• 회원가입
  • |
  • 로그인
  • |
  • 장바구니
  • News
    뉴스 신제품 신간 Culture & Life
  • 강좌/특집
    특집 강좌 자료창고 갤러리
  • 리뷰
    리뷰
  • 매거진
    목차 및 부록보기 잡지 세션별 성격 뉴스레터 정기구독안내 정기구독하기 단행본 및 기타 구입
  • 행사/이벤트
    행사 전체보기 캐드앤그래픽스 행사
  • CNG TV
    방송리스트 방송 다시보기 공지사항
  • 커뮤니티
    업체홍보 공지사항 설문조사 자유게시판 Q&A게시판 구인구직/학원소식
  • 디렉토리
    디렉토리 전체보기 소프트웨어 공급업체 하드웨어 공급업체 기계관련 서비스 건축관련 업체 및 서비스 교육기관/학원 관련DB 추천 사이트
  • 회사소개
    회사소개 회사연혁 출판사업부 광고안내 제휴 및 협력제안 회사조직 및 연락처 오시는길
  • 고객지원센터
    고객지원 Q&A 이메일 문의 기사제보 및 기고 개인정보 취급방침 기타 결제 업체등록결제
  • 쇼핑몰
통합검색 " 툴킷"에 대한 통합 검색 내용이 264개 있습니다
원하시는 검색 결과가 잘 나타나지 않을 때는 홈페이지의 해당 게시판 하단의 검색을 이용하시거나 구글 사이트 맞춤 검색 을 이용해 보시기 바랍니다.
CNG TV 방송 내용은 검색 속도 관계로 캐드앤그래픽스 전체 검색에서는 지원되지 않으므로 해당 게시판에서 직접 검색하시기 바랍니다
모델 기반 시스템 엔지니어링의 모델링 도구
가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (7)   최근의 MBSE(모델 기반 시스템 엔지니어링) 환경은 개별 도구를 연계하던 전통적 방식에서 벗어나, 요구사항부터 시뮬레이션, 형상 관리까지 전 과정을 하나의 플랫폼에서 관리하는 ‘디지털 스레드’ 기반의 통합 환경으로 진화하고 있다. 이번 호에서는 모델링 도구인 ‘랩소디(Rhapsody)’와 ‘카메오 시스템 모델러(Cameo Systems Modeler)’의 특징을 살펴보고, 효율적인 설계 환경 구축 전략을 짚어본다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   모델링 도구 여기에서는 모델링 도구로서 랩소디(Rhapsody)의 특징과 기능을 간단하게 소개하고 있으며, 특히 시스템 아키텍처 설계와 모델 일관성 유지에 있어 랩소디가 어떤 역할을 수행하는지를 설명한다. IBM의 랩소디는 UML 및 SysML 기반의 시스템 모델링 도구로, 아키텍처 모델을 통해 시스템 설계 정보를 저장할 수 있는 동적인 데이터베이스 구조를 제공한다. 사용자가 정의한 각 모델 객체(예 : 블록, 컴포넌트 등)는 한 번 정의되면 그것이 표현되는 모든 다이어그램 상에서 동일한 특성과 속성을 유지한다. 이를 통해 전체 모델의 일관성과 추적성이 자연스럽게 보장된다. 또한 랩소디는 요구사항과 직접 연계된 설계 모델을 지원함으로써, 요구사항-설계 간의 정합성 확보를 용이하게 한다. 이를 통해 설계 변경이 요구사항과의 연동 하에 즉시 반영될 수 있어, 시스템 개발 전 과정에서 신뢰성 있는 모델 기반 설계를 실현할 수 있다. 결과적으로, 랩소디는 다양한 UML/SysML 도구 중 하나로, 특히 복잡한 시스템의 모델링, 시뮬레이션, 코드 생성까지 연결 가능한 통합 모델링 환경을 제공한다.   랩소디 보기   그림 1. 랩소디 도구의 대표적인 사용자 인터페이스 구성 요소   <그림 1>은 랩소디 도구 환경을 보여주며, 시스템 모델링 또는 소프트웨어 모델링을 수행할 때 사용되는 대표적인 사용자 인터페이스 구성 요소를 설명하고 있다. 랩소디 보기는 사용자가 랩소디에서 모델을 어떻게 시각적으로 확인하고 조작하는지를 이해하는 데 중점을 둔다. 전체 인터페이스 구성은 랩소디가 모델 기반 시스템 및 소프트웨어 설계를 위한 도구로, 브라우저 영역과 그리기 영역 등의 주요 영역으로 구성되어 있다. <그림 1>의 화면 왼쪽에는 브라우저 영역(Browser View)이 위치해 있다. 이 영역은 프로젝트 내에 정의된 모든 요소를 계층적 트리 구조로 정리하여 보여주며, 클래스, 패키지, 상태도, 시퀀스 다이어그램 등 다양한 모델링 요소를 탐색하고 선택할 수 있다. 사용자는 이 영역에서 모델 구조를 확인하고, 필요한 항목을 선택하여 편집 창으로 열 수 있다. 주로 사용하는 항목은 모델 구성요소(예 : 클래스, 컴포넌트, 상태 등)이다. 설계 계층 구조는 각 요소의 속성 및 동작이 연결되어 있다. <그림 1>의 화면 오른쪽에는 그리기 창(Drawing Window)이 위치하며, 사용자가 실제로 다이어그램을 작성하고 편집하는 작업 공간이다. 이 영역은 선택된 모델 요소의 시각적 표현을 위한 공간으로, 예를 들어 상태 다이어그램, 블록 다이어그램, 시퀀스 다이어그램 등을 작성하고 구성 요소 간의 연결 관계를 설정할 수 있다. 사용자의 활동 예는 상태 전이 정의, 신호 흐름 연결, 동작 논리 시각화, 모델 요소 간 연결 구성이 있다. 랩소디는 모델 탐색과 시각적 설계를 동시에 지원하기 위해 좌측 브라우저 영역과 오른쪽 그리기 창을 중심으로 UI(사용자 인터페이스)를 구성하고 있으며, 이를 통해 사용자는 설계 구조와 논리를 직관적으로 접근하고 조작할 수 있다. 이와 같은 인터페이스는 SysML, UML, 자동차 및 항공 우주 분야의 MBD 등 다양한 모델링 작업을 효율적으로 수행할 수 있도록 지원한다.   랩소디 vs. 카메오 시스템 모델러 비교 IBM 랩소디와 카메오 시스템 모델러(Cameo Systems Modeler)는 모두 SysML 기반의 시스템 모델링 도구로 널리 사용되고 있다. 그러나 이 두 도구는 설계 접근 방식, 사용자 인터페이스, 시뮬레이션 및 협업 방식에서 차별점이 존재한다. 도구의 철학과 접근 방식 : 랩소디는 임베디드 시스템 및 소프트웨어 개발에 특화된 도구로, 주로 상태 기반(state-based) 모델링과 코드 생성(code generation) 기능이 강력하다. UML 기반의 객체지향 소프트웨어 개발, 상태 머신 구현 등에 많이 활용되며, 특히 자동차, 항공, 방위 산업 등에서 많이 사용된다. 반면에 카메오 시스템 모델러(MagicDraw 기반)는 시스템 아키텍처 및 요구사항 중심 설계에 중점을 둔 MBSE 도구이다. RFLP(Requirement, Functional, Logical, Physical) 구조와 트레이스 기능이 강력하며, PLM·SPDM 시스템과의 통합이 잘 되어 있어 디지털 스레드 구축에 적합하다. 대부분의 대기업 MBSE 전환 프로젝트에서 선택되고 있다. 사용자 인터페이스 및 작업 구조 : 랩소디는 전통적인 IDE 스타일의 인터페이스(<그림 1>처럼 왼쪽 탐색기 + 오른쪽 다이어그램 편집기)를 가지고 있으며, 실시간 코드 시뮬레이션 및 상태 전이 구현에 용이하다. 카메오 시스템 모델러는 모델 요소 중심 탐색 트리, 다중 다이어그램 탭, 자동 연결 도우미, 속성 창 기반 작업이 잘 정비되어 있으며, 직관적인 GUI로 인해 다양한 다이어그램 작성이 빠르고 정확하게 이루어진다. 사용자 친화성이 높은 편이다. 시뮬레이션 및 해석 기능 : 랩소디에는 UML/SysML 상태 머신을 기반으로 한 Statechart Simulation이 내장되어 있어, 논리적 동작 검증이나 이벤트 시퀀스 분석에 유리하다. C/C++ 코드 생성 및 디버깅 기능도 내장되어 있어, 소프트웨어 통합 단계까지 연결하기 좋다. 카메오 시스템 모델러는 카메오 시뮬레이션 툴킷(Cameo Simulation Toolkit :CST)을 통해 SysML 모델의 시뮬레이션이 가능하며, 파라메트릭 다이어그램(Parametric Diagram) + 수식 기반 계산 + 외부 FMU 연동을 지원한다. 특히 시뮬링크(Simulink), 모델리카(Modelica) 등과의 코시뮬레이션(co-simulation) 및 FMI 기반 연동이 강력하다. 협업 및 형상 관리 연동 : 랩소디는 RTC, ClearCase, GIT 등과 연계가 가능하지만, 협업 기능이 독립적으로 강력하지는 않다. 기업 내부 커스터마이징이 필요한 경우가 많다. 카메오 시스템 모델러는 팀워크 클라우드(Teamwork Cloud : TWC)라는 중앙 저장소 기반 협업 서버를 통해 모델 단위 버전 관리, 권한 제어, 변경 추적, 분기 관리(branching) 기능을 지원하며, 팀 단위 협업 및 모델 기반 리뷰에 적합하다. PLM, SPDM 및 외부 툴 연동 : 랩소디는 외부 연동이 상대적으로 제한적이며, 별도 게이트웨이 또는 커스터마이징이 필요하다. 카메오 시스템 모델러는 3D익스피리언스(다쏘시스템), 윈칠(PTC), 팀센터(지멘스) 등의 PLM 시스템과 연계가 용이하며, MBSE–PLM–SPDM 간의 디지털 연계(traceability)가 수월하게 이루어진다. 정리하면 랩소디는 코드 생성, 상태 머신 중심이고 카메오 시스템 모델러는 요구사항–기능–물리 구조 연계 중심이다. 사용 분야는 랩소디가 임베디드 소프트웨어, 제어 시스템에 사용되며 카메오 시스템 모델러는 시스템 아키텍처, MBSE를 총괄하는데 사용된다. 시뮬레이션에는 랩소디가 상태 기반 시뮬레이션에 사용되며, 카메오 시스템 모델러는 파라메트릭, 시퀀스, 코시뮬레이션이 가능하다. 협업 관점에서 랩소디는 RTC/파일 기반으로 이용되며, 카메오 시스템 모델러는 팀워크 클라우드 기반 모델 협업에 활용된다. 외부 툴과 연동은 랩소디는 제한적이며 커스터마이징이 필요하다. 반면에 카메오 시스템 모델러는 FMI, PLM, 시뮬링크 등과 강력하게 연동된다.    ■ 자세한 기사 내용은 PDF로 제공됩니다.
작성일 : 2026-05-06
[케이스 스터디] 3D 애셋 데이터를 위한 SSOT 구축
데이터 사일로 해소부터 거버넌스 수립까지, 전사 협업의 효율 혁신   본격적인 3D 협업을 위한 첫 단추는 흩어진 데이터를 효율적으로 통합하는 팀 환경을 구축하는 것이다. 이번 호에서는 공통 라이브러리에 모든 3D 데이터 소스를 연결하고, 엔지니어링부터 운영 단계까지 모든 팀이 3D 애셋에 안전하게 접근하면서 데이터 임포트 시 정보 손실을 최소화하는 방법을 소개한다. 목표는 새로운 툴을 배포하는 것 자체가 아니라, 부가 가치를 창출하지 않는 작업에 소요되는 시간을 줄이고 액세스 권한 및 규정 준수 정책을 적용할 때 발생하는 불필요한 관리 복잡성을 없애는 것이다. ■ 자료 제공 : 유니티 코리아     대부분의 산업 팀은 방대한 3D 애셋 데이터를 보유하고 있지만, 이러한 데이터는 여러 사일로에 분산되어 서로 다른 조직이 소유하고 있어 재사용하기가 어렵다. 이와 관련해 데이터가 서로 다른 곳에 있으면 사람들은 서로 다른 사실을 기반으로 결정을 내리게 되기 때문에 문제가 발생한다. 예를 들어, 교육 담당자는 엔지니어링 팀에서 이전에 라인 레이아웃을 업데이트했다는 사실을 모르고 신입 직원에게 VR 시뮬레이션을 그대로 제공할 수 있다. 결국 교육 담당자는 교육을 중단하고 최신 데이터를 반영하여 업데이트하거나, 신뢰할 수 없는 콘텐츠로 교육을 계속 진행할 수밖에 없다. 둘 다 시간과 신뢰성 면에서 비용이 발생하게 된다. 해결책은 모든 3D 애셋을 위한 단일 저장소를 구축하여 계층 구조와 메타데이터를 온전히 유지하면서, 필요한 사람에게만 승인된 모델에 대한 액세스 권한을 부여하는 것이다. 모두가 동일한 라이브러리에서 애셋을 가져오면 버전 불일치가 해결되고 재작업의 필요성이 없어지며, 누가 무엇을 변경했는지에 대한 가시성도 확보할 수 있다.   단절의 원인 : 분산된 데이터와 중복 작업 산업 데이터는 어디에나 존재하지만, 서로 연결되어 있는 경우는 별로 없다. 유니티의 산업 부문 수석 부사장 겸 제너럴 매니저인 사라 래시는 “디자이너나 건축가는 CAD나 BIM(건설 정보 모델링)에 액세스할 수 있지만, 엔지니어는 해당 소프트웨어를 사용하지 않는 경우가 있어 결국 팀이 모델을 처음부터 다시 만드는 상황이 발생한다”고 전했다. 이런 사일로(silo) 현상은 운영 또는 기술적 격차로 인해 발생하는 경우가 많다. 예를 들어 엔지니어링 팀은 CAD 파일을 PLM(제품 수명주기 관리) 시스템에 저장할 수 있는 반면, 다른 팀은 사본을 별도의 드라이브나 앱으로 익스포트하므로 결국 동일한 애셋의 여러 버전이 존재하게 된다. 래시 수석 부사장은 “가장 흔한 문제는 동일한 모델의 두 가지 다른 버전으로 작업하는 것이다. 이러면 사실상 재작업을 할 수밖에 없게 된다”고 말했다. 어쩔 수 없이 여러 플랫폼, 툴, 포맷을 사용해야 하는 경우도 많지만, 이는 애셋을 추적하고 공유하는 작업을 어렵게 만든다. 그 결과 생산성이 저하되고 올바른 애셋을 찾는 데 몇 시간씩 허비하게 되며, 어떤 것이 정확한 버전인지 쉽게 알 수 없기 때문에 이미 존재하는 애셋을 다시 만드는 일까지 발생한다. 유니티 산업 고객 성공 부문의 시니어 디렉터인 헤닝 린은 “중복의 위험이 높으면 재작업이 필요한 경우가 많아진다. 애셋이 서로 일치하지 않고 팀이 동일한 소스 파일로 작업하지 않기 때문”이라고 설명했다. 이러한 불일치는 교육이나 납품 같은 후속 단계에서 드러나며, 이는 재작업, 일정 지연, 일관성 없는 경험으로 이어져 애셋 관리의 복잡성을 키운다. 그러나 그로 인한 대가는 기술적인 영역에 그치지 않는다. 이는 부서 간 신뢰뿐만 아니라 브랜드와 고객 간의 신뢰까지 약화시킬 수 있다. 결국 교육 담당자는 신규 직원을 위한 온보딩이 길어지고 일관성이 없어지더라도, 오래 되거나 검증되지 않은 모델로 세션을 시작하는 것을 피하고 싶어 한다. 다른 팀은 생산성을 유지하기 위해 ‘섀도(shadow)’ 라이브러리를 구축하게 되고, IT 팀은 통제되지 않는 환경을 보호하고 관리하느라 분주해진다. 이처럼 공통된 기반이 없으면 모든 신규 프로젝트를 처음부터 다시 시작해야 한다.   연결 대상 : 중요한 데이터를 보존하는 중앙화된 저장소 구축 3D 애셋 라이브러리는 여러 툴과 플랫폼에 걸쳐 있을 가능성이 높기 때문에, 기존에 보유한 모델을 활용하려면 먼저 유니티 애셋 매니저(Unity Asset Manager)와 같이 중앙화된 저장소로 모든 데이터를 임포트해야 한다. 이렇게 하면 이미 보유하고 있는 애셋을 다시 만들 필요가 없다. 린 시니어 디렉터는 “유니티를 활용하면 관련된 모든 데이터를 선호하는 방식으로 높은 품질을 유지하며 임포트할 수 있다. 사실상 업계에서 유니티가 지원하지 못하는 파일 포맷은 거의 없다”면서, “데이터를 통합된 포맷으로 변환하고, 필요에 따라 보강하며 모든 변경 사항을 추적하면 애셋의 전체 라이프사이클 동안 관리가 훨씬 쉬워진다”고 전했다.     데이터를 통합하기 전에, 무엇을 왜 연결하는지를 먼저 이해해야 한다. 대부분의 산업용 3D 파이프라인은 구조와 우선순위가 서로 다른 네 가지 주요 데이터 소스에서 데이터를 가져온다. CAD 모델은 보통 PLM 시스템에 저장되며 부품, 어셈블리, 기계적 프로퍼티에 대한 기본 기준이 되는 데이터 소스이다. BIM 모델은 건물 및 인프라 데이터를 포함하고, 풍부한 공간 및 규정 준수 관련 메타데이터를 갖추고 있으며, 보통 BIM 소프트웨어나 AEC   (건축, 엔지니어링 및 건설) 저장소에 저장된다. 디지털 콘텐츠 제작 툴에서 생성된 메시는 마케팅, 교육, 사용자 경험 등의 영역에서 사용되는 시각화 애셋을 포함하며, 기술적 디테일보다는 시각적 정확도에 최적화된 경우가 많다. XR(확장현실) 및 VR(가상현실) 애플리케이션에서 흔히 사용되는 포인트 클라우드(점군)와 스캔 데이터는 레이저 스캐닝이나 사진 측량 등을 통해 캡처된 데이터를 포함한다. 각 소스는 동일한 실물 애셋(제품, 어셈블리 라인, 전체 시설)을 서로 다른 관점에서 표현한다. 여기에는 기능, 공간, 형상이 포함되며, XR용 포인트 클라우드의 경우 실제로 구축된 물리적 상태가 이에 해당한다. 애셋 라이브러리 규모에 따라 우선순위를 정해야 하므로 팀에서 가장 많이 재사용하는 모델부터 시작하는 것이 좋다. 출처와 관계 없이 공통으로 필요한 사항은 임포트 과정에서 컨텍스트를 유지하는 것이다. 중요한 메타데이터가 손실되면 결국 재작업을 진행해야 하기 때문이다. 임포트 전에는 절대 손실되어서는 안 되는 메타데이터 필드를 식별한다. 린 시니어 디렉터는 “항상 식별자뿐만 아니라 높이, 무게와 같은 기술적 속성을 유지하고, 모든 애셋에 이름과 버전을 지정하여 추적과 사용이 용이하도록 해야 한다”고 덧붙였다. 일부 필드는 항상 온전하게 유지되어야 한다. 부품 번호, 버전 코드 또는 고유 ID와 같은 식별자를 사용하면 애셋의 진위 여부를 확인하기 위해 원본 소스로 추적하는 작업이 더 쉬워진다. 병합된 메시가 아닌 계층 구조 및 그룹 메타데이터는 부품이 어떻게 결합되는지, 시설이 어떻게 구성되는지를 보여 주며, 엔지니어가 필요에 따라 부품을 분리하거나 교체할 수 있도록 돕는다. 밀도나 인장 강도와 같은 머티리얼 및 단위 정보, 이름이나 공급업체와 같은 설명 정보를 활용하면 애셋이 올바른 형상과 동작을 유지하도록 할 수 있다. 이러한 세부 정보를 보존하면 모델을 다양한 애플리케이션 전반에서 유용하게 사용할 수 있지만, 그렇지 않으면 목적과 단절된 단순 참고용 이미지에 불과하게 된다. 린 시니어 디렉터는 “항상 식별자뿐만 아니라 높이, 무게와 같은 기술적 속성을 유지하고, 모든 애셋에 이름과 버전을 지정하여 추적과 사용이 용이하게 만들어야 한다”고 조언했다.     애셋 임포트를 위한 처리 애셋은 임포트 전과 임포트 과정에서 적절한 가공을 거쳐야 하며, 저장소의 상태를 양호하게 유지하기 위해 피해야 할 몇 가지 일반적인 함정이 있다. 이는 3D 데이터 세트가 극도로 복잡해질 수 있는 대규모 제조나 건설 분야에서 특히 중요하다. 예를 들어, 공장 전체의 디지털 트윈이나 자동차의 전체 모델은 수만 개, 혹은 수십만 개의 부품으로 구성될 수 있다. 이 경우 가장 강력한 소프트웨어와 하드웨어에도 부담이 가해질 수 있기 때문에 마이크로칩, 커넥터, 기계 부품과 같은 더 작은 논리적 그룹으로 분해하면 임포트 작업을 효율적으로 관리할 수 있다. 유니티의 애셋 트랜스포머 툴킷(Asset Transformer Toolkit)과 같이 3D 데이터를 준비하는 소프트웨어는 널리 사용되는 다양한 CAD 및 BIM 포맷을 지원하고, 구조와 메타데이터를 보존하며, 필요에 따라 임포트 과정에서 모델을 자동으로 단순화하고 표준화함으로써 이러한 과제를 해결하도록 설계되었다. 예를 들어, 직원 교육을 위한 XR 시뮬레이션과 같은 실시간 활용 사례에서는 원본 CAD 파일에 포함된 모든 볼트나 리벳이 필요하지 않다. 여기서 중요한 것은 작업을 수행하는 데 충분한 현실감의 수준이다. 린 시니어 디렉터는 “최종 활용 지점에 따라 폴리곤 수를 소폭에서 최대 90%까지 줄일 수 있다”고 밝혔다.   ▲ 유니티 애셋 트랜스포머 플러그인   목표는 성능과 사용성을 최적화하기 위해 모델을 최대한 가볍게 유지하는 것이다. 교육 및 시뮬레이션 활용 사례에서는 매끄러운 프레임 속도를 유지하면서 최대한 높은 시각적 정확도를 달성하는 것이 목표이다. 헤드셋의 새로고침 속도와 일치하는 안정적인 프레임 속도를 목표로 해야 하며, 그보다 낮을 경우 사용자에게 불편함을 줄 수 있다. 3D 협업 및 디자인 리뷰에서는 일반적으로 엔지니어가 체결 요소나 인터페이스 등을 검토할 수 있도록 높은 기능적 디테일을 요구한다. 높은 폴리곤 수에 대한 부담을 더 원활하게 관리할 수 있도록, 가까운 거리에서만 렌더링되는 하위 어셈블리에 디테일 수준(LOD)을 사용하는 것이 좋다. 임베디드 시스템 및 산업 제어 장치와 같은 인간–기계 인터페이스는 그래픽 처리 성능이 제한적인 경우가 많으므로, 최대한 낮은 복잡도를 목표로 하고 미리 베이크된 조명과 단순한 셰이더를 사용하는 것이 좋다. 고객 경험 애플리케이션은 타깃 기기의 다양성이 매우 크기 때문에 최적화가 어려울 수 있다. 시각적 정확도와 로딩 시간 사이의 균형을 목표로 하고, 중간급 사양의 모바일 기기와 주요 웹 브라우저에서 검증해야 한다. 일반적인 원칙으로는, 지원 계획이 있는 기기 중에서 가장 성능이 낮은 기기를 기준으로 단순화된 모델부터 테스트하는 것이 좋다. 그 후 성능이 허용하는 범위 내에서만 디테일을 추가하여 배포 후 모델이 과도하게 커져 수정해야 하는 상황을 피해야 한다. 예를 들어 임포트 단계에서 LOD를 생성하면 모든 애셋이 확장 가능한 디테일을 갖추게 되어, 향후 더 다양한 기기와 활용 사례에 유연하게 대응할 수 있다. 다만, 보편적으로 정해진 올바른 폴리곤 수는 없다. 중요한 것은 타깃 기기에서 프레임 속도와 로딩 시간 목표를 안정적으로 달성하는 방법이다. 린 시니어 디렉터는 “같은 애셋이라도 폴리곤 수는 수백만 개에서 수십만 개까지 줄어들 수 있다. 중요한 것은 모든 메타데이터가 연결된 동일한 소스 파일을 계속 사용하고 있다는 것”라고 전했다.   ▲ 제공 : HERE HMI   활용성 갖추기 : 거버넌스, 접근성 및 버전 관리 구축 애셋을 임포트하고 적절한 크기로 조정하고 나면, 다음 단계는 필요한 모든 역할에서 애셋에 안전하게 액세스하고 애셋을 쉽게 찾을 수 있도록 만드는 것이다. 이때 목표는 팀이 애셋을 어디서 찾아야 하는지 명확히 알면서도 관련 없는 애셋으로 인해 부담을 느끼지 않도록 하는 단일 라이브러리를 선별하는 것이다. 이를 위해서는 업무 속도를 저해하지 않으면서도 모든 업데이트가 프로젝트 전반에 반영되도록 완전한 감사 추적을 유지할 수 있는 권한 기반의 액세스 모델이 필요하다.   RBAC(역할 기반 액세스 제어) 린 시니어 디렉터는 “보통은 애셋의 임포트와 생성을 감독하는 관리자가 있고, 그 아래에 작업자와 검토자 역할이 있으면 충분하다”면서, 액세스 권한을 단순하게 유지할 것을 권장했다. 예를 들면 관리자는 구조와 표준을 정의하고, 사용자와 리텐션을 관리하며, 버전을 승인하거나 아카이브 처리할 수 있다. 이 사용자 그룹은 가능한 한 작게 유지하는 것이 좋다.     그 다음 계층에는 디자이너, 작업자, 편집자가 있을 수 있다. 이들은 새로운 애셋을 임포트하고 메타데이터를 편집하며 업데이트를 게시할 수 있으며, 필요 시 관리자 승인을 받아 작업을 수행할 수 있다. 이들이 라이브러리를 일상적으로 유지 관리하게 된다. 마지막으로 소비자 역할이 있는 직원은 승인된 애셋을 검색, 미리 보기 및 다운로드할 수 있지만, 수정하거나 게시할 수는 없다. 역할 기반 액세스 제어는 보안 측면에서도 매우 중요하다. 많은 산업용 3D 애셋 라이브러리에는 매우 민감한 정보가 포함되어 있으며, 그 중 일부는 규제 대상이 되기도 한다. 예를 들어 정부, 항공우주 또는 방위 분야의 수출 통제 설계 데이터는 엄격한 ‘알아야 할 필요성(need-to-know)’ 원칙, 완전한 감사 용이성, 엄격히 통제된 환경에서의 배포를 요구하는 연방 규정을 준수해야 한다. 린 시니어 디렉터는 규제가 엄격한 산업에서 운영하는 경우 가상 프라이빗 클라우드 배포를 사용할 것을 권장했다. 산업 분야와 관계 없이 반드시 지켜야 하는 내용은 다음과 같다. 항상 최소 권한의 원칙을 기본으로 하는 RBAC를 사용한다. 사용하는 플랫폼에서 전송 중인 데이터와 저장된 데이터를 모두 암호화한다. 버전별로 포괄적인 감사 로그와 승인 상태를 유지한다. 민감한 작업을 위해 프로젝트를 분리하고, 필요할 경우 데이터 상주 옵션을 적용한다.   ▲ 유니티 애셋 매니저 웹 인터페이스   버전 관리 및 감사 용이성 거버넌스는 보안과 규정 준수만을 의미하는 것이 아니라, 액세스와 활용을 용이하게 하기 위한 애셋 관리 표준화도 포함한다. 실제로 대부분의 거버넌스 문제는 모두가 모든 것을 바꿀 수 있거나, 누구도 아무것도 바꿀 수 없는 두 가지 극단적인 상황 중 하나에서 발생한다. 예를 들어, 교육 담당자가 엔지니어링 팀이 막 승인한 모델을 덮어쓸 수도 있다. 이는 반드시 부주의 때문이라기보다는, 대부분 명확한 버전 관리 체계의 부재로 인해 발생한다. 린 시니어 디렉터는 “동일한 애셋의 여러 브랜치 버전이 존재하는 경우가 많다. 이 모든 것을 일관적이고 표준화된 방식으로 관리해야 한다”고 조언했다. 여기서 버전 관리가 중요한 역할을 한다. 목표는 변경 사항이 명확하고, 되돌릴 수 있으며, 확실한 의도를 가지고 이루어지도록 하는 것이다. 결국 활용 가능한 애셋 라이브러리는 정기적으로 변경될 수밖에 없다. 공장의 디지털 트윈은 매주 레이아웃이 조금씩 조정될 수 있고, 교육 프로그램은 차세대 XR 헤드셋 출시를 앞두고 새로운 모델로 업데이트될 수 있다. 선형적인 버전 이력(v1.0, v1.1 등)과 애셋 상태(초안, 검토 중, 승인됨, 폐기됨 등)를 적용하여, 라이브러리를 계속해서 변화하는 SSOT(Single Source of Truth)로 관리해야 한다. 많은 산업 환경에서 엔지니어링 팀은 공식 설계를 위한 원본 CAD 파일을 유지 관리한다. 그러나 시각화 또는 교육 팀은 일반적으로 특정 목적에 맞게 최적화된 동일한 모델의 실시간 버전을 사용한다. 이러한 애셋은 병합이 아니라 연결되어야 하며, 그렇지 않으면 시각화용 모델이 어떤 CAD 버전에서 파생되었는지 알 수가 없다. 예를 들면 엔지니어링 팀이 도면을 업데이트하더라도 몇 달 전에 제작된 교육용 모델에는 이전 버전이 그대로 반영되어 있을 수 있으며, 이 사실을 아무도 모를 수 있다. 이는 감사 용이성을 훼손하고 잘못된 설정으로 학습하는 등의 오류로 이어질 수 있다는 점에서 문제가 된다. 모델 변형(variant)의 경우, 단순히 새로운 이름으로 복사본을 만드는 대신 해당 범위와 목적에 따라 태그를 지정하는 것이 좋다. 예를 들어 자동차 제조업체는 지리적 지역, 운전석 위치 폼 팩터 기준으로 태그를 지정할 수 있다. 이렇게 하면 기본 부품이 변경될 때 어떤 변형을 업데이트해야 하는지 정확히 알 수 있다. 마찬가지로 교육에 사용되는 단순화된 모델과 같은 특정 기본 모델의 파생 모델이 있다면, 이를 파생 모델로 표시하되 원본 소스와 해당 CAD 수정 버전에 대한 참조를 유지해야 한다. 이렇게 하면 교육 담당자가 XR/VR 시뮬레이션에 사용되는 단순화된 메시를 엔지니어링 팀의 공식 원본과 혼동하지 않게 된다. 물론 이처럼 세분화된 수준의 버전 관리도 사용성을 높이는 데 매우 중요하지만, 대규모로 구현하기는 매우 어렵기 때문에 자동화가 필수이다. 최신 3D 애셋 매니저(3D Asset Manager)는 일반적으로 대량 작업을 수행하기 위한 커맨드 라인 인터페이스(CLI)뿐만 아니라 새로 임포트 또는 업데이트된 애셋에 대한 메타데이터, 미리보기 및 태그를 생성하는 이벤트 기반 자동화 기능을 포함한다.   ▲ 애셋 매니저 팩토리   적절한 애셋 매니저를 통해 수행할 수 있는 운영 변경 사항의 간단한 체크리스트는 다음과 같다. 관리자, 작업자, 소비자로 구성된 3 역할 모델을 도입한다. 추가 승인이 필요한 프로젝트에는 승인 역할을 추가한다. 애셋 ID, 수정 번호, 원본 소스, 소유자 및 승인 상태와 같은 필수 메타데이터 필드를 매핑하고, 대부분의 사용자에게 기본적으로 승인된 뷰를 설정한다. 배리언트 및 파생 모델에 명확한 레이블을 지정하고 가능한 경우 업데이트를 자동화하여, CAD 수정 버전을 해당 실시간 대응 항목과 연결한다.   시작하기 : 30일 체크리스트 애셋을 임포트, 최적화 및 관리하고 나면 마지막 단계는 새로운 시스템을 일상 업무에 적용하는 것이다. 그런 다음 교육, 제품 개발, 고객 경험 또는 그 밖의 목적으로 실제 비즈니스 성과를 창출하는 몰입형 경험을 만들어 통합 3D 애셋 라이브러리의 가치를 빠르게 입증할 수 있다. 30일 이내에 수행할 수 있는 작업을 간단히 요약하면 다음과 같다. 데이터 소스와 해당 소유자를 목록화한다. 파일럿으로 진행할 대표 모델 한두 개를 선정한다. 보존할 메타데이터 필드를 결정한다. 임포트 과정을 테스트하여 게시 사이클을 최적화한다. 액세스 제어 및 감사 추적을 설정한다.     ■ 기사 내용은 PDF로도 제공됩니다.
작성일 : 2026-05-06
어도비, 에이전틱 AI 생태계 확장으로 고객 경험 오케스트레이션 강화
어도비가 주요 기술 기업, 에이전시, 시스템 통합업체와 협력해 에이전틱 생태계를 확장한다고 밝혔다. 이번 발표는 기업 전반에 에이전틱 워크플로를 넓혀 크리에이티브 전문가와 마케터가 인공지능(AI) 기반의 인사이트와 자동화로 개인화된 경험을 제공하도록 돕기 위해 마련했다. 이번 파트너 통합은 기업이 고객 생애주기를 관리하는 방식을 간소화하는 새로운 엔드 투 엔드 에이전틱 AI 시스템인 ‘어도비 CX 엔터프라이즈(Adobe CX Enterprise)’의 일부이다. 어도비에 따르면 CX 엔터프라이즈는 수십 년간 축적한 데이터와 콘텐츠, 고객 여정에 대한 전문 지식을 바탕으로 하며 신뢰할 수 있고 맥락을 이해하는 에이전트의 핵심 기반이 된다. 기업이 고객 경험 오케스트레이션을 위해 에이전틱 AI를 도입하면서 모델과 플랫폼, 워크플로의 파편화가 심화되고 있다. 어도비는 기업이 가치를 실현하려면 폐쇄적인 시스템이 아닌 실제 작업 과정 중심으로 설계된 개방적이고 상호 운용 가능한 생태계가 필요하다고 설명했다. 어도비의 아미트 아후자 고객 경험 오케스트레이션 제품 부문 수석부사장은 “마케터는 조직의 AI 툴과 성과 창출에 필요한 마케팅 역량 사이에서 선택의 기로에 놓여서는 안 된다”면서, “CX 엔터프라이즈를 통해 파트너 생태계를 확장하고 맞춤화된 통합을 구축해 이러한 격차를 해소하고 있다”고 밝혔다. 또한 기업에 유연성과 선택권을 제공해 신뢰와 거버넌스를 유지하면서도 신속하고 현명한 의사 결정을 내리도록 지원한다고 덧붙였다. 어도비는 고객 여정 최적화와 캠페인 성과 분석 같은 업무를 간소화하기 위해 고객 경험 인텔리전스를 실제 업무 환경에 접목하고 있다. 어도비 마케팅 에이전트는 마이크로소프트 365 코파일럿에서 정식 버전으로 제공하며 아마존 퀵, 앤트로픽 클로드 엔터프라이즈, 챗GPT 엔터프라이즈, 제미나이 엔터프라이즈, IBM 왓슨x 오케스트레이트에서는 베타 버전으로 활용할 수 있다. 어도비의 에이전틱 AI 접근 방식은 실무팀이 매일 사용하는 플랫폼에 자연스럽게 통합되는 것을 최우선으로 한다. 어도비는 에이전트 스킬과 개발자 툴을 연결해 다양한 인터페이스로 확장 가능한 다단계 에이전틱 워크플로를 지원한다. 이에 따라 기업은 기존에 사용하던 도구 내에서 어도비의 인텔리전스를 그대로 활용 가능하다. 어도비의 AI 에이전트와 스킬 등은 AWS, 앤트로픽, 구글 클라우드, 마이크로소프트, 오픈AI 내에서 사용할 수 있다. 또한 엔비디아와 협력해 엔비디아 에이전트 툴킷 소프트웨어를 기반으로 한 CX 엔터프라이즈 코워커를 구축 중이다. 이를 통해 온프레미스나 클라우드 환경의 엔비디아 오픈쉘에 어도비의 고객 경험 인텔리전스를 적용할 수 있다. 액시엄, 디맨드베이스, 제네시스, 메달리아, 레인포커스, SAP, 서비스나우와도 새로운 통합을 지원한다. 팀은 툴 전환 없이 데이터를 분석하고 워크플로 문제를 해결하며 즉각적인 조치를 취할 수 있다. 브랜드 컨시어지의 파트너 생태계도 확장해 [24]7.ai, 알골리아, 네토미와의 파트너십으로 거버넌스 기반 에이전틱 AI를 제공할 계획이다. 아디옌, 페이팔, 스트라이프와는 에이전트 기반 상호작용에 결제 기능을 도입해 원활한 결제 경험을 지원한다. 어도비는 에이전틱 AI를 위한 시장 진출 모델도 강화한다. 덴츠, 하바스, 옴니콤, 퍼블리시스, 스태그웰, WPP 등 글로벌 에이전시는 어도비 CX 엔터프라이즈를 표준으로 채택하고 자사의 지적재산과 전문성을 결합하고 있다. 액센츄어, 캡제미니, 코그니전트, 딜로이트 디지털, EY, IBM, 인포시스, PwC, TCS 등 시스템 통합(SI) 업체 역시 어도비의 에이전틱 기능을 활용해 산업별 맞춤 설루션을 패키지화하며 고객의 기술 현대화를 돕고 있다.
작성일 : 2026-04-30
매트랩 및 시뮬링크 R2026a 출시, “신뢰 가능한 AI로 임베디드 시스템 개발 혁신”
매스웍스는 매트랩(MATLAB)과 시뮬링크(Simulink) 제품군의 릴리스 2026a를 발표하고 임베디드 시스템 개발을 위한 새로운 AI 기능을 공개했다. 이번 릴리스는 엔지니어링 팀이 설계의 정확성을 유지하면서 생산성을 높일 수 있도록 돕는 코파일럿 기능을 강화한 것이 특징이다. R2026a는 모델 기반 설계(MBD)를 지원하는 시뮬링크 코파일럿(Simulink Copilot)과 임베디드 소프트웨어 코드 분석을 개선하는 폴리스페이스 코파일럿(Polyspace Copilot)을 새롭게 도입했다. 이를 통해 요구사항부터 설계와 코드에 이르는 전 과정을 추적 가능하게 관리하고, 동일한 결과를 재현할 수 있는 개발 프로세스를 구축할 수 있다. 엔지니어는 더 이른 단계에서 문제를 수정하고 개발부터 검증, 실제 운영 단계까지 효율적으로 진행하는 것이 가능하다. 매스웍스는 두 가지 방식으로 엔지니어링 분야의 AI 기술을 고도화하고 있다. 먼저 매트랩, 시뮬링크, 폴리스페이스 등 엔지니어가 이미 활용 중인 환경에 코파일럿을 직접 통합했다. 또한 매트랩 MCP 코어 서버(MATLAB MCP Core Server)와 매트랩 에이전틱 툴킷(MATLAB Agentic Toolkit)을 통해 매트랩과 시뮬링크 기능을 에이전틱 워크플로에 통합하고 있다. 이러한 접근을 통해 설계 팀은 설계를 더 빠르게 이해하고 소프트웨어 문제를 조기에 해결하며 일관된 워크플로를 적용할 수 있다.     시뮬링크 코파일럿은 사용자의 모델과 팀이 정의한 프로세스, 매스웍스 공식 문서를 기반으로 맞춤형 가이드를 제공한다. 모델에 대한 설명을 생성하고, 동작에 관한 질문에 답하며, 모델 내 관련 블록과 서브시스템을 찾는 작업을 지원한다. 문제를 특정해 해결 방안을 제시하고 다음 단계를 안내함으로써 설계 작업을 신속하게 진행하도록 돕는다. 폴리스페이스 제품군에는 폴리스페이스 코파일럿과 폴리스페이스 애즈 유 코드(Polyspace as You Code)가 추가됐다. 폴리스페이스 코파일럿은 분석 결과를 기반으로 엔지니어가 정적 분석 결과를 해석하고 문제를 파악하도록 돕는다. 폴리스페이스 애즈 유 코드는 코드 작성 과정에서 C 및 C++ 코딩 규칙을 점검하고 AI가 생성한 코드를 포함한 결함과 취약점을 식별한다. 이외에도 통합 구성 관리를 위한 데스크톱 애플리케이션과 폴리스페이스 버그 파인더 확장 기능, 런타임 오류 분석을 위한 폴리스페이스 테스트 기능 등이 포함됐다. 이번 R2026a에는 교육자와 개발자를 위한 다양한 신제품과 업데이트도 포함됐다. 교육자가 매트랩과 시뮬링크를 활용해 교육과정과 실습을 개발할 수 있는 매트랩 코스 디자이너와 독립형 기능 목업 유닛을 생성하는 시뮬링크 FMU 빌더가 새롭게 출시됐다. 매트랩은 설치 없이도 시각화가 포함된 대화형 웹페이지를 구축해 공유할 수 있는 기능을 제공하며 파이썬 환경 관리 및 데이터 교환 기능이 개선됐다. 시뮬링크는 작업 중심 컨텍스트 메뉴로 효율을 높였으며 모델 내에서 C 및 C++ 코드를 직접 시뮬레이션할 수 있다. 이 밖에도 무선 통신 네트워크 분석을 위한 와이어리스 네트워크 툴박스, 매트랩 코파일럿으로 테스트를 생성하는 매트랩 테스트, 지리공간 분석을 강화한 매핑 툴박스, 디지털 필터 설계가 가능한 시그널 프로세싱 툴박스 등이 업데이트됐다. 매스웍스의 아비나시 네헤미아 설계 자동화 부문 제품 관리 및 마케팅 총괄은 “엔지니어링 설계와 소프트웨어 검증에서는 엄격성, 추적성, 신뢰성의 희생을 담보로 생산성 향상이 이뤄져서는 안 된다”면서, “매스웍스는 팀이 속도를 높이면서도 복잡한 시스템 개발에 요구되는 규율과 신뢰를 유지할 수 있도록 돕는 근거 기반 AI 툴 제공에 전념하고 있다”고 밝혔다.
작성일 : 2026-04-28
유니티-메타, 파트너십 연장으로 VR 개발 환경 확대
유니티와 메타가 가상현실(VR) 생태계 확장을 위해 손을 잡았다. 양사는 가상현실 분야에서 오랜 기간 이어온 협력을 강화하기 위해 다년간의 플랫폼 지원 및 엔터프라이즈 계약을 연장한다고 발표했다. 유니티는 이번 파트너십 연장을 통해 메타의 가상현실 플랫폼에 대한 기술 지원을 지속적으로 제공할 계획이다. 유니티에 따르면 현재 퀘스트 플랫폼에서 가장 인기 있는 경험의 3분의 2, 최고 판매 게임의 70% 이상이 유니티 엔진으로 제작되고 있다. 개발자들은 유니티의 XR 인터랙션 툴킷(XR Interaction Toolkit)을 활용해 객체 잡기, 광선 추적, 시각적 피드백 등 가상현실의 필수 기능을 복잡한 코딩 없이 구현할 수 있다. 또한 유니티의 유니버설 렌더 파이프라인(URP)은 다양한 가상현실 기기에서 최적화된 프레임 속도와 고품질 그래픽을 제공하도록 돕는다. 특히 유니티 2022 LTS 버전부터는 메타 퀘스트 3를 위한 혼합현실(MR) 개발 도구가 정식 지원되어 개발자들이 패스스루와 공간 인식 기능을 더욱 쉽게 활용할 수 있게 되었다. 양사는 앞으로도 개발자들이 메타의 가상현실 기기에서 게임과 비즈니스 애플리케이션을 효율적으로 개발하고 배포하며 성장시킬 수 있도록 협력을 지속할 계획이다. 유니티의 알렉스 블룸 최고운영책임자는 가상현실의 성공을 위해서는 우수한 콘텐츠가 핵심이라면서, “메타의 하드웨어 및 운영체제 리더십과 인터랙티브 콘텐츠 제작의 중심인 유니티의 역량을 결합해 더 많은 개발자가 가상현실에 쉽게 접근하도록 돕겠다”고 밝혔다. 메타의 라이언 케언스 가상현실 부문 부사장은 “유니티는 가상현실 개발자 커뮤니티에 대한 메타의 투자 등 여러 사업 전반에서 매우 중요한 파트너”라면서, “오랜 파트너십을 연장함에 따라 개발자들이 메타의 가상현실 기기를 사용하는 수백만 명의 이용자들에게 고품질의 성능과 경험을 보다 쉽게 제공할 수 있게 되었다”고 평가했다.
작성일 : 2026-04-09
지멘스, 에이전틱 AI 기반 반도체 검증 툴킷 발표로 설계 혁신 가속
지멘스 디지털 인더스트리 소프트웨어, 지멘스 EDA 사업부는 자사의 스마트 검증 소프트웨어 포트폴리오인 퀘스타 원에 에이전틱 AI 워크플로를 적용한 ‘퀘스타 원 에이전틱 툴킷(Questa One Agentic Toolkit)’을 발표했다. 이번 툴킷은 반도체 설계 검증의 전 과정을 가속해 신뢰할 수 있는 레지스터 전송 수준(RTL) 최종 승인을 빠르게 달성하도록 돕는다. 최근 3D 집적회로와 칩렛 기반 아키텍처 등 설계 복잡성이 커지면서 검증 생산성 격차가 벌어지고 있다. 지멘스에 따르면 퀘스타 원 에이전틱 툴킷은 기존의 개별 툴 중심 상호작용을 에이전틱 AI 기반의 지능형 다단계 워크플로로 전환한다. 이 시스템은 복잡한 작업을 추론하고 실행하면서도 중요한 의사결정 단계마다 엔지니어의 감독을 유지하는 것이 특징이다. 퀘스타 원 에이전틱 툴킷은 지멘스의 에이전틱 및 생성형 프레임워크인 퓨즈 EDA(Fuse EDA) AI 시스템과 원활하게 연동된다. 지멘스 환경을 원하는 고객에게 최적화된 성능을 제공하는 동시에, 개방형 아키텍처를 채택해 다른 에이전틱 플랫폼과도 통합할 수 있다. 표준화된 인터페이스를 통해 다양한 플랫폼에서 일관되게 작동하며 기존 투자 자산을 보호한다.     지멘스는 검증 엔진 전문성과 심층 AI 통합, 고객 선택권 세 가지 요소를 차별점으로 내세웠다. 자체 개발한 모델 컨텍스트 프로토콜을 통해 툴을 에이전틱 프레임워크에 노출하며, 엔비디아의 라마 네모트론(NVIDIA Llama Nemotron) 등을 활용해 실시간으로 검증 상태를 이해한다. 또한 깃허브 코파일럿이나 클로드 코드 등 주요 AI 코딩 애플리케이션과 함께 사용할 수 있는 유연성을 갖췄다. 툴킷에 포함된 주요 에이전트는 설계와 검증의 효율을 높인다. RTL 코드 에이전트는 자연어 설명으로 합성 가능한 코드를 생성하고 규칙 위반을 점검한다. 린트 에이전트(Lint Agent)와 CDC 에이전트는 각각 설계 오류와 클록 도메인 크로싱(Clock Domain Crossing) 검증을 최적화하며, AI 기반의 자동 수정 제안을 통해 품질을 확보한다. 이외에도 검증 계획 에이전트(Verification Planning Agent)는 설계 사양을 분석해 검증 계획을 자동으로 생성하며, 디버그 에이전트는 파형과 로그 파일을 분석해 근본 원인 파악을 돕는다. 이러한 에이전트들은 전문가가 개발한 프롬프트 라이브러리를 기반으로 퀘스타 원의 다양한 툴과 MCP를 활용해 직접 연동된다. 지멘스 디지털 인더스트리 소프트웨어의 아비 콜펙워 수석 부사장은 “퀘스타 원 에이전틱 툴킷은 연결성과 데이터 기반 원칙을 바탕으로 고객이 AI 가속을 통해 설계 및 검증 클로저를 달성하도록 지원한다”면서, “인간의 전문성과 판단을 유지하면서도 지능형 에이전틱 AI 워크플로로 강화된 포괄적인 검증 설루션을 제공한다”고 밝혔다.
작성일 : 2026-03-20
시높시스, “엔비디아와 협력해 AI 기반 엔지니어링 혁신 성과 낸다”
시높시스는 엔비디아 GTC 2026에서 양사의 전략적 협력을 바탕으로 한 AI 및 고성능 컴퓨팅 엔지니어링 혁신 성과를 발표했다. 이번 발표에서는 반도체부터 시스템 전체를 아우르는 에이전트 AI 기반 엔지니어링 환경과 다양한 산업군의 적용 사례가 공유됐다. 현재 반도체와 자동차, 항공우주 등 주요 산업 분야에서는 설계 복잡성이 증가하고 개발 비용이 상승하는 반면 출시 기간 단축에 대한 요구는 더욱 커지고 있다. 시높시스는 이러한 한계를 극복하기 위해 엔비디아의 AI 및 가속 컴퓨팅 기술을 자사의 설계와 시뮬레이션 설루션에 결합했다. 이를 통해 고객이 제품 개발 과정을 더 빠르고 효율적으로 진행할 수 있도록 도울 수 있다는 것이다. 앤시스를 인수한 시높시스는 이번 행사에서 반도체 설계와 멀티피직스 시뮬레이션을 통합한 환경 및 디지털 트윈 기반의 가상 프로토타이핑 기술을 선보였다. 실제 시제품을 만들기 전 단계에서 성능과 동작을 미리 검증함으로써 개발 리스크를 줄이고 속도를 높일 수 있다는 것이 시높시스의 설명이다. 시높시스의 사신 가지 CEO는 “전통적인 방식으로는 오늘날 지능형 시스템의 복잡성을 감당하기 어렵다”면서, “엔비디아를 포함한 파트너들과 협력해 설계부터 검증까지 전 과정을 지원하고 디지털 트윈 기반 기술로 고객이 미래를 설계할 수 있게 돕고 있다”고 말했다. 엔비디아의 젠슨 황 CEO 또한 “현대 엔지니어링은 시뮬레이션과 디지털 트윈 환경에서 이뤄진다”면서, “시높시스의 플랫폼과 엔비디아의 AI 기술을 결합해 복잡한 설계 환경을 효과적으로 다루는 새로운 패러다임을 구현하고 있다”고 밝혔다. 실제 고객사의 성능 향상 사례도 제시됐다. 어플라이드 머티리얼즈는 시높시스 퀀텀ATK(QuantumATK)와 엔비디아 cuEST를 활용해 양자 화학 시뮬레이션 속도를 최대 30배 높였다. 혼다는 앤시스 플루언트(Ansys Fluent) 유체 시뮬레이션 소프트웨어에 GPU 가속을 적용해 기존 CPU 환경보다 34배 빠른 연산 성능과 38배의 비용 절감을 달성했다고 밝혔다. 아스테라 랩스 역시 엔비디아 B200 GPU 기반의 시높시스 프라임심(PrimeSim)을 활용해 설계 검증 속도를 3.5배 개선했다. 시높시스는 엔비디아와 협력해 에이전트 AI 기반의 엔지니어링 환경 구축에도 속도를 내고 있다. 시높시스 에이전트엔지니어(Synopsys AgentEngineer) 기술을 바탕으로 멀티 에이전트 워크플로를 구현하고, 엔비디아의 에이전트 툴킷 및 NIM 추론 서비스 등을 연동해 복잡한 칩 설계 작업을 자동화하는 방식이다. 시높시스는 이번 GTC에서 L4 수준의 에이전트 EDA 워크플로를 시연하며 설계 자동화의 이정표를 제시했다. 디지털 트윈 구현 사례로는 아나로그디바이스(ADI)와의 협업이 소개됐다. ADI는 엔비디아 옴니버스 및 아이작 심(Isaac Sim) 환경에서 시높시스의 멀티피직스 시뮬레이션 소프트웨어를 사용해 차세대 촉각 센서와 로봇 민첩성 벤치마크의 디지털 트윈을 제작하고 있다. 시높시스의 앤시스 메카니컬(Ansys Mechanical)과 AV엑셀러레이트 센서(AVxcelerate Sensors) 소프트웨어는 케이블, 센서 깊이 인식 등 정밀한 시뮬레이션을 구현하는 데 활용됐다.
작성일 : 2026-03-19
어도비-엔비디아, AI 기반의 에이전틱 콘텐츠 제작 패러다임 전환 추진
어도비가 엔비디아와 전략적 파트너십을 맺고 AI 기반 콘텐츠 제작과 개인화를 가속화한다고 발표했다. 이번 협력을 통해 양사는 차세대 어도비 파이어플라이 모델과 에이전틱 워크플로를 선보일 계획이다. 이번 파트너십은 급증하는 콘텐츠 수요에 대응하여 어도비의 크리에이티브 역량과 엔비디아의 가속 컴퓨팅 기술을 결합하는 데 목적을 둔다. 양사는 차세대 파이어플라이 모델을 공동 개발하여 크리에이티브 및 마케팅 파이프라인 전반에 높은 수준의 정밀도와 제어 기능을 제공할 예정이다. 이 모델은 엔비디아 쿠다-X(NVIDIA CUDA-X), 엔비디아 네모(NVIDIA NeMo) 라이브러리, 엔비디아 코스모스(NVIDIA Cosmos) 오픈 모델, 엔비디아 에이전트 툴킷(NVIDIA Agent Toolkit) 소프트웨어를 활용하여 고품질 콘텐츠 생성을 지원한다. 어도비의 샨타누 나라옌 회장은 이번 파트너십이 AI를 통해 크리에이티브와 마케팅 워크플로를 재정의하겠다는 공동의 비전에 기반한다고 밝혔다. 엔비디아 젠슨 황 CEO 역시 리서치 및 엔지니어링 팀 간 협력을 통해 창의성과 고객 경험을 혁신할 차세대 모델을 구축할 것이라고 전했다.     콘텐츠와 캠페인 제작 속도를 높이는 에이전틱 크리에이티브 및 마케팅 워크플로 혁신을 위한 협력도 추진한다. 어도비는 이러한 에이전틱 워크플로를 구동하기 위해 엔비디아 에이전트 툴킷과 네모트론 오픈 모델을 활용할 계획이다. 또한 단일 명령으로 상시 실행 어시스턴트를 안전하게 실행할 수 있는 오픈 소스 스택인 엔비디아 네모클로(NVIDIA NemoClaw) 개발에도 협력한다. 엔비디아 에이전트 툴킷의 일부인 네모클로는 자율 에이전트와 오픈 소스 모델을 실행하기 위한 보안 환경인 오픈셸 런타임을 설치한다. 어도비는 엔비디아와 협력을 통해 브랜드 아이덴티티를 유지하는 클라우드 네이티브 3D 디지털 트윈 설루션을 출시한다. 이 설루션은 실제 제품의 가상 복제본을 생성해 마케팅과 커머스 경험 전반에서 활용되는 디지털 아이덴티티 역할을 수행한다. 엔비디아 옴니버스 라이브러리를 어도비 기술에 통합함으로써 오픈USD 기반의 3D 디지털 트윈 워크플로를 활용한 마케팅 콘텐츠 자동화를 지원한다. 브랜드는 이를 통해 일관된 제품 이미지부터 몰입형 가상 체험까지 다양한 콘텐츠를 생성할 수 있다. 어도비는 엔비디아의 AI 인프라와 라이브러리를 활용해 포토샵, 프리미어 프로, 애크로뱃 등 주요 툴의 성능을 최적화할 계획이다. 특히 어도비 파이어플라이 파운드리를 통해 기업 고유의 브랜드에 맞춘 엔터프라이즈급 맞춤형 AI를 구현한다. 이를 통해 미디어 및 엔터테인먼트 스튜디오는 상업적으로 안전한 콘텐츠를 대규모로 제공받을 수 있게 된다. 전략적 파트너십의 주요 협력 내용에는 ▲엔비디아의 첨단 컴퓨팅 기술을 활용한 차세대 어도비 파이어플라이 모델 제공 ▲개인화되고 안전한 환경에서 하이브리드 방식의 에이전트 루프를 구현하는 에이전틱 AI 혁신 ▲엔비디아 옴니버스 라이브러리와 RTX 렌더링 기술을 통합한 고정밀 클라우드 네이티브 3D 디지털 트윈 구축 ▲이미지, 영상, 오디오 전반에 걸쳐 지식재산권이 보호되는 엔터프라이즈용 크리에이티브 대규모 구현 ▲엔비디아 네모트론 기능을 애크로뱃에 통합해 비즈니스 생산성을 높이는 AI 도큐먼트 인텔리전스 강화 ▲엔비디아 쿠다를 활용한 프레임닷아이오의 클라우드 콘텐츠 관리 및 워크플로 가속화 등이 포함된다.
작성일 : 2026-03-18
[포커스] 인텔, 코어 울트라 시리즈 3로 온디바이스 AI 및 에지 시장 공략 가속화
인텔은 지난 1월 28일 ‘2026 AI PC 쇼케이스 서울’을 통해 최첨단 18A 공정이 적용된 차세대 프로세서 ‘인텔 코어 울트라(Core Ultra) 시리즈 3’를 국내에 공식적으로 선보였다. 이번 신제품은 기존 모델 대비 전력 효율을 높이고 그래픽과 AI 연산 성능을 향상시킨 것이 특징이다. 인텔은 온디바이스 AI의 보안성과 효율을 앞세워 클라우드 의존도를 낮추고 사용자 경험을 혁신하겠다는 의지를 밝혔다. 또한 한국 시장의 전략적 중요성을 강조하면서, PC를 넘어 에지 AI 분야까지 생태계를 확장하겠다는 비전을 제시했다. ■ 정수진 편집장   18A 공정 기반의 차세대 아키텍처와 혁신 기술 집약 코드명 팬서레이크인 인텔 코어 울트라 시리즈 3는 인텔의 18A 반도체 공정 기술을 기반으로 설계된 첫 번째 플래그십 프로세서이다. 각 트랜지스터에 공급되는 전력을 정밀하게 제어하는 게이트 올 어라운드(GAA) 구조의 리본펫(RibbonFET)과 복잡한 칩의 전력 배선 구조를 단순화해 칩 밀도를 높이는 파워비아(PowerVia) 기술이 적용되어 전력 및 공간 효율을 높인 것이 특징이다. 성능 코어(P-코어)와 효율 코어(E-코어)로 구성된 하이브리드 코어 아키텍처를 재설계한 것도 눈에 띈다. 인텔은 18A 공정에 맞춰 성능 코어와 효율 코어를 전면 재설계했다고 밝혔는데, 특히 저전력 아일랜드(Low Power Island)에 위치한 4개의 효율 코어에 추가 캐시를 탑재해서 더 많은 워크로드를 저전력으로 처리할 수 있도록 설계되었다. 인텔의 조쉬 뉴먼(Josh Newman) 컨수머 PC 부문 총괄은 “코어 울트라 시리즈 3는 NPU(50 TOPS)와 GPU(120 TOPS) 등을 합쳐 플랫폼 전체에서 최고 180 TOPS의 AI 연산 성능을 제공한다”면서, “이를 통해 보안을 유지하면서도 기기 내에서 로컬 LLM(거대 언어 모델)을 원활하게 구동할 수 있다”고 소개했다. 또한, 코어 울트라 시리즈 3는 차세대 내장 그래픽인 인텔 아크(Arc) B390을 탑재했다. 아크 B390은 Xe3 아키텍처를 기반으로 12개의 Xe 코어와 96개의 XMX 엔진, 이전 세대 대비 2배 늘어난 16MB의 L2 캐시를 탑재했다. 이를 통해 이산형(discrete) 모바일 GPU에 맞먹는 성능을 제공한다는 것이 인텔의 설명이다.   ▲ 인텔의 조쉬 뉴먼 컨수머 PC 부문 총괄이 코어 울트라 시리즈 3를 소개했다.   루나레이크 대비 향상된 전성비와 AI 성능 구현 이번 신제품은 이전 세대인 루나레이크와 비교해 CPU/GPU 성능과 전력 효율, AI 성능 등에서 폭넓은 개선이 이뤄졌다. 코어 울트라 시리즈 3는 최대 8개의 효율 코어를 추가로 구성해서 루나레이크 대비 멀티스레드 성능이 최대 60% 향상되었으며, 전반적인 CPU 속도 역시 60% 더 빨라졌다. 또한, 동일한 싱글 스레드 성능을 최대 40% 더 낮은 전력으로 구현할 수 있다. 인텔은 “시스템 전체의 전력 소모를 줄여서, 배터리 수명을 시간 단위가 아닌 일(days) 단위로 측정할 수 있을 만큼 연장했다”고 전했다. GPU 성능 역시 내장 그래픽 크기를 키우고 아키텍처를 개선하면서, 루나레이크 대비 게이밍 그래픽 성능이 77% 이상 향상되었다. 이는 60W로 구동되는 경쟁사 랩톱 GPU의 성능과 맞먹으면서도 45W의 더 적은 전력을 소비하는 수준이라는 것이 인텔의 설명이다. 이외에 96개의 AI 가속기(XMX)를 내장해 AI 성능을 이전 세대 대비 약 2배 가까이 끌어올렸으며, AI 추론 성능은 53% 향상되었다. 이와 함께 50 TOPS 성능의 저전력 NPU를 별도로 탑재해서, 화상 회의의 배경 흐림이나 오디오 노이즈 제거, 보안 작업 등의 상시 AI 작업을 최소화된 배터리 소모와 함께 구동할 수 있도록 했다. 뉴먼 총괄은 “인텔의 접근 방식은 인텔 코어 울트라 시리즈 3 아키텍처와 곧 출시될 차세대 시리즈 3 코어를 중심으로, 단일 아키텍처 기반에서 폭넓은 제품 포트폴리오를 제공하는 것이다. 이를 통해 다양한 세그먼트별 수요와 가격대, 지역별 요구사항을 포괄할 수 있도록 설계했다”고 전했다.   PC를 넘어 온디바이스·에지 AI까지 영역 확장 인텔은 350개 이상의 독립 소프트웨어 공급업체(ISV)와 협력해서 500개 이상의 AI 기능에 최적화된 환경을 갖추고 있다고 전했다. 또한, 인텔의 오픈비노(OpenVINO) 툴킷을 통해 개발자들이 맞춤형 하드웨어 재작성 없이도 파이토치(PyTorch)나 라마(Llama) CCP 등 최신 생성형 AI 모델과 비전 모델을 즉시 배치하고 최적화할 수 있도록 지원한다. 예를 들어, 어도비 프리미어 프로(Adobe Premiere Pro)에서는 GPU 기반 AI를 통해 사용자가 입력한 설명만으로 원하는 미디어나 영상을 손쉽게 검색할 수 있다. 줌(Zoom)에서는 NPU를 활용하여 시스템 전력 소모를 줄이면서도 가상 링 조명 효과나 배경 어둡게 하기 등의 기능을 지원한다. 또한, 마이크로소프트와 긴밀히 협력해 코파일럿 플러스(Copilot+)의 차세대 AI 경험을 윈도우 11 생태계 전반에서 지원한다. 기업 환경에서는 클라우드로 데이터를 전송할 때 발생하는 보안 우려에 대해 민감할 수밖에 없다. 인텔은 “민감한 데이터는 기업 내부(로컬)에서 유지하면서 AI 기반 생산성 작업을 안전하게 수행할 수 있는 온디바이스 AI 환경을 제공한다”고 전했다. 인텔은 코어 울트라 시리즈 3를 통해 PC를 넘어 에지 AI(edge AI) 시장으로 확장한다는 계획도 소개했다. 스마트 공장, 스마트 시티, 헬스케어 등 에지 환경에서도 코어 울트라 시리즈 3의 AI 성능과 전력 효율을 그대로 활용할 수 있다는 것이다. 인텔은 코어 울트라 시리즈 3가 환경을 실시간으로 인지해야 하는 로보틱스나 품질 관리용 비전 언어 모델(VLM) 구동에 적합하다는 점을 내세운다. 뉴먼 총괄은 “경쟁사의 AI 가속기 설루션과 비교해 LLM 지연 시간(latency) 성능을 2배가량 높였으며, 영상 분석 애플리케이션에서 총소유비용(TCO)을 2배 이상 개선했다”면서, “외장 그래픽 카드 없이도 내장된 GPU와 NPU만으로 환경을 인지하고 기계를 정밀하게 제어할 수 있다”고 소개했다.     국내 AI 생태계 전략 및 비즈니스 비전 소개 최근 메모리 가격이 오르면서 PC 가격에 대한 부담이 커지고 있다. 인텔은 이런 우려에 대응하고 소비자의 다양한 세그먼트별 수요를 충족하기 위해, 시리즈 3 단일 아키텍처 기반의 폭넓은 제품 포트폴리오를 제공한다는 계획을 소개했다. 조쉬 총괄은 “이전 세대가 프리미엄 및 게이밍에 집중했다면, 시리즈 3은 다변화된 가격대와 지역별 요구사항을 모두 포괄할 수 있도록 설계해서 파트너사이 각자의 시스템 가격 목표에 맞춰 시장에 정밀하게 대응할 수 있도록 지원할 것”이라고 밝혔다. 인텔은 자사의 AI 기술력을 PC 디바이스에 한정짓지 않고 스마트 공장, 첨단 헬스케어 등 에지 AI 시장으로 확장하고 있다. 이 부분에서도 국내 파트너와의 협업을 추진 중인데, 대표적으로 스마트 공장 및 비전 인식 AI 분야에서는 LG이노텍과, 실시간 영상 진단 등 디지털 헬스케어 분야에서는 삼성메디슨과 협력하면서 에지 영역의 AI 컴퓨팅 생태계를 구축하고 있다. 인텔은 한국 시장을 AI PC 및 AI 반도체 생태계의 전략적 핵심 기지로 삼고 있다고 전했다. 인텔코리아의 배태원 사장은 “우리나라는 전 세계에서 새로운 기술을 가장 빠르게 수용하는 역동적인 시장으로, 인텔 코어 울트라 시리즈 3의 글로벌 첫 출시 국가 중 하나로 선정되었다. 실제로 2025년 기준 국내 주요 리테일 채널에서 판매된 인텔 칩 기반 AI PC 비중이 이미 40%를 넘어설 만큼 높은 수요를 보이고 있다”고 설명했다. 또한 삼성전자, LG전자 등 국내 주요 파트너와 협력해 폭넓은 AI PC 라인업을 제공하고, 생태계를 한 차원 더 도약시키겠다는 전략을 밝혔다. 최근 AI 반도체 트렌드에서 CPU, GPU뿐만 아니라 메모리의 중요성도 부각되고 있다. 인텔은 세계적인 메모리 선도 기업인 삼성전자와 SK하이닉스를 포함한 국내 AI 관련 생태계의 핵심 기업들과 협력을 지속하면서 AI 반도체 리더십을 탄탄히 다지겠다는 계획이다.     ■ 기사 내용은 PDF로도 제공됩니다.
작성일 : 2026-03-05
HP, 로컬 AI 실행을 위한 워크스테이션 ‘ZGX 나노 G1n AI 스테이션’ 국내 출시
HP코리아가 개발자와 데이터 사이언티스트 등 AI 직군 종사자를 위한 새로운 워크스테이션 ‘ZGX 나노 G1n AI 스테이션(ZGX Nano G1n AI Station)’을 국내 출시한다. ZGX 나노 G1n은 150mm 정사각형 크기의 소형 데스크톱 폼팩터에 대규모 AI 모델 실행을 위한 연산 환경을 구현했다. 데이터를 외부 서버로 보내지 않고 기기 내부에서 직접 처리하는 로컬 방식으로 AI 개발과 추론을 수행해 클라우드 의존을 줄였다. ‘ZGX 나노 AI 스테이션’은 미래의 업무(Future of Work)를 새롭게 정의한다는 기업 비전 아래 HP가 새롭게 선보인 라인업이다. 로컬 AI 컴퓨팅 수요 증가, 데이터 보안 강화 필요성 증대, 클라우드 비용 부담 등 변화하는 환경에 대응하기 위해 고안됐다. 이번 ZGX 나노 G1n은 기존 데스크톱·노트북 환경에서 부족했던 대형 모델 처리와 개발자 경험을 보완하고, 기업의 AI 워크플로를 단계적으로 확장할 수 있는 기반을 제공한다.     ZGX 나노 G1n은 컴팩트한 폼팩터 안에 대규모 모델 처리를 위한 연산 체계를 갖췄다. 엔비디아 GB10 그레이스 블랙웰 기반 아키텍처로 페타플롭(Petaflop, 초당 1000조 회 연산)급 성능과 최대 1000 TOPS(AI 전용 연산 단위) 성능을 제공하며, 128GB 통합 시스템 메모리를 적용해 최대 2000억 파라미터(매개변수)급 모델을 로컬에서 직접 실행 가능하다. ZGX 나노 G1n 두 대를 초저지연 네트워킹을 지원하는 엔비디아 커넥트X-7(ConnectX-7)으로 연결하면 처리 가능한 모델 규모가 최대 4050억(405B) 파라미터로 확장돼, 별도 데이터센터 구축 없이도 내부 수요에 맞춰 연산 환경을 유연하게 확장할 수 있다. HP는 개발자를 위한 다양한 소프트웨어도 지원한다. ZXG 나노 G1n 와 함께 제공되는 ‘ZGX 툴킷(Toolkit)’은 비주얼 스튜디오 코드(Visual Studio Code), ML플로우(MLFlow), 올라마(Ollama), 언슬로스(Unsloth) 등 주요 개발 도구를 포함해, 개발자의 초기 설정 부담을 줄이고 반복 작업 흐름을 간소화한다. 비주얼 스튜디오 코드 확장 프로그램을 이용할 경우 네크워크에 연결된 ZGX 나노 장치를 수동 IP 설정 없이 자동으로 검색·연결할 수 있어 개발 준비 과정도 한층 단순해졌다. 뿐만 아니라 엔비디아 AI 소프트웨어 스택과의 결합을 통해 대규모 언어 모델(LLM) 등 고성능 AI 워크로드를 클라우드 의존 없이 로컬에서 직접 처리할 수 있는 개발 환경을 제공한다. 로컬 환경이 주는 이점도 갖췄다. ZGX 나노 G1n은 AI 모델 학습과 추론을 로컬에서 처리해 외부 전송 과정에서 발생할 수 있는 노출 위험을 줄이며, 민감한 데이터를 기업 내부에서 일관되게 관리할 수 있어 보안 기준이 높은 환경에서도 안정적인 개발 작업을 지원한다. 클라우드 환경에서 발생하는 지연을 줄여 장기 프로젝트에서도 예측 가능한 비용 구조를 유지할 수 있고, 로컬에서 바로 작업을 이어갈 수 있어 운영 효율이 높다. HP 코리아의 김대환 대표는 “AI 개발 환경에서 속도·보안·비용 효율은 기업 경쟁력과 직결된다”면서, “ZGX 나노 G1n은 개발자가 복잡한 설정 없이 작업을 시작하고, 고도화된 모델까지 로컬에서 다룰 수 있는 환경을 제공한다. AI 개발의 속도와 안정성, 효율을 새로운 수준으로 끌어올릴 것”이라고 밝혔다.
작성일 : 2025-12-17