10월 15일부터 16일까지 캘리포니아주 샌프란시스코에서 개최되는 ‘PDF Solutions CONNECT’ 행사에서, PDF Solutions는 자사의 Exensio 분석 솔루션을 위한 새로운 고확장성 아키텍처인 Exensio® Aurora를 소개하고 시연할 예정입니다. Exensio Aurora는 페타바이트 규모의 반도체 제조 데이터를 처리하고, 제조 운영 및 공급망 전반에 에이전트 기반 AI를 안전하게 배포할 수 있도록 특별히 설계되었습니다.
이 블로그 게시물에서 PDF Solutions의 총괄 매니저이자 개발 총괄 책임자인 사이드 아카르(Said Akar)는 Exensio Aurora 개발의 계기가 된 네 가지 중요한 질문에 대한 자신의 견해를 밝힙니다.
- PDF Solutions는 Exensio에 IT 기술의 최신 발전 동향을 어떻게 지속적으로 반영하고 있나요?
- 반도체 제조 분야에서 왜 기존의 BI 도구를 넘어서는 것이 필요한가?
- 온라인 및 오프라인 제조 활용 사례를 모두 지원하는 것의 가치는 무엇일까요?
- 미션 크리티컬 산업용 애플리케이션에서 LLM 솔루션이 제공하는 기능을 어떻게 활용하고 개선할 수 있을까요?
첫 번째 질문
PDF Solutions는 반도체 제조 분야에서 30년의 경험을 쌓아왔습니다. Exensio Aurora로 이어진 Exensio 솔루션의 새로운 아키텍처 발전 배경은 무엇일까요?
우리가 실제로 ‘진화’라는 단어를 사용하는 것은 좋은 일입니다. 왜냐하면 이것이 바로 우리가 몇 년마다 실제로 해나가는 일이기 때문입니다. 기본적으로 몇 년마다 그 시점에 해결해야 할 새로운 문제들의 조합이 생겨나지만, 동시에 이러한 문제들을 해결하기 위해 등장하는 새로운 기술이나 기회들도 함께 나타나기 때문입니다.
이런 시도를 한 것이 이번이 처음은 아닙니다. 과거에도 여러 번 해본 적이 있습니다. 특히 지난번에는 데이터 저장 및 데이터 수집과 관련된 것이었습니다. 저장 및 수집 측면에서 훨씬 더 방대한 데이터 세트를 처리할 수 있는 능력이 필요했습니다. 그리고 그것이 바로 지난번의 주요 발전이었습니다.
그렇다면 최근 들어 대두된 요구 사항과 기회는 무엇일까요? 이는 단순히 분석해야 할 데이터의 양과 관련된 것뿐만 아니라, 분석 과정에 더 많은 자동화, 더 많은 머신러닝, 그리고 전반적으로 더 많은 AI를 접목해야 한다는 점과도 밀접한 관련이 있습니다. 물론, 최근 이러한 분야에서 이루어진 기술적 발전 덕분에 이러한 결합이 가능해졌습니다.
즉, 이제 우리는 저장 계층뿐만 아니라 분석 단계에서도 훨씬, 훨씬 더 많은 데이터를 처리할 수 있도록 시스템을 구축해야 합니다. 특히 반도체 데이터는 형태와 크기 등이 매우 독특하고 종류도 다양하기 때문에 더욱 그렇습니다. 또한, 이러한 데이터를 자동으로 분석할 수 있는 기능과 더불어 기계 학습, 병렬 처리, AI를 분석 과정에 통합하는 것, 즉 이러한 요구와 기술의 결합이 필요합니다. 우리는 이 단계, 즉 다음 단계의 진화를 어떻게 이뤄낼지 적절한 시점에 깨달았습니다.
두 번째 질문
왜 기존의 BI 솔루션만으로는 반도체 제조 데이터를 분석하기에 충분하지 않은가?
사실 이건 정말, 정말 흔한 질문입니다. 데이터 저장이나 분석과 관련된 기술은, 참고로 BI 도구뿐만 아니라 BI 도구와 데이터 저장 유형, 데이터베이스 등 다양한 기술을 아우르기 때문입니다. 지난 몇 년간 이러한 기술들은 많은 발전을 이루었지만, 여전히 특정 영역 내에 존재할 수 있는 데이터의 형태와 데이터의 양 및 다양성에 대해 일정한 가정을 전제로 하고 있습니다.
반도체 분야의 정말 특별한 점은 첫째, 단순히 데이터 양이 많다는 것만이 아닙니다. 데이터 양이 엄청나게 많아서, 고객사들로부터 종종 “당사의 데이터베이스와 데이터 양이 가장 크다”는 말을 듣곤 합니다. 즉, 반도체 데이터가 해당 조직 내에서 가장 방대한 규모라는 뜻입니다.
하지만 무엇보다도 반도체는 종류가 매우 다양하다는 점에서 독특합니다. 따라서 ‘반도체 데이터’라고 할 때, 이는 단 한 가지 유형의 데이터를 의미하는 것이 아닙니다. 서로 매우 다른 수많은 유형의 데이터를 의미합니다. 따라서 모든 경우에 통용되는 단일한 해결책은 없습니다. 이를 해결하기 위해 귀사는 여러 가지 해결책을 접근 방식에 포함시켜 왔습니다.
또한, 이러한 것들의 형태도 각기 다릅니다. 반도체 데이터 형태의 예로 들 수 있는 매우 독특한 점은, 데이터가 매우 넓으면서도 깊이가 매우 얕은 경우가 많다는 점인데, 이로 인해 처리 과정에서 해결해야 할 고유한 과제들이 발생합니다. 따라서 일반적인 해결책으로도 해결될 수 있습니다.
요점은, 품종의 다양성을 인지하고 이를 이해하며, 같은 품종 내에서도 각 품종마다 모양이 매우 다르다는 점을 알고 있다면 훨씬, 훨씬 더 좋은 결과를 얻을 수 있다는 것입니다.
세 번째 질문
새로운 Exensio 아키텍처에서 클라우드상의 데이터 관리와 온라인 실시간 솔루션을 어떻게 결합할 수 있을까요?
이 주제는 우리에게 또 다른 매우, 매우 중요한 주제입니다. 왜냐하면 저희는 고객들과 지속적으로 소통하며, 데이터 레이크나 레이크 하우스와 같은 것들, 즉 필요한 오프라인 솔루션 부분에서 분석에 매우 중점을 둔 솔루션들을 도입하려고 노력하고 있기 때문입니다. 고객들은 대개 엣지, 즉 생산 라인, 조립 라인 등에서 일어나는 일에는 그다지 신경을 쓰지 않습니다. 그리고 저희 관점에서 볼 때, 이러한 상황은 항상 큰 약점으로 지적됩니다.
물론 그 이유는 오프라인 분석과 데이터 레이크, 데이터 웨어하우스뿐만 아니라 엣지 솔루션까지 통합적으로 관리할 수 있는 통합 시스템을 갖추면 막대한 이점을 얻을 수 있기 때문입니다. 왜일까요? 엣지에서 일어나는 일은 대개 데이터 수집과 제어가 결합된 형태입니다. 그리고 이 두 가지 모두를 오프라인 분석과 통합하거나, 그 반대로 오프라인 분석을 엣지 솔루션과 통합함으로써 각각의 성능을 향상시킬 수 있습니다. 또한 오프라인 분석 역시 이 두 가지와 통합됨으로써 그 성능이 향상될 수 있습니다.
예를 들어, 데이터 수집을 들어보겠습니다. 분석 관점에서 볼 때 여기서 가장 중요한 것은 데이터 품질입니다. 즉, 데이터가 완전한가? 더 완전해질 수 있는가? 정확한가? 검증되었는가? 현장 전반에 동일한 시스템이 통합된 형태로 구축되어 있다면 이러한 모든 측면이 개선될 수 있습니다. 이는 팹(fab)의 경우, 데이터 수집이 분석 능력을 향상시킨다는 것을 입증할 수 있기 때문입니다. 또한 데이터 수집과 제어를 통합된 방식으로 개선함으로써 분석 능력을 더욱 높일 수 있습니다.
그 예로 제어 시스템을 들 수 있습니다. 제어 시스템은 피드백 루프 기능을 통해 극적인 이점을 얻을 수 있는데, 이는 분석을 통해 얻은 통찰을 바탕으로 더 나은 제어 방식을 적용할 수 있음을 의미합니다. 따라서 사무실 분석 데이터를 바탕으로 구축한 모델을 개선하고, 이를 통해 예를 들어 데스크 작업 현장 등에서 제어 측면에서 어떤 일이 일어나고 있는지 입증할 수 있습니다. 분석은 데이터 품질에 크게 좌우됩니다. 데이터 수집 단계에 직접 참여함으로써 더 많은 데이터, 더 다양한 데이터, 더 나은 데이터를 수집할 수 있게 되는데, 이는 어떤 의미에서는 품질이 더 우수하고 더 완전한 데이터를 확보할 수 있음을 의미합니다.
에지에서의 데이터 수집 제어와 오프 분석 간의 통합적 접근 방식은 사실 우리 시스템의 핵심적인 부분이며, 일반적으로 이러한 통합적인 관점을 갖추지 못하는 것을 실수로 간주합니다. 통합 시스템이 없어도 이러한 모든 일을 수행하는 것은 가능하지만, 훨씬 더 어렵습니다.
네 번째 질문
머신러닝은 오랫동안 사용되어 왔는데, 엑센시오에서는 LLM을 비롯한 다양한 AI 접근 방식을 어떻게 지원하고 있나요?
물론, LLM의 성능이 정말로 뛰어나지고 있습니다. 누구나 ‘좋아, LLM이 내 일을 다 해줄 수 있겠네’라고 말하고 싶어질 정도죠. 그리고 물론, LLM이 이미 매우 뛰어나다는 점에는 모두가 동의합니다.
계속 발전하고 있습니다. 일반적으로 기하급수적인 발전이 이루어지고 있으며, 앞으로도 훨씬 더 발전할 것으로 예상됩니다. 따라서 핵심 질문은 오늘날 그들의 역량이 어느 정도인지, 혹은 한 달 뒤나 6개월 뒤의 LLM이 어느 정도 수준이 될 것인지에 있는 것이 아닙니다. 진정한 질문은 항상 공급업체로서 이를 개선할 수 있는지, 특히 그 순간의 상태나 한 달 뒤의 성능이 어느 정도가 될지와 상관없이 LLM을 개선할 수 있는지에 있습니다.
그리고 그 질문에 대한 우리의 대답은 ‘예’입니다. LLM의 작동 방식에 내재된 특정 요소들이 있으며, 이러한 내재적 특성들을 고려할 때, 아무리 수준이 높아졌다고 해도 개선할 여지가 있다는 것입니다. 여기에는 몇 가지 의미가 담겨 있습니다. LLM은 환각을 일으킬 수 있습니다. 하지만 네, 개선할 수 있습니다. 시간이 지남에 따라 모델이 발전함에 따라 환각 현상은 줄어들 수 있지만, LLMs는 결정론적 시스템이 아닙니다. 즉, 궁극적으로는 환각이 발생할 가능성이 항상 존재한다는 뜻입니다. 따라서 LLMs를 활용하면서도 이러한 현상을 제어할 수 있는 시스템을 원하게 됩니다. 어떤 의미에서 환각은 창의성의 한 형태입니다. 시스템에 창의성이 필요하긴 하지만, 모든 상황에서 그런 것은 아닙니다.
때로는 접근 방식에 있어 훨씬 더 결정론적인 태도를 취하고 싶을 때가 있습니다. 우리가 언제나 기여할 수 있는 한 가지 영역은, 창의성이 필요한 부분과 필요하지 않은 부분을 구분하고, 창의성이 얼마나 필요한지, 아니면 필요하지 않은지를 판단하는 것입니다. 그리고 이를 위해서는 해당 분야에 대한 지식과, 그러한 통제를 가능하게 하는 요소를 시스템에 갖추는 것이 중요합니다. 따라서 창의성 부분에 대한 통제는 중요합니다. 그리고 이는 대개 단순한 범용적인 해결책만으로는 부족하며, 어떤 부분에서 창의성을 더 강화하거나 약화시켜야 하는지, 그리고 이를 어떻게 구현할지에 대한 도메인 지식과 전문성을 바탕으로 한 통찰력이 필요합니다.
게다가 LLM은 기본적으로 재현성이나 가시성 등을 반드시 쉽게 보장해 주지는 않는다는 점으로 악명이 높습니다. 즉, LLM에게 특정 작업을 요청하면 오늘은 한 가지 방식으로 처리하다가 내일은 또 다른 방식으로 처리할 수도 있다는 뜻입니다. 혹은 다른 버전의 LLM이나 다른 유형의 LLM을 사용하면 답변이 상당히 달라질 수도 있습니다. 이런 현상은 때로는 괜찮을 수 있지만, 대개는 다음 날 같은 질문을 했을 때, 정답이라면 이상적으로는 동일한 답변을 받아야 합니다.
그런 측면들이 있죠. 또한, 반드시 블랙박스 형태일 필요는 없습니다. 우리는 ‘이것이 생성된 결과입니다. 이것이 생성된 이유이며, 올바른 이유입니다’라고 설명할 수 있어야 하고, 심지어 그러한 결과를 쉽게 수정할 수도 있어야 합니다. 따라서 생성되는 결과물의 재현성, 수정 가능성, 가시성은 매우 중요하며, 저희는 이를 실현할 수 있다고 믿습니다.
그리고 마지막으로 흔히 지적되는 점은, 어떤 분야든, 특히 반도체 분야에는 해당 분야에 대한 방대한 전문 지식이 존재하지만, 이러한 지식이 일반적인 대규모 언어 모델(LLM)이 반드시 활용할 수 있는 형태로 공개되어 있지는 않다는 것입니다.
이러한 맥락을 제공할 수 있습니다. 이러한 LLM에 다양한 형태의 맞춤형 설정을 적용할 수 있습니다. 따라서 LLM을 맞춤형으로 설정하고, 이를 반복 가능하게 만들고, 가시성을 높이는 등의 조합은 사실상 시스템에 메모리를 추가하는 효과가 있으며, 이는 특정 LLM이 얼마나 발전하든 상관없이 필수적이라고 생각합니다.
PDF Solutions CONNECT 2026에 대한 자세한 정보 및 등록 방법은 이 링크( PDF Solutions CONNECT)에서 확인하실 수 있습니다.
PDF Solutions CONNECT는 Exensio Aurora를 개발한 팀을 직접 만나고, 해당 솔루션의 일부 기능을 조기에 도입한 고객들의 경험을 들어볼 수 있는 특별한 기회를 제공합니다.
PDF Solutions CONNECT 2026 컨퍼런스 웹사이트를 방문하여 행사 일정, 연사, 개최 장소, 참가 안내 및 등록에 대한 자세한 내용을 확인해 보세요.