서론. 디지털 트윈 및 메타버스의 부상과 한계
최근 디지털 트윈(Digital Twin)과 메타버스(Metaverse)에 대한 기대가 높아지고 있습니다.
현실 공간과 가상 공간을 연계하는 디지털 트윈과 가상 공간을 중심으로 다양한 가치 창출이 기대되는 메타버스는 가상 공간을 중심으로 디지털 트윈 시스템이 중요하다는 공통점이 있습니다.
- Markets & Markets(2023)의 “2028년까지 글로벌 디지털 트윈 시장 전망(Digital Twin Market, Global Forecast to 2028)” 보고서에 따르면 산업형 디지털 트윈 글로벌 시장 규모는 2023년 101억 달러에서 2028년 1,101억 달러로 연간 61.3%의 성장률을 기록할 것이라는 전망입니다.
- Bloomberg Intelligence(2021)는 메타버스 시장이 연평균 13.1% 수준(2024년 약 1,140조 원)으로 성장할 것으로 예측하고 있습니다.
- 새롭게 부상하고 있는 디지털 트윈 및 메타버스 시장은 모두 현실과 비슷한 모습으로 구축해야 하는 기술로서 가상 공간을 중심으로 디지털 트윈 시스템이 매우 중요하다는 공통점이 있습니다.
현실 세계의 물리적 공간을 대상으로 현실과 같거나 유사한 형태로 만들어진 가상 공간에 디지털 트윈 시스템을 개발하는 것이 3D 공간 정보 분야에서 꾸준하게 추구해 왔던 방향입니다.
- 국토교통부는 2009년부터 3차원 공간 정보 구축 사업 등을 통해 국토 및 도시, 랜드마크성 건물 등을 현실과 동일하게 만들어 가상 공간에서 서비스해 오고 있습니다.
- 서울특별시는 S-Map을 개발하여 서울 전역을 가상 현실로 구축하여 안전, 환경, 도시 계획 등 다양한 분야에서 활용할 수 있도록 3차원 지도 서비스를 제공하고 있습니다.
- 인천광역시는 3D 공간 정보 서비스를 구축하여 도시 계획 수립, 일조권/조만권 확인 등에 활용하고 있습니다.
디지털 트윈의 균형 잡힌 성장을 위해 기존 3D 공간 정보의 한계를 극복해야 합니다.
기존 3D 공간 정보는 디지털 콘텐츠가 아닌 지도의 성격이 강해서 메타버스 기반의 디지털 트윈 시스템이 요구하는 다양한 역할 및 기능을 수행하기에는 다소 부족한 실정입니다.
- 메타버스 기반 디지털 트윈 시스템에서 요구하는 가상 공간은 단순히 보이는 외형만 같은 것이 아니라 현실 세계의 물리적 공간을 최대한 비슷하게 구축할 수 있는 형태로 구조화 해야 합니다.
- 지도 서비스의 기준에서는 거리, 위치 등이 정확해야 하지만 메타버스 기반 디지털 트윈 시스템에서는 물리적 공간과 연결하기 위한 객체의 관계, 구조의 사실적 표현 수준, 현실 세계의 최신성 반영 등이 매우 중요합니다.
- 이에 따라 기존 3D 공간 정보의 개념은 객체를 중심으로 재 정립 되어야 하며 3D 공간 정보의 개념을 탈피하여 산업형 메타버스 데이터로 진화해야 합니다.
기존 3D 공간 정보가 가진 결정적이며 대표적인 한계점은 구축 과정에 수작업이 포함되어 구축 기간이 길며 구축 비용이 매우 높다는 것입니다.
- 3D 실외 공간 정보는 전국 단위로 구축과 갱신이 이루어져 왔고 갱신 주기가 2년이기 때문에 사용자에게 제공되는 3D 공간 정보는 최대 2년 전의 모습입니다.
- 3D 실내 공간 정보는 한 번 구축 하고 나면 갱신 주기가 정해져 있지 않기 때문에 사용자는 현재와 다른 상태로 운영 및 관리를 해야 하는 어려움이 있습니다.
- 현실적으로 현재의 3D 실내외 공간 정보는 수작업 중심의 구축 방식과 지도의 특성이 매우 강하기 때문에 최신성이 매우 중요한 디지털 트윈 시장 환경에 대응하는데 많은 어려움이 있습니다.
- 따라서 기존 3D 실내외 공간 정보는 오랜 구축 기간, 비싼 구축 비용으로 이어져 디지털 트윈 시스템의 효용성과 직결되는 문제가 되고 이를 해결해야 하는 문제점이 발생하게 되었습니다.
Take5 ENT는 이러한 한계를 극복하는 방법으로서 메타버스 기반 디지털 트윈 시스템 구축에 인공지능 기술을 적극적으로 도입하기 위한 노력을 추진하고 있습니다.
- 최근 생성형 인공지능 기술이 발달하고 널리 활용됨에 따라 3D 실내외 공간 정보를 메타버스 콘텐츠로 대체하고 빠르게 변환하여 자동으로 디지털 트윈 시스템 제공을 위한 인공지능의 도입을 추진하고 있습니다.
- 기존 3D 실내외 공간 정보 기반 모니터링 시스템이 가진 한계점을 극복하기 위해 구축된 디지털 트윈 시스템을 한 단계 더 나아가 지능적인 모니터링 시스템으로 진화할 수 있도록 인공지능 기술 도입은 매우 중요하며 이를 위한 사전 준비를 추진하고 있습니다.
디지털 트윈 내 인공지능 기술 도입 관련 사전 분석 및 연구 결과
3D 공간 정보 분야 전문가 다수는 인공지능 기술 도입에 긍정적입니다.
3D 공간 정보 관련한 사업이나 연구를 수행한 경험이 있는 전문가들을 대상으로 인공지능 기술 적용에 대한 설문조사를 수행하였습니다.
- 약 82.4%의 전문가는 일부 분야에서 간헐적, 시범적으로 인공 지능 기술을 적용한다고 응답했고, 아직 인공지능 기술을 통해 새로운 가치가 창출되는 수준은 아니라고 응답했습니다.
- 인공지능 기술 적용 시점과 관련한 질문에는 시기상조라 생각하는 전문가는 전혀 없었으나, 해외보다 늦어 추격 기술 개발이 필요한 시점인지 기존 성과를 확대할 수 있는 시점인지 등 적용 시점에 대한 의견은 다양했습니다.
- 가장 많은 전문가가 3D 공간 정보 분야 중 인공지능 기술 적용이 가능한 세부 분야로 “전 처리를 포함한 데이터 가공”이라 응답하였으며 “원천 데이터 수집”, “3D 도화” 등에도 큰 차이를 보이지 않고 적용이 가능할 것이라는 의견을 제시하였습니다.
3D 공간 정보 분야에 인공지능 기술을 적용했을 때 기대되는 효과와 3D 공간 정보 분야의 변화에 대한 전문가 의견은 다음과 같습니다.
- 현재의 3D 공간 정보 분야에 인공지능 기술을 도입 적용하면 “구축 과정 일부 자동화를 통한 구축 비용 절감” 효과로 44.1% 감소할 것으로 응답하고 있습니다.
- 또한, 국가 기술 경쟁력 향상(23.5%), 3D 공간 정보 분야 시장 확대 및 생태계 활력 증진(14.7%)이 기대 된다고 응답하고 있습니다.
Take5 ENT가 추진하고 있는 생성형 디지털 트윈 솔루션 기술은 메타버스 기반 디지털 트윈
시스템 구축 프로세스 혁신으로 산업 현장에 큰 변화가 올 것이라고 예측합니다.
디지털 트윈 내 인공지능 도입 가능성을 위한 자동화 테스트 및 시사점
디지털 트윈 시스템 및 메타버스 데이터를 구축하기 위한 인공지능을 실제 적용하기 위한 사전 준비 과정에서 몇 가지 한계점 및 극복 방안이 필요함을 파악하게 되었습니다.
- 학습 데이터 수집 및 구축
메타버스 기반 디지털 트윈 시스템을 자동화 하기 위한 인공지능 기술을 도입하기 위해서는 디지털 트윈 시스템을 학습하는 것에서 부터 시작해야 하며 고품질의 학습 데이터 구축이 가장 중요합니다. - 인공지능 알고리즘
메타버스 데이터 구축에 적용이 가능한 인공지능 기술은 매우 매우 다양하게 개발되어 있으나 디지털 트윈 시스템 구축에 필요한 인공지능 기술은 아직 시도되지 않고 있습니다. - 디지털 트윈 활용 분야 확장의 어려움
기존 3D 공간 정보 분야에서 데이터를 인식하는 방식을 개선하지 않고 디지털 트윈 시스템에 도입 시 3D 공간 정보 데이터를 디지털 트윈에 최적화 된 메타버스 데이터로 변경해야 합니다. 하지만 이는 기존 3D 공간 정보 구축 비용 대비 비용이 커지는 원인으로 인식되어 확장의 어려움이 있습니다. - 디지털 트윈 기술 이해력의 문제
디지털 트윈 시스템 및 메타버스 데이터 구축 과정은 연속적, 순차적으로 진행되고 있어 전체 과정을 인공지능 기술을 활용한 하나의 자동화 과정으로 대체하는 것 뿐만 아니라 세부 과정 중 일부에 인공지능 기술을 적용하여 작업 효율성을 높이는 것도 의미가 있는데 구축 과정을 이해하지 못하는 경우 부분적으로 자동화 하는 것에 대한 이해력이 부족합니다.
결론. 지능형 자동화 산업 현장, 디지털 트윈·AI가 이끌어갑니다.
산업 현장의 자율화를 위한 필수 혁신 기술, 디지털 트윈과 인공지능에 대한 관심 지속 증가
각 산업 현장에 디지털 전환에 대한 요구 사항이 증가하고 흐름이 지속되며 다양한 기술 등장 및 발전함에 따라 자동화 및 자율화가 주목 받고 있습니다. 미래에는 인간의 개입이 없는 자율형 공장을 구축하기 위한 핵심 수단으로 “디지털 트윈”과 “인공지능”이 꼽히고 있으며 Take5 ENT의 디지털 트윈 솔루션으로 산업 현장의 자동화 및 자율화를 이끌 혁신 기술을 아래와 같이 추진 중에 있습니다.
디지털 트윈 시스템 구축 프로세스의 자동화
Linked Fires에서 제공하는 디지털 트윈 솔루션은 CCTV, 기계 설비, 로봇, 계측기, 센서 등 다양한 장비를 손쉽게 연결할 수 있습니다. 연결 이후 통신 인프라 등을 통해 데이터를 주고 받게 됩니다. 현실 세계를 가상으로 구현해 실제 장비 등을 동기화하고, 가상 세계에서 최적화를 거친 오브젝트는 현실로 반영할 수 있기 때문에 원거리에서도 작업 현장을 모니터링 할 수 있습니다.
특히, 디지털 트윈 기술이기 때문에 지역적 한계 및 이동의 제약을 극복하여 실시간으로 동기화 하는 시뮬레이션은 물론 분석, 예측을 위한 모니터링 시스템을 수행할 수 있습니다.
Linked Fires는 디지털 트윈 시스템 구축 프로세스를 규격화 하여 자동화하고 추후 인공지능 기술과 접목해 산업 현장의 자율화를 위한 기술 개발을 추진 중에 있습니다.
디지털 트윈 시스템 모니터링의 지능화
Linked Fires에서 제공하는 디지털 트윈 솔루션을 활용하면 장비 및 설비로부터 수집 된 실시간 데이터를 취득해 작업 시간을 단축 할 수 있고 대시보드 등을 통한 데이터 시각화도 가능합니다. 파악이 까다로운 공정 데이터도 차트나 그래프를 통해 확인하여 보다 효율적으로 작업할 수 있습니다.
실시간으로 수집 된 데이터를 분석하여 장비 및 설비의 이상 감지 및 예측 등도 간편해집니다. 지속적인 모니터링 및 사전 예측을 통해 설비 고장으로 인해 전체 산업 현장이 멈추는 것을 방지할 수 있고 재난 상황이 발생 했을 때 신속하게 대응할 수 있도록 즉각적인 시각화로 골든 타임을 확보할 수 있습니다.
이에 산업 현장의 다운 타임을 감소 시키고 위험 상황을 발 빠르게 대처하여 산업 현장 전체 생산성 및 운영 효율성 향상에 도움을 줄 수 있습니다. 또한 취득한 데이터를 분석하여 비즈니스에 필요한 다양한 인사이트를 얻는 것도 가능하며 객관적 데이터에 기반한 실시간 의사 결정에도 도움을 줄 수 있습니다.
Linked Fires의 모니터링 및 시뮬레이션 서비스는 똑똑합니다. 지능적으로 산업 현장을 실시간으로 모니터링하고 수집 된 데이터를 분석하여 시각화 하여 추후 빅 데이터 기술과 접목하여 산업 현장의 자율화를 위한 기술 개발을 추진하고 있습니다.
디지털 트윈으로 확장이 가능한 다양한 인공지능 응용 솔루션
AI 기술 발전이 빠른 만큼 현재 산업 현장에서 활용할 수 있는 널리 쓰이고 있는 MES, MEP는 물론 POP 솔루션이나 공장 내 운영 자동화를 돕는 솔루션 등 다양한 디지털 트윈에 인공지능이 탑재되는 방향으로 발전하고 있습니다. 대표적으로 2023년 7월 출범한 산업 AI 얼라이언스에 AI 솔루션 전문 공급기업 대표로 참여한 마키락스와 엠아이큐브 솔루션, 위즈코어도 각각 산업용 인공지능 서비스를 제공하고 있습니다.
한편 AI를 활용한 솔루션은 부품 불량 검사나 영상 분석 등 검사 자동화 영역에서 주로 활용하고 있는 것으로 조사되었는데 검사 정확도 및 공정 개선을 위해 사용 중이라고 합니다.
실제로 머신비전 업계에서는 신기술을 접목해 딥러닝 기반 이미지 분석 소프트웨어를 통해 공장 자동화를 추진하고 있으며 △ 반복 가능성 △ 정확성 △ 빠른 처리 속도를 결합해 제조업 검사 자동화에 있어 혁신을 만들어내고 있습니다.
산업 현장 내 생성형 AI 접목 예측
현재 AI는 챗 GPT 등으로 대표되는 초거대 생성형 AI가 빠르게 확산되고 있습니다. 일반적으로 생성형 AI는 콘텐츠나 IT 분야에서만 활용된다고 생각하기 쉽지만, 산업 현장에도 적용할 수 있습니다. KISTEP에서 공개한 자료에 따르면 생성형 AI를 활용해 재료를 설계하거나, 실제 데이터 대신 시뮬레이션 등을 통해 데이터를 합성하는 등 다양한 방식으로 활용할 수 있습니다.
AI 분야 전문가인 스누아이랩 유명호 대표도 “챗 GPT 등 생성형 AI 흐름이 확대돼 LLM(거대언어모달)이 멀티 모달(Multi-Model)을 지원하는 백엔드 역할을 할 것으로 예상된다”며 “일례로 AI가 활발히 적용되고 있는 머신 비전 솔루션 같은 경우 이미지, 영상 만을 보고 상황 판단을 하는 것이 아니라 주변 센서 데이터나 비정형 데이터가 추가적으로 입력돼 LLM에 의해 이후 발생할 상황을 예측하는 형태로 발전할 것이라고 보고 있다”며 산업 현장 내 생성형 AI 기술 접목이 활발해 질 것으로 예측했습니다.
