닛산이 다음과 같은 방법을 통해 차량 개발 주기를 어떻게 단축하고 있는지 Sonatus

0:00 팟캐스트 소개

‘ Driving Innovation ’ 팟캐스트의 또 다른 에피소드에 오신 것을 환영합니다.

현대 자동차는 디자인과 엔지니어링의 놀라운 성과이지만, 개발, 테스트 및 검증 과정이 점점 더 복잡해지고 있습니다.

오늘은 세계 유수의 자동차 제조사 중 한 곳이 데이터 기반의 ‘ AI ’를 활용한 접근 방식을 통해 양산 전 검증 프로세스를 어떻게 혁신하고 있는지 자세히 살펴보겠습니다. 이를 통해 복잡한 절차를 간소화하고, 효율성을 높이며, 궁극적으로 비용을 절감하고자 합니다.

저는 진행자 산자이 카트리입니다. 오늘의 게스트인 닛산 유럽 기술 센터(Nissan Technical Center Europe)의 e-플래닝, 코딩 및 사이버 보안 담당 수석 엔지니어 사라 도리 씨를 소개하게 되어 매우 기쁩니다. 사라 씨는 오늘 Sonatus Collector AI 와 AI Technician을 활용하여 해당 센터가 주요 검증 과제를 해결하고 차량 개발 프로그램을 가속화하고 있는 방식에 대해 이야기해 주실 예정입니다.

이번 세션에서는 이벤트 기반 데이터 수집의 장점, 복잡한 차량 하위 시스템 간 데이터 연동을 통해 도출되는 인사이트, 그리고 반복적인 폐쇄형 워크플로가 근본 원인 분석 방식을 어떻게 근본적으로 변화시키고 있는지 살펴보겠습니다.

사라, 이 팟캐스트에 함께해 주셔서 감사합니다.

안녕하세요, 만나서 반갑습니다. 다시 이곳에 오게 되어 정말 기쁩니다.

1:24 차량 개발 과정의 검증 과제

감사합니다. 네, 그럼 바로 본론으로 들어가 보죠. 귀사는 닛산 리프(LEAF)와 주크(Juke)와 같이, 여러 상을 수상하고 대중적인 인기를 끌고 있는 모델들을 위한 닛산의 차량 개발 프로그램의 중심에 서 계십니다. 그나저나, 닛산 리프가 각종 상을 휩쓴 것을 축하드립니다. 귀사 팀이 새로운 접근 방식을 모색하게 된 계기는, 검증 과정에서 어떤 어려움에 직면했기 때문이었나요?

네, 감사합니다. 정말 좋은 질문이네요. 개발 단계 내내 저희는 물론 많은 OEM 업체들에게도 어려운 과제였던 부분이기 때문이죠.

우리는 모든 표준 개발 과정에서 근본 원인 분석에 있어 어려움을 겪는 경향이 있습니다.

업계에서는 드문 일은 아니지만, 우리 제조 공장과 유럽에 위치한 두 곳의 연구개발 센터(영국과 스페인 각 1곳) 사이의 거리가 멀기 때문에 데이터를 수집하는 것이 정말 어려울 수 있습니다. 현장에 직접 가야 하거나, 적어도 적절한 시점에 적절한 장소에 기술, 지식, 역량을 갖춘 인력이 배치되어 있어야 합니다. 하지만 항상 그런 것은 아닙니다. 종종 데이터를 수집하고 돌아와 분석하는 경우가 많습니다. 그리고 분석이 끝난 후에도 데이터를 더 깊이 파고들어, 어떤 시나리오나 CAN 연결에서 어떤 ECU에 어떤 문제가 발생하는지 정확히 파악하기 위해 추가적인 데이터 수집이 필요할 때가 있습니다. 따라서 더 많은 데이터 로그가 필요하지만, 이미 현장을 떠난 상태라면 이는 다소 문제가 됩니다.

또한, 개발 주기와 관련해 생산 라인을 거치는 차량을 추가해 나가면서, 생산 과정에서 문제가 발생하기도 합니다.

일반적인 방식은 12볼트 배터리를 연결하면 데이터 로거가 작동하기 시작하는 것입니다.

하지만 그 데이터 로거에 어떤 내용이 담겨 있는지 알 수 있는 건, 데이터 로거가 최종 지점에 도달해 누군가가 이를 수거하고 데이터를 업로드한 뒤, 클라우드에서 해당 데이터를 확인할 수 있게 되었다고 알려줄 때 비로소 가능합니다. 그래야만 우리가 그 데이터를 다시 살펴볼 수 있게 되죠.

그래서 조사 과정이 다소 지연되고 시간이 꽤 오래 걸리게 됩니다. 저희는 현재 진행 중인 업무를 더 빠르게 진행하고 싶습니다. 훌륭한 제품들이 많기 때문에, 고객님들께 훨씬 더 빨리 선보일 수 있기를 바랍니다.

제품 자체도 훨씬 더 복잡해졌습니다. 따라서 검토해야 할 개발상의 문제점들이 많이 있는데, 이는 일반적인 문제들입니다. 하지만 우리는 고객이 이러한 문제점들을 눈치채지 못하도록 확실히 하고 싶습니다.

소프트웨어는 정말 복잡합니다. 게다가 사이버 보안 문제까지 얽혀 있죠. 깊이 파고들어야 할 부분이 많기 때문에, 제품을 출시할 때쯤이면 고객이 우리 제품이 제공할 수 있는 최고의 가치를 누릴 수 있도록 하고 싶습니다. 덕분에 개발 속도를 크게 높일 수 있었을 뿐만 아니라, 고객에게 제공하는 품질도 한층 더 강화할 수 있었습니다.

4:10 검증 프로세스의 디지털 전환

네, 말씀하신 내용을 들어보니, 그 과정을 ‘디지털화’하거나 ‘가상화’함으로써, 자산이나 테스트 차량을 기다리거나 수많은 수작업 이송 등을 거치지 않고도 더 역동적이고 실시간으로 진행할 수 있게 만드는 것이라고 볼 수 있겠네요. 즉, 그 과정에서 발생하는 많은 마찰을 줄여주는 셈이죠. 그래서 Collector AI 와 AI Technician을 통해 더 디지털화되고 AI 를 활용한 워크플로를 도입하셨는데, 어떤 결과를 얻으셨나요?

네, 정말 꽤 유망해 보입니다. 현재 개념 검증(PoC) 프로젝트를 진행 중이긴 하지만, 엔지니어들은 앞으로 열릴 기회에 대해 정말 큰 열의를 보이고 있습니다. 앞서 말씀드렸듯이, 예전에는 데이터를 수집하러 직접 현장에 나가야 했습니다.

정책을 원격으로 배포하면, 그런 작업을 직접 할 필요가 없습니다. 또한 정책을 다시 배포할 때도 마찬가지로 매우 빠르고 간편합니다.

결과를 정말 빠르게 확인할 수 있습니다. 그런 다음 해당 데이터를 ‘ AI Technician’으로 전송하면, FTA(고장 트리 분석)를 매우 신속하게 진행할 수 있습니다. 우리는 경험과 지식을 바탕으로 데이터에 대한 핵심 질문을 던질 수 있으며, ‘ AI Technician’이 그 모든 정보를 유기적으로 연결해 줍니다. 따라서 더 이상 다양한 SharePoint 사이트나 파일을 일일이 뒤져 지식을 종합하거나, 조직 내 여러 부서의 담당자들과 직접 소통할 필요가 없습니다. 닛산의 모든 지식을 한곳에 모아두고 ‘ AI Technician’을 통해 이를 통합적으로 활용할 수 있기 때문입니다.

그래서 우리가 이 일을 이토록 빠르게 해낼 수 있다는 점이 정말 신나는 일입니다. 물론 이러한 결정을 내리기 위해서는 여전히 회사 내의 모든 엔지니어들의 참여가 필요하지만, 적어도 더 많은 데이터와 정말 신뢰할 수 있는 데이터에 접근할 수 있게 됨으로써 더 빠르게 결정을 내릴 수 있게 되었습니다. 따라서 이는 우리에게 정말 큰 이점입니다.

6:04 원격 접속 및 글로벌 협업

그러니까 제가 이해한 바로는, 첫째, 엔지니어들이 차량에 물리적으로 접근하지 않고도 차량 관련 작업을 수행할 수 있게 해준다는 것이군요. 따라서 테스트 차량과 관련된 자원 확보 경쟁에 대한 의존성을 어느 정도 해소할 수 있는 셈이죠. 그리고 또 다른 장점은, 아마도 시승 중에도 동적으로 작업을 수행할 수 있다는 점일 텐데요. 덕분에 차량을 다시 가져와서 재설치하거나, 차량에 장착된 로거를 조정하는 등의 번거로운 과정을 거치지 않아도 된다는 것이죠. 그렇다면 이것이 귀사가 이 시스템을 설명하는 방식인가요? 또한, 여러 지역에 거점을 둔 글로벌 팀에 대해 언급하셨는데, 일본에 있는 분들과도 협업하고 있다고 가정할 때, 이러한 점이 전체적으로 어떤 도움을 주고 있나요?

네, 덕분에 상황에 대응할 때 상당한 유연성과 민첩성을 확보할 수 있습니다.

이러한 정책을 원격으로 배포할 수 있는 기능 덕분에, 바르셀로나의 테스트 트랙을 주행 중인 차량에 대해 제가 집에서, 혹은 사무실에서 원격으로 접속할 수 있습니다. 일본에 있는 누군가도 대시보드 데이터를 확인할 수 있죠. 따라서 이 한 대의 차량과 하나의 데이터 세트를 모두가 공유할 수 있게 됨으로써, 이전에는 시도해 보지 못했던 방식으로 테스트 차량 전체에 걸쳐 훨씬 더 폭넓은 테스트 기회를 창출할 수 있게 되었습니다. 일반적으로 테스트 차량은 특정 기능이나 특정 테스트에 배정됩니다. 따라서 원격 액세스 기능을 추가하면 전 세계의 모든 엔지니어가 활용할 수 있는 자원이 훨씬 더 많아진다는 뜻입니다. 정말 흥미로운 일이죠.

이제 분석에 대해 이야기해 봅시다.

앞서 언급했듯이, 제가 언급한 차량들을 포함해 요즘 자동차들은 정말 놀랍습니다. 하지만 동시에 매우 복잡하기도 한데, 전자 장치가 많이 탑재되어 있고, 제가 ‘도메인 간 상호 의존성’이라고 부르는 요소들이 많으며, 기능들이 여러 하위 시스템에 걸쳐 있습니다.

그리고 제가 종종 생각하는 바는, 특히 특정 데이터 사일로를 살펴볼 때, 이러한 하위 시스템들 간의 수많은 연결 고리를 찾아내는 것이 쉽지 않을 수 있다는 점입니다.

AI 기술자가 Collector( AI)와 연동되어 귀사의 엔지니어들이 이러한 영역 간에 상호 연관성을 파악하는 데 어떻게 도움을 주었습니까? 또한 이를 통해 어떤 통찰력을 얻게 되었으며, 얼마나 많은 시간을 절약할 수 있었습니까?

8:33 AI 데이터 분석에서 기술자의 역할

엔지니어들의 기술력은 탁월하지만, 이처럼 복잡한 차량에 탑재된 모든 ECU와 모든 시스템에 대해 전문가가 될 수는 없습니다. 그리고 앞서 말씀드렸듯이, 여기에 사이버 보안까지 더해지면 우리가 다루고 있는 업무의 난이도가 한층 더 높아지게 됩니다.

닛산 지식 데이터 레이크(Nissan Knowledge Data Lake)와 연동되는 닛산 기술자( AI )를 도입함으로써, 닛산 기술자( AI )는 해당 지식을 한데 모을 수 있습니다. 이를 통해 모든 사람을 전문가로 만들 수 있습니다.

며칠 동안 누군가에게서 이메일을 기다릴 필요가 없습니다. 저희는 기본적으로 특정 기술적 문제에 대한 근본 원인 조사를 진행할 때, 어디에 개선의 여지가 있는지 파악할 수 있도록 했습니다. 개념 증명(PoC) 단계에서, 근본 원인 조사 기간을 2주에서 2일로 단축할 수 있음을 확인했습니다. 이는 정말 엄청난 성과입니다.

하지만 이 기술이 그 복잡성을 뚫고 나가며, 우리 엔지니어들을 위해 그 모든 단서들을 하나로 연결해 줄 수 있다는 점이 정말 흥미롭습니다. 제가 엔지니어인 만큼, 제 닛산에 대한 지식이 반영되어 결과가 나온다는 점이 정말 마음에 듭니다. 저는 누구도 쉽게 믿지 않습니다. 누군가 제게 답을 제시한다면, 그에 대한 증거를 원합니다.

그리고 제가 그 말을 믿게 하려면 정말 깊이 있게 설명해 줘야 해요. ‘테크니션 솔루션’은 바로 그 점을 해냅니다. 제 언어로 다시 설명해 주거든요. 제가 예전에 작성했을 법한 문서들을 인용하며, ‘이것이 바로 제가 믿어주셔야 하는 이유입니다’라고 말할 만큼 깊이 있게 다룹니다. 또한 다른 요소들을 왜 배제했는지도 설명해 주죠. 마치 우리 엔지니어들과 대화를 나누는 듯한 느낌이 듭니다. 그래서 이 시스템이 닛산이 보유한 지식의 깊이를 제대로 파고들었다고 믿게 됩니다. 우리는 수년간 축적된 경험을 바탕으로 양질의 답변을 제공할 수 있으며, 이를 통해 엔지니어들이 풍부한 지식을 바탕으로 의사결정을 내릴 수 있게 됩니다. 바로 이것이 우리가 지향하는 바이며, 우리가 해온 일입니다. 하지만 현재는 이 과정이 시간이 많이 소요됩니다. ‘ Sonatus ’AI 을 활용하면 이 모든 과정을 훨씬 더 빠르게 처리할 수 있습니다.

흥미롭네요. 네, 엔지니어들이 접근하기 어렵거나 본래 잘 알지 못하는 정보를 대신 찾아다줄 수 있는 일종의 조력자 역할을 제공함으로써, 엔지니어들의 업무를 보완해 주는 점이 마음에 듭니다. 또한 일종의 반복적인 과정이 있는 것 같기도 한데요, 그렇죠? 즉, 데이터를 얻고, 분석을 하고, 다시 돌아가서 테스트하는 식의 정적이고 선형적인 순차적 과정이 아니라, 일종의 반복적인 과정인 것 같네요.

11:10 폐쇄형 워크플로우의 역학

이러한 동적 데이터, 즉 ‘ AI Technician’의 분석 결과를 바탕으로 다시 돌아가서 반복적으로 개선하는, 일종의 폐쇄형 워크플로우 방식에 대해 설명해 주실 수 있나요? 또한, 이러한 방식이 얼마나 널리 사용되고 있으며, 실제로 업무에 어느 정도 도움이 되고 있는지에 대해 간략히 알려주실 수 있나요?

네, 그리고 엔지니어들은 어릴 때부터 항상 “왜”라고 묻던 아이들이죠. 왜, 왜 이런 일이 일어나는 걸까? 그래서 문제가 생기거나 조사해야 할 사안이 있을 때마다, 그들은 바로 그렇게 행동하죠. 데이터를 주시면, 저는 그 데이터를 바탕으로 더 깊이 파고들어 ‘왜’를 계속 따져볼 거예요. 저희는 그런 원칙을 바탕으로 정책을 수립합니다.

범위가 꽤 넓을 수 있으므로, ECU에서 발생하는 모든 DTC를 찾아보라고 요청하기만 하면 됩니다. 그러면 해당 DTC를 표시하고 데이터를 자동으로 수집해 줍니다. 정말 멋지죠. 하지만 그뿐만 아니라, 우리가 특히 파악하고 싶은 CAN 신호를 선별하여 수집할 수도 있습니다.

따라서 CAN 네트워크에 있는 해당 항목과 관련된 정보를 찾고 있다는 것을 알고 있다면, 해당 설정을 지정하면 그 정보도 함께 가져올 수 있습니다. 이렇게 하면 제가 수행하고자 하는 모든 작업을 포괄할 수 있도록 데이터를 동시에 수집할 수 있습니다. 이 모든 데이터 로그는 자동으로 AWS에 업로드됩니다. 그러면 해당 데이터는 AWS에 저장되어 닛산의 기술 지식과 나란히 함께 보관됩니다.

그리고 ‘ AI Technician’을 활용하면 이를 심층적으로 분석할 수 있습니다. 그 다음에 정말 멋진 점은, FTA를 통해 얻은 지식, 즉 모든 ‘왜’에 대한 해답을 정책에 다시 반영하여 재배포할 수 있다는 것입니다. 따라서 제 정원에 있는 저나 스페인, 일본 등 전 세계 어디에 있는 동료들이든 사용자 인터페이스를 통해 이를 간편하게 재배포할 수 있습니다. 그리고 이 과정을 계속해서 반복할 수 있습니다.

폐쇄형 루프 시스템을 통해 추가적인 안전성을 확보할 수 있습니다. 또한 닛산의 데이터는 타사의 클라우드에 저장되지 않습니다. 따라서 그 부분에서는 보안 취약점이 전혀 없습니다. 따라서 모든 데이터가 한곳에 통합되어 안전하게 관리된다는 점을 확신할 수 있으며, 동시에 데이터를 심층적으로 분석할 수 있습니다.

그래서 정말 멋지네요, 정말로요.

13:19 비용 및 효율성에 미치는 영향

글로벌 팀 간의 협업 체계를 개선하는 것에 대해 조금 언급하셨는데요.

이러한 도구를 곧 출시될 Juke 및 LEAF 모델과 같은 프로그램으로 확대해 나가는 과정에서, 스마트 테스트 AI 기반 검증의 다음 단계는 무엇이라고 보십니까?

네, 감사합니다. 지금이야말로 디지털화 작업을 더욱 확대하여 이 전체 프로세스에 다시 반영할 수 있는 진정한 기회입니다. 또한 개념 검증(PoC)을 통해 어떤 이점이 있는지 파악한 뒤, 본격적으로 추진해 나갈 수 있습니다. 그러면 [AI] 기술자로부터 권장 사항을 받아 새로운 기회를 모색할 수 있습니다. 예를 들어, 차량에서 특정 이상 징후가 감지되는 등 사업 전반에 걸친 추세를 파악할 수도 있고, 전체 차량에 걸쳐 데이터 보안을 강화하고자 할 때 한 대의 차량이든 여러 대의 차량이든 상관없이 적용할 수 있습니다. 따라서 우리는 어디에서 동시 테스트를 진행할 수 있을지 검토하기 시작할 수 있습니다.

그러니 데이터 세트가 필요한 건 저일 수도 있고, 같은 차량의 데이터 세트가 필요한 동료가 두세 명 더 있을 수도 있습니다. 그 한 대의 차량에 대한 정책을 수립하면 됩니다. 굳이 차량을 세 대나 따로 준비할 필요는 없습니다.

그래서 우리는 시험 차량에서 그런 감축 효과를 확인할 수 있었습니다. 비용이 많이 들고, 시제품 차량이기 때문입니다. 따라서 이를 통해 얻을 수 있는 어떤 이점이라도 우리에게는 언제나 큰 성과가 될 것입니다.

사라 씨, 정말 큰 도움이 되었습니다. 귀중한 시간을 내어 주셔서 진심으로 감사드립니다. 매우 바쁘신 줄 알지만, 이번 대화가 정말 큰 도움이 되었습니다. 저도 많은 것을 배웠습니다. 진행 중인 프로젝트에 대해 꽤 잘 알고 있다고 생각했지만, 확실히 많은 것을 새로 알게 되었고, 사라 씨 덕분에 프로젝트에 대한 이해가 훨씬 더 깊어졌습니다. 함께해 주셔서 정말 감사드립니다.

감사합니다. 초대해 주셔서 감사합니다. 여러분과 이야기를 나누는 건 언제나 즐겁습니다.

15:16 결론 및 핵심 요점

이로써 ‘ Driving Innovation ’ 팟캐스트의 또 다른 유익한 에피소드가 마무리됩니다. 우리는 Sonatus 의 데이터 수집 담당자 AI 와 AI 의 기술자의 도움을 받아 닛산 유럽 기술 센터(Nissan Technical Center Europe)가 양산 전 테스트 및 검증 방식을 어떻게 근본적으로 변화시키고 있는지 살펴보았습니다. 닛산 유럽은 이벤트 기반 데이터 수집과 폐쇄 루프 AI 가 지원하는 워크플로를 활용함으로써 차량 개발을 가속화하고, 비용을 절감하며, 글로벌 팀 간의 협업 효율을 높이고 있습니다. 이 스마트한 테스트 접근 방식이 Juke 및 LEAF와 같은 모델의 미래를 어떻게 만들어가고 있는지 공유해 주신 Sarah Dorey 님께 깊은 감사를 드립니다. 또한 향후 에피소드에서 AI 가 지원하는 차량 개발 및 검증의 진화에 관한 더 많은 소식을 전해드릴 수 있기를 기대합니다.