제조업의 디지털 전환의 핵심은 인공지능(AI)이다. 글로벌 제조 기업은 디지털 트윈 환경에 AI 기술을 접목해 지금껏 없던 수준의 효율성과 민첩성 여기에 경제성까지 확보하고 있다.

이런 혁신은 글로벌 기업만 가능한 것일까? 국내 제조기업의 AI 활용 현장을 가보면 매번 볼 수 있는 패턴이 있다. 바로 데이터 부족이다. 대다수 제조기업은 OT 환경을 완전히 디지털화하지 않아 AI 모델을 효과적으로 학습하는데 필요한 데이터를 생성, 수집, 저장하는 데 한계가 있다.

풍부한 데이터 세트가 없으면 AI적용 분야는 제한될 수밖에 없다. 데이터 부족 문제의 해결책은 데이터에서 찾아야 한다.

제조 기업이 AI 중심의 디지털 전환에 성공하려면 데이터 점진적인 접근이 필요하다. 이는 크게 세단계로 나누어 볼 수 있는 데 첫 출발점은 데이터를 수집, 저장, 분석하는 데 필요한 인프라를 확보하는 것이다. 예를 들자면 제조 공정 전반에 걸쳐 IoT 센서를 구현하여 실시간 데이터를 수집하고, 대량의 데이터를 안전하게 처리할 수 있는 데이터 저장 및 관리 시스템을 구축하는 것이다.

데이터를 모을 수 있는 기초를 다졌다면 다음에 도전할 목표는 디지털 트윈 구축이다. 흔히 디지털 트윈을 매우 거대하고 어려운 과제로 여긴다. 이는 반은 맞고 반은 틀리다. 설비와 공정이 복잡하고 양산 규모가 큰 경우는 어려운 작업이 맞다. 반면에 중소중견기업의 경우 의지만 있다면 시뮬레이션 기술을 활용해 디지털 트윈을 가벼운 마음으로 시작할 수 있다.

시뮬레이션 도구로 실제 설비와 공정을 정확하게 반영하고 여기에 수집한 데이터를 이용해 AI 모델을 훈련하고 개선할 수 있는 폐쇄 루프 학습 체계를 정립하면 AI 기술을 활용할 수 있는 디지털 트윈이 현실이 된다.

한편, 시뮬레이션 기반 디지털 트윈 환경은 데이터 부족 문제 해결에도 큰 도움이 된다. 시뮬레이션 과정에서 부산물로 실제 데이터의 특성을 모방하여 인위적으로 생성된 합성 데이터가 나온다. 합성 데이터는 디지털 트윈 환경에서 AI 모델을 훈련하고, 시스템을 검증하고, 시뮬레이션을 수행하는 데 사용할 수 있다.

합성 데이터는 대량으로 생성할 수 있으며 실제 데이터에 존재하지 않을 수 있는 광범위한 시나리오를 적용해 볼 수 있는 이점도 있다. 물론 합성 데이터가 실제 데이터를 대체할 수는 없다. 합성 데이터로 학습된 모델이 실제 시나리오에 적용했을 때 제대로 작동하지 않을 수 있으므로 최상의 결과를 얻으려면 합성 데이터를 실제 데이터와 함께 사용해야 한다.

시뮬레이션 기술을 디지털 트윈의 출발점으로 삼아 성공한 예 중 하나로 독일 바이에른 뮌헨에 본사를 둔 다국적 자동차 제조업체인 BMW의 사례를 꼽는다. BMW는 물리적 시스템의 특성을 정확히 모델링하는 식의 전통적인 OT 환경의 디지털 트윈 구현이 아니라 디지털 시뮬레이션과 AI의 조합을 사용했다.

BMW는 엔비디아 옴니버스를 사용해 디지털 트윈을 구축했다. BMW는 디지털 트윈을 사용해 새로운 생산 라인을 시뮬레이션하고 새로운 제조 공정을 테스트하고 있다. 이를 통해 BMW는 실제 공장에서 문제가 발생하기 전에 잠재적인 문제를 파악하고 해결한다. 또한, BMW는 디지털 트윈을 사용, 제품의 품질을 개선하고 있다.

예를 들어 디지털 트윈을 사용해 다양한 재료와 공정이 제품 품질에 미치는 영향을 시뮬레이션 한다. 디지털 트윈은 이제 거스를 수 없는 대세다. 요구와 조건에 따라 접근법은 다르겠지만 디지털 트윈의 큰 흐름은 AI를 향하고 있다. AI 주도적인 디지털 트윈 전략을 추구하고 싶다면 IoT를 통한 CSP 구현을 통해 데이터 생성과 수집 그리고 AI 모델 훈련과 최적화가 원활하게 이루어지는 환경에 관심을 두어야 한다.