AI 디지털 트윈을 사용하여 디자인과 대화하기

요즘 AI가 얼마나 만연해 있는지는 누구나 알고 있지만, 이 기술을 최적으로 활용하는 방법에 대해서는 혼란이 많습니다. 테스트 데이터 분석을 위한 ChatGPT 사용 및 임베디드 코드 작성 및 실행을 위한 생성 AI 사용과 같은 기사에서 우리는 ChatGPT와 같은 AI가 데이터 분석뿐만 아니라 코드 작성까지 도와줄 수 있음을 보았습니다. 전기 엔지니어에게는 생성 AI의 분석 및 코드 작성 기능이 도움이 될 수 있지만 항상 게임 체인저는 아닙니다. 이 글에서는 우리가 "디자인과 대화할 수 있는" 맞춤형 GPT를 구축할 것입니다. 우리는 ChatGPT에서 Arty A7 평가 보드의 "디지털 트윈"을 생성하여, AI 보조자를 사용하여 보드를 설계하고, 문제를 해결하며, 작업할 수 있는 능력을 갖추게 됩니다.

디지털 트윈이란 무엇인가요?

디지털 트윈은 실제 객체를 반영하는 가상 모델입니다. 이 디지털 대응물을 생성함으로써, 물리적 항목이 필요 없이 객체의 행동을 시뮬레이션하고 테스트할 수 있습니다. Arty A7 평가 보드의 경우, 디지털 트윈을 갖는 것은 실제 하드웨어를 먼저 다루지 않고도 보드를 가상으로 문제 해결하고, 설계하고, 작업할 수 있음을 의미합니다. 이는 과정을 더 효율적으로 만들어, 철저한 테스트와 설계 조정을 가능하게 합니다. 분명히, 모델의 정확성과 상호 작용의 용이성 측면에서는 한계가 없습니다. 간결함과 단순함을 위해, 우리는 설계 질문과 문제 해결에 도움이 될 수 있는 Arty A7의 꽤 원시적인 디지털 트윈을 구축할 것입니다

RAG를 사용한 간단한 디지털 트윈

검색-증강 생성(Retrieval-Augmented Generation, RAG)은 지식 집약적 NLP 작업을 위한 검색-증강 생성이라는 제목의 논문으로 가장 유명하며, 대규모 언어 모델(LLM)을 모델 내에서 학습된 데이터가 아닌 현장 데이터와 함께 사용하는 방법론입니다. 예를 들어, LLM에게 내 집의 가격이 얼마인지 물어보면, 그 질문에 정확하게 답할 수도 있고 아닐 수도 있습니다. 만약 최근의 재산세 고지서와 같은 "맥락"을 제공한다면, (대체로 자연어 처리를 사용하기 때문에) 쉽게 파악할 수 있어야 합니다. 간단히 말해서, RAG는 LLM에게 맥락을 제공하여 더 높은 품질의 응답을 생성하는 동일한 개념을 사용합니다. 독점 시스템이 백엔드로 정확히 무엇을 사용하고 있는지 알기는 어렵지만, AI를 이용한 디지털 트윈을 구축하기 위해 RAG와 유사한 접근 방식이 상당히 일반적이라고 가정하는 것이 안전합니다.

맥락을 가진 맞춤형 GPT 구축하기

우리가 AI 연구실 조수 만들기와 생성 AI를 사용하여 임베디드 코드 작성 및 실행에서 본 것처럼, 웹 서버와 기기를 제어하기 위해 사용자 정의 GPT를 작성할 수 있지만, 디지털 트윈으로서 역할을 할 수 있는 맥락도 포함할 수 있습니다. 설정은 사실 매우 간단합니다. 유료 플러스 버전의 ChatGPT를 사용하여 "Explore GPTs"를 왼쪽 사이드바에서 클릭한 다음 오른쪽 상단 모서리에 있는 "Create" 버튼을 클릭함으로써 사용자 정의 GPT를 생성할 수 있습니다. 참고: 이 글을 쓰는 시점에서 사용자 정의 GPT를 생성하기 위한 네비게이션이 지난 6개월 동안 거의 3번 변경되었습니다. 이 지침이 구식인 경우 OpenAI의 문서를 참조하여 사용자 정의 GPT를 생성하는 방법을 확인하고 싶을 수 있습니다.

사용자 정의 GPT를 생성할 수 있는 옵션이 있는 페이지로 이동하면 모든 매개변수를 입력하고 "맥락"을 제공할 준비가 되었습니다.

그림 1: 사용자 정의 GPT 설정

제가 제 사용자 정의 GPT에 이름, 설명, 기본 지침 세트, 그리고 "지식" 파일 세트를 제공한 것을 알 수 있습니다. 이 파일들은 제 Arty A7의 것으로 구성되어 있습니다:

• 스키마틱 디자인
• 보드에 있는 칩의 다양한 데이터시트
• 샘플 VHDL 코드
• FPGA 디자인 제약 파일

물론, 자재 목록, 기타 디자인 문서, 그리고 더 많은 데이터시트와 같은 더 많은 데이터를 제공할 수 있지만, 이것으로 제 개념을 증명하기에 충분하다고 생각했습니다.

그렇다면 이것은 무엇을 할 수 있나요?

우리의 디지털 트윈에서 빠른 참조 조회를 수행하기 위해, 보드에 있는 구성 요소에 대해 물어보면서 여기저기 몇 초를 절약할 수 있습니다. 예를 들어:

그림 2: 데이터시트 조회

그리고 데이터시트에서 가져온 데이터는 일치하는 것 같습니다(비록 PDF의 표를 때때로 잘못 해석할 수도 있지만):

그림 3: 데이터시트에서 가져온 사양

사소한 것처럼 보일 수 있지만, 특히 ChatGPT의 음성 버전을 사용하는 경우, 이는 시간을 절약해 줍니다. 우리는 또한 우리의 맞춤형 GPT에게 오실레이터가 제대로 작동하지 않고 있다고 알리고 특정 부품에 맞춤형 문제 해결 제안을 요청할 수 있습니다:

그림 4: 오실레이터 문제 해결

당신의 기술 수준에 따라 이 정보가 도움이 될 수도 있고 아닐 수도 있습니다. 우리는 조금 더 나아가서, 예를 들어, 플래시 메모리가 왜 응답하지 않는지 문제를 해결하는 데 도움을 요청할 수 있습니다. 더 복잡한 응답은 데이터시트 사양(오실레이터와 유사)뿐만 아니라 코드와 핀 제약에 대한 참조를 포함할 것입니다. 수정한 코드와 같은 더 많은 맥락을 프롬프트에 제공하면 문제를 발견할 가능성이 더 높아집니다. 이러한 예시들은 다소 사소할 수 있지만, LLM과 RAG를 사용하여 매우 빠르게 디지털 트윈을 구축할 수 있는 능력과 힘을 보여줍니다. 맞춤형 GPT를 설정하는 과정은 실제로 5분 밖에 걸리지 않았습니다(그리고 그 대부분은 업로드 시간 때문이었습니다). 이것은 디지털 트윈 시대의 시작에 불과하며, 앞으로 몇 년 동안 많은 혁신을 보게 될 것이라고 확신합니다.

결론

이 기사에서는 디지털 트윈의 개념을 탐구하고 Arty A7 평가 보드와 작업 및 문제 해결을 위해 맞춤형 GPT를 생성하는 방법에 대해 알아보았습니다. AI를 활용함으로써 우리는 디자인과 가상으로 상호 작용할 수 있어 시간을 절약하고 효율성을 높일 수 있습니다. 자신만의 맞춤형 GPT를 설정하는 단계는 간단하며 빠르게 수행할 수 있습니다. 이제 기본 사항을 이해했으니, 실험을 해보고 직접 혜택을 확인해 보세요. 뛰어들어 디지털 트윈을 생성하고, 오늘부터 디자인 및 브링업 과정을 최적화하기 시작하세요!