통신 장비 기업 에릭슨엘지가 ’에릭슨 모빌리티 보고서 비즈니스 리뷰 2024’을 발간했다고 밝혔다. 이번 보고서는 통신사의 수익 확대를 위한 5G 기반 비즈니스 영역으로 ▲모바일 광대역 성능 향상 ▲고정형 무선인터넷(FWA) 및 무선 WAN(WWAN) 서비스 도입 ▲차별화된 커넥티비티 솔루션 제공 ▲ 5G 기반 산업 생태계 확장 등을 지목했다. 5G는 4G보다 향상된 모바일 광대역(eMBB) 서비스를 제공한다. 5G eMBB 서비스는 4G에 비해 최대 10배 더 많은 용량을 제공하며, 에너지 효율은 30% 이상 개선한다. 통신사는 이와 같은 효율화를 통해 투자 비용당 더 큰 가치를 창출할 수 있다. 통신사는 FWA 및 WWAN 서비스를 제공함으로써 더 높은 가입자당 평균 매출(ARPU)을 확보할 수 있다. 보고서는 5G FWA를 가장 성공적인 5G 서비스 중 하나로 꼽았다. 2023년 미국 고정 광대역 가입자 중 90%가 FWA 서비스를 선택했으며, 2029년 전 세계 통신사의 FWA 매출은 750억 달러로 전망된다. 아직 10억 명 이상의 가정과 기업이 광대역 서비스를 누리지 못하고 있다는 점을 고려하면 5G FWA 시장이 갖는 잠재력은 매우 크다고 할 수 있다. 또한, 통신사는 수익 개선을 위해 차별화된 커넥티비티 솔루션 기회를 발굴해야 한다. 기업에 5G 특화망을 제공하거나, 5G SA 전환 후 네트워크 슬라이싱(network slicing)으로 소비자·기업에게 차별화된 서비스를 공급하는 것이 이에 포함된다. 5G는 물류, 제조업 등 다양한 산업의 생산성을 높이는 데 핵심적인 역할을 한다. 실제로 CJ대한통운은 에릭슨엘지와 협력해 이천 2풀필먼트센터에 5G 특화망을 구축했다. 그 결과 와이파이를 이용했을 때와 비교해 생산성은 20% 향상되고, 설비투자(CAPEX)는 15% 감소하는 효과를 보였다. 에릭슨이 10개 산업 40개 특화망을 조사한 결과에 따르면 5G 특화망은 네트워크와 작업자 간 연결, 무인 장비, 센서 등에 활용되고 있다.     통신사는 네트워크 API의 잠재력에도 중점을 둬야 한다. 네트워크 API를 통해 개발자에게 고도화된 5G 기능을 제공하는 것은 혁신적인 앱 및 서비스 개발로 이어진다. 통신사, 기업, 개발자는 새로운 비즈니스 기회를 창출하고, 이를 통한 5G 생태계 확장을 기대할 수 있다. 이번 에릭슨 모빌리티 보고서 비즈니스 리뷰 2024에는 ▲통신사가 직면한 어려운 시장 환경 ▲소비자 대상 성공적인 5G 수익화를 위한 단계 ▲듀얼플레이(dual-play) 광대역 전략으로 경쟁하는 미국 통신사 ▲속도 차등 기반의 FWA로 가치 증대 ▲콘텐츠 사업자와의 파트너십을 통해 창출할 수 있는 새로운 비즈니스 모델 ▲네트워크 API를 활용해 가치와 수익화 기회를 창출하는 방법 ▲산업 생산성 향상시키는 5G 특화망 등 일곱 가지 주제가 포함됐다.  에릭슨의 프레드릭 예들링(Fredrik Jejdling) 네트워크 사업 부문장 겸 수석 부사장은 “이제 비즈니스 부문에서도 5G가 활용되기 시작했다”며, “4G의 도입은 모바일 앱 경제의 토대를 마련하고, 오늘날의 모바일 광대역 시장을 있게 했다. 이와 같이 통신사는 5G 네트워크의 우수한 기술을 활용해 수익성 있는 성장을 도모해야 할 것”이라고 말했다.

책임감 있는 AI 활용 및 향상된 모델 훈련   이번 호에서는 AI를 활용해 실시간 3D 콘텐츠를 제작하는 툴인 유니티 뮤즈(Unity Muse)에서 결과를 생성하는 방법을 설명하고, 유니티의 모델 훈련 방법론 및 새로운 파운데이션 모델 두 가지를 소개한다. ■ 자료 제공 : 유니티 코리아   유니티 뮤즈는 AI 기능을 바탕으로 사용자의 탐색, 아이디어 구상 및 반복 작업을 지원한다. 이러한 기능 중 텍스처(Texture) 및 스프라이트(Sprite)는 자연어와 시각적 입력을 애셋으로 변환한다. 뮤즈를 통해 유니티 에디터에 AI를 도입하면 아이디어를 가시적인 콘텐츠로 빠르게 구현할 수 있으므로, 비전을 더 손쉽게 실현할 수 있다. 프로젝트에 사용 가능한 실제 결과물로 변환할 수 있는 텍스트 프롬프트와 패턴, 색, 스케치를 이용하여 조정 및 반복 작업도 가능하다. 유니티는 뮤즈를 통한 스프라이트 및 텍스트 생성의 기반이 되는 AI 모델에 대한 훈련 기법을 혁신하는데 노력을 들였다. 이를 통해 안전하고 책임감 있으며 다른 크리에이터의 저작권을 존중하는 유용한 결과물을 제공하고자 한다.   AI 모델 훈련 유니티는 뮤즈의 텍스처 및 스프라이트 기능을 선보이면서, 유니티가 보유하거나 라이선스를 받은 독점 데이터를 기반으로 처음부터 훈련을 받은 두 가지 맞춤형 확산 모델도 개발하고 있다.   자체 콘텐츠 라이브러리 확장 데이터 증강은 유니티가 데이터 세트의 스케일과 다양성을 높이기 위해 사용하는 핵심 기술 중 하나로, 이 기술을 이용하여 유니티는 보유 중인 원본 데이터 샘플에서 많은 변형(variation)을 생성할 수 있다. 이러한 역량으로 훈련 세트를 더 풍부하게 만들 수 있으며, 모델이 한정된 샘플을 기반으로 일반화를 수행하는 기능을 향상할 수 있다. 아울러 지오메트리 변환, 색 공간 조정, 노이즈 삽입, 스테이블 디퓨전(Stable Diffusion) 같은 생성형 모델을 통한 샘플 배리에이션 등의 기법을 사용해 데이터 세트를 종합적으로 확장한다. 최근 스테이블 디퓨전과 관련하여, 본래 인터넷에서 수집된 데이터를 기반으로 훈련된 모델이라는 이유로 윤리적인 면에서 우려가 발생한 바 있다. 유니티는 뮤즈의 텍스처 및 스프라이트 기능을 제작하면서, 자체적으로 소유하고 책임감 있게 선별한 원본 데이터 세트를 기반으로 잠재적 확산 모델 아키텍처를 처음부터 훈련하는 방식을 통해 사전 훈련된 모델에 대한 의존도를 낮췄다. 데이터 증강 기법의 일부로 스테이블 디퓨전 모델의 사용을 최소로 제한해 안전하게 사용함으로써, 유니티가 보유한 원본 애셋 라이브러리를 강력하고 다양한 결과물의 저장소로 확장할 수 있었다. 이러한 결과물은 고유하고 독창적이며, 저작권을 가진 어떠한 아트 스타일도 포함하지 않는다. 유니티는 또한 추가로 완화 조치를 적용했으며, 뮤즈의 텍스처 및 스프라이트 기능에 사용되는 유니티의 잠재적 확산 모델을 위한 훈련 데이터 세트는 인터넷에서 수집된 어떤 데이터도 포함하지 않는다. 다음은 앞에서 설명한 증강 기법을 통해 확장되는 콘텐츠의 예시이다.   그림 1   <그림 1>은 원본 데이터 샘플(왼쪽 상단)과 복합적인 증강 기법으로 얻은 합성 배리에이션이다. 두 가지 모두 노이즈 기반(색 공간 조정, 위에서 아래로) 및 생성 기반(왼쪽에서 오른쪽으로)이다. 기존 데이터를 증강한 이후에도 여전히 다양한 소재에서 채워야 하는 부분이 있었다. 이 작업을 위해 행동에 의미 있는 변화가 나타날 때까지 자체 콘텐츠로 스테이블 디퓨전을 훈련시켰다. 또한 이러한 파생 모델을 사용하여 사전 필터링된 소재 목록으로 완전히 새로운 합성 데이터를 만들었다.(그림 2)   그림 2   실제 인력에 의한 검토와 LLM(대규모 언어 모델)을 사용하는 자동화된 추가 필터링을 이러한 소재 목록에 모두 적용함으로써, 유니티의 가이드 원칙을 위반하고 인식 가능한 아트 스타일, 저작권이 있는 머티리얼, 잠재적으로 유해한 콘텐츠가 전혀 포함되지 않은 데이터 세트를 만들겠다는 유니티의 목표에 맞지 않는 합성 이미지가 생성될 가능성을 차단했다. 그 결과 증강되고 완전한 대규모의 합성 이미지 데이터 세트 두 개가 만들어졌고, 여기에는 원치 않는 콘셉트가 포함되지 않았다는 확신이 있었다. 하지만 그러한 확신에도 불구하고, 유니티는 더 많은 필터링을 추가해 모델의 안전성을 보장하고자 했다.   안전하고 유용한 결과물을 위한 추가 데이터 필터링 가장 중요한 사항은 안전 및 개인정보와 부정적인 영향 없이 사용자를 지원하는 툴의 제공이었으므로, 유니티는 추가 데이터 세트 필터링을 위한 별도의 분류기 모델을 개발했다. 이 모델을 사용한 결과, 데이터 세트에 포함된 모든 콘텐츠가 유니티의 AI 원칙에 명시된 표준을 충족하고 추가적인 이미지 품질 검사를 통과할 수 있었다. 리뷰어 모델은 합성 이미지에서 다음 사항을 식별하는 역할을 함께 담당했다. 인식 가능한 사람의 특징이 포함되어 있지 않음 일반적이지 않은 어떤 아트 스타일도 포함되어 있지 않음 어떤 IP 캐릭터나 로고도 포함되어 있지 않음 허용될 수 있는 수준의 품질을 갖추고 있음 4개의 리뷰어 모델이 요구하는 신뢰도 높은 임계 수준을 하나라도 통과하지 못하는 이미지는 데이터 세트에서 폐기되었다. 가장 높은 신뢰도를 보이는 이미지만 필터를 통과해 최종 데이터 세트에 합류할 수 있도록 철저하게 주의를 기울이며, 모델의 결격 사유를 엄격하게 평가했다.   모델 소개 유니티의 유나이트 이벤트에서 뮤즈의 텍스처 및 스프라이트 기능에 대한 얼리 액세스가 발표되었다. 이러한 툴을 지원하는 모델의 첫 번째 반복 수정을 내부적으로 ‘Photo-Real-Unity-Texture-1’ 및 ‘Photo-Real-Unity-Sprite-1’이라고 한다. 이는 스타일화에 대한 기초적인 이해만 갖추도록 설계된 모델로, 주로 포토리얼리즘에 집중되어 있다. 모델을 프로젝트의 기존 스타일에 맞게 가이드하고 싶다면, 유니티의 스타일 훈련 시스템에 약간의 고유 레퍼런스 애셋을 제공하여 콘텐츠를 특정 아트 스타일로 생성하는 방법을 모델에 학습시킬 수 있다. 그렇게 하면 결과물 가이드를 위해 메인 모델과 함께 작동하는 소규모의 후속 모델이 생성된다. 이 소규모 후속 모델은 훈련 담당자나 그 조직에 공개되지 않으며, 유니티는 메인 모델 훈련에 이 콘텐츠를 사용하지 않는다. 포토리얼리즘에 중점을 두는 모델이기 때문에 유니티는 메인 모델을 수많은 다양한 스타일로 훈련시킬 필요가 없었다. 이 아키텍처를 통해 더 손쉽게 책임감 있는 AI를 향한 유니티의 약속을 지키면서 메인 모델을 훈련시킬 수 있으며, 크리에이터가 아트 수준을 더 세부적으로 제어하도록 할 수 있다. 이러한 모델은 시작에 불과하다. 뮤즈의 스마트한 역량은 점점 더 향상되어 더 나은 결과물로 이어질 것이며, 유니티는 그러한 과정에서 모델 향상 로드맵을 통해 모델을 더 높은 완성도로 이끈다는 비전을 내세운다.   Photo-Real-Unity-Texture-1 로드맵 유니티의 텍스처 모델은 모든 분야에서 유용하게 쓰일 수 있다. 큰 규모의 콘셉트를 인식하고 있으며, 이러한 모델을 통해 서로 관련이 없는 여러 콘셉트를 자유롭게 혼합하고 <그림 3>에서 볼 수 있는 ‘메탈 슬라임’ 또는 ‘파란색 크리스탈 유리 암석’ 같은 결과물을 구현할 수 있다.   그림 3   이 모델이 현 단계에서 유용하기는 하지만, 다양한 프롬프트와 입력 방식에 어떻게 반응하는지 학습해 본 결과 단일 단어로 구성된 프롬프트로는 고급 머티리얼 콘셉트를 구현하기 어려울 수도 있다는 사실을 알 수 있었다. 원하는 목표에 맞게 모델을 가이드하는 데에 도움이 되는 방법이 더 있지만, 유니티는 기본 프롬프트의 정확도를 높이고 새로운 모델 가이드 방법을 추가하는 방식으로 사용자가 모델을 계속 더 자유롭게 제어할 수 있도록 할 예정이다. 앞으로 컬러 피커, 추가적인 사전 제작 가이드 패턴, 자체 가이드 패턴 생성을 위한 개선된 시스템 및 기타 새로운 시각적 입력 방법을 추가할 계획이며, 이 모든 사항은 현재 실험 단계에 있다. Photo-Real-Unity-Texture-1에서 유니티가 가장 중점을 두는 사항은 성과가 저조한 머티리얼 콘셉트를 식별하고 모델 재훈련을 자주 실행하여 전반적인 품질과 기능을 지속적으로 개선하는 것이다. 툴 내 평가 시스템을 통한 사용자의 피드백은 유니티가 모델 기능에서 취약점을 식별하여 더 나은 툴을 만드는 데 도움이 된다. 유니티는 빈도 높은 훈련 일정으로 모델을 빠르게 개선하고, 모델의 사용성을 높이며, 머티리얼 분야에 대한 지식을 축적하고 있다.   Photo-Real-Unity-Sprite-1 로드맵 Photo-Real-Unity-Texture-1과 유사하게 유니티의 기본적인 스프라이트 모델은 전반적으로 유용하며 많은 콘셉트를 인식한다. 툴에 아직 빌트인 애니메이션 기능이 없기 때문에, 유니티는 초기에는 가장 흔하게 사용되는 정적 스프라이트 콘셉트의 품질을 극대화하는데 주력하기로 했다. 기본 모델의 원시 결과물을 <그림 4>에서 확인할 수 있다. 일반적인 사용 사례에서 이는 사용자 훈련 모델에 의해 특정 아트 스타일에 맞게 조정된다.   그림 4   정적 오브젝트는 이미 안정적이지만 유니티는 동물과 인간의 해부학적 정확도를 개선하기 위해 계속 노력하고 있다. 이러한 유형의 소재를 사용할 때 결과가 바람직할 수도 있지만, 사지가 늘어나거나 누락되는 경우 또는 안면이 왜곡되는 경우가 발생할 수도 있다. 이는 책임감 있는 AI 및 사용 가능한 데이터에 대한 엄격한 제한을 지향하는 유니티의 조치에 따른 부작용이라고 할 수 있다. 유니티는 개인정보 보호와 안전을 중요하게 인지하고 있으며, 이로 인해 초기 얼리 액세스 릴리스에서 일부 소재의 품질이 완벽하지 않을 수 있다. 완전히 공백인 스프라이트가 생성될 수도 있으며, 이는 시각적 콘텐츠 검수 필터에 따른 결과이다. 유니티는 Photo-Real-Unity-Sprite-1의 초기 출시 버전에서는 출력 필터링에 관해 신중하게 접근하는 방향을 택했으며, 이로 인해 일부 아트 스타일의 경우 필터링에서 1종 오류가 발생할 수 있다. 유니티는 지속적으로 피드백을 수렴하고 콘텐츠 필터를 개선하면서 점차 제한을 완화할 계획이다. 유니티는 피드백을 수렴하고 책임감 있는 자세로 계속 더 많은 데이터를 소싱하면서 전반적으로 모든 소재의 품질이 빠르게 향상될 것으로 기대하고 있다. Photo-Real-Unity-Sprite-1에도 Photo-Real-Unity-Texture-1과 유사하게 철저한 훈련 일정이 적용될 예정이다.   AI 강화 개발을 향한 유니티의 행보 뮤즈는 책임감 있고 타인의 독창성을 존중하는 방식으로 생성형 AI의 잠재력을 활용해 커뮤니티에 더 강력한 창작물 제어 권한을 부여하려는 유니티의 첫걸음이다. 이 제품은 사용자를 우선으로 고려하여 제작되었으며, 유니티는 사용자의 피드백을 기반으로 변화와 개선을 진행할 예정이다. 유니티는 콘텐츠 제작 업계에서 생성형 AI가 가지는 잠재적 영향력을 인식하며 중요하게 다루고 있다. 이 툴은 크리에이터를 대체하는 것이 아닌, 크리에이터의 역량을 강화하기 위한 노력의 결과이다. 유니티는 크리에이터가 더 많아질수록 세상은 더 매력적인 곳이 될 것이라고 믿으며, 뮤즈와 이를 지원하는 모델을 통해 이러한 사명을 계속 이어간다는 비전을 제시한다.     ■ 기사 내용은 PDF로도 제공됩니다.

한국오라클이 지난 4월 16일 ‘모던 데이터 플랫폼 및 데이터베이스 혁신 전략’을 주제로 기자간담회를 열고, 융합형 데이터베이스(Converged DB)를 중심으로 한 오라클의 포괄적인 기업 데이터 관리 기술의 현재와 미래에 대해 소개했다.  ■ 박경수 기자   기자간담회에는 ‘DB의 아버지’라 불리는 오라클의 앤디 멘델손(Andy Mendelsohn) DB 서버 기술개발사업부 총괄 부사장이 참석해 ‘데이터, AI 및 앱 개발의 미래’를 주제로 발표하고, 오라클 DB 솔루션이 향후 AI 시대를 주도할 데이터 플랫폼의 미래 시장에서 어떤 가치를 갖고 있는지 설명했다.   오라클 모던 데이터 플랫폼 오라클 모던 데이터 플랫폼(Oracle Modern Data Platform)은 전체 라이프사이클을 간소화하고 더 빠른 속도로 통찰력을 제공한다는 점이 특징이다. 단일 플랫폼 상에서 모든 트랜잭션, 웨어하우스, 분석 및 인공지능(AI)/머신러닝(ML) 자산에 대한 수집, 선별(curation) 및 관리를 통해 기업이 데이터에 대한 더 큰 통제 권한을 얻을 수 있다. 오라클은 온프레미스, 하이브리드, 규제, 퍼블릭 클라우드 솔루션 등 원하는 형식이 무엇이든 지원할 수 있다고 강조했다. 모던 데이터 플랫폼은 기업 조직에 데이터 저장, 처리 및 분석을 위한 통합 환경을 제공하는 중앙 집중형 인프라로, 일반적으로 데이터 웨어하우스, 데이터 레이크, 추출, 변환, 로드(ETL) 파이프라인 및 분석 도구 등의 기술들을 포함하고 있다.  모던 데이터 플랫폼은 표준화 및 통합된 데이터 관리 접근방식을 확립해 기업 조직이 귀중한 통찰력을 얻고, 데이터 기반 의사결정을 내릴 수 있도록 하는 지원하는 것을 주된 목표로 삼는다. 단일 통합 저장소에서 데이터 자산을 중앙 집중형으로 관리해 데이터에 대한 더 쉬운 액세스, 협업 및 통제를 가능케 한다.   ▲ 오라클 모던 데이터 플랫폼 기자간담회 모습   융합형 데이터베이스 중심의 기업 데이터관리 앤디 멘델손 부사장은 “오라클의 데이터베이스 비전은 기업 앱 및 분석 개발 운영을 어떠한 활용 사례 및 규모에서든 수월하게 만드는 것”이라며, “전략적 핵심은 기업의 개발뿐만 아니라, 생성형 AI 및 LLM 결합을 통해 생성까지 쉽게 만드는 것”이라고 말했다. 이러한 비전 달성을 지원하는 두 가지 핵심 축은 ‘융합형 DB’ 및 ‘자율운영 DB’이다. 오라클의 융합형 DB는 23c 버전을 클라우드 환경으로 정식 출시됐고, 곧 사내구축형 환경으로도 출시될 예정이다. 멘델손 부사장은 오라클이 2023년 9월에 발표한 차세대 융합형 DB인 오라클 DB 23c가 기존 관계형 모델과 JSON 및 그래프 모델 간의 통합을 구현하는 혁신을 이뤘다고 소개했다. 또한 최근의 앱은 관계형뿐만 아니라 JSON, 그래프 등 다양한 데이터 유형이 혼합 운영되는 가운데, 개발자는 오라클 DB 23c를 통해 3가지 유형의 데이터 장점을 모두 활용하는 앱을 개발, 운영하고 있으며 그 과정에서 데이터의 일관성을 손쉽게 유지할 수 있다고 설명했다. 융합형 DB는 멀티 모델, 멀티 테넌트 및 멀티 워크로드 DB로, 각 개발팀이 원하는 데이터 모델과 액세스 방법을 지원하면서 불필요한 기능으로 방해받지 않도록 한다. 또한 각 개발 팀이 필요로 하는 모든 워크로드(OLTP, 분석, IoT 등)를 탁월한 성능으로 지원한다.  한편 오라클은 지난해 9월 오라클 데이터베이스23c(Oracle Database 23c)에 AI 벡터를 사용하는 시맨틱 검색 기능을 추가할 계획이라고 발표했다. AI 벡터 검색(AI Vector Search)이라는 기능 모음에는 새로운 벡터 데이터 유형, 벡터 인덱스, 벡터 검색 SQL 연산자 등이 포함되어 있다.   ▲ 오라클의 앤디 멘델손 DB 서버 기술개발사업부 총괄 부사장   생성형 AI 기술과 데이터베이스 접목 멘델손 부사장은 또 오라클 DB 비전과 관련해 생성형 AI를 접목한 융합형 DB(Converged Database)와 이를 구동하는 자율운영 DB(Oracle Autonomous Database)를 통해 모던 앱 및 분석을 생성 및 운영하는 작업이 간소화될 것이라고 강조했다. 이를 통해 융합 개방형 SQL DB가 기존 단일목적 상용 DB를 대체함으로써, 기업 개발자와 IT 전문가가 데이터 통합 시간을 줄이고 혁신에 더 집중하도록 돕는다는 전략이다. 오라클은 생성형 AI 기능을 자사 DB 포트폴리오에 내장하고 있는데, 기업이 오라클의 AI 기반 애플리케이션을 구축하도록 지원하기 위함이다. 대표적인 예로, 기업은 자율운영 데이터베이스 셀렉트 AI(Autonomous Database Select AI) 기능을 사용해 자체 엔터프라이즈 데이터와 생성형 AI가 제공하는 생산성 및 창의성의 장점 모두를 활용함으로써 애플리케이션 개발을 가속화할 뿐만 아니라, 신규 비즈니스 솔루션 구축을 진행할 수 있다. 또한 오라클은 OCI 데이터 사이언스(OCI Data Science)의 기능도 확장하고 있으며, 이를 통해 기업이 허깅페이스(Hugging Face)의 트랜스포머(Transformers) 또는 파이토치(PyTorch)와 같은 오픈소스 라이브러리를 사용해 복수의 LLM을 구축, 훈련, 배포 및 관리하도록 지원한다.   ▲ 차세대 융합형 데이터베이스, 오라클 DB 23c   오라클 글로벌 분산형 자율운영 데이터베이스 오라클 글로벌 분산형 자율운영 데이터베이스(Oracle Globally Distributed Autonomous Database)는 기업이 데이터 레지던시 요건을 충족시키고, 비즈니스 크리티컬 애플리케이션에 생존성을 제공하며, 클라우드급 DB 성능을 제공하도록 지원하는 완전 자동화된 분산형 클라우드 DB다.  또한 Oracle DB 샤드 세트로 분산된 단일 논리적 오라클 DB로, 각 샤드는 논리적 DB 데이터의 하위 집합을 호스팅하는 독립적인 오라클 DB 인스턴스다. 다수 샤드를 하나의 OCI 가용성 도메인, 여러 OCI 가용성 도메인 또는 리전, 또는 상이한 지역의 OCI 리전에서 실행해 각각 성능 극대화, 최상의 가용성 확보 및 데이터 레지던시 요건을 지원할 수 있다. 이 밖에도 기업의 핵심 워크로드 구동에 최적화된 고성능 및 고안정성을 제공하는 동시에, 데이터 주권 및 보안 강화를 지원하는 오라클의 서비스로는 오라클 융합형 DB(Oracle Converged Database), 오라클 자율운영 DB(Oracle Autonomous Database), 오라클 엑사데이터 클라우드앳커스터머(Oracle Exadata Cloud@Customer), MySQL 히트웨이브(MySQL HeatWave) 등이 있다. 또한 오라클은 기업 요구사항을 충족시킬 수 있는 DB 및 분석 서비스에 지속적으로 투자하고 있다.   멀티 클라우드 지원 오라클의 또 다른 전략적 핵심은 '멀티 클라우드 지원'이다. 오라클과 마이크로소프트는 주로 애저(Azure) 클라우드 이용 약정 계약을 맺고 있다. 애저 환경에서 자사의 앱 및 오라클 DB를 함께 운영하길 원하는 양사 고객들을 위해 ‘오라클 데이터베이스앳애저(Oracle Database@Azure)’를 발표했다.  해당 오퍼링은 물리적인 엑사데이터(Exadata) 하드웨어를 애저 클라우드 리전 안에 위치시켜 애저 클라우드 데이터 센터 안에서 바로 엑사데이터 기반 클라우드 서비스를 제공하는 변화를 선보였다. 이를 통해 양사 고객들은 기존 애저 클라우드 서비스에 대한 이용 약정 계약 금액만으로 애저 클라우드 및 오라클 데이터베이스 클라우드 서비스를 모두 사용할 수 있게 됐다. 향후 오라클은 MS 외에도 타 클라우드 기업들과 파트너십 확대를 전략적 목표로 삼고 있으며, 올해 오라클 클라우드 월드에서 관련 내용을 소개할 예정이다.  이번 기자간담회를 통해 오라클은 오라클 DB에 많은 양의 비즈니스 데이터를 보유한 기업들이 강력한 AI 기술 및 SQL을 손쉽게 활용해 간단한 방식으로 데이터 검색을 지원하는데 초점을 맞추고 있다는 것을 알 수 있다. 이를 통해 기업은 내부 독점 데이터를 더 잘 활용하는 것은 물론 이해할 수 있게 될 것으로 전망하고 있다. 또한 표준 SQL 기반으로 제공되는 AI 기술이기 때문에 컴퓨터 공학 부문에서 높은 학위가 없다고 하더라도 SQL을 이용할 수 있는 모든 DBA(데이터베이스 관리자)가 활용할 수 있다는 점도 특징이다.    질의 응답 Q. 오라클 DB의 자연어 질문 및 답변 지원 기능과 관련해, 이를 일반적 챗GPT와 비교 시, 기업 내 환경에서는 일반 사용자들이 경험하는 환각현상 같은 것들이 허용되지 않고 정확해야 하는데 이에 대한 관점은 A. 회사 내 데이터에 대해 LLM 기반 검색은 말씀하신 그런 LLM 모델로는 좋은 답을 제공할 수 없다. 말씀한 모델은 인터넷에 공개된 방대한 데이터에 대해 훈련됐지만, 기업 보유의 프라이빗 데이터에 대해서는 전혀 알지 못하기 때문이다. 비즈니스적인 질문을 비즈니스 데이터에 대해 할 경우에 자연어로 질문을 할 때 LLM이 올바른 SQL 질문을 만들 수 있도록 도울 수 있는 데이터 강화가 필요하다. 그래서 사용자의 질문의 맥락에 따라서 가장 적절하다고 생각되는 데이터베이스 스키마를 생성 및 제공해야 한다.  이에 오라클은 LLM이 SQL 생성 후 적절한 오라클 데이터베이스에 있는 스키마만 참조할 수 있도록 하며, 인터넷 공개 데이터로 답변하지 않도록 한다. 애널리스트들이 자주 묻는 질문을 알고 있기 때문에, 이것을 기반으로 관계형 뷰를 만들어서 여기서 가장 자주 묻는 질문에 해당하는 스키마 생성 및 이를 LLM에 전송해서 기업 맥락에 맞는 답변할 수 있도록 보완한다.    Q. 자율운영 DB 개념과 다른 리전에서 고가용성 및 레지던스 확보를 지원하는 기능에 대해 설명해 달라 A. 글로벌 분산형 자율운영 DB는 전 세계적으로 각국 정부가 데이터 주권 규제 강화하고 있는 추세를 지원하고자 출시했다. 예를 들어 현대기아자동차 같이 글로벌하게 운영하는 기업은 전 세계 고객에 대한 DB를 갖고 있다. 데이터 주권 규제로 인해 고객 DB를 국가별로 분산해서 나눠서 관리해야 하는 의무가 있다. 하나의 단일한 고객 DB를 통합해서 관리할 수 없고, 중국, EU 등으로 나눠서 관리해야 하며 이것을 데이터베이스 샤딩이라는 용어로 표현하고 있다. 그래서 23c에서 글로벌 샤딩을 쉽게 만드는 기술을 포함하고 있다.   Q. 파운데이션 LLM 사업을 직접 하지 않는 이유와 최근에 등장하는 경쟁력 있는 MS 오픈 AI, 구글 제미나이 등에 모델을 올리기 어려운 점에 대한 관점은 A. 챗GPT 같은 파운데이션 LLM 모델 개발 구축에 많은 비용이 들며, 시장의 무료 모델을 쓸 수 있기 때문이다. 또한 셀렉트 AI 등 오라클이 AI로 LLM 활용을 지원하는 기술들 중 좋은 API로 연결해 시중의 인기 있는 널리 사용되고 있는 LLM 모델과 잘 연동되고 지원하도록 기술을 고도화하고 있다. 오라클 클라우드 관점에서 오픈AI 등 LLM 벤더와 파트너십을 맺어서 오라클 클라우드를 사용하도록 움직이고 있다. 말하자면 프라이빗 LLM 만들 수 있도록 지원하는 것이다. 현재 AI 커뮤니티에서 굉장히 많은 개발 움직임이 있는데, 그 중 하나가 업무별로 특화된 LLM을 만드는 것이다. 이 경우 운영 비용이 굉장히 저렴해질텐데, 예를 들면 SQL 생성에 특화된 LLM 만든다고 했을 때, 이런 쪽과 협력해서 특화된 기술을 저렴한 비용으로 사용할 수 있도록 하는 협력을 진행하고 있다.      ■ 기사 내용은 PDF로도 제공됩니다.

삼성전자가 홈 라이프 활용성을 강화한 2024년형 스마트 모니터 라인업을 출시한다고 밝혔다. 이번에 선보이는 스마트 모니터 신제품은 ▲AI 프로세서를 탑재한 UHD 해상도의 M8(32형, 최대 400니트) ▲UHD 해상도의 M7(43형·32형, 최대 300니트) ▲FHD 해상도의 M5(32형·27형, 최대 250니트)이다. 2024년형 스마트 모니터 M8은 AI 프로세서를 탑재해 더욱 몰입감 있는 콘텐츠 시청 경험을 제공한다. ‘4K AI 업스케일링’으로 저해상도 콘텐츠를 4K급으로 업스케일링해 선명한 화질로 감상할 수 있다. 또, 콘텐츠의 배경음과 음성을 분석하고 주변 소음을 감지해 음성만 증폭시켜주는 ‘AVA(Active Voice Amplifier) Pro’로 향상된 사운드 경험을 제공한다. 소음이 많은 환경에서도 중요한 대사를 또렷하게 들을 수 있다. 2024년형 스마트 모니터는 스마트폰뿐 아니라 다양한 갤럭시 기기 간 연결성을 확대해 더욱 편리한 사용성을 제공한다. 갤럭시 워치를 연동한 헬스 기능도 강화했다. 갤럭시 워치를 스마트 모니터와 연결하면 실시간 헬스 데이터가 스마트 모니터로 보여주는 ‘운동 트래커’를 탑재해, 운동 콘텐츠나 TV, OTT 프로그램을 시청하며 나만의 맞춤 운동을 즐길 수 있다. 특히, 스마트 모니터 M8은 갤럭시 버즈와 연결해 더욱 몰입감 있는 사운드 경험을 제공하는 ‘360 오디오 모드’를 탑재했다. 사용자의 머리 움직임을 감지해 사운드를 제공해줘 더욱 현장감 있게 콘텐츠를 감상할 수 있다.     이 밖에도 2024년형 스마트 모니터는 전용 액세서리인 ‘무빙 스탠드’와 결합해 마모나 소음 걱정 없이 어디든 편리하게 이동시키며 사용할 수 있어 활용도를 높일 수 있다. 또한, 별도의 기기 없이 인터넷만 연결되면 모니터에서 다양한 콘텐츠 서비스를 즐길 수 있다. 스마트 TV 앱이 탑재돼 좋아하는 OTT 콘텐츠를 직접 스트리밍할 수 있으며, ‘삼성 TV 플러스’를 통해 실시간 방송과 영화를 무료로 시청할 수 있다. PC나 콘솔 기기 없이도 다양한 게임 관련 콘텐츠를 즐길 수 있는 ‘게이밍 허브’도 지원한다. 스마트 모니터 M8은 웜화이트 색상으로 출시되며 출고가는 85만원이다. M7과 M5는 화이트 및블랙 색상으로 출시된다. 색상과 크기에 따라 M7 출고가는 54만원~68만원, M5 출고가는 33만원~39만원이다. 삼성전자 관계자는 “빠르게 변화하는 소비자의 라이프스타일을 반영해 큰 사랑을 받아 온 삼성 스마트 모니터에 AI 기능을 더해 시청 경험과 활용성을 더욱 향상시켰다”면서, “트렌드에 맞춰 다양한 홈 라이프 활용성을 강화해 모니터 시장을 선도할 것”이라고 말했다.

레노버가 AI(인공지능) 도입에 대한 아시아태평양 지역의 인사이트를 소개하는 ‘CIO 플레이북 2024(CIO Playbook 2024 - It’s All About Smarter AI)’의 조사결과를 소개했다. 레노버는 이번 조사를 통해 AI 시장의 성장 전망을 소개하면서, 데이터가 있는 모든 곳에 AI 역량를 제공한다는 전략을 밝혔다. ■ 정수진 편집장   AI의 높은 열기와 함께 투자 본격화 기대 레노버 인프라스트럭처 솔루션 그룹(ISG)의 플린 맬로이(Flynn Maloy) 마케팅 부회장은 “전세계적으로 AI(인공지능)의 도입이 가속화되고 있으며, 앞으로 10~20년간 AI가 모든 IT 요소를 바꿔놓을 것이라는 기대가 높다”면서, “지금의 AI 시장은 클라우드가 확산되던 초기와 비슷한 열기를 보이고 있다”고 짚었다. 레노버의 의뢰로 IDC가 아시아태평양 및 일본 지역의 CIO를 대상으로 조사한 ‘CIO 플레이북 2024’에서는 기업 임원진이 비즈니스의 최우선 순위로 ‘AI 등 최신 기술의 활용’을 꼽았다. 그리고 ‘AI가 비즈니스의 변화를 가져올 게임 체인저가 될 것’이라는 응답이 46%로 높았다. 또한, 기술 투자의 우선순위에서는 인프라 관리의 자동화 및 보안이 1위였고, 생성형 AI(generative AI)가 4위를 차지했다. 많은 기업이 생성형 AI에 대해 투자하거나 투자 계획을 갖고 있다고 답했고, AI에 대한 투자를 늘리겠다는 응답이 전보다 늘어났다. 이런 흐름에서 레노버는 올해가 AI 투자 본격화의 원년이 될 것으로 보고 있다.   ▲ AI에 대한 관심이 늘면서 기업의 투자가 본격화될 것으로 보인다.(이미지 출처 : CIO Playbook 2024 - It’s All About Smarter AI)   더 빠른 AI 위한 에지 컴퓨팅에 주목 ‘CIO 플레이북 2024’에 따르면, 제조산업에서는 에지 컴퓨팅(edge computing)에 대한 투자가 올해 40% 늘어날 것으로 전망된다. 에지 컴퓨팅은 많은 데이터를 실시간으로 생성하고, 이 데이터를 AI 분석과 학습에 활용할 수 있게 한다는 점에서 중요하다. 대규모의 AI 모델 구축과 빠른 추론에 대한 요구가 높아짐에 따라서 실시간으로 데이터를 처리하고 응답속도를 높이는 것이 AI 분야에서 에지 컴퓨팅의 역할로 꼽힌다. 제조산업에서는 생산 현장의 자동화, IoT(사물인터넷) 장치 관리, 실시간 데이터 분석 및 인사이트 등을 위한 에지 컴퓨팅에 많은 관심을 보이고 있다. 레노버 ISG의 수미르 바티아(Sumir Bhatia) 아시아 태평양 사장은 “특히 BI(비즈니스 인텔리전스), 생산성, 대화형 AI 등의 활용분야에 대한 제조산업계의 관심이 높다”고 소개했다. BI는 스마트시티의 혼잡도 분석이나 군중 통제, 리테일 매장의 성과 분석이나 소비 예측 등에 쓰인다. AI의 생산성은 AI 개발자의 작업 효율을 높이고 부담을 줄이기 위해 중요하다. 대화형 AI는 가상 비서나 재고 관리, 고객 맞춤형 정보 제공 등에 유용하다. 레노버 ISG 코리아의 윤석준 부사장은 “우리나라는 아시아태평양 지역 내에서 에지 컴퓨팅 투자에 선두를 달리고 있다. 국내 에지 컴퓨팅 관련 투자가 급증하고 있으며, 생성형 AI에 대한 투자 또한 아시아태평양 최고 수준”이라고 전했다. 또한, “실시간 애널리틱스, 원격 모니터링, 자율주행 등에서 에지 컴퓨팅 사례가 나오고 있다”고 덧붙였다.   ▲ 제조산업에서는 자동화, IoT 장치 관리, 데이터 분석을 위한 에지 컴퓨팅에 주목하고 있다.(이미지 출처 : CIO Playbook 2024 - It’s All About Smarter AI)   데이터가 있는 모든 곳에 AI를 레노버는 작년 10억 달러 규모의 AI 투자 계획을 발표하는 등 향후 AI 투자를 확대할 예정이다. 또한 퍼스널, 프라이빗, 퍼블릭 환경을 혼합한 ‘하이브리드 AI’를 추구한다. 레노버는 서버뿐 아니라 PC, 스마트 디바이스, 에지 등에 걸쳐 다양한 규모의 AI 솔루션을 제공한다는 뜻에서 ‘포켓 투 클라우드’를 강조했다. 레노버가 특히 차별점으로 내세우는 것은 에지 포트폴리오이다. 맬로이 부회장은 “예를 들어, 리테일 상점에서 AI를 사용하기 위해 거대한 서버를 설치할 수는 없다. 대신 작고 소음이 적은 에지 서버를 활용하는 것이 현실적이다. 이처럼 레노버는 다양한 산업별로 맞춤화된 에지 AI 솔루션을 제공한다”고 설명했다. 바티아 사장은 “레노버는 50여 곳의 소프트웨어 파트너를 통해 금융 사기 방지, 제조 예방보전, 스마트시티의 비주얼 AI 등 산업별 요구에 대응하는165개 솔루션을 제공하고 있다”면서 소프트웨어 관련 투자 의지를 밝혔다. 레노버의 다음 목표는 ‘모든 곳으로 AI를 확산시키는 것’이다. 맬로이 부회장은 “데이터가 있는 곳에서 AI를 활용할 수 있는 솔루션을 제공하고자 한다. 에지에서 데이터를 빠르게 분석하고, 이를 통해 AI를 효과적으로 활용할 수 있는 접근법을 추진할 것”이라고 전했다.   ▲ 레노버는 클라우드부터 에지까지 폭넓은 AI 포트폴리오를 내세운다.(이미지 출처 : CIO Playbook 2024 - It’s All About Smarter AI)     ■ 기사 내용은 PDF로도 제공됩니다.

디지털 지식전문가 조형식의 지식마당   현재를 디지털 전환(DX)의 시대라고 하는 데에는 많은 사람이 동의할 것이다. 그리고 디지털 전환이라는 용어가 4차 산업혁명의 자리를 차지하기 시작하고 있다. 디지털 전환이라는 것은 무엇일까? 디지털 전환 또는 디지털 트랜스포메이션(digital transformation)은 기업이나 조직이 디지털 기술을 적극적으로 도입하여 비즈니스 모델, 프로세스, 서비스 및 제품을 혁신하는 과정이라고 할 수 있다. 이를 통해 기업은 경쟁력을 강화하고, 고객 경험을 향상시키며, 효율을 증가시킬 수 있다. 디지털 전환의 주요 요소는 다음과 같다. 고객 중심성 : 디지털 기술을 활용하여 고객의 요구와 기대를 이해하고 충족시키기 위한 전략을 수립해야 한다. 데이터 및 분석 활용 : 빅데이터, 인공지능(AI), 머신러닝 등을 활용하여 데이터를 수집, 분석하고 이를 기반으로 의사결정을 내린다. 디지털 기술 도입 : 클라우드 컴퓨팅, 사물인터넷(IoT), 모바일 기술, 사이버 보안 등의 디지털 기술을 도입하여 비즈니스 프로세스를 혁신한다. 조직 문화 및 리더십 변화 : 디지털 전환을 성공적으로 수행하기 위해 혁신을 추구하는 조직 문화와 리더십의 변화가 필요하다. 비즈니스 모델 혁신 : 기존의 비즈니스 모델을 재구성하거나 새로운 비즈니스 모델을 개발하여 디지털 시대에 적합하도록 한다. 디지털 전환의 시대에 엔지니어링에 대해서 생각해 보기전에 다양한 엔지니어링 접근에 대해서 정리해 봤다. 시스템 엔지니어링, 스마트 엔지니어링, 디지털 엔지니어링은 모두 공학 분야의 중요한 접근 방식이지만, 각각의 초점과 적용 방식에 차이가 있다. 시스템 엔지니어링(systems engineering) : 시스템 엔지니어링은 복잡한 시스템의 개발과 통합을 관리하는 일련의 공정이다. 이는 다학제 팀(interdisciplinary teams)이 협력하여 시스템의 전체적인 구조를 설계하고, 시스템 간의 상호작용을 최적화하는 데에 초점을 맞춘다. 시스템 엔지니어링은 프로젝트의 초기 단계에서 요구사항 정의부터 시작하여, 시스템 설계, 구현, 통합, 시험 운영 및 유지보수에 이르기까지 전 과정을 포괄한다. 스마트 엔지니어링(smart engineering) : 스마트 엔지니어링은 첨단 기술과 지능형 시스템을 활용하여 제품의 설계, 제조, 운영을 최적화하는 공학 접근법을 말한다. 이는사물인터넷, 빅데이터, 인공지능, 클라우드 컴퓨팅 등을 통합하여, 제품과 시스템의 성능을 향상시키고, 유지보수를 간소화하며, 사용자 경험을 개선하는 데 중점을 둔다. 필자가 주장하는 스마트 엔지니어링은 고객의 가치를 극대화하는 것이다. 인간은 가치 피라미드(value pyramid)에서 다양한 욕망을 충족할 때 스마트하다고 생각한다.  디지털 엔지니어링(digital engineering) : 디지털 엔지니어링은 제품이나 시스템의 전체 수명 주기를 걸쳐 요구사항(requirement), 설계(design), 분석(analysis), 검증(verification) 및 확인(validation)을 지원하기 위해 디지털 모델과 시뮬레이션을 사용하는 공학 기법이다. 이 접근법은 디지털 트윈, 시뮬레이션, 3D 모델링 등의 기술을 활용하여 물리적 프로토타입의 필요성을 줄이고, 공정의 효율성을 높인다. 각 접근법은 공학 프로젝트와 시스템 개발에서 중요한 역할을 하며, 때로는 이러한 개념들이 상호 보완적으로 사용될 수 있다. 스마트 엔지니어링과 디지털 엔지니어링은 기술의 적용에 더 큰 초점을 맞추는 반면, 시스템 엔지니어링은 프로세스와 프로젝트 관리의 측면에서 더 포괄적인 접근법을 제시한다. 시스템 엔지니어링은 주로 복잡하고 개발하는 데 오랜 기간이 소요되는 무기체계나 소프트웨어 개발에 주로 사용하고, 스마트 엔지니어링은 첨단 스마트 기기를 개발할 때 적용되었다. 그러나 최근의 디지털 전환 시대에서는 디지털 엔지니어링이 제품 혁신을 주도하고 있으며 모든 산업에 영향을 주고 있다. 디지털 전환의 시대에 디지털 엔지니어링은 산업 디지털 전환의 핵심이 될 것이다. 특히 디지털 트윈과 소프트웨어 정의(software-defined) 제품에서 제품수명주기에 핵심이 될 것으로 생각된다.  여기서 필자의 첫 번째 가설은 ‘제조업의 디지털 전환에서 가장 핵심은 디지털 엔지니어링과 PLM의 기준 정보가 아닐까’ 생각해 본다. 두 번째 가설은 ‘기존의 PLM의 프로세스를 디지털 프로세스로 새롭게 리엔지니어링해야 할 것’으로 생각한다. 세 번째 가설은 ‘그러면 디지털 프로세스에 가장 근접한 프레임워크는 무엇일까’를 생각해 봤다. <그림 1>은 디지털 제품/시스템 수명주기(digital product/system life cycle) 프레임워크이다.    그림 1. 디지털 제품/시스템 수명주기 프레임워크   <그림 1>에서 이제는 제품이나 시스템이 단순히 디지털 데이터가 물리적 시스템을 보조하기 위해서 사용했던 이전 정보화 시대나 디지털화가 아닌 본격적인 디지털 전환 시대가 열렸다는 것을 알려준다. 제품 개발에서 시스템과 엔지니어링의 무한 순환 구조를 가지며, 시스템은 현실세계의 물리적 시스템과 가상의 디지털 트윈 시스템으로 구성된다. 물리적 실체 시스템은 기존의 CAX 또는 소프트웨어 지원 엔지니어링(software-suported engineering)으로 작업을 하고, 디지털 트윈은 소프트웨이 기반 엔지니어링(software-driven engineering)의 2가지 유형의 디지털 프로세스가 적용될 것이다.   <그림 1>의 디지털 제품/수명주기 프레임워크(DPL framework)에서 상호 데이터의 교체 시스템은 디지털 PLM 시스템이 될 것이고, 그 중에서 디지털 스레드(digital thread)가 핵심이 될 것으로 예상된다. 이 디지털 스레드를 통해서 최적의 의사결정이 이루어질 것이고, 그것은 디지털 데이터와 인공지능의 몫이 될 것으로 생각된다.   그림 2. 디지털 전환의 3단계   디지털 전환은 단순히 기술적인 변화만을 의미하는 것이 아니라, 조직 전반의 변화를 포함하는 포괄적인 과정이다. 이를 통해 기업은 더욱 민첩하고, 혁신적이며, 고객 중심적인 방향으로 발전할 수 있다. 일반적으로 디지털 전환은 세 가지 단계를 가진다.(그림 2) 그것은 정보화(digitization), 디지털화(digitalization), 디지털 전환(digital transformation, DX)이며 엔지니어링의 디지털 전환인 디지털 엔지니어링에서 이 세 가지 단계가 적용될 수 있다. 현재 오래된 엔지니링 프로세스는 정보화(digitization) 및 디지털화(digitalization)이고 미래 지향적 디지털 엔지니어링은 디지털 제품 수명주기 프로세스의 프레임위크로 만들어야 한다.  “가장 위험한 형태의 인간 실수 중 하나는 자신이 달성하려는 것을 잊는 것입니다.” -폴 니츠(Paul Nitze)   ■ 조형식 항공 유체해석(CFD) 엔지니어로 출발하여 프로젝트 관리자 및 컨설턴트를 걸쳐서 디지털 지식 전문가로 활동하고 있다. 현재 디지털지식연구소 대표와 인더스트리 4.0, MES 강의, 캐드앤그래픽스 CNG 지식교육 방송 사회자 및 컬럼니스트로 활동하고 있다. 보잉, 삼성항공우주연구소, 한국항공(KAI), 지멘스에서 근무했다. 저서로는 ‘PLM 지식’, ‘서비스공학’,  ‘스마트 엔지니어링’, ‘MES’, ‘인더스트리 4.0’ 등이 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

엔비디아가 RTX AI PC와 워크스테이션 사용자를 위한 하드웨어, 소프트웨어, 도구, 가속화 등을 계속해서 선보일 예정이라고 밝혔다. 엔비디아는 2018년 RTX 기술과 AI용으로 제작된 소비자 GPU인 지포스 RTX(GeForce RTX)를 출시하면서 AI 컴퓨팅으로의 전환을 가속화했다. 이후 RTX PC와 워크스테이션상의 AI는 1억 명 이상의 사용자와 500개 이상의 AI 애플리케이션을 갖춘 생태계로 성장했다. 생성형 AI는 PC에서 클라우드에 이르기까지 새로운 차원의 기능을 선보이고 있다. 또한 엔비디아는 축적된 AI 경험과 전문성으로 모든 사용자가 다양한 AI 기능을 처리하는 데 필요한 성능을 갖출 수 있도록 지원한다는 계획이다. AI 시스템은 데이터 내부의 경험이나 패턴을 학습한 다음 새로운 입력이나 데이터가 공급되면 스스로 결론을 조정할 수 있다는 장점을 가지고 있다. AI 시스템은 이러한 자가 학습을 통해 이미지 인식, 음성 인식, 언어 번역, 의료 진단, 자동차 내비게이션, 이미지와 영상 품질 향상 등 수백 가지의 다양한 작업을 수행할 수 있다. AI 진화의 다음 단계는 생성형 AI(generative AI)라고 하는 콘텐츠 생성이다. 이를 통해 사용자는 텍스트, 이미지, 사운드, 애니메이션, 3D 모델 또는 기타 유형의 데이터를 포함한 다양한 입력을 기반으로 새로운 콘텐츠를 빠르게 제작하고 반복할 수 있다. 그런 다음 동일하거나 새로운 형식의 콘텐츠를 생성한다.     AI PC는 AI를 더 빠르게 실행할 수 있도록 설계된 전용 하드웨어가 장착된 컴퓨터이다. 점점 더 많은 유형의 AI 애플리케이션이 클라우드가 아닌 디바이스에서 특정 AI 작업을 수행할 수 있는 PC를 필요로 하게 될 것이다. AI PC에서 실행하면 인터넷 연결 없이도 항상 컴퓨팅을 사용할 수 있고 시스템의 짧은 지연 시간으로 응답성도 높아진다. 아울러 사용자가 AI 활용을 위해 민감한 자료를 온라인 데이터베이스에 업로드할 필요가 없어 개인정보 보호가 강화된다는 이점도 있다. 3D 이미지가 로드될 때까지 가만히 앉아 기다리는 대신 AI 디노이저를 통해 이미지가 즉각적으로 업데이트되는 것을 볼 수 있다. RTX GPU에서는 이러한 전문 AI 가속기를 ‘텐서 코어(Tensor Core)’라고 한다. 텐서 코어는 업무와 게임 플레이에 사용되는 까다로운 애플리케이션에서 AI의 성능을 가속화한다. 현 세대의 지포스 RTX GPU는 대략 200 AI TOPS(초당 조 단위 연산)부터 1300 TOPS 이상까지 다양한 성능 옵션을 제공하며, 노트북과 데스크톱에 걸쳐 다양한 옵션을 지원한다. GPU가 없는 현 세대의 AI PC 성능은 10~45TOPS이다. 전문가들은 엔비디아 RTX 6000 에이다 제너레이션(RTX 6000 Ada Generation) GPU를 통해 더욱 높은 AI 성능을 얻을 수 있다. 엔비디아는 고성능의 RTX GPU와 함께 AI 업스케일링부터 개선된 화상 회의, 지능적이고 개인화된 챗봇에 이르기까지 모든 유형의 사용자에게 도움이 되는 도구를 제공한다고 소개했다. RTX 비디오는 AI를 사용해 스트리밍 영상을 업스케일링하고 HDR(하이 다이내믹 레인지)로 표시한다. SDR(표준 다이내믹 레인지)의 저해상도 영상을 최대 4K 고해상도 HDR로 생생하게 재현한다. RTX 사용자는 크롬 또는 엣지 브라우저에서 스트리밍되는 거의 모든 영상에서 한 번의 클릭으로 이 기능을 이용할 수 있다. RTX 사용자를 위한 무료 앱인 엔비디아 브로드캐스트(Broadcast)는 간단한 사용자 인터페이스(UI)를 통해 화상 회의, 라이브 스트리밍 개선 등 다양한 AI 기능을 제공한다. 노이즈와 에코 제거 기능으로 키보드 소리, 진공 청소기 소리, 아이들의 큰 목소리 등 원치 않는 배경 소리를 제거하고, 가상 배경을 사용해 더 나은 엣지 감지로 배경을 대체하거나 흐리게 처리할 수 있다. 챗 위드 RTX(Chat With RTX)는 사용하기 쉽고 무료로 다운로드가 가능한 로컬 맞춤형 AI 챗봇 데모이다. 사용자는 파일을 하나의 폴더에 끌어다 놓고 챗 위드 RTX에서 해당 위치를 가리키기만 하면 PC의 로컬 파일을 지원되는 대규모 언어 모델(LLM)에 쉽게 연결할 수 있다. 이를 활용하면 쿼리를 통해 상황에 맞는 답변을 빠르게 얻을 수 있다.  AI는 크리에이터들의 지루한 작업을 줄이거나 자동화해 순수 창작을 위한 시간을 제공하며 창의적인 잠재력을 실현하도록 돕는다. 이러한 기능은 엔비디아 RTX 또는 지포스 RTX GPU가 탑재된 PC에서 빠르게 혹은 단독으로 실행된다. 어도비 프리미어 프로의 AI 기반 음성 향상 도구는 불필요한 노이즈를 제거하고 대화 품질을 개선한다. 어도비 프리미어 프로(Adobe Premiere Pro)의 음성 향상 도구는 RTX로 가속화된다. 이는 AI를 사용해 불필요한 노이즈를 제거하고 대화 클립의 품질을 개선해 전문적으로 녹음된 것 같은 사운드를 구현한다. 또 다른 프리미어 기능으로는 자동 리프레임이 있다. 자동 리프레임은 GPU 가속화를 통해 영상에서 가장 관련성 높은 요소를 식별하거나 추적해 다양한 화면 비율에 맞게 영상 콘텐츠를 지능적으로 재구성한다. 영상 편집자의 시간을 절약해 주는 또 하나의 AI 기능으로 다빈치 리졸브(DaVinci Resolve)의 매직 마스크(Magic Mask)가 있다. 편집자가 한 장면에서 피사체의 색조와 밝기를 조정하거나 원치 않는 부분을 제거해야 하는 작업에서 매직 마스크를 활용하면 피사체 위에 선을 긋기만 해도 AI가 잠시 동안 처리한 후 선택 영역을 표시한다.  한편, AI는 확장 가능한 환경, 하드웨어와 소프트웨어 최적화, 새로운 API를 통해 개발자가 소프트웨어 애플리케이션을 구축하는 방식을 개선하고 있다. 엔비디아 AI 워크벤치(AI Workbench)는 개발자가 PC급 성능과 메모리 설치 공간을 사용해 사전 훈련된 생성형 AI 모델과 LLM을 빠르게 생성, 테스트, 맞춤화할 수 있도록 지원한다. 이는 RTX PC에서 로컬로 실행하는 것부터 거의 모든 데이터센터, 퍼블릭 클라우드 또는 엔비디아 DGX 클라우드(DGX Cloud)까지 확장할 수 있는 간편한 통합 툴킷이다. 개발자는 PC에서 사용할 AI 모델을 구축한 후 엔비디아 텐서RT를 사용해 모델을 최적화할 수 있다. 텐서RT는 RTX GPU에서 텐서 코어를 최대한 활용할 수 있도록 도와주는 소프트웨어이다. 윈도우용 텐서RT-LLM을 통해 텍스트 기반 애플리케이션에서 텐서RT 가속화를 사용할 수 있다. 이 오픈 소스 라이브러리는 LLM 성능을 향상시키고 구글 젬마 ,메타(Meta) 라마2(Llama 2), 미스트랄(Mistral), 마이크로소프트(Microsoft) Phi-2 등 인기 모델에 대해 사전 최적화된 체크포인트를 포함한다. 또한 개발자는 오픈AI(OpenAI) 채팅 API용 텐서RT-LLM 래퍼에도 액세스할 수 있다. 컨티뉴(continue.dev)는 LLM을 활용하는 비주얼 스튜디오 코드(VS Code)와 제트 브레인(JetBrains)용 오픈 소스 자동 조종 장치이다. 컨티뉴는 단 한 줄의 코드 변경만으로 RTX PC에서 로컬로 텐서RT-LLM을 사용해 로컬에서 빠르게 LLM 추론할 수 있는 도구이다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 생성형 AI 모델 학습과 같이 현재도 다양한 곳에서 필수로 사용되는 강화학습 딥러닝 기술의 기본 개념, 이론적 배경, 내부 작동 메커니즘을 확인한다.   ■ 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   강화학습은 바둑, 로봇 제어와 같은 제한된 환경에서 최대 효과를 얻는 응용분야에 많이 사용된다. 강화학습 코딩 전에 사전에 강화학습의 개념을 미리 이해하고 있어야 제대로 된 개발이 가능하다. 강화학습에 대해 설명한 인터넷의 많은 글은 핵심 개념에 대해 다루기보다는 실행 코드만 나열한 경우가 많아, 실행 메커니즘을 이해하기 어렵다. 메커니즘을 이해할 수 없으면 응용 기술을 개발하기 어렵다. 그래서 이번 호에서는 강화학습 메커니즘과 개념 발전의 역사를 먼저 살펴보고자 한다. 강화학습 개발 시 오픈AI(OpenAI)가 개발한 Gym(www.gymlibrary.dev/index.html)을 사용해 기본적인 강화학습 실행 방법을 확인한다. 참고로, 깃허브 등에 공유된 강화학습 예시는 대부분 게임이나 로보틱스 분야에 치중되어 있는 것을 확인할 수 있다. 여기서는 CartPole 예제로 기본적인 라이브러리 사용법을 확인하고, 게임 이외에 주식 트레이딩, 가상화폐, ESG 탄소 트레이딩, 에너지 활용 설비 운영과 같은 실용적인 문제를 풀기 위한 방법을 알아본다.   그림 1. 강화학습의 개념(출처 : Google)   강화학습의 동작 메커니즘 강화학습을 개발하기 전에 동작 메커니즘을 간략히 정리하고 지나가자.   강화학습 에이전트, 환경, 정책, 보상 강화학습의 목적은 주어진 환경(environment) 내에서 에이전트(agent)가 액션(action)을 취할 때, 보상 정책(policy)에 따라 관련된 변수 상태 s와 보상이 수정된다. 이를 반복하여 총 보상 r을 최대화하는 방식으로 모델을 학습한다. 정책은 보상 방식을 알고리즘화한 것이다. <그림 2>는 이를 보여준다. 이는 우리가 게임을 하며 학습하는 것과 매우 유사한 방식이다.   그림 2. 강화학습 에이전트, 환경, 액션, 보상 개념(출처 : towardsdatascience)   강화학습 설계자는 처음부터 시간에 따른 보상 개념을 고려했다. 모든 시간 경과에 따른 보상치를 동시에 계산하는 것은 무리가 있으므로, 이를 해결하기 위해 DQN(Deep Q-Network)과 같은 알고리즘이 개발되었다. 모든 강화학습 라이브러리는 이런 개념을 일반화한 클래스, 함수를 제공한다. 다음은 강화학습 라이브러리를 사용한 일반적인 개발 코드 패턴을 보여준다.   train_data, test_data = load_dataset()  # 학습, 테스트용 데이터셋 로딩 class custom_env(gym):  # 환경 정책 클래스 정의    def __init__(self, data):       # 환경 변수 초기화    def reset():       # 학습 초기 상태로 리셋    def step(action):       # 학습에 필요한 관찰 데이터 변수 획득       # 액션을 취하면, 그때 관찰 데이터, 보상값을 리턴함 env = custom_env(train_data)  # 학습환경 생성. 관찰 데이터에 따른 보상을 계산함 model = AgentModel(env)      # 에이전트 학습 모델 정의. 보상을 극대화하도록 설계 model.learn()                       # 보상이 극대화되도록 학습 model.save('trained_model')    # 학습된 파일 저장 # 학습된 강화학습 모델 기반 시뮬레이션 및 성능 비교 env = custom_env(test_data)  # 테스트환경 생성 observed_state = env.reset() while not done:    action = model.predict(observed_state) # 테스트 관찰 데이터에 따른 극대화된 보상 액션    observed_state, reward, done, info = env.step(action)    # al1_reward = env.step(al1_action) # 다른 알고리즘에 의한 액션 보상값과 성능비교    # human_reward = env.step(human_action) # 인간의 액션 보상값과 성능비교   ■ 상세한 기사 내용은 PDF로 제공됩니다.