HS효성인포메이션시스템이 고객의 데이터 인프라 운영을 간소화하고 신속하고 효율적인 의사결정과 데이터 서비스 제공을 지원하는 통합 관리 소프트웨어 설루션 ‘VSP(Virtual Storage Platform) 360’을 출시했다. VSP 360은 블록, 파일, 오브젝트, 소프트웨어 정의 스토리지를 모두 지원하며 다양한 스토리지 관리 도구를 하나의 플랫폼으로 통합해 운영 효율성을 높였다. 이에 따라 스토리지 전문 인력이 부족한 환경에서 하이브리드 클라우드를 보다 효과적으로 제어할 수 있다. AIOps(AI Operations) 기반 예측 인사이트를 제공하고 데이터 수명주기 전반에 걸친 거버넌스를 간소화한다.     오늘날 기업은 여러 종류의 스토리지 시스템, 분산된 데이터 사일로, 복잡한 애플리케이션 워크로드의 방대한 데이터를 관리하는 데 어려움을 겪고 있다. 이와 동시에 제한된 IT 인력, 각종 규제, 사이버 복원력 확보, AI 대응 등 복합적인 요구까지 맞물리며 부담이 가중되고 있다. 최근 설문조사에 따르면, AI 도입으로 기업의 데이터 저장 수요가 급격히 늘어 2026년까지 데이터 양이 122% 증가할 것으로 예상된다. 많은 IT 리더가 데이터 인프라가 충분치 않은 상황에서 AI를 도입해야 하는 상황이며, 투자 비용 회수를 위해 여러 실험적 접근을 시도하고 있다. VSP 360은 엔터프라이즈 스토리지 전반에 걸쳐 데이터 관리 도구를 통합하고 스토리지 용량 사용률과 시스템 전반의 상태 등 주요 성능 지표를 모니터링함으로써 최적의 성능과 효율적인 리소스 관리를 지원한다. AIOps 기반 관찰가능성(Observability) 기능을 통해 데이터 사일로를 제거하고 인프라 전반에 대한 엔드 투 엔드 가시성을 강화한다. 또한 각 기업의 비즈니스 요구에 맞춘 VSP One 데이터 서비스 배포를 간소화한다. VSP 360의 핵심 기능은 제어 ▲관찰 ▲거버넌스 세 가지 축을 중심으로 설계됐다. 블록, 파일, 오브젝트, 소프트웨어 정의 스토리지 전반에서 하이브리드 클라우드 인프라를 통합적으로 조율하고 운영함으로써 클라우드 및 온프레미스 환경의 데이터를 빠르고 효율적으로 배포∙관리할 수 있다. SaaS, 모바일, 온프레미스 등 다양한 방식으로 접근 가능한 AIOps 분석을 통해 엔터프라이즈 데이터 환경의 가시성과 함께 시스템 성능, 용량, 상태, 보안 및 지속가능성을 위한 에너지 사용량과 탄소배출 현황에 대한 지능형 관찰가능성을 제공한다. 데이터 정책 적용, 규제 준수, 수명 주기 관리 기능도 한층 강화됐다. VSP 360은 AI, 사이버 보안, 개인 식별 정보(PII) 분류 등 포괄적 워크로드를 지원하고 하이브리드 환경에서 강력한 거버넌스 체계를 구현한다. IaC(Infrastructure as Code) 기능은 인프라 전반의 관리 단순화와 통합을 지원하기 위해 사전 검증된 앤서블 모듈 및 쿠버네티스 오케스트레이션, 표준화된 API를 지원한다. VSP 360의 이러한 핵심 기능을 통해 기업은 복잡해지는 데이터 환경에서도 운영 부담을 줄이고 제한된 자원으로 데이터 관리를 효율적으로 실현할 수 있다. 여기에 VSP One의 100% 데이터 가용성 보장을 기반으로 안전하고 안정적인 데이터 관리 운영 환경을 구축하며, 성능과 지속가능성에 대한 보증으로 높은 신뢰성을 제공한다. HS효성인포메이션시스템의 양정규 대표는 “VSP 360은 오늘날 기업이 필요로 하는 요건을 완벽하게 충족하는 설루션으로, 스토리지 수명 주기 전반에 걸쳐 기업의 핵심 자산을 안정적으로 보장한다”며, “HS효성인포메이션시스템은 데이터 중심 시대에 요구되는 뛰어난 기술력, 민첩성, 안정성을 바탕으로 효율적인 비즈니스 운영을 지원할 것”이라고 밝혔다.

로크웰 오토메이션이 제약 및 바이오제약 산업을 위한 차세대 제조 실행 시스템(MES) 설루션인 ‘팩토리토크 파마스위트(FactoryTalk PharmaSuite 12.00)’을 출시했다고 밝혔다. 이 설루션은 엄격한 규제가 요구되는 생명과학 분야의 특수한 필요를 충족하고, 제조업체가 시스템을 보다 민첩하고 확장 가능하게 운영할 수 있도록 설계됐다. 현재 제약 및 바이오제약 업계는 디지털화를 통해 규정 준수를 유지하면서도 신속한 시장 대응과 유연한 생산 체계 확보를 요구받고 있다. 이에 대해 업계 협의체인 바이오포럼(BioPhorum)은 기존 MES 시스템의 도입 난이도, 유연성 부족, 높은 비용 등의 문제를 지적한 바 있다. 로크웰 오토메이션은 “이러한 업계의 도전과제에 대한 실질적 해답으로 파마스위트 12.00을 선보이며, 규제 환경에 최적화된 디지털 제조 플랫폼의 새로운 표준을 제시했다”고 전했다. 파마스위트 12.00의 주요 기능으로는 ▲클라우드 기반 배포 ▲설정 자동화 툴(MICKA) ▲모듈형 설계 ▲중앙 집중형 모니터링 툴 ▲강화된 사이버보안 ▲향상된 업그레이드 엔진이 있다. 이 설루션은 모듈형 아키텍처 기반으로 클라우드, 온프레미스, 하이브리드 등 다양한 환경에서 유연하게 배포할 수 있어, 운영 효율성과 글로벌 확장성을 동시에 확보할 수 있다는 것이 로크웰 오토메이션의 설명이다. 또한, 새로운 설정 자동화 툴과 강화된 사이버보안 프레임워크는 검증 비용 및 시간을 절감하고, 엄격한 규정 준수와 데이터 무결성 요구사항을 충족하는 데 기여할 수 있다.     파마스위트 12.00의 클라우드 기반 배포는 리눅스 모듈을 통해 쿠버네티스(Kubernetes) 환경을 지원함으로써, 보다 빠르고 안정적인 시스템 설치 및 유지 관리를 가능하게 한다. 이를 통해 제조업체는 복잡한 시스템 셋업에 대한 부담을 줄이고 배포 속도를 가속화할 수 있다. 새롭게 도입된 설정 자동화 툴인 MICKA는 설치 및 검증 과정을 자동화하여 반복적이고 수작업이 필요한 작업을 최소화하여 규제 환경에서 운영의 효율을 높인다. 여기에 더해, 모듈형 설계를 적용함으로써 다양한 생산 환경에 유연하게 대응할 수 있으며, 시스템의 표준화를 통해 글로벌 확장 및 관리가 용이하다. 또한, 중앙 집중형 모니터링 기능은 문제를 조기에 감지하고 신속한 대응을 가능하게 해 운영 중단 리스크를 최소화하며, 생산 품질 유지에 기여한다. 이와 함께, 산업 표준에 기반한 보안 개발 프로세스를 적용해 데이터 무결성과 규정 준수를 강화했으며, 향상된 업그레이드 엔진을 통해 최신 기능과 보안 패치를 간편하게 적용할 수 있어 시스템을 지속적으로 최적화할 수 있다. 로크웰 오토메이션의 마틴 페트릭(Martin Petrick) MES 부문 비즈니스 관리자는 “파마스위트 12.00은 생명과학 제조업체가 디지털 제조 환경을 구축함에 있어 성능과 보안, 규정 준수, 확장성 측면에서 새로운 기준을 제시하는 설루션”이라며, “클라우드를 포함한 다양한 배포 옵션을 통해 제조업체는 더욱 빠르고 유연하게 운영을 확장하고, 글로벌 출시 및 검증 절차를 간소화할 수 있다”고 전했다.

산업데이터 스페이스와 제조업의 미래   우리나라가 새로운 성장동력을 만들기 위해서는 산업데이터에 주목할 필요가 있다. 우리나라의 산업데이터 활용 잠재력은 매우 크다. 국내에는 이미 다양한 산업분야의 데이터 플랫폼이 구축되어 운영 중이다. 산업데이터의 잠재력을 성장 동력으로 연결하려면 공공기관과 기업 내부에 쌓여 있는 방대한 데이터를 끄집어내고 기관 간에 데이터의 공유와 연계를 이루는 데이터인프라 구축이 무엇보다 필요하다.    (이미지 출처 : 123RF) 기업은 물론 한 국가의 산업경쟁력도 디지털 전환(DX)을 빼놓고는 얘기할 수 없는 시대가 되었다. 디지털 전환은 인공지능, 사물인터넷(IoT), 클라우드 등 디지털 기술을 모든 사업영역에 적용함으로써 조직문화, 비즈니스 모델과 프로세스 등에 근본적인 변화를 일으켜서 새로운 가치를 만들어내는 것을 의미한다. 디지털 전환을 통해 재화나 서비스의 생산부터 소비에 이르는 일련의 경제활동들이 지능화되고 효율화되고 있다.  보스톤 컨설팅 그룹(Boston Consulting Group)의 연구조사에 따르면 디지털 선도기업들은 디지털 후발기업들에 비해 수익성장률(earnings growth)이 1.8배 더 높고 총 기업가치(total enterprise value) 성장률은 2배 이상이라고 한다. 또한, 세계적 시장조사기관인 Statista에 따르면 전세계 디지털전환기업의 생산액은 2018년 13.5조 달러에서 2023년 53.3조 달러로 증가하면서 전세계 GDP의 절반을 넘어섰다. 한편, 디지털기업은 글로벌 시장을 주도하고 있다. 지난 2008년 전세계 시가총액 10대 기업의 절반은 CNPC, 엑손모빌 등과 같은 에너지기업이었으나 지금은 애플, 마이크로소프트, 아마존, 알파벳(구글), 테슬라, 엔비디아, 메타(페이스북) 등 7개의 디지털기업이 그 자리를 차지하고 있다.  데이터의 90%는 산업데이터이나 60∼80%가 활용되지 못하고 사장 디지털 전환의 중심에는 데이터가 자리잡고 있다. 디지털기술을 적용하여 분산된 데이터를 가치 있게 변환시키는 것이 디지털 전환의 핵심이기 때문이다. 기업내부에 쌓여 있는 경험과 노하우를 데이터화하고 이러한 데이터를 분석하면 비즈니스를 효율적으로 운영하거나 새로운 비즈니스를 만들어낼 수 있다. 구글, 페이스북, 아마존 등은 방대한 데이터를 모을 수 있는 고유 플랫폼을 보유하고 있다. 이들은 플랫폼 이용자들의 거래방식, 소비패턴 등의 데이터를 인공지능으로 분석하여 고객의 요구를 확인하거나 새로운 비즈니스기회를 찾아가며 물류, 금융, 헬스케어, 클라우딩 등으로 사업영역을 확장해왔다. 데이터는 크게 개인정보데이터와 산업데이터로 구분해볼 수 있다. 개인정보데이터는 개인의 취향, 동선, 사회관계, 소비행동 등으로 검색, SNS, 간편지불 등의 과정에서 생성된다.  GAFA(Google, Amazon, Facebook, Apple)는 개인정보 데이터를 활용하여 오늘날 시가총액 기준 글로벌 10대 기업으로 성장할 수 있었다. 한편, 산업데이터는 제품개발, 생산, 유통, 소비 등 산업활동 전과정에서 생성되며 전체 데이터의 90%를 차지하고 있다.  산업데이터는 연구개발(R&D)에서 생산, 유통‧마케팅에 이르는 모든 밸류체인에서 생산성과 부가가치를 높이고, 새로운 제품과 서비스를 창출하며, 더 나아가 새로운 산업을 만드는 데 활용될 수 있다. 그러나 아직까지 세계적으로 산업데이터는 활용도가 높지 않으며 산업데이터 분야에 GAFA와 같은 지배적 사업자도 나타나고 있지 않다.  시장조사기관인 forrester research에 따르면 기업내 축적된 데이터중 60∼73%는 사용되지 않고 있다고 한다. EU 집행위원회도 산업데이터의 80%가 전혀 사용되고 있지 않다고 한다. 산업 데이터가 기업의 영업비밀을 포함하고 있는 데다, 각 기업 간의 데이터 형식과 호환성이 없어 데이터를 공유하고 협력하는 데 어려움이 있기 때문이다. 그러나 한편으로 보면 그 만큼 성장잠재력은 크다. 2022년 EU 집행위원회에 따르면 데이터법(Data Act)으로 산업데이터 활용이 제도적으로 보완되면 2028년까지 2,700억 유로(407조원)의 추가 GDP 창출을 기대할 수 있다고 한다.  미국과 중국이 세계 데이터 과점, EU와 일본은 산업데이터에 주력 현재 세계 데이터시장은 개인정보를 중심으로 GAFA가 장악해가고 있다. 미국 정부는 GAFA 등 플랫폼기업이 글로벌 시장에서 데이터를 지속적으로 수집하고 활용할 수 있도록 디지털 통상(Digital Trade)에 발 벗고 나서고 있다.  2017년 미무역대표부(USTR)가 매년 발간하는 국별 무역장벽보고서에 별도의 디지털무역장벽분야가 새롭게 만들어진다. 2018년 11월 체결된 미국·멕시코·캐나다협정(USMCA)에는 처음으로 디지털통상 챕터가 신설되고 데이터이전 자유화, 데이터지역화 금지, 소스코드 공개금지 등의 규범이 담긴다. 2019년 10월에는 최초의 독자적인 국제조약이면서 USMCA보다 더욱 개방된 모습으로 미일간 디지털통상협정(USJDTA)이 체결되었다. 한편, 2019년부터 시작된 WTO 디지털통상협상 과정에서 미국은 모든 서비스에서 데이터이동 자유화를 강력하게 주장하고 있다.  세계의 공장이자 14억 인구를 가진 중국에서는 전세계 데이터의 1/4 이상이 생성되고 있으며 알리바바, 텐센트, 바이두 등이 중국내 데이터시장을 주도해 가고 있다. 중국 정부는 2019년 데이터를 토지, 노동, 자본, 기술과 함께 새로운 국가 생산요소로 규정하고 데이터 활용에 적극적으로 개입하고 있다. 지난 2023년 10월에는 데이터의 유통과 개인정보, 보안 등을 위해 국가데이터국을 설치하여 데이터 통제를 강화한 바 있다. 여기에 네트워크안전법, 개인정보보호법, 데이터안전법 등 법률을 제정하여 자국내 데이터의 해외반출을 엄격하게 규제하고 있다. EU는 미중 IT기업의 데이터 과점에 대응하고 산업의 경쟁력을 확보하기 위한 데이터정책에 집중한다. 특히, 아마존, 구글 등 거대 미국 클라우드 기업으로부터 자신들의 기술 노하우를 지키고 자율성을 확보하는 것을 목표로 삼는다. 이를 위해, EU는 2020년 EU 데이터전략을 발표하고 여기서 유럽 공통 데이터 스페이스(European Common Data Spaces)를 제시한다. 데이터 스페이스는 데이터들이 원래 있던 곳에 있으면서 필요할 때마다 공유될 수 있도록 하는 공간을 의미한다. 구체적으로 가이아-X, 카테나-X, 매뉴팩처링-X 프로젝트 등이 추진되고 있다. 가이아-X는 각 산업 분야를 연결하는 가장 포괄적인 데이터 스페이스이고, 카테나-X는 가이아-X 중 자동차산업의 공급망간에 데이터를 교환·공유함으로써 경쟁력을 높이는데 목표를 두고 있다. 일본은 세계 최고수준 로봇, 센서를 바탕으로 공장자동화 등의 제조현장에서 데이터를 충분히 확보하고 있다. 이에 애플이나 구글 등 미국 디지털기업의 개인정보데이터에는 못 따라가지만, 강력한 제조업을 기반으로 한 산업데이터 경쟁력을 키우기 위해 역량을 집중하고 있다. 2016년 관민 데이터활용 기본법, 2017년 데이터 거래규정, 2018년 생산성향상 특별조치법 등의 제정을 추진하였으며, 지난해 4월 우라노스 에코시스템(Ouranos Ecosystem)을 출범시켜 산업계 전반에 데이터공유와 연계를 꾀하고 있다.  산업데이터의 공유와 활용을 늘리기 위한 인프라 구축 나서야 우리나라는 세계가 주목하는 경제성장을 이룩했다. 1960∼1980년대 정부주도로 철강, 석유화학 등의 산업을 육성하고 1990∼2000년대 세계화와 중국성장을 수출 확대로 연결시켰다. 그러나 최근 대외적 여건을 보면 산업의 성장엔진은 식어가고 수년 내 수출 절벽이 현실화될 수도 있어 우려스럽다. 외적으로는 미중 패권경쟁 격화, 선진국의 산업정책 부활, 보호무역 확산 등으로 글로벌가치사슬(GVC)이 급속하게 파편화, 블럭화되면서 우리의 미래 먹거리와 수출시장을 위협하고 있다. 중국은 첨단산업에서 자급률을 높이고 있고, 미국, 일본, EU 등 선진국들도 반도체, 배터리 등 첨단산업 육성에 열을 올리면서 우리산업이 설자리를 점점 좁혀오고 있다. 대내적으로도 활로가 보이지 않는다. 지난 20년간 주력 수출품목의 변화가 없는 등 산업 역동성이 사라지고 있다. OECD 최하위 출산율과 고령화로 생산가능인구가 줄어드는 가운데, 학생들은 공대를 포기하고 의대로 진로를 바꾸고 있다. 심각한 데이터 규제로 인공지능, 메타버스와 같은 미래 새로운 산업의 발전 기반도 취약한 상태다. 국제경영개발원(IMD)에 따르면 우리나라 기업의 빅데이터 활용순위는 26위로 한참 뒤져 있다. 새로운 성장동력을 만들기 위해서는 산업데이터에 주목할 필요가 있다. 우리나라의 산업데이터 활용 잠재력은 매우 크다. 반도체‧조선 세계 1위, 석유화학‧철강‧로봇 세계 5위, 자동차 세계 7위의 세계적인 제조기반에 5G 등 세계 최고 수준의 ICT 인프라를 보유하고 있어 디지털 기술을 제조업에 접목하기가 수월하다. 연구개발-조달-생산-유통-소비에 이르는 가치사슬(Value chain) 전반에 디지털 전환(DX)을 확산시키면 디지털 제조강국으로 도약할 수 있다.  한편, 우리나라 의료기술과 정보 또한 세계 최고 수준이다. 데이터, 개인정보에 대한 과감한 규제완화가 이루어진다면 원격의료, 디지털 헬스케어 분야에서 제2의 반도체신화를 기대해 볼 수도 있다. 여기에 세계 최고 수준의 ICT 인프라에 혁신역량을 집중한다면 스마트제조, 스마트팜과 같은 새로운 혁신서비스가 수출의 중심이 될 수도 있을 것이다.   국내에는 이미 다양한 산업분야의 데이터 플랫폼이 구축되어 운영 중이다 그러나 플랫폼 참여자는 개인정보, 영업비밀 보호 등 데이터 공유나 거래시 발생할 수 있는 위험부담으로 양질의 데이터 제공에 소극적일 뿐 아니라 표준화, 상호운용성 등 데이터 공유·활용을 위한 토대도 부족한 실정하다. 데이터는 크기가 클수록 그리고 서로 다른 데이터가 융합될수록 더욱 큰 가치를 창출하는 네트워크 효과가 있다. 산업데이터의 잠재력을 성장 동력으로 연결하려면 공공기관과 기업 내부에 쌓여 있는 방대한 데이터를 끄집어내고 기관 간에 데이터의 공유와 연계를 이루는 데이터인프라 구축이 무엇보다 필요하다. 그리고 구축된 인프라가 제대로 작동하기 위해서는 수익을 창출하고 창출된 수익이 모든 참여자에게 돌아갈 수 있고 참여자들이 안전하게 데이터를 공유·거래할 수 있으며 개방적이고 투명한 표준방식으로 데이터가 연계될 수 있어야 할 것이다. 미국과 중국이 거대 플랫폼 기업을 앞세워 세계 데이터 시장을 장악하고 있다. EU는 2014년부터 산업데이터를 중심으로 공유와 연계 플랫폼 구축에 나서고 있으며 일본이 그 뒤를 잇고 있다. 우리나라는 2022년 산업디지털전환촉진법이 제정되고서야 산업데이터 활용기반 구축이 본격화된다. 이 법에 따라 지난 2023년 1월 제1차 산업디지털전환 종합계획이 수립되었고 산업전반에 인공지능(AI)을 내재화시키는 프로젝트가 진행되고 있다. 그러나 다른 나라들에 비해 많이 뒤져 있다. 산업데이터의 공유·활용을 위한 프로젝트를 서둘러야 할 것이다. 이를 통해 대한민국의 산업이 한층 더 도약하고, GAFA를 뛰어 넘는 산업데이터 거인이 우리나라에서 탄생할 수 있기를 기대해 본다.   김용래 교수 경희대학교 첨단기술비즈니스학과 전 특허정장  

제21회 PLM/DX 베스트 프랙티스 컨퍼런스 2025에 초대합니다! 제조, 엔지니어링 분야의 디지털 전환(DX)이 가속화되는 시점에서 4차 산업혁명의 중심에 있는 스마트공장, 산업IoT, 인더스트리 4.0, 디지털 트윈, 디지털 트랜스포메이션, 인공지능(AI) 등을 기반으로 한 PLM과 제조를 융합하고자 하는 시도가 계속되고 있습니다.  이번 컨퍼런스는 규모를 확대하여 기존 트랙외에 SDM(MES/MOM) 트랙을 추가하고, 최신 PLM, DX, MES, AI, AX 관련 기술 트렌드와 업계 현황, 성공사례 등이 발표될 예정입니다.  2년 만에 오프라인으로 찾아온 이번 컨퍼런스는 온오프 격년제로 치러질 예정입니다. 네트워킹의 기회 놓치지 마세요!!     아래 내용이 보이지 않으면 여기를 클릭하세요!     PLM/DX 베스트 프랙티스 컨퍼런스 2025 아젠다  주제 : 제조의 미래를 위한 PLM 혁신과 AX 전략 [개회사] 한국산업지능화협회 PLM 기술위원회 서효원 위원장(카이스트 명예교수)          [격려사] 한국CDE학회 정현 회장(충남대학교 교수)         [기조연설] 제조 산업의 미래, 산업AI 트렌드와 과제 / 가천대학교 조영임 교수          [기조연설] 조선업의 미래를 위한 차세대 설계/생산 통합 플랫폼 / HD현대 이태진 전무         [기조연설] AI 혁신을 기회로! 제조 경쟁력을 높이는 통합형 PLM 전략 / SAP코리아 고건 파트너(Solution Advisor)         Track A - 베스트 프랙티스 PLM 기반 Single BOM 구현을 통한 자동차 산업의 디지털 전환 가속화 / GM TCK 김성진 부장     디지털 자산 수명주기의 혁신: AVEVA와 Aras 기반의 통합 ALM 전략 / 아비바코리아 조영찬 프로 디지털 트윈과 AI 기반 디지털 스레드: 스마트 제조의 미래 / 지멘스 퍼시스그룹의 DX 전략 / 퍼시스홀딩스 정연석 팀장 AI 기반 차세대 Intelligent PLM 전략 / PTC 코리아 이봉기 상무 AI 자율 제조를 위한 로봇 기술 동향과 사이버물리 시스템 적용 사례 /  카이스트 윤희택 교수 Track B - 트렌드/신기술/솔루션 Generative Experience와 AI 기반 PLM 혁신: 제품 개발과 제조의 새로운 미래 / 다쏘시스템코리아 김병균 파트너 NVIDIA Omniverse만 가능한 디지털트윈의 비즈니스 실현 / 씨이랩 김건우 매니저 성공적인 PDM 라인 구축의 열쇠 '3D-SUITE' / 아이지피넷 윤정두 차장 Fast Forward : 디지털 전환과 제품 개발 / 세원에스텍 윤중근 이사  현장이 원하는 디지털 트윈: 최소 인프라, 최대 효과를 위한 접근법 / 팀솔루션 김지인 대표 제조 영역에서의 로우코드 및 AI 기반 개발 방식의 변화 / 한화시스템 박성수 팀장 Track C - SDM(MES/MOM) [기조연설] 미래제조 패러다임 전환, SDM 기반 자율제조 생산 체계 도입 / 인더스트리4.0협회 박한구 명예회장(스마트M&F그룹 대표) MES 도입과 진화 : 글로벌 트렌드와 국내 적용 전략 / 다쏘시스템코리아 장희준 파트너 자동차 부품 산업의 디지털 혁신을 위한 AI 기반 DX 플랫폼 개발 사례 / 에스에이치아이엔티 이종수 부장 Software-Defined Automation(소프트웨어 정의 자동화) / 슈나이더일렉트릭 김건 매니저 AI-DX-FOMs 기반 현장/실무 중심의 스마트팩토리 전략 : MES 연동부터 AI 챗봇, 자율 제조까지 / 호서대학교 김수영 교수(센터장) [기조연설] SDM 구현을 위한 생산자원 제조 데이터 표준화 / 첨단제조표준화포럼 차석근 운영위원장   #PLM #DX #AX #산업AI #디지털트윈 #AI자율제조 #CAD_CAM_CAE #스마트제조 #스마트팩토리 #SDM #MES #MOM #XR #베스트프랙티스 #제조IT #엔지니어링IT #ESG #생성형AI #SDV #ALM #모빌리티 #AI에이젠틱 #피지컬AI #클라우드 #가상화

주요 디지털 트윈 소프트웨어   제조기업 디지털 트윈기반 협업 플랫폼, CP(Collaboration Platform)    개발 및 자료 제공 : 디엑스티, contact@dxt.co.kr, https://dxt.co.kr, www.youtube.com/@DXTKoreaInc   클라우드 기반 솔루션 기업인 디엑스티(DXT)는 제조 및 엔지니어링 기업들이 디지털 트윈(Digital Twin) 개념을 기반으로 실험 데이터와 품질 관리 데이터, 엔지니어링 업무 데이터의 통합적 협업 및 관리를 가능하게 하는 클라우드 기반 협업 솔루션, CP(Collaboration Portal)를 제공한다. CP는 엔지니어링 업무, 품질 관리, 연구 및 실험 데이터를 통합적으로 관리하고 축적하여 향후 디지털 트윈(Digital Twin) 환경에서 정확한 가상 검증과 데이터 기반 예측을 수행할 수 있는 기반을 마련한다. 1. 주요 특징 CP는 엔지니어링 업무(CP Eng'r Work), 품질 관리(CP Quality), 연구 및 실험 관리(CP Experiment) 기능을 통합하여 기업이 다양한 업무 프로세스를 하나의 플랫폼에서 효율적으로 관리할 수 있도록 지원한다.  또한 기업의 기준 정보 관리를 통해 데이터 일관성을 유지하고, 업무에 필수적인 워크플로우를 맞춤형으로 제공하여 효율성을 극대화한다. 또한 '협업'을 중심으로 한 업무 프로세스를 설계하고 관리할 수 있는 유연한 협업 플랫폼으로서, 기업의 다양한 비즈니스 환경에 최적화된 협업 체계를 구축할 수 있도록 지원한다. CP는 프로젝트 기반으로 내·외부 협업을 위한 데이터 및 문서 관리 기능을 지원하고, 솔루션 단독으로 사용 가능한 경우와 기 개발된 다양한 Enterprise Legacy 시스템 (PLM, QMS, MES, ERP)과 연동하는 경우 모두를 지원하는 유연한 환경을 제공한다. 2. 주요 기능 (1) CP(Collaboration Platform) 클라우드 기반 협업 및 프로젝트 관리 솔루션으로 제조기업에서 진행되는 협업관련 업무를 명확하고 실행 근거를 확보하면서 진행 할 수 있는 협업 환경을 제공한다. (예: 협업 File 관리, 문의/답변, 협업 기반의 권한 관리 등) CP는 협업 중심의 프로젝트 관리 기능을 통해 내·외부 이해관계자들이 실시간으로 데이터를 공유하며 업무 진행을 관리할 수 있도록 한다 (2) CP Eng'r Work 효율적인 엔지니어링 업무 진행하기 위한 기능을 제공 한다. (예: 업무의뢰 /답변, 도면 배포의뢰/배포, 원격 시스템 연동 등) CP Eng'r Work는 엔지니어링 업무의 정의, 할당, 진행률 추적, 실시간 협업을 지원 하여 엔지니어링 업무의 효율성을 극대화한다. (3) CP Quality 부품 승인원 관리, 수입/출고 검사 및 부적합 관리 기능을 제공한다.  CP Quality는 품질 데이터를 표준화하고 중복 없이 관리하고, 검사 실행 데이터 연계를 통한 부적합 처리를 진행한다. 특히, 고객의 고유한 비즈니스 프로세스에 따라 최적의 업무 워크플로우를 맞춤형으로 설계하고 제공할 수 있다. (4) CP Experiment 연구 및 실험 데이터 관리, AI 기반 데이터 분석 및 최적화 솔루션 연계를 지원한다. CP Experiment는 실험 과제 생성 및 과제별 세부 실험 관리, 기본 실험 조건 표준화 및 데이터베이스 관리 기능을 제공한다. 또한 사용자가 입력한 실험 데이터를 분석 및 시각화하여 연구자들이 손쉽게 결과를 해석하고 전략적 결정을 내릴 수 있도록 지원한다. 보고서 자동 생성 기능과 외부 파일 연계 기능을 제공하여 연구 업무의 효율성을 극대화하며, 연구자들이 입력한 데이터를 지속적으로 활용하여 기업 내 지식으로 축적할 수 있는 환경을 제공한다.  3. 도입 효과 ■ 데이터 기반의 협업 환경을 구축하여 기업 내 실시간 데이터 공유 및 협업 강화, 품질 및 연구 데이터의 효율적 축적, 데이터 분석과 예측 기반의 전략적 의사결정을 실현함으로써 향후 디지털 트윈을 통한 정밀한 가상 검증과 예측 능력을 확보한다. ■ 업무 생산성 향상, 업무 프로세스 자동화, 프로젝트 진행의 투명성 확보, 협력사 및 내부 부서 간 효율적인 실시간 협업 가능, 데이터 기반 의사결정 및 AI 기반 업무 최적화를 통해 기업의 연구개발 및 제조 경쟁력을 강화한다. ■ 부품 및 품질 데이터 관리 효율성 증가, 검사 기준의 일관성 유지, 품질 데이터의 체계적인 축적을 통해 향후 AI 기반 품질 분석 및 예측 활용 가능성 확보, 고객 맞춤형 업무 프로세스 제공을 통한 품질 업무의 신속한 대응과 효율성 극대화를 실현한다. ■ 실험 데이터 관리의 효율성 향상, 연구 프로세스의 투명성 및 신뢰성 강화, 데이터 기반의 의사결정 지원, 체계적으로 축적된 데이터를 활용한 향후 AI 기반의 연구 최적화 가능성을 확보하여 연구 및 실험 업무의 생산성과 정확성을 극대화한다.  4. 주요 고객 국내와 반도체, 자동차, 바이오 산업의 제조 기업들과 제품 개발 End-to-End 프로세스 상에서 연구개발(R&D) 업무, 엔지니어링 업무, 협력사 협업 업무를 진행 하면서 발생하는 데이터를 체계적으로 관리하고, AI 기반 학습이 가능한 정보 구조체를 생성하는 프로젝트를 진행중이다.     상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

디지털 트윈과 산업용 메타버스 트렌드   데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다.  디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.   ▲ 철도 네트워크의 디지털 트윈 구축하는 독일 디지털 철도(이미지 출처 : 엔비디아)   1. 디지털 전환과 디지털 트윈 디지털 전환(Digital Transformation: DX)은 비즈니스 전 과정에 ICT 기술을 도입하여 전사적 업무, 생산 기술, 제품 등을 디지털화 한 후 이를 기반으로 가상 실험이 가능한 디지털 환경을 구축하는 것이다.  디지털 전환의 궁극적 목적은 기업 이윤 극대화에 필요한 업부/생산 효율성 및 제품 부가 가치 증대를 위한 다양한 창의적 대안들을 가상 실험을 통해 평가한 후 그 결과를 비즈니스 전 과정에 활용하는 것이다. 예를 들어, 스마트 팩토리의 디지털 전환은 조달 시스템, 생산 시스템, 물류 시스템 등 스마트 팩토리 구성요소들의 자원 할당 및 운용에 대한 다양한 대안들을 가상 실험을 통해 평가할 수 있는 환경을 구축하여야 한다. 그렇다면, 비즈니스 전 과정을 가상 실험하기 위해서는 무엇이 필요할까?  가상 실험을 하기 위해서는 먼저 가상 실험 대상(예: 제조 공장)을 선정하고, 다음으로, 가상 실험 시나리오(예:새로운 제조 장비 도입)가 필요하며 시나리오를 수행할 모델(예: 제조 공정 시뮬레이션 모델)이 필요하다. 이러한 가상 실험을 위한 모델이 디지털 트윈이며 이런 이유로 많은 사람들이 디지털 트윈을 DX의 Key(Richard Marchall, 2017), DX의 Enablers(Reterto Saracco, 2019), DX의 Central(Vijay Ragjumathan, 2019), DX의 Steppingstone(Harry Forbes, 2020), DX의 Pillar(Fransesco Belloni, 2020)라고 지적하였다.   2. 디지털 트윈의 정의 디지털 트윈은 물리적 자산, 프로세스 및 시스템에 대한 복제본으로 정의[Wiki 사전]되며, 복제본이란 대상 체계의 운용 데이터, 지형/공간/형상 정보 및 동작/운용 법(규)칙을 컴퓨터 속에 디지털화 해 놓은 것을 의미한다. 예를 들면, 제조 공장의 디지털 트윈은 제조 공장의 운용 데이터, 제조 공장의 공간/형상 정보, 그리고 제조 장비 동작 및 공정 모델이 컴퓨터 속에 복제된 것이 될 것이다. 디지털 트윈과 대상 체계가 쌍둥이기 때문에 쌍둥이 중 누가 먼저 태어났느냐에 따라 디지털 트윈의 이름을 다르게 붙이기도 한다. 대상 체계가 존재하기 전에 만들어진 디지털 트윈을 디지털 트윈 프로토타입(Prototype) 그리고 대상 체계가 만들어진 후 복제된 디지털 트윈을 디지털 트윈 인스턴스(Instance)라고 부른다. 디지털 트윈 프로토타입은 대상 체계 설계 단계에서 활용되며 디지털 트윈 인스턴스는 대상 체계의 운용 분석에 활용되는 것이 일반적이다. 디지털 트윈 인스턴스(실 체계의 복제본)와 디지털 트윈 프로토타입(실 체계의 설계 모델)이 모두 존재할 수도 있지만 디지털 트윈 프로토타입 없이 디지털 트윈 인스턴스만 존재할 수도 있다. 디지털 트윈 프로토타입과 인스턴스가 모두 존재한다면 인스턴스는 프로토타입에 실 체계 운용 정보가 반영되어 진화(성장)된 트윈으로 볼 수 있다. 3. 디지털 트윈 구축 목적 디지털 트윈의 구축 목적은 대상 실 체계와 디지털 트윈을 연동 운용함으로써 실 체계 관련 이해 당사자에게 지혜 수준의 혁신적 서비스를 제공할 수 있는 핵심 도구/수단으로 활용하기 위함이다. 데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다. 융합 빅 데이터는 AI-통계/공학 분석도구들을 이용하여 실 세계의 구성요소인 자산, 사람, 운용 프로세스들의 다양한 결합에 대한 분석/예측 및 체계 운용 최적 대안(최적화)을 찾는데 활용될 수 있다. 아울러, 융합 빅 데이터는 실 세계를 가상 환경에서 현실감 있게 표출할 수 있는 다양한 장비/장치와 VR/AR/XR/메타버스 관련 ICT 기술과의 융합 인터페이스를 통해 오락, 관광, 교육 훈련, 체험 등에 활용될 수 있다.     디지털 트윈의 복제 대상은 실 체계의 운용 데이터, 공간/형상 정보 및 실 체계에 포함된 객체들의 행위 모델 등 3가지이다. 운용 데이터는 실 체계에 설치된 IoT 장비로부터 획득이 가능하다. 공간/형상 정보는 서비스 목적에 따라 GIS, BIM 혹은 3D CAD 중 한 가지 이상을 결합하여 사용한다. 객체 행위 모델은 다양한 시나리오를 가상 실험하기 위한 시뮬레이션 모델을 사용하지만 서비스 목적에 따라서는 운용 데이터를 학습한 데이터 모델을 사용할 수도 있다. 구성요소 중 일부만을 사용한 디지털 트윈은 나머지 구성요소를 사용하지 않음으로 인한 한계점에 봉착하게 된다. 예를 들면, 실 체계 운용 데이터 복제만으로 구성된 IoT 기반 디지털 트윈은 수집된 데이터를 분석할 수는 있지만, 실 체계를 시각화한 지형/공간 상에 데이터를 표출할 수 없을 뿐만 아니라 실 체계와는 다른 가상 데이터를 입력한 시뮬레이션을 수행할 수 없다. 마찬가지로, 지형/공간 정보 만으로 구성된 디지털 트윈은 실 체계에서 일어나는 지형/공간 정보의 변화를 실 시간으로 반영할 수 없으며 시뮬레이션을 통한 실 체계의 현상 분석 및 미래 예측이 불가능 하다.      디지털 트윈의 효율적인 활용을 위해서는 위의 세 가지 구성요소 모두를 개발 및 운용할 수 있는 통합 플랫폼이 바람직하지만 국내외적으로 표준화된 디지털 트윈 플랫폼은 존재하지 않는다. 디지털 트윈의 특성 상 3가지의 디지털 트윈 구성요소 각각을 개발하는 독립적인 플랫폼을 사용하여 구성요소를 개발한 후 이들을 연동하여 운용하는 것이 효율적이다.  구체적으로는, 먼저, 디지털 트윈 개발 목적에 맞게 운용 데이터를 수집하는 IoT 플랫폼, 지형/공간 정보를 구축하는 지형/공간정보 플랫폼 및 모델링 시뮬레이션 플랫폼들을 이용하여 각 구성요소를 개발한다. 다음으로, 개발된 세 가지 구성요소를 실행하는 플랫폼들을 연동 운용하는 PoP(Platform of Platforms) 구조를 사용할 수 있다. PoP 구조는 디지털트윈의 목적에 부합되는 모든 디지털트윈을 개발/운용할 수 있는 플랫폼으로써 신뢰성 및 경제성(개발 기간 및 비용) 면에서 효율적인 구조이다. PoP 구조를 사용할 경우 플랫폼들 사이의 연동을 위한 데이터 모델과 API의 국제적인 표준화가 요구되며 데이터 모델의 표준은 대상 시스템에 따라 달라질 수 있다.  디지털 트윈을 실제 시스템에 대한 문제 해결 목적으로 사용하기 위해서는 대상 시스템에 대한 다양한 질문의 답을 디지털 트윈을 통해서 얻을 수 있는 서비스가 제공되어야 한다. OR 이론의 창시자 중 한 명으로 경영 과학 이론가인 R.L.Ackoff 교수는 사람이 생각하는 내용을 데이터, 정보. 지식, 지혜 등 4가지로 분류하였다. 데이터는 단순한 심벌(숫자나 문자)을 말하지만 정보는 ‘who’, ‘what’, ‘where’, ‘when’을 답할 수 있고, 지식은 ‘how’를 답할 수 있고, 지혜는 ‘why’를 답할 수 있어야 한다고 정의하였다. 디지털 트윈의 서비스 수준을 Ackhoff 교수의 분류법에 매핑 시킨다면 정보 수준 서비스는 시스템 분석(현상, 기능 등), 지식 수준 서비스는 시스템 예측(행위, 성능 등) 그리고 지혜 수준 서비스는 시스템 최적화(운용 최적화 등) 및 진단(수명 진단 등)에 해당한다. 예를 들어, 교통 시스템에 대한 다양한 질문을 답하기 위해 교통 디지털 트윈을 만들었다고 하자. 정보 서비스의 예는 현재 교통 시스템의 현상을 분석하는 것으로 어느 위치의 현재 시간대에 단위 시간당 교차로 통과 차량 대수가 얼마인지에 대한 답을 하는 서비스이다. 지식 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 얼마가 되는지를 예측하는 질문에 대한 답을 하는 서비스이다. 지혜 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 최소가 되는 최적화된 경로가 어떤 것인지의 질문에 대한 답을 하는 서비스이다.    4. 디지털 트윈의 구성요소 디지털 트윈의 3 가지 구성요소 중 행위 모델은 목적에 따라 데이터 모델과 시뮬레이션 모델로 대별된다. 데이터 모델은 실 체계에서 수집된 데이터들 사이의 상관관계를 기계학습하여 얻어진 모델(예: 인공신경망)로서 지식 서비스를 위한 시스템 행위 예측에 한계점을 가지고 있다. 구체적으로, 데이터 모델은 학습된 데이터 영역에서는 미래 예측이 가능하지만 학습된 영역 밖의 데이터에 대한 예측은 불가능 하다. 뿐만 아니라 학습 시와 예측 시의 시스템 운용 조건이 달라질 경우에도 예측이 불가능하다. 앞서 예시한 교통 디지털 트윈으로 데이터 모델을 사용할 경우 학습 시 도로 상황(운행 시간, 사고 발생 유무 등)이 예측 시 도로 상황과 동일하지 않으면 소요 시간 예측의 정확도가 보장되지 않는다. 더욱이, 시스템 변수 사이의 상관 관계로 표현된 데이터 모델은 변수 사이의 인과 관계가 필요한 시스템의 최적화 및 고장 진단 등에는 활용할 수 없다. 이러한 데이터 모델의 서비스 한계를 극복하기 위해서는 시뮬레이션 모델을 사용할 수 있다. 시뮬레이션 모델은 구축은 대상 시스템에 대한 도메인 지식과 이를 표현하는 지배 법칙에 대한 수학적/논리적 표현 방법을 이해해야 하므로 데이터 모델에 비해 고 비용이 요구된다. 따라서, 디지털 트윈의 행위 모델은 대상 시스템의 서비스 목적과 수준에 따라 다르게 선택될 수 있다.    5. 디지털 트윈의 발전 전망  디지털 트윈의 향후 발전 전망은 문제 해결과 가상 체험 및 빅 데이터 분야로 대별할 수 있다. 문제 해결 분야에서 디지털 트윈의 대상은 분석, 예측, 최적화/진단 대상이 되는 모든 시스템 분야로서 산업(제조, 생산, 물류, 식물공장 등), 공공(교통, 환경, 금융 등), 의료(진단, 인공장기, 가상수술 등), 재난안전(안전점검, 피해분석, 대피훈련 등), 국방(군사훈련, 국방분석, 무기체계 획득 등)등을 포함한다.  현재 디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.  가상 체험 분야는 디지털 트윈이 실 세계 혹은 가상 세계를 움직이는 다양한 시나리오를 정형화한 지배 법칙(모델)을 실행(시뮬레이션)하는 수단으로 활용될 전망이다. 이러한 지배법칙 실행은 실제 세계와 가상 세계의 구별 없는 가상 체험을 목표로 하는 메타버스의 서비스 콘텐츠를 제공한다. 따라서, 메타버스 발전을 위해서 메타버스의 서비스 컨텐츠를 제공하는 디지털 트윈 발전이 필수적으로 향후 메타버스와 디지털 트윈은 동시에 발전할 전망이다.  빅 데이터 분야에서는 디지털 트윈의 가상 실험을 통해 실 체계에서는 물리적/경제적 이유로 수집 불가능한 다양한 빅 데이터를 생성하는데 활용될 전망이다. 유의미한 빅 데이터 생성을 위해서는 실 체계에서 수집 가능한 데이터를 사용하여 디지털 트윈 모델의 검증이 선행된 후 실 체계에서 수집 불가능한 데이터 생성을 위한 가상 실험이 설계되어야 한다. 디지털 트윈을 사용한 빅 데이터 생성은 시스템 기능 검증, 예지 진단 및 기계학습 등과 같은 부가가치가 높은 데이터 생성에 집중되어 미래 데이터 구독 시장 활성화에 기여할 전망이다.   김탁곤 명예교수  KAIST 전기전자공학부