COWORKER로고

 최근 제품의 복잡성이 높아지고 개발 기간 단축과 비용 절감에 대한

요구가 커지면서 제조ㆍ엔지니어링 분야에서의 설계와 해석, 검증 업무의 효율을

높이기 위한 AI 활용이 확대되고 있습니다. 특히 반복적인 계산과 시뮬레이션,

개발환경 설정, 데이터 분석에 소요되는 시간을 단축하고 효율을 높이는 등

AI를 활용한 업무 수행 방식의 혁신이 이루어지고 있습니다.

 이에 제어 분야의 오랜 연구 및 시뮬레이션 환경 구축 경험을 보유하고

현재 AWS에서 산업 기술 및 솔루션 관련 업무를 수행하는 전문가를 모시고

AI 기반 업무 프로세스 개선과 데이터 활용 방안을 모색하고자 세미나를 개최합니다.

프로그램
1. 병목의 재정의: 왜 지금 엔지니어링 AI인가

-해석 대기/데이터 준비/문서 작업/잦은 설계 변경 등 R&D 병목 진단

-AI 적용 5단계 지도

2. 기다림을 없애는 인프라: 클라우드 HPC

-온프레미스의 한계와 풀스케일 해석이 가능해지는 방식

-EFA/병렬 파일시스템/클러스터 관리(ParallelCluster vs 관리형 PCS)

-글로벌 EV OEM 사례 (온프레미스 HPC 장애 → 3주 만에 운영 전환, 큐 대기 0)

3. 모든 엔지니어에게 같은 환경: 클라우드 개발환경과 에이전트 환경

-Toyota MBD 사례: 환경 세팅 하루 → 15분

-200명 이상 일괄 배포

-장시간 작업을 맡기는 에이전트 환경

4. 해석 대신 예측: ML 시뮬레이션(ML4Sim)

-설계점 20%만 해석하고 80%는 ML 추론

-유동장 예측(수십 시간 → 수 분)

-생성형 AI 설계 탐색 루프

-Whirlpool 10,000 이터레이션 약 5분

5. 코드가 아니라 Spec이 자산이다: Spec-Driven AI 코딩

-바이브코딩/외주 릴레이의 한계

-Requirements→Design→Code→Tests 구조

-글로벌 OEM PoC (약 2개월 프로토타입: 규칙 → 플랫폼 → 페어링)

-미니 실습: 내 업무 Spec 한 장 쓰기

6. 데이터를 잇고 에이전트에 맡기다: 디지털 스레드ㆍ지식 어시스턴트

-디지털 스레드/MBSE

-RAG/GraphRAG 지식 어시스턴트

-에이전트 오케스트레이션

-Boeing PLM(프로비저닝 30일 → 5시간)

-사내 MVP 4~6주

-접근