Intelligent Product Conceptual Design: A Comparative Review of Paradigms, Challenges, and Future Trends

기술 요약: 지능형 제품 개념 설계(IPCD): 패러다임, 과제 및 미래 트렌드에 관한 비교 검토

문제 정의
지능형 제품 개념 설계(IPCD)는 기호적 추론 시스템에서 데이터 기반, 생성형 및 하이브리드 AI 아키텍처로 전환되고 있다. 그러나 이 분야는 이러한 패러다임들이 설계 지식, 추론, 자동화 및 인간의 주체성을 어떻게 재분배하는지에 대한 일관된 이해가 부족하다. 기존 문헌은 파편화되어 있으며, 종종 특정 패러다임이나 응용 분야에만 집중하며 통합적인 비교 프레임워크가 결여되어 있다. 더욱이, 2018년 이후 딥러닝과 생성형 AI의 급격한 발전으로 인해 초기 리뷰들은 불완전해졌다. 직접적인 인간 설계자 베이스라인 비교(연구의 6% 미만)의 제한된 사용과 표준화된 벤치마킹 프로토콜의 부재라는 결정적인 격차가 존재하며, 이는 보고된 성능 향상의 일반화 가능성을 제한하고 패러다임 간 비교를 약화시킨다.

방법론
본 연구는 PRISMA 기반 프로토콜을 따르는 체계적 문헌 고찰을 채택한다.

• 코퍼스(Corpus): 본 검토는 1990년부터 2026년 사이에 발표된 247개의 피어 리뷰 논문을 분석하였다(2018~2025년 하위 집합에 대한 정량적 트렌드 분석 포함).
• 선정: 논문은 Web of Science, Scopus, Google Scholar에서 수집되었다. 선정 기준은 개념 설계(상세 설계 제외)에 명시적으로 초점을 맞추고, 계산 지능을 사용하며, 영어로 작성된 논문을 요구한다. 제외 기준은 순수 이론 논문, 상세 설계 중심 논문, 비경험적 연구를 제거하였다.
• 분석 프레임워크: 다음 다섯 가지 차원을 기준으로 패러다임을 평가하기 위해 5차원 비교 프레임워크를 개발하였다:
  1. 지식 표현: 설계 지식이 어떻게 구조화되는가 (예: 규칙, 사례, 임베딩).
  2. 추론 메커니즘: 솔루션 생성을 위한 계산 과정 (예: 규칙 체이닝, 검색, 신경 추론).
  3. 자동화 수준: 요구되는 인간의 개입 정도.
  4. 확장성: 증가하는 복잡성과 데이터 볼륨을 관리할 수 있는 능력.
  5. 인간-설계자 상호작용: 투명성, 설명 가능성 및 제어 가능성.
• 신뢰도: 두 명의 독립적인 검토자가 논문을 패러다임(지식 기반 시스템, 사례 기반 추론, 진화/생성형, ML/DL, 하이브리드)별로 분류하였으며, 상당한 검토자 간 신뢰도(Cohen's $\kappa$ = 0.87)를 달성하였다. 모든 논문에 대해 3개 항목의 품질 평가 척도가 적용되었다.

주요 기여

1. 통합 비교 프레임워크: 본 논문은 단일 지표 편향을 피하고, 인식론적, 계산적, 사회-기술적 층위에서 인간 설계자와 계산 시스템 간에 주체성이 어떻게 분배되는지를 명시적으로 비교할 수 있는 5차원 분석 프레임워크를 도입한다.
2. 패러다임 재분배 논거: 본 검토는 IPCD의 진화가 완전한 자동화나 기존 패러다임의 대체를 향한 선형적 진행이 아니라고 주장한다. 대신, 이는 기호적 추론, 경험적 지식, 최적화, 통계적 학습, 그리고 협력적 인간-AI 상호작용 전반에 걸쳐 설계 지능이 점진적으로 재분배되는 과정을 나타낸다.
3. 구조적 트레이드오프 식별: 본 연구는 패러다임 간 분석에 내재된 다섯 가지 구조적 긴장을 식별하며, 어떤 단일 패러다임도 보편적으로 우월하지 않음을 강조한다. 성능은 데이터 가용성, 해석 가능성 요구, 설계 복잡성 사이의 상호작용에 달려 있다.
4. 연구 의제: 개방형 기능-행동-구조(FBS) 데이터셋, 설명 가능한 생성 방법, 표준화된 인간-AI 벤치마킹, 산업 워크플로우 통합을 강조하는 우선순위가 지정된 의제를 제안한다.

주요 결과 및 발견

• 패러다임 변화: 분야 내에 통계적으로 유의미한 변화가 존재한다. 머신러닝/딥러닝(ML/DL) 접근 방식은 2018년 코퍼스의 약 15%에서 2025년까지 지배적인 위치로 상승한 반면, 지식 기반 시스템(KBS)과 사례 기반 추론(CBR)은 45%에서 18%로 감소했다. 하이브리드 시스템은 8%에서 34%로 확장되었다.
• 패러다임 특성:
  • KBS: 명시적이고 해석 가능한 추론을 제공하지만, 지식 습득 병목 현상과 낮은 확장성 문제를 겪는다.
  • CBR: 경험적 지식을 사용하여 비정형 문제에 효과적이지만, 적응 지식과 고차원 사례 기반에서의 확장성 문제로 어려움을 겪는다.
  • 진화/생성형: 거대하고 비볼록(non-convex)한 설계 공간을 탐색하는 데 탁월하지만, 계산 비용이 많이 들고 전역 최적성 보장이 부족하다.
  • ML/DL: 높은 확장성과 생성 능력을 제공하지만, 신뢰할 수 있는 설명 가능성과 물리적 타당성 보장(환각 문제)이 부족하다.
• 하이브리드 시스템: 하이브리드 아키텍처가 점점 더 중요해지고 보고된 성능 향상을 보이고 있지만, 본 검토는 이들이 잘 설계된 단일 패러다임 베이스라인보다 일반적으로 우월하다는 충분한 증거를 찾지 못했다. 하이브리드 연구 중 절반 미만이 비-하이브리드 베이스라인과의 통계적 비교를 보고했으며, 통계적 테스트와 독립적 재현성을 모두 충족한 연구는 없었다.
• 인간 비교 격차: 검토된 연구 중 단 5.7%만이 인간 설계자 베이스라인 비교를 포함했다. 증거에 따르면 ML/DL 시스템은 개념의 다양성 측면에서 주니어 디자이너와 대등할 수 있으나, 타당성 평가에서는 숙련된 전문가보다 성능이 떨어지는 경우가 많다. LLM 기반 시스템은 구조적으로 다양한 개념을 생성하지만, 물리적으로 불가능한 솔루션을 빈번하게 생성한다.
• 재현성 및 통합: 연구의 12% 미만이 실행 가능한 코드나 전체 데이터셋을 제공했다. 상용 CAD/PLM 시스템과의 통합은 여전히 제한적이며(시스템 설명 중 6.4%만이 통합을 보고함), 이는 실제 산업 도입을 저해한다.
• 지속 가능성 및 윤리: 문헌은 지속 가능성에 대한 고려가 거의 전무함을 보여준다(247개 논문 중 단 2개만이 환경적 영향을 언급함). 또한 표준화된 규제 준수 프레임워크도 결여되어 있다.

의의 및 주장
본 논문은 분야가 분산된 설계 지능을 향해 이동하고 있다고 주장하며, 여기서 인간의 판단, 기호적 지식, 생성적 탐색, 그리고 물리적으로 근거를 둔 추론이 경쟁적 역할이 아닌 보완적 역할을 수행한다. 본 연구의 의의는 다음과 같다:

• 파편화된 증거의 조직화: 30년간의 연구를 비교 프레임워크로 합성하여 미래의 이론 구축과 벤치마크 개발을 지원한다.
• "최첨단(State-of-the-Art)"의 정의: 현재의 최첨단 기술이 단일한 지배적 방법론이 아니라, 하이브리드 접근 방식이 유망하지만 엄격한 검증이 필요한 전문화된 도구들의 지형임을 명확히 한다.
• 벤치마킹 공백 해결: 표준화된 인간-AI 벤치마크의 부재를 기록함으로써, 공정한 증거 기반 발전을 가능하게 하는 최소 벤치마킹 프로토콜(표준 설계 문제와 참신성, 타당성, 선호도에 대한 지표 포함)을 제안한다.
• 미래 연구 가이드: 대규모 FBS 주석 데이터셋의 구축을 이 분야의 가장 중요한 선결 조건으로 우선순위화하며, 이러한 데이터셋 없이는 설계 특화 파운데이션 모델과 표준화된 벤치마크가 실현 불가능한 목표로 남을 것이라고 주장한다.

저자는 IPCD의 미래가 단순히 자율적인 알고리즘에 의해 결정되는 것이 아니라, 협력적 설계 생태계 내에서 인간의 창의성, 기호적 지식, 그리고 계산 지능이 효과적으로 통합됨에 따라 결정될 것이라고 결론짓는다.