디지털 데이터의 정리에 관하여   한 해를 마무리하고 새해의 계획을 세우는 12월이 되었다. 새해를 맞이하며 새로운 계획을 준비하는 것도 중요하지만, 새해를 맞이하기 전에 지나가는 한 해를 정리하는 것도 중요하다. 물리적인 정리뿐 아니라 디지털적인 정리도 중요하다. 일을 하거나 작업을 하는 주변 환경에 대한 정리도 중요하겠으나, 작업을 하는 대상인 디지털 파일에 대한 관리도 매우 중요하다. 이 글에서는 컴퓨터나 모바일 환경에서 사용하는 파일의 관리에 대해서 다룬다.   ■ 양승규 캐드앤그래픽스 전문 필진으로, MOT를 공부하며 엔지니어와 직장인으로 살아가는 방법에 대해 탐구한다. 건축과 CAD를 좋아한다.  홈페이지 | yangkoon.com   저장 공간 지금 내 컴퓨터의 하드디스크(HDD) 여유 사용 공간을 한 번 확인해 보자. 몇 개월 전이나 1월의 여유 사용 공간과 비교해 보면 그 차이가 어떨까? 이전보다 현재가 줄어든 것이 일반적일 것이다. 스마트폰의 사용 가능 공간도 마찬가지일 것이다. 매일 쌓이는 사진, 동영상으로 저장 공간은 계속해서 부족해져 간다.  대부분의 기업은 관련 규정을 통해서 문서의 보관 기간을 설정하여 일정 기간 동안은 문서를 보관하고, 보관 기간이 지나면 문서를 파기한다. 기업의 문서를 보관하기 위한 문서 창고의 크기가 물리적으로 무한하다면 굳이 생산된 문서를 없애지 않고 계속해서 보관해도 될 것이다. 하지만 물리적으로 정해진 저장 공간이 있기 때문에, 생산되는 모든 문서를 계속 보관하고 있을 수는 없다. 주방의 선반, 냉장고에 보관된 음식물의 유통기한이 지나면 버린다. 유통기한이 지난 음식은 먹을 수 없기 때문이다. 파일도 마찬가지이다. 문서로 관리되는 자료는 지정된 보관 기간이 지나면 파기한다. 디지털 영역에서도 마찬가지이다. Exploding Topics(https://explodingtopics. com/blog/data-generated-per-day)에 따르면, 디지털 세계가 하루에 만들어내는 정보량은 약 4억 테라바이트에 이른다고 한다. 구글이나 페이스북의 메타와 같은 글로벌 빅테크 기업은 데이터가 곧 자산이니 세계 곳곳에 데이터센터를 지으면서 수많은 데이터를 저장한다. 하지만 빅테크가 아닌 경우는 어떨까? 데이터가 자산이 되는 경우도 있지만 그렇지 않은 경우도 있다. 바로 목적에 맞지 않게 요구되는 목적의 필요 크기보다 큰 크기의 데이터가 그것이다.   그림 1. 전 세계 연간 데이터 생산량   파일 정리 저장 공간을 확보하기 위해 대용량 HDD를 계속 추가하는 것도 어느 시점에는 한계가 있고, 클라우드 서비스를 이용하더라도 용량의 한계는 있다. 네이버는 계정이 있다면 누구에게나 무료로 30GB의 저장 공간을 제공해 준다. 그 이상은 당연히 유료로 사용해야 한다. 구글은 포토 서비스에서 2021년 6월 이전까지는 원본 화질이 아닌 인코딩된 사진은 무제한으로 저장할 수 있도록 해주었으나 지금은 유료로 바뀌었다. 클라우드 서비스는 사용자에게 편리한 저장 솔루션을 제공하지만, 무료 용량의 한계와 유료 정책 변경 등의 문제점도 있다. 이러한 변화로 사용자는 자신의 데이터 관리에 보다 신중한 자세를 취할 필요가 있다. 클라우드 서비스를 이용할 때는 장기적 관점에서 용량, 비용, 서비스 안정성 등을 고려한 데이터 관리 전략을 세우는 것이 중요하다. 클라우드 환경이든 개인 PC나 스마트폰의 저장 용량 기반 데이터 관리든, 어떤 환경에서도 파일 정리는 중요하다. 수기로 결재를 받은 업무용 서류를 시스템에 등록하기 위해 스캐너를 이용하여 디지털 파일로 만드는 경우를 생각해 보자. 보통 스캔을 하는 경우에 고려하는 해상도 옵션은 출력용의 해상도라고 하면 300dpi, 웹 뷰어용으로는 150dpi, 최소 옵션으로 75dpi 정도를 사용하는 것이 일반적이다. 그런데, 업무용 서류를 스캔할 때 해상도를 600dpi로 적용한다고 해보자. 150~300dpi면 충분한 해상도를 과도하게 높여서 파일 크기는 불필요하게 증가한다. 해상도가 2배 증가하면 파일 크기는 4배가 증가한다고 보면 된다. 300dpi로 스캔된 파일 100개를 저장할 수 있는 공간에 600dpi로 스캔된 파일은 30개도 저장하지 못하게 되는 것이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 AI 업계에서 표준적으로 사용되고 있는 도구를 개발하는 W&B(Weights & Biases)를 소개하고, 이를 사용하는 방법을 소개한다. 그리고 건설, 제조와 같은 전통 엔지니어링 산업에서 생존을 위해 생각할 부분을 정리해 보고자 한다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 |  http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 |  www.facebook.com/groups/digestpodcast 모든 산업 분야에서 딥러닝으로 시작된 인공지능(AI) 기술 트랜드가 거세게 몰아치고 있다. 특히, 올해는 생성형 AI가 업무에 실질적으로 사용되기 시작했다. 생성형 AI는 다양한 업무 분야를 자동화하고 있어, ‘Job Killer’라 불릴 만큼 오피스에 많은 영향을 주고 있다. 이와 같이 기술이 전통적인 시장과 일자리를 축소하기도 하지만, 이번 호에서 소개할 W&B는 골드러시에서 역마차를 만들어 운영했던 웰스파고의 전략을 잘 실행한 스타트업이다.     W&B 기술 소개 딥러닝 모델을 개발하다 보면 수많은 종류의 데이터셋, 하이퍼모델 파라미터 튜닝 등으로 인해 관리해야 할 자료가 매우 복잡해진다는 것을 알게 된다. W&B는 이름 그대로 완벽한 모델 학습을 위해 필요한 딥러닝 모델의 가중치(weights)와 편향(biases)을 모니터링 및 관리할 수 있는 로그 도구이다. 즉, 딥러닝 모델 개발자를 위한 프로세스 로그 및 가시화 플랫폼을 제공한다.    그림 1. W&B(AI Summer)   매우 직관적인 이름을 가진 이 스타트업은 텐서보드(Tensorboard)와 비슷하지만, 적은 코드로 모델 개발에 많은 통찰력을 준다. W&B의 WandB 라이브러리를 사용하면 딥러닝 모델 학습 시 지저분하게 붙어 나가는 로그 처리를 간단한 함수 몇 개로 처리할 수 있고, 통합된 대시보드 형태로 다양한 모델 학습 품질 지표를 확인 및 비교할 수 있다. 이외에도 학습 모델 하이퍼 파라미터 관리와 튜닝 및 비교 보고서 생성 기능을 제공한다. 로그는 숫자, 텍스트, 이미지 등 다양한 포맷을 지원한다.    그림 2. W&B 딥러닝 모델 개발 프로세스 가시화 대시보드   이번 호에서는 딥러닝 모델 학습 로그 및 가시화 영역에 집중해 살펴본다. 글의 마무리에서는 W&B의 개발 배경도 간단히 알아본다.     사용법 다음 링크에 방문해 회원 가입한다.  wandb.ai website : https://wandb.ai 회원 가입한 후 <그림 3~4>와 같이 홈 메뉴에서 키 토큰 값을 얻어 복사한다. 이 키는 wandb API를 사용할 때 필요하다.   그림 3    그림 4   명령행 터미널에서 다음 명령을 실행해 wandb 파이썬 라이브러리를 설치한다.  pip install wandb     ■ 자세한 기사 내용은 PDF로 제공됩니다.

새로워진 캐디안 2025 살펴보기 (1)   오토캐드와 양방향으로 호환되는 국산 CAD인 캐디안(CADian)의 최신 버전인 캐디안 2025 버전이 출시되었다. 이번 호에서는 캐디안 2025 버전의 몇 가지 주요 기능에 대해서 살펴보도록 하겠다.   ■ 최영석 캐디안 기술지원팀 부장으로 기술지원 업무 및 캐드 강의를 담당하고 있다. 홈페이지 | www.cadian.com 카페 | https://cafe.naver.com/ilovecadian   OTF 글꼴 파일 지원 캐디안 2025에서는 기존에 지원되던 SHX, TTF(TrueType Font)에 더해서 OTF(OpenType Font) 글꼴 파일을 지원한다.  OTF 글꼴 파일은 표현의 속도는 다소 느리지만 섬세한 곡선 표현에 적합한 폰트로, 마이크로소프트와 어도비가 합작하여 발표한 글꼴이다. 따라서 어도비 제품군과 같은 고해상도 출력을 위한 업종에서 주로 사용되던 폰트이다. 다음의 순서대로 조치하면 OTF 파일을 캐디안에서 이용할 수 있다.    1. 인터넷 등에서 내려 받은 OTF 파일을 더블클릭하면 폰트 설치 화면이 표시된다. 왼쪽 상단의 설치 버튼을 클릭하여 해당 OTF 폰트 파일을 PC에 설치한다.     2. 글꼴 설치 중 창이 표시되며, 해당 폰트가 PC에 설치된다.     3. OTF 글꼴 파일이 PC에 설치된 것을 확인할 수 있다.     4. 설치한 OTF 폰트를 캐디안의 문자 스타일 창의 글꼴 목록에서 확인할 수 있다. 해당 글꼴을 선택한 후 문자 작성 등의 기능에서 이용할 수 있다.     rvt2ifc 기능 이용하기 rvt2ifc 기능을 이용하여 오토데스크의 레빗 파일인 *.rvt 파일을 *.ifc 파일로 변환한다. IFC(Industry Foundation Classes) 파일은 서로 다른 소프트웨어 응용 프로그램 간의 호환성에 염두를 둔 파일 형식이다.      ■ 자세한 기사 내용은 PDF로 제공됩니다.

데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2025 (8)   DWG 호환 CAD인 독일 그래버트(Graebert)의 아레스 캐드(ARES CAD)는 PC 기반의 아레스 커맨더(ARES Commander), 모바일 기반의 아레스 터치(ARES Touch), 클라우드 기반의 아레스 쿠도(ARES Kudo) 모듈로 구성되어 있다. 이 모듈은 상호 간에 동기화되므로 이를 삼위일체형(Trinity) CAD라고 부른다. 이번 호에서는 오토캐드와 호환되는 데스크톱 PC 기반의 아레스 커맨더 2025(ARES Commander 2025)의 BIM 도면 상세 보기에 대해 알아보도록 하겠다.   ■ 천벼리 캐디안 3D 솔루션 사업본부 대리로 기술영업 업무를 담당하고 있다.  홈페이지 | www.arescad.kr 블로그 | https://blog.naver.com/graebert 유튜브 | www.youtube.com/GraebertTV   그림 1. BIM 도면의 상세 보기   BIM 도면의 상세 보기는 평면도나 단면도의 특정 영역을 확대하는 새로운 도면 유형이다. 최근 BIM 소프트웨어는 건물의 특정 구조적 측면을 보다 정확하게 시각화할 수 있는 새로운 도면 유형인 ‘상세 보기(Detail)’ 기능을 도입했다. 이 기능은 복잡한 벽 연결이나 지붕과 벽의 교차점 등 건물의 중요한 부분을 확대하여 명확히 보여줌으로써 구조적 안정성과 설계 정확도를 높이는데 기여한다. 평면도(Plan)나 단면도(Section)의 특정 영역을 확대하여 세부사항을 표출함으로써, 사용자들은 더욱 심도 있는 건물 분석이 가능하다.   그림 2. Detail 기능   상세 보기를 생성하기 위해 새로 개선된 ‘BIMSECTION’ 명령을 사용하여 특정 관심 영역을 선택할 수 있다. 리본 메뉴에 위치한 상세 도면 기능을 통해 이 도면의 생성 과정을 더욱 손쉽게 확인할 수 있으며, 해당 도면은 참조 축척을 설정하도록 하여 확대 비율에 따라 원하는 부분만 정밀하게 표현할 수 있다. 이렇게 생성된 도면은 BIM 내비게이터의 상세 단면 섹션에서 찾아볼 수 있다. 이후, CAD 기능을 통해 해당 영역의 상세 정보를 추가하여 건축 설계에서 중요한 디테일 요소를 명확히 나타낼 수 있다. 새로운 상세 보기 유형은 평면도, 단면도 및 입면도에 모두 적용 가능하여, 건축 설계 및 시공 과정에서 전체적인 건물 이해도와 효율을 높여주는 핵심 도구가 될 것이다. 이번 BIM 최신 릴리스의 상세 보기 기능은 설계자와 시공자가 구조적으로 중요한 부분에 집중하고, 복잡한 세부사항을 보다 직관적으로 이해하는데 큰 도움을 줄 것이다. 리본에서 찾을 수 있는 새로운 상세 도면 기능을 살펴보겠다. ‘Detail’ 아이콘을 클릭하여 사용한다. 원본 도면의 특정 부분이 확대된 추가 도면을 만들 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 LLM(대규모 언어 모델)의 자연어 처리에서 핵심 기술인 토큰, 임베딩 및 모델 파인튜닝의 이해를 위한 개념과 임베딩 모델의 동작 메커니즘을 살펴본다. 여기서 토큰은 문장을 구성하는 단어로 가정하면 이해하기 쉽다. 토큰과 임베딩은 입력 시퀀스에 대한 출력을 학습, 예측할 때 훈련의 전제가 되는 LLM의 기본조건이다. 이에 대해 좀 더 깊게 이해해 보자.    ■ 강태욱  건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다.  페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com  홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast    최근 대규모 언어 모델(LLM : Large Language Model)과 검색 증강 생성(RAG : Retrieval-Augmented Generation) 기술을 이용해 다양한 전문가 서비스 에이전트를 개발하는 사례가 많아지고 있다. 특히, 전문가처럼 행동하며 문제를 해결하거나 의사결정을 지원하는 멀티 에이전트 기술은 이미 선진국을 중심으로 금융, 제조, 건설 등 엔지니링 분야에 개발되고 있다.    도메인 의존 정보와 토큰  의학과 같은 특별한 분야에서는 환각 현상 등으로 인해 챗GPT(ChatGPT)와 같은 범용 LLM이 제대로 정보를 생성하지 못하는 경우가 많다. 이런 문제를 해결하기 위해 전문 분야의 지식을 기존 LLM 모델을 이용해 재학습하는 방법이 생겨났는데, 파인튜닝은 그 중 한 가지 방법이다.  파인튜닝은 빅테크 업체가 공개한 LLM 모델을 특정 도메인 지식을 잘 표현할 수 있도록 재학습하는 방법 중 하나이다. LLM의 신경망 전체를 재학습하기 위해서는 매우 비싼 GPU 사용 비용이 필요하다. 이는 일반적인 기업에서 수행할 수 없는 수준이다. 이런 이유로, 파인튜닝은 메타에서 공개한 라마(LLaMA)와 같은 파운데이션 LLM 모델의 신경망에 별도의 작은 신경망을 추가해, 이를 별도로 준비된 데이터로 학습하는 방식을 사용한다.  LLM을 파인튜닝하기 전에 어떤 토큰이 사용되었는지, 임베딩 모델이 무엇인지 확인해야 한다. 파인튜닝 시 용어가 LLM에 사전 학습되어 있지 않다면, 용어 간 관계를 통계적으로 추론하는 학습 절차가 매우 비효율적으로 계산된다. 일반적으로 모델을 파인 튜닝하려면 LLM 토큰 확인 및 개발, 임베딩 모델의 적절한 사용이 필요하다.  <그림 1>은 토큰이 수치화된 결과를 보여준다. 참고로, 토큰이 숫자로 표현되지 못하는 문제를 OOV(Out-Of-Vocabulary)라 한다.    그림 1. 숫자 토큰화 결과   임베딩은 학습 모델이 입력되는 문장의 토큰 패턴을 통계적으로 계산하기 전, 토큰을 수치화시키는 함수이다. 이 함수를 임베딩 모델이라 한다. 임베딩 모델은 토큰을 수치화하여 모델 학습에 사용하는데 필요한 입력값을 출력한다. 이런 이유로, 토큰 사전과 임베딩 모델이 다르면 제대로 된 모델 학습, 예측, 패턴 계산 결과를 얻기 어렵다. 임베딩 모델도 별도의 신경망 모델이며 다양한 방식으로 학습될 수 있다. 이번 호에서는 구글에서 공개한 BERT(Bidirectional Encoder Representations from Transformers) 임베딩 모델을 사용한다.  이와 관련된 실험을 하기 위해, 개발 환경을 설치하고 파이썬 코드를 준비해 본다.    개발 환경 준비 미리 컴퓨터에 파이썬, 아나콘다 등 필수적인 라이브러리가 설치되어 있다는 조건에서, 실습을 위해 명령창에서 다음을 실행해 설치한다. pip install transformers torch   참고로, 다음은 파인튜닝에 사용하는 오픈소스 라이브러리를 보여준다. Torch : 텐서 계산 및 딥 러닝을 위한 핵심 라이브러리이다. PEFT : 낮은 순위의 적응 기술을 사용하여 대규모 언어 모델을 효율적으로 미세 조정할 수 있다. 특히 리소스가 제한된 장치에서 학습 가능한 매개 변수의 수를 줄여 모델을 압축하고 더 빠르게 미세 조정할 수 있다. bitsandbytes : 신경망에 대한 양자화 및 이진화 기술을 제공하여 모델 압축을 지원한다. 모델 압축에 도움이 되므로 메모리와 계산 능력이 제한된 에지 장치에 모델을 보다 실현 가능하게 만들 수 있다. Transformers : 대규모 언어 모델 작업을 간소화하여 사전 학습된 모델 및 학습 파이프라인을 제공한다. trl : 대규모 언어 모델의 경우 효율적인 모델 학습 및 최적화에 중점을 둔다. accelerate : 다양한 하드웨어 플랫폼에서 학습 및 추론을 가속화한다. dataset : 기계 학습 작업을 위한 데이터 세트 로드 및 준비를 간소화한다. pipeline : 사용자 지정 학습 없이 일반적인 NLP 작업에 대해 사전 학습된 모델의 사용을 간소화한다. PyArrow : 효율적인 데이터 로드 및 처리를 위해 사용될 수 있다. LoraConfig : LoRA 기반 미세 조정을 위한 구성 매개변수를 보유한다. SFTTrainer : 모델 학습, 최적화 및 평가를 처리한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

새로워진 캐디안 2024 살펴보기 (11)   오토캐드와 양방향으로 호환되는 국산 CAD인 캐디안(CADian) 2024 버전의 업데이트 버전인 캐디안 2024 SE에는 오토캐드와 동일하게 리스프(LISP) 프로그램을 지원하여, 기존에 제작되어 사용되던 리스프 프로그램을 그대로 가져와서 사용할 수 있다.  다만 일반적인 사용자들은 리스프 프로그램을 직접 작성하여 이용하기에는 어려움이 있다. 캐디안은 몇몇 유용한 기능들을 자동화하여 사용할 수 있도록 리스프 프로그램 수십 종을 홈페이지에서 무료로 배포하고 있다.  이번 호에서는 그 중 몇 가지 리스프를 살펴보도록 하겠다.    ■ 최영석  캐디안 기술지원팀 부장으로 기술지원 업무 및 캐드 강의를 담당하고 있다.  홈페이지 | www.cadian.com  카페 | https://cafe.naver.com/ilovecadian   리스프 파일 내려받기 캐디안을 사용하는 사용자는 누구나 캐디안 공식 홈페이지의 기술자료실에서 리스프 프로그램을 다운로드한 뒤 로드하여 이용할 수 있다. 자세한 방법은 다음과 같다.    1. 인터넷 웹 브라우저의 주소창에 www.cadian.com을 입력하여 캐디안 홈페이지로 이동한다.   2. 상단 메뉴 중 ‘고객지원’ 항목에 마우스 커서를 가져가면 아래에 메뉴가 표시된다. 메뉴에서 ‘기술자료실’ 항목을 클릭한다.      3. 각종 리스프가 표시된다. 원하는 기능의 항목을 클릭하여 상세 페이지로 이동한다.     4. 아래쪽의 검색란에 원하는 기능을 검색하여 리스프 파일을 찾을 수 있다.     5. 왼쪽 상단의 리스프 파일이 포함된 압축 파일(*.zip)을 클릭하여 다운로드한다.     6. 압축 해제 프로그램을 이용하여 다운로드한 파일을 압축 해제한다.   7. 압축을 해제하면 *.elf 파일이 생성된다. *.elf 파일은 기존 리스프 프로그램을 암호화(encryption)한 파일이며, 캐디안에서만 정상적으로 실행된다.   8. 압축 해제한 리스프 *.elf 파일을 캐디안의 ‘appload’ 명령으로 로드한 뒤, 리스프 기능 호출 명령어를 입력하여 사용하면 된다.   리스프 파일 로드하기  리스프 파일을 로드하여 사용하는 방법은 다양하지만, 간단하게 사용하기 위해서는 크게 두 가지 방법이 있다. 명령어 ‘appload’를 이용하는 방법과 드래그 앤 드롭(drag & drop)을 이용하는 방법이다.      ■ 자세한 기사 내용은 PDF로 제공됩니다.

데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2025 (7)   DWG 호환 CAD인 독일 그래버트(Graebert)의 아레스 캐드(ARES CAD)는 PC 기반의 아레스 커맨더(ARES Commander), 모바일 기반의 아레스 터치(ARES Touch), 클라우드 기반의 아레스 쿠도(ARES Kudo) 모듈로 구성되어 있다. 이 모듈은 상호 간에 동기화되므로 이를 삼위일체형(trinity) 캐드라고 부른다.  이번 호에서는 데스크톱, 모바일, 클라우드 전반에서 여러 사용자를 위한 실시간 협업 방법에 대해 간단하게 알아보도록 하겠다.    ■ 천벼리  캐디안 3D 솔루션 사업본부 대리로 기술영업 업 무를 담당하고 있다.  홈페이지 | www.arescad.kr  블로그 | https://blog.naver.com/graebert 유튜브 | www.youtube.com/GraebertTV    그림 1. 데스크톱, 모바일 및 온라인 등 다양한 환경에 걸쳐 다수 사용자를 위한 효율적인 DWG 편집 및 실시간 협업   이전에 아레스 쿠도에서 구현된 시간 절약 기능은 이제 아레스 커맨더 및 아레스 터치에서도 사용할 수 있다.  사용자가 클라우드에 저장된 DWG 파일을 작업할 때, 두 번째 사용자는 “편집 세션을 넘겨 받으세요”라는 알림을 보낼 수 있다. 만약 첫 번째 사용자가 수락한다면, 두 번째 사용자가 편집을 시작하는 동안 그의 세션은 읽기 전용 세션으로 바뀐다. 그러나 첫 번째 사용자는 각 수정 후에 도면을 새로 고쳐서 변경 사항을 볼 수 있다. 그리고, 원한다면 읽기 전용 모드에 있는 사용자는 편집 세션을 넘겨받도록 요청할 수 있다. 이렇게 하면 두 명의 사용자 또는 잠재적으로 더 많은 사용자가 같은 파일에서 함께 작업할 수 있다.  이 방법을 사용하면 사용자가 한 번에 하나씩 편집할 수 있으며, 이는 기본적으로 팀원들이 아레스 커맨더를 사용하여 사무실에 있든, 원격으로 작업하든, 아레스 쿠도 또는 아레스 터치를 사용하여 이동 중에 있든 관계 없이 도면을 함께 작업할 수 있다.    편집 권한 관리  여러 사람이 클라우드에 저장된 도면을 편집할 수 있는 권한을 가질 경우, 최소 두 명이 동시에 편집하려고 할 가능성이 높다.    그림 2. 에디터 편집 권한    충돌하는 변경 사항을 방지하기 위해 한 번에 하나의 사용자만 편집할 수 있도록 하며, 다른 사용자는 뷰 전용 액세스를 부여 받아 필요 시 댓글을 달 수 있다.    그림 3. 사용자별 편집 또는 보기 전용 접근   협업 도구에서 사용자 간 작업 전환 프로세스 급하게 처리해야 할 일이 있다면 어떻게 해야 할까? 인수인계 편집 세션 기능을 사용하면 현재 편집 중인 사용자에게 제어권을 자신에게 넘겨줄지 물어볼 수 있다. 예를 들어 보겠다. 사용자 1은 아레스 커맨더로 도면을 편집하고 있지만, 사용자 2는 다른 사용자가 먼저 도면을 열었기 때문에 자신에게도 편집 권한이 있지만 도면만 볼 수 있다. 여기에서 사용자 2가 다른 사용자에게 편집 요청을 하겠다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2025 (6)   DWG 호환 CAD인 그래버트(Graebert)의 아레스 캐드(ARES CAD)는 PC 기반의 아레스 커맨더(ARES Commander), 모바일 기반의 아레스 터치(ARES Touch), 클라우드 기반의 아레스 쿠도(ARES Kudo) 모듈로 구성되어 있다. 이 모듈은 상호 간에 동기화되므로 이를 삼위일체형(trinity) CAD라고 부른다. 이번 호에서는 오토캐드와 호환되는 데스크톱 PC 기반의 아레스 커맨더를 통해 코멘트 및 이메일 알람이 포함된 댓글로 협업을 개선하는 방법에 대해 알아보도록 하겠다.   ■ 천벼리 캐디안 3D 솔루션 사업본부 대리로 기술영업 업무를 담당하고 있다.   홈페이지 | www.arescad.kr 블로그 | https://blog.naver.com/graebert 유튜브 | www.youtube.com/GraebertTV   그림 1. DWG를 위한 더 나은 CAD 협업   ARES의 협업 기능 중에 댓글 기능이 있다. 이제 댓글에서 특정인을 언급할 수 있으며, 그들은 이메일 알림을 받게 된다. 이 기능을 사용하여 도면에서 작업을 할당하거나 또는 상대로부터 더 빠른 답변을 얻을 수 있다. 댓글과 마크업은 아레스 사용자가 도면의 내용을 가지고 동료들과 직접 프로젝트를 논의할 수 있게 하는 심위일체 협업 기능이다. 아레스는 파일을 클라우드에 저장하고, 동기화된 도면을 편집자와 열람자가 동시에 보면서 댓글 토론과 마크업을 사용할 수 있다.  아레스 커맨더에서 이 기능은 댓글 팔레트에서 찾을 수 있다. 동일한 기능이 아레스의 온라인 버전인 아레스 쿠도와 스마트폰 및 태블릿용 모바일 버전인 아레스 터치에서도 제공된다. 따라서, 사무실에서 아레스 커맨더로 작업하는 사용자와 현장에서 작업하는 사용자 간의 협업을 가능하게 하는 이점을 제공한다.  예를 들어, 현장에서 문제가 발생하면 사용자는 사진 마크업과 설명을 추가하거나, 스마트폰 작업자에게 유용한 음성 녹음을 추가할 수 있다.   자동 알림 확인하기 아레스의 새로운 기능은 특정한 상대방을 언급할 수 있으며, 이를 통해 댓글이나 마크업에서 자동 알림을 받을 수 있다.  만일 동료나 고객의 댓글이나 마크업에서 언급되어 자동 알림을 받았다고 한다면, 알림 이메일의 링크를 따라 댓글이나 마크업 내용을 확인할 수 있다.   그림 2. 이메일 링크 도면 오픈   시스템이 로그인을 요청하면 도면을 열 프로그램을 선택할 수 있다. 이 옵션은 도면을 보는데 사용하는 장치와 보유한 라이선스 유형에 따라 달라진다.   그림 3. 시스템 로그인   그림 4. 도면을 열 프로그램 선택   댓글이나 마크업을 본 후 필요하다면 답변할 수 있다.   그림 5. 댓글 및 마크업 확인   댓글 기능으로 피드백 주고받기 텍스트로 답변하려면 댓글 기능을 사용할 수 있다. 댓글을 작성할 때 선택한 요소에 링크를 연결해 다른 사용자가 이 요소나 선택 세트를 확대하여 내용을 파악하도록 한다.   그림 6. 댓글 아이콘 선택   그림 7. Add entities 클릭     ■ 자세한 기사 내용은 PDF로 제공됩니다.

새로워진 캐디안 2024 살펴보기 (10)   오토캐드와 양방향으로 호환되는 국산 CAD인 캐디안(CADian) 2024의 업데이트 버전인 캐디안2024 SE 제품에는 기존 버전부터 제공되던 기능인 가져오기 및 내보내기 기능을 제공하고 있다. 특히 캐디안이 버전 업되면서 기존 버전에 비해 더 다양한 파일 형식을 가져오거나 내보낼 수 있게 되었다.  이번 호에서는 가져오기(import) 기능을 이용하여 3D 파일 형식인 STEP, IGES, OBJ 파일을 가져오는 방법에 대해서 자세히 살펴보도록 하겠다.    ■ 최영석 캐디안 기술지원팀 부장으로 기술지원 업무 및 캐드 강의를 담당하고 있다. 홈페이지 | www.cadian.com 카페 | https://cafe.naver.com/ilovecadian   STEP 파일 가져오기 STEP 파일은 대다수의 3D CAD 프로그램에서 범용으로 사용되는 국제 표준 규격이다. 서로 다른 CAD 프로그램 혹은 3D 모델링 프로그램 등에서 전용 파일 형식이 지원되지 않아 불러올 수 없는 경우를 대비하여 데이터 교환용 파일 형식으로 사용된다. 캐디안에서도 가져오기로 STEP 파일을 가져올 수 있어서 편리하다. STEP 파일을 캐디안으로 가져오는 방법을 알아보겠다.   1. 메뉴에서 파일 → 가져오기 → STEP 가져오기 항목을 클릭하여 실행하거나, 명령 창에 ‘stepimport’를 입력한다     2. STEP 파일 가져오기 창이 표시되면 가져올 STEP 파일의 폴더로 이동한 뒤, 원하는 STEP 파일(또는 STP 파일)을 선택하고 ‘열기’ 버튼을 클릭한다.     3. 명령 창에 ‘사용자 가져오기 작업은 백그라운드에서 처리 중입니다. 자세한 내용은 상태 표시줄의 풍선 메시지를 참조하십시오’라는 메시지가 표시된다. 잠시 기다린다.     4. 캐디안 화면의 오른쪽 아래에 ‘변환된 파일을 가져올 준비가 되었습니다’라는 풍선 도움말이 표시되면 아래쪽의 파일을 클릭한다.     5. 잠시 뒤 도면 영역에 STEP 파일이 임포트되어 화면에 표시된다.     6. 3dorbit, shade 등의 작업을 통해서 객체 표시 방법을 변경할 수 있다.     IGES 파일 가져오기 IGES 파일 역시 대다수의 3D CAD 프로그램에서 범용으로 사용되는 국제 표준 규격이다. 데이터 교환용 파일 형식으로 사용되며, 캐디안에서도 가져오기로 가져올 수 있어서 편리하다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 대규모 언어 모델(LLM : Large Language Model)의 검색증강생성(RAG : Retrieval-Augmented Generation) 구현 시 핵심 기술인 임베딩 벡터 데이터베이스로 유명한 크로마(Chroma)의 핵심 구조를 간략히 분석한다. RAG는 생성형 AI의 환각현상을 줄여 전문가적인 정보를 생성하는 데에 도움을 준다.  크로마의 동작 방식을 이해하면 LLM 기술 개발 시 이해도와 응용력을 높일 수 있다. 참고로, 벡터 베이터베이스는 다양하게 있으나 크로마는 사용하기 쉽고 오픈되어 있어 현재 많이 활용되고 있다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   그림 1. 벡터 데이터베이스의 종류   크로마는 AI 지원 오픈소스 벡터 베이터베이스로, RAG를 처리할 때 필수로 사용되는 데이터베이스 중 하나이다. 크로마를 이용해 LLM 기반의 다양한 앱(지식 서비스 등)을 개발할 수 있다. 예를 들어, 각종 건설 규정, BIM 관련 지침 등을 요약하고 설명해주는 전문가 시스템을 개발할 때 사용할 수 있다.   그림 2   크로마는 임베딩 벡터를 메타데이터와 함께 저장하고, 질의를 통해 해당 임베딩 도큐먼트를 검색할 수 있다. 크로마는 독립적인 서버로서 동작할 수 있다.   설치 및 사용 윈도우 명령창이나 터미널을 실행한다. 크로마 설치를 위해 다음과 같이 터미널에 명령을 입력한다.    pip install chromadb   벡터 데이터베이스에 저장되는 단위는 다음과 같다.    collection = client.create_collectoin(name='test', embedding_function=emb_fn) collection.add(    embeddings=[       [1.1, 2.3, 3.2],       [4.5, 6.9, 4.4],       [1.1, 2.3, 3.2]    ],    metadatas=[       {"uri": "img1.png", "style": "style1"},       {"uri": "img2.png", "style": "style2"},       {"uri": "img3.png", "style": "style1"}    ],    documents=["doc1", "doc2", "doc3"],    ids=["id1", "id2", "id3"], )   여기에서 보는 것과 같이, 벡터 좌표계에 위치할 임베딩 벡터, 벡터에 매달아 놓을 메타데이터와 도큐먼트, ID를 하나의 컬랙션 단위로 저장한다. 이를 통해 벡터 간 유사도, 거리 등을 계산해 원하는 도큐먼트, 메타데이터 등을 얻을 수 있다. 이 때 임베딩 벡터는 미리 학습된 임베딩 모델을 사용할 수 있다.  질의해서 원하는 벡터를 얻으려면 벡터 공간에서 거리 계산이 필수적이다. 이 때 사용하는 함수는 <그림 3>과 같다.    그림 3   컬렉션에 벡터 추가와 질의는 다음과 같다.    collection.add(    documents=["doc1", "doc2", "doc3", ...],    embeddings=[[1.1, 2.3, 3.2], [4.5, 6.9, 4.4], [1.1, 2.3, 3.2], ...],    metadatas=[{"chapter": "3", "verse": "16"}, {"chapter": "3", "verse": "5"}, {"chapter": "29", "verse": "11"}, ...],    ids=["id1", "id2", "id3", ...] ) collection.query(    query_texts=["doc10", "thus spake zarathustra", ...],    n_results=10,    where={"metadata_field": "is_equal_to_this"},    where_document={"$contains":"search_string"} )   여기서, where의 metadata_field를 이용해 다음과 같은 조건 비교 연산이 가능하다.   $eq, $ne, $gt, $gte, $lt, $lte   그리고, 논리 연산자인 $and, $or를 지원한다. 크로마는 향후 워크플로, 가시화, 질의 계획, 분석 기능을 준비하고 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.