김진철의 How-to-Big Data | CPS와 Digital Transformation (2)

이런 “디지털 트윈(Digital Twin)”을 이용하면, 실제 상황에서는 사람이 통제할 수 없는 복잡하고 예외적인 상황에서 제품이 보일 수 있는 행동이나 반응도, 시뮬레이션 모델에서는 관련되는 모델링 파라미터와 변수들을 완벽하게 통제하여 컴퓨터 상에서 재현하여 분석해볼 수 있어 제품의 안전성과 성능을 체계적으로 높일 수 있게 된다.

이뿐만 아니라, 전자 장비와 임베디드 컴퓨터내의 수치 모델이 해당 구성 요소나 부품의 제어에 바로 쓰이게 되는 사이버 물리 시스템의 경우, “디지털 트윈(Digital Twin)”에 쓰이는 수치 모델을 컴퓨터로 풀어내는 소프트웨어 기술의 수준과 성능이 또한 사이버 물리 시스템의 성능과 품질도 좌우할 수 있게 된다.

사이버 요소의 비중이 높아지는 사이버 물리 시스템의 경우, 임베디드 컴퓨터와 소프트웨어 기술의 발전으로 “디지털 트윈(Digital Twin)”에 쓰이는 수학 모델이 사이버 물리 시스템의 제어와 운용에도 같이 적용되어 쓰일 수 있게 된다. 

이와 함께 모델링의 수준과 제품에 대한 이해도가 높아지면서, “디지털 트윈(Digital Twin)”이 만들어내는 데이터가 사이버 물리 시스템이 만들어내는 실제 데이터와 큰 차이가 나지 않거나, 차이가 나더라도 분석과 데이터 가공을 통해 실제 데이터와의 관계를 명료하게 분석할 수 있는 시점이 곧 오리라고 생각한다. 

사이버 물리 시스템을 위한 “디지털 트윈(Digital Twin)” 기술은 사이버 물리 시스템 기반의 지능형 서비스의 장애와 결함을 예방하고, 안전성과 신뢰성을 높이는 데에도 이용할 수 있지만, “디지털 트윈(Digital Twin)”이 사이버 물리 시스템과 사람사이의 고급 상호 작용의 매개가 되거나, 고급 사람-기계 인터페이스(Human-Machine Interface; HMI)를 위한 사이버 요소로서도 활용될 수 있다.

이런 예의 하나가 5G V2X 통신의 대표적인 응용 분야로 꼽히는 원격 운전(remote driving)이다. 원격 운전의 경우, 차량의 센서가 인지하는 주행 환경 정보를 원거리에 위치한 원격 운전 HMI에 전송하여 원격에서 차량을 운전하는 운전자가 실제 차량을 운전하는 것과 같이 주행 환경 정보를 접할 수 있도록 원격 운전 HMI를 작동시켜야 한다. 

이와 함께 차량이 인지하는 주행 환경과 원격 운전 HMI에서 보는 주행 환경 사이와의 차이 때문에 원격 운전자의 실수나 사고가 일어나지 않게끔, 원격 운전 HMI에 달린 조향 장치와 가속 페달, 감속 페달과 같은 액추에이터(actuator)들이 실제 차량을 움직이는 것과 같은 느낌을 가지고 조작할 수 있도록 만들 필요가 있다.

이를 위해서 원격 운전 HMI의 사이버 요소에는 실제 차량의 제어 모델 및 컴퓨팅 모델과 같은 모델이 탑재되어 원격 운전자의 액추에이터 반응이 차량의 제어 장치에 원격 운전자가 의도한대로 안전하게 전달될 수 있도록 할 필요가 있다. 이를 위해서 차량의 디지털 트윈 모델이 원격 운전 HMI의 사이버 요소로서 동작하여 원격 운전자가 원격 운전 HMI의 운전 환경과 차량의 운전 환경과의 차이를 크게 느끼지 않고 안전하게 운전할 수 있도록 하는 데에 필요하게 된다.

지금까지 설명한 것과 같이, 비즈니스에 실질적인 임팩트를 줄 수 있는 예측 분석의 방법으로서 대규모 시뮬레이션 기술과 이를 기초로 한 디지털 트윈 기술은 예측 분석의 수단으로서 효과적이기도 하지만, 그 자체로 사이버 물리 시스템의 사이버 요소로도 쓰일 수 있고, 사이버 물리 시스템과 이를 사용하는 사람과의 고급 사람-기계 인터페이스(HMI)로도 사용할 수 있다.

이로 인해 앞으로 시뮬레이션을 위한 고성능 컴퓨팅 기술과 디지털 트윈 및 대규모 시뮬레이션을 위한 고급 수치 모델링 기술, 초저지연, 초실감(hyper-real) 컴퓨터 그래픽과 렌더링 기술, 몰입형(immersive) 고급 사람-기계 인터페이스 기술이 제조업과 사이버 물리 시스템 기반의 지능형 서비스에서 중요한 역할을 하게 될 것이다.
 

마지막으로, 디지털 전환의 중요한 요소의 하나로 미래 예측 역량을 들고 싶다. 

위에서 설명한 예측 분석을 위한 데이터 과학 모델링과 대규모 시뮬레이션을 이용한 디지털 트윈 기술들도 결국 예측 분석을 위한 도구들이다. 이런 예측 분석의 도구들은 정밀한 수학적 모델을 기반으로 상향(bottom-up) 예측 분석을 하기 위한 것들이다. 이런 상향 예측 분석과 함께, 디지털 전환에 성공하고자 하는 기업이 반드시 갖추어야 하는 역량은 미래 연구와 예측의 역량이다.

앞서 소개한 아디다스의 스피드팩토리 실험의 핵심은 지구 온난화와 같은 환경 이슈로 인해 탄소 배출량이 높은 항공 물류의 비중이 높을 경우 기업 경영의 또 다른 위험 요소가 될 수 있겠다는 전망을 바탕으로 한다. 이런 위험 요소를 해결하기 위해 물류 비용을 줄이고 소비자의 니즈에 더 민감하게 대처하는 방법으로서 소비자에 가까운 지역에 완전 자동화된 공장을 건설하고 이를 분산된 방식으로 운영하겠다는 것이 아디다스의 스피드팩토리 실험의 핵심이다.

아디다스의 스피드팩토리 실험을 지금까지 빅데이터 붐이 일었던 양상과 같이 단순히 이를 다루었던 자동화 소프트웨어 기술과 인공지능 기술에만 초점을 맞춘다면 진정한 의미와 교훈을 찾기 어려울 것이다. 

아디다스의 스피드팩토리 실험에 쓰였던 기술들이 의미 있는 방식으로 통합되어 혁신의 상징으로 보일 수 있었던 것은, 바로 앞서 얘기한 것과 같이 환경 이슈로 다가오는 글로벌 물류 문제가 기업 경영에 미칠 수 있는 문제를 해결하기 위해 탄소 배출량을 줄일 수 있는 물류를 위한 소비자와 가까운 지역에 공장 건설, 소비자에 가까운 지역에서 소비자의 니즈에 민감하게 대응하는 상품을 적시에 생산하기 위한 분산된 공장 운영, 고도로 분산된 공장의 운영과 생산 효율을 높이기 위한 생산 프로세스 자동화 기술의 전면 도입과 같은 미래 예측에 근거한 경영 전략이 스피드팩토리 실험에서 일관된 방식으로 맥락을 제공했기 때문이다.

지난 마흔 여덟 번째 글에서 소개했던 버버리의 디지털 전환 사례, 제너럴 일렉트릭의 빅데이터와 예측 분석을 이용한 구독형 제조 비즈니스 모델 사례, 그리고 아디다스의 스피드팩토리 사례에 이르기까지, 디지털 전환을 위한 역량을 결집하고 일관된 방식으로 빅데이터, 인공지능, 사물인터넷과 사이버 물리 시스템과 같은 기술들을 기업 경영과 연계시키는 것은, 미래 예측과 분석에 따른 경영진의 하향식(top-down) 전략 수립과 실행이 일관된 방식으로 진행되었기 때문이다.

디지털 전환은 전사적으로 많은 역량이 결집되어야 성공할 수 있다. 이 다양한 역량이 결집되어 비즈니스 성과를 내기 위해서는 CEO를 비롯한 경영진의 디지털 전환에 대한 의지와 꾸준한 실행이 전제되어야 한다.

경영진이 전사적인 경영 자원을 일관된 방식으로 꾸준히 투입하고 변화시키기 위해서는, 경영진에게 이런 대규모 경영 자원의 투입과 전사적 규모의 변화가 정말 의미 있고 꼭 필요한 것이라는 확신을 주는 일관된 스토리와 전략이 있어야 한다. 이런 스토리와 전략을 제공해주는 것이 미래 연구와 예측이다.

미래 연구와 예측을 통해 일관된 스토리와 전략을 제공하는 것이 디지털 전환에 왜 중요한가? 그 이유는 디지털 전환이 의미 있는 성과로 나타나기까지 꽤 많은 시간이 걸리기 때문이다. 전사적인 자원이 동원되어 새롭게 변화된 경영 방향으로 통합되어 가면서 생기는 커뮤니케이션 비용도 만만치 않을 뿐만 아니라, 디지털 자원과 역량을 결집하여 기존과는 다른 방식의 비즈니스 모델을 실험하고 지속가능한 성장과 성과를 만들어내는 경영 시스템으로 만들어내야 하기 때문이다.

디지털 전환이 의미 있는 성과로 나타나기까지 꽤 많은 시간이 걸리기 때문에 현재 디지털 전환을 성공적으로 실행할 만큼 역량이 있는지 정확한 진단과 판단이 선행되어야 할 것이다. 이런 진단 후에 만약 역량이 부족하다는 결론에 이르렀다면, 이 부족한 역량을 파악하고 갖추는데 시간이 또 걸릴 것이다. 어떤 역량을 어느 정도 갖출 것인지 계획을 수립하고 실행하기 위해서는 어떤 모습의 디지털 전환이 기업에 필요한지 청사진을 그리는 작업이 필요할 것이며, 이런 청사진이 실제로 실현될 때까지 또 다시 시간이 걸리게 된다.

이뿐만 아니라 이렇게 그린 디지털 전환의 청사진이 실제로 실현되었을 시점에서 이 청사진이 이렇게 시간이 흐른 후에도 여전히 시장에서 의미 있고 지속가능한 비즈니스 모델을 제공할 것인지, 그리고 그 시점에서 전사적으로 갖춘 디지털 자원 활용 역량이 충분히 성숙할 것인지 체계적으로 분석하고 의사 결정할 필요가 있다.

이렇게 디지털 전환에 전사적인 자원이 동원되고 의미 있는 성과를 내기까지 꽤 많은 시간이 걸리기 때문에, 디지털 전환의 실행이 가시적인 성과를 내면서 성공적으로 궤도에 오를 것이라 예상되는 시점까지 예상되는 위험과 불확실성에 최대한 대응하여 성공 가능성을 높이기 위해 체계적인 미래 연구와 분석이 경영 전략 수립 과정에서 반드시 같이 이루어져야 하는 것이다.

디지털 전환을 위한 경영 현안 진단과 전략 수립을 위한 도구로서 앞서 언급한 비즈니스 분석과 예측을 위한 다양한 방법들과 기술들이 정교하고 구체적인 전략 수립을 지원하는 도구로서 미래 연구와 분석의 곳곳에서 같이 활용되게 된다. 

빅데이터를 이용한 전사적 비즈니스 지원 시스템(Business Support System; BSS)과 운영 지원 시스템(Operation Support System; OSS)을 적절하게 갖춘 기업이라면 디지털 전환 전략 수립과 미래 연구를 위한 데이터와 경영 진단 자료를 얻고 활용하기가 훨씬 수월할 것이다.

지금까지 디지털 전환의 또 하나의 중요한 요소로서 예측 분석과 미래 연구가 어떤 역할을 하고 왜 중요한지 살펴보았다. 디지털 전환에 전사적인 수준의 자원이 동원되어 새로운 방향으로 통합되어야 하고, 이런 전사적인 역량 결집과 통합, 변화의 과정에 꽤 오랜 시간이 걸릴 수밖에 없다. 이 때문에, 디지털 전환의 성공 가능성을 높이고 위험 요소에 효과적으로 대응하면서 실패 확률을 낮추기 위해서는 체계적인 예측 분석과 미래 연구를 실행하는 것이 중요하다.

체계적인 예측 분석과 미래 연구에 대해 구체적인 방법론 측면에서 더 언급하고 싶은 것들이 많다. 시나리오 플래닝(scenario planning), 확산-수렴 사고법(divergent-convergent thinking)과 같은 구체적인 미래 연구 방법론과, 이를 이용해 디지털 전환의 방향과 전략을 수립하는 방법과 같은 중요한 내용이 많지만, 지면이 제한된 관계로 여기서는 더 언급하지 않겠다. 

남은 지면에서는 위에서 언급했던 수학적 모델 기반의 예측 분석, 디지털 트윈과 대규모 시뮬레이션을 디지털 전환을 위해 활용할 때 기업들이 간과하기 쉬운 점들에 대해서 좀더 짚고 넘어가고자 한다.

예측 분석의 또 다른 기술 이슈 – 시뮬레이션 빅데이터 관리 및 실측 데이터와의 통합 분석 체계
앞서 디지털 트윈을 이용한 대규모 시뮬레이션을 이용해 예측 분석을 수행하게 되면 이 대규모 시뮬레이션에서 많은 양의 빅데이터가 생산된다고 언급한 바 있다. 사실 경우에 따라서는 사이버 물리 시스템이 사물 인터넷과 센서를 통해 실세계로부터 수집한 데이터보다 시뮬레이션을 통해 생성한 데이터가 더 큰 경우도 많다.

실제로 핵융합 플라즈마 분야의 경우 핵융합 실험로에서 수집되는 실험 데이터보다, 이 실험 데이터를 분석하기 위해 계산하는 시뮬레이션 데이터의 양이 훨씬 더 크고 많다. 그리고 대개의 경우 시뮬레이션은 분석을 목표로 하는 조건을 탐색하면서 다양한 가능성을 확인하고, 통계적으로 유의미한 데이터 분석을 하기 위해 다양한 영역의 시뮬레이션 파라미터에 대해서 많은 횟수에 걸쳐 시뮬레이션을 수행하고 그 데이터를 저장한다. 

이런 이유로 시뮬레이션 결과의 정밀도, 정확도를 높이기 위해 사용하는 격자점의 수를 늘이고 시뮬레이션에서 현상을 보려고 하는 해상도(resolution)을 높이게 되면 시뮬레이션을 하는 차원에 비례해서 기하급수적으로 데이터의 양이 늘어나게 된다.

지난 2018년 3월 23일에 게재했던 열다섯 번째 글에서 소개했던 것과 같이CERN의 LHC 실험에서도 검출기 영상 결과 분석의 시행 착오를 줄이기 위해서 몬테카를로 시뮬레이션 방법을 이용한 이벤트 시뮬레이터를 이용해 검출기 영상을 흉내 낸 이벤트 데이터를 먼저 생성한다. 이 이벤트 시뮬레이션 데이터를 대량으로 축적한 후 실제 실험에서 얻은 검출기 영상 데이터와 비교해서 LHC 실험을 시작한지 4년만에 힉스 입자의 존재를 확인할 수 있었다.

대규모 시뮬레이션을 이용한 디지털 트윈과 빅데이터를 이용한 예측 분석이 이렇게 의도한 효용과 가치를 기업의 디지털 전환에 제공하기 위해서는 경우에 따라서 실제 수집되는 것보다 훨씬 큰 양의 데이터를 생성하고 분석해야 하는 경우가 많다.  

이런 이유로 사이버 물리 시스템에서 수집되고 생산된 데이터를 적시에 처리, 가공하고 적절하게 관리하는 것도 중요하지만, 디지털 트윈을 비롯한 예측 분석, 시뮬레이션 시스템에서 생산된 데이터를 신속하게 처리, 가공하고 이를 실측된 데이터와 비교, 분석하여 원하는 분석을 수행할 수 있게 하는 데이터 분석, 처리 파이프라인을 잘 갖추는 것도 중요하다는 것을 디지털 트윈을 활용한 예측 분석을 수행하는 기업은 반드시 염두에 두는 것이 좋다.

마지막으로 디지털 트윈과 대규모 시뮬레이션을 이용한 예측 분석과 관련해서 필자가 한가지 더 언급하고 싶은 것은 시뮬레이션 모델이 만든 데이터와 실제 데이터와의 차이를 고려해서 예측 분석을 수행할 필요가 있다는 것이다.

디지털 트윈을 아무리 정교하게 만든다고 해도, 디지털 트윈을 만들 때 사용하는 수학 모델들은 그저 모델일 뿐이다. 실제 물리적 대상을 기술하는 수학적 모델들은 이 모델이 실험 결과를 잘 설명할 수 있고 모델링의 결과가 유효하기 위한 가정을 품고 있으며, 이를 위한 조건과 변수 값의 특정한 영역이 있다. 

또한 실세계의 현상과 대상을 수학적으로 모델링하는 과정에서 관심이 있는 특정한 현상이나 양상을 집중해서 보거나 강조해서 기술하기 위해서 이런 수학적 모델들은 대개의 경우 현상을 완벽하게 기술하는 모델인 경우보다도 몇 가지 가정을 통해 특정한 요인이나 변수가 미치는 영향을 강조하거나 두드러져 보이게끔 만들어지는 경우도 많다.

즉 우리가 디지털 트윈을 만들기 위해 사용하는 수학적 모델 각각은 그 모델이 유효하기 위해 필요한 가정과 한계를 내포하고 있는 경우가 많으며, 이런 가정과 한계를 잘 이해하고 모델이 생성한 데이터를 예측 분석에 활용해야 한다는 것이다.

한 가지 모델이나 방정식을 이용해, 단순히 선형 회귀식을 외삽하여 예측 분석하는 경우와 같이, 예측 분석을 하는 경우에는 이런 문제가 다소 크게 두드러지지 않는다. 하지만, 디지털 트윈을 만들기 위해 경우에 따라서 몇십개에서 몇백개에 이르는 미분 방정식을 결합해서 분석 대상을 모델링하는 경우에는 이렇게 많은 수의 미분 방정식이 유효한 파라미터 영역을 찾고 탐색하는 것만도 만만치 않은 계산과 시행 착오를 겪어야 할 수 있다.

디지털 트윈이 가능한 모든 가능성을 컴퓨터상에서 흉내내기 위해 되도록 많은 모델들을 서로 결합하여 정교하게 분석 대상을 모델링한다고 해도, 이 모델들은 우리가 지금까지 대상에 대해서 알고 있는 만큼만 분석 대상을 흉내낼 수 있을 뿐이다. 

우리가 분석 대상에 대해서, 그것이 핵융합 플라즈마와 같은 자연 현상이 되었건, 항공기와 제조 공장의 자동화 시스템과 같이 인간에 의해 인공적으로 디자인되고 만들어진 기계가 되었건, 그 대상에 대해 우리가 가진 지식만큼만 컴퓨터 속에서 디지털 트윈으로 흉내 내고 모델링할 수 있으며, 그런 한계 안에서만 예측 분석이 가능하다는 것을 항상 잊어서는 안 된다.

비즈니스 분석과 주식 시장 모델링에 많이 사용되는 마코프 체인이나 몬테 카를로 시뮬레이션과 같은 확률 과정 모델들의 경우, 모델의 정확도를 높이기 위해서는 시뮬레이션에 사용되는 데이터의 양을 크게 늘여야 한다. 

비즈니스 예측 분석을 위한 모델의 정확도에 대해 적절한 기준을 가지고 있다면 요구되는 정확도에 맞는 시뮬레이션의 정밀도와 데이터의 양을 어느 정도 통제할 수 있을지 모르겠지만, 복잡계인 경제 시스템과 시장의 행동 양식을 모델링하는 경우 어느 정도 정확도가 비즈니스 예측 분석에 적당한지 가늠하기 어려운 경우가 더 많다.

이런 경우에는 어쩔 수 없이 시행착오를 겪을 수밖에 없는데, 시행착오를 아예 없애는 것은 불가능 하기 때문에 시행착오를 최대한 줄일 수 있는 예측 분석 전략과 방법을 새롭게 고민해야 할 수 있다.

예측 분석에서 사용되는 수학 모델들이 분석 대상을 완벽하게 기술하는 모델들이 아니고, 우리의 분석 대상에 대한 지식 또한 완전하지 않기 때문에, 디지털 트윈에 사용되는 수학적 모델들을 통해 생성된 데이터는 분명히 실제 측정된 데이터와 다른 특성을 가지고 있다. 이런 점도 예측 분석시에 감안해서 예측 분석의 결과를 해석해야 한다.

이런 시뮬레이션 데이터와 실제 측정 데이터의 차이로 인해 올 수 있는 문제를 살펴볼 수 있는 사례가 바로 자율주행 자동차의 영상 인식 인공지능 기술의 학습과 같은 경우다.

시뮬레이션을 위한 렌더링과 고급 그래픽 기술이 많이 발전해서 시뮬레이션 영상이 실제 주행 환경에서 일어나는 역광이나 노면 반사, 그림자 효과, 눈, 비로 인한 카메라 렌즈 오염 때문에 생기는 영상 왜곡 현상까지 시뮬레이션을 통해 흉내낼 수 있을 정도로 많이 발전하기는 했지만, 주행 시뮬레이션 영상을 사람이 보게 되면 여전히 어색하고 이질적인 특성을 가지고 있다.

사고 상황에서 일어날 수 있는 주행 상황 인지를 위한 영상 인식 모델을 만들 때, 일반적인 주행 상황에 대한 데이터는 쉽게 모을 수 있지만, 사고 상황이나 돌발 상황에 대한 학습용 영상 데이터는 쉽게 얻기가 어렵기 때문에 이런 상황에 대해서는 시뮬레이션 영상을 활용하는 아이디어가 지금 많이 검토되고 있다.

시뮬레이션 영상을 이용해서 영상 인식 모델을 학습시켰더라도 실제 카메라 영상에서 어느 정도 인지가 되기는 하지만, 시뮬레이션 영상은 분명히 실세계 주행 영상과는 다른 특성을 가지고 있다. 이렇게 실제 영상과 다른 시뮬레이션 영상의 통계적 특성과 실세계의 모든 물리적 요소가 반영되어 모델링 되지 못한 이유로 주행 시뮬레이션에 미처 반영되지 않은 잡음 효과가 분명히 영상 인식 모델의 성능에 영향을 미치게 된다. 

하지만 이렇게 시뮬레이션 영상으로 학습된 영상 인식 모델이 실제 영상에 적용되었을 때 어떤 정도의 차이가 어느 정도로 나타나고 영상 인식 성능에 영향을 미치는지는 아직도 많은 연구와 분석이 이루어지고 있다.

이와 같이 디지털 트윈을 아무리 정교하게 만든다고 해도 실세계의 모든 물리적인 요소들을 담기에는 우리의 지식이 아직 많이 부족함을 염두에 두고, 시뮬레이션 데이터와 실제 데이터를 이용한 예측 분석 결과를 비교하거나 시뮬레이션 데이터와 실제 데이터를 같이 활용해서 예측 분석을 수행할 경우 시뮬레이션 데이터가 가질 수 있는 통계적 특성의 차이를 고려해서 예측 분석 결과를 해석할 필요가 있음을 반드시 염두에 두어야 한다.

지금까지 수학적 모델과 대규모 시뮬레이션을 이용한 디지털 트윈을 예측 분석에 활용할 때 데이터 과학자들이 염두에 두어야할 점 두 가지를 더 살펴보았다.

첫 번째로 시뮬레이션과 디지털 트윈이 만드는 데이터가 실제 분석 대상으로부터 측정되어 수집된 데이터보다 훨씬 더 큰 빅데이터가 될 수 있다는 것이다.

이와 함께 시뮬레이션과 이를 이용한 디지털 트윈이 생성한 빅데이터를 효과적으로 이용하기 위해 이를 위한 별도의 빅데이터 가공, 분석 파이프라인을 설계해야 할 필요가 있을 수 있고, 이런 시뮬레이션과 디지털 트윈 빅데이터 가공, 분석 파이프라인이 활용 목적에 맞는 예측 분석을 지원할 수 있도록 실제 측정된 데이터와 연계되어 활용될 수 있도록 하는 빅데이터 연계 및 분석 파이프라인과 시스템을 설계, 구축할 필요가 있다는 것이다.

두 번째로, 시뮬레이션을 통해 생성된 데이터는 실제 물리적인 대상에 대한 데이터를 수집한 조건, 환경과 완전히 똑같지 않기 때문에 실제 데이터와 다른 통계적 특성을 가질 수 있다.

시뮬레이션 데이터와 실제 측정한 데이터를 같이 활용해서 예측 분석을 수행할 경우에는 이렇게 시뮬레이션 데이터가 가진 고유한 특성과 차이점을 같이 고려해서 예측 분석을 수행해야 결과를 잘못 해석하거나 잘못된 분석 결과를 얻지 않을 수 있다는 것이다.

컴퓨팅 기술이 발전하고, 네트워크 기술과 메모리, 저장 장치 기술의 발전에 힘입은 고성능 컴퓨팅 기술의 발전으로 인해서 디지털 트윈과 대규모 시뮬레이션 기술이 상품 개발과 비즈니스 전략 수립에 더하는 가치가 점점 더 커지고 있다.

특히 제조업에서 디지털 트윈과 시뮬레이션을 이용한 예측 분석의 가치는 앞으로 더 높아질 것으로 보이며, 데이터 과학자들도 이런 경향을 염두에 두고 경력 개발에 활용해야 할 것으로 보인다.

디지털 전환을 성공적으로 실행하기 위해, 전사적인 여러 역량과 요즘 주목받는 빅데이터, 인공지능, 클라우드 컴퓨팅, 사물 인터넷, 5G 및 차세대 무선 통신 기술과 이를 기반으로 한 사이버 물리 시스템이 디지털 전환을 성공적으로 지원하기 위해서는, 전사적인 관점에서 이들 역량과 기술을 통합하는 방향을 제시하는 디지털 전환의 청사진을 체계적으로 그릴 수 있도록 미래 연구와 분석을 체계적으로 활용하는 것이 중요하다.

디지털 전환이 전사적인 역량을 동원하고 새롭게 통합하여 기업의 체질을 근본적으로 변화시키는 작업이고, 디지털 전환이 가시적인 성과를 얻기까지 많은 시간이 필요하기 때문에, 이런 디지털 전환의 성공 가능성을 높이기 위해서는 체계적인 미래 연구와 분석을 통해 얻은 디지털 전환의 전략과 스토리가 조직 전반에 지속적이고 일관되게 심겨질 필요가 있다.

이렇게 미래 연구와 분석을 위한 기초 자료와 근거를 제공하기 위해서도 사이버 물리 시스템과 빅데이터 역량은 반드시 필요하다. 데이터 과학자들의 주된 역할과 역량중 하나인 예측 분석이 기업들이 미래 연구와 분석을 통해 디지털 전환 전략을 수립하는 과정에서 꼭 필요하게 될 것이다.

이렇게 예측 분석과 미래 연구, 분석 역량이 점점 더 부각되는 디지털 전환의 트렌드를 잘 이해하고, 이제 막 시작되고 있는 기업들의 디지털 전환 여정을 안내하고 선도하는 엘리트로서 데이터 과학자의 역할에 맞는 역량과 전문성을 미리 준비한다면 앞으로 성공적인 데이터 과학자로서 경력 계발에 많은 도움이 될 것이다.

[참고문헌]
[1] 김진철, “LHC에서 배우는 빅데이터와 machine learning 활용 방안”, 2016년 9월 28일, A CIO Conversation for Technology Leadership – Breakfast Roundtable 발표 자료
[2] David Rogers, The Digital Transformation Playbook: Rethink Your Business for the Digital Age, Columbia Business School Publishing, 2016.
[3] 데이비드 로저스, 디지털 트랜스포메이션 생존 전략 – 빠르게 변하는 비즈니스 세계에서 살아남기, 에이콘출판, 2018년. 
[4] 김진철, “김진철의 How-to-Big Data | 빅데이터 조직과 시스템 (1)”, CIO Korea, 2018년 10월 26일자. (https://www.ciokorea.com/column/39986) 
[5] Herzogenaurach, “ADIDAS DEPLOYS SPEEDFACTORY TECHNOLOGY AT ASIAN SUPPLIERS BY END OF 2019”, Adidas Media Blog, November 11, 2019. (https://www.adidas-group.com/en/media/news-archive/press-releases/2019/adidas-deploys-speedfactory-technology-at-asian-suppliers-by-end-2019/)
[6] Jon Porter, “Adidas to end robotic shoe production in Germany and the US - Automated factories were seen as an alternative to overseas labor”, The Verge, November 13, 2019. (https://www.theverge.com/2019/11/13/20962688/adidas-robotic-speedfactories-ansbach-germany-atlanta-usa-athletic-shoes) 
[7] Adrián Hernández, “Learning from Adidas' Speedfactory blunder”, SupplyChain Dive, Feb. 4, 2020. (https://www.supplychaindive.com/news/adidas-speedfactory-blunder-distributed-operations/571678/) 
[8] Devin Coldewey, “Adidas backpedals on robotic shoe production with Speedfactory closures”, TechCrunch, November 12, 2019. (https://techcrunch.com/2019/11/11/adidas-backpedals-on-robotic-factories/)
[9] Chris MacDonald, Bernard Dion, Mohammad Davoudabadi, “Creating a ‘Digital Twin’ for a pump”, Ansys Advantage Volume 11, Iss. 1, 2017. (https://www.ansys.com/ko-kr/about-ansys/advantage-magazine/volume-xi-issue-1-2017/creating-a-digital-twin-for-a-pump) 
[10] Andrew Williams, “Simulate to fabricate: vehicle plants keep VR and AR in their sights”, Automotive Manufacturing Solutions, 09 March 2020. (https://www.automotivemanufacturingsolutions.com/systems/simulate-to-fabricate-vehicle-plants-keep-vr-and-ar-in-their-sights/40302.article) 
[11] Siemens, “Why digital twins will be the backbone of industry in the future”. (https://youtu.be/ObGhB9CCHP8) 
[12] Digital Transformation – Wikipedia. (https://en.wikipedia.org/wiki/Digital_transformation) 
[13] 김진영, 김형택, 이승준, 디지털 트랜스포메이션, 어떻게 할 것인가?, e비즈북스, 2017년.
[14] George Westerman, Didier Bonnet, Andrew McAfee, Leading Digital: Turning Technology into Business Transformation, Harvard Business Review Press, 2014.
[15] 조지 웨스터먼, 디디에 보네, 앤드루 맥아피, 디지털 트랜스포메이션, e비즈북스, 2017년.


* 김진철 박사는 1997년 한국과학기술원에서 물리학 학사, 1999년 포항공과대학교에서 인공신경망에 대한 연구로 석사 학위를, 2005년 레이저-플라즈마 가속기에 대한 연구로 박사 학위를 받았다. 2005년부터 유럽입자물리학연구소(CERN)의 LHC 데이터 그리드 구축, 개발에 참여, LHC 빅데이터 인프라를 위한 미들웨어 및 데이터 분석 기술을 연구했다. 이후 한국과학기술정보연구원(KISTI), 포항공과대학교, 삼성SDS를 거쳐 2013년부터 SK텔레콤에서 클라우드 컴퓨팅과 인공지능 기술을 연구하고 있다. 빅데이터와 인공지능 기술의 기업 활용 방안에 대해 최근 다수의 초청 강연 및 컨설팅을 수행했다. ciokr@idg.co.kr