3차원 측정기(CMM)는 1960년대로 거슬러 올라가는 풍부한 역사를 가지고 있다. CMM은 50년 이상 계측 분야의 초석이 되어 왔으며, 제조업체가 물체를 정밀하고 정확하게 측정하고 검사하는 방식에 혁신을 가져왔다. 창립 이래 CMM은 항공우주에서 자동차에 이르기까지 다양한 산업의 증가하는 수요를 충족하기 위해 지속적으로 발전해 왔으며, 제조된 부품의 품질과 적합성을 보장하는 데 중추적인 역할을 해왔다. 새로운 제조 시대의 정점에 서 있는 지금, CMM의 발전 궤적을 살펴보고 향후 수십 년 동안 이러한 기계가 어떻게 계속 변화할지 추측하는 것은 매우 중요하다. 역사적 관점 CMM의 뿌리는 제조 산업에서 정확한 치수 측정의 필요성이 가장 중요해진 시기로 거슬러 올라갈 수 있다. 최초의 CMM은 1960년대 후반에 아날로그 기술에 의존하여 기본적인 측정 기능을 제공하는 제품으로 출시되었다. 수년에 걸쳐 아날로그 기술에서 디지털 기술로 전환되면서 복잡한 형상을 측정할 때 정확도, 반복성 및 효율성이 향상되는 중요한 이정표가 마련되었다. CMM 기술의 진화 측정 정확도 및 정밀도의 발전: 계측 분야에서 더 높은 정확도와 정밀도를 향한 끊임없는 추구는 지난 50년…
AI 발전은 인류에 혜택으로 돌아오지만 이면도 존재한다. 대표적인 예가 딥페이크다. 해커들은 AI와 딥러닝의 발전으로 인해 진짜 같은 가짜 사진, 영상 및 음성을 생성하는 능력을 증가시켰다. AI를 차치하더라도 단기간의 급격한 기술 발전은 딥페이크와 같은 부작용을 낳기도 한다. 이에 정부 및 주요 기업은 AI가 미칠 부정적인 영향에 대비해 다양한 제도와 가이드라인을 만드는 추세다. 반면 이 같은 규제가 도리어 AI 발전 속도를 저해할 수 있다는 목소리도 나오고 있다. 현실로 다가온 딥페이크 위협 지난 1월 미국을 대표하는 팝스타인 테일러 스위프트의 얼굴 사진이 합성된 이미지가 SNS를 통해 확산된 사건이 화제가 됐다. 현재 삭제된 이 이미지는 X, 인스타그램, 레딧 등에서 공유되면서 4700만 조회 수를 기록하기도 했다. 이 끔찍한 합성 이미지를 만드는데 적용된 기술이 딥페이크다. AI 탐지 기업인 리얼리티 디펜더는 이 합성 이미지가 AI 모델을 사용해 생성된 것이라고 확신했다. 딥페이크란 '딥러닝(Deep learning)'과 '가짜(Fake)'란 말의 합성어로, 최근에는 AI 기술을 기반으로 만들어낸 부정적인 창작물로서의 의미가 강하다. 같은 달 또 다른
AI 반도체 수요가 상승하고 있다. 이에 다수의 AI 기업이 자체 AI 칩 개발에 주력하는 추세다. 이는 고객의 요구에 특화한 솔루션을 제공하고, 예측할 수 없는 활용 가능성에 대비하기 위함이다. 이처럼 AI 칩 개발 경쟁은 미래 기술 혁신에 대한 흥미로운 전망을 제시함으로써 대중의 기대를 높이고 있다. 주요 기업들은 다음 단계에서 일어날 혁신에 대비해 치밀한 전략 구상에 나서고 있다. 시장은 자체 칩을 원한다 지난 2월, 오픈AI 샘 올트먼 CEO의 폭탄 발언이 AI 업계를 강타했다. 그의 입에서 나온 금액이 상상을 초월하는 천문학적 금액이었기 때문이다. 고성능 AI 반도체를 생산하기 위해 샘 올트먼이 언급한 펀딩 금액은 무려 7조 달러, 한화로는 9300조 원에 달하는 거액이다. 챗GPT의 창시자의 선포였기에, AI 업계는 진지하게 실현 가능성을 점쳐보고 있다. 샘 올트먼은 거대한 계획 안에 주요 반도체 기업과의 협력이 필요함을 밝혔으며, 그가 그리는 큰 그림에 포함될 가능성이 높은 기업들도 함께 주목받았다. 오픈AI 사례에서 말해주듯이 결국 AI 기업이 자체 칩 개발에 열을 올리는 이유는 높은 성능과 효율성을 갖춘 특화한 솔루션을 제공해 시장 경쟁에서…
“제조업 AI 기술 활용도 낮다…첫걸음은 충분한 이해와 명확한 목표 설정” “AI 생태계 구축 위해선 단번에 해결보다 작은 것부터 자동화 접근 필요” 챗GPT 열풍으로 시작된 생성형 AI 시대가 눈앞에 성큼 다가왔다. 월드 이코노믹 포럼에서 발표한 설문 결과에 따르면, 2030년까지 산업 전반에서 생성형 AI 및 분석형 AI가 창출할 수 있는 잠재적 연간 가치 총액은 6.7T 달러다. 또 제조기업 대다수 경영진들은 앞으로 AI가 핵심적인 경쟁력을 만드는 도구가 될 거라고 전망하고 있다. 그러나 실제로 AI 관련해서 당초 생각했던 목표를 성공적으로 달성한 기업의 비율은 다른 산업에 비해서 여전히 낮은 상황이다. 이를 두고 전문가들은 AI가 좋아 보인다는 단순한 이유로 데이터나 AI에 대한 충분한 이해 없이 결정을 내리고 잘못된 방식으로 접근해 실패하는 경우가 많다고 지적한다. 그러면서 성공적인 도입을 위해서는 AI와 데이터에 대한 충분한 이해, 데이터 준비 상태, 그리고 명확한 목표 설정이 중요하다고강 조한다. 3월 27일부터 29일까지 열리는 산업자동화 전문전시회인 ‘2024 스마트공장·자동화산업전 ’(Smart Factory + Automation Worl
최신 반도체 기술 중 하나인 HBM(High Bandwidth Memory)이 각광받고 있다. 고성능과 저전력 특성을 갖춘 HBM은 AI 및 머신러닝 분야에서도 뛰어난 성능을 발휘하기 때문이다. 이와 함께 3D 스택 형태의 메모리 아키텍처로 높은 대역폭을 실현한다. 이는 대규모 데이터 처리 및 다중 연산을 필요로 하는 AI 알고리즘에 최적화한 성능인 셈이다. 이에 반도체 기업들은 차세대 먹거리인 HBM 키우기에 나서고 있다. 회복세로 돌아서는 반도체 시장 최근 공개되는 지표를 살펴보면, 반도체 시장이 개선되는 조짐이 보인다. 과학기술정보통신부의 통계에 따르면, 지난 1월 ICT 수출액은 163억5000만 달러로 전년 동기 대비 25.1% 증가한 것으로 나타났다. 이는 2022년 5월 이후 처음으로 두 자릿수대의 성장세를 보인 것으로, 전체 ICT 수출은 반도체의 향상된 성과로 인해 11월부터 3개월 연속으로 전년 동기 대비 증가세를 이어가고 있다. 글로벌 반도체 제조 산업도 회복 추세를 보인다. 국제반도체장비재료협회(SEMI)와 테크인사이츠가 발간한 보고서에 따르면, 작년 4분기에는 전자제품과 집적회로 판매가 증가하며, 2022년 하반기 이후 처음으로 전자제
올해 들어 반도체 산업이 반등하고 있다. 이를 가능하게 한 건 AI 대중화다. 전 산업 영역에서 AI 수요가 높아짐에 따라 학습과 연산, 출력 등을 신속하게 할 수 있는 반도체가 반드시 필요하다. 반도체 업계는 매년 설비 투자를 지속하며 생산 능력을 강화하고 있으나, 앞으로는 그 규모가 확산할 조짐이다. 주요 기업들은 급변하는 시장에서 경쟁 우위를 확보하고 기술 주도권을 쥐기 위한 전략을 세우고 있다. 삼성전자 ‘투자할 곳도, 투자금도 많다’ 삼성전자가 올해도 세계 반도체 설비투자(CAPEX) 분야에서 1위가 유력하다. 테크인사이츠의 안드레아 라티 디렉터는 삼성전자가 2010년부터 가장 많은 투자를 한 기업이며, 올해 330억 달러(44조 원)를 투입할 것으로 내다봤다. 참고로, 삼성전자가 지난해 반도체에 쓴 투자금액은 총 48조4000억 원인 것으로 알려졌다. 이중 약 25~30조 원은 메모리 반도체, 약 15~20조 원은 파운드리에 투자한 것으로 전해진다. 이 같은 흐름에서 안드레아 라티 디렉터는 올해 반도체 산업이 회복하게 되며, AI 반도체가 주요인이 될 것으로 전망했다. 한편, 지난 2월 삼성전자 이재용 회장의 사법 리스크가 일부 해소되면서, 삼성의
반도체 산업은 기술 혁신과 함께 급격한 변화를 겪는다. 이 변화에는 반도체 제조 장비와 밀접한 관련이 있다. 신기술 도입과 반도체 수요 증가는 장비 시장을 견인하며, 장비 생산성과 품질은 더 나은 반도체를 만드는 배경이 된다. 이를 위해 주요 반도체 제조 기업들은 새로운 생산 기술 및 장비를 도입하는데 투자를 아끼지 않는다. 이처럼 반도체 시장과 장비 간의 상호작용은 단순한 거래 관계를 넘어 긴밀한 협력을 통해 선순환 구조를 이뤄간다. 터널 지나고 반도체 호황기 도래하나 지난 1월, 전 세계 반도체 업계 시가총액이 하루 만에 220조 원가량 불어나 화제가 됐다. 블룸버그통신은 이 결과가 반도체 산업 회복에 대한 기대심리가 반영된 것이라고 분석했다. TSMC의 경우 뉴욕 주식시장에서 실적이 공개된 후 10%에 달아는 상승 폭을 보였다. 유럽에서는 ASML이 눈에 띄었다. 반도체 시장을 대표하는 엔비디아와 인텔 등 미국 주식이 오르며 필라델피아 반도체 업종 지수가 크게 뛰었다. 여기서 끝이 아니다. 삼성전자, SK하이닉스, 도쿄 일렉트론, 어드반테스트 등 주가도 3% 이상은 상승했다. 이 같은 흐름을 끌어낸 건 AI다. 전 세계에 도래한 AI 열풍은 개인의 삶을
중대재해처벌법은 사회 안전 의식 개선과 산업 현장 안전 환경 조성을 위해 시행됐다. 사업주의 안전 관리 책임을 강화하면서 기업은 안전 투자를 늘리고 안전 시스템 구축에 적극적으로 나서고 있다. 세이프티 관련 시장 규모는 점점 커질 것으로 예측되는 가운데, 산업 현장의 안전을 책임지는 ‘제3의 눈’의 중요성이 커지고 있다. 중대재해처벌법 시행에도 산업재해는 여전히 중대재해처벌법이 본격적으로 시행되면서 산업 현장 안전에 대한 이슈가 커지고 있지만 매년 산업재해 사례는 증가하고 있다. 2017년 기준 3만 2,937명이던 산재장애인은 매년 지속 증가해 2022년 기준 4만 7,341명에 달했다. 국회 환경노동위원회 소속 이주환 국민의힘 의원(부산 연제구)이 고용노동부로부터 제출받은 자료에 따르면 전국 건설 현장 중 고용부의 안전 감독·점검이 이뤄진 곳은 전체 1.2% 수준인 4604곳에 불과한 것으로 확인됐다. 고용부가 산업재해를 예방하기 위해 대대적인 현장점검을 벌이고 있음에도, 인력 여건 등 현실적인 한계에 부딪히고 있다는 것이다. 산업재해는 현장 근로자의 안전에도 중요한 문제지만 경제적 손실과도 직결된다. 중대재해처벌법이 시행됐어도 산업재해로 인한 경제 손실
[기획연재 Ⅰ] 말 많은 중국산 LFP 배터리, 글로벌 시장 잠식?[기획연재 Ⅱ] LFP의 배신…친환경성 확보 어떻게? [기획연재 Ⅲ] 겨울철 LFP 배터리 들어간 전기차 타도 될까? LFP 배터리 특허의 역사 리튬인산철(LFP) 양극 물질을 처음 발견한 사람은 2019년 노벨화학상을 수상한 존 구디너프 교수다. 구디너프 교수가 1995년 미국 오스틴에 있는 텍사스 대학교에서 LFP 양극 물질을 처음 발견하고 특허를 등록한 이후 프랑스의 배터리 과학자인 미셸 아르망(Michel Armand)이 하이드로 퀘벡, 몬트리올 대학교의 과학자들과 함께 LFP에 탄소 코팅을 하면 전도성이 향상된다는 점을 발견하고 후속 특허를 등록했다. 2003년 하이드로퀘벡과 몬트리올대학이 일반 기업에 LFP를 상업적으로 이용할 수 있는 라이선스를 최초로 부여했고, 하이드로퀘벡은 전 세계 국가에 특허를 등록한다. 중국에는 2003년 특허 신청을 냈고 중국의 지적재산권국은 2008년 9월 특허 신청을 받아들인다. 그런데 2010년 중국배터리공업협회가 국가특허국 재심위원회에 LFP 특허 무효 소송을 제기, 재심위원회가 무효 판결을 내린다. 자국 내에서 해당 특허를 무효화한 것이다. 이를…
소프트웨어 중심 차량(Software-Defined Vehicle, 이하 SDV)이 19세기부터 지금에 이르기까지 공고히 자리잡아온 기존의 내연기관 자동차 산업에 커다란 패러다임의 변화를 불러일으키고 있다. SDV는 그동안 물리적 전장 하드웨어를 기반으로 작동했던 자동차와 달리 마치 스마트폰처럼 차량의 핵심 기능이 소프트웨어에 의해 결정되는 차량이다. 스마트폰 업데이트와 비슷한 방식으로 지속적인 업그레이드와 성능 개선이 가능하고, 다양하고 참신한 애플리케이션 서비스가 등장할 수 있다는 점이 혁신의 핵심으로 여겨진다. SDV의 연결성은 자동차를 단순한 이동수단이 아닌 스마트 모빌리티의 개념으로 확장시키고 있다. 자율주행 등 첨단 기술은 운전을 위한 자동차 내부 공간을 다양한 생활의 공간으로 변화시키는 등 자동차 하드웨어 자체의 변화를 불러일으킬 뿐 아니라, 운전자의 생활 방식을 완전히 뒤바꿔놓을 수 있다. SDV로의 이러한 전환은 기존의 자동차 산업 구조의 완전한 재편을 의미하기도 한다. 새로운 플레이어의 진입이 어려운 것으로 여겨졌던 자동차 산업에 구글, 바이두 등 글로벌 빅테크 기업들이 뛰어들고 있는 것이 대표적으로 나타나는 현상이다. SDV엔 어떤 소프트
첨단 기술, 데이터 기반 의사 결정, 자동화의 결합을 특징으로 하는 스마트 제조는 산업 환경을 혁신시키고 있다. 스마트 제조의 효율성과 정확성에 기여하는 중요한 요소 중 하나는 계측 자동화다. 계측은 제품 품질, 프로세스 제어, 전반적인 제조 우수성을 보장하는 데 중요한 역할을 한다. 산업이 Industry 4.0 시대를 맞이함에 따라 계측 자동화 도입이 점점 더 두드러지고 있다. 스마트 제조에서의 계측 계측은 항상 제품이 설계 사양 및 품질 기준을 충족하도록 보장하는 제조의 초석이었다. 그러나 스마트 제조의 도래와 함께 전통적인 계측 방법은 빠르게 변화하는 산업 환경의 요구를 충족하기 위해 발전했다. 스마트 제조 프로세스에 계측을 통합하는 것은 생산을 최적화하고 전반적인 효율성을 높이기 위해 실시간, 정확하며 실행 가능한 데이터가 필요하기 때문이다. 스마트 제조에서 계측은 품질 관리 및 검사를 넘어서 전체 생산 수명 주기에 걸쳐 필수적인 부분이 된다. 설계 및 프로토타입 제작부터 생산 및 사후 분석까지 계측 자동화는 모든 단계에서 프로세스를 모니터링하고 개선하기 위한 포괄적인 솔루션을 제공한다. 계측 자동화 구성 요소 첨단 센서 및 측정 장치: 계측 자동화
산업에서 활용되는 산업용 로봇과 협동로봇은 도입비용뿐만 아니라 유지비용 또한 높은 것으로 알려져 있다. 이에 로봇과 인공지능(AI)의 융합이 새로운 해결책으로 등장했다. 로봇을 현장에 도입했음에도 제대로 된 가치 발현이 안 되거나, 로봇 자체에 대한 변수 그리고 로봇을 공정에 활용하는 데 발생한 이슈 등에는 필연적으로 사람이 관여해야 하는데, 이를 해결하기 위해 로봇과 AI의 결합이 해결책으로 제시됐다. 로봇 AI 스타트업 플라잎이 제안하는 AI 로봇 솔루션을 소개한다. 현재 부상하는 ‘혁신기술’ 가운데 로봇은 그중에서도 핵심으로 평가받는다. 바야흐로 ‘로봇의 시대’가 개막한 것인데, 로봇은 산업 자동화 분야의 핵심 솔루션으로 자리매김하는 중이다. 최근에는 제조·물류 현장과 더불어 서비스 영역까지도 로봇의 영향력이 미치고 있다. 그러나 단순 조립 공정부터 물품 분류, 서비스 제공 등에서 로봇의 적용은 아직 기술적 한계가 따른다. 아울러 로봇의 원활한 동작을 위해서도 자원 및 인력이 뒤따른다. 예를 들어 환경, 생산 제품 등에 변수가 생겼을 때 앞선 요소는 더욱 요구된다. 사람을 대체하겠다는 포부로 등장한 로봇의 궁극적 목적에는 완벽히 다다르지 못한 양상이다.
최근 산업 내에서 급속도로 구축되고 있는 자동화 설비는 주로 압축공기를 이용한다. 이에 기체류를 다루는 설비 및 배관이 구축되는데, 이때 설비 및 배관에서 누출되는 압축공기·스팀·가스 등 기체를 감지하는 것이 중요하다. 음향 카메라는 이 과정에서 중추적인 역할을 한다. 음향 카메라를 활용해 기체의 누출 위치 및 상황 파악이 가능하다. 여기서는 소리를 시각적으로 구현해 설비의 결함까지 순각포착하는 한국플루크의 음향카메라를 소개한다. 현재 산업 안에는 기술 하나만으로 각종 문제를 해결하는 ‘원스톱’ 기술에 대한 요구가 증가하고 있다. 단 하나의 핵심 기술로 여러 영역을 다루는 개념인데, 고도화된 효율성이 곧 산업 경쟁력인 시대에서 존재감이 부각되고 있다. 음향 카메라는 소리를 시각적으로 구현해 현황을 파악하는 데 기여하는 기술이다. 제조 분야에서는 제조 공정 및 설비의 상태를 파악하는 데 주로 활용되고 있다. 최근 산업 내에서 급속도로 구축되고 있는 자동화 설비는 주로 압축공기를 이용한다. 이에 기체류를 다루는 설비 및 배관이 구축되는데, 이때 설비 및 배관에서 누출되는 압축공기·스팀·가스 등 기체를 감지하는 것이 중요하다. 그러나 통상적으로 소음 수준이 높은…
인더스트리4.0 시대 분야를 막론하고 AI 도입은 선택이 아닌 필수다. 특히 제조업 현장에서 AI 기술은 품질 관리, 생산 최적화, 예지 유지 보수에 획기적인 도움을 준다. AI는 획기적인 기술이지만, 성공적으로 도입하고 활용하기는 쉽지 않다. 데이터 수집 및 전처리, 모델 개발, 학습, 배포, 운영 등 어려움이 존재하기 때문이다. 라온피플의 ‘EZ PLANET’은 AI 개발에 도움을 주는 플랫폼이다. 머신러닝은 국가 운영 시스템, 기업, 개인 생활 등 다양한 분야에 활용되고 있으며 그 범위는 지속적으로 확대되고 있다. 로봇의 눈, 제품 품질, 속성별 분리, 객체 인식 자율주행 등 다양한 분야에서 활용되고 있다. 이렇듯 머신러닝의 중요성은 더욱 커지고 다양하게 적용이 되고 있지만, 아직도 개발이 어려운 것이 사실이다. 예를 들어 제품마다 양불판정 기준이 다 다르다. 즉, 제품이 바뀔 때마다 재학습이 필요하다는 것이다. 머신러닝 개발은 프로젝트 수집, 데이터 수집 및 레이블링, 모델 학습, 평가, 배포 및 적용 등의 단계에서 무한 반복이다. 전문 지식을 갖춘 엔지니어가 비효율적인 작업을 반복하게 된다. 제조업 현장에서 기존 머신러닝 기술은 데이터 수집 및 전처
AI를 배워가는 과정들이 대기업 위주에서 이제는 중견 중소기업까지 확산되고 있다. 그만큼 AI에 대한 인식이 높아져 잘 이해 하고 있다는 방증이다. 제조나 산업 분야에서는 AI를 도입하고자 할 때 어떤 부분들을 고려하면 되는지 살펴보고, 그런 측면에서 마키나락스의 솔루션과 서비스를 소개하고자 한다. AI 기술은 놀라운 속도로 발전하고 있다. 2016년 전만 해도 AI가 글자나 이미지 등을 인식하는 정도의 수준까지 오는데 약 10년이 걸렸다면 2016년 이후엔 사람의 인식 능력을 따라 잡는데 2~3년 밖에 걸리지 않을 정도로 급속히 빨라지고 있다. 이게 가능할 수 있었던 이유는 AI를 활용할 수 있는 기반 기술들이 성장했기 때문이다. AI를 잘 하려면 여러 가지 데이터 특성들을 분류할 수 있게 모델 사이즈가 커져야 하는데, 최근 강력한 컴퓨팅 파워를 보유한 기업들이 등극하며 산업적으로 기술적으로 성장하면서 연간 10배 정도 모델 사이즈가 커지고 AI 성능도 크게 향상되고 있다. 제조 산업과 AI 바야흐로 AI 시대가 시작됐다. 그렇다면 제조와 산업에서 AI는 어떻게 활용되고 있을까? 제조 산업은 상대적으로 ICT나 IT 산업보다 AI 활용도가 높지 않다. 그러