엔비디아가 복잡한 자율 로봇 조작 분야를 발전시키기 위해 알파벳(Alphabet)의 소프트웨어와 AI 로보틱스 회사인 인트린직(Intrinsic)과 협력해 엔비디아 AI와 아이작(Isaac) 플랫폼 기술을 통합했다고 소개했다. 미국 시카고에서 열리는 오토메이트(Automate) 전시회에서 인트린직은 로봇 파지(grasp) 기술의 발전 내용을 소개한다. 또한 엔비디아 아이작 매니퓰레이터(Isaac Manipulator)로 구현된 파운데이션 모델로 산업 확장성을 지원해, AI를 통한 산업 자동화의 새로운 가치를 선보일 예정이다. 엔비디아는 지난 3월 GTC에서 파운데이션 모델과 모듈식 GPU 가속 라이브러리의 모음인 아이작 매니퓰레이터를 공개했다. 아이작 매니퓰레이터는 산업 자동화 기업의 AI 모델 훈련과 작업 재프로그래밍을 가속화해, 동적 조작 작업을 위한 확장과 반복이 가능한 워크플로를 구축할 수 있도록 지원한다. 파운데이션 모델은 신경망이 데이터의 관계를 추적해 학습하게 하는 트랜스포머 딥러닝 아키텍처를 기반으로 한다. 일반적으로 방대한 데이터 세트에 기반해 학습되며, 텍스트용 챗GPT(ChatGPT)처럼 센서와 로봇 정보를 처리하고 이해하는 데에 사용할 수 있다. 이를 통해 이전과는 전혀 다른 로봇의 인식과 의사 결정이 가능해지며, 사전 예제 없이도 작업을 수행할 수 있는 제로샷 러닝(zero-shot learning)을 제공한다.      파지 기술은 로봇 공학에서 오랫동안 추구된 기술로, 지금까지는 프로그래밍하는데 드는 많은 시간과 비용의 문제로 인해 확장하기가 어려웠다. 그 결과 지금까지 로봇은 반복적인 픽앤플레이스(pick-and-place) 조건을 원활하게 처리하는데 어려움이 있었다. 이런 문제는 시뮬레이션을 활용함으로써 개선할 수 있을 전망이다. 인트린직은 엔비디아 아이작 심(Isaac Sim)과 함께 엔비디아 옴니버스(Omniverse) 플랫폼에 합류했다. 이들은 판금과 흡입 그리퍼의 컴퓨터 지원 설계 모델을 사용해 진공 그립을 위한 합성 데이터를 생성했다. 이를 통해 인트린직은 산업용 공작 기계의 선두 제조업체인 트럼프 머신 툴스(Trumpf Machine Tools)의 고객사를 위해 프로토타입을 제작할 수 있었다. 이 프로토타입은 AI 기반 로봇 솔루션용 개발자 환경인 인트린직 플로우스테이트(Flowstate)를 사용해 프로세스, 관련 인식 그리고 모션 계획을 시각화한다. 아이작 매니퓰레이터가 포함된 워크플로를 통해 파지 자세와 쿠다(CUDA) 가속 로봇 모션을 구현할 수 있다. 또한 인트린직 플랫폼으로 실제 환경에 배포하기 전에 이를 먼저 아이작 심을 사용한 시뮬레이션으로 평가해 비용을 절감할 수 있다. 이번 협력을 통해 엔비디아와 인트린직은 로봇 팔을 위한 최첨단의 조작 민첩성과 모듈식 AI 기능을 제공할 계획이다. 이는 강력한 파운데이션 모델 모음과 GPU 가속 라이브러리를 통해 보다 많은 새로운 로봇 공학과 자동화 작업 가속화를 가능하게 한다. 엔비디아는 인트린직과 협업을 통해 그리퍼(gripper), 환경 그리고 물체 전반에 걸쳐 보편적으로 적용할 수 있는 로봇 파지 기술의 잠재력을 소개한다는 비전을 내세운다. 인트린직의 웬디 탠 화이트(Wendy Tan White) CEO는 “광범위한 업계에서 엔비디아와의 협력은 파운데이션 모델이 얼마나 큰 영향을 미칠 수 있는지 보여준다. 여기에는 오늘날의 처리 과제를 대규모로 관리하기 쉽게 만들고, 이전에는 실현 불가능했던 애플리케이션을 만들고, 개발 비용을 절감하고, 최종 사용자를 위한 유연성을 높이는 것이 포함된다"고 말했다. 

문화유산 분야의 이미지 데이터베이스와 활용 사례 (5)   지난 호에서는 우리의 소중한 문화유산인 전통 한지에 관한 데이터베이스 구축의 중요성과 문화유산 분야에서의 활용 사례에 관하여 살펴보았다. 데이터베이스에 어떠한 정보가 유용한 정보인지를 판단하기 위하여 종이의 역사와 동아시아 전통 종이의 차이를 정리하였다. 한지 제지 공정, 한지의 다양한 명칭, 한지의 특징, 한지의 원료, 한지의 색상 및 빛의 투과 특성, 전통한지의 우수성과 전통 계승 및 보존의 중요성에 관해서 살펴보았다.  이번 호에서는 국내외의 고지도를 소개하고 고지도에서 얻을 수 있는 다양한 지리 및 역사 정보에 관하여 살펴본다. 근대의 측량 기술이 도입되기 전에 제작된 고지도의 한계와 수록된 정보의 해석에 있어서의 주의점에 관해서도 생각해 보고자 한다. 고지도 데이터베이스의 중요성과 문화유산, 역사, 인문학 분야에서의 해석 및 활용 사례에 관하여 살펴보도록 한다.   ■ 연재순서 제1회 이미지 데이터와 데이터베이스의 중요성 제2회 서화, 낙관, 탁본 데이터베이스 제3회 옛 사진 데이터베이스 제4회 한지 데이터베이스 제5회 고지도 데이터베이스  제6회 고서 자형 데이터베이스 제7회 필사본 고서 데이터베이스  제8회 목판본 고서 데이터베이스  제9회 금속활자본 고서 데이터베이스  제10회 근대 서지 데이터베이스  제11회 도자기 데이터베이스 제12회 안료 데이터베이스   ■ 유우식 웨이퍼마스터스의 사장 겸 CTO이다. 동국대학교 전자공학과, 일본 교토대학 대학원과 미국 브라운대학교를 거쳐 미국 내 다수의 반도체 재료 및 생산설비분야 기업에서 반도체를 포함한 전자재료, 공정, 물성, 소재분석, 이미지 해석 및 프로그램 개발과 관련한 연구를 진행하고 있다. 경북대학교 인문학술원 객원연구원, 국민대학교 산림과학연구소 상임연구위원, 문화유산회복재단 학술위원이다. 이메일 | woosik.yoo@wafermasters.com  홈페이지 | www.wafermasters.com   그림 1. 대동여지도와 대한민국전도의 유사도와 축척 비교(10리를 4km로 계산하면 대동여지도는 실제의 크기보다 약 25% 크게 그려져 있다.)   우리나라의 지도 국어사전에서는 지도(地圖)를  ‘지구 표면의 상태를 일정한 비율로 줄여, 이를 약속된 기호로 평면에 나타낸 그림’으로 설명하고 있다. 근대 이후에 제작된 지도를 바탕으로 한 설명이라고 볼 수 있다. 현대에는 수치 정보를 바탕으로 한 지리 정보 시스템(GIS : Geographic Information System)과 GPS(Global Positioning System)를 사용하여 항공기, 선박, 자동차 및 보행자의 위치를 무선으로 안내하는 시스템이 사용되고 있다. 지도의 수치 정보와 자신의 위치 정보는 컴퓨터에서 처리되며 화면에 표시된다. 물론 전통적인 방법으로 종이에 인쇄하여 사용하는 것도 가능하다. 우리나라 지도 제작의 역사는 삼국시대 이전으로 거슬러 올라갈 것으로 추정된다. 삼국시대 이전에도 외부와 교류가 활발했고 기록 활동도 있었으므로, 어떠한 형태로든 지도가 만들어졌을 것으로 보인다. 필사에 의한 간단한 약도부터 초기 형태의 지도가 만들어져 활용되었을 것이다. 그러나 현재는 조선 시대 이후의 것들만 전해지고 있다. 현존하는 고지도 가운데 가장 오래된 지도는 조선 초기인 1402년(태종 2년)에 제작된 ‘혼일강리역대국도지도’이다. 이 지도는 당시 제작된 세계 지도로는 세계적으로도 가장 뛰어난 지도 중의 하나로 인정되고 있으나 원본은 전하지 않는다. 필사본은 일본 류코쿠대학이 소장하고 있다. 일본 텐리대학과 서울대학교 규장각에는 필사 모사본이 있다.  조선 전기에는 국토의 측량을 기초로 우리나라 영토의 부분부분을 그린 지도가 활발하게 만들어졌다. 조선 전기의 대표적인 전도(全圖)로는 1530년(중종 25년)에 간행된 ‘신증동국여지승람’에 수록된 ‘팔도총도’를 들 수 있다. 이 전도는 특정 지역의 지역적 성격을 종합적으로 지도와 함께 기록한 지지(地誌)를 보완하는 형태로 부도(附圖)의 형식을 영토의 전체적인 모양을 두 면에 수록하였으며 대표적인 산, 강, 고을의 이름이 간략하게 적혀 있다.    대동여지도 개항 이전인 1876년(고종 13년), 근대적 측량이 이루어지기 전에 제작된 한반도의 지도 중 가장 정확한 지도로 꼽히는 것이 ‘대동여지도’이다. 김정호가 1861년(철종 12년)에 지도첩의 형태로 제작한 한반도의 지도이다. 접었을 때의 책의 크기는 가로 20cm, 세로 30cm로 보관과 운반이 용이하게 만들어졌다. 지도는 가로 19판, 세로 22층(또는 22첩)으로 이루어졌다. 지도의 축척을 나타내는 방안(方眼)에 의하면 지도의 한 면은 가로 80리, 세로 120리에 해당하며 지도의 두 면이 한 장의 목판으로 인쇄되었다. 지도를 펼치면 가로 약 3.8m, 세로 약 6.7m에 이른다. 현재 세 건이 대한민국의 보물로 지정되어 있으며, 대동여지도의 인쇄에 사용된 목판이 2008년에 대한민국 보물로 지정되었다. <그림 1>에서 보는 바와 같이 현재의 한반도 지도의 윤곽과 비교해도 손색이 없다. 1834년(순조 34년)에 제작하고 1840년대까지 3차례에 걸쳐 개정한 ‘청구도’와 1530년에 편찬한 ‘신증동국여지승람’ 등을 참고하여 만들어진 것으로 여겨지고 있다.  대동여지도의 백두산 부분을 살펴보면 단순한 지리 정보 뿐만 아니라 청나라와의 국경을 정한 내용, 청나라와 조선의 담당자, 비석을 세운 날짜 등을 기록하여 세운 비석인  정계비(定界碑)의 위치까지 표시되어 있다.(그림 2) 정계비를 세운 날짜는 강희 51년 5월 15일로 1712년(숙종 38년)의 일이다. ‘강희임진정계(康熙壬辰定界)’라고 적혀 있어 청나라 강희제의 임진년인 1712년에 청나라와 조선의 경계를 정해서 비석을 세운 것임도 기록해 두었다. 대동여지도가 1861년에 만들어진 것이므로 149년 전의 역사적 사실을 기록한 셈이다. 이처럼 고지도에는 단순한 지리 정보뿐만 아니라 역사 정보도 기록되어 있는 경우가 많아, 귀중한 역사 연구자료로서의 가치도 매우 높다.    그림 2. 대동여지도에 그려진 백두산 부분.조선과 청나라의 국경을 표시하기 위하여 1712년 5월 15일에 세워진 백두산정계비의 위치가 표시되어 있다.    대동여지도는 100리(里)를 1척(尺)으로, 10리를 1촌(寸)으로 한 백리척(百里尺) 축척의 지도이나 당시의 10리를 현재의 길이 단위로 정확히는 알 수 없다. 조선 시대의 10리를 오늘날과 마찬가지인 4km로 계산하면 축척은 1 : 16만으로 계산된다. ‘대동지지’와 ‘속대전’의 기록인 “주척(周尺)을 쓰되 6척은 1보(步)이고 360보는 1리(里)이며 3600보는 10리로 된다”라는 내용을 기준으로 축척을 추정하면 1 : 21만 6000이다. 그러나 필자가 현대에 만들어진 지도와 크기가 유사하게 조정하여 대동여지도의 축척을 계산하면 약 1 : 12만 8000이었다. 문헌상의 기록을 바탕으로 추정한 축척과는 25% 또는 69%의 차이가 발생한다. 대동여지도에서는 실제 거리로 약 1280m(=1.28km)에 해당하는 직선 거리가 1cm로 표시된 셈이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (9)   이번 호에서는 다양한 유형의 난류 모델과 사용 시기, 그리고 복잡한 형상을 위한 고충실도 난류 모델링에 있어 케이던스의 밀레니엄 M1 CFD 슈퍼컴퓨터가 어떻게 혁신을 가져오는지에 대해 소개한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   자동차 산업은 거의 매일 새로운 혁신과 개발이 등장하며 끊임없이 발전하고 있다. 자동차 업계는 전기 구동 차량과 대량 생산이 증가하는 추세에 발맞춰, 보다 지속 가능한 미래를 만들기 위해 노력하고 있다. 2022년 전 세계 자동차 생산량은 5.7% 증가하여 8540만 대를 생산할 것으로 예상된다. 그러나 업계는 여러 디자인 또는 새로운 헤드라이트, 스플리터, 사이드 스커트 추가와 같은 아주 작은 디자인 변경에 대해서도 풍동 테스트 또는 프로토타입 테스트를 수용하면서 연비 기준을 충족해야 하는 과제에 직면해 있다. 그 결과, 항력 계수 등 관심 있는 유동장 정보와 성능 관련 수치를 예측하여 필요한 실험 횟수를 크게 줄일 수 있는 시뮬레이션 기반 접근 방식이 점점 더 인기를 얻고 있다. 유체 흐름의 난류를 이해하고 전산 유체 역학(CFD) 시뮬레이션을 통해 동일한 난류를 재현하려면 다양한 난류 모델을 사용해야 한다. 자동차 애플리케이션과 리소스 가용성에 따라 적합한 난류 모델을 선택하면 설계 주기를 단축하는 데 도움이 될 수 있다.      유체의 난류 모델링 난류는 압력과 속도의 혼란스러운 변화를 특징으로 하는 불규칙한 흐름을 일컫는 용어이다. 우리는 일상 생활에서 난류를 경험하며 공기 역학, 연소, 혼합, 열 전달 등과 같은 다양한 엔지니어링 응용 분야에서 중요한 역할을 한다. 하지만 유체 역학을 지배하는 나비에-스토크스 방정식은 매우 비선형적인 편미분 방정식이며 난류에 대한 이론적 해법은 존재하지 않는다. 난류는 광범위한 공간적, 시간적 규모를 포함하기 때문에 모델링과 시뮬레이션이 어려울 수 있다. 일반적으로 큰 와류는 난기류에 의해 생성된 에너지의 대부분을 전달하고 작은 와류는 이 에너지를 열로 발산한다. 이 현상을 ‘에너지 캐스케이드’라고 한다. 수년에 걸쳐 다양한 난기류 모델링 접근법이 개발되었으며, 가장 일반적인 세 가지 접근법을 간략히 설명하면 다음과 같다.   직접 수치 시뮬레이션(DNS) DNS에서는 모델이나 근사치 없이 미세한 그리드와 매우 작은 시간 단계를 사용하여 모든 규모에서 난기류를 해결한다. DNS의 계산 비용은 엄청나게 높지만 결과는 가장 정확하다. DNS 시뮬레이션은 난류장에 대한 포괄적인 정보를 제공하기 위한 ‘수치 실험’으로 사용된다.   대규모 와류 시뮬레이션(LES) 이름에서 알 수 있듯이 이 난류 모델링 기법은 큰 소용돌이를 해결하고 보편적인 특성을 가진 작은 소용돌이를 모델링한다. LES 시뮬레이션은 최소 길이 스케일을 건너뛰어 계산 비용을 줄이면서도, 시간에 따라 변화하는 난기류의 변동 요소를 자세히 보여준다.   레이놀즈-평균 나비에-스토크스 모델(RANS) RANS 방정식은 나비에-스토크스 방정식의 시간 평균을 취하여 도출되었다. 난기류 효과는 미지의 레이놀즈 응력 항을 추가로 모델링하여 시뮬레이션한다. RANS 시뮬레이션은 평균 흐름을 해결하고 난류 변동을 평균화하므로 다른 두 가지 접근 방식보다 훨씬 비용 효율적이다.   올바른 선택 - DNS, LES 또는 RANS 올바른 난류 모델을 선택하는 것은 모든 시뮬레이션의 중요한 측면이며, 이는 주로 시뮬레이션의 목적, 흐름의 레이놀즈 수, 기하학적 구조 및 사용 가능한 계산 리소스에 따라 달라진다. 학술 연구의 경우 DNS 시뮬레이션은 난류의 근본적인 메커니즘과 구조를 이해하는데 가장 적합한 결과를 제공한다. DNS는 레이놀즈 수가 낮은 경우에 적합하지만, 막대한 시간과 리소스가 필요하기 때문에 대부분의 산업 분야에서는 실용적인 선택이 아니다. 반면에 LES는 일반적으로 레이놀즈 수가 높은 복잡한 형상을 포함하는 산업용 사례를 처리하는데 적합한 옵션이다. LES가 생성하는 고충실도 결과물은 경쟁이 치열한 자동차 시장에서 중요한 한 차원 높은 성능 개선이 가능한 설계를 가능하게 한다. RANS 시뮬레이션은 LES에 비해 근사치의 범위가 넓기 때문에 정확도가 떨어진다. 그러나 정확도와 계산 비용 간의 균형으로 인해 RANS는 계산 리소스와 시뮬레이션 시간이 제한된 업계 사용자에게 일반적인 솔루션이다. 이 방법은 또한 짧은 시간 내에 여러 사례를 분석해야 할 때 널리 사용된다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

더욱 빠르고 효율적인 제품 개발을 위한 AI 기술 본격화 추진   제조산업에서도 AI(인공지능)에 대한 관심이 높아지고 있다. 한편으로 실질적인 AI 도입과 활용에 대한 제조업계의 고민도 커졌다. 알테어는 시뮬레이션, HPC, 클라우드, 데이터 애널리틱스 등 자사의 기술 역량을 바탕으로 제조산업을 위한 AI 기술 개발을 가속화하고 있으며, 향후 본격적으로 제조시장에 확산시킨다는 전략을 내세웠다. ■ 정수진 편집장   ▲ 한국알테어 이승훈 기술 총괄 본부장은 제품 개발에서 AI의 활용이 구체화되고 있다고 짚었다.   제조산업에서 AI에 대한 관심이 높아지고, 도입과 활용이 확산되는 배경은 무엇이라고 보는지 제품의 생산 방식이 다품종 소량 생산 방식이 확대되면서 제품의 개발 주기가 꾸준히 짧아지고 있다. 이에 따라 제품 개발과 관련한 예측과 의사결정은 더욱 빨라져야 한다는 요구도 높다. 이를 위해 프로토타입을 만들어 실험하는 방식에서 컴퓨터와 CAE 소프트웨어를 사용하는 시뮬레이션으로 변화해 왔는데, 시뮬레이션 역시 해결해야 하는 과제가 있다. 시뮬레이션을 활용하려면 전문적인 엔지니어링 지식이 필요하고, 시뮬레이션에 걸리는 시간이 더욱 빨라지는 제품 개발 주기에 맞추기 어려워졌다. 시뮬레이션이 제품의 초기 개발에서 생산까지 더욱 폭넓게 쓰이는 상황이 시뮬레이션 기반의 의사결정에 걸리는 시간을 늘리게 된 측면도 있다. AI는 이에 대한 해결책으로 관심을 모으고 있다. 제조업체에서 실험 데이터와 해석 데이터가 상당히 쌓여 있는 상황인데, 이를 AI 학습에 활용해서 빠르게 인사이트를 얻고 제품 개발에 반영할 수 있겠다는 아이디어가 이제 구체화되고 있는 시점이라고 볼 수 있겠다.   최근 AI와 관련한 제조산업의 동향이나 이슈가 있다면 제조업체에서 해석 데이터와 실험 데이터가 쌓여 있기는 한데, 이 데이터가 각 엔지니어의 PC에 흩어져 있는 것이 현실이다. 이에 따라 여러 곳에 저장된 데이터를 통합 관리하는 시스템에 대한 요구가 있다. 또한, 이 데이터를 AI에 활용하기 위한 추가 가공의 자동화에 대한 목소리도 있다. 엔지니어링 데이터를 AI에 활용하기 위해서는 AI에 맞는 데이터의 전처리(pre-processing)가 중요하다. 전처리란, 아무렇게나 쌓여 있는 데이터를 분류하고 AI에 적용하기 위해 적절한 포맷의 데이터로 변환하는 작업을 가리킨다. 이 부분에서 많은 제조기업 고객사들이 데이터를 어떻게 가공해야 할 지에 대한 고민을 갖고 있기도 하다. 이전에는 파이썬(Python)과 같은 프로그래밍 언어를 배워서 데이터 변환 코드를 만들어야 했는데, 알테어는 데이터를 자동으로 변환할 수 있는 솔루션을 제공해 쌓여 있는 데이터의 분류와 정제 과정을 더 쉽게 할 수 있도록 돕는다. 이런 부분에서 LG전자의 사레를 소개할 만하다. LG전자는 알테어와 협업해서 해석 엔지니어가 퇴근한 후에 해석 데이터를 취합하고 변환과 AI 학습까지 수행하는 자동화 시스템을 구축했다. 학습된 AI는 웹 환경에서 설계 엔지니어에게 필요한 데이터를 제공하고, 설계 엔지니어는 제품에 대한 치수나 조건을 입력하면 시뮬레이션을 거치지 않고 빠르게 가상 시험 결과를 확인할 수 있게 됐다. AI는 제품의 초기 개발 단계뿐 아니라 전체 개발 과정에 적용할 수 있다. 초기 단계에서는 실험에서 나온 데이터가 존재한다면 이를 기반으로 어떤 결과가 나올지 쉽게 확인할 수 있다. 이후 단계에서도 다양한 데이터를 학습해 추가적인 예측을 할 수 있고, 대시보드 등을 통해 누구나 데이터 및 예측 결과를 확인하거나, 몇 가지 조건을 입력해 새로운 예측을 할 수 있는 단계로 나아갈 수도 있다. 최종 단계의 데이터는 후속 제품이나 다른 제품을 개발할 때 활용하는 것도 가능하다.   제품 개발 사이클의 단축이라는 점에서는 시뮬레이션이 가져다 줄 수 있는 이점과 비슷한 부분이 있어 보인다. AI의 역할은 시뮬레이션을 보완하는 것인가, 아니면 시뮬레이션을 대신할 수 있는 것인가 지금은 AI가 기존의 시뮬레이션을 완전히 대체할 수 있는 단계는 아니다. 하지만 AI를 통해 제품의 초기 개발 단계에서 데이터 기반의 예측 결과를 빠르게 얻을 수 있고, 향후 설계를 위한 인사이트를 얻을 수 있다는 점에서 의미가 있다. AI를 학습시키기 위한 데이터는 필요하기 때문에 시뮬레이션은 여전히 중요하다. 지금의 상황은 실험이나 해석 데이터를 기반으로 AI를 통해 인사이트를 얻는 단계라고 볼 수 있다. 시뮬레이션이 자리잡기까지의 과정을 살펴보면, 초기에는 실험과 시뮬레이션을 함께 사용하다가 시뮬레이션 부분이 강화되면서 실험의 비중을 줄여 왔다. 앞으로 AI 기술이 더욱 발전하고 데이터가 더 많이 쌓인다면 AI가 확대되고 시뮬레이션이 줄어들 수도 있을 것 같다. 이런 흐름은 단계적으로 일어날 수도 있고, 제품별로 변화의 속도가 달라질 수도 있다고 본다.   ▲ 알테어는 시뮬레이션과 연계해 제조 분야에서 활용할 수 있는 AI 솔루션을 내세운다.   제조산업의 AI 활용을 위한 알테어의 기술 차별점은 무엇인지 알테어는 멀티피직스 시뮬레이션뿐 아니라 복잡한 시뮬레이션을 활용하기 위한 고성능 컴퓨팅(HPC)과 클라우드, 데이터 애널리틱스와 AI 등 폭넓은 기술 역량을 갖추었다는 점에서 차별점이 있다고 본다. 이는 온프레미스와 클라우드, CPU 컴퓨팅과 GPU 컴퓨팅을 모두 지원해 시뮬레이션 및 AI를 유연하게 활용하도록 도울 수 있다는 뜻이다.  알테어는 지난 2022년 데이터 기반 AI를 위한 머신러닝 분석 플랫폼인 래피드마이너(RapidMiner)를 인수하면서 AI 분야 진출을 시작했다. 래피드마이너는 제조뿐 아니라 BFSI(은행.금융.서비스.보험) 등 다양한 산업에서 활용할 수 있는 솔루션이다. 예를 들어, 고객 지원이나 불만사항에 대한 다응, 주가 예측 등에도 래피드마이너가 유용하다. 또한, 2023년부터는 래피드마이너 등 기존 제품군으로 AI 시장에 대응하는 것 외에 제조산업을 타깃으로 하는 특화 기술을 개발했고, 올해는 이 부분을 본격적으로 선보이고자 한다. 제조산업을 위한 알테어의 AI 기술로는 설계 탐색과 최적화를 위한 디자인AI(DesignAI), 비슷한 형상을 자동 인식하고 분류하는 셰이프AI(shapeAI), 해석 결과를 학습해 물리현상을 빠르게 예측하는 피직스AI(physicsAI), 시스템 레벨에서 빠른 3D → 1D 변환을 위한 롬AI(romAI)가 있다.  이런 AI 기술은 적은 수의 데이터로도 학습이 가능하며, 알테어의 기존 시뮬레이션 솔루션 제품군에 들어가는 형태로 제공되어 익숙한 인터페이스로 사용할 수 있다. 하이퍼메시(HyperMesh)에는 이미 피직스AI와 셰이프AI가 포함되어 있고 향후 심랩(SimLab)과 인스파이어(Inspire)를 비롯해 다양한 솔루션에 AI가 추가될 예정이다. 알테어는 래피드마이너를 활용한 데이터 기반의 AI와 시뮬레이션 기반의 AI를 모두 지원한다. 그리고 타사 솔루션의 데이터를 활용할 수 있는 개방성과 유연한 라이선스 사용도 장점으로 내세우고 있다.    향후 제조 분야의 AI 전망과 알테어의 전략을 소개한다면 AI에 대한 고객들의 기대치가 높다고 느낀다. 알테어는 지난 4월 4일 ‘AI 워크숍’을 진행했는데, 기업의 의사결정권자부터 현업 엔지니어까지 예상보다 많은 분들이 참여해 높은 관심을 보였다. 관심이 높은 만큼 실제 활용 방향에 대한 고민이 많다는 것을 알 수 있었다. 사용자의 기대치와 실제로 할 수 있는 것 사이의 거리, 알테어와 같은 솔루션 기업과 사용자인 제조기업의 시각차도 어느 정도 확인할 수 있었다. 이런 부분은 고객들을 많이 만나고 의견을 나누면서 간극을 좁혀야 할 것 같다. 당장 AI가 시뮬레이션을 완벽하게 대체하기는 어렵겠지만, 클라우드 기반의 통합 환경에서 시뮬레이션과 AI를 통합해 사용할 수 있도록 하는 것을 목표로 삼고 있다. 클라우드는 데이터의 통합 관리와 공유 측면에서도 이점이 있다고 본다. 시뮬레이션과 AI를 위해 대규모 데이터를 관리하기 어려운 소규모 기업은 클라우드의 장점에 주목할 만하다고 본다. 한편으로 보안 등의 우려를 가진 기업에게는 프라이빗 클라우드 환경을 제공해 데이터 보안을 유지하면서 알테어 원 클라우드와 동일한 환경에서 작업할 수도 있다. 알테어는 AI 솔루션 제품군을 빠르게 업데이트하면서 사용자의 피드백을 반영하고 있다. 고객들이 AI에 대해 갖고 있는 기대치 또는 눈높이가 상당히 높은 것으로 보여서, 이에 대응해 경쟁 우위를 확보하고자 노력 중이다. 제조 분야에서도 AI에 대한 관심이 높지만, 어떻게 활용할지에 대한 고민이 큰 상황으로 보인다. 알테어는 이런 부분에서 도움을 줄 수 있도록 AI 기술 개발과 함께 커스터마이징과 컨설팅 등을 폭넓게 제공하고자 한다. 본사의 개발팀과도 활발히 소통하면서 사용성이나 적용 범위 등에 대한 고객의 어려움을 덜고, 최대한 빠르게 고객이 원하는 AI를 구현할 수 있도록 할 계획이다.     ■ 기사 내용은 PDF로도 제공됩니다.

CAD 데이터 변환과 상호운영성 기술로 한국 시장 공략 강화   데이터킷(Datakit)은 CAD 데이터 변환 프로그램인 크로스매니저(CrossManager)의 개발사로, 크로스매니저는 파트너사인 몰드케어를 통해 국내 공급되고 있다. 데이터킷의 필리프 블라슈(Philippe Blache) CEO는 다양한 설계 관련 정보의 변환과 상호운영성을 통해 제조·건축 등 산업 영역에서 더 많은 가치를 제공한다는 비전을 제시하고 있다. ■ 정수진 편집장    ▲ 데이터킷 필리프 블라슈 CEO   데이터킷은 어떤 회사인지 1994년 프랑스에서 설립된 데이터킷은 CAD, CAM, CAE, BOM, PLM, 계측, BIM, 건설 등 다양한 소프트웨어 간의 상호 호환 운용성(interoperability) 분야에 집중하고 있는 기업이다.  데이터킷의 데이터 변환 솔루션은 설계, 제조, 검사 및 보관 전반에 걸쳐 연결성을 구축하여, 제품 개발 프로세스의 디지털 전환을 가속화하고 시장 출시에 걸리는 시간을 줄인다. 데이터킷은 수년간 표준화 특히 STEP AP242 표준에 참여했으며, LOTAR(Long Term Archiving and Retrieval) 협회 워크숍 및 MBx 상호 운용성 포럼에 참여하고 있다. 또한 빌딩스마트(BuildingSMART)의 IFC 구현자 포럼 회원으로서 BIM 커뮤니티에도 참여하고 있다.   크로스매니저의 특징에 대해 소개한다면 크로스매니저를 사용하면 모델과 관련된 많은 기능을 포함한 크고 상세한 다중 파일 변환이 가능하다. 크로스매니저는 ▲2D 도면, 3D B-Rep 및 메시(mesh) 표현을 비롯해 ▲부품, 어셈블리 및 색상/질감 등 속성과 ▲PMI(제품 제조 정보), FD&T(Functional Dimensioning and Tolerancing), GD&T(기하공차), 메타데이터, 자재/공급업체/비용 등 속성을 포함한 제품 제조 정보까지 다양한 정보를 변환할 수 있다. 또한 CAD 소프트웨어 별 고유(native) 파일 및 표준 형식 파일로 변환할 수 있는 수백 가지의 기능과 솔루션을 제공한다.   크로스매니저가 다른 솔루션과 차별화되는 점은 무엇인지 데이터킷은 30년 동안 상호 호환 운용성에 초점을 맞추고 있으며, 시장에서 가장 특별하고 폭넓은 경험을 제공하기 위해 R&D에 노력을 기울여 왔다. 크로스매니저 변환기를 사용하면 모델과 관련된 광범위한 데이터를 변환 및 보존할 수 있으며, 최신 버전의 CAD 소프트웨어와의 호환성을 위해 수백 가지 CAD별 고유 파일 및 중립 포맷에 대한 분기별 업데이트를 제공한다. 또한, 확장 가능한 단일 또는 멀티 포맷 라이선스, 컴퓨터나 서버에서 실행되는 고정/원격/플로팅 라이선스, 영구 또는 구독 라이선스 등 다양한 유형의 라이선스를 제공한다. 이외에 크로스매니저 어드밴스 버전에서는 자동화 프로세스 및 일괄 처리가 가능하다. 크로스매니저는 설계회사의 CAD 투 CAD(CAD-to-CAD) 변환에 가장 많이 사용되지만, 제조 또는 제조 부품의 정확성 확인, FEA(유한요소해석) 그리고 사실적인 렌더링, 시각화, 시뮬레이션, 메타버스, 견적 준비 등의 요구를 충족시키기 위한 기반으로도 사용된다.   ▲ 데이터킷의 크로스매니저는 다양한 네이티브 포맷 및 중립 포맷의 CAD 데이터를 변환하는 기능을 제공한다.   CAD 데이터 변환 솔루션의 성장세에 대해서는 어떻게 보는지 모델 기반 엔지니어링과 관련된 광범위한 기능을 포함한 크고 상세한 다중 파일 변환에 대한 요구는 기업 내부 그리고 다른 기업 간에도 계속 늘어날 것으로 본다. 다른 한편으로는 이런 업무는 전문가들의 작업이 되고 있으며, 데이터킷과 같은 기업이 글로벌하면서 세부적으로 필요한 접근 방식을 지원할 수 있다. 또한, 다른 산업과 다른 작업 습관을 가진 BIM(빌딩 정보 모델링) 영역은 데이터 변환 시장에 거대한 성장 잠재력을 제공하고 있다. 형상과 치수뿐 아니라 다양한 정보를 포함하면서 CAD 데이터가 복잡해지고 있다. 이런 상황에서 CAD 데이터를 효과적으로 변환하고 활용하기 위해 필요한 점이 있다면 무엇이라고 보는지 우리는 사용자와 사용자의 의도에 초점을 맞춘다. 사용자의 프로필, 직업, 일하는 방식, 설계/제조/검사 파트나 어셈블리와 관련하여 사용자가 100%의 정확도와 최고의 성능을 기대하고 있는지, 아니면 설계에서 보관에 이르기까지 전체 제품 수명주기의 자동화를 개선하기 위해 기능, PMI 또는 2D 데이터와 같은 특정 데이터를 요구하는지를 알아야 한다.   최근에는 CAD 솔루션들이 자체적으로 데이터 호환에 관한 기능을 강화하고 있는데, CAD 데이터 변환 전용의 솔루션이 필요한 이유에 대해 소개한다면 실제로 많은 CAD 솔루션이 데이터 변환 기능을 제공한다. 데이터킷은 광범위한 시장에서의 경험과 인지도를 바탕으로, 우리의 솔루션 중 일부를 글로벌 소프트웨어 업체에 제공하고 있다. 또한 데이터킷의 솔루션은 최종 사용자에게 직접 제안된다. 최종 사용자를 위한 전용 솔루션이 크로스매니저이며, 임베디드 OEM 구매가 아닌 사용자가 필요로 하는 형식에 대한 파일 간 변환을 제공한다. 사실 설계 회사의 관점에서 보면, 파일을 읽고 선택한 형식으로 쓸 수 있도록 하는 것이 숙제이다. 크로스매니저를 사용하면 선택한 형식의 PMI와 같은 데이터를 포함된 파일이나 어셈블리를 읽고 쓸 수 있다는 점에서 확실한 가치를 가진다고 본다.   ▲ 데이터킷은 다양한 설계 정보의 변환 기능을 독립형 제품 및 CAD 플러그인으로 제공하고 있다.   한국 시장에 대한 전망과 한국 내 크로스매니저 비즈니스 계획에 대해 소개한다면 지난 3월에 한국을 비롯해 아시아 지역 각국의 파트너사를 만나 크로스매니저의 비즈니스를 위한 미팅을 진행했는데, 데이터킷의 기술 데이터 변환 솔루션이 한국 시장의 요구를 충족한다고 믿는다. 우리는 크로스매니저의 한국어 버전을 제공하고 있으며, 소프트웨어 공급업체와의 파트너십에 대해서도 자신감을 갖고 있다. 또한, 한국 파트너사인 몰드케어에서는 한국 내 기업에게 크로스매니저와 솔리드웍스 전용 플러그인을 공급하고 있다. 지난 한국 방문을 통해 몰드케어와 긴밀히 협력하기로 얘기를 나누었고, SIMTOS와 같은 전시회에 참가하는 등 시장 확대를 위해 더 많은 기회를 함께 모색하기로 했다. 우리는 한국 생산 현장의 작업자가 설계 . 생산 . 출시까지의 프로세스를 쉽게 도와주고, 제품의 품질을 보장하는 신뢰할 수 있는 데이터 변환 솔루션을 개발하고 있다고 확신한다.     ■ 기사 내용은 PDF로도 제공됩니다.

마이다스아이티가 지난 4월 16일 CAE 기술 콘퍼런스인 ‘MTS SQUARE 24’를 개최했다. ‘사람을 위한 기술, 새로운 세상과 연결’을 테마로 한 이번 이벤트에서 마이다스아이티는 자사의 CAE 기술 로드맵을 소개하는 한편, CAE 기술 연구와 활용 사례 및 첨단 기술의 미래에 대한 인사이트 등을 소개했다. ■ 정수진 편집장     CAE의 진입장벽 낮추는 기술 개발 이번 행사에서 마이다스아이티 김종성 프로는 “시뮬레이션의 목적은 설계 단계에서 많은 문제점을 컴퓨터 소프트웨어를 통해 발견하고 해결하는 것”이라면서, 설계자가 손쉽게 활용할 수 있는 CAE 솔루션과 기술 개발 방향에 대해 소개했다. 디지털 전환, ESG(환경·사회적 책임·거버넌스) 등 시대 변화에 따라 시뮬레이션의 필요성이 늘고, 설계자의 시뮬레이션 활용도 확대되고 있다. 김종성 프로는 “한편으로 CAE가 발전하면서 CAE 소프트웨어가 공부해야 하는 학습의 대상이 되었다”고 짚었다. CAE를 효과적으로 수행하고 결과를 이해하기 위해서는 공학 지식을 바탕으로 해석을 위한 수치해석 모델을 만들어야 한다. 또한, 원활한 해석을 할 수 있도록 해석 대상을 작게 나누는 메시(mesh)를 만들어야 한다는 점도 CAE의 접근성을 떨어뜨리는 한계로 지적되어 왔다. 김종성 프로는 “이를 해소하기 위해 마이다스아이티는 메시프리(meshfree) 기술을 적용한 ‘마이다스 메시프리’를 개발했다”고 소개했다. 마이다스 메시프리는 형상을 불러오고 해석 조건을 설정한 후 해석을 진행해 결과를 분석하는 3단계 프로세스를 제공한다. 또한 설계 변경 내용을 빠르게 반영하는 오토 업데이트를 제공하면서 전반적인 해석 퍼포먼스를 높이는 데에 주력했다. 마이다스아이티는 향후 마이다스 메시프리에서 스폿 용접, 라인 용접, 볼트 정의 등을 자동 연결할 수 있는 연결성을 강화할 계획이다.     기업의 시뮬레이션 문화 정착에 기여할 것 또한, 마이다스아이티는 최적설계를 위한 다분야 통합 솔루션인 ‘마이다스 NFX’를 제공한다. 지난 2008년 공급을 시작한 마이다스 NFX는 유동해석 . 구조해석 . 위상최적화를 연계할 수 있고, 실무에서 많이 쓰이는 핵심 기능의 편의성을 높이는 방향으로 개발되고 있다. 김종성 프로가 소개한 마이다스 NFX의 개발 방향은 편의성, 연결성  기술지원 강화 등이다. 마이다스  NFX는 UI(사용자 인터페이스)와 워크플로를 더욱 직관적이면서 간결하게 만들 예정이다. 파트간 연결 기능이나 열유동 . 열응력 해석 연계 등 해석 분야간 연결성을 높이는 한편, 나스트란, 아바쿠스, 앤시스 등의 CAE 솔루션과의 호환성도 강화할 계획이다. 김종성 프로는 “마이다스 NFX는 지금까지 1000여 라이선스를 공급하면서, 연구자가 아닌 엔지니어 중심의 개발로 블루오션 시장을 공략하고 있다. 마이다스 NFX를 통해 기업의 시뮬레이션 문화 정착과 제품 개발 실무자의 역량 강화에 기여하고자 한다”고 전했다.   신규 패키지 및 AI 가술 지원 등 로드맵 소개 마이다스아이티는 기술지원을 강화할 계획인데, 여기에는 기술지원에 AI(인공지능)를 활용하는 것도 포함된다. 마이다스아이티가 축적한 기술자료와 다양한 분야의 해석 보고서, 기술지원 문건 등을 AI가 학습해 효과적인 고객 지원이 가능할 것이라는 설명이다. 김종성 프로는 “테스트 결과 사용자의 요구에 맞춰 기술문서, 보고서, 동영상 등 다양한 자료를 제공할 수 있어 AI의 가능성을 확인했다”면서, “향후 기존 소프트웨어에 AI 기술지원 기능을 결합할 계획도 있다”고 소개했다. 이외에, 김종성 프로는 마이다스 NFX와 마이다스 메시프리 및 기술 지원을 결합한 ‘마이다스 MTS’ 패키지도 소개했다. 마이다스 MTS는 실무에서 많이 쓰이는 해석 작업을 하나의 라이선스로 활용할 수 있다는 점을 내세운다.     사람을 위한 기술과 함께 살아가는 방법 고민 이번 MTS SQUARE 24 행사에서는 ‘사람과 AI’, ‘사람과 시뮬레이션’, ‘사람을 위한 기술’ 등의 주제로 국내 연구자들의 CAE 기술 개발 내용이 소개되었으며, 발전하는 기술을 어떻게 이해하고 활용해야 할 지에 대한 인사이트를 얻을 수 있는 기회가 마련됐다. 아주대학교의 이진우 교수는 생성적 설계(제너레이티브 디자인) 기법을 활용해 새로운 음향 특성을 가진 메타구조체를 개발한 내용을 소개했고, 영남대학교의 유기수 교수는 전기자동차 배터리의 열거동과 열폭주 현상을 CAE로 예측하기 위한 방법론을 소개했다. 건국대학교의 김창완 교수는 꾸준히 확대되고 있는 다중물리해석(멀티피직스 해석)이 발전하고 있는 방향에 대해 짚었다. 자동차부품산업진흥재단의 김명섭 전문위원은 국내 제조산업의 지속 성장을 위한 디지털 전환의 필요성과 추진 전략을 설명했다. 경희대학교의 김상욱 교수는 더 이상 피할 수 없는 AI와 사람의 ‘공존’을 위해 어떤 가치를 추구해야 할 지 짚고, UCLA의 데니스 홍 교수는 로봇 기술의 본질은 결국 사람을 위한 것이라고 전했다.     ■ 기사 내용은 PDF로도 제공됩니다.

한국오라클이 지난 4월 16일 ‘모던 데이터 플랫폼 및 데이터베이스 혁신 전략’을 주제로 기자간담회를 열고, 융합형 데이터베이스(Converged DB)를 중심으로 한 오라클의 포괄적인 기업 데이터 관리 기술의 현재와 미래에 대해 소개했다.  ■ 박경수 기자   기자간담회에는 ‘DB의 아버지’라 불리는 오라클의 앤디 멘델손(Andy Mendelsohn) DB 서버 기술개발사업부 총괄 부사장이 참석해 ‘데이터, AI 및 앱 개발의 미래’를 주제로 발표하고, 오라클 DB 솔루션이 향후 AI 시대를 주도할 데이터 플랫폼의 미래 시장에서 어떤 가치를 갖고 있는지 설명했다.   오라클 모던 데이터 플랫폼 오라클 모던 데이터 플랫폼(Oracle Modern Data Platform)은 전체 라이프사이클을 간소화하고 더 빠른 속도로 통찰력을 제공한다는 점이 특징이다. 단일 플랫폼 상에서 모든 트랜잭션, 웨어하우스, 분석 및 인공지능(AI)/머신러닝(ML) 자산에 대한 수집, 선별(curation) 및 관리를 통해 기업이 데이터에 대한 더 큰 통제 권한을 얻을 수 있다. 오라클은 온프레미스, 하이브리드, 규제, 퍼블릭 클라우드 솔루션 등 원하는 형식이 무엇이든 지원할 수 있다고 강조했다. 모던 데이터 플랫폼은 기업 조직에 데이터 저장, 처리 및 분석을 위한 통합 환경을 제공하는 중앙 집중형 인프라로, 일반적으로 데이터 웨어하우스, 데이터 레이크, 추출, 변환, 로드(ETL) 파이프라인 및 분석 도구 등의 기술들을 포함하고 있다.  모던 데이터 플랫폼은 표준화 및 통합된 데이터 관리 접근방식을 확립해 기업 조직이 귀중한 통찰력을 얻고, 데이터 기반 의사결정을 내릴 수 있도록 하는 지원하는 것을 주된 목표로 삼는다. 단일 통합 저장소에서 데이터 자산을 중앙 집중형으로 관리해 데이터에 대한 더 쉬운 액세스, 협업 및 통제를 가능케 한다.   ▲ 오라클 모던 데이터 플랫폼 기자간담회 모습   융합형 데이터베이스 중심의 기업 데이터관리 앤디 멘델손 부사장은 “오라클의 데이터베이스 비전은 기업 앱 및 분석 개발 운영을 어떠한 활용 사례 및 규모에서든 수월하게 만드는 것”이라며, “전략적 핵심은 기업의 개발뿐만 아니라, 생성형 AI 및 LLM 결합을 통해 생성까지 쉽게 만드는 것”이라고 말했다. 이러한 비전 달성을 지원하는 두 가지 핵심 축은 ‘융합형 DB’ 및 ‘자율운영 DB’이다. 오라클의 융합형 DB는 23c 버전을 클라우드 환경으로 정식 출시됐고, 곧 사내구축형 환경으로도 출시될 예정이다. 멘델손 부사장은 오라클이 2023년 9월에 발표한 차세대 융합형 DB인 오라클 DB 23c가 기존 관계형 모델과 JSON 및 그래프 모델 간의 통합을 구현하는 혁신을 이뤘다고 소개했다. 또한 최근의 앱은 관계형뿐만 아니라 JSON, 그래프 등 다양한 데이터 유형이 혼합 운영되는 가운데, 개발자는 오라클 DB 23c를 통해 3가지 유형의 데이터 장점을 모두 활용하는 앱을 개발, 운영하고 있으며 그 과정에서 데이터의 일관성을 손쉽게 유지할 수 있다고 설명했다. 융합형 DB는 멀티 모델, 멀티 테넌트 및 멀티 워크로드 DB로, 각 개발팀이 원하는 데이터 모델과 액세스 방법을 지원하면서 불필요한 기능으로 방해받지 않도록 한다. 또한 각 개발 팀이 필요로 하는 모든 워크로드(OLTP, 분석, IoT 등)를 탁월한 성능으로 지원한다.  한편 오라클은 지난해 9월 오라클 데이터베이스23c(Oracle Database 23c)에 AI 벡터를 사용하는 시맨틱 검색 기능을 추가할 계획이라고 발표했다. AI 벡터 검색(AI Vector Search)이라는 기능 모음에는 새로운 벡터 데이터 유형, 벡터 인덱스, 벡터 검색 SQL 연산자 등이 포함되어 있다.   ▲ 오라클의 앤디 멘델손 DB 서버 기술개발사업부 총괄 부사장   생성형 AI 기술과 데이터베이스 접목 멘델손 부사장은 또 오라클 DB 비전과 관련해 생성형 AI를 접목한 융합형 DB(Converged Database)와 이를 구동하는 자율운영 DB(Oracle Autonomous Database)를 통해 모던 앱 및 분석을 생성 및 운영하는 작업이 간소화될 것이라고 강조했다. 이를 통해 융합 개방형 SQL DB가 기존 단일목적 상용 DB를 대체함으로써, 기업 개발자와 IT 전문가가 데이터 통합 시간을 줄이고 혁신에 더 집중하도록 돕는다는 전략이다. 오라클은 생성형 AI 기능을 자사 DB 포트폴리오에 내장하고 있는데, 기업이 오라클의 AI 기반 애플리케이션을 구축하도록 지원하기 위함이다. 대표적인 예로, 기업은 자율운영 데이터베이스 셀렉트 AI(Autonomous Database Select AI) 기능을 사용해 자체 엔터프라이즈 데이터와 생성형 AI가 제공하는 생산성 및 창의성의 장점 모두를 활용함으로써 애플리케이션 개발을 가속화할 뿐만 아니라, 신규 비즈니스 솔루션 구축을 진행할 수 있다. 또한 오라클은 OCI 데이터 사이언스(OCI Data Science)의 기능도 확장하고 있으며, 이를 통해 기업이 허깅페이스(Hugging Face)의 트랜스포머(Transformers) 또는 파이토치(PyTorch)와 같은 오픈소스 라이브러리를 사용해 복수의 LLM을 구축, 훈련, 배포 및 관리하도록 지원한다.   ▲ 차세대 융합형 데이터베이스, 오라클 DB 23c   오라클 글로벌 분산형 자율운영 데이터베이스 오라클 글로벌 분산형 자율운영 데이터베이스(Oracle Globally Distributed Autonomous Database)는 기업이 데이터 레지던시 요건을 충족시키고, 비즈니스 크리티컬 애플리케이션에 생존성을 제공하며, 클라우드급 DB 성능을 제공하도록 지원하는 완전 자동화된 분산형 클라우드 DB다.  또한 Oracle DB 샤드 세트로 분산된 단일 논리적 오라클 DB로, 각 샤드는 논리적 DB 데이터의 하위 집합을 호스팅하는 독립적인 오라클 DB 인스턴스다. 다수 샤드를 하나의 OCI 가용성 도메인, 여러 OCI 가용성 도메인 또는 리전, 또는 상이한 지역의 OCI 리전에서 실행해 각각 성능 극대화, 최상의 가용성 확보 및 데이터 레지던시 요건을 지원할 수 있다. 이 밖에도 기업의 핵심 워크로드 구동에 최적화된 고성능 및 고안정성을 제공하는 동시에, 데이터 주권 및 보안 강화를 지원하는 오라클의 서비스로는 오라클 융합형 DB(Oracle Converged Database), 오라클 자율운영 DB(Oracle Autonomous Database), 오라클 엑사데이터 클라우드앳커스터머(Oracle Exadata Cloud@Customer), MySQL 히트웨이브(MySQL HeatWave) 등이 있다. 또한 오라클은 기업 요구사항을 충족시킬 수 있는 DB 및 분석 서비스에 지속적으로 투자하고 있다.   멀티 클라우드 지원 오라클의 또 다른 전략적 핵심은 '멀티 클라우드 지원'이다. 오라클과 마이크로소프트는 주로 애저(Azure) 클라우드 이용 약정 계약을 맺고 있다. 애저 환경에서 자사의 앱 및 오라클 DB를 함께 운영하길 원하는 양사 고객들을 위해 ‘오라클 데이터베이스앳애저(Oracle Database@Azure)’를 발표했다.  해당 오퍼링은 물리적인 엑사데이터(Exadata) 하드웨어를 애저 클라우드 리전 안에 위치시켜 애저 클라우드 데이터 센터 안에서 바로 엑사데이터 기반 클라우드 서비스를 제공하는 변화를 선보였다. 이를 통해 양사 고객들은 기존 애저 클라우드 서비스에 대한 이용 약정 계약 금액만으로 애저 클라우드 및 오라클 데이터베이스 클라우드 서비스를 모두 사용할 수 있게 됐다. 향후 오라클은 MS 외에도 타 클라우드 기업들과 파트너십 확대를 전략적 목표로 삼고 있으며, 올해 오라클 클라우드 월드에서 관련 내용을 소개할 예정이다.  이번 기자간담회를 통해 오라클은 오라클 DB에 많은 양의 비즈니스 데이터를 보유한 기업들이 강력한 AI 기술 및 SQL을 손쉽게 활용해 간단한 방식으로 데이터 검색을 지원하는데 초점을 맞추고 있다는 것을 알 수 있다. 이를 통해 기업은 내부 독점 데이터를 더 잘 활용하는 것은 물론 이해할 수 있게 될 것으로 전망하고 있다. 또한 표준 SQL 기반으로 제공되는 AI 기술이기 때문에 컴퓨터 공학 부문에서 높은 학위가 없다고 하더라도 SQL을 이용할 수 있는 모든 DBA(데이터베이스 관리자)가 활용할 수 있다는 점도 특징이다.    질의 응답 Q. 오라클 DB의 자연어 질문 및 답변 지원 기능과 관련해, 이를 일반적 챗GPT와 비교 시, 기업 내 환경에서는 일반 사용자들이 경험하는 환각현상 같은 것들이 허용되지 않고 정확해야 하는데 이에 대한 관점은 A. 회사 내 데이터에 대해 LLM 기반 검색은 말씀하신 그런 LLM 모델로는 좋은 답을 제공할 수 없다. 말씀한 모델은 인터넷에 공개된 방대한 데이터에 대해 훈련됐지만, 기업 보유의 프라이빗 데이터에 대해서는 전혀 알지 못하기 때문이다. 비즈니스적인 질문을 비즈니스 데이터에 대해 할 경우에 자연어로 질문을 할 때 LLM이 올바른 SQL 질문을 만들 수 있도록 도울 수 있는 데이터 강화가 필요하다. 그래서 사용자의 질문의 맥락에 따라서 가장 적절하다고 생각되는 데이터베이스 스키마를 생성 및 제공해야 한다.  이에 오라클은 LLM이 SQL 생성 후 적절한 오라클 데이터베이스에 있는 스키마만 참조할 수 있도록 하며, 인터넷 공개 데이터로 답변하지 않도록 한다. 애널리스트들이 자주 묻는 질문을 알고 있기 때문에, 이것을 기반으로 관계형 뷰를 만들어서 여기서 가장 자주 묻는 질문에 해당하는 스키마 생성 및 이를 LLM에 전송해서 기업 맥락에 맞는 답변할 수 있도록 보완한다.    Q. 자율운영 DB 개념과 다른 리전에서 고가용성 및 레지던스 확보를 지원하는 기능에 대해 설명해 달라 A. 글로벌 분산형 자율운영 DB는 전 세계적으로 각국 정부가 데이터 주권 규제 강화하고 있는 추세를 지원하고자 출시했다. 예를 들어 현대기아자동차 같이 글로벌하게 운영하는 기업은 전 세계 고객에 대한 DB를 갖고 있다. 데이터 주권 규제로 인해 고객 DB를 국가별로 분산해서 나눠서 관리해야 하는 의무가 있다. 하나의 단일한 고객 DB를 통합해서 관리할 수 없고, 중국, EU 등으로 나눠서 관리해야 하며 이것을 데이터베이스 샤딩이라는 용어로 표현하고 있다. 그래서 23c에서 글로벌 샤딩을 쉽게 만드는 기술을 포함하고 있다.   Q. 파운데이션 LLM 사업을 직접 하지 않는 이유와 최근에 등장하는 경쟁력 있는 MS 오픈 AI, 구글 제미나이 등에 모델을 올리기 어려운 점에 대한 관점은 A. 챗GPT 같은 파운데이션 LLM 모델 개발 구축에 많은 비용이 들며, 시장의 무료 모델을 쓸 수 있기 때문이다. 또한 셀렉트 AI 등 오라클이 AI로 LLM 활용을 지원하는 기술들 중 좋은 API로 연결해 시중의 인기 있는 널리 사용되고 있는 LLM 모델과 잘 연동되고 지원하도록 기술을 고도화하고 있다. 오라클 클라우드 관점에서 오픈AI 등 LLM 벤더와 파트너십을 맺어서 오라클 클라우드를 사용하도록 움직이고 있다. 말하자면 프라이빗 LLM 만들 수 있도록 지원하는 것이다. 현재 AI 커뮤니티에서 굉장히 많은 개발 움직임이 있는데, 그 중 하나가 업무별로 특화된 LLM을 만드는 것이다. 이 경우 운영 비용이 굉장히 저렴해질텐데, 예를 들면 SQL 생성에 특화된 LLM 만든다고 했을 때, 이런 쪽과 협력해서 특화된 기술을 저렴한 비용으로 사용할 수 있도록 하는 협력을 진행하고 있다.      ■ 기사 내용은 PDF로도 제공됩니다.

디지털 지식전문가 조형식의 지식마당   지난 호 칼럼에서 디지털 수명 주기 프레임워크에 대해서 설명하였다. 일반적으로 프레임워크(framework)는 복잡한 문제를 해결하거나 복잡한 구조를 구축할 때 기반으로 쓰이는 기본 구조를 말한다. 디지털 엔지니어링은 매우 복잡한 문제를 해결해야 한다. 특히 제품 개발과 동시에 제품의 디지털 트윈(digital twin)도 개발해야 한다.  이것은 제품 개발에서 두 가지 트윈인 물리적 트윈과 디지털 트윈을 동시해 개발해야 하는 것을 의미하며, 이것을 모두 충족할 수 있는 디지털 스레드(digital thread) 환경을 구축해야 한다. 또한 최근에 화두로 부상하고 있는 소프트웨어 정의 x 또는 소프트웨어 중심 x(software-defined x)의 프로세스를 포함해야 한다.    그림 1. 디지털 제품/시스템 수명주기 프레임워크    <그림 1>의 프레임워크에서는 지식과 기술의 영역으로 정의한 네 가지 스피어(sphere)로 크게 분류하였다.  각 스피어는 고유의 특성이 있어서 그 분야의 전문 특성과 지식이 있다. 또한 각 스피어 사이에는 보이지 않는 경험과 지식과 패러다임의 벽이 존재한다. 스피어를 사용한 이유는 보이지 않는 장벽을 가지고 있기 때문이다. 첫 번째 영역은 제품 또는 시스템으로 대표되는 물리적 스피어(physical sphere)이며, 제품 부품으로 구성되어 있다. 이것을 가상 스피어와 비교한다면 디지털 트윈이 되는 것으로 공장에서 직접 생산되는 물리적 실체(physical entity)이다. 두 번째는 가상 스피어(virtual sphere)이다. 디지털 트윈은 가상 스피어로 가상세계(virtual world)이며 현실세계(real world)의 제품이나 시스템과 연동된다. 이것은 물리적 스피어의 경험과 지식 그리고 감각과 패러다임이 존재한다. 단지 소프트웨어 코딩 지식이나 제품의 물리적 지식이나 경험이 있다고 자동적으로 가상 스피어의 디지털 트윈을 만들 수 있는 것이 아니다. 세 번째는 정보 스피어(information sphere)로 현재까지 제품 개발에 핵심적 역할을 하고 있는 산업용 소프트웨어(industrial software) 영역이다. 이곳에는 다양한 컴퓨터 지원 개발 기술(CAx : Computer-Aided Everything)이 있으며, 대표적으로 컴퓨터 지원 설계 시스템(CAD), 컴퓨터 지원 제조(CAM), 컴퓨터 지원 해석 시스템(CAE) 등으로 제품의 데이터와 정보를 생성한다. 생성된 데이터는 제품 수명주기 관리(PLM) 시스템 안에서 자동화되고 저장된다.  네 번째는 사이버 스피어(cyber sphere)로 소프트웨어 중심 x의 영역이다. 주로 코딩의 영역으로 물리적 기능을 가상화(virtualization)하는 영역이다.    그림 2. 네 가지 스피어   가상 스피어와 사이버 스피어는 디지털 영역(digital domain)이지만, 정보 스피어는 물리적 영역(physical domain)과 디지털 영역으로 구분된다. 왜냐면 디지털 목업(digital mockup)이나 시뮬레이션(simulation)도 있지만 아직도 이 영역에서 물리적 시험(physical test) 등이 많이 필요하며, 미래에도 완전히 디지털화(digitalization)하기에는 갈 길이 멀다. 앞으로 가장 발전할 분야는 사이버 스피어 분야이다. 현재는 소프트웨어 정의 x로 발전 중이지만, 가까운 미래에는 소프트웨어 플랫폼(software platfom)으로 발전할 가능성이 높다.  그러나 새로운 기술과 접근 방법에는 리스크가 많다. 이런 리스크 관리를 하지 않으면 제품 개발이나 엔지니어링 분야에서 크게 낭패를 볼 수 있다. 다른 비즈니스 분야의 디지털 전환이나 인공지능 분야와 다르게 산업 분야는 리스크(risk)가 소비자나 사용자에게 엄청난 파급효과가 있다.   최근 보잉의 사례에서 보는 것과 같이 과도한 디지털 전환으로 아날로그 지식 엔지니어를 해고하는 바람에 엄청난 위기를 가져오고 있다. 지난 1월 보잉 737 맥스 항공기의 문짝이 비행 중 뜯어져 나가는 사고가 발생했다. 알고 보니 조립 과정에서 아예 나사를 빼먹었기 때문이라는 사실이 드러나 충격을 줬다. 보잉이 지난 20년 동안 비용 절감을 위해 아웃소싱을 대폭 확대하면서 숙련된 엔지니어들이 떠났고, 결국 심각한 항공기 품질 저하로 이어졌다.   지난 4차 산업혁명의 초기에 제너럴 일렉트릭(GE)은 디지털 트윈 사업을 제일 먼저 시작했다. 야심차게 시작한 프레딕스(Predix) 플랫폼은 실패하였고, GE 디지털 회사는 다른 회사에게 팔려갔다. 2000년대 초에도 지엠(GM) 자동차가 CAD와 PLM에 지나치게 의존하다가 기업이 어려워진 적이 있다. 기술은 어디까지 기술적 역량이지, 인간의 다양한 역량을 대체할 수 없다. 이런 사례는 현재 진행 중인 디지털 전환과 인공지능 전환(AI transformation)에 대해서 많은 교훈을 준다. 대부분 실제 경험보다는 연구만 하는 학자나 미디어에서 아직 리스크가 많은 기술에 대해 지나치게 낙관적으로 접근한다. 기술 낙관론이라는 낙관주의 편향(optimism bias)이다. 실제 산업계에서는 이런 것이 커다란 위험요소가 된다.    결론적으로 이런 접근방법에서 가장 중요한 것은 속도보다는 방향성이다.  네 가지 스피어에서 접근방법은 각 스피어의 지식과 경험과 패러다임이 어떻게 연결 및 연동할 것인가에 대한 구체적인 방법과 도구를 발굴해야 한다. 그리고 이에 대한 디지털 전략과 디지털 리스크를 만들어야 한다. 그러므로 이런 프레임워크를 사용해서 구체적인 실행 목록을 만드는데 사용할 수 있다. “완벽한 형태는 공이며, 모든 것은 구체에서 시작한다.(The perfect form is the sphere, and everything originates from the sphere.)” - 플라톤   ■ 조형식 항공 유체해석(CFD) 엔지니어로 출발하여 프로젝트 관리자 및 컨설턴트를 걸쳐서 디지털 지식 전문가로 활동하고 있다. 현재 디지털지식연구소 대표와 인더스트리 4.0, MES 강의, 캐드앤그래픽스 CNG 지식교육 방송 사회자 및 컬럼니스트로 활동하고 있다. 보잉, 삼성항공우주연구소, 한국항공(KAI), 지멘스에서 근무했다. 저서로는 ‘PLM 지식’, ‘서비스공학’,  ‘스마트 엔지니어링’, ‘MES’, ‘인더스트리 4.0’ 등이 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

캐드앤그래픽스 CNG TV 지식방송 지상 중계   지난 4월 15일 CNG TV는 ‘배터리 산업 동향과 설계 및 시뮬레이션 기술’을 주제로 다뤘다. 배터리 산업은 탄소중립과 지속 가능한 에너지 전환의 필요성에 따라 높은 성장세를 보이고 있어 주목받고 있다. 또한 급증하는 전기차 수요와 환경 문제에 대한 관심, 원가 절감 등 차세대 배터리 개발을 위한 배터리 최적화 설계와 시뮬레이션 기술에도 관심이 집중되고 있다. 자세한 내용은 다시 보기를 통해 확인할 수 있다. ■ 박경수 기자   ▲ 왼쪽부터 디지털지식연구소 조형식 대표, 중앙대학교 문장혁 교수, 모아소프트 장윤혁 부장    중앙대학교 에너지시스템공학부 문장혁 교수는 ‘다물리, 다차원 모델링을 통한 리튬이차전지의 전기화학-기계적 분석’을 주제로 발표했다. 리튬이차전지의 기계적인 해석을 시작으로 리튬금속전지, 전고체전지 등 배터리 해석을 위한 다물리와 기계적인 모델링, 그리고 멀티스케일 시뮬레이션 등에 대해서 설명한 문장혁 교수는 “리튬이차전지를 해석하려면 기계적인 이슈를 살펴봐야 하는데, 학교로 오게 되면서 다양한 배터리 과제를 수행하다 보니 리튬금속전지는 물론 전고체전지까지 다양한 배터리 해석들을 진행하고 있다”고 말했다. 그는 또 “배터리를 제조한다면 멀티스케일 시뮬레이션을 해야 하는데, 소재 수준에서부터 셀을 만들고, 셀을 어셈블리해서 팩까지 만들어야 하는 다양한 스케일의 공정들이 있다”며, “배터리 산업이 발전하면 각 스케일에 맞는 설계가 우선되어야 하는데, 기존에 소재를 다루어 왔던 사람들은 컴퓨터를 통한 설계가 익숙하지 않기 때문에 설계적 이슈 설명에 많은 시간과 노력이 필요했다”고 이야기했다.   ▲ 중앙대학교 에너지시스템공학부 문장혁 교수   모아소프트 DT사업부 장윤혁 부장은 ‘배터리 산업 동향과 설계 및 시뮬레이션 기술’을 주제로, 현재 사용하는 기기들로부터 전기화했을 때 어떤 부분을 어떻게 고려해야 하는지에 대해 소개했다. 또한 그에 따른 배터리 관련 규정에 어떤 식으로 대응할 지, 배터리의 성능이나 배터리 스펙을 어떤 규정에 맞춰야할 지 등 배터리 산업에서 고려해야 할 사항을 설명했다. 배터리 안전 기능에 대해 장윤혁 부장은 “배터리의 수명을 디지털 트윈을 통해 체크하고, 테스트 데이터로 수명을 예측하고 있다”며, “안전한 기능 판단 후 BMS(배터리 관리 시스템) 코딩을 통해 모델을 구현하고, 시뮬레이션을 통해 시스템을 검토하고 있다”고 말했다. 그는 또 “고밀도 기술 혁신과 메트릭을 활용해 고장 정의하는 것이 중요하다”며, “소프트웨어로 3D 시뮬레이션을 통한 체크가 필요하다”고 설명했다. 한편 배터리 분야에서도 인공지능(AI)가 적극적으로 도입되면서 에너지 관련해 큰 가능성이 열릴 것으로 전망되고 있다. 특히 배터리는 화학 소재와 기계, 전기 등 다양한 산업 분야를 아우르는 종합적인 전문지식이 요구되고 있어 배터리 전문가에 대한 수요도 크게 늘어날 것으로 보인다.   ▲ 모아소프트 장윤혁 부장     ■ 기사 내용은 PDF로도 제공됩니다.