, 앞서 설명한 머신러닝의 지도 학습에 사용된다. 예를 들어, AI가 동물 그림을 보고 어떤 동물에 대한 그림인지를 학습하는 경우, 각 그림마다 해당 동물의 이름이 적혀 있다면 이 이름이 정답 데이터이다. 머신러닝은 데이터를 인지하고 분류하는데 활용하는 기술로, 정답 데이터를 사용하면 머신러닝 모델을 설계할 수 있다. 예를 들어, 머신러닝 모델을 ‘y = ax + b’ 함수로 표현했을 때, 입력 데이터 x에 대한 정답 데이터 y를 예측하려면 파라미터 a와 b 값을 알아야 한다. 즉, 학습 결과에 영향을 주는 a와 b 값을 찾으면 머신러닝 모델을 설계할 수 있다. 학습 파라미터를 찾는 과정을 모델 최적화라고 하며, 최적화를 잘 할 수록 ‘예측을 잘한다’ 혹은 ‘모델의 성능이 좋다’라고 표현할 수 있다. 정답 데이터는 이러한 학습 파라미터를 결정 짓는 중요한 요소 중 하나로, 머신러닝 모델에서 반드시 필요하다. 머신러닝을 활용한 자율주행 분야에서 정답 데이터는 차량이 주행 환경을 파악하여 스스로 제어하기까지 중요한 역할을 한다. 정답 데이터는 대상 객체가 속하는 카테고리(클래스) 정보와 대상 객체가 위치하는 좌표 정보를 포함하기 때문에, 자율주행의 인지 모델은 이러한 정답 데이터를 가지고 학습할 수 있다.       ■ 자세한 기사 내용은 PDF로 제공됩니다.

  15　THEME. 디지털 전환으로 플랜트/조선 산업의 지속가능한 미래를 열다   디지털 트윈 기술로 기업의 생존이 가능한가? / 최우영 BIM 기반의 메가프로젝트 디지털 트랜스포메이션 / 전동휘 스마트십 플랫폼 공동구축 추진 현황 및 방향 / 이정렬 도면 인식 기술을 통한 엔지니어링 정보의 디지털화 / 김도형 에너지 산업의 지속가능성을 위한 디지털 전환 여정 / 박진성, 유준우 3D 광대역 스캐너의 발전과 조선 분야 활용 사례 / 김지한 플랜트/조선 산업의 클라우드 적용 사례 및 DX 동향 / 김종찬   INFOWORLD Case Study 44　언리얼 엔진에 피직스 시뮬레이션을 도입한 알고릭스　고품질 그래픽의 다물체 동역학 시뮬레이션 엔진 개발 48　컴퓨터 비전과 AI 기술의 만남　데이터와 AI로 인간 중심의 컴퓨터 비전을 구현   People & Company 52　헥사곤 매뉴팩처링 인텔리전스 성 브라이언 사장　새 오피스와 함께 비즈니스 통합... 스마트 제조와 디지털 혁신 위한 생태계 넓힌다 54　한국생산제조학회 김병희 회장　생산제조기술 분야 선도 학회로서 혁신 위한 청사진 제시   New Products 56　워크플로 향상된 구조 BIM 소프트웨어　테클라 2023 59　코드의 동적 테스트 및 모델 기반 설계를 단순화　매트랩 2023a / 시뮬링크 2023a 62　해상도 및 패턴 처리량 늘린 주얼리 전용 3D 프린터　프로젯 MJP 2500W 플러스 88　이달의 신제품   Focus 64　지스타캐드 한국 시장 10만 카피 판매 돌파… 모두솔루션과 함께 2D 캐드 시장 입지 강화 66　2023 스마트공장·자동화산업전, ‘연결된 스마트 공장’ 주제로 성료 68　2023 산업지능화 컨퍼런스, ‘AI·디지털트윈, 산업의 미래를 바꾸다’를 주제로 개최 70　로크웰 오토메이션, “OT 경험과 IT 기술 접목해 스마트 공장 플랫폼 제공” 73　인터몰드 2023에서 살펴 본 3D 프린팅 및 CAD/CAE/CAM 트렌드 76　한국공작기계산업협회, 'SIMTOS 2024' 참가설명회서 주요 행사 계획 발표   Column 78　디지털 지식전문가 조형식의 지식마당 / 조형식　챗GPT 비즈니스의 기회 80　지속가능한 제품 설계로 보다 나은 비즈니스 구축하기 / 오병준 83　트렌드에서 얻은 것 No. 16 / 류용효　챗GPT-PLM 활용의 모습   On Air 92　캐드앤그래픽스 CNG TV 지식방송 지상중계　챗GPT, AI가 가져올 산업의 변화   90　New Books   CADPIA   AEC 93　레빗에서 알아 두면 아주 유익한 꿀팁 시리즈 (17) / 장동수　pyRevit 애드인 기능을 사용해서 수정 기호를 손쉽게 적용하는 방법 96　새로워진 캐디안 2023 살펴보기 (6) / 최영석　Express Tools, 수정 기능 소개 99　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2023 (11) / 천벼리　지정된 요소 세트 정렬 102　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　ChatGPT-3 인공지능 기반 자동 프로그래밍 사용기   Reverse Engineering 106　이미지 정보의 취득, 분석 및 활용 (4) / 유우식　무게 측정   Mechanical 113　제품 개발 혁신을 가속화하는 크레오 파라메트릭 9.0 (9) / 김성철　향상된 모델 기반 정의 기능   Analysis 118　앤시스 워크벤치를 활용한 해석 성공 사례 / 안홍석　앤시스 플루언트 IFSI를 이용한 풍하중 해석   PLM 122　제조기업의 미래를 위한 PLM 이야기 (3) / 김성희　마케팅 요소와 제품 정보를 관리할 수 있는 PLM   Machine Learning 125　자율주행의 인지 성능 향상을 위한 데이터셋 생성 기술 (1) / 김은정　자율주행의 인지 성능을 위한 데이터셋의 역할 및 요건    

BIM 칼럼니스트 강태욱의 이슈 & 토크   각자 발전한 라이다(LiDAR)와 카메라 데이터 처리 기술은 서로의 장단점을 혼합해 사용된다. 데이터 퓨전 기술을 통해 카메라 이미지에서는 정밀한 객체 세그먼트 정보를 얻고, 퓨전된 라이다로부터 정확한 객체 거리 및 위치를 추출할 수 있다. 이를 잘 이용하면 실내외 객체의 종류, 거리, 위치, 크기를 정확히 얻을 수 있다. 이번 호에서는 특성이 다른 데이터의 혼합(fusion) 및 중첩(superposition) 기술을 간략히 소개하고, 라이다와 카메라 센서 퓨전 기술을 이용한 3차원 객체 인식, 거리, 위치 자동 추출 기술 개발 방법에 대해 살펴본다.   ■ 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. 이메일 | laputa99999@gmail.com 페이스북 | www.facebook.com/laputa999 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | http://www.facebook.com/groups/digestpodcast   그림 1. 카메라와 라이다의 혼합(fusion) 사용   센서 퓨전 분야는 라이다와 카메라 센서 같은 이기종 센서의 장점만을 취해 퓨전된 데이터셋을 얻는 데에 중점을 두고, 무인 자율주행 자동차 등 다양한 분야에서 시도되었다. 센서 퓨전을 통해 라이다에서는 정확한 거리나 위치, 카메라에서는 풍부한 객체 세그먼트 정보를 얻을 수 있다. 그러므로 센서 퓨전의 목적은 각각의 데이터를 하나의 좌표계로 정렬하는 것이 된다.   그림 2. 센서 퓨전 결과   이 글은 자율차 개발 시 사용되고 있는 센서 퓨전 연구 사례를 기반으로 설명한다. 이 연구 사례는 센서 퓨전 연구를 위해 기존 무인자율차 데이터 학습용 KITTI 데이터셋을 사용한다. IEEE의 센서 퓨전 연구 사례 : https://ieeexplore.ieee.org/abstract/document/8500549 KTTI 데이터셋 : http://www.cvlibs.net/datasets/kitti/setup.php 우선, <그림 3~4>와 같이 벨로다인 라이다와 카메라를 장착한 차량(로버 등 마운팅 대상은 관계 없이 활용 가능함)이 있다고 가정한다.   그림 3   그림 4   모든 센서에서 얻은 값은 특정 센서 기준으로 데이터를 변환해야 한다. 이 경우, 카메라를 기준으로 다른 센서들의 데이터를 변환한다. 그러므로, 이를 변환하기 위한 각 센서의 캘리브레이션(조정) 파라미터가 필요하다. 이 파라미터는 기준 센서 중심으로 데이터 변환 시 사용된다.     ◼︎ 전체 내용은 PDF로 제공됩니다.