테스트 및 측정을 위한 AI

AI 도입: 테스트의 미래

2023년 Financial Times 그룹이 실시한 조사에 따르면 테스트 관리자의 44%만이 가장 우선하는 품질 기준에서 잘 하고 있다고 답변했습니다. 이 통계는 경영진의 압박과 실망이 두드러지게 나타나기 때문에 매우 우려스럽습니다. 많은 팀에서는 엔지니어링 복잡성과 리소스 용량 사이의 벌어지는 격차를 완화하기 위해 의미 있는 변화를 추진하고 있습니다.

의미 있는 변화를 이루기 위해서는 분명한 초점과 집중, 합리적인 기술적 결정, 그리고 새로운 길을 개척하려는 의지가 필요합니다. 같은 조사에 따르면 선도적인 테스트 조직은 AI에 투자하고 있으며 79%는 향후 5년간 이 기술을 채택할 계획이라고 합니다.

이러한 규모의 변화는 물론 많은 이들에게 불확실성과 불안감을 불러일으키지만, 동시에 팀 내 생산성의 획기적인 변화를 이끌어내어 스스로를 차별화할 수 있는 큰 기회도 제공합니다. 정체성을 그대로 유지한 채 변화에 적응할 수 있는 강력한 기본 프로세스, 이탈을 최소화하면서 진화하는 기술을 통합할 수 있는 개방형 도구 체인, 그리고 구현 우선순위에 대해 조언해줄 수 있는 기술 리더와의 탄탄한 파트너십이 어우러질 때, 새로운 기술 채택에 대한 확신이 생깁니다.

AI는 혁신적이며 계속해서 진화할 것이 분명하지만 테스트 선도업체는 AI 기술에 대해 답보다 더 많은 궁금증을 가지고 있습니다. 다음 단계는 무엇일까요? 5년 후 AI 기술은 어떤 모습일까요? 비용은 얼마나 들까요? 어떤 모델을 사용해야 할까요? IP를 어떻게 보호할까요? 성공을 어떻게 측정할까요? 

이러한 우려가 타당하긴 하지만, 이러한 '분석 마비'는 엔지니어링 리더십이 AI가 제공하는 이점을 충분히 활용하지 못하게 방해하고 있습니다. 다행히도 모든 조직은 당장 중요한 단계를 수행할 수 있습니다. 다음 조치는 대규모 투자가 필요하지 않으며 향후 AI 채택의 성공을 위해 기초를 마련합니다. 

1. 순서대로 데이터 얻기

테스트 및 측정 업계에서 AI를 효과적이고 의미있는 방식으로 사용하려면 항상 엄청난 양의 테스트 데이터를 관리하기 위해 일관된 전략적 접근 방식을 사용해야 합니다. 과거에는 이러한 인사이트의 보고가 전략적 자산이 아닌 운영의 부산물로 버리거나 제대로 사용되지 못했습니다.

그러나 이제 NI는 AI 기반 변환을 지원하는 데이터 관리 기능을 업데이트하기 위해 빠르게 움직이고 있습니다. 이제 효과적인 데이터 관리 전략을 구현하여 테스트 조직은 AI 고급 기능을 신속하게 채택할 수 있습니다. 

먼저 데이터 모델을 잘 이해해야 합니다.

1. 수집 중인 데이터를 파악하여 해당 데이터가 회사와 테스트하는 제품에 가치가 있는 데이터인지 확인합니다. 
2. 데이터 간극을 찾아서 이러한 간극을 해소하기 위한 소스를 식별합니다. 
3. 소스가 없다면 해당 소스를 사용할 수 있게 만드는 방법을 결정합니다. 

데이터 모델을 이해하고 올바른 데이터를 수집하면 AI 도구를 채택할 수 있는 견고한 기반이 마련됩니다.

AI의 장점을 최대한 활용하려면 좋은 측정 데이터는 계측기가 측정하는 것보다 더 많은 정보를 포함해야 합니다. 비정상 감지 또는 다른 근본 원인 분석을 수행하려면 측정이 수행된 방법과 위치의 컨텍스트는 신호 데이터 자체만큼 중요합니다. 환경 조건, 자산 상태 정보, 코드 버전, 운영자 데이터를 특정 DUT에 연결된 전체적인 디지털 스레드로 통합하여 주어진 측정값을 완전히 이해할 수 있습니다. TestStand와 같은 NI 소프트웨어를 SystemLink와 함께 사용하면 적절한 조치를 신속하게 수행하는 데 필요한 환경을 제공할 수 있습니다.

조직이 AI를 최대한 활용하려면 AI에서 사용할 준비가 된 광범위한 양의 데이터가 접근 가능하고 의미 있는지 확인하는 의도적이고 구조화된 전략이 있어야 합니다. 체계적인 수집, 일관된 스키마, 그리고 조직화된 중앙 집중식 저장을 통해 조직은 풍부한 원시 정보를 잘 구성된 데이터 세트로 변환할 수 있습니다. 이는 효과적인 AI를 구동하고 더 의미 있는 인사이트를 제공하는 연료가 됩니다.

2. 테스트에 최적화된 플랫폼에서 빌드하기

엔지니어들은 추상화된 수준에서 일하는 데 익숙하며, 전문가들이 구축한 플랫폼을 신뢰하고 이를 바탕으로 시스템과 제품을 개발합니다. AI 기술 사용은 다르지 않습니다.

테스트 및 측정 어플리케이션은 실제 세계와 디지털 세계의 경계에 위치하여 생기는 고유한 복잡성 때문에 다른 어플리케이션과 구별됩니다. 여러 소스에서 발생하는 실제 신호를 빠른 속도로 소프트웨어 프로그램으로 스트리밍하면, 병렬 처리, 고성능 웨이브폼 데이터 시각화, 타이밍 결정성이 높은 타겟에 배포 등과 같은 요구 사항이 발생합니다. 또한 여러 시스템에서 다양한 시간에 얻은 여러 테스트 실행 결과를 비교하여 제품 품질에 대한 결정을 내리기 때문에 시스템이 사일로에서 작동하는 경우가 거의 없습니다.

테스트 및 측정 과제를 해결할 때, 필요한 기술과 어플리케이션 지식을 갖춘 그룹이 테스트를 위해 설계하고 구축한 NI 하드웨어 및 소프트웨어 플랫폼, 그리고 Nigel AI Advisor와 같은 기술을 찾아봅니다. 이 기술은 범용적인 AI 모델을 민감하고 특수한 환경에 맞추느라 씨름하는 대신, 사용자가 본질적이고 중요한 제품 문제 해결에 집중할 수 있도록 해줍니다.

AI와 불가분한 테스트의 미래

테스트 및 측정을 위해 AI에 접근하면 엔지니어가 테스트 시스템을 개발하는 방식을 근본적으로 바꿀 수 있습니다. 첫 번째 요구 사항 문서부터 최종 발표된 리포트까지, AI는 개발의 복잡성을 단순화하여 의사 결정에 필요한 정보를 제공하고 시간이 많이 필요한 작업을 할 일 목록에서 제거하여 전문 분야에 집중할 수 있도록 합니다. 

결국 AI는 완벽한 테스트 시스템을 설계하는 데 도움이 될 것입니다. 테스트 및 측정 분야의 전문기업으로서 NI는 미래를 향해 나아가고 있습니다. 범용 AI 도구는 기반 모델에 대한 투자를 촉진할 것이며, 이러한 기술 위에 구축되는 Nigel AI Advisor는 그 지능과 성능 향상을 자연스럽게 물려받아 지속적으로 진화하고 강력해질 것입니다. 그러나 범용 모델만으로는 테스트 및 측정 사용자의 복잡한 요구를 충족할 수 없습니다.

수십 년간의 테스트 경험과 잘 구성된 측정 데이터의 기반으로 Nigel은 계속해서 강력한 테스트 관련 지능으로 발전해 나갈 것입니다.

Nigel에 대해 자세히 알아보기