데이터 클라우드 기업 스노우플레이크가 프랑스의 AI 솔루션 제공업체 미스트랄 AI(Mistral AI)와 파트너십을 맺고, 플래그십 대규모 언어 모델(LLM)인 ‘미스트랄 라지(Mistral Large)’를 스노우플레이크 데이터 클라우드 플랫폼에 적용한다고 밝혔다. ‘미스트랄 라지’는 고유한 추론 능력을 갖춘 LLM 모델로 코딩과 수학에 능숙하고 한 번의 요청으로 수백 페이지에 달하는 문서를 처리할 수 있다. 프랑스어, 영어, 독일어, 스페인어, 이탈리아어, 5개 언어 처리가 가능한데, 기존 생성형 AI 모델과 ‘대규모 다중 작업 언어 이해 측정(MMLU)’을 비교하는 과정에서 성능을 입증했다. 이와 함께, 미스트랄 AI의 최초 기본 모델인 ‘미스트랄 7B’와 오픈소스 모델 ‘믹스트랄(Mixtral) 8x7B’에 대한 엑세스 제공 및 스노우플레이크 산하 벤처 캐피탈인 스노우플레이크 벤처스(Snowflake Ventures)의 미스트랄 AI에 대한 시리즈 A 투자 등도 이번 파트너십 발표에 포함됐다. ‘미스트랄 7B’는 낮은 지연 시간과 메모리 요구사항에 비해 높은 처리량을 갖춘 것이 특징이고, ‘믹스트랄 8x7B’는 여러 성능 비교에서 챗GPT3.5보다 빠르고 품질이 우수한 것으로 나타났다. 미스트랄 AI의 모델들은 ‘스노우플레이크 코텍스(Snowflake Cortex)’에서 프리뷰 공개 형태로 고객에게 제공된다. 스노우플레이크 코텍스는 스노우플레이크 플랫폼에서 생성형 AI를 활용할 수 있는 완전 관리형 LLM 및 벡터 검색 서비스이다. AI/ML 기술 없이도 쉽고 강화된 보안 환경에서 생성형 AI를 활용할 수 있는 서비스로, 기업 고객은 데이터에 대한 보안, 개인 정보 보호 및 거버넌스는 유지하면서 데이터를 빠른 속도로 분석하고 AI 앱을 구축할 수 있다.     스노우플레이크는 2023년 감정 분석, 번역, 요약과 같은 특수 작업을 위한 LLM을 지원하는 코텍스를 처음 공개했다. 또한, 메타(Meta)의 ‘라마2(Llama 2)’ 모델을 시작으로 검색증강생성(RAG)을 포함한 기본 LLM 지원을 늘리고 있다. 스노우플레이크는 미스트랄 AI와의 파트너십을 통해 생성형 AI에 대한 투자를 이어가면서, 기본형 LLM을 스노우플레이크 코텍스에서 제공해 기업이 다방면 비즈니스에 최첨단 생성형 AI를 도입할 수 있도록 지원하고 있다. 스노우플레이크 코텍스 LLM 기능이 공개 프리뷰되면서, 스노우플레이크 기업 고객은 기업 고유의 데이터를 바탕으로 다양하게 AI를 활용할 수 있게 됐다. SQL 기술을 갖춘 사용자라면 누구나 수 초 내에 감정 분석, 번역, 요약과 같은 특수 작업을 비용 효율적으로 진행할 수 있다. 파이썬 개발자라면 스노우플레이크 코텍스에서 제공하는 미스트랄 AI의 LLM은 물론, 곧 공개될 스노우플레이크 스트림릿(Streamlit)의 대화형 기능을 통해 수 분 내에 챗봇과 같은 풀스택 AI 앱을 개발할 수 있게 된다. 간편해진 경험과 높은 수준의 보안은 역시 곧 공개될 스노우플레이크의 통합 벡터 기능과 벡터 데이터 유형을 통해 RAG에도 동일하게 적용될 예정이다. 스노우플레이크의 슈리다 라마스워미(Sridhar Ramaswamy) CEO는 “스노우플레이크는 미스트랄 AI와의 파트너십을 통해 최정상급 성능의 LLM을 고객에게 직접 제공하고, 사용자는 간편하면서도 혁신적인 AI 앱을 구축할 수 있게 되었다”면서, “스노우플레이크 코텍스를 통해 더 많은 기업이 데이터 클라우드의 보안과 개인 정보 보호는 강화하고 새롭고 경제적인 AI 사용 사례를 만들어 내기를 바란다”고 말했다. 미스트랄 AI의 아르튀르 멘슈(Arthur Mensch) CEO는 “미스트랄 AI는 전세계적으로 기업이 생성형 AI 활용에 더 가까워지도록 고성능, 고효율에 신뢰할 수 있는 AI 모델을 개발하겠다는 스노우플레이크의 목표에 공감한다”면서, “스노우플레이크 데이터 클라우드에서 미스트랄 AI의 모델을 활용함으로써, 고객이 민주화된 AI를 경험하고 더 큰 가치를 창출하는 고도화된 AI 앱을 생성할 수 있기를 기대한다”고 전했다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 GPU CUDA(쿠다) 병렬처리를 지원하는 넘바(Numba) 라이브러리를 간략히 소개한다. CUDA는 현재 딥러닝 기술의 기반처럼 사용되며, 사실상 산업 표준이다. 딥러닝은 모든 연산이 텐서 행렬 계산이므로, 엔비디아 GPU에 내장된 수많은 계산 유닛(실수 계산에 특화된 CPU)들을 사용한다. CUDA의 강력한 수치해석 데이터 병렬처리 기능은 딥러닝뿐 아니라 디지털 트윈의 핵심인 시뮬레이션, 모델 해석 등에 필수적인 수치계산 엔진으로 사용된다.   ■ 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 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | http://www.facebook.com/groups/digestpodcast   CUDA는 내장된 수많은 계산 유닛에 입력 데이터를 할당하고, 행렬연산을 하여 출력된 데이터를 CPU 메모리가 접근할 수 있도록 데이터 고속 전송/교환하는 역할을 한다. 그러므로, 딥러닝 모델 학습 성능은 GPU CUDA 성능에 직접적 영향을 받는다. 이벙 호에서는 파이썬(Python)에서 CUDA를 이용해 수치해석 등 계산 성능을 극대화할 수 있는 방법과 간단한 예제를 살펴본다.   그림 1. CUDA 아키텍처(출처 : Multi-Process Service : GPU Deployment and Management Documentation)   GPU CUDA 소개 CUDA는 게임 화면에 렌더링되는 3차원 이미지를 2차원 픽셀에 매핑하기 위한 수많은 행렬을 실시간 처리할 수 있도록 개발되어 왔다. 이런 이유로, 행렬 고속 연산이 필요한 딥러닝 학습에 적극 사용된 것이다.   그림 2. CUDA 기반 실시간 텐서 행렬 연산 결과   CUDA는 오랫동안 개발자의 요구사항을 반영해 발전되어, 개발 플랫폼으로서 탄탄한 생태계를 구축했다.   그림 3. 엔비디아 개발자 사이트   그림 4. CUDA 기반 레이트레이싱 렌더링 결과(출처 : Ray Tracey's blog : GPU path tracing tutorial 3 : GPU)   사실, 많은 스타트업이 이런 기능을 지원하는 딥러닝용 AI 칩을 FPGA 기법 등을 이용해 개발, 홍보하고 있으나, 이런 개발자 지원도구와 플랫폼 생태계 없다면 산업계에서는 의미가 없다고 볼 수 있다.   넘바 소개 넘바는 파이썬 기반 CUDA GPU 프로그래밍을 지원한다. 넘바는 컴파일 기술을 지원하여 CPU와 GPU 모드에서 코딩되는 데이터 구조, 함수 호출을 추상화한다. 넘바는 엔비디아의 CUDA 함수와 설정을 래핑한 고수준의 함수 API를 제공한다. 이를 통해 개발자가 CUDA의 세부 설정에 신경쓸 필요 없이, 데이터 병렬 처리 개발에만 집중할 수 있다.   개발 환경 넘바의 개발 환경은 다음과 같다. NVIDIA Compute Capability 5.0 이상 CUDA 지원 GPU 장착 PC(2023년 12월 시점) NVIDIA CUDA 11.2 이상 NVIDIA TX1, TX2, 자비에, 젯슨 나노 GTX 9, 10, 16 시리즈. RTX 20, 30, 40 시리즈. H100 시리즈 CONDA 환경의 경우, 다음과 같이 터미널을 이용해 CUDA 툴킷을 자동 설치할 수 있다. conda install cudatoolkit 넘바는 cuda python을 이용해 엔비디아 GPU CUDA와 바인딩한다. conda install nvidia::cuda-python 설치 방법은 다음과 같다. conda install numba   ■ 상세한 기사 내용은 PDF로 제공됩니다.

개발 및 공급 : 에픽게임즈 주요 특징 : 마야에서 제작한 세컨더리 애니메이션을 언리얼 엔진으로 임포트 및 매칭, 마야용 및 언리얼 엔진용 플러그인 제공, 각 관절 세트에 대한 솔버 생성 및 옵션을 기반으로 포즈 보간 방식 결정, 포즈 및 솔버의 JSON 파일 익스포트 지원 등   고퀄리티 3D 캐릭터 제작에 있어 애니메이션의 사실감을 높이는 것은 매우 중요한 작업이다. 그 중 하나가 메인 애니메이션에 반응하여 메인 애니메이션을 향상하거나, 강조하는 세컨더리 애니메이션을 추가하는 것이다. 캐릭터의 세컨더리 애니메이션을 구성하는 예시로 애니메이터가 직접 제어하지 않고도 관절이 다른 관절에 반응하여 자연스럽게 움직이는 경우를 들 수 있는데, 캐릭터의 팔을 위아래, 앞뒤로 움직여 쇄골(빗장뼈)을 회전시키면 견갑골(어깨뼈) 등의 주변 관절도 실제와 같이 움직이는 것이다. 그 결과 더 그럴듯하고 디테일한 애니메이션이 만들어지며, 처음 한 번만 세팅하면 이후에는 자동으로 적용된다.   ▲ 이미지 출처: ‘세컨더리 애니메이션을 위한 신규 포즈 드라이버 커넥트 툴세트 | 언리얼 엔진’ 영상 캡처   에픽게임즈가 출시한 ‘포즈 드라이버 커넥트(Pose Driver Connect)’는 사실적인 애니메이션을 빠르게 제작할 수 있는 툴세트이다. 오토데스크 마야(Autodesk Maya)에서 제작한 세컨더리 애니메이션을 언리얼 엔진으로 임포트하여 처음부터 다시 만들 필요 없이 일대일로 매칭하여 재현할 수 있으며, 이를 통해 작업 시간을 절약할 수 있다. 이 툴세트는 방사형 기저 함수(Radial Basis Function : RBF)를 사용하며, 마야용 포즈 랭글러(Pose Wrangler) 플러그인과 언리얼 엔진용 포즈 드라이버 커넥트 플러그인으로 구성되어 있다. 마야의 ‘Set Driven Key’ 기능을 사용해 본 적이 있다면 포즈 랭글러를 사용하는 기본 개념에 쉽게 익숙해질 수 있다. 쉽게 말해 관절을 한 방향으로 회전하고, 주변 관절을 움직여서 사실적인 디포메이션을 구현하며, 해당 지점에서 포즈를 만드는 방식으로 애니메이션을 제작한다. 그런 다음 주축(driver)이 되는 관절을 반대 방향으로 회전하고, 종속(driven)되는 관절을 움직여서 또 다른 포즈를 설정하는데, 다른 회전축을 대상으로 이러한 과정을 반복한다.   ▲ 세컨더리 애니메이션 적용 전 모습(이미지 출처 : 언리얼 엔진 홈페이지)   ▲ 세컨더리 애니메이션 적용 후 모습(이미지 출처 : 언리얼 엔진 홈페이지)   포즈 랭글러는 이러한 각 관절 세트에 대한 솔버를 생성하여, 설정할 수 있는 몇 가지 옵션을 기반으로 포즈 보간 방식을 결정한다. 그런 다음 FBX 클립으로 포즈와 함께 솔버를 JSON 파일로 익스포트할 수 있다. 중요한 점은, 포즈를 디폴트 포즈와의 델타값을 기반으로 선택적으로 익스포트할 수 있어 그 구성을 비슷한 캐릭터에 리타기팅할 수 있으므로 시간을 더욱 절약할 수 있다는 점이다. 언리얼 엔진에 포즈 드라이버 커넥트 플러그인을 설치하면 솔버와 포즈를 임포트하여 세컨더리 애니메이션을 재현할 수 있다. 애니메이션 블루프린트를 통해 정확히 동일한 연산을 적용하여 재현하는데, 그 결과 훨씬 짧은 시간 내에 게임, 애니메이션 또는 기타 리얼타임 콘텐츠용 고퀄리티 캐릭터를 만들 수 있다. 포즈 드라이버 커넥트는 메타휴먼 및 기타 스켈레톤 구성에서 작동하지만, 캐릭터 애니메이션 작업에만 제한되지는 않는다. 기본적으로 어떠한 오브젝트의 회전에 기반하여 모든 오브젝트의 트랜스포메이션(이동, 회전, 스케일 조절)을 구동할 수 있다. 게다가 해당 함수 기능은 블루프린트 비주얼 스크립팅과 파이썬(Python)을 통해 노출되므로, 파이프라인에 적합한 자동화를 통해 빌드할 수 있다.   ■ 기사 내용은 PDF로도 제공됩니다.

  17　THEME. 2023 국내 엔지니어링 소프트웨어 시장 조사 Part 1. 2024년 경제 및 주력산업 전망 Part 2. MDA/PDM 분야 Part 3. CAE 분야 Part 4. AEC 분야 Part 5. 엔지니어링 소프트웨어 업계 인터뷰   INFOWORLD   Case Study 47　LG U+의 유니티 기반 가상 오피스 프로젝트　 사람과 사람을 잇고 경험을 공유하는 메타슬랩   Focus 50　디모아-PTC, DX 서밋에서 디지털 전환 전략과 성공 사례 소개   People & Company 52　티와이엠 김승동 중앙기술연구소 연구관리팀장　PLM, ERP, MES 등 기업 전반의 디지털 전환 추진   New Products 54　충돌 구조물의 설계 해석 및 최적화 프로그램　Visual Crash Studio 58　사실적인 애니메이션을 빠르게 제작하는 툴세트　포즈 드라이버 커넥트 80　이달의 신제품   On Air 60　캐드앤그래픽스 CNG TV 지식방송 지상중계　K 스마트 공장의 꿈과 혁신의 미래 전망 61　캐드앤그래픽스 CNG TV 지식방송 지상중계　플랜트 조선 분야를 위한 AI와 디지털 트윈 혁신 전략은?   Column 62　3D 프린팅, 올해도 제조업에 변화의 바람 일으킬까 / 다니엘 톰슨 64　디지털 지식전문가 조형식의 지식마당 / 조형식　디지털 위기에서 디지털 기회로 66　현장에서 얻은 것 No.15 / 류용효　CES 2024에서 본 미래 : AI와 모빌리티의 새로운 지평   74　New Books 76　News   CADPIA   AEC 83　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　딥러닝 수치해석 데이터의 병렬처리를 지원하는 파이썬 넘바 라이브러리 88　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2024 (10) / 천벼리　사용자 정의 팔레트 Ⅱ 92　새로워진 캐디안 2024 살펴보기 (2) / 최영석　테이블 테두리 서식 지정 및 비주얼 스타일 탐색기 기능   Reverse Engineering 95　문화유산 분야의 이미지 데이터베이스와 활용 사례 (2) / 유우식　서화, 낙관, 탁본 데이터베이스   Analysis 102　성공적인 유동 해석을 위한 케이던스의 CFD 기술 (6) / 나인플러스IT　대규모 와류 시뮬레이션에 유용한 피델리티 찰스 솔루션 106　앤시스 워크벤치를 활용한 해석 성공사례 / 최낙정　앤시스 스페오스를 활용한 라이트 가이드 설계와 해석 111　MBD의 이해와 기업 가치 향상을 위한 전략 (2) / 오재응　MBD의 성공 비결 및 향후 전망   Mechanical 118　제품 개발 혁신을 가속화하는 크레오 파라메트릭 10.0 (9) / 박수민　설계 탐색(DEX) 기능 활용하기 124　제조업 DX, 3D 데이터의 목표는? (2) / 아이지피넷　DX의 목표는 인간의 지식과 지혜를 디지털화하는 것     캐드앤그래픽스 2024년 2월호 목차 from 캐드앤그래픽스     캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기

BIM 칼럼니스트 강태욱의 이슈 & 토크    이번 호에서는 트랜스포머(transformer) 기반 생성형 AI 모델로 다국어 번역기, 문장 분류, 이미지 설명 텍스트 생성 프로그램의 개발 방법을 간략히 살펴본다. 트랜스포머는 텍스트, 이미지 등 데이터를 숫자로 표현한 토큰으로 인코딩한 후, 목표 라벨 데이터 결과와 차이가 적은 방향으로 가중치인 어텐션(attension) 벡터를 갱신하여 학습 모델을 만드는 기술이다.   ■ 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   트랜스포머는 현재 문장 성격 및 특징 분류, 다국어 번역, 비전 이미지 설명 및 생성, 음성인식, Voice to Text, 음악 작곡, 글 분류, 글 자동 요약 등 다양한 영역에서 사용된다. 이번 호에서는 관련 기능을 트랜스포머로 간단히 구현해 본다.    그림 1. 트랜스포머 개념 및 아키텍처   트랜스포머의 이론적 개념 등은 다음의 링크를 참고한다. 머신러닝 딥러닝 신경망 개념, 종류 및 개발 : https://daddynkidsmakers.blogspot.com/2017/02/blog-post_24.html 어텐션 기반 트랜스포머 딥러닝 모델 이해, 활용 사례 및 파이토치(Pytorch)를 통한 간단한 사용방법 소개 : https://daddynkidsmakers.blogspot.com/2021/10/blog-post.html 간단한 트랜스포머 동작 원리와 파이토치 기반 비전 트랜스포머 ViT 소개 : https://daddynkidsmakers.blogspot.com/2023/02/pytorch-vit.html 오디오, 영상, 텍스트, 센서, 3D깊이맵 멀티모달 딥러닝 모델 페이스북 이미지바인드(imagebind) 설치 및 사용기 : https://daddynkidsmakers.blogspot.com/2023/05/imagebind.html   개발 준비 파이썬(Python), 쿠다(CUDA) 등이 설치되어 있다는 가정 하에, 다음 명령어를 이용해 관련 패키지를 설치한다. pip install transfomers sentencepiece   간단한 텍스트 생성형 AI 개발 다음과 같이 트랜스포머 모델에서 사전학습된 distilgpt2를 사용해 간단한 텍스트 생성형 AI 코드를 개발해 본다. from transformers import AutoTokenizer, AutoModelWithLMHead tokenizer = AutoTokenizer.from_pretrained("distilgpt2") model = AutoModelWithLMHead.from_pretrained("distilgpt2") input_ids = tokenizer.encode("I like gpt because it's", return_tensors='pt') greedy_output = model.generate(input_ids, max_length=12) print(tokenizer.decode(greedy_output[0], skip_special_tokens=True)) 실행 결과 <그림 2>와 같이 ‘I like gpt because it's’ 이후 문장을 자연스럽게 생성한다.   그림 2   텍스트의 빈칸 단어 예측 다음은 MLM(Mask Language Model) 방식으로 학습된 모델을 이용해, [MASK] 토큰으로 정의된 단어를 문장 맥락을 고려해 예측하는 코드이다.  from transformers import pipeline unmasker = pipeline('fill-mask', model='albert-base-v2') unmasker("mlm and nsp is the [MASK] task of bert.") 결과는 <그림 3>과 같다. 빈칸의 단어가 잘 예측된 것을 확인할 수 있다.   그림 3   이미지 설명 텍스트 생성 이제 주어진 이미지를 설명하는 텍스트를 생성해 본다. 목표는 입력 이미지에 대해 두 마리의 고양이가 누워있음을 표현하는 텍스트를 얻는 것이다.   그림 4     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (4)   석유화학 및 기타 산업 분야에서는 주변 공기 환기부터 500℃ 이상의 유해 염화물 가스까지 다양한 가스를 처리하는 일련의 공정에 팬(fan)을 사용한다. 이러한 팬의 최대 작동 속도는 산업 표준에 의해 관리되며 종종 제한된다. 이러한 속도 제한으로 인해 팬 제조업체는 원하는 압력 출력을 얻기 위해 임펠러의 직경을 늘리거나 줄여야 한다. 엔지니어가 직면한 과제는 결과물의 크기가 커지고 무거워지며 제작, 테스트 및 운송에 많은 비용이 든다는 점이다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   일리노이주 캐리에 본사를 둔 일리노이 블로어(Illinois Blower)는 더 높은 압력과 팬 효율을 달성하면서도 임펠러 속도와 직경을 유지하여 이러한 딜레마를 해결하는 설계 접근 방식을 위해 케이던스(Cadence)와 협력해 왔다. 40년 이상 정유 및 석유화학 발전, 오염 제어, 제약, 식품 가공 등 다양한 전 세계 산업 공정 산업을 위한 맞춤형 원심 팬과 블로어를 성공적으로 개발 및 제작해 왔다. 이번 호에서 소개하는 사례의 목표는 전체 성능 라인에 걸쳐 전체 팬 스테이지(휠 및 볼류트)의 압력 비율을 높이는 것이었다. 제조 제약 조건으로 인해 임펠러 주변의 견고한 본체 두께를 유지해야 했고, 블레이드 모양은 제조하기 쉬워야 했다. 이러한 임펠러의 최적화 외에도 엔지니어들은 출구 파이프의 압력 손실을 줄이기 위해 흐름 물리학을 더 잘 이해하고자 했다.   그림 1. 테스트 사례 : 원심 산업용 팬의 임펠러와 볼류트를 헥스프레스의 표면 메시로 최적화   CFD 시뮬레이션 방법론 Open 비정형 다목적 CFD 솔버 패키지에서 초크부터 스톨까지 일련의 시뮬레이션을 실행하고 그 결과를 실험 데이터와 비교하여 CFD 설정이 신뢰할 수 있는지 확인했다.   고속 메싱 볼류트와 임펠러 블레이드 디테일 주변에 매끄러운 경계 레이어가 있는 7.5M 포인트 메시가 비정형 메시 프로그램인 헥스프레스(Hexpress)에서 생성되었다. 성능 라인 안정화 계산을 실행하기 위해 임펠러의 한 통로만 메시화하면 되었으며, 각 계산은 96개 코어에서 1시간 이내에 완료되어 완전한 수렴을 달성할 수 있었다. <그림 2>의 분산형 차트는 모든 데이터베이스 및 최적화 샘플에 대한 목표 값을 보여주며, 최적의 개체는 별표로 강조 표시된다. 자체 조직화 맵은 매개변수 간의 상관관계와 반상관관계를 보여준다. 분산 분석(ANOVA)은 다양한 입력 변수에 대한 출력의 전체 변동성을 분해한다. LOO(Leave-One-Out) 플롯은 모델 신뢰도를 추정한다.   그림 2   최적화 1 : Identifying the centrifugal fan's main performance parameters 최적화의 첫 번째 단계는 원심 팬의 성능에 영향을 미치는 주요 요인을 파악하여 최적화가 가장 효과적인 위치를 정확히 파악하는 것이었다. 임펠러 블레이드와 흐름 채널에 대한 20개의 사용자 정의 파라미터를 신중하게 선택하여 허브 및 슈라우드 모양, 블레이드 금속 각도, 블레이드 캠버 및 기울기를 설명했다. 이러한 자유 파라미터와 관련 변형 범위의 선택은 프로젝트 성공의 열쇠로 밝혀졌다. 각 파라미터 세트에 대해 케이던스의 디자인3D(Design3D) 최적화 모듈로 새로운 지오메트리를 생성하고, 전용 파이썬 스크립트를 사용하여 헥스프레스에서 비정형 메시를 자동으로 생성하여 시간을 절약했다.      ■ 자세한 기사 내용은 PDF로 제공됩니다.

챗GPT(ChatGPT)의 등장은 인공지능(AI) 기술이 이해하기 어렵고 전문적인 분야에서만 사용되는 것이 아니라, 대중적으로 친숙하게 접근할 수 있다는 인식을 마련하는 계기가 되었다. 건설산업 분야에서도 인공지능 기술을 도입하기 위해 여러 가지 노력을 기울이고 있다. 경희대 건축학과 김인한 교수는 국토교통부 '인공지능 기반의 건축설계 자동화 기술개발' 연구과제에 참여하여 설계 적합성 평가 기술에 지능형 기술을 도입, 정확성과 신뢰성을 높이고 있다. 국토교통부에서는 건축 설계 분야에 인공지능 기술 도입을 위한 R&D를 추진하고 있다. 이에 따라 2021년부터 2025년까지 5년 동안 ‘인공지능 기반의 건축 설계 자동화 기술개발’ 연구가 진행되고 있다. 경희대학교 건축학과의 김인한 교수는 이 연구 과제에 참여하여 설계 적합성 평가 기술에 지능형 기술을 도입하기 위한 연구를 수행하고 있다고 소개했다.     이 연구과제에서는 BIM 기반의 건축 인허가 법규 자동 평가 기술과 실용화를 중심으로 한 건축주 요구사항을 평가하여 설계안을 추천해주는 연구에 지능형 기술을 도입하기 위한 노력을 기울이고 있다. 대상 건축물의 특성에 따라 선택된 기본적인 요구사항과 추가적인 요구사항 문장은 자연어 처리 기술을 도입하여 평가 기준에 적용한다. 분석된 평가 기준은 파이썬(Python) 코드로 논리규칙화하여 사용자 요구사항을 평가한 뒤 결과와 함께 설계안을 추천한다. BIM 기반의 건축 인허가 법규 자동 평가 기술은 BIM 모델의 정보를 바탕으로 건축 인허가 법규 항목의 적법 여부를 평가하는 연구이다. 이 연구에서는 대규모 언어 모델(LLM)인 챗GPT 기반 챗봇(chatbot)을 개발하여 개정된 법규에 대한 정보를 알려주거나, 프로그래밍 언어로 되어 있는 검토 항목의 논리 규칙 정보를 해석할 수 있다. 또한 변경되거나 수정하고 싶은 로직을 생성하여 새로운 정보로 법규 검토 조건에 대한 테스트가 가능하다.  그리고 법규 검토 프로그램 내에서 속성 정보를 제어할 수 있는 모델 보완 기술도 연구 중이다. BIM 모델을 프로그램에서 로드하고 법규 검토를 수행하면 적합/부적합 결과만 도출되던 기존의 방식에서는 원본 BIM 모델을 수정하기 위해 많은 노력이 필요했다. 반면, 이 연구를 통해 개발된 모델 보완 기술은 상세한 검토 결과와 함께 속성 정보 기반의 부적합 요소를 프로그램이 자체적으로 수정할 수 있다. 수정된 정보는 별도의 XML 파일로 저장되어 BIM 저작도구에서 연계할 수 있을 것으로 보인다. 김인한 교수는 “이러한 연구를 통해 건축주의 요구사항을 명확하게 전달하여 의사결정 과정의 효율성을 높이고, 법규 검토 결과에 대한 보완 과정에서 정확한 정보가 반영될 수 있으므로 신뢰성이 확보될 것”이라고 평가하면서, “지능형 기술의 도입은 아직 초기 단계에 있지만, 앞으로 기술이 빠르게 발전함에 따라 건축 설계의 새로운 패러다임을 가져올 것으로 기대된다”고 전했다.     ■ 기사 내용은 PDF로도 제공됩니다.

알테어가 데이터 분석 및 AI 플랫폼인 ‘알테어 래피드마이너(Altair RapidMiner) 2023’을 발표했다. 알테어 래피드마이너는 데이터 전처리부터 분석, 시각화를 위한 통합 환경을 제공하는 플랫폼이다. 최신 버전에는 모든 수준의 사용자가 생산성과 편의성을 높일 수 있는 로코드(low code) 및 노코드(no code) 기반 신기능을 추가했다.  래피드마이너 2023에 추가된 생성형 AI는 워크플로를 간소화하고 자동화 방식의 업무를 수행하는데 맞춤화되었다. 대규모 언어 모델(LLM)을 지원해 원하는 데이터 변환을 명시하면 자동으로 적절한 워크플로를 생성한다. 특히 범용 LLM과 연동돼 사용자는 챗GPT API를 활용해 코드 작성 없이 더 많은 사용자 정의를 활성화할 수 있다. 이를 통해 향상된 사용자 경험과 유연성을 확보할 수 있다.  오토ML 기능도 강화했다. 최신 버전은 다양한 머신러닝 작업을 지원하며, 직관적이고 사용자 친화적인 환경에서 모든 사용자가 쉽게 모델을 구축할 수 있도록 한다. 의사 결정 트리를 쉽게 만들 수 있는 마법사(위저드) 기반 도구를 통해 데이터 과학적인 배경이 없어도 데이터 내의 복잡한 상호 작용을 시각화하고, AI 모델이 결과를 생성하는 방식의 이해를 돕는다.      한편 업무 효율성을 높이는 기능도 포함됐다. SAS 언어 대안 환경인 ‘알테어 SLC’는 SAS 언어, 파이썬(Python), R 등 다양한 언어와 개발 패러다임을 지원해, 사용자가 효과적으로 코드를 작성하고 실행해 더 유연하고 효율적인 분석 작업을 수행할 수 있도록 도와준다. 이 외에도 데이터 시각화 및 스트리밍 분석 도구인 ‘알테어 판옵티콘’은 새로운 레이아웃 템플릿과 스타일 설정을 통해 사용자 인터페이스를 간소화했다. 실시간 데이터를 가시성 있게 제공해 효율적인 업무를 수행하도록 지원한다.  알테어의 샘 마할링엄 최고기술책임자(CTO)는 “알테어 래피드마이너는 모든 기술 수준의 사용자들이 주도적으로 데이터를 활용할 수 있도록 사용자 친화적인 업데이트에 초점을 맞췄다. 이를 통해 여러 부서에서 데이터의 가치를 극대화하고, 이를 기업 전반으로 확대하는데 기여하겠다”고 밝혔다. 

이성용 지음 / 2만 5,000원 / 이지스퍼블리싱   “AI가 내 일을 대신해 준다면 얼마나 좋을까?” 이 질문을 해결해 줄 수 있는 책이 출간됐다. 이 책에서는 챗GPT와 파이썬을 활용해 기획부터 자료 준비, 이미지 생성, 영상 편집까지 할 줄 아는 ‘만능 유튜브 PD’ AI 앱을 만들어 본다. 프로젝트의 처음부터 끝까지 챗GPT와 함께하기에 파이썬 기초 문법만 알면 누구나 책의 실습을 끝까지 따라 해 앱을 만들 수 있다. GPT API 활용법, 프롬프트 엔지니어링 팁, 하이퍼파라미터 조절법까지 생성형 AI를 자유자재로 쓸 수 있는 저자만의 실전 노하우도 가득 담겨 있다. 이 책에서는 ‘플레이리스트 유튜브 채널 운영’이라는 특정한 목적을 수행하는 AI 앱을 만든다. 유튜브 채널을 운영하려면 여러 가지 일을 할 줄 알아야 한다. 수많은 정보 중에서 필요한 것만 선별해 자료를 준비하고, 유튜브에 올릴 영상을 편집하고, 섬네일 이미지도 만들 줄 알아야 한다. 이렇게 다양한 기능을 앱에 하나씩 구현하면서 우리가 만드는 AI 앱이 얼마나 큰 가능성을 품고 있는지 체험할 수 있다. 어떤 일에도 응용할 수 있는 기능이므로 프로그래밍에 익숙한 독자라면 이 책을 참고해서 유튜브 PD 앱이 아닌 다른 일에 특화된 앱을 만들 수 있을 것이다. 또한 이 책은 파이썬 기초 문법만 알면 누구나 끝까지 실습을 따라 해 앱을 만들 수 있도록 구성했다. 앱을 기획할 때부터 코딩과 디버깅까지 프로젝트의 전 과정을 챗GPT와 함께하는 방법으로 진행하므로 쉽게 따라 할 수 있다. ‘유튜브 운영’이라는 구체적인 목적을 가진 앱을 챗GPT와 함께 개발해 나가면서 프로그래밍에 챗GPT를 활용하는 실질적인 노하우도 얻을 수 있다. 직접 만든 앱에 다양한 능력을 줄 수 있는 비결은 챗지피티(ChatGPT), 달리(DALL-E), 스테이블 디퓨전 등 다양한 생성 AI 서비스의 기능을 API와 파이썬을 활용해 장착할 수 있기 때문이다. 하지만 기능을 가져오기만 해서는 내 의도대로 완벽하게 일하는 AI 직원 앱으로 만들 수 없다. 프롬프트 엔지니어링으로 명확한 역할을 알려 주고, 하이퍼파라미터를 조절해 적절한 답변을 유도할 줄 알아야 한다. AI 서비스만으로는 해결할 수 없는 능력은 직접 파이썬 함수로 구현하여 앱에 연동하기도 한다. 프로그래밍에 어느 정도 내공이 있는 독자라면 이 책에 담긴 이 방법들을 참고하고 응용하여 마치 영화 <아이언 맨>에 나오는 인공지능 비서 ‘자비스’와 같은 AI를 만들 수 있을 것이다.   

앤시스 워크벤치를 활용한 해석 성공 사례   최근, 다양한 실험 및 해석에서 축적된 데이터와 인공지능 기술의 발전으로 데이터 기반 설계(Data-Driven Design)가 활성화되고 있다. 특히 해석 데이터를 기반으로 한 메타모델은 빠른 예측 속도의 장점을 이용해 반복적인 예측이 요구되는 최적 설계와 실시간 예측이 필요한 디지털 트윈 분야에서 주로 사용되며, 부품과 시스템의 통합 최적설계나 생산 품질 관리와 같은 다양한 분야로 활용 범위가 확장되고 있다. 이번 호에서는 간단한 사례를 통해 데이터 기반 설계에서 활용되는 딥러닝 기술과 해석 데이터를 이용한 메타모델을 소개한다. 그리고 딥러닝 프로그래밍 작업 없이 해석 데이터 기반 메타모델을 쉽게 생성할 수 있는 다양한 환경과 제작 방법부터, 생성된 메타모델을 다양한 환경에서 효율적으로 사용하기 위해 FMI(Functional Mock-up Interface) 기술로 제작하는 FMU(Functional Mock-up Unit)의 생성 및 사용법까지 다루도록 하겠다.   ■ 권기태 태성에스엔이의 EBU_LF팀 수석매니저로 해석자동화 업무 및 기술지원을 담당하고 있다. 이메일 | gtkweon@tsne.co.kr 홈페이지 | www.tsne.co.kr   메타모델이란 우선, 메타모델의 정의와 활용에 대해 짚고 넘어가보자. 메타모델(metamodel)은 ‘모델의 모델’이라는 의미로, 복잡한 모델을 간소화하여 설명하거나 정의하는데 사용된다. 근사방법(approximation method)을 사용해 원래의 모델을 재모델링함으로써 만들어지는 간결한 형태의 모델을 의미한다. 이러한 메타모델의 정의나 활용은 적용되는 분야에 따라 다르게 사용된다. 우선 기계학습의 메타모델은 다른 기계학습 모델을 이해, 분석, 또는 간략하게 표현하기 위한 목적으로 사용되며, 소프트웨어 엔지니어링 분야에서는 UML을 통해 시스템의 구조와 속성을 추상화하고 표준화하는데 사용된다. 시뮬레이션 및 최적화 분야의 메타모델은 복잡한 시뮬레이션 모델이나 실제 세계의 시스템을 간단한 수학적 모델로 대체하며, 이를 통해 저렴한 비용과 짧은 시간 안에 다양한 시나리오 탐색이나 최적의 해를 찾는 데 활용된다. 시뮬레이션 및 최적화 분야에서도 메타모델은 목적이나 관점에 따라 여러 용어로 불린다. 가장 먼저, 복잡하거나 계산에 많은 비용이 소요되는 모델, 또는 실제 실험을 단순하고 효율적인 형태로 근사화한 모델이란 의미의 대리자 모델(surrogate model)이 있다. 더불어 고차원이나 복잡한 시스템의 동적 거동을 낮은 차원이나 작은 수의 변수를 사용하여 효과적으로 근사화하는 방식의 ROM(Reduced-Order Modeling)이 있다. 또한 데이터를 사용하여 복잡한 시스템의 응답을 모델링하고 최적화하기 위한 통계적 방법이란 의미의 RSM(Response Surface Model)과 최적화 프로그램 안에서 시간이 많이 소요되는 CAE 시뮬레이션을 대신하여 사용되는 대리자 모델인 MOP(Meta-Model of Optimal Prognosis)란 용어도 사용되고 있다.   해석 데이터 기반 메타모델 컴퓨터 하드웨어의 발전과 함께 공학 설계 기술은 실험 중심의 설계에서 시뮬레이션 기반의 설계로 급속도로 전환되었다. 더욱이, 최근에는 실험과 해석에서 축적된 데이터와 인공지능 기술의 발전으로 데이터 기반 설계가 활성화되는 만큼, 데이터 기반 설계에서 사용되는 데이터 기반 메타모델의 중요성도 같이 증가하고 있다. 메타모델은 복잡한 시스템이나 모델을 간단히 표현하기 위해 확보된 데이터를 수학적 기법이나 인공지능 기술로 처리하여 제작한다. 특히, 인공지능과 시뮬레이션 기술의 발전으로 해석 데이터를 활용한 딥러닝 기반의 메타모델이 주목을 받고 있다. 해석 데이터는 측정 데이터와 비교해 입력과 출력 데이터의 노이즈가 적고, 스크립트 자동화를 이용해 원하는 조건으로 데이터를 쉽게 확보할 수 있다는 장점이 있다. 딥러닝 기술을 이용한 메타모델은 복잡한 수학적 지식 없이 구현이 가능하며, 파이썬(Python) 환경에서 작업하기 때문에 파이썬의 강력한 기능을 효과적으로 활용할 수 있다.   메타모델의 활용 해석 데이터를 활용한 메타모델은 빠른 예측 속도의 장점을 활용하여 반복적이거나 실시간 예측이 필요한 분야에서 주로 사용된다. 그러나 해당 메타모델은 해석 데이터를 생성할 때 사용된 변수로만 입력 값이 제한되기 때문에, 설계인자가 고정된 상황에서만 적합하다는 단점이 있다. 이러한 메타모델의 장단점을 고려하여 활용 가능한 분야를 도출하면 <그림 1>과 같다. 설계 최적화 및 민감도 분석 : 반복적으로 사용되는 빠른 예측 복잡한 시스템의 최적설계 : 요소부품과 시스템의 통합적 최적설계에서 부품 메타모델 생산 품질 관리 : 설계가 확정된 후 생산 과정의 변동 관리 디지털 트윈 : 설비의 운용 효율을 최적화하기 위해 실시간 예측   그림 1. 디지털 엔지니어링의 구성 요소   ■ 자세한 기사 내용은 PDF로 제공됩니다.