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.

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.

개발 및 공급 : 펑션베이 주요 특징 : 지속적인 솔버 개발을 통한 접촉 기능 향상, 마찰열을 고려한 유연 다물체 동역학 해석, 열전도 및 열응력을 고려한 동역학 해석 개선, DriveTrain 툴킷 개선 등  사용 환경(OS) : 64비트 윈도우 10/11    2024년 11월, 리커다인 2025(RecurDyn 2025)가 새롭게 출시되었다. 지속적인 솔버 개선을 통해 이번 버전에서도 다양한 솔버 관련 기능이 강화되었다. 접촉 성능이 향상되었으며, 유연체를 포함한 동역학 모델의 열해석이 강화되었다. 또한, 드라이브트레인(DriveTrain)의 지속 개발을 통해 이번에도 기능 개선이 이루어졌다.  이러한 개선 사항들을 좀 더 자세히 소개하면 다음과 같다.    솔버 기능 강화  지오 콘택트 개선  리커다인의 강력한 접촉 요소인 지오 콘택트(Geo Contact)의 다양한 성능이 향상되었다. 특히 접촉점의 수가 자주 변경되는 접촉 모델에 대해 보다 안정적이고 정확한 해석을 수행할 수 있다. 또한, Sliding & Stiction 마찰 옵션을 모든 지오 콘택트에서도 사용할 수 있도록 개선되었다. 이를 통해 지오 콘택트를 이용한 접촉 모델에서도 Stiction 옵션을 이용하여 미끄러짐이 없는 정지 마찰 상태를 시뮬레이션할 수 있다.  그리고 강체의 접촉에 대해서도 컨투어(contour)를 통해 Sliding Velocity와 Pressure Velocity 결과를 확인할 수 있게 되어, 접촉 모델에서 마모 특성을 효율적으로 분석할 수 있다.    그림 1. 접촉점의 수가 자주 변경되는 경우 MPM 옵션 사용 권장    프리미티브 콘택트 개선 각 형상에 대한 전용 접촉 요소로서 빠르고 정확한 접촉 계산이 가능한 프리미티브 콘택트(Primitive Contact)에 대해서도 개선이 이루어졌다. 토러스(torus)와 실린더(cylinder) 형상에 대한 전용 접촉 요소인 Tours In Cylinder Contact가 새롭게 추가되어, Tripod Type CV Joint와 같은 시스템에서 더욱 빠르고 정확한 접촉 해석을 수행할 수 있다.    그림 2. Tours In Cylinder Contact를 이용한 Tripod CV Joint    또한, Cone To Cylinder Contact 사용 시 콘(cone)과 실린더의 면과 면 간 접촉도 고려할 수 있도록 개선되었다. 그리고 모든 프리미티브 콘택트에 대하여 Force Vector, Normal Force, Friction Force에 대한 시각적인 표시가 되도록 개선되었다.    그림 3. Cone To Cylinder Contact    지오 롤 콘택트  롤러(실린더)에 시트를 감는 롤 투 롤(roll to roll) 시스템을 위한 전용 접촉 요소인 지오 롤 콘택트(Geo Roll Contact)가 새롭게 추가되었다. 유연체에 대한 전용 접촉으로 유연체로 구성된 시트의 두께 정보와 감겨 있는 횟수를 활용하여, 시트가 롤러에 감기는 현상을 빠르게 해석할 수 있다.    그림 4. 지오 롤 콘택트를 이용한 시트 적층 해석   이 기능을 이용하면 롤 투 롤 시스템에서 시트 적층 시 발생하는 시트의 장력 변화, 시트의 적층에 따른 두께 증가에 의한 거동 변화 등을 고려한 해석을 빠르게 수행할 수 있다.    MFBD 기능 강화  프릭션 히트  지오 콘택트를 통해 유연체에 접촉 마찰로 인해 발생하는 열을 고려한 해석을 수행할 수 있게 되었다. 지오 콘택트에 추가된 프릭션 히트(Friction Heat) 기능을 이용하여 접촉에 의한 마찰로 인해 발생하는 열과 열전도에 의한 열응력을 고려한 MFBD(Multi Flexible Body Dynamics : 유연 다물체 동역학) 해석을 수행할 수 있다.    그림 5. 프릭션 히트를 이용한 브레이크의 마찰열 해석   열해석 개선 유연체의 열전도에 의한 열응력을 동역학 해석에 실시간으로 적용할 수 있는 FFlex Thermal에 대하여 열해석에 소요되는 시간을 줄이기 위한 기능이 추가되었다. FFlex 보디의 열변형 고려 여부를 선택할 수 있게 함으로써, 열해석 시 해석 시간을 단축할 수 있다. 또한, 새롭게 추가된 서멀 부스트(Thermal Boost) 옵션을 이용하여 온도장의 정상 상태에 빠르게 도달시킴으로써, 보다 효율적인 해석을 수행할 수 있다.    그림 6   Patch Constraint  Patch Constraint 기능이 새롭게 추가되어 두 유연체를 연결할 수 있게 되었다. 이 기능을 통해 두 FFlex 보디가 접합된 것처럼 모델링하고 시뮬레이션할 수 있다.    그림 7. Patch Constraint를 이용한 유연체 접합    제어 기능 강화  코링크의 파이썬 기능 개선  리커다인의 다물체 동역학 해석 환경에 통합된 제어 해석 툴킷 인 코링크(CoLink)의 파이썬(Python) 기능이 개선되었다. 기본으로 내장된 파이썬 패키지에 넘파이(NumPy)가 추가되었으며, 기본 내장된 파이썬 외에도 사용자가 설치한 파이썬 패키지를 지정하여 활용할 수 있게 개선되었다.  또한, 리커다인 리눅스 스탠드얼론 솔버(RecurDyn Linux Standalone Solver)를 사용할 때에도 코링크의 파이썬을 사용할 수 있게 되었다.    툴킷 기능 강화  드라이브트레인 개선  리커다인 드라이브트레인 툴킷의 GearKS로 만든 기어쌍에 대한 Mesh Stif fness를 확인할 수 있게 개선되었다. 또한 BearingKS로 만든 베어링에 대한 Rotational Resistance 기능이 추가되어, 축 방향 회전에 대한 베어링의 구름 저항을 고려한 해석을 수행할 수 있다.    그림 8. 기어쌍에 대한 Mesh Stiffness      ■ 자세한 기사 내용은 PDF로 제공됩니다.

‘생성형 인공지능과 제조/건축 시각화 기술과 트렌드’를 주제로 한 ‘코리아 그래픽스 2024’가 지난 9월 27일 진행됐다. 5년만에 오프라인 행사로 치러진 이번 코리아 그래픽스에서는 산업 분야의 시각화 기술 동향 및 최근 주목을 받고 있는 생성형 AI(generative AI)의 접목에 관한 내용이 다양하게 소개됐다. ■ 정수진 편집장   코리아그래픽스 추진위원회 위원장인 서울미디어대학원대학교 유훈식 교수는 개회사에서 “지난 몇 년간 코로나19를 비롯해 여러 가지 어려움이 있었지만, 기술 측면에서는 인공지능(AI)과 메타버스(metaverse), 확장현실(XR) 등이 눈부시게 발전했다. 이런 기술의 발전은 우리에게 새로운 기회를 만들어주고 있다”면서, “이러한 기회는 새로운 산업과 새로운 혁신으로 한 걸음 나아갈 수 있는 길을 열어줄 것이다. 이번 코리아 그래픽스를 통해 산업 분야의 시각화, 생성형 AI, 3D 프린팅 활용과 관련한 인사이트를 얻고, 산업 발전에 도움이 되기를 바란다”고 전했다.    공간 컴퓨팅과 AI의 융합이 가져올 변화 행사의 시작은 국회미래연구원 이승환 연구위원의 ‘공간 컴퓨팅 혁명이 가져올 변화 : 디지털 공간과 AI의 만남’을 주제로 한 기조 연설이었다. 이승환 연구위원은 “지난 30년간 컴퓨팅 패러다임이 변화하면서 그래픽스 분야에서도 몇 번의 변곡점이 있었다”고 짚으면서, 최근의 변곡점은 ‘공간 컴퓨팅’이라고 전했다. 최근 애플의 비전 프로나 메타의 퀘스트같은 HMD(헤드 마운트 디스플레이)가 주목을 받았는데, 올해는 이전과 다른 운영체제(OS)가 등장해 공간 컴퓨팅 생태계 및 수익모델의 변화를 이끌 것으로 전망된다.    ▲ 공간 컴퓨팅 혁명에 대해 소개한 국회미래연구원 이승환 연구위원    공간 컴퓨팅의 패러다임을 바꿀 것으로 보이는 또 한 가지 기술이 바로 인공지능이다. 수많은 데이터로 새로운 인사이트를 제공하는 AI의 인텔리전스가 공간 컴퓨팅과 융합해 새로운 콘텐츠와 생태계를 만들 수 있다는 것이 이승환 연구위원의 전망이다. 이승환 연구위원은 “AI와 공간 컴퓨팅이 결합된 ‘공간 지능(spatial intelligence)’은 현실 기반의 문제를 가상화와 연결해 해결할 수 있는 수단으로 자리잡을 것으로 보인다”면서, “가상환경과 결합해 내가 원하는 문제를 해결하고 의사결정을 돕는 방향으로 컴퓨터를 학습시킨다면, 컴퓨터 그래픽스를 만들어 온 전통적인 방식이 변화할 것”이라고 짚었다.    생성형 AI와 제조/건축 디자인의 혁신 서울미디어대학원대학교(SMIT)의 유훈식 교수는 ‘생성 AI와 제조/건축 디자인의 현재와 미래’를 주제로 기조연설을 진행했다. 생성형 AI가 빠르게 발전하면서, 이미지와 영상 등 영역에서도 변화가 일어나고 있다. 이미지를 생성하는 AI 서비스인 ‘미드저니’는 2022년 2월 첫 버전이 등장한 이후 빠르게 발전하면서 만들어내는 그림의 수준이 크게 높아져, 현재는 사진과 구분이 어려울 정도로 고품질의 이미지를 생성할 수 있다. 영상 생성을 위한 AI도 언어 모델의 학습 방법을 적용하면서 품질이 크게 높아졌다. 오픈AI가 올해 발표한 ‘소라’의 경우에는 사물의 움직임과 대상을 인식할 수 있는 수준이다.    ▲ 생성형 AI와 디자인의 변화를 짚은 SMIT 유훈식 교수   생성형 AI는 비주얼을 만드는 비용과 시간을 줄일 수 있어 새로운 창작의 영역을 열고 있으며, 이에 따라 기업에서도 생성형 AI를 활용할 수 있는 아티스트와 디자이너를 찾고 있다. 생성형 AI로 원하는 결과물을 만들기 위해서는 수많은 시도가 필요한데, 이를 줄이려면 정교하게 사용할 수 있는 프롬프트 엔지니어링 기술이 요구된다. 유훈식 교수는 “생성형 AI의 발전은 제조와 건축 디자인 프로세스에 큰 변화를 가져오고 있으며, 디자인에 접근하는 방식이 근본적으로 변화하고 있다. AI 프롬프트만으로 영상을 제작할 수 있는 시대가 되었으며, 디자이너들은 프롬프트 엔지니어링의 관점에서 접근할 필요성이 커지고 있다. 이러한 변화는 디자인 생태계에 더 큰 혁신을 불러일으킬 것”이라고 전했다.    사용자 중심 AI 시대를 위한 기술의 진화 세 번째 기조연설로는 인텔코리아 이주석 부사장이 ‘멀티모달이 열어가는 세상과 AI PC’에 대해 소개했다. 이주석 부사장은 “AI 기술이 ‘캐즘(chasm : 얼리 어댑터와 대중 소비자 사이의 정체기)’에 빠진 것처럼 보였지만, 생성형 AI로 새로운 시대를 맞고 있다. 지난 10년이 개발자 중심의 AI 시대였다면 향후 10년은 사용자 중심의 AI 시대가 열릴 것”이라면서, “생성형 AI는 다양한 애플리케이션에서 활용되고 있으며, 특히 텍스트∙이미지∙음성 등을 합성해 활용하는 멀티모달 융합을 통해 더욱 풍부한 사용자 경험을 제공할 수 있다”고 짚었다.    ▲ 사용자 중심 AI로의 변화를 소개한 인텔코리아 이주석 부사장   챗GPT(ChatGPT) 등장은 AI 모델 개발이 빅테크 기업의 전유물이 아니라는 점을 확인하는 계기가 됐다. 최근에는 채팅, 문서, 이미지, 디자인, 동영상/음성 등 다양한 AI 애플리케이션이 빠르게 늘고 있으며, 파이썬(Python)을 사용할 수 있는 환경이라면 챗GPT로 코드를 생성해 원하는 앱을 만들 수도 있게 됐다. 이런 변화가 사용자 중심, 애플리케이션 중심의 시장을 열고 있다는 것이 이주석 부사장의 설명이다. 또한 그는 “아직 생성형 AI의 활용에는 수많은 시도와 도메인 지식이 요구되기도 한다. 인텔은 NPU(신경망 처리장치)를 탑재한 들어간 프로세서 제품을 클라이언트 에지, AI PC의 시대를 열 수 있도록 지원하겠다”고 전했다.    이번 ‘코리아 그래픽스 2024’에서는 3편의 기조연설을 포함해 총 11편의 발표 세션이 진행되었으며, 제조/건축 디자인과 시각화, 디지털 트윈, 3D 프린팅 등 다양한 내용이 소개됐다. 특히 최근 시각화 분야에서도 주목을 받고 있는 생성형 AI에 관한 발표도 이뤄지면서, 최근 관련 산업계와 학계의 활동과 향후 전망까지 짚어볼 수 있는 기회가 되었다. 이와 함께 업계와 학계 관계자들이 비전을 공유한 VIP 간담회 및 최신 기술을 체험할 수 있는 부스 전시도 함께 진행됐다.    ■ 이어서 보기 : [포커스] 코리아 그래픽스 2024 발표 내용 정리   ▲ VIP 간담회    ▲ 3D 시각화 소프트웨어를 소개한 플러스플라스틱 부스    ▲ 최신 워크스테이션 CPU를 소개한 인텔 부스    ▲ AI 영상 분석 기술을 소개한 씨이랩 부스    ▲ 3D 렌더링 및 VR 시각화 설루션을 소개한 인코스 부스      ■ 자세한 기사 내용은 PDF로 제공됩니다.

IBM은 ‘테크익스체인지(TechXchange)’ 연례 행사에서 자사의 진보된 인공지능(AI) 모델 제품군인 ‘그래니트(Granite) 3.0’을 발표했다.  IBM 그래니트 모델은 아파치 2.0 라이선스 하에 공개되어 특정 모델에 대한 비종속성을 갖는다. IBM은 “3세대 그래니트 플래그십 언어 모델은 많은 학술 및 산업 벤치마크에서 비슷한 크기의 다른 모델들을 능가하거나 동등한 성능을 보이며, 성능, 투명성, 안전성을 입증했다”고 전했다. 이번에 발표된 IBM의 그래니트 3.0 제품군은 범용/언어 모델, 안전 장치 및 안전성 모델, 혼합 전문가 모델 등으로 구성되었다. 이 중 새로운 그래니트 3.0 8B 및 2B 언어 모델은 기업 AI에 최적화된 주력 모델로 설계되어, RAG(검색 증강 생성), 분류, 요약, 엔터티 추출 및 도구 사용과 같은 다양한 작업에서 높은 성능을 제공한다. 이 모델들은 소형이면서도 유연해 기업 데이터를 기반으로 세밀하게 조정할 수 있으며, 다양한 비즈니스 환경과 워크플로에 손쉽게 통합되도록 설계되었다는 것이 IBM의 설명이다.     대부분의 대규모 언어 모델(LLM)은 공개 데이터를 기반으로 훈련되며, 기업의 데이터를 활용하는 경우는 아직 많지 않다. IBM은 지난 5월 레드햇과 함께 선보인 인스트럭트랩(InstructLab) 정렬 튜닝 기법을 통해 소형 그래니트 모델과 기업 데이터를 결합하면 더 큰 모델의 성능을 훨씬 낮은 비용으로 구현할 수 있다고 소개한 바 있다. 특히, IBM은 왓슨x.ai(watsonx.ai)에서 제공되는 모든 그래니트 모델에 대해 지적 재산권 보장 프로그램을 제공해, 기업 고객이 자신의 데이터를 모델과 결합해 사용할 수 있도록 지원한다. 그래니트 3.0 기술 보고서와 사용 가이드는 이 모델들을 훈련하는 데에 사용된 데이터 세트, 필터링, 정제 및 큐레이션 과정에 대한 상세 정보와 주요 학술 및 기업 벤치마크에서의 성능 결과를 제공한다. IBM은 이번 출시를 통해 그래니트 가디언(Granite Guardian) 모델도 새롭게 선보였다. 이 모델은 애플리케이션 개발자가 사용자 명령어와 LLM의 답변에서 발생할 수 있는 다양한 위험 요소를 감지해 안전 장치를 구현할 수 있도록 지원한다. 그래니트 가디언 3.0 8B와 2B 모델은 포괄적인 위험 및 피해 탐지 기능을 제공한다. 이 모델은 사회적 편견, 증오, 유해성, 욕설, 폭력, 보안 우회(jailbreaking) 등의 위험 요소를 감지할 뿐만 아니라, 정보의 신뢰성, 맥락의 적합성, 답변의 관련성과 같이 RAG 작업에 특화된 고유한 검증 기능도 갖추고 있다. 그래니트 가디언 모델은 그래니트 언어 모델에서 파생되었지만, 타사의 어떤 AI 모델과도 함께 안전 장치를 구현하는 데에 사용할 수 있다. 한편, IBM은 왓슨x 오케스트레이트(watsonx Orchestrate)와 같은 로코드 도구와 자동화를 통해 기업들이 자체 AI 어시스턴트를 쉽게 개발할 수 있도록 돕는 기술부터 고객 서비스, 인사, 영업, 마케팅 등 특정 업무와 영역에 특화시켜 사전 구축된 어시스턴트에 이르기까지 다양한 AI 어시스턴트 기술 포트폴리오를 지속적으로 발전시키고 있다고 전했다. 전 세계의 많은 조직이 왓슨x 어시스턴트를 활용해 고객이나 직원의 질문에 답변하고, 레거시 IT 애플리케이션을 현대화하며, 학생들이 직업 경로를 탐색하도록 돕거나 주택 구매자를 위한 디지털 융자 지원을 제공하는 등 AI 어시스턴트를 구축했다. 이를 위해 IBM은 그래니트 코드 모델을 기반으로 C, C++, Go, 자바(Java), 파이썬(Python) 등 다양한 프로그래밍 언어에 대한 범용 코딩 지원과 엔터프라이즈 자바(Java) 애플리케이션을 위한 고급 애플리케이션 현대화 기능을 제공하는 차세대 ‘왓슨x 코드 어시스턴트(watsonx Code Assistant)’ 도 올해 4분기에 출시할 예정이라고 발표했다. 그래니트 3.0 모델은 아파치 2.0 라이선스 하에 허깅페이스(HuggingFace)에서 다운로드할 수 있다. 그래니트 3.0 8B 및 2B 언어 모델의 인스트럭트 버전과 그래니트 가디언 3.0 8B 및 2B 모델은 IBM 왓슨x 플랫폼에서 상업적으로 사용가능하다. 일부 그래니트 3.0 모델은 엔비디아의 NIM 마이크로서비스 및 허깅페이스와 통합된 구글 클라우드의 버텍스 AI 모델 가든(Vertex AI Model Garden)을 통해서도 제공된다. 또한, IBM은 전 세계 기업들에 더 많은 선택지를 제공하기 위해 AWS, 도커(Docker), 도모(Domo), 퀄컴 테크놀러지스(Qualcomm Technologies, Inc.)의 퀄컴 AI 허브(Qualcomm AI Hub), 세일즈포스(Salesforce), SAP 등 생태계 파트너들과 다양한 그래니트 모델을 이들 파트너 솔루션에 통합하거나 플랫폼에서 사용할 수 있도록 협력하고 있다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (14)   항공 음향학은 난류 유체 운동 또는 표면과 공기역학적 힘의 상호작용으로 인한 소음 발생을 연구하는 학문이다. 이번 호에서는 효과적인 항공 음향 시뮬레이션을 위한 전략과 실제 사례에 대해 살펴본다.    ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   경계 및 초기 조건 지오메트리 및 메시 프로세스에 이어 음파가 반사되지 않고 빠져나갈 수 있는 경계를 지정한다. 일반적인 방법으로는 변수를 감쇠시켜 경계 반사를 방지하는 스펀지 레이어 또는 파동을 기하급수적으로 감쇠시키는 비반사 레이어인 PML(Perfectly Matched Layers : 완벽하게 일치하는 레이어)이 있다. 그런 다음 흐름 시나리오에 따라 유입, 유출, 벽 및 기타 조건을 설정한다. 시뮬레이션 유형에 따라 초기 흐름 또는 노이즈 필드를 제공해야 할 수도 있다.   솔버 선택 솔루션 전략은 문제의 복잡성, 원하는 정확도, 사용 가능한 리소스에 따라 선택해야 한다. 케이던스의 피델리티 찰스(Fidelity CharLES)는 시간 의존적인 간접 LES(Large Eddy Simulation) 방법론을 활용한다. 이러한 과도 시뮬레이션의 경우 가장 높은 관심 주파수를 포착하는 시간 간격을 선택하여 시간적 해상도가 충분한지 확인한다.   음향 유추 및 소스 올바른 음향 모델을 사용하는 것은 항공 음향 시뮬레이션의 정확성과 신뢰성을 위한 기본이다. 적절한 음향 유추는 소음원의 특성과 문제의 특정 요구 사항에 따라 결정되는 경우가 많다. 따라서 시뮬레이션에 올바른 소스 조건을 통합하는 것은 소음 발생으로 이어지는 물리적 현상을 나타내므로 매우 중요하다. 일부 시뮬레이션, 특히 직접 방법론(direct methods)을 사용하는 시뮬레이션에서는 와류 방출 또는 경계층 상호 작용과 같은 물리적 프로세스를 나타내는 명시적인 소스를 도입해야 할 수도 있다. 간접 방법에서는 소스 조건이 계산된 유동장에서 파생되는 경우가 많다. 예를 들어, 난류 통계는 RANS(Reynolds Averaged Navier-Stokes) 시뮬레이션에서 추출한 다음 항공 음향학적 유추에서 소스 조건으로 사용할 수 있다. 이러한 소스 용어가 작용하는 위치를 정확하게 정의하는 것이 중요하다. 회전하는 기계와 관련된 시나리오에서는 블레이드에 가까운 영역이 주요 소스 영역으로 지정될 수 있다.   후처리와 최적화 항공 음향 시뮬레이션을 수행하려면 전처리 및 시뮬레이션 단계만큼이나 후처리 및 최적화 단계도 중요하다. 계산이 완료되면 방대한 데이터 세트가 기다리고 있다. 피델리티 찰스는 시뮬레이션 데이터에 숨겨진 의미 있는 정보를 추출하는 데에 도움이 되도록 다음과 같은 후처리 도구를 제공하며, 모두 한 가지 목표를 염두에 두고 설계되었다. Quantitative Imaging : 시뮬레이션에서 직접 정량적 PNG 이미지를 생성한다. Modal Decomposition : 흐름과 음향 필드를 개별 모드로 분해한다. Ffowcs Williams-Hawkings Acoustic Predictions : 원거리 데이터에서 근거리 소음을 예측한다.   그림 1. 효율적인 초음속 비행체(ESAV)의 마하수 윤곽선 플롯   피델리티 찰스는 데이터 분석 기능을 제공할 뿐만 아니라 <그림 1>에 표시된 것처럼 시뮬레이션 데이터에 생명을 불어넣는 플롯, 등고선 지도, 그래픽 표현과 같은 고급 시각화 도구도 제공한다. 등고선 및 표면 플롯을 통해 압력 및 속도 필드에 대한 인사이트를 얻어 흐름 특징과 노이즈 원인을 정확히 파악할 수 있다. 스펙트로그램과 주파수 플롯을 사용하면 공명하는 톤 사운드와 혼란스러운 광대역 노이즈를 구분하는 데에 도움이 될 수 있다. 파티클 추적과 유선형 플롯은 난류 구조, 와류 및 기타 노이즈 생성 현상에 대한 그림을 그리는 또 다른 깊이 있는 레이어를 추가한다. 더 자세히 살펴보면, 특정 작업이나 프로세스를 사용자 지정 및 자동화하고, 변수 및 방정식을 생성하여 음압 레벨(SPL : Sound Pressure Level) 또는 난기류 강도 등 파생된 수치를 계산하여 시각적 인사이트를 정량화하기 위한 파이썬 API(Python API)와 내장 식 평가기를 찾을 수 있다. SPL과 같은 지표는 음향 핫스팟을 강조하며, 전체 음압 레벨(OASPL : Overall Sound Pressure Level)은 지정된 주파수 범위의 총 SPL을 측정한 값이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

오라클이 프로그래밍 언어이자 개발 플랫폼인 자바의 최신 버전인 ‘자바 23(Java 23)’을 출시했다. 자바 23(오라클 JDK 23)은 개발자 생산성을 개선하고 혁신을 추진하기 위한 수천 가지 개선 사항을 제공한다. 또한, 플랫폼 성능, 안정성 및 보안이 향상되어 기업의 비즈니스 성장 가속화를 지원한다. 자바 23은 자바 언어, 런타임, 라이브러리, 자바 개발 키트(JDK)에 포함된 도구 전반에 대한 개선 및 기능 향상을 제공한다. 자바 23은 개발자를 위해 추가된 새로운 개선 사항 및 기능에 더해 기업에도 향상된 가치를 제공한다. 예를 들면, 자바 23은 자바 관리 서비스(JMS) 9.0의 최신 GA에서 지원된다. 오라클 클라우드 인프라스트럭처(OCI) 네이티브 서비스인 JMS 9.0은 통합 콘솔 및 대시보드를 제공하여 온프레미스(사내구축형) 혹은 클라우드 환경에서 자바 런타임 및 애플리케이션을 관리할 수 있다. JMS 9.0은 이외에도 다양한 사용성 개선 사항을 제공하며, 그랄(Graal) 컴파일러가 추가된 오라클 JDK 23는 높은 성능의 미세 조정 및 개선을 위한 더 많은 옵션을 제공한다. 그랄 컴파일러는 바이트코드를 최적화된 머신 코드로 변환해 주는, 자바로 작성된 동적 JIT(Just-In-Time) 컴파일러다.     오라클은 자바 23을 지원하는 하이퍼스케일 클라우드 중 하나인 OCI에 자바 애플리케이션을 배포하면 더욱 향상된 성능과 효율성, 비용 절감 효과 및 혁신을 누릴 수 있다고 설명했다. 자바 23은 오라클 자바 SE(Oracle Java SE), 오라클 그랄VM(Oracle GraalVM), 자바 SE 구독 엔터프라이즈 퍼포먼스 팩(Java SE Subscription Enterprise Performance Pack)을 추가 비용 없이 OCI를 통해 제공하며, 개발자가 더욱 빠르고 매끄럽게 실행되는 애플리케이션을 최적화된 비용 대비 성능으로 구축 및 배포할 수 있도록 지원한다. 오라클 자바 유니버설 SE 구독(Oracle Java Universal SE Subscription) 프로그램에는 전체 자바 포트폴리오에 대한 우선순위 분류 기반 지원, 오라클 그랄VM 사용 권한, 자바 SE 구독 엔터프라이즈 퍼포먼스 팩, JMS의 고급 기능 접근 권한, 기업의 비즈니스 현황을 반영한 업그레이드 유연성 등이 포함된다. 이 서비스는 IT 기업의 복잡성 관리, 보안 위험 완화, 비용 절감에 도움을 준다. 오라클은 최근 개최된 오라클 클라우드월드(Oracle CloudWorld)에서 오라클 코드 어시스트(Oracle Code Assist)가 자바용으로 가장 먼저 최적화될 것이라고 발표했다. 오라클 코드 어시스트는 자바 애플리케이션의 구축을 손쉽게 만들어 주는 AI 코딩 동반 툴이며, OCI에서 실행되는 오라클 코드 어시스트 서비스는 C, C++, 고(Go), 자바스크립트(JavaScript), PL/SQL, 파이썬(Python), 루비(Ruby), 러스트(Rust)에서도 곧 이용할 수 있다. IDC의 아르날 다야라트나(Arnal Dayaratna) 소프트웨어 개발 담당 연구 부사장은 “자바는 점점 더 다양해지는 기업의 최신 애플리케이션 개발 요구를 지원하기 위해 진화를 거듭하고 있다”면서 “신규 릴리스는 개발자가 툴셋을 확장해 생산성을 개선할 수 있도록 지원하며, AI 등 혁신 기술을 활용하는 애플리케이션의 구축 및 제공이 가능하다. 자바는 6개월마다 새로운 혁신 기능을 제공하여 개발 팀이 기업에 의미 있는 기여를 할 수 있도록 지속적으로 돕고 있다”고 전했다. 오라클의 조지 사브(Georges Saab) 자바 플랫폼 부문 수석 부사장 겸 오픈JDK(OpenJDK) 이사회 의장은 “자바 23에 추가된 새로운 기능은 모든 수준의 개발자가 생산성을 높이고, 안전하며 확장 가능한 고성능 애플리케이션을 간단히 개발할 수 있도록 도와준다”면서 “자바 23은 개발자의 애플리케이션 구축 및 제공 속도와 효율성을 높이기 위해 설계된 광범위한 신기능 및 도구들을 통해 개발 팀과 그들이 속한 조직이 혁신을 주도하고 비즈니스 성장을 촉진할 수 있도록 지원한다”고 설명했다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 공간정보 기반 서비스 웹 애플리케이션을 개발하기 위해 장고(Django)와 부트스트랩(Bootstrap)을 사용해 GIS 기반 IoT 데이터 분석 스타일의 대시보드 개발 방법을 간략히 정리하고, 개발 후 서비스하는 방법을 살펴본다.  이를 통해 공간정보 기반 IoT 장비를 하나의 대시보드로 관리하고 분석하는 것이 가능하다. 여기서 공간정보는 GIS, BIM, 3D 점군(point cloud) 데이터와 같이 공간상 좌표로 표현되는 모든 정보를 말한다.    ■ 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. IoT 대시보드 웹 앱   이 글은 개발자가 애용하고 있는 파이썬(Python) 기반의 장고 플랫폼을 사용한다. 부트스트랩은 반응형 웹 사이트를 개발하기 위한 가장 인기 있는 HTML, CSS 및 자바스크립트(JavaScript) 프레임워크이다. 이번 호에서는 다음의 내용을 이해할 수 있다.  부트스트랩 대시보드 UI 라이브러리 사용법 장고 프레임워크의 데이터 모델과 웹 UI 간의 연계 방법 GIS 맵 가시화 및 이벤트 처리 실시간 IoT 데이터에 대한 동적 UI 처리 방법   요구사항 디자인 다음과 같은 목적의 웹 앱 서비스를 가정한다.  GIS 기반 센서 위치 관리 IoT 데이터셋 표현 IoT 장치 관리 IoT 장치 활성화 관리 KPI 표현 계정 관리 기타 메뉴    개발 환경 준비 개발 도구 개발에 필요한 도구는 다음을 사용한다. UI : bootstrap 웹 앱 프레임워크 : DJango GIS : leaflet, Cesium 데이터 소스 : sqlite, spreadsheet, mongodb 구현된 상세 소스코드는 다음을 참고한다. https://github.com/mac999/IoT_simple_dashboard/tree/main   장고 기반 웹 앱 프로젝트 생성 장고는 파이썬으로 작성된 고수준의 웹 프레임워크로, 웹 애플리케이션 개발을 빠르고 쉽게 할 수 있도록 도와준다. 장고는 ‘The web framework for perfectionists with deadlines’라는 슬로건을 가지고 있으며, 많은 기능을 내장하고 있어 개발자가 반복적인 작업을 줄이고 핵심 기능에 집중할 수 있도록 한다. 다음과 같이 명령창을 실행하고, 장고 웹 앱 프로젝트를 생성한다.    python -m venv myenv source myenv/bin/activate  pip install django pandas django-admin startproject iot_dashboard cd iot_dashboard python manage.py startapp dashboard   생성된 프로젝트 폴더 구조는 <그림 2>와 같다.   그림 2   디자인 스타일 고려사항 부트스트랩 레이아웃 표현 부트스트랩은 웹 개발에서 널리 사용되는 프론트엔드 프레임워크로 주로 HTML, CSS, 자바스크립트로 작성되어 있다. 트위터의 개발자에 의해 처음 만들어졌으며, 웹 애플리케이션의 개발 속도를 높이고 반응형 디자인을 쉽게 구현할 수 있도록 도와준다.  부트스랩의 그리드 시스템은 12개 열로 디자인된다. 이는 유연성과 사용 편의성을 제공하기 위한 디자인 결정이다. 반응형 웹사이트를 구축하는 데에 많이 사용된다.  참고로, 12라는 숫자는 많은 약수(1, 2, 3, 4, 6, 12)를 갖고 있어 다양한 열의 조합으로 균등하게 나눌 수 있다. 이를 통해 분수나 번거로운 나머지 없이 다양한 레이아웃을 만들 수 있다. 유연성 : 12개의 열을 사용하면 다양한 화면 크기와 디바이스에 적합한 레이아웃을 쉽게 만들 수 있다. 각 요소가 차지하는 열의 수를 조정하여 대형 데스크톱 화면, 태블릿 및 스마트폰에서 잘 보이는 반응형 디자인을 만들 수 있다. 이해하기 쉬움 : 12개의 열을 기반으로 한 그리드 시스템은 디자이너와 개발자에게 직관적이다. 그리드 내에서 요소가 어떻게 동작할지 시각화하고 계산하기 쉽기 때문에, 일관된 레이아웃을 생성하고 유지하기가 간단하다. 디자인 관행 : 12개의 열을 사용하는 그리드 시스템은 부트스트랩 이전부터 다양한 그래픽 디자인 및 레이아웃 소프트웨어에서 사용되어 왔다.      ■ 자세한 기사 내용은 PDF로 제공됩니다.