1 / 4
" DICT"으로 검색하여,
31 건의 기사가 검색 되었습니다.
-
■ 독일 Industry 4.0을 선도하는 아헨 캠퍼스 아헨공과대학 스마트 로지스틱스 클러스터(Cluster Smart Logistik, c/o FIR e.V. an der RWTH Aachen) Campus-Boulevard 55, 52074 AachenTel: +49 241-47705-100www.fir.rwth-aachen.de/en/about-us/smart-logistics-cluster 방문연수독일아헨 ◇ 지역의 인더스트리 4.0을 이끌고 있는 유관기관들을 차례로 방문○ 아헨에서는 아헨지역의 인더스트리 4.0을 이끌고 있는 아헨공과대학과 아헨 캠퍼스 GmbH, 이들 기관 산하의 스마트 로지스틱스 클러스터, 인더스트리 4.0 성숙센터, 공작기계연구소 등 전방위적인 인더스트리 4.0 선도기관들을 차례로 방문하였다.□ 아헨공과대학◇ 공과대학으로 유명한 아헨대학○ 독일 중서부 노르트라인-베스트팔렌 주의 작은 도시 아헨에 위치한 ‘RWTH 아헨공과대학(Rheinisch Westfalische Technische Hochschule Aachen, 이하 아헨공대)’은 재학생의 42% 이상을 차지하는 공대가 주축이지만, 의대와 인문대, 사회대도 있는 종합대학이다.○ 대학구성: 9개 학부 106개 학과에 260개 연구소를 갖추고 있으며, 42,298명의 학생이 재학, 9,000명의 직원이 재직 중○ 예산규모: 한 해 9억 유로의 예산을 자랑하는 유럽 내 최대 규모의 공과대학○ 독일 기업체 임원 5명 가운데 1명은 이 대학 출신이라는 설문조사 결과가 있을 정도의 엘리트 양성소로 알려져 있다.세계 최대 스포츠카 브랜드인 포르셰의 전 회장 벤델린 비데킹(Wendelin Wiedeking)과 메르세데스 벤츠 아시아 지역 부사장 우도 로슈(Udo F. Loersch)도 아헨공대 기계공학과 출신이다.○ 국내에서는 1968년 아헨공대에서 기계금속 석사학위를 받은 故허영섭 녹십자 전 회장이 2002년 외국인으로는 처음으로 아헨공대를 대표하는 원로자문회의의 명예시네이터(Ehrensenator)에 임명되기도 했다.◇ 산학협력이 중심인 대학○ 대학은 크게 Campus Mitte, Campus Melaten, Campus West로 공간 구획되어 있고 이중 Campus Mitte는 대학교, Campus Melaten은 산학협력공간이다.Campus Melaten의 가장 중요한 일은 산학협력이고 연구결과물을 산업체에 전달하는 것을 가장 중요하게 생각한다.○ 아헨공대 공학부 학생들은 디플롬(독일대학 학위)을 따기 전 10학기 동안 최소 6개월 이상의 기업체 실습 경험을 의무화하고 있다.학생들은 대학 연구소나 기업체에서 인턴경험을 쌓고 이곳에서 배운 기술과 실용학문을 보고서로 내야 한다. 아헨공대의 가장 큰 경쟁력은 유럽 어느 공과대학교보다도 많은 연구소와 산학협력 관계를 유지하고 있다는 점이다.○ 독일의 대학 중 뮌헨 LMU, 하이델베르크대학, 아헨공대가 산업체로부터 들어오는 연구자금을 가장 많이 흡수한다.▲ 아헨공대와 산학협력 관계를 맺은 연구소[출처=브레인파크]□ 아헨 Campus GmbH◇ 스마트물류클러스터 조성을 포함한 아헨 연구단지 조성 프로젝트○ 아헨공과대학과 아헨시(Aachen City)의 자회사인 RWTH 아헨 캠퍼스(RWTH Aachen Campus GmbH)는 전체 캠퍼스 개념의 계획, 구현 및 보안을 담당하는 기업이다.○ 학제 간 협력 및 산학협력과의 긴밀한 협력을 구현하고 성장전략을 추진하기 위해 설립한 조직이다.○ RWTH 아헨 캠퍼스에서 토지의 이용과 그 기반 조건을 규제하고 클러스터 시작부터 연구 파트너 인수, 캠퍼스에 필요한 건물, 건설을 위한 투자자 선택 절차에 대한 업무를 수행하고 있고 아헨공과대학을 중심으로 한 연구기술단지 구축 전략과 계획을 수립한다.▲ Aachen Campus의 6개 클러스터[출처=브레인파크]○ 아헨공대 Campus는 지난 5년간 다양한 클러스터를 설립했다. 중화물동력 클러스터 Cluster Schwerlastantriebe, 스마트 로지스틱스 클러스터 Cluster Smart Logistik, 광자학 클러스터 Cluster Photonik, 바이오의학기술 클러스터 Cluster Biomedizintechnik, 생산기술 클러스터 Cluster Produktionstechnik, 지속가능 에너지 클러스터 Cluster Nachhaltige Energie 등 여섯 개의 클러스터가 있다.○ 대부분의 클러스터가 공적자금보다는 민간투자로 이루어졌다. 클러스터에 협력하고 있는 회원사(회사)가 현재 360여 개있고 기업의 연구개발에 필요한 충분한 인프라를 구축하고 있다. 앞으로 Innovation Factory등 8~10개의 클러스터를 추가로 설립할 계획이다.◇ 대학 내 산업경영연구소, FIR 운영○ 연구와 산업의 협력관계를 촉진시키고 클러스터와 대학의 유기적인 협업을 위해 대학내에 산업경영연구소(FIR, Forschungsinstitut für Rationalisierung)를 설립하여 운영하고 있다.○ 60여명의 교수와 20명의 직원, 100명이 넘는 연구학생들로 구성되어 있고 약 40개의 공적자금을 지원받는 프로젝트를 수행하고 있고 민간기업으로부터 60여개의 프로젝트를 수주해 놓고 있다.○ 미래 디지털 경제에 적응하기 위한 IT솔루션과 혁신적 사업운영을 현장지향적 방향으로 연구하고 있다.□ 스마트 로지스틱스 클러스터◇ 산업파트너의 스마트한 경험이 목표인 스마트 로지스틱스 클러스터○ 미래에는 기업이 보유하고 있는 데이터를 효율적으로 활용하여 최적화된 생산으로 소비자에게 제품을 공급할 것인가가 기업의 성패를 좌우한다.정확한 정보를 바탕으로 최소의 비용으로 최적의 부품과 자원을 배치하여 제 때에 생산하는 것이 경쟁력의 핵심이 된다. 이것이 바로 스마트 로지스틱스의 의미이다.○ 스마트 로지스틱스 클러스터(Smart Logistics Cluster)는 아헨공대의 교수이자 현재 이 클러스터를 이끌고 있는 FIR의 이사인 볼커 스티치(Volker Stich) 교수가 2010년부터 시작했다. FIR은 연구계와 산업계를 대표하는 이들을 모아 지금까지 없었던 독특한 형태의 협력을 이끌어냈다.○ 생산과정으로부터 정보를 실시간으로 수집하여 직관적으로 판단할 수 있도록 시각화된 분석자료를 생산하고 지능형 알고리즘을 통해 자동최적화와 품질관리를 수행하는 것이 아헨공대가 지향하는 디지털 통합기업의 모습이다.함께 협력하고 있는 회사는 Siemens, BASF, BOSCH, THALES, DMG, MORI, SEIKI, cunio, SMS GROUP, REHAU, voestalpine 등이 있다.○ 이 클러스터의 목표는 산업파트너가 물류와 생산, 서비스에 있어 스마트하고 복잡한 관계를 경험할 수 있게 하는 것이다. "스마트"라는 단어는 클러스터에서 가치 사슬이 전체론적 관점에서 고려된다는 것을 분명하게 한다.◇ 스마트 로지스틱스 산하의 5개 센터와 3개의 연구실○ 스마트 로지스틱스 클러스터에는 Center Smart Services스마트서비스센터, Center Connected Industry산업연계센터, Center Enterprise Resource Planning기업자원기획센터, Enterprise Integration Center기업통합센터, Industry 4.0 Maturity Center인더스트리 4.0 성숙센터가 가치사슬로 연계·협업하며 기업의 디지털화를 지원한다. 각 센터의 사업내용은 다음과 같다.Center Smart Service데이터에 기반한 맞춤형 서비스Center Connected industy5G에 기반한 정보통신 및 블록체인 기술Center Enterprise Resource Planning차세대 기업정보화 프로세스Enterprise Integration Center협업을 위한 공간과 실험실, 이벤트 운영Industry 4.0 Maturity Center인더스트리 4.0 도입을 위한 인덱스 개발○ 또한 스마트 로지스틱스 클러스터는 클리닉(Primotype)이라는 단계를 통해 실제 시장에 시판될 수 있는 시험생산단계를 관리하여 전체 제조과정을 단축시키는 연구를 수행하고 있다.아헨공대에서는 클리닉 단계를 운영하기 위해 eLab전자이동실험실, Innovation Labs, Demonstration Factory Aachen 데모공장 등 세 가지 시설을 운영하고 있다.○ 개발과정, 생산과정, 사용단계 세 사이클에서 발생하는 다양한 데이터를 저장하고 스마트 데이터화하여 각 단계에서 유기적으로 활용할 수 있도록 하고 있다.○ 지금까지는 기계장비에 문제가 생겨났을 때 해결에 이르기까지 많은 시간이 소요되었지만 기계장비가 문제가 생기는 순간을 실시간으로 잡아내면 문제해결 시간이 단축된다.◇ 350여개 회원기업의 실시간 네트워킹 솔루션 개발○ 현재 이 클러스터에는 약 350개의 과학계와 산업계가 참여하고 있다. 중점적인 연구 분야는 미래 사이버공간에서 정보와 상품의 흐름에 대한 솔루션을 개발하는데 있다. 이 곳의 연구는 디지털세계가 인터넷을 통해 거의 실시간으로 네트워크화할 수 있다는 사실을 가정하고 있다.○ 시스템 환경의 통합은 인더스트리 4.0으로 대변되는 산업의 변화라는 맥락에서 산업용 인터넷이 핵심 키워드로 활용되고 있다. 스마트 로지스틱스 클러스터는 아래 요소의 상호작용을 이끌어냄으로써 이런 환경을 구축할 수 있다고 믿고 있다.• 모든 기계, 도구, 장치 등의 제품과 부품에 적용할 수 있는 센서• 무제한 접근 가능한 IP 주소• 빠른 인터넷• 실시간 적용 가능한 모바일과 유선통신• 클라우드 컴퓨팅• IT 서비스 플랫폼▲ 스마트 로지스틱스 클러스터는 미래의 디지털 연결 기업을 위한 솔루션을 개발한다.[출처=브레인파크]◇ 유일하고 신뢰할만하며 범용적인 데이터소스 실현○ 이 클러스터의 궁극적인 목표는 유일하고 신뢰할만하며 범용 가능한 데이터소스, 즉 유일한 단일 소스를 만드는데 있다.장기적으로 △ERP(Enterprise Resource Planning) △MUS(Material Usage Systems) △PLM(Product Lifecycle Management) 과 같은 IT 환경을 통합하는데 노력을 기울이고 있다.○ 하지만 이러한 목표는 물류클러스터 하나의 노력으로는 이룰 수 없다는 사실을 너무나 잘 알고 있기 때문에 생산과 물류, 정보통신 관련 기업들과 적극적인 협력관계를 맺고 있다. 또한 잠재적인 모든 파트너에게도 문을 열어두고 있다.□ 인더스트리 4.0 성숙센터(Industry 4.0 Maturity Center)◇ 기업의 스마트화 로드맵 제공 기관○ 클러스터내의 5개 센터마다 고유의 사업영역이 있지만 인더스트리 4.0 성숙센터는 기업의 스마트화 촉진에 있어 매우 중요한 역할을 하고 있다.○ 디지털화된 생산에 대해 개별기업들이 관심을 갖도록 다양한 이벤트 주최하고 기업들의 디지털화 정도에 대해 분석하여 이를 바탕으로 로드맵 제공한다.○ 인더스트리 4.0은 단순히 기술적인 것만이 아니라 신속한 결정을 하고 바로 실행하는 기업을 이루고자 하는 것이라는 모토로 운영되고 있다.(There is a dream : the agile company... instead of waiting and searching)◇ 아카텍(Acatech) 인더스트리 4.0 개념 정립○ 모든 공정을 디지털화(digital shadow)하여 관리하는 것을 목표로 한다. 워크플랜에서 생산단계에 이르는 과정을 디지털화하면 생산시간이 가장 많이 줄어든다.생산공정에서 문제발생 ⇒ 앱을 이용해 디자인 또는 부품파트에 전송 ⇒ 오류가 정정되면 다시 조립 및 생산의 과정을 통해 기업은 신속한 반응을 이룰 수 있다.○ 이러한 프로세스를 통해 e-Go는 300억원에 불과한 돈으로 제품개발에 성공했고 이는 일반적인 자동차메이커의 1/10에 불과하다.○ e-Go같은 신생기업은 이런 것이 가능한데 기존 기업은 어떻게 이런 시스템을 적용할 것인가? 이런 고민을 바탕으로 IT회사, 프라운호퍼 연구재단(Fraunhofer) 등과 연계하여 공동으로 Acatech(National academy of science and engineering)이라는 독일공학한림원을 설립했다. 이로서 2011년 아카텍 인더스트리 4.0의 개념이 정립되었다.◇ 인더스트리 4.0 성숙도 지수(Maturity Index)○ 인더스트리 4.0의 출발점은 시각화(visibility, 현재 상황을 시각적으로 확인)이다. 데이터를 시각화한 이후 빅데이터 작업 및 분석으로 문제 발생의 이유를 도출한다. 이를 바탕으로 사전예측과 대응을 하고 이런 모든 과제가 마무리되면 시스템자체가 혼자서 문제를 해결한다.○ 인더스트리 4.0은 크게 정보시스템, 문화, 자원, 조직구조를 총체적으로 진화시키는 과정이다. 흔히 정보시스템(IT기술)만을 생각하지만 자원(자동화된 정보처리와 효율적 자원배치), 운영구조(수평적 조직체계, 유연한 운영, 동기부여), 기업문화(직원의 변화, 개방적 소통, 상호협력)가 고르게 구성된 것이 인더스트리 4.0이다.○ IT가 아무리 잘 갖추어져있어도 다른 부분이 뒤떨어져있으면 인더스트리 4.0은 불가능하다. 이 4가지 요소△정보시스템 △자원 △운영구조 △기업문화)를 점검하여 가장 먼저 투자해야할 분야가 어딘지를 파악하기 위해 48개 성숙도 지수를 다층적으로 분석한다.◇ 성숙도 지수의 다층적 분석으로 우선순위와 상호연관성 도출○ 엔지니어링-생산-로지스틱스-서비스-마케팅 전과정에 걸쳐 다층적 분석(계획, 실행, 관리, 지원부문)을 진행한다. 어떤 것을 해결해야하는지 우선순위를 결정하고 상호 연관성을 분석하는 과정이다.○ 분석과정을 통해 현재의 문제점을 진단하고 중장기 로드맵을 제공한다. 아카텍 인더스트리4.0 성숙도 인덱스에 기반한 질문지와 평가표를 통해 48개 항목을 분석한다. 성숙도 인덱스와 플랫폼을 사용하기 희망하는 기업들에게 유상 제공한다.▲ 성숙도 지수 예시도[출처=브레인파크]◇ 대학과 산업의 결합으로 탄생시킨 전기자동차 스타트업 성공사례, e.GO○ e.GO는 2015년 아헨공과대학의 귄터 교수(Prof. Dr. Günther Schuh)가 설립한 전기자동차 스타트업으로 아헨공과대학의 연구원 300명과 캠퍼스 연구시설, 360개 기술회사와 협력하며 다양한 저비용 및 고객 중심의 전기자동차 개발에 성공하였다.○ 아헨에 인더스트리 4.0 공장을 시범운영 중이며 대학의 노하우와 산업의 실무가 결합하여 개발과 생산까지 성공시킨 아헨공과대학의 역량을 보여주는 성공사례로 꼽히고 있다.□ 아헨공과대학 공작기계연구소 : WZL◇ Aachen Campus의 양대 축 : WZL○ 아헨공과대학의 공작기계연구소인 WZL(공작기계·생산공학연구소, Werkze -ug maschinenlabor der RWTH AACHEN)은 아헨공대 생산기술 클러스터의 가장 핵심적인 기관이며 생산기술 분야의 혁신을 선도하고 있다.○ 기계 제작 분야에만 64명의 교수가 재직하고 있고 박사과정에 공부하고 있는 학생수는 238명 정도 된다. 독일의 기초분야 연구는 막스프랑크연구소 (Max-Plank -Gesellschaft)에서 하고 응용분야는 프라운호퍼연구소(Fraunhofer-Gesellschaft)에서 진행하는데 협회형식으로 운영된다.○ 생산 기술 연구소는 900명의 인력이 종사를 하고 있고 이 곳 뿐만 아니라 시내 여러 곳에 분산되어 있다. 파트너 연구소(프라운호퍼연구소내 생산공정연구소)는 460명의 인력이 일하고 있다. 파트너 연구소와 연계되어서 생산기술이나 공정에 대한 연구가 이루어지고 있는 것이다.○ 여기서 수행하는 다양한 업무들은 생산기술, 관리경영 교육 분야들이다. 생산, 공정 전 분야를 커버할 수 있는 연구소라고 생각하면 되겠다. 이곳은 생산도 가능하도록 하고 있다.◇ 제조기술 분야 혁신 선도기관의 중소기업 인더스트리 4.0 지원 협력○ 제조 분야의 엔지니어링을 중심으로 '네트워크-적용-생산'기술 개발에 집중하면서 '고임금 국가를 위한 통합 생산 기술을 촉진'하는 우수클러스터로도 선정되었다.○ 특히 인더스트리 4.0이 대기업에 주로 도입되면서 중소기업에는 다소 부적절하다는 의견이 있는데 WZL은 대기업에 국한되지 않는 중소기업의 인더스트리 4.0 지원센터로 활동중이다.○ 이 곳에서 연구를 해서 기업이 생산에 사용할 수 있도록 하고 있다. 특정 기업에서 하나의 장비가 문제가 있다면 이 곳에서 테스트를 하고 개선하는 역할을 한다.민간기업과 연결되어 과제를 수행하고 그 댓가로 받은 수행비를 활용해 다른 연구를 하는데 비용을 쓰게 된다. 자동차산업이나 다른 기계분야에 대한 일을 한다.○ 일례를 든다면, 다양한 산업체와 협력관계를 이뤄 부품을 테스트하고 연구하고 있다. 다양한 종류의 냉각액이나 윤활유의 테스트를 통해 적합한 냉각액과 윤활유를 선택하기도 하고 기계장비나 자동차에 들어가는 베어링의 수명을 테스트 하는 것이다.□ 질의응답◇ 인더스트리 4.0 마스터플랜을 만들어 기업에 적용하는 단계- 그동안 어느 정도의 프로젝트를 진행하며 인덱스 개념을 정립했고 어느정도의 성과가 있었는지."마스터플랜을 만든 후 개별기업들이 적용하는 것이고 생산주기를 최적화하고 품질을 향상시키는 효과를 얻을 수 있다."◇ 인더스트리 4.0 성숙도지수 분석이 인상적- 우리는 인더스트리 4.0을 적용하고자하는 TP, 연구기관, 지방정부, 기업체들이 왔는데 오늘 강의는 매우 인상적이다. 우리도 인덱스를 적용하고 싶다."대부분의 기업들은 connectivity 또는 visiblity단계에 있다. 많이 발전한 기업이 빅데이터를 적용하는 정도일 것이다. 개별기업들의 다양한 시스템에 맞춰 어떻게 준비하느냐가 중요하고 connectivity 또는 visiblity단계 무엇을 하느냐가 관건이 된다."- 인덱스를 분석하고 로드맵을 산출하는데 얼마의 기간이 걸리나? 기업이 이 과정을 견뎌내는 것을 불편해 하지 않는가?"로드맵까지 3주 소요된다."◇ 기업 규모에 관계 없이 인더스트리 4.0 지원 적용- 인더스트리 4.0을 지원하는 기업의 종류는 규모별 업종별로 구성되어 있나? 적용 가능한 최소한의 기업규모는."자동차부품, 철강 등의 생산공정에 적용되는 경우가 많고 최근에 53명의 직원이 있는 소기업도 적용한 사례가 있다. 가장 큰 기업은 자동차 부품을 생산하는 기업으로 직원이 20만명에 달하는 기업이었다. 기업규모는 큰 의미가 없다, 1인기업도 가능하고 기업 상황에 맞춰 적용할 수 있다."- visiblity단계에서 측정하는 각 인덱스에 대한 평가 플랫폼이 있는지."인덱스는 48개의 지표를 의미하는 것이고 각 지표별로 어느정도 상황에 있는지를 여러 분야에 걸쳐 순차적으로 분석한다."- 디지털라이제이션이 다른 기업들(협력업체 공급업체)과 함께 이루어지지 않으면 독자적으로 구현하기 어렵지 않은지."최종 결과물을 얻기 위해 현재 시행중에 발생되는 문제를 해결하고 있는 중이다. 아직 완벽한 것은 아니다."◇ 기업 문화와 의식구조가 바뀌지 않으면 인더스트리 4.0 불가- 현재 가장 해결하여야 할 과제는 무엇이고 IT말고 다른 부분이 중요하다는 했는데 그 이유는."기업들이 기술적인 측면에만 집중을 하는데 기업전체와 문화·의식구조가 바뀌지 않을 때는 인더스트리 4.0이 불가능하다. 그런 부분이 가장 큰 도전과제중 하나이다.예를 들어 기업의 복잡한 수직적 지휘체계가 문제해결을 지연하는 경우가 많은데 디지털화가 되면 상사의 지시가 없어도 문제해결 과정이 자연스럽게 이루어진다. 이런 것을 기업문화가 수용해야 한다."- 지금까지의 프로젝트중 기업문화가 바뀌지 않아 실패한 사례가 있는가?"대부분 새로운 시스템을 거부하는 경향이 있다. 로드맵을 만드는 과정에서 기업문화를 바꾸기 위해 다양한 이벤트와 소통을 통해 공유하려고 한다.이해당사자들의 신뢰를 얻을 수 있도록 애쓰고 있다. 디지털화, 인더스트리 4.0, 스마트 그 중심에는 인간이 서있다. 인더스트리 4.0을 운영하는 것은 결국 사람이다."◇ 인더스트리 4.0 도입을 위해 사내 재교육과 IT 전문인력 필요- 인더스트리 4.0을 도입하기 위해 핵심인력의 숫자가 몇 명이 있어야 하는가? 전사적으로 참여해야 스마트화가 가능한데 단순작업자들은 어느 정도 인식을 공유해야 하는지."함께 일하는 사람들의 사내재교육이 필요하다. IT를 담당하는 인력이 필요하다. 그렇다고 분야별 전문가가 독립적으로 필요하다는 의미는 아니다. 생산분야에 있는 사람들도 이 시스템을 다뤄야 한다."- 이 조직이 정부조직인가? 정부지원을 받고 있는지."정부지원을 받지 않는다. 독일은 대부분의 정책이 민간 주도로 시작된다. 최종적으로 인더스트리 4.0을 정부가 채택하고 정책화했지만 지원은 없다."- 표준화가 진행중인가? 라이센스 비용은 어느 정도인지."DIN표준(독일산업표준)을 위해 독일전기전자협회등 다양한 산업기구들과 협력을 맺어나가며 표준화하고 있다. 인덱스를 사용하려면 파트너로 등록이 되어야 하고 프로그램에 대한 교육 후 2500€를 내야 한다.25일간 연구원들의 인건비를 계산한 것이다. 네덜란드의 35명 회사는 다섯 자리 단위를 투자해서 적용한 사례가 있다. 그동안 일년 반 정도에 30여 개의 회사를 컨설팅했다. 이곳은 8명이 일하고 나머지는 연구기관들과 협력관계를 맺고 일한다."□ 참가자 코멘트○ WZL은 제조 분야의 엔지니어링을 중심으로 한 기업 네트워크-적용-생산 기술 개발에 중점을 두는 기관이다. 중소기업에 적합한 Industrie 4.0 솔루션을 개발하여 기업과 협업하는 상생 발전 시스템을 운영한다.○ 석/박사 인력을 적극적으로 활용하여 중소기업의 부족한 연구 능력을 보완하는 전략과 유연한 근무 체계를 구축했다.○ 단순한 정부 지원이 아닌 축적된 기술과 전문 인력을 기반으로 한 기술 중심의 지속 가능한 시스템 구축으로 관련 기업과의 상생 발전이 가능케 하는 발전 시스템이다.○ 스마트 물류 클러스터 & Industrie 4.0 Maturity Center는 이번 방문에서 가장 인상 깊은 발표 자료를 제공하였다. 스마트 물류 클러스터의 의미는 기업 활동에 필요한 기획, 설계, 제조, 판매, 및 사후 서비스 등의 모든 활동을 적시에 수행할 수 있는 환경이 구축된 클러스터를 의미한다.○ 독일의 인더스트리 4.0 수준의 경우 디지털화 및 데이터 수집을 위한 기반 구축이 완료되었으며, 어떠한 이벤트들이 발생하는지를 확인할 수 있는 Visibility 단계로 진입하는 단계로써 국내 수준과 비교하여 1~2년 앞서있다.○ 기업들의 사업화를 지원하기 위한 Primotype을 관리하는 Clinic 서비스를 운영함으로써 기업들의 기술 사업화에 대한 시스템이 구축되어 있었다.○ 대학 내에 6개의 클러스터를 구축하고 관련 기업의 투자와 유치를 통하여 기업 중심의 스마트 기업 클러스터 구축을 추진중이다.○ Maturity Center 운영을 통하여 기업의 4차 산업혁명으로의 전환을 지원하는 지원 시스템을 구축, 48가지의 index를 통하여 참여 기업의 4차산업혁명 숙성도 측정 및 전환에 대한 지원이 가능하다.○ 산학 클러스터 현장은 대학과 기업의 협업의 바른(right) 모델이었고, 원칙과 현장중심, 산업 중심의 기본을 연구하는 공장이었다. 공장형 공과대학, 볼스크류 및 베어링을 연속적으로 실험하는 기본을 중시하는 학문을 다루고 있었다.○ 4차 산업 강의는 사람을 중시하며 최종 목표를 제시하고 단계별로 정확한 진단으로 나아가야 된다.○ e. Go 공장은 전기 자동차를 모태로 개발에서 사업화로 성공한 사례이며, 대학이 사업화 하기 위해서 정부의 관심(우체국 배달 차량 발주)으로 사업이 성공할 수 있도록 발판이 되었다. 미래 도시형 전기자동차와 무인 버스 제작까지 진행하고 있다.○ 이로써 산학 클러스터는 서로 실제 상생하는 모델로 나아가야 하며, 공장형 공과대학의 모델은 산업 과학자 인재 양성의 산실이 되어야 한다.○ 4차산업을 정확히 진단하고, 사람을 중심에 두고 방향을 제시하며, 단계적으로 발전을 지속해 간다.○ 4차 산업은 디지털화의 기본과 하드웨어의 연결에서부터 시작한다. 또한 대학의 개발이 사업화로 진행하는 과정에서 연구자를 중요시 하고, 타 기업에서 서로 상생하면서 기업 사회가 성장한다.○ 아헨공대 WZL 공작기계연구소는 실제 기업의 문제를 수주 받아 해결 및 개선 방법을 찾아줄 만큼 대학의 R&D 역량 및 장비와 인력 수준이 기업 보다 앞서 있어 우리나라와 극명하게 다른 대학의 수준을 볼 수 있었다.제조업의 원천기술 확보에서부터 프로세스 개선 등 제조업 경쟁력 제고를 위해서는 반드시 국내 대학의 R&D 역량 강화가 필요하다.○ 인더스트리4.0 Maturity 센터는 기업에서 생성하는 데이터들을 기업들의 수준에 맞게 표준화, 통합화하기 위한 실제 프로젝트를 진행 중이다.보다 많은 기업들의 컨설팅을 통해 통합 플랫폼을 통해 정보를 관리하면서 생산과정에서 빠른 피드팩, 생산공정 워크 플랜의 자동생성, 판매관리, A/S까지 가능하도록 정보 활용에서 가시성(Visibility) 단계를 넘어 문제의 원인판단이 가능한 투명성(Transparency) 단계와 향후 무엇이 일어날 것인지 준비가 가능하도록 하는 예측성(Predictability) 단계까지 가기 위해 실제 프로젝트를 진행하고 있는 것이 매우 인상적이다.○ 최종 목표 단계인 스스로 수집된 데이터를 통해 모든 프로세스를 스스로 최적화(self- optimizing) 할 수 있는 적응성(Adaptability) 단계를 지향하고 있는데, 이런 단계들을 통해 미래의 인더스트리 4.0이 지향하는 방향성을 알 수 있었다.○ 아헨 연구단지 조성 프로젝트는 연구는 도서관이 아닌 공장에서의 구호가 매우 인상적으로 대학 내 강의동 인근에 기업들이 입주할 수 있는 공간에 기업들을 입주시켜 산학 연계가 원활히 이루어질 수 있도록 하고 있는 부분이 매우 인상적이다.○ 과학과 비즈니스는 여러 학문과 하나의 학문 내에서도 반드시 연동될 수 있도록 산학 연계 뿐 만 아니라 학제 간 연구도 원활히 이루어질 수 있도록 다양한 연구센터들을 운영 중인 것도 참고해야 할 사항이다.○ 아헨공대는 산업체와 연계성이 강한 주립대학으로 산학협업을 촉진시키고 있다. 학생은 5만명이며 엔지니어링이 강점이다, 산업체에서 들어오는 자금력이 강하다.○ 대학은 학문보다는 현장(기업)중심이며, 기업과 학교의 R&D가 활성화되어 있는데 정부지원은 거의 없으며, 기업에서 자발적으로 참여한다.○ 표준화된 지표로 스마트화를 위한 컨설팅을 지원하고 산업관련 기관과 협업하여 표준화된 지표를 통해 로드맵 작성이나 라이센스 비용 지불 등 컨설팅 및 관리가 가능하다.○ 180명의 연구인원으로 구성되어 있고 40개정도의 프로젝터와 60개 정도의 수요자가 있으며, 다양한 기술이전 프로젝트가 진행 중이다.○ 현재 이 클러스터에는 약 350개의 과학계와 산업계가 참여하고 있으며, 중점적인 연구 분야는 미래 사이버공간에서 정보와 상품의 흐름에 대한 솔루션을 개발하는데 있다.○ 스마트 물류클러스터의 회원기업은 다양한 측면에서 시너지를 생산하는 협력관계를 맺고 광범위한 이익관계를 형성하고 있다.○ 특히 스마트물류 클러스터는 대학 내에서 기업과 대학이 주관이 되어 운영되고 있는데 우리 도에서 연구 단지를 설립 시 운영주체와 사업비 확보 방안, 상주 연구 대학의 선정, 참여 기업의 확보 등에 대한 검토와 대안이 필요할 것으로 판단된다.
-
□ 연수내용◇ 제조업에 특화된 AI서비스와 솔루션 제공이 목표○ 마키나락스는 2017년 12월 설립된 제조업에 특화된 AI서비스와 솔루션을 제공하는 스타트업으로 생산공정에 AI를 도입해 기계 고장이나 품질 이상 등을 예측하는 제조업에 특화된 AI서비스와 솔루션을 제공한다.○ 마키나락스는 Makina는 라틴어로 machine이다. Machine Intelligence를 폭넓게 해석한 것이다. Rocks는 Shaking으로 '인공지능을 통해 산업을 뒤흔들다'라는 뜻을 가졌다. ▲ 이재혁 대표[출처=브레인파크]○ 기계 인텔리전스, AI의 실행(Operation)을 통해 제조업을 다시 정의, 산업을 좀 더 효율적으로 만들자는 비전을 가지고 산업용 AI 솔루션과 제조업과 에너지 산업의 성장을 도모하는 플랫폼을 개발하는 것이 목표이다.◇ SK텔레콤에서 AI관련 팀이 분사하여 창업○ SK텔레콤에서 ‘제조업 특화 AI 데이터 분석 솔루션 기술’을 개발했던 SK텔레콤 소속 관계사(화학회사, 유공 등)에 Digital Transformation(디지털 변환)팀, 특히 인공지능 관련 데이터 분석하는 팀이 분사하여 1대 주주, 2대 주주는 SK텔레콤이다. 실리콘밸리와 서울 오피스에서 17명이 일하고 있다.○ 회사에 이해를 구한 상태에서 2017년 12월 한국에서 회사를 창업하고 2018년 미국 지사를 만들었다. SK텔레콤에서 3명, 삼성전자에서 1명 영입해서 4명으로 회사를 시작했다. 2018년 5월 SK텔레콤, 네이버, 현대에서 Seed-round 펀딩을 받았다.○ 이때 Seed-round란 처음에 회사를 만들면 시드(씨앗) 단계라고 한다. 그 다음으로 a, b, c, d 단계가 있다. 시드는 회사를 만들 때 자금이 필요한 단계, a는 뭔가를 발견해서 투자자들을 설득하는 단계, b는 발견한 것들 중 특정 무언가를 밀고 나가서 더 확장시키는 단계, c는 지역적으로 더 확장하거나 사람도 더 뽑고 매출도 올리는 단계(IPO, Initial Public Offering)이다. 보통 c가 터닝 포인트가 된다.○ 시드 단계에서는 보통 개인 투자를 받거나 창립자들이 돈을 내는데 마키나락스는 SK텔레콤이 자금을 지원했기 때문에 매출이 발생하면서 회사를 시작할 수 있었다.SK텔레콤, 네이버, 현대에서 20억 정도의 투자를 받았다. SK텔레콤이 외부 투자자 중에서는 지분을 가장 많이 받고 있다. B2B 하는 분들은 회사에 있거나 아이템을 발견해서 분사하는 경우가 많다.◇ SK텔레콤이 운영하는 스타트업 인큐베이션 공간에 입주○ 한국에서 창업 후 실리콘밸리에 자회사를 설립해 글로벌 하이테크 반도체 기업을 파트너로 확보했으며, 한국과 미국에서 반도체나 자동차 생산라인, 미생물 공정 생산라인 등에서 프로젝트를 진행하고 있다.○ 실리콘밸리 자회사는 SK텔레콤이 운영하는 스타트업 인큐베이션 공간, Inno- partners에 있다. 인큐베이션 공간과 경쟁적인 형태로 나온 것이 공유 오피스로 WeWork, 스타플레이스 등이 유명하다. 공유 오피스와 인큐베이션 공간의 차이는 공유 오피스는 임대료가 있고 인큐베이션 공간은 임대료가 없다는 것이다.▲ Innopartners 입주기업들○ Innopartners는 실리콘밸리 센터에 위치하고 있는데 스탠포드 대학교가 있고 그 앞에 멘로파크가 있다. 멘로파크에서 반도체 사업이 제일 먼저 시작했다.반도체 사업은 공해가 극심하다. 중간에 메인 공정 중 방사선 쏘는 방식은 공해가 별로 없는데, 독한 화학 물질로 깎아내리는 방식과 산업용 가스로 위에 쓰이는 방식(deposition)은 공해가 많이 발생해서 한국과 대만에서 공정을 진행하고 실리콘밸리에서는 설계, R&D하는 반도체만 남아 있다. 그 뒤로 소프트웨어, 하드웨어 사업이 주로 발달하게 되었다.◇ 어떤 중장비가 망가질지 예측하는 것이 바로 산업용 AI○ 산업용 AI가 나올 수 있던 배경은 IoT, 빅 데이터, AI이다. 각 분야별로 데이터 분석은 조금씩 다르다. IoT 시절 데이터 분석은 On&Off였다. 건설 중장비가 켜져 있는지, 꺼져 있는지만 잘 알아도 가능했다.Uptake가 이 때 나온 회사이다. On&Off를 잘 측정하고 왜 잘 안됐는지 데이터를 분석하고 축적하면서 등장한 것이 빅 데이터이다. 빅 데이터는 왜 작동이 잘 되지 않았는지 이유를 찾는 데 분석이 특화되어 있다. 어떤 중장비가 망가질 것인지 예측하는 것이 AI이다.○ 마키나락스가 하고 있는 것은 제조업의 다양한 문제를 AI기술을 접목해서 해결하려고 하는 것이다. 예를 들어 반도체의 경우 장비 하나가 비싼 것은 4000억 정도이다.따라서 망가지면 안되는데 1년 365일 24시간 작동시키고 독한 화학물질과 가스를 쓰기 때문에 망가질 수밖에 없다. 가동률을 낮추는 원인이 되는 이런 비싼 장비가 언제 망가질지 예측해서 가동률을 올리는 것이다. 해마다 다르지만 1%의 수율만 올라가면 이익이 1조 올라간다.○ 또 다른 예는 화학 공정에 가보면 파이프라인이 길게 연결되어 있는데, 파이프라인의 특정 부분이 막히기 마련이다. 막히는 걸 미리 예측하면 공정 가동률과 수익이 올라간다.그래서 산업용 AI 솔루션은 기존 가정에서 사용하는 AI 제품보다 높은 수준의 예측력을 보유한 AI를 필요로 한다. 기존 AI가 알고리즘과 데이터가 성능을 좌우한다면 마키나락스가 개발한 솔루션은 알고리즘, 데이터에 도메인 지식이 더해져 예측력면에서 뛰어나다.○ 마키나락스는 딥러닝 기반의 PdM(Predictive Maintenance) 알고리즘 및 관리 기법을 적용해, 제조 장비 및 공정에서 발생하는 센서 데이터를 분석을 토대로 △장비 고장 및 품질 이상 예측 △제조 불량 분석 △공정 최적화 솔루션을 제공해 공장의 생산성 및 품질 향상에 기여하고 있다.○ 마키나락스가 자체개발한 인공지능 솔루션은 최소 100억 원대부터인 반도체나 자동차 생산 설비의 고장이나 오류를 짧게는 12시간, 길게는 5일 전에 예측할 수 있도록 설계돼 막대한 손실을 예방한다.◇ 좋은 데이터와 데이터 기술자 확보를 위한 실리콘밸리 진출○ 한국에서 기업 솔루션을 제공하는 기업들이 많이 실패했다. 가장 큰 이유는 데이터가 있어야 하는데, 데이터 자체가 굉장히 흠이 있는 데이터라는 점이다. 장비가 얼마나 망가졌는지 외부에 알려줘야 하기 때문에 어려운 부분이다.○ 또한 데이터를 분석할 수 있는 기술자들의 인건비가 굉장히 높고 인력이 귀하다. 최소 연봉이 3억이다. SK텔레콤에서 인건비를 들여서 기술자들을 한국으로 데려와도 기술자들이 한국에서 일하고 싶어하지 않는다.한국에 가더라도 데이터 분석하는 부지는 다 지역에 있어 지역에 가려고 하지 않기 때문이다. 따라서 대기업도 기술자들을 확보・유지하기가 어렵다.그래서 최근 실리콘밸리에 SK Hynix가 진출하여 데이터 분석 기술자가 Hynix가 있는 이천으로 가지 않고 실리콘밸리에서 새로 지은 건물에서 데이터 분석을 할 수 있도록 하는 것이다.◇ 적용이 쉽지 않았던 산업용 AI○ 산업용 AI라는 개념은 예전부터 등장했지만 잘 적용되지 않았다. 포스코가 IoT 시절부터 투자를 많이 했었고 투자를 오랫동안 해서 데이터 분석을 열심히 했지만 지역에 위치하고 있어서 기술자들을 오랫동안 확보하지 못했다. 포스코는 빅 데이터에서 AI 분석까지 5년동안 프로그램을 실행했고 아래 2개를 많이 공표한다.• 용광로, 고로 온도를 일정하게 만드는 알고리즘: 변수가 많아서 어려운 부문이다.• 아이언 도금 최적화 공정‘○ 데이터 시티즌십’이라고 하는 어느 정도 역량이 있으면 교육을 받고 데이터 기술자가 될 수 있는 프로그램이 있다. 이런 프로그램을 통해 일상생활의 간단한 문제를 해결할 수 있다.SK텔레콤도 데이터 시티즌십을 통해 어떤 신입사원이 먼저 퇴사할 것인지에 대한 알고리즘을 만들었다. 그러나 정작 중요한 수율이 올라가는 과정에 대해서는 잘 없다.예전에는 노하우가 많은 엔지니어가 변수 여러 개를 두고 수율을 계산했으나 빅 데이터를 통해 변수가 늘어나면서 AI가 등장하게 된 것이다.▲ 산업용 AI 접목을 위한 4개 요소[출처=브레인파크]◇ 산업용 AI 접목○ 산업용 AI의 접목을 위해서는 아래 4개 요소가 필요하다.• 연결성 : 반도체의 경우 2014년 Hynix 인수할 때 공정 수가 300개였는데 2018년 기준 600개가 됐다. 내년 새로운 Fab이 만들어지면 800개가 넘어갈 것이다.• 복잡성 : 간단한 문제는 AI를 사용할 필요가 없고 빅 데이터, SAS 툴을 사용하면 된다. 하지만 문제가 점점 복잡해지기 때문에 AI를 사용해야 한다.• 기술 : 딥 러닝 아키텍처(컴퓨터 시스템의 구성)에서의 매개변수• 투자 : CAGR(연평균 성장률) 170억 + 2025 시장 (제조업에서의 산업용 AI) Þ 40% 상승◇ 소비자 중심 AI와 산업용 AI의 차이점○ 소비자 지향 AI와 산업용 AI의 차이는 사람이 잘하는 분야에 대해서도 사람보다 기계가 일을 많이 하는 것이 소비자 AI라면, 산업용 AI의 목적은 장비가 너무 복잡해서 언제 망가질지 사람이 예측할 수 없는 그런 부분을 예측하는 것이다. 소비자 중심 AI산업용 AI목표자연 지능과 관련된 업무에 초점산업 문제와 관련된 업무에 초점(예를 들어 수율 향상, 인간의 지능으로 해결하기 힘든 최적화)적용언어 번역, 자율 주행, 비디오 감시PDM(예측정비), 결함 추정, 공정 최적화데이터인간이 해석 가능한 데이터(사진, 비디오, 텍스트, 음성, 소비자 프로필과 활동 등)인간이 해석할 수 없는 데이터(센서 값, 처리 이미지, 현지 기술자 업무 등)○ 사람이 공정 수가 너무 많으면 최적화할 수 없기 때문에 AI가 한다. 사람이 도입한 것이기 때문에 사람 일자리를 위협하는 것을 제외하고 AI로 대체하는 것이다.B2C는 사람들이 다 이해하는 데이터(사진, 텍스트, 비디오 등), 후자는 사람이 이해하기 어려운 데이터(센서 데이터 그래프, 프로세스 이미지 등)이다. 프로세스 이미지는 예를 들어 자동차 부품 안을 찍어서 보면 실금이 잘 보이지 않기 때문에 AI가 찾아내는 것이 필요하다.◇ 산업계에서 산업용 AI의 문제점○ 투자자들이 인공지능에 많은 투자를 하고 있고 산업용 AI에 대해서만 2025년까지 17조 원의 시장으로 확대될 것으로 보고 있다. 마키나락스와 같은 기업이 필요한 이유는 사람들이 시작은 많이 하지만 70% 정도가 잘 되지 않기 때문이다.산업용 AI를 적용하기 위한 4단계가 있다.• 첫째, 개념 검증(PoC, Proof of Concept)• 둘째, 파일럿(실전 테스트 라인 선정)• 셋째, 생산 라인 적용(Deployment)• 넷째, 확장(한 두개 생산에서 공장 전체로 확장 )○ 하지만 대부분 2단계 파일럿에서 끝난다. 이유는 센서 데이터를 해석할 정도가 되려면 전문가이거나 데이터 처리를 사전에 많이 해본 사람이어야 하는데, 그런 경우가 많이 없기 때문이다.◇ 산업용 AI가 해결해나가야 할 도전과제○ 앞으로 해결해나가야 할 도전과제는 다음과 같다. 첫째, 늘어나는 복잡성, 더 높은 기대, 적용 과정에서의 고위험 등에 대한 ‘문제 정의(Problem Definition)’가 필요하다.실제 현장에서 발생되는 문제는 프로젝트 정의가 먼저 이루어져야 하는데, 시장 자체가 초기 적응 단계이다. 이 단계에서는 어떤 문제를 AI 기술로 해결할 수 있는지 아는 것이 어렵다.각 대기업마다 자랑하는 기술이 딱히 없다. 삼성에서 자랑하는 것은 AI 기반 빅데이터 플랫폼인 Brightics인데, 아직까지 이 플랫폼을 가지고 뚜렷하게 개선한 사례는 아직 없다.○ 둘째, 불균형 또는 잡음 라벨, AI 역량 부족, 도메인 지식 통합에 대한 알고리즘(Development)이 필요하다. 문제를 풀려면 도메인 지식이 있어야 하는데 30대 초반의 유능한 필드 엔지니어를 서울대에 6개월 데이터 분석 과정에 보내서 가르치면 데이터 분석 기술자가 되는지 실험해봤으나 데이터 분석 기술자가 되는 것이 아니라 수학만 배우고 온다는 결과가 나왔다. 배경지식이 많고 경험 있는 기술자를 찾는 것이 어렵다.○ 셋째, 시스템 통합, 연속적인 학습, 모델 관리를 통한 작동(Deployment)이 필요하다. 노조원이나 현지 엔지니어는 자신들의 일자리를 없앤다고 생각해서 기계 시각(Machine Vision Project)을 선호하지 않는다.따라서 PoC, 파일럿은 잘 되는데 Deployment가 어렵다. Machine Vision 구현 사이트를 1년 후에 들어가면 방치되어 있는 것들이 많다. 한국에 기계 시각을 구축할 수 있다는 SI(System Integrator, 시스템 통합 사업자) 업체가 협회에 등록된 것만 400개가 넘는다.그러나 정작 성공사례는 없다. 현재 기술의 현주소이다. 시작하더라도 3단계 Deployment할 때 현실적인 문제는 정상 데이터, 비정상 데이터이다.1만 장씩 각각 있다는 공장은 현실에 없다. 흔한 예로 그냥 정상 데이터가 1만 장, 비정상 데이터는 두 장밖에 없다. 정상 데이터는 많고 비정상 데이터는 없다.▲ 산업용 AI가 해결해나가야 할 도전과제[출처=브레인파크]◇ 산업용 AI에 초점을 맞춘 기계 학습○ 크게 4가지 정도의 핵심 기술이 있다. 최근에 딥러닝 모델을 활용한 스타트업 기업들이 많아지고 있다. 딥러닝 모델에 기반하여 주어진 데이터를 가지고 어떻게 좋은 학습 모델을 만들지 집중하는 경우가 많은데 이 분야에서 일을 하다 보니 이 부분도 중요한 것은 맞지만 그 외에도 성공하기 위해 다른 기술들이 많이 필요하다는 것을 알았다.▲ 마키나락스의 4개 핵심 기술[출처=브레인파크]○ 첫째, Active Learning이다. 데이터를 전부 라벨링할 수 없고 레이블은 얻으면 얻을수록 도움이 되기 때문에 효율적으로 얻어야 한다.샘플링을 한 번 할 때마다 비용이 들기 때문에 비용을 최소화하면서 모델의 성능을 올릴 수 있는 라벨링은 무엇인지 찾는 것이 중요하다.어떤 데이터 샘플을 뽑아야 라벨링이 효과적일지, 뽑은 데이터 샘플을 어떤 방식으로 엔지니어 혹은 도메인 전문가들에게 요청해야 흔쾌히 수락할지 2가지 측면에서 고민하고 있다.연속적으로 클릭해서 라벨링 해야 하면 불편해서 수락하지 않을 것이고, 드롭 다운 메뉴에서 고르거나 한 번 클릭할 수 있는 샘플이면 수락할 것이다.○ 둘째, Deep Learning이다. 일반적인 이미지, 텍스트 데이터 라벨링은 비용이 들어도 모든 사람이 할 수 있어서 클라우드 소싱 방식을 선택할 수 있고 데이터가 공개되어 있는 경우가 많아서 작업이 수월하다. 반면 산업용 데이터는 굉장히 제한적인 사람들만 접근이 가능하고 소수만 고장이 났는지 체크할 수 있다.○ 셋째, Continual Learning이다. 아카데미에서는 새로운 과제를 학습할 때 과거에 학습했던 과정도 잊지 않고 잘 가지고 있는 것을 말한다.반면 산업에서는 하나의 장비를 사용하더라도 제조 환경은 계속 바뀌는데, 달라질 때마다 계속 새로운 모델을 만들 수 없기 때문에 계속 변화하는 환경에서 모델 성능을 사람의 개입 없이 어떻게 잘 유지할 수 있을지 고민하고 있다.○ 넷째, Reinforcement Learning이다. 마키나락스도 Reinforcement Learning을 중심으로 하는 프로젝트가 있기는 하지만 보통 시뮬레이션이 가능한 환경이다.반도체, 자동차 장비처럼 좋은 시뮬레이터가 없는 경우 마키나락스가 사용하는 데 아직까지는 제한이 있다. 데이터를 마음대로 뽑을 수 없기 때문에 쓸 수 있는 부분에서만 최대한 활용하려고 한다.◇ 우리가 가지고 있는 기술: 어플리케이션의 핵심○ 핵심 기술로부터 발견한 주요 어플리케이션으로 자동화, 주요 원인 찾기 등이 있다. 이런 분야에 대해서 내부적으로 연구, 개발하고 있고 프로젝트를 하면서 얻은 기술을 IP로 쌓아가고 있다. 경우에 따라서 어떤 기술은 논문으로도 가치가 있다고 느껴지면 논문도 제출하고 있다.○ 가장 첫 단계로 기계 데이터 분석(Machine Data Analytics)이 이루어진다.• 센서 & 시계열데이터 분석 기술○ 다음 단계에서 △비정상 행위 탐지(Anomaly Detection), △시간 예측(Event Forecasting), △근본 원인 분석(Root Cause Analysis), △공정 최적화(Process Optimization)가 이루어진다.• 패널 이미지에서의 결함 추정• SVD 분해를 이용한 태양열 예측• 바이오리액터(생물 반응 장치) 자율제어• NNM(Neural Network Model, 신경망 모형)을 이용하여 다양한 제조 장비 환경에서 이상징후감지• 딥 러닝 모델에 기반하여 자산 고장 예측하기 위해 준 감독 학습○ 마지막으로 4개 핵심기술 △Active Learning, △Deep Learning, △Continual Learning, △Reinforcement Learning이 활용된다.• Continual Learning을 사용한 이상징후 감지• Layerwise Information: loss-based 이상치 탐지• 산업 데이터에 대한 딥 러닝 분석• Class-labeled 이상치 탐지• 딥 러닝 모델을 이용한 데이터 라벨링○ 프로젝트를 할 때 필요한 모델을 구현하거나 누군가가 구현해 놓은 코드를 활용하는 경우가 있는데, 두 경우 다 검증이 안된 것이라는 문제점이 있다.따라서 마키나락스는 자체적으로 자주 쓰이는 모델을 구현하고 검증도 마쳐서 필요할 때 신속하게 활용할 수 있게 한다. 또한 구현해 놓은 모델에 새로운 구성요소를 붙여서 융통성 있게 활용할 수 있도록 한다.▲ Core to Applications[출처=브레인파크]◇ 다양한 부문에 적용되는 산업용 AI○ 일반적인 제조업이 아니라 반도체, 배터리 등 수백 가지 공정까지 가는 여러 가지 변수를 가진 제조 과정이 관련되어 있는 산업을 High Complexity 산업이라고 한다. 딥러닝 기술이 유의미하다고 보는 4가지 산업분야는 다음과 같다.• 반도체 & 디스플레이(Semiconductor & Display): 장비예측정비(PdM), 가상계측(VM), HVAC(Heating, Ventilation, Air Conditioning: 공기조화기술) 최적화• 화학, 제약(Chemicals & Pharma): 프로세스 자동조종장치, 품질검사, 장비예측정비(PdM)• 자동차, 자동차 부품(Automotive): 로봇예측정비(PdM), 조직상 결함 감지, HVAC 최적화• 파워 & 에너지(Power & Energy): 태양열 & 풍력 예측, 배터리 응용프로그램, 발전 최적화◇ 최소 12시간 전 고장을 예측하는 Semicon Time-To-Failure○ 이러한 기술들이 실제로 공장, 산업에 쓰이고 있는 주요 프로젝트를 소개하면 다음과 같다.○ Semicon Time-To-Failure라는 프로젝트를 통해 반도체 세계 1위 장비 기업과 일하고 있다. 유명한 하이테크 기업의 시초가 실리콘밸리에 있어서 부지값이 매우 비싸고 수십억에서 수천억에 달하는 반도체 장비를 활용하는 기업이 많다.이들 기업은 부품이 망가지기 전에 교체, 공정을 바꿔주는 등 일을 해야 하는데 엔지니어들이 항상 24시간 대기하고 있을 수 없기 때문에 미리 예측할 필요성이 점점 커지게 되어 프로젝트가 시작되었다.프로젝트 시작시 다른 여러 경쟁사에 똑같은 데이터 원본을 주고 모델을 만들어보라고 했는데 결과적으로 마키나락스가 1등을 했다. 경쟁 업체 중에선 IBM USA, 실리콘밸리 스타트업 등이 있었다.○ 2년 이상 프로젝트를 진행해왔고, 3단계까지 왔다. Validation Pilot을 하고 있고 내년에는 추가적으로 더 구체적인 Development 프로젝트를 할 것이다.○ 최소 12-24시간 전에 고장을 예측・감지할 수 있고 30-50% 다운타임(정지시간)을 줄일 수 있다. 정확도는 90%이다. 이는 2년치 데이터(정상적인 이벤트, 실패한 이벤트 등) 중 90%를 정확하게 맞췄음을 뜻한다.○ 반도체 센서 종류가 보통 200-400개, 평균 300개가 있는데 300개 센서 데이터 값을 계속 받아보는 것은 실제 온라인 데이터로 하고 있다. 프로젝트의 고도화가 이렇게 진행되고 있다.◇ 완성차 제조현장의 로봇고장 예측 프로젝트○ Robot Arm Anomaly Detection 프로젝트도 고장을 예측하는 프로젝트인데, 완전히 다른 산업인 완성된 차를 제조하는 공장에서 쓰이고 있는 산업용 로봇의 고장을 예측한다.매번 다른 산업을 접할 때마다 도메인 지식과 여러 기술이 필요한데, 이 경우 Semi-supervised Novelty Detection 기술을 가지고 동일한 컨셉을 로봇 팔에 적용했다.○ 로봇 팔은 평균 1억 2천만원 정도이며 그 자체로는 고가의 장비가 아니다. 그래서 창고에 부품을 쌓아놓고 고장이 나면 정비사가 갈아끼우는데 30~40분도 걸리지 않는다.문제는 외국은 1분당 차가 한 대씩 완성되기 때문에 자동차 라인에서 로봇이 수십대에서 수백 대가 늘어져 있고 다운타임이 30분 이상 생기면 어마어마한 손실이 발생한다는 점이다. 따라서 고객사에서 사용하고 있는 로봇의 고장을 최소 3~5일 전에 알았으면 좋겠다는 요구가 있었다.○ 작년까지 쓰인 산업용 로봇이 260만대가 있고 매년 15%씩 증가할 것이라는 산업연구결과가 나오고 있다.○ 반도체가 300가지의 여러가지 다른 데이터 값을 사용했다면 로봇 팔은 순간전류값만 가지고 모델을 만들 수 있었다. 순간전류값은 그 축에 있는 센서에서 나오는 로봇의 표준값인데 Kawasaki, Denso, Honda, ABB, 유니버설 회사에서 순간전류값으로 토크(Torque)를 계산한다.○ 일본 로봇 제작사와 인터뷰도 하고 벤치마킹도 시도해봤는데 그들이 쓰는 룰에 따라 필요한 센서 값, 실험을 통해서 그리스에서 나오는 철 농도를 계산한 값을 사용하고 있었다.앞으로 방향은 PdM 솔루션이고 예지가 아니라 예방에 집중한다고 한다. 추가적인 센서, 바이브레이션을 메이커 회사의 부품 뿐만 아니라 타사에서도 유사한 데이터를 뽑아낼 수 있을지를 고민하고 있다.○ 정확도는 90%이며 5일전에 고장을 감지할 수 있다. AI 솔루션(Edge와 클라우드 관련)을 활용하며 몇백만 달러를 절감하는 효과를 낸다.◇ 초기 단계의 결함을 검출, 큰 손실을 예방하는 프로젝트○ Auto Body Defect Detection프로젝트는 프레스 기계로 자동차 부품 중에 하나인 보닛, 루프를 만드는 제조현장에서 자주 겪는 이슈인 금속판에 스크래치가 생겨날 때 CNN 기술을 사용해서 외관 검사하는 프로젝트이다.○ 결함이 있는 부품을 계속 조립한다해도 마지막 단계인 품질단계에서 제품으로 출시될 수 없기 때문에 처음 단계로 다시 되돌아가야 한다.당시에는 제조현장에서 엔지니어들이 육안으로 확인해야 했는데 마키나락스의 모델을 활용함으로써 앞으로는 전수 확인이 가능하다. 초기 단계에 결함을 빨리 검출해서 향후에 있을 큰 손실을 미리 예방하자는 취지에서 진행했다. 정확도는 95%에 달한다.◇ 계량 데이터에 기반한 공정 최적화 프로젝트○ 미생물 공정 자동조종장치(Microbial Process Autopilot) 프로젝트는 제약사에서 미생물을 직접 키워서 거기서 나오는 바이오 물질을 제약을 생산하는 데 쓰는데 미생물의 생산을 담당하는 주요 장비가 바이오리액터이다.미생물이 잘 자라서 필요한 바이오 물질이 나오도록 사람이 parameter setting을 계속 하면서 최적의 조건을 맞춰줘야 하는데 지난 과거의 데이터를 기반으로 최적의 모델을 만들어서 자동으로 조정할 수 있게 해달라고 고객이 요청해서 POC도 성공적으로 맞추고 모델을 만들었다.올해 연말에 2단계를 진행할 예정이다. 제약사 뿐만 아니라 바이오리액터를 사용하는 곳이면 다 적용할 수 있다고 보고있다.○ 리튬 배터리 결함 예측(Li+Battery Defect Prediction) 프로젝트는 리튬 배터리 셀메이커와 진행했던 프로젝트. 배터리 수율을 높이기 위해 제조공정에서 공정인자 중 어떤 것이 결함에 영향을 주는지 결함에 대한 분석을 요청해왔다. POC는 끝나고 추후 2단계를 진행할 것이다. 정확도는 90%이며 정렬되지 않은 데이터 원본으로부터 결함 요인을 분석할 수 있다.○ 태양열 발전량 예측(Solar Power Prediction) 프로젝트는 커머셜 프로젝트는 아니었고 동서발전, KTX 한국전력거래소에서 경진대회를 각각 열었다.동서발전에서는 태양광 발전량을 예측하는 분야로 최우수상을 받았다. 날씨가 좋을 때는 발전량을 예측하기가 쉽지만 흐린 날에는 정확도가 50% 이하로 떨어진다.그래서 흐린 날 어떻게 예측 정확도를 높일 수 있는지에 대한 창의적인 아이디어였다. 마이크로 날씨 데이터, 위성사진을 추가적으로 분석해서 정확도를 높이는 데 마키나락스의 기술을 적용했다. 이 부분에서 한국전력거래소에서 장려상을 받았다.
-
□ 연수내용◇ 컴퓨터공학을 기본소양으로 AI의 근간을 쌓는 미국 대학○ 미국 대학에서는 AI의 근간이 되는 컴퓨터공학이 이미 기본 소양으로 여겨지고 있다. MIT 학생 중 컴퓨터공학 전공과학을 듣는 학생은 지난해 기준 50%에 이르고 스탠퍼드대 공대생 중 컴퓨터공학 전공자는 45% 수준이다. MIT, 스탠퍼드, 카네기멜런, 워싱턴대 등은 공동으로 AI를 교육하는 프로그램을 운영하고 있다.○ 미국 캘리포니아 버클리대(UC버클리)는 2015년부터 데이터 사이언스를 연계한 대학원 전공 과정을 운영하고 있다.데이터 사이언스는 엄청난 양의 빅데이터를 분석하기 위해 AI 기술의 핵심인 딥러닝(심층 학습) 등을 활용하는 기술이다. 알파고를 통해 딥러닝의 유용성이 입증되면서 최근 가장 각광받고 있는 분야이기도 하다.◇ 세계에서 3번째로 노벨상을 많이 배출한 UC버클리○ 1868년 10개의 캘리포니아 대학교 중 최초로 설립된 UC버클리는 2019년 U.S. News & World Report 세계랭킹에서 4위에 랭크되었다.107 명의 노벨상(2018년 12월 기준) 수상자들과 연고가 있는 UC버클리는 세계에서 3번째로 노벨상 수상자를 많이 배출한 대학교인 세계적 명문대학이다.○ 버클리 졸업생들은 여러 유명 기업들을 창업한 것으로 유명하다. 애플(스티브 워즈니악), 인텔(고든 무어), 마이스페이스(톰 앤더슨), 갭(도널드 피셔), DHL(래리 힐블롬), 구글 보이스(크레이그 워커)와 구글 어스(존 행크), HTC(쉐어 왕), 썬 마이크로시스템즈(빌 조이), BBN 테크놀로지(리처드 볼트), 마벨 테크놀로지 그룹(세핫 수타르자와 웨일리 다이), VM웨어(다이앤 그린과 멘델 로젠블럼), 일본 소프트뱅크(손정의) 등이 버클리 졸업생에 의해서 설립된 대표적인 회사들이다.◇ 버클리 대학 내 인공지능 관련 연구인력이 모인 인공지능연구소○ UC 버클리는 연구 중심의 종합대학으로, 7,000개가 넘는 강의와 300개에 가까운 전공을 제공하고 있다. 해마다 5,500명의 학사와 2,000명의 석사, 900명의 박사를 배출한다.▲ UC버클리[출처=브레인파크]○ 버클리 인공지능연구소는 △컴퓨터 비전 △기계학습 △자연어 처리 △계획 △로봇공학 분야에 걸친 UC버클리 대학 내 연구인력이 모인 연구소다.○ 30여 명의 교수진과 200여 명의 대학원생은 멀티모달 딥러닝(Multi-modal deep learning)과 인간-호환 AI와 관련한 최첨단 기술들을 연구하며 AI와 다른 과학 분야 간 접목을 위한 연구도 진행한다. 연구진은 인공지능 관련 연구를 진행할 때 최대한 다양한 접근법을 활용하고 있다.○ 연구소는 최첨단 AI 연구 가속화를 위해 ‘BAIR Open Research Commons’라는 새로운 산업 제휴 프로그램을 시작했으며 연구진은 Commons 협정을 기반으로 제휴 산업 파트너와 공동으로 그리고 균등하게 지적 재산을 공유하면서 협력적인 공동 프로젝트를 진행한다.○ 후원기업으로는 아마존, 페이스북, 구글, 마이크로소프트, 삼성, 웨이브 컴퓨팅 등이 있으며 이들 기업은 프로그램의 초기에 BAIR 시설과 연구 노력을 지원할 20개 이상의 공동 프로젝트에 대한 기금을 조성했다.○ 기존 학과와 학부들은 그대로 놔둔 채 이들을 모두 아우를 수 있는 `디비전`이라는 개념을 만들어 학부생들이 전공과 관계없이 데이터 사이언스를 학습할 수 있도록 한다.◇ AI분야 고전논문상을 수상한 존케니교수의 지도를 받는 김진규학생○ 버클리대 인공지능연구소 방문은 컴퓨터공학과에서 박사과정에 있는 김진규 학생과의 간담회 형태로 진행되었다. 김진규학생은 고려대학교 전자공학과 학사, 석사를 거쳐 현재는 존 케니 교수(Prof. John Canny)의 지도학생으로 연구 중이다.존 케니 교수가 석사 과정 때 발표한 논문이 컴퓨터 비전 쪽에서 가장 많이 읽힌 논문으로 유명하며 2002년 인공지능분야에서 가장 영향력있는 논문상을 수상하기도 했다. 지금은 CS 학부장이다.○ 김진규 학생의 연구분야는 AI, 컴퓨터 비전, MAPE 등을 하고 있고 어플리케이션으로 자율 주행을 연구하고 있다. 특히 Advisable AI를 많이 하고 있고 DARPA에서 AI 관련 세미나를 열었을 때 직접 연구내용도 발표했다.○ 버클리로 오기 전에는 컴퓨터 이미징, Data Mining, 물리경제학 등 관련 연구를 진행했으며 현재는 DARPA 프로젝트로 자율 주행을 연구하고 있다. 병역특례로 LG Display, 삼성, 팬텀AI, 혼다, Waymo에서 인턴을 했다.○ 주요 이력• niversity of California, Berkeley, PHD IN COMPUTER SCIENCE (ADVISOR: PROF. JOHN CANNY)• Korea University, MS IN ELECTRICAL COMPUTER ENGINEERING (ADVISOR: PROF. SUNGROH YOON)• Korea University, BS IN ELECTRICAL ENGINEERING, Summa Cum Laude (GPA: 4.45/4.5)○ 발표논문• 2018.10. 「Explainable Deep Driving by Visualizing Causal Attention」, Jinkyu Kim and John Cann, The Springer Series on Challenges in Machine Learnin• 2018.09. 「Textual Explanations for Self-Driving Vehicles」, Jinkyu Kim, Anna Rohrbach, Trevor Darrell, John Canny, and Zeynep Akata, ECCV• 2017.12, 「Show, Attend, Control, and Justify: Interpretable Learning for Self-Driving Cars」, Jinkyu Kim, Anna Rohrbach, Trevor Darrell, John Canny, and Zeynep Akata, NeurIPS Symposium• 2017.10, 「Interpretable Learning for Self-Driving Cars by Visualizing Causal Attention」, Jinkyu Kim and John Canny, ICCV◇ 자율주행의 취지와 흐름○ 자율주행은 교통사고를 줄이는 것, 사람들의 운전시간을 줄이고, 주차장에 쓰이는 공간을 줄이자는 취지를 갖고 있다.우버의 자율주행은 볼보 차체에 자율주행 센서와 컨트롤 유닛을 달아서 자율주행 차를 만들었다. 트럭에도 진행 중이었는데 최근에 우버에서 트럭에 대한 자율주행 사업은 중단했다. 자율주행 분야로 투자를 많이 했으나 트럭 대신 일반자동차에 집중하고 있다.○ Waymo는 일반자동차와 트럭 모두 진행하고 있다. 대부분의 자율주행 차가 상위단에 라이더센서를 두고 360도로 레이저를 쏴서 주변에 무슨 물체가 있는지 감지한다.카메라가 앞, 뒤로 6개정도 달려 있어서 주변 시야를 확보한다. 레이더 센서는 요새 차에 다 들어가 있는데, 고속도로에서 자율주행하는 차는 모두 레이더를 쓰고 있다. 또한 보통 트렁크에 컴퓨터를 실어 넣는다. 최근에 재규어에 레이더를 달아서 실험하고 있다.○ Waymo는 피닉스 지역에서 서비스하고 있는데, 리프트와 연결해서 리프트에서 자율주행차를 불러올 수 있게 한다. 센서에서 정보를 취합한 후 컴퓨팅하고 자동차로 컨트롤한다. 우버의 앱, 구글 맵으로 차량을 호출하면 내비게이션도 해준다.◇ 인식-예측-통제로 이루어지는 자율주행○ 자율주행은 크게 인식(Perception), 예측(Prediction), 통제(Control)의 과정을 거치는데 첫 번째 인식(Perception)은 센서가 들어오면 Perception 모듈을 가장 먼저 거친다. 어떤 물체가 어디 있는지를 판단하는 단계이다.○ 사람이 지나가는 경우, 자전거나 차량이 지나가는 경우도 모두 감지한다. 라이더 센서로 3D 바운딩 박스를 찾고, 카메라를 사용해서 신호등을 구별한다.라이더 센서를 쓸 때 최대 200m 거리의 차량과 사람을 모두 감지한다. 감지 문제는 거의 다 해결됐다고 보고 있다. 차량은 빨간색 바운딩 박스로 사람은 노란색 바운딩 박스로 표시하고 2년 전까지는 카메라로 감지를 많이 했으나 최근에는 라이더로만 감지를 한다.○ 문제는 기존에 생각하지 못했던 감지문제들이다. 예를 들어 경찰관의 수신호(다른 방향으로 가라는)나 미국은 구급차가 오면 무조건 비켜줘야 하기 때문에 구급차 소리가 들리고 차가 자기 쪽으로 올 경우 피해야 되는지 아닌지 등에 대한 감지로 연구가 진행중이다.○ 예측(Prediction)은 물체가 어디로 갈지 판단하는 과정으로 차가 차선을 변경할 것인지, 사람이 어디로 움직일 것인지를 예측하여 어느 차선으로 움직여야 할지 Planning을 한다.○ 통제(Control)는 어디로 갈지 정해진 상태에서(perception, prediction 과정을 거친 후) 문제가 없는 과정이다. 20년 전부터 실행되어 왔다.○ 자율주행에서 문제가 되는 것은 prediction과 planning 부분이다. 연구 주제와도 연결되어 있어 Waymo와 우버에서도 대학과 협력을 원하고 Waymo에서 Planning을 연구하는 버클리 교수님을 초빙하기도 했다.○ Waymo는 피닉스 지역에서 운전자 없이 사용자가 자율주행차를 호출해서 갈 수 있도록 서비스를 6개월 전에 시행해서 지금 계속 테스트 중이다.◇ 상용화 경쟁중인 자율주행○ 자율주행에 있어 너무 많은 복잡한 정보를 주면 사용자가 혼란스러울 것이고, 너무 간단한 정보만 주면 사용자가 받아들일 정보가 없기 때문에 사용자에게 어떤 정보를 줘야 하고 어떤 정보는 주지 말아야 하는지 고민하고 있다.○ 캘리포니아는 법적으로 운전자가 앉아 있어야 해서 두 사람이 앞자리에 앉아있는데, 한 사람은 만일의 사고에 대비하여 핸들을 잡을 준비를 하고 있고 옆 사람은 안에서 감지 활동을 점검하고 있다.신호등 감지가 중요한데, 옆 사람이 빨간색이라고 소리 지르면 차가 빨간색을 감지했다는 걸 알기 때문에 핸들을 잡지 않는다. 하지만 옆 사람이 감지가 안됐다고 말하는 순간 바로 핸들을 잡고 조종할 것이다. 법이 풀리면 캘리포니아도 운전자 없이 테스트해보지 않을까 생각한다.○ 그래서 테스트가 굉장히 중요하고 온라인 테스팅은 차를 계속 굴리면서 문제가 있는지 없는지 판단한다. Waymo의 소프트 엔지니어로 들어가면 10분에 한 번씩 버그 메일을 받는다. 버그가 발생했으니 해결하라는 메일이다. 엔지니어는 버그를 없애는 작업을 계속 한다.○ 다음으로 오프라인 테스팅을 한다. 시뮬레이터 환경을 만들어서 여러가지 시나리오를 테스트한다. 실제 차를 돌려보기도 하고 기존에 보지 못한 인풋의 새로운 이미지가 있는지 판단한다.○ 차량, 사람, 차가 어디로 움직일 수 있는지에 대한 레인, 횡단보도, 정지신호 등의 정보를 다 가지고 있는 맵이 있다. HD 맵을 한국에서 만들려고 한다고 들었다. 그러한 맵이 만들어지면 자율주행 차에 적용하여 테스트할 수 있을 것이다.○ 현재 자율 주행은 크게 Waymo, Uber, Zoox, Cruise가 앞서 나가고 있으나 서로 협력하지는 않는다. 경계선을 만들어서 서로의 기술이 유출되지 않도록 하고 있다.자율주행차는 곧 상용화될텐데, 누가 먼저 상용화하느냐에 따라서 그 시장을 다 차지하지 않을까 생각한다. 그 점을 Waymo와 우버도 알고 있고 서로 먼저 시장에 내놓기 위해 노력하고 있다. Waymo는 라이더 센서, 카메라 센서 등 모든 센서를 직접 만들고 있다.▲ 우버의 자율주행차[출처=브레인파크]□ 질의응답- 카메라 센서에 특정한 무언가로 인해 완전히 오작동이 일어나는 경우는."그건 딥러닝에서 문제가 되는 부분이다. 인풋에 노이즈를 꼈을 때 감지가 잘 안 되는 경우가 발생한다. Waymo는 카메라를 사용해서 딥러닝을 돌리고 있진 않고 정말 기초적인 방법으로 신호등을 찾고 있다.가령 본인의 차 위치를 알고 있고 HD 맵도 알고 있으면 신호등이 어디 있는지도 알고 있기 때문에 카메라에서 위치만 따로 빼와서 빨간불인지 초록불인지만 판단한다."- 레이더와 라이다를 쓰면 나오는 비용이 어느 정도인가?"카메라로 계속 해왔지만 한계는 있다. Waymo와 Uber가 라이더로 바꾸고 나서 감지가 너무 잘 돼서 성과가 좋아졌다. Waymo가 라이다 센서를 만들고 있다. 그 말은 직접 커스터 마이징을 해서 가격을 낮추겠다는 뜻이다.어느 가격까지 떨어뜨렸을 때 수익을 얻을 수 있는 테이블이 있다. Planning은 현재 룰 베이스이다. 관련된 룰을 하나씩 하나씩 얹고 있는데, 예측할 수 없는 상황에서는 어떻게 해야되는지에 관한 문제가 있다."- 카메라에 한계가 있다고 하셨는데 어떤 한계가 있는 건가? 카메라에 오물이 묻거나 비가 오는 경우에 안전 관련 감지가 있는지."그래서 3가지 센서를 쓰는 것이다. 라이다 센서, 카메라, 레이더. 이 중 하나가 고장나도 다른 것이 작동할 수 있도록 3가지를 쓴다. Waymo 차량의 상위 단에 와이퍼가 안에 있다. 비가 오면 물기를 닦아낸다."- 자율주행 트럭이 자율주행 차보다 더 빨리 상용화될 수 있을 것 같은데, 기술적인 측면에서 성공적이지 않아서 포기한 것인지."Waymo와 우버가 본인들이 기술을 만들었을 때 그 기술로 인해 생기는 수익 예상치가 있다. 일반 차량에 자율주행기능을 넣었을 때의 수익이 트럭에 넣었을때보다 4배 더 높다.기술적인 측면에서 차이가 큰 것은 아니지만 돈이 되지는 않는다. 고속도로 내에서 움직이는 것, 물류센터 간 이동하는 것만 자율주행으로 하고 나머지는 사람이 운전한다."- 신호등에 대해서 반응속도가 어떻게 되는가? 또한 여러 개의 신호등 중에 자기가 봐야 하는 신호등이 무엇인지 어떻게 아는지."반응속도는 10밀리세컨드이다. 0.1초에 하나씩 감지 결과가 나온다. 그래서 맵이 중요하다. 맵을 통해 여러 신호등 중 자기가 봐야 하는 신호등을 알 수 있다."- 센서 반경이 어느 정도인지."Waymo는 라이다 센서가 2개 있는데 하나는 멀리 보는 것(200m)이고 나머지 하나는 가까이 보는 것(50m)이다."- 아까 예시에서 운전자가 빨간 불이라고 말했을 때 핸들을 잡고 다시 자율주행으로 돌아갈 때 딜레이는 없는지."사람이 핸들을 잡으면 바로 사람이 운전하는 모드로 바뀌지만 자율주행 모드로 다시 갈 때는 정차해서 테스트한다."- 시뮬레이터가 필요한데 같이 작업하는지."시뮬레이터가 있고 그 안에서 기존의 Waymo 차량에 들어간 소프트웨어를 똑같이 돌릴 수 있게 해놨다. 차량 위치도 조정할 수 있다. 본인 차량 외에 차량이 움직이는 것은 간단하게 설계되어 있었는데 최근에는 사람처럼 움직이게 하려고 노력하고 있다."- computing이 얼마나 좋아야 하는가? Planning과 Control이 어떻게 다른지."Titan X 이상의 GPU가 2개 정도 있다고 보면 된다. 그거로 라이다 데이터를 분석하고 있고 그 뒤에 planning과 control을 담당하는 컴퓨팅이 따로 있다. 후자의 사양은 정확히 모르겠다.Planning은 본인 차가 어디로 가야 하는지에 대한 포인트를 갖고 있고, Control은 실제 steering angle과 액셀러레이터, 브레이크를 가지고 시간에 맞게 그 위치에 가게끔 해준다."- 예측할 때 어려움은 없는가? 예를 들어 사람이 이 속도로 움직일 거라고 생각했다가 사람이 갑자기 뛰거나 해서 속도가 변할 때."사람이 움직일 때 0.1초 간격으로 계속 감지를 하기 때문에 큰 문제는 없다. 문제가 되는 부분은 interaction이다. 사람이 가고있는 방향이 있는데 다른 차량이 사람 쪽으로 와서 사람이 움직여야 할 경우의 대응은 아직 없다. 이 부분에 대해서 연구논문들이 나오고 있지만 크게 좋아지지는 않았다."□ 프로젝트 발표 : ㅇㅇ대학교 ㅇㅇㅇ 학생◇ 연구분야○ ㅇㅇ대학교의 ㅇㅇㅇ 학생은 강필성 교수의 지도를 받고 있으며 같은 연구실에 5명의 박사과정 학생, 13명의 석사과정 학생들이 있다.○ 연구분야는 Data Science & Business Analytics로 텍스트, 이미지와 같은 구조화되지 않은 데이터 뿐만 아니라 구조화된 데이터도 다루고 있다.구조화된 데이터의 경우 안정적인 전력 소모를 위한 수요를 예측하고 있다. 실제 선박에서 장비를 가지고 촬영한 영상 클립을 이용해서 딥 러닝 기법 중 하나인 컨볼루셔널을 이용해서 해산의 파양 및 파고를 예측하고 있다.○ 뉴스 텍스트 감정 분석 모델 구축 프로젝트를 진행하고 있다. 단어에 대한 긍정・부정 사전을 구축하고 있다. CNN과 CAM을 이용한 감성분석 및 시각화, RNN과 Attention을 이용한 감성분석 및 시각화를 진행하고 있다.○ Stock Market Prediction: Hierarchical Attention Events를 활용하여 주가에 영향을 미치는 이벤트를 분석하고 있다. 구분 분석(Dependency parser)을 사용해서 뉴스 공장의 이벤트를 축출하고(Event Extraction), 이벤트를 이용하여 주가의 상승과 하락을 예측한다.◇ 연구사례○ 전반적인 연구에 대한 목표는 뉴스 기사 이벤트를 축출하여 타겟 시장의 방향성을 예측하는 것이다. 누가 누구에게 어떤 행위를 하는지(이벤트) 예측하기가 힘든데 이벤트를 축출하는 방법은 각 문장의 Actor, Action, Object를 파악하는 것이다.이를 Event Tuple이라고 한다. Event Tuple은 하나만 만들어지는 것이 아니라 여러 후보가 생기는데, 이 점을 보완하고자 버트의 language model을 이용하여 각 Tuple에 대해 스코어를 산출한다. 그 중 가장 적합한 Tuple을 선정하게 된다.○ 단계별로 살펴보면, 다음과 같은 예시 문장에 대해 룰 베이스, 구분 분석 등을 이용해 54개의 Tuple이 만들어진다.1. Tuple에 버트의 Mask language model을 적용하여 각 Tuple마다 마스킹 작업을 가한다.2. 마스킹된 Tuple을 가지고 Mask prediction을 가한 후 나온 확률값의 평균을 구한다.3. 이 평균이 가장 높은 Tuple을 최종적으로 산출한다.4. 축출한 Event Tuple을 가지고 Neural Tensor Network를 사용해서 Event Embedding을 한다.5. Actor, Action, Object가 입력으로 들어가고 최종적으로 Event Vector가 축출된다.6. NTN 모델에서 추출한 Event Embedding이 Hierarchical Attention Model의 input으로 들어가고, 중요도를 분류하는 Event-Level Attention, 시간적 맥락에 따라 가중치를 부여하는 Temporal Attention을 거치고 난 뒤 최종적으로 해당 주가의 상승과 하락을 분류한다.◇ 질의응답- 주가 예측하실 때 시간 맥락 (Temporal Attention)을 말씀하셨는데 시간에 따라 가중치가 달라지는건지."Input이 하루, 일주일, 30일 단위로 입력이 된다. 이런 정보를 반영해서 시간 단위에 따른 주가의 상승과 하락을 구별한다."- 뉴스 조회수에 따라서는 달라지지 않은지."현재 저희가 진행하는 것은 수치 데이터를 쓰는 것이 아니라 뉴스 텍스트 자체를 분석하는 것이기 때문에 다르다."- 뉴스 텍스트가 엄청 길 때 해석하기 위해서 Helper들이 나오고 있는데 그런 부분도 관여하는지."의뢰하는 쪽에서 문장 자체를 예측하는 것보다는 이벤트를 축출해서 시각화하고 주가를 예측하는 것을 요구하기 때문에 그 부분에 대해서는 생각해보지 않았다."□ 프로젝트 발표: ㅇㅇ대학교 ㅇㅇㅇ 학생◇ 연구분야○ ㅇㅇ대학교의 ㅇㅇㅇ 학생이 속한 연구소는 △제조공정에서 혐의 공정 탐지 △텍스트 마이닝(Text Mining) △헬스케어(Healthcare) △게임 AI(Game AI), 4개 연구분야를 진행 중이다.○ 개인적으로 참여하고 있는 연구는 고려대학교 응급의학과와 함께 미세먼지를 가지고 응급의학과 내원환자 수를 예측하고 어떤 날에 환자가 많은지 예측하는 일이다. 또한 NLP 관련해서 하나 시스템과 챗봇 플랫폼 만드는 데 기여하고 있다.◇ 연구배경○ 현재 진행중인 2개 프로젝트 외에 스마트 제조 관련 ㅇㅇ제강과 함께 진행했던 프로젝트를 중심으로 설명하면 최근에 반도체 공정, 철강 등 여러 제조공정에서 상당 부분 기술이 고도화됨에 따라 공정이 복잡해지고 있다. 미세한 원인과 혐의 공정을 찾아내는 것이 중요해졌다.○ 그리고 제조공정에서 품질 예측, 원인 분석은 항상 중요하다. 이에 최근 데이터를 더 얻기 위해 센서를 더 많이 박는 실정인데, 더 많이 늘어난 데이터를 분석하기 위해 해당되는 딥 러닝과 같은 방법론이 필요해졌다.◇ 연구모델○ 기존 연구는 변수의 중요도에 따라 원인을 산출했는데 Linear 패턴이 나타나지 않을 경우 적합하지 않다. 이번에 하게 된 제조공정에서는 다채널 데이터의 시계열 특성을 반영하기 위해 CAM(Class Activation Mapping)을 적용하였다.○ 문제의 정의는 처음에 시계열 데이터를 철강 공정에서 센서 데이터가 처음부터 끝까지 다 박혀 있는데, 거기에 있는 데이터를 수집하고 CNN의 성능이 유효한지 먼저 평가한다. CNN이 잘 나온다면 CAM을 사용해서 어떤 부분에서 혐의 공정이 일어났는지 원인 분석을 하는 절차이다.○ 하나의 센서를 수집하고 테이블에 넣는다. 동국제강에서 제공하는 전처리과정을 통해 수치를 정교화해서 집어넣었다. 다음 센서도 Time 1번부터 100번까지 쭉 똑같은 과정을 통해 모든 센서 값을 받아 내린다.○ CAM은 원래 이미지 데이터에 사용되는 방법론이다. 한 축은 센서, 다른 축은 시간 축으로 해서 2D 형태의 데이터를 구축했다.○ 회귀 모델에 있어서는 앞부분은 일반적인 convolutional layer를 계속 쌓는 것은 그대로고, 마지막 층만 CAM에서 fully connected(완전 접속)을 통해 바로 activation function(활성화 함수)로 뽑아내서 회귀 문제를 풀어내는 모델로 바꿨다.W값이 각각의 feature map에 대응하는 가중치 값인데, 각각의 가중치 값을 다 곱해서 마지막에 합산하면 원래의 이미지에서 어느 부분이 실제 class값을 예측하는 데 큰 기여를 했는가를 알아볼 수 있는 알고리즘이 있다. 회귀 구조에 맞게 변경시키는데, 소프트 맥스에 태우지 않고 fully connected로 Linear 회귀 구조로 바꾸었다.◇ 연구단계○ 첫 번째, 변수를 선택한다. 제품1, 제품2에서 제품1000까지 각각에 대한 CAM을 만든다. 합산 값을 다 더해서 전체 공정에 대해서 일괄적으로 혐의 공정이 나타날 만한 부분을 찾는 것이 글로벌 CAM이다.시간 축에 있는 모든 값을 다 더해서 테이블에 채워 넣고, 각 값의 합을 프로팅했을 때 임의의 한계점 이상을 갖는 값을 오름차순으로 정렬하여 위에서부터 아래로 센서들의 중요도를 판단한다.○ 두 번째로. 원인 구간을 선택한다. 시간 축에서 가장 높은 확률을 보이는 부분(Heat Map이 뜨겁게 나타난 부분)을 원인 구간으로 선택한다. 해당 원인구간으로 예측한 부분을 검증했는데, 위상 차이가 많이 났음을 확인할 수 있다.◇ 도전과제○ 글로벌 CAM을 단순 합산할 것이 아니라 Attention Mechanism을 통해 어떤 부분을 더 가중치를 둬야 하는지 연구할 의향이 있다. 각각 제품에 따라 다른 혐의 공정을 갖고 있기 때문에 단산 합산하는 것은 무리가 있기 때문이다. 다만 단순 합산을 했는데도 성능은 높게 나왔다.◇ 질의응답- 여러가지 방법론 중 CNN을 선택한 이유는."CAM이 CNN을 이용한 것이기 때문에 CAM을 구조로 쓰기 위해 CNN을 적용한 것이다. 타임 시리즈인만큼 RNN 구조도 충분히 사용할 여지가 있다고 생각한다."- 연구를 시작하는 단계에서부터 CAM을 사용하겠다고 설정하는지."처음에는 여러가지 모델을 적용시켰고 그 중 설명가능성이 높은 구조인 CAM을 사용했다. RNN은 추후 연구에 사용할 의향이 있다."□ 프로젝트 발표 : ㅇㅇ대학교 ㅇㅇㅇ 학생◇ 연구소개○ ㅇㅇ대학의 ㅇㅇㅇ 학생은 Machine Learning을 사용한 가정용 도시가스 상용 예측에 대한 연구를 발표하였다. 이 연구는 ㅇㅇ대 산업 AI 학생들과 ㅇㅇ에너지서비스와 함께 진행한 프로젝트다.ㅇㅇ에너지서비스는 한국가스공사로부터 천연가스를 공급받아서 가정, 산업현장에 도시가스를 공급하는 기업이다. 이 회사에서 해결하고 싶었던 여러 문제들 중 1가지를 선택하여 연구를 진행하였다.◇ 연구배경 및 목표○ 지역별 도시가스사는 한국가스공사로부터 천연가스를 공급받아서 가정, 산업현장에 도시가스를 공급한다. 이 때 지역별 도시가스사에서는 공급계획 수립과 한국가스공사와의 계약 물량 체결 등의 이유로 최소 2개월 전에는 사용량을 예측할 필요가 있다. 도시가스의 안정적 공급과 공급자의 비용절감 측면에서 도시가스 사용량 예측이 매우 중요하다.○ 여러 도시가스 용도 중 가정용은 기온과 시기 등 다양한 요인에 민감하게 영향을 받고, 세대마다 검침일이 달라서 측정오차가 발생하기 때문에 예측모델 개발이 어려운 문제가 있다. 따라서 저희는 가정용 도시가스 사용량 예측 연구를 진행하기 앞서 기존 관련 연구를 탐색했다.○ 도시가스 보기 초급에 수행된 연구를 제외하면 용도별 사용량 예측에 관한 최근 연구는 부족한 실정이다. 특히 가정용 예측 연구는 더욱 부족하다.그나마 있는 연구도 측정오차를 고려하지 않은 경우가 대부분이다. 기존 연구의 한계점을 극복하기 위해 측정오차를 고려한 머신러닝 기반 가정용 도시가스 사용량 예측 모델 개발 연구를 수행하였다.○ 최종적으로 사용량 예측을 통해 도시가스의 안정적 공급과 공급 비용 절감을 목표로 하고 있다.◇ 연구방법론○ 세대별 월별 사용량 데이터: 아파트, 단독주택 등 세대 유형별로 그룹화하고 각 그룹별 사용량을 산출한다. 원단위(세대 간 월별 평균 사용량) 경향, 세대 수를 고려해서 그룹화한다.○ 기온 및 기타 데이터: 검침 차수를 고려하여 검침 차수별로 기온 및 기타 변수를 산출한다. 그룹 내에서 검침 차수별로 데이터를 분리하고 분리된 데이터별로 원단위를 산출한다.가정용 도시가스 사용량은 검침량을 통해 산출되는데, 각 세대마다 검침 차수가 다양하기 때문에 검침차수를 고려하여 변수를 산출하는 기간을 조정한다.예를 들어 검침 차수가 1차수인 세대의 경우 8월 9일~9월 8일까지의 실제 사용량이 9월 검침량으로 기록된다. 1차수의 9월 평균 기온을 구할 때도 같은 기간을 고려하여 평균 기온으로 선출한다.○ 머신러닝에 기반 사용량 예측 모델 도출: 검침 차수별 변수를 통해 세대 유형 그룹별 평균 사용량을 예측하는 모델을 도출한다.예측 변수로는 기온 및 기타 변수를 사용하고, Linear Regression, Random Forest, Lasso, SVR을 활용하여 실험을 통해 가장 좋은 변수와 모델 조합을 최종 예측 모델로 선정한다. 본 예측 모델로 각 세대 유형 그룹별 원단위 예측 값이 산출된다.◇ 연구과정○ 방법론을 검증하기 위해 진행한 연구에서 사용한 데이터는 포항, 영덕, 울진 지역에 세대별 월별 도시가스 사용량 데이터이다. 2010~2018년까지 9년 동안의 데이터이며 검침 차수는 4차수까지 있다. 또한 포항, 영덕, 울진 지역의 일별 기온 데이터를 활용하여 사용량을 예측했다.○ 세대 유형별 그룹화를 하기 위해 세대 유형별 월별 원단위 변화를 살펴보았다. 아파트, 다세대, 다가구 유형이 유사한 원단위 경향을 보였고 원룸과 기타 유형이 유사한 원단위 경향을 보였다. 단독주택・아파트, 다세대 및 다가구・원룸 및 기타 3그룹으로 나누었다.○ 각 그룹 내에도 여러 검침차수가 있을 수 있기 때문에 그룹 내에 검침차수별로 데이터를 분리했다. 1그룹인 단독주택의 경우 대부분이 검침차수가 4차수에 해당해서 4차수 데이터를 단독주택 모델 개발에 활용했다.2그룹, 3그룹의 경우 대부분의 검침차수가 1-2차이기 때문에 1-2차수 데이터를 모델 개발에 활용했다. 각 그룹 내 검침차수별로 원단위를 산출했다.○ 검침차수별 기온 및 기타 변수는 검침차수마다 검침일이 다르기 때문에 기준을 정해주기 위해 대표일자를 선정했다. 이후 대표일자를 고려하여 검침차수별 각 기간 내에 기온 특성, 특정 기온 구간별 빈도수, 월 비율, 효율 및 비효율수와 같은 변수를 산출했다.○ 산출된 검침차수별 변수를 통해 세대 유형 그룹별 평균 사용량인 원단위를 예측하는 모델을 학습시켰다. 영덕, 울진의 경우 2014년부터 도시가스가 공급돼서 데이터가 부족했기 때문에 모델을 개발하기 어려웠다.따라서 포항 데이터만 모델 개발에 활용했다. 추후 영덕, 울진 지역의 사용량 예측할 때 2그룹 모델인 다세대 다가구와 원단위 경향이 가장 유사했기 때문에 2그룹 모델을 사용했다. 실험을 진행해서 가장 좋은 조합을 최종 모델로 선정했다.○ 결과는 1그룹인 단독주택의 경우 Linear Regression에서 MAPE 5.75%로 가장 좋았고 2그룹 모델에서는 Linear Regression MAPE 6.67%, 3그룹 모델에서는 MAPE 7.69%의 성능을 보였다.○ 검증을 하기 위해 가정용 실제 사용량과 비교를 시행하였다. 기존에 사용량을 예측할 때는 해당 월에 과거 3개년 평균 원단위를 예측 값으로 사용했는데, 기존 예측 값과 실제 사용량의 오차와 개발 모델의 예측 값과 실제 사용량의 오차를 구하고 두 오차를 비교하여 검증했다.○ 검증 결과는 전체 월에 기존 방법이 MAPE 11.1%, 개발 모델이 7.1%를 보여서 4%정도 개선된 결과가 나왔다. 도시가스는 난방에 주로 이용돼서 겨울철 사용량이 중요한데, 겨울철 사용량의 오차를 계산했을 때도 성능이 3% 향상되었다.◇ 연구결론 및 성과○ 본 연구를 통해 측정오차를 고려하여 세대 유형별로 그룹화를 통해 머신러닝 기반 가정용 도시가스 사용량 예측 모델을 개발하였고 포항, 영덕, 울진 지역에 실제 데이터를 활용하여 방법론을 검증해보았다.○ 추후 연구로는 모델 정확도 개선을 위해 추가적으로 예측 변수를 탐색할 것 같다. 더욱 다양한 지역에 도시가스 사용량 데이터를 활용하여 방법론을 검증할 것이다.◇ 질의응답- 가스 사용량은 계절별로 다를 것 같은데 계절별로 차이를 두지는 않았는지."기온 관련 변수를 통해 계절적 요인이 들어갔다고 생각한다. 또한 월별로 다른 사용량을 보이는 것을 확인했다. 월 변수, 기온 변수를 넣어줌으로써 계절 변수가 반영됐다."- 후보 예측 변수를 선정하는 기준은."데이터 탐색을 꽤 오랜 시간 진행해서 변수를 선택했는데, 평균 기온과 최저・최고기온을 먼저 기본 변수로 선정했다. 월과 효율・비효율 변수도 데이터 탐색을 통해 찾은 변수이다."- 그 외에도 원래 고려했지만 중요하지 않다고 판단되어 제외한 변수는."포항도 남구, 북구로 나뉘고 동, 서로 나뉜다. 지역적 요인도 고려했는데 탐색 시 유의미한 차이를 발견하지 못해서 변수에서 제외했다."- 가스 산출량을 정확히 예측하여 어떻게 공급 비용을 줄인다는 것인지."예를 들어 한국가스공사 코가스로부터 천연가스를 수입해서 영남에너지서비스와 같은 지역도시가스사가 개인에게 공급하는 실정인데 지역도시가스사가 예측을 해서 한국가스공사에 예측량을 넘겨줘야 다음에 받을 수 있는데, 예측을 너무 크게 하면 너무 많은 수입을 하게 된다.그렇게 되면 남은 가스에 대한 재고 비용도 생기고 지역별 도시가스사도 패널티를 받게 된다. 가스 산출량을 정확히 예측해서 한국가스공사에 넘기면 이런 비용적 측면의 패널티를 줄일 수 있다."
-
□ 연수내용◇ 올해로 6회째를 맞이하는 ITAP 2023○ 10/18~10/20 싱가포르 엑스포에서 열리는 전시회로 올해 6회째를 맞이하였고 하노버 산업전시회(Hannover Messe)의 아시아 태평양 버전이다. 세계경제포럼(World Economic Forum, WEF)의 대표단과 유럽, 미국 및 아시아의 주요 대표가 참석해 이 지역의 인더스트리 4.0(Industry 4.0) 선두주자들과 제조업체 간의 협력을 진행했다.◇ 지속가능성을 위한 인더스트리 4.0(Industry 4.0 for Business Sustainability)○ 3가지 핵심 차원인 △지속 가능성 △제조 효율성 최적화 △공급망 회복 탄력성에 초점을 맞추어 진행됐다. 이번 행사에는 300개 이상의 기업이 전시에 참여하고 100명의 강연자, 1만8,000명의 대표단과 바이어 및 참관객이 행사장을 찾았다.○ 3가지가 중점적으로 다뤄진 조치는 △더 낮은 비용으로 생산성과 품질 관리를 가속화하기 위한 디지털화 △직원이 혁신에 적합한 기술을 갖출 수 있도록 하는 인재 및 인력 개발 이니셔티브 △기업이 탄소 발자국과 CO2 배출량을 줄이도록 지원하는 환경 지속가능성 조치이다.○ 현재 세계에서 디지털화가 가장 빨리 일어나고 있는 아태지역에서 싱가포르는 첨단 제조업을 미래 경제 성장 동력으로 인지하고 정부 주도의 산업 육성 전략을 펼치고 있다.중국, 인도네시아, 인도 등 인근 국가들의 바이어들을 직접 대면하고, 네트워킹의 장에 함께 자리하여 관련 산업의 흐름과 최신 트렌드 파악, 협력 기회 모색 등이 가능했다.○ 함께 진화하는 전략적 플랫폼의 역할을 자처하고 혁신 이니셔티브 동향 파악이 가능하며 시사점을 발견할 수 있다.○ 올해 전시회에서는 지속가능한 혁신의 문(Gateway to Sustainable Transformation), 업계 전환 체험 존(Industrial Transformation Experience Zone), 디지털 트윈 체험센터(Digital Twin Experience Centre), 적층 제조 체험 쇼케이스(Addictive Manufacturing Experience Showcase)의 4개의 체험이 가능한 구역을 선보였으며, 5개의 컨퍼런스도 구성되어 있어 풍성한 양질의 자리를 제공했다.○ 이번 전시에 참여하는 대표단과 업계 방문객은 전시장 내 인터랙티브 체험 공간에서 최첨단 기술과 그 사용 사례를 살펴보았다. 싱가포르의 선도적인 혁신 센터와 첨단 공장을 둘러보는 외부 견학 프로그램에 참여했다.○ ITAP 2023의 개최 후원사인 Siemens는 엄선된 제품과 서비스, 솔루션 포트폴리오를 갖춘 개방형 디지털 비즈니스 플랫폼인 Siemens Xcelarator와 산업 운영의 엔지니어링, 실행, 최적화를 가속할 수 있도록 도와주는 Industrial Operations X 와 같은 솔루션도 선보였다.▲ ITAP 2023에서 제공하는 체험[출처=브레인파크]▲ ITAP 2023 개요[출처=브레인파크]◇ 일부 참가업체 소개○ ABB PTE LTD : ABB Robotics는 로보틱스, 기계 자동화 및 디지털 서비스 분야의 선구자로서 자동차에서 전자, 물류에 이르기까지 다양한 산업 분야에 혁신적인 솔루션을 제공하고 있다.ABB Robotics는 세계 최고의 로봇 및 기계 자동화 공급업체 중 하나로 53개국에서 1만1,000명 이상의 직원을 고용하고 있으며 50만 개 이상의 로봇 솔루션을 공급하고 있다.○ AMAZON WEB SERVICES : 전 세계 데이터센터에서 200개 이상의 완전한 서비스를 제공하는 세계에서 가장 포괄적이고 광범위하게 사용되고 있는 클라우드다.급성장하는 스타트업과 대형기업, 그리고 선도적인 정부 기관을 포함한 수백만 고객이 비용을 절감과 민첩성 향상, 신속한 혁신을 이유로 AWS를 사용하고 있다.AWS는 머신러닝(ML), IoT, 로보틱스, 애널리틱스 등을 포함한 가장 진보된 클라우드 솔루션 세트로 선두 제조업체들이 운영을 혁신할 수 있도록 돕고 있다.○ BM TECHNOLOGY & CONSULTING PTE LTD : 동남아시아 지역 내 제조 시설 및 물류 센터를 보유한 기업에 컨설팅을 통해 대책안, 가격 효율성 및 통합 자동화 및 자율 솔루션을 제공하고자 노력하는 기업이다.○ CHEMTRON PTE LTD : 1996년 고객에게 가치 있는 기술과 솔루션을 제공함으로써 업계를 선도하기 위한 목표로 설립되었다.Markforged(미국 공공 적층제조업체)와 파트너가 되어 해당 산업 분야에서 최첨단 프린터와 재료로 3D 프린팅 기술의 잠재력을 최대한 활용할 수 있도록 전념하고 있다.○ HIVEBOTICS PTE LTD : 작업을 자동화함으로써 근로자들의 생산성과 삶의 질 향상에 기여하는 싱가포르 테크회사. 현재 3D산업의 심각한 인력 부족을 해결하는 것을 돕기 위해 자동 청소 로봇을 개발하고 있다.□ 참가자 소감○ 세계적 기업의 기술적 진보와 우위를 보며, 국내기업과 격차를 눈으로 볼 수 있었고 동반 연수자들과 상의하는 시간을 가지며 국내산업에 더 많은 지원이 필요하다고 느꼈다.특히 스마트팜 산업과 무인 자동 물류 시스템이 가장 인상 깊었다. 비록 부족한 영어 실력이지만 컨퍼런스 참석과 몸짓을 통해 질의해 보는 과정에서 자신감도 얻을 수 계기가 되었다.○ 전시회는 생각했던 것보다 규모가 작았다. 독일, 프랑스 등 많은 유럽 회사도 참여 했는데, 전시 제품은 중국에서 생산한 것들이 많아 보였다. 특이한 점(트렌드의 발전)은 많은 기계 장치들에 로봇 기술을 접목한 분야가 주를 이루고 있다는 특징이었다.○ ITAP 2023 전시회는 싱가포르 국가 이미지와 맞는 수준과 기술을 보여주는 것 같다. 국내 전시회나 기타 해외 전시회의 내용과 크게 다르지는 않지만 거기서 한발 더 나아가 장비와 프로그램을 매치시키는 기술을 주로 보여주는 전시회로 평가된다.○ 싱가포르에서 전시회를 한다고 해 기대했는데, 기대했던 것만큼의 전시회는 아니었던 것 같다. 중국업체가 많아 중국의 기술이 많이 발전하고 있구나 하는 생각이 들었고 자동화 기계와 로봇이 생산 과정에 필요한 전반적인 일을 하고 있다고 보면 될 것 같았다.장비 같은 경우 평소 외국회사와 컨텍하는 것이 너무 어렵다고 생각했는데 최근 많은 한국업체도 AS·비용·시간에 관련된 자동화 기계와 로봇 기술이 발달해 한국 전시회가 발전한다면 더 좋을 것 같다. 그래도 한국과는 다른 제품을 볼 수 있어서 흥미로웠다.○ 전시회를 둘러보며 장비·기계 업체와 소프트웨어 업체 간, 협력을 통한 산업전환의 시도를 볼 수 있었다. 한국에서도 많이 볼 수 있지만 아시아·태평양의 중심지인 싱가포르에서 보게 되니 동남아시아의 변화하는 모습을 그려보게 되는 계기가 되었다.○ 많은 자동화 장비들이 진열되어있어 흥미로웠고, 특히 자동창고 부분에 대한 많은 제품의 출시가 있어서, 좋은 견학의 기회가 되었다.자동화창고의 경우 다양한 종류의 AGV(Automated Guided Vehicle, 물류 자동화 로봇)가 하나의 창고에 투입된 것을 볼 수 있었는데 문뜩 현재 한국에서의 수준이 어느 정도인지 궁금해졌다. 돌아가서 확인해 볼 필요성이 있어 보인다.○ 첨단 제조산업에 관련된 부문의 트렌드를 확인할 수 있어서 좋았고 한국에서는 특정 분야에 집중된 전시회만 봐왔었는데 싱가포르에서 더 다양한 산업군을 확인할 수 있었던 기회가 되었다.
-
2022-01-13나이지리아 소프트웨어 스타트업인 땡큐캐쉬(ThankUCash)에 따르면 2022년 1월 둘째주 시드 라운드에서 US$ 530만달러를 확보했다. 투자금은 캐쉬백, 거래, 무이자 신용카드인 BNPL 서비스 등을 위한 인프라를 구축하는데 집행된다. 땡큐캐쉬의 시드 라운드는 벤처 캐피탈(VC) 기업인 500 Global, Unicorn Growth Capital 등이 공동으로 주도했다.그 외에 투자에 동참한 업체들은 다음과 같다. Expert Dojo, Predictive VC, SaaS Growth Ventures, Betatron Venture Group, Accelerex Holdings 등이다.확보한 자금은 국내의 라고스, 포트 하코트, 아부자 등에서 영업 비용으로 사용하고 국외로는 가나, 케냐 등으로 사업을 확장하는데 투입할 계획이다. 제품 및 서비스를 개선하고 직원도 추가하길 원한다. 2022년 1월 현재 탱큐캐쉬는 60만명 이상의 사용자를 기록했다. 1000개 이상의 매장을 플랫폼에 탑재했으며 8000만달러 이상의 거래량을 처리한 것으로 집계됐다. ▲땡큐캐쉬(ThankUCash) 홈페이지
-
영국 영어사전 Collins Dictionary에 따르면 2021년 올해의 단어로 NFT가 1위를 차지했다. cheugy, metaverse, pingdemic 등을 제쳤다.글로벌 암호화폐가 지속적으로 성장하면서 NFT(non-fungible token) 역시 함께 성장했다. 2021년 급격한 인기에 힘입어 NFT 단어 사용이 1만1000% 증가했다.예술 섹션, 금융 페이지, 갤러리, 경매장, 소셜미디어 플랫폼 등 전 분야에 걸쳐 NFT를 사용했다. 2022년에도 전 산업 분야에 지속적으로 영향을 미칠 것으로 전망된다.2021년 올해의 단어 2위는 cheugy, 3위는 climate anxiety가 각각 차지했다. 4위는 crypto, 5위는 double-vaxxed, 6위는 hybrid working, 7위는 metaverse, 8위는 neopronoun, 9위는 pingdemic, 10위는 regencycore 등으로 나타났다.▲ Collins Dictionary 홈페이지
-
나이지리아 기반의 아프리카 스타트업 포털운영업체인 디스럽트 아프리카(Disrupt Africa)에 따르면 2021년 아프리카에 대한 벤처 캐피털 투자는 사상 최대를 기록할 것으로 예측된다.2020년은 중국발 코로나-19 사태로 인해 기록상의 예외를 두기로 결정했다. 이에 따라 2021년 전망치는 2019년과 비교해 예상했다.나이지리아 중앙은행(NCB)에 따르면 향후 기준금리가 11.5%로 유지될 것으로 전망된다. 4년 연속 기준 금리를 유지할 것으로 예상된다. 2021년 5월 마지막주 현재 물가상승률은 지난 4년 동안 중 가장 높아 우려스럽다. 그럼에도 불구하고 기준 금리 유지 기조는 물가상승률과 싸우기 보다는 경기 회복을 우선시 하겠다는 의미이다.남아프리카공화국 이동통신사인 텔콤(Telkom)에 따르면 2021년 3월 마감 기준 연간 매출액은 전년 대비 0.4% 증가해 R432억2000만랜드를 기록했다. 연간 매출액 증대의 주요인인 모바일 사업 서비스 매출은 34.5%나 증가했다. 반면 고정 사용량은 모바일 연결로 전환되면서 고정 음성 서비스 매출은 25.1% 감소했다. ▲텔콤(Telkom) 홈페이지
-
나이지리아 국세청(FIRS)에 따르면 2020년 연간 원유 판매로 인한 세수가 2019년 연간 원유 판매세 N2500억나이라 대비 훨씬 줄어들 것으로 전망된다.주요인은 중국발 코로나-19 팬데믹때문이다. 나이지리아는 석유 판매 수익에 크게 의존하는 경제 구조로 인해 글로벌 석유 수요 축소 및 유가 하락의 직격탄을 맞았다. 비석유 부문을 강화해 국가 수익 창출에 필요한 전략을 다시 세울 필요가 있다. 향후 석유 부문에서 비석유 부문으로 수익 변환을 위한 핵심은 기술 연구 및 도입이라고 강조했다.또한 세수 징수 부문에 디지털 기술을 활용해야 한다고 주장했다. 여전히 오프라인으로 세수를 거두어들이고 있어 누락 및 지연이 많아 온라인 징수로 바꿔야 한다고 촉구했다.▲국세청(FIRS) 홈페이지
-
글로벌 컨설팅기업인 PwC(PricewaterhouseCoopers)에 따르면 2030년까지 블록체인 기술은 글로벌 경제를 US$ 1.7 조 달러 더 성장시킬 것으로 전망된다.블록체인 기술이 전 세계적으로 널리 채택되면 2025년에 전환점이 올 것으로 예상된다. 특히 중국, 인도 및 일본이 블록체인 기술의 채택을 주도해 블록체인이 아시아 경제에 가장 큰 영향을 미칠 것으로 예상된다.중국은 4400억 달러의 가장 높은 잠재적인 순이익을 얻고 미국은 4070억 달러의 잠재적인 순이익을 가질 것으로 추정된다.다음으로 독일, 일본, 영국, 인도 및 프랑스는 같은 기간 동안 500억 달러 이상의 혜택을 받을 것으로 추정된다.제품 추적, 금융 서비스 및 결제, 신원 및 자격 증명 보안, 계약 및 분쟁 해결, 고객 참여 및 보상 프로그램이 5가지 주요 블록체인 분야에 포함된다.특히 정부, 교육 및 보건 부문은 블록체인을 이용한 신원 및 자격 증명 보안을 활용해 2030년까지 5740억 달러의 성장으로 가장 큰 혜택을 받을 것으로 판단된다.▲ UK-PWC-blockchain▲ PwC(PricewaterhouseCoopers)의 홍보자료(출처 : 홈페이지)
-
2020-09-02영국 스타트업기업인 박스베어(Box Bear)에 따르면 2가지 새로운 가상현실 제품인 'VR Team Space'와 'VR Studio'의 출시했다. 박스베어는 버크셔에 본사가 위치한 인터랙티브 미디어 회사이다.제품은 가상세계에서 실제 대면 행사와 같이 프레젠테이션 도구를 사용자에게 제공하도록 설계됐다. VR Team Space를 사용하면 프레젠테이션 그래픽이 포함된 3D 가상환경에서 회의가 개최될 수 있다.참가자는 VR 헤드셋을 착용해 자신의 아바타로 이벤트 환경에 참가할 수 있다. 특히 사용자가 참가자 간 및 가상개체와 상호작용한다.관람자 보기, 메모를 받아 쓰고 이메일에 대한 인용문을 기록하는 기능이 제공된다. VR Studio는 현재 알파 테스트중이며 초가을에 출시될 예정이다.컨퍼런스, 세미나, 포럼 및 교육 세션과 같은 대규모 프레젠테이션에 대해 동일한 이점을 제공한다. 이와 같은 제품들을 통해 코로나(COVID-19) 이후 사람들간의 실시간 상호작용의 어려움이 가상세계에서 해결될 수 있을 것으로 전망된다.▲ UK-BoxBear-VR▲ 박스베어(Box Bear)의 홍보자료(출처 : 홈페이지)
1
2
3
4