블록오디세이 — 선택적 산업 AI 연합학습 (제조)

[별지 제1-③-2호] 팁스(TIPS) 창업기업 연구개발계획서 본문 1 · 부록 — 팁스 R&D(딥테크 트랙)

팁스(TIPS) 창업기업 연구개발계획서

본문 1 · 팁스 R&D · 딥테크 트랙

현장마다 다른 제조 데이터를 선택적으로 공유·학습하여,
글로벌·도메인·로컬 모델을 함께 진화시키는 산업 AI 기술 개발

선택적 산업 AI 연합학습

글로벌·도메인·로컬 모델 동시진화 · 지식의 출처·기여·권리 신뢰 검증

“무조건 평균하지 않는다 — 무엇을 나누고 무엇을 남길지 선택한다.”

주관기업 · 주식회사 블록오디세이 (Block Odyssey Corp.) · 대표이사 연창학
개발기간 36개월 · 정부출연금 최대 15억원 · 실증도메인 제조(공정·품질·설비)

CONTENTS · 목차

Block Odyssey · 선택연합 엔진

시장·문제·연구필요성을 먼저, 그 다음 선택적 도메인 연합 기술과 실증

기존 연합학습은 참여자 업데이트를 집계한다. 본 과제는 현장별 업데이트의 도메인 적합성·성능 기여·충돌·프라이버시 위험을 평가해 선택 배치하는 기술을 연구한다.

제안배경 — 시장·문제·연구필요성

산업 AI·Physical AI 변화 · 제조 투자·정책 · 현장별 데이터 이질성 · 기존 방식의 한계 · 연구 필요성

해결방안 · 기술계보

EMAI 선택적 도메인 연합 구조 · 왜 블록오디세이(계보)

연구 — 가설·핵심기술·KPI

연구가설 · 선택연합(CT)·지식분해·로그지식화·지속전이·신뢰 · Baseline·KPI

실증 · 로드맵

제조 실증 시나리오 · Stage-Gate · 3개년 로드맵 · 인력 · 보안

III

비즈니스모델

제품화 · 목표시장 · 경쟁 포지셔닝 · 수익모델

IV·V

성장전략 · 최종 요약

진출·투자·기대효과 · 핵심 메시지·KPI 종합

TECH INCUBATOR PROGRAM FOR STARTUP

I. 제안배경

1. 글로벌 산업 AI · Physical AI 기술 변화

AI가 화면을 넘어 물리 현장(제조·로봇·설비)으로 내려온다

생성형 AI 다음의 축은 Physical AI — 로봇·설비·공정에 지능이 내장되며, 데이터가 현장에 갇혀 밖으로 나갈 수 없는 곳에서 AI 수요가 폭발한다.

54.2만대

2024년 산업용 로봇 신규 설치
(글로벌, IFR)

2배 ↑

10년 전 대비 산업용 로봇
설치량 증가

Physical AI

로봇·엣지·설비 지능화가
다음 산업 AI 물결

AI 경쟁의 무대가 클라우드·챗봇에서 공장·설비·로봇으로 이동하고 있다. 이 물리 현장의 데이터는 실시간·대용량이며 보안·영업비밀로 외부 반출이 어렵다 — 데이터가 있는 곳에서 학습하고, 현장의 지능을 계속 키우는 기술이 핵심이 된다.

핵심 메시지산업 AI의 다음 승부처는 더 큰 모델이 아니라, 현장에 갇힌 데이터로 지능을 키우고 이어가는 학습 계층이다.

출처 : IFR World Robotics — 2024년 산업용 로봇 신규 설치 54.2만 대(4년 연속 50만 대+), 10년 전 대비 2배.

TECH INCUBATOR PROGRAM FOR STARTUP

I. 제안배경

1. 글로벌 선도기업 동향과 기술 공백

선도기업은 '한 공장 지능화'에 집중 — '기업 간 선택연합'은 공백

NVIDIA·Siemens·Microsoft·AWS는 디지털트윈·산업 에이전트로 앞서가지만, 서로 다른 기업·공장의 학습결과 중 무엇을 공유·보존할지 판단하는 제조 특화 선택연합은 공백이다.

NVIDIA

Omniverse·Isaac·Cosmos로 디지털트윈·Physical AI·합성데이터 (Foxconn·TSMC·Lucid).

한 공장 시뮬·로봇 학습

Siemens

Industrial Copilot·AI 에이전트로 현장 자동화 지원 (PepsiCo 처리량 +20%).

현장 근접 에이전트

Microsoft

제조 지식·Digital Thread·엔지니어 경험 에이전트로 조직 경험 축적 (Toyota).

조직 지식 축적

AWS

RAG·Agentic AI·제조 Reasoner·디지털트윈으로 현장 데이터 추론.

현장 데이터 추론

공통 공백모두 단일 현장·단일 조직의 지능화는 발전시키나, 이질적 기업·공장 간 무엇을 선택연합할지는 미해결 — 본 과제가 정확히 이 지점을 연구한다.

출처 : NVIDIA Newsroom(Omniverse·Isaac·Cosmos·Physical AI) · Siemens Press(Industrial Copilot·AI Agents, CES 2025/Automate 2025) · Microsoft Source(제조 AI·Toyota 에이전트) · AWS(Generative AI in Manufacturing).

TECH INCUBATOR PROGRAM FOR STARTUP

I. 제안배경

2. 국내 제조 AI 투자 · 정책 환경

정부 '제조AI 2030 전략' — 2030년까지 20조 투자·부가가치 100조

2026.6.29 '3대 메가프로젝트 국민보고회'에서 발표된 제조AI 2030 전략은 민·관 20조 원 투자로 100조 원 이상의 부가가치 창출을 목표하며, AI 3대 강국·제조강국 동시 달성을 국정과제로 추진한다.

20조원

2030년까지 제조AI 전환(M.AX)
민·관 투자

100조원+

제조AI로 창출 목표
경제적 부가가치

AI 3대 강국

국정과제 20 · 산업부·과기정통부
협력으로 제조강국 동시 달성

전략의 핵심은 국가 제조데이터 라이브러리·제조 특화 AI 모델·M.AX 클러스터다. 그러나 데이터를 한곳에 모으는 방식은 반출 제약에 막힌다 — 개별 현장이 데이터를 내보내지 않고 함께 학습하는 방법은 여전히 비어 있다.

핵심 메시지정책·예산(20조·100조)은 준비됐다 — 남은 것은 현장이 데이터를 반출하지 않고 선택적으로 함께 학습하는 기술 계층이다.

출처 : 대한민국 정책브리핑 「제조업 인공지능 전환, 2030년까지 20조 원 투입」(2026.6.29, newsId=148967305) · 산업통상자원부 제조AI 2030 전략 · 과학기술정보통신부 국정과제 20 「AI 3대 강국」. ※ 정부 공식 발표 기준.

TECH INCUBATOR PROGRAM FOR STARTUP

I. 제안배경

3. 중소·전문 제조기업의 AI 격차

정작 중소·전문 제조기업은 AI 도입 격차에 막혀 있다

OECD 분석에 따르면 중소기업의 AI 도입은 대기업보다 현저히 낮고, 제조·ICT 기업의 상당수가 자사 현장에 맞는 AI 공급자를 찾지 못한다.

공급자 부재

제조 중소기업이 자사에 맞는 AI 공급자 확보에 어려움을 겪음 (OECD)

중소 < 대기업

규모·자산 보정 후에도 중소기업 AI 도입률이 구조적으로 낮음 (OECD)

데이터 부족·편중

단일 공장의 데이터만으로는 희귀 불량·신규 공정을 학습할 표본이 부족하다.

희귀사례 학습 불가

반출 제한

공정·품질 데이터는 영업비밀이라 외부로 모을 수 없어 공동 학습이 막힌다.

중앙 수집 불가

맞춤 공급 부재

범용 AI는 현장에 안 맞고, 현장별 특화를 지속 유지할 방법이 없다.

현장 특화 유지난

시장 필요성중소·전문 제조기업이 데이터를 내보내지 않고 서로의 경험을 선택적으로 나눠 AI 격차를 좁히는 학습 계층 — 여기에 시장이 있다.

출처 : OECD 「AI adoption by small and medium-sized enterprises」(2025.12) — 중소기업 AI 도입 격차·맞춤형 공급자 확보 애로·하이퍼스케일러 종속.

TECH INCUBATOR PROGRAM FOR STARTUP

I. 제안배경

4. 제조 AI의 핵심 난제 — 현장마다 다른 데이터

제조 데이터는 현장마다 다르다 — 무조건 합치면 성능이 깨진다

같은 '이상탐지'라도 공장·설비·공정·라벨 기준이 달라 데이터 분포가 제각각이다(현장 이질성). 이질적 업데이트를 단순 평균하면 서로 간섭해 성능이 붕괴한다.

분포가 제각각

공장·설비마다 정상/불량 비율, 센서 특성, 공정 조건이 달라 데이터 분포가 근본적으로 다르다.

이질적 분포(현장마다 다름)

라벨 기준이 상이

같은 '불량'이라도 현장마다 정의·등급·판정 기준이 달라 그대로 합칠 수 없다.

라벨 불일치

단순 평균 → 붕괴

이질적 업데이트를 단순 평균(FedAvg)하면 서로 간섭해 오히려 성능이 떨어진다(음의 전이).

음의 전이 발생

핵심 난제제조 AI 공동학습의 벽은 데이터가 현장마다 다르다는 것 — "무엇을 함께 배우고 무엇을 현장에 남길지"를 선택하지 않으면 합칠수록 나빠진다.

TECH INCUBATOR PROGRAM FOR STARTUP

I. 제안배경

4. 기존 방식의 한계 — 로컬 RAG · 일반 FL · 단일 글로벌

세 가지 기존 접근은 각자의 벽이 있다

현장 데이터를 다루는 세 방식은 각각 장점이 뚜렷하지만, 현장마다 데이터가 다른 제조 환경에서 공동학습과 현장 보존을 동시에 달성하지 못한다.

로컬 RAG

강점 · 폐쇄망 운영·빠른 도입
한계 · 경험이 모델 지식으로 축적 안 됨
한계 · 다른 현장 경험 활용 불가

공동학습 이득 없음

일반 연합학습(FedAvg)

강점 · 원본 이동 없이 공동학습
한계 · 단순 평균 → 음의 전이
한계 · 도움/해로운 지식 구분 못함

현장 특성 훼손

단일 글로벌 모델

강점 · 범용 성능·규모의 이점
한계 · 현장 특화가 흡수·소실
한계 · 모델 교체 시 자산 단절

현장 전문성 소실

정리세 방식 모두 '공동으로 배우기'와 '현장을 지키기'를 동시에 만족시키지 못한다 — 여기서 제3의 접근이 필요하다.

TECH INCUBATOR PROGRAM FOR STARTUP

I. 제안배경

4. 기술적 충돌 — 공동학습 이득 ↔ 현장 전문성 보존

공동학습 이득과 현장 전문성 보존은 정면충돌한다

다 같이 배우면 희귀사례 대응은 좋아지지만 현장 특화가 훼손되고, 현장을 지키면 공동학습 이득을 못 얻는다 — 이 상충(trade-off)을 푸는 것이 본 과제의 연구 핵심이다.

공동학습 이득 (많이 나눌수록 ↑)

여러 현장의 데이터를 함께 쓰면 희귀 불량·신규 공정 대응력이 올라간다. 단일 공장이 못 겪는 사례를 배운다.

규모의 이점 · 희귀사례 학습

현장 전문성 보존 (안 나눌수록 ↑)

현장 고유의 공정 노하우·특화 성능은 함께 섞을수록 희석된다. 지키려면 나누지 말아야 한다.

도메인 특화 · 노하우 보존

연구 질문"모두 나누기"도 "아무것도 안 나누기"도 답이 아니다 — 무엇을 나누고 무엇을 남길지 '선택'하는 기술이 필요하다.

TECH INCUBATOR PROGRAM FOR STARTUP

I. 제안배경

5. 왜 기존 연합학습 기법으로 충분하지 않은가

기존 FL 기법은 '어떻게 합치나'만 다룬다 — '무엇을 선택하나'는 없다

FedAvg·FedProx·Clustered/Personalized FL은 집계 방식을 개선하지만, 각 업데이트를 도메인 적합성·성능 기여·충돌·프라이버시 위험으로 평가해 선택 배치하지는 않는다.

기존 기법	접근 (어떻게 합치나)	한계 (무엇을 선택할지 없음)
FedAvg	데이터 크기 가중 단순 평균	이질 데이터에서 음의 전이 — 이질 현장이 서로 간섭
FedProx	로컬 발산 억제 정규화 항 추가	발산은 줄이나 공유/보존 지식을 구분하지 못함
Clustered FL	유사 현장끼리 군집 후 집계	군집은 나누나 지식 성분 단위 선택은 못함
Personalized FL	글로벌+로컬 개인화 모델 유지	개인화는 하나 전이 이득·위험을 사전 평가 안 함

연구 공백모두 '집계 방법'에 머문다 — 본 과제는 그 앞단에서 '무엇을 어느 계층에 배치할지 평가·선택'하는 미개척 문제를 연구한다.

TECH INCUBATOR PROGRAM FOR STARTUP

I. 제안배경

5. 글로벌 연합학습 성공사례와 제조 적용의 한계

연합학습은 모바일·의료에서 성공했으나, 제조엔 그대로 안 맞는다

기존 성공 사례들은 비교적 동질적인(IID에 가까운) 데이터였다. 제조는 극단적 현장 이질성·도메인 충돌·잦은 모델 교체라는 조건이 달라 그대로 적용되지 않는다.

대표 성공 사례	성공 요인	제조 적용 시 한계
모바일 키보드 예측 (Gboard 등)	수억 단말의 유사한(동질) 텍스트 분포 — 단순 평균이 잘 작동	제조는 공장별 분포가 극단적으로 상이 — 단순 평균 붕괴
다기관 의료 영상	동일 질환·표준 프로토콜로 라벨·태스크가 정렬됨	제조는 라벨 기준·공정이 제각각 — 정렬 전제가 깨짐
범용 파운데이션 FL	큰 공통 표현을 공유해 범용 성능 확보	제조는 현장 특화 보존이 필수 — 범용화가 곧 손실

시사점제조 연합학습의 성패는 알고리즘이 아니라 '이질적 현장에서 무엇을 선택해 공유할 것인가'에 달려 있다 — 이것이 미해결 연구 지점이다.

TECH INCUBATOR PROGRAM FOR STARTUP

I. 제안배경

5. 연구 필요성 — 종합

시장·격차·현장 이질성·기법 공백이 하나의 연구 필요성으로 모인다

앞의 네 가지 근거는 결국 하나의 결론을 가리킨다 — 이질적 제조 현장에서 무엇을 나누고 무엇을 남길지 '선택'하는 연합학습 계층이 필요하다.

시장·정책

자율제조·AI 팩토리가 국가 전략축 — 현장 학습 수요 급증.

수요 확보

중소 격차

데이터 부족·반출 제한·맞춤 부재로 중소 제조가 AI에서 소외.

격차 해소 필요

현장 이질성

현장 분포·라벨이 달라 단순 병합은 성능을 붕괴시킴.

선택 필수

기법 공백

기존 FL은 '집계'만, '무엇을 선택할지' 평가가 없음.

미개척 연구

연구 정의제조 현장이 서로 다른 환경에서 도메인 적합성·성능 기여·충돌·프라이버시 위험을 평가해, 공유할 지식과 현장에 남길 지식을 선택하는 기술 — 이것이 본 과제다.

TECH INCUBATOR PROGRAM FOR STARTUP

I. 제안배경

6. 해결방안 — EMAI 선택적 도메인 연합 구조

업데이트를 '집계'하지 않고, 평가해 '선택 배치'한다

각 현장 업데이트를 도메인 적합성·성능 기여·충돌 위험·프라이버시 위험으로 평가하여 글로벌·도메인·로컬 계층에 선택적으로 배치하고, 세 계층이 동시에 진화한다.

4대 평가 기준

도메인 적합성 — 어느 현장/산업군에 맞는가
성능 기여 — 실제로 성능을 올리는가
충돌 위험 — 음의 전이를 일으키는가
프라이버시 위험 — 민감정보를 노출하는가

S(k,d)=w₁·적합성 + w₂·기여 − w₃·충돌 − w₄·프라이버시

Global

전 현장 공통 지식만 통합 (S 높음)

Domain

같은 공정군 지식 공유 (S 중간)

Local

현장 특화 유지 · 충돌 위험 격리

중심 문장기존 연합학습은 참여자 업데이트를 집계한다. 본 과제는 업데이트의 적합성·기여·충돌·프라이버시를 평가해 글로벌·도메인·로컬에 선택 배치한다.

TECH INCUBATOR PROGRAM FOR STARTUP

I. 제안배경

7. 왜 블록오디세이인가 — 기술 계보

이 기술을 할 수 있는 이유 — 8년간 데이터 신뢰를 다뤄 온 계보

블록체인 기업이 갑자기 AI를 하는 게 아니라, 거래·공급망·업무 데이터의 출처·이력·검증을 다뤄 온 역량을 AI 학습지식의 선택·신뢰 계층으로 확장한다.

2018

블록체인 프레임워크

분산원장·전자서명·데이터 무결성 — 신뢰의 기반

›

2019~

SCANUS 공급망 검증

QR 정품인증·유통이력·참여자 데이터 연결

›

2022~

산업 운영데이터·폐쇄망 RAG

Vector DB·LLM/RAG·업무/품질 데이터 연계

›

본 과제

선택연합 엔진

선택적 도메인 연합·동시진화·권리검증

398억

누적 투자유치 · 신한·KB·KDB·산은·CJ·SK

70건+

금융·대기업·공공 블록체인 프로젝트

8년

데이터 출처·이력·검증 운영 경험

자격"무엇을 나누고, 누구 기여이며, 어느 모델에 반영됐는가"를 증명하는 지식 신뢰 계층은 데이터 검증을 8년간 해 온 블록오디세이의 정확한 강점이다.

TECH INCUBATOR PROGRAM FOR STARTUP

II. 기술개발계획

1. 연구 가설 및 핵심기술(CT) 구성

신규성은 개별 알고리즘이 아니라 선택·배치·동시진화의 통합에 있다

대표 원천연구는 선택적 도메인 연합이다. 나머지는 이를 받치는 기반(로그 지식화)·수단(지식 분해)·확장(지속전이)·신뢰(검증) 계층으로 배치된다.

핵심기술	역할	기존 기술	미해결 난제 · 본 과제 차별
CT-A 선택적 도메인 연합	대표 원천	FedAvg·FedProx·Clustered/Personalized FL	전이 이득·충돌·프라이버시 사전 평가·선택 배치
CT-B 지식 성분 분해	선택 단위	LoRA 전체 학습·병합	어댑터 내 공통/도메인/로컬 성분 분리
CT-C 로그 지식화	기반 신호	로그 저장 / RAG 검색	결과연계로 유효 학습신호 자동 선별
CT-D 모델 독립 지속전이	확장(3년차)	전면 재학습	모델 교체 시 검증 지식 이식
CT-E 신뢰·검증	신뢰 계층	MLOps 로그	출처·기여·권리·반영이력 provenance

연구 비중대표 원천 CT-A(선택연합) ≈ 40% · 지식분해·로그지식화 각 20% · 지속전이 10%(3년차) · 신뢰 10%. 표준·산출물은 연구난제가 아닌 결과물로 둔다.

TECH INCUBATOR PROGRAM FOR STARTUP

II. 기술개발계획

2. CT-A 선택적 도메인 연합 ★ 대표 원천연구

전이 이득·충돌·프라이버시를 예측해 선택 배치하고 3계층을 동시진화

연구 난제 · 업데이트가 다른 현장에 도움이 될지 해가 될지를 사전 예측하는 것은 미해결이다. 사후가 아니라 사전에 평가해 글로벌·도메인·로컬로 배치·격리한다.

전이효과 예측기 (핵심)

도메인 시그니처·업데이트 특성으로 전이 이득/충돌을 사전 예측하는 예측기를 학습한다. IF S≥0.75→Global, ≥0.60→Domain, else Local, 위험↑→격리.

사전 평가 → 라우팅

3계층 동시진화

글로벌(공통)·도메인(공정군)·로컬(현장)이 따로 또 같이 진화한다. 공통은 위로 모으고 특화는 아래에 남겨, 성능을 깨지 않고 함께 발전한다.

글로벌·도메인·로컬 병렬

핵심 KPI	2차년도 Gate	최종 목표
전이효과 예측 AUROC	≥ 0.80	≥ 0.85
음의 전이 발생률 (FedAvg 대비)	35% 감소	50% 감소
로컬 성능 유지율	≥ 95%	≥ 97%

TECH INCUBATOR PROGRAM FOR STARTUP

II. 기술개발계획

2. CT-B 지식 성분 분해 (선택 단위)

선택의 단위를 만든다 — Adapter를 지식 성분으로 분해

쉬운 설명 · 하나의 LoRA 업데이트를 프리즘처럼 공통·도메인·로컬·민감·유해 성분으로 분리해야, '무엇을 나눌지'를 성분 단위로 선택할 수 있다.

공통모든 현장 유효 → 글로벌
도메인같은 공정군 → 도메인
로컬현장 특화 → 로컬 유지
민감영업비밀 → 공유 금지
유해/노이즈간섭 → 격리·폐기

연구 난제 · LoRA 저차원 성분은 의미적으로 독립된 블록이 아니라 하나의 성분이 여러 능력에 중첩 기여한다. SVD·Fisher·표현 유사도만으로는 '공통/특화' 의미를 직접 식별할 수 없어, 실제 교차도메인 성능과 결합한 검증이 필요하다. KPI — 지식유형 분류 Macro-F1 ≥ 0.80 · 로컬 성능 유지 ≥ 97% · 어댑터 압축 ≥ 50%.

TECH INCUBATOR PROGRAM FOR STARTUP

II. 기술개발계획

2. CT-C 결과연계 로그 지식화 (기반 신호)

선택에 투입할 학습신호를 만든다 — 결과연계 경험 지식화

쉬운 설명 · 질의·조치·결과가 뒤섞인 현장 로그에서 실제 성능에 기여한 경험만 골라 고순도 학습신호로 정제한다. 선택연합의 품질은 이 신호의 품질에서 시작된다.

정제 파이프라인

원시 로그(질의/조치/결과) 수집
중복 제거·오염/신뢰도 검증
결과 연계 라벨링 → 고순도 학습신호

지연·다중원인 인과귀속

경험 품질 점수 Q(e)

Q(e)=α·근거일치 + β·결과개선 + γ·일관성 − δ·불확실성

Q≥τ_high 자동 채택 · 중간 인간 검토 · 낮으면 폐기.

핵심 KPI	1차년도 Gate	최종 목표
유효 학습샘플 선별 F1	≥ 0.80	≥ 0.85
무선별 로그 대비 업무성능	+3%p	+5%p 이상

TECH INCUBATOR PROGRAM FOR STARTUP

II. 기술개발계획

2. CT-D 모델 독립 지식 지속전이 (3년차 확장)

3년차 확장 — 모델이 바뀌어도 검증된 지식만 새 모델로 이식

파운데이션 모델 세대 교체 시 현장 자산이 백지화되지 않도록, 구·신 모델의 표현 공간을 정렬해 검증된 지식만 이식한다. (산업 필요로 배치한 확장 연구)

호환성 분석

구·신 모델 계층 매핑·표현 유사도 분석.

Compatibility

›

의미 앵커 정렬

의미 앵커로 표현 공간 정렬·projection.

Alignment

›

지식 보존

지식 중요도 기반 forgetting 억제.

Retention

›

검증·복구

회귀시험·실패 성분만 부분 재학습.

New Model

≥90%

이전 후 지식 유지율

≥70%↓

전면 재학습 대비 비용 절감

≥95%

전환 후 성능 회복률

TECH INCUBATOR PROGRAM FOR STARTUP

II. 기술개발계획

2. CT-E 지식 신뢰·검증 (신뢰 계층)

지식의 출처·기여·권리·모델 반영 이력을 검증하는 신뢰 계층

어느 현장의 어떤 경험이 어느 모델에 반영됐는지 추적하고, 기여·권리를 증명한다 — 블록체인은 학습 엔진이 아니라 지식 신뢰 계층(provenance)이다.

출처·기여 증명

어떤 업데이트가 어느 모델 버전에 반영됐는지 경량 온체인 해시로 기록(모델 원문은 로컬).

provenance registry

권리·정책 관리

지식단위에 공유등급·소유·파생권리를 부여해 데이터주권·분쟁을 관리한다.

데이터주권 계층

프라이버시 게이트

차분 프라이버시·보안 집계로 역추론·멤버십 추론을 차단하고 검증 지식만 공유.

DP·SecAgg 내재화

KPI지식 무결성 감사율 ≥ 99.9% · 프라이버시 침해 0건 · 감사 추적 응답 ≤ 50ms — 블록오디세이 8년 검증 역량이 그대로 적용되는 계층.

TECH INCUBATOR PROGRAM FOR STARTUP

II. 기술개발계획

3. Baseline 비교 및 정량 KPI 종합

과장된 신규성 대신 Baseline 대비 정량 검증으로 증명한다

모든 목표치는 기존 기법(FedAvg·FedProx·Clustered/Personalized FL) 대비 재현·비교·통계검정으로 검증하며, 각 지표를 담당 CT에 매핑한다.

지표	Baseline	최종 목표	담당 CT
전이효과 예측 AUROC	없음(사후만)	≥ 0.85	CT-A
음의 전이 발생률	FedAvg 기준	50% 감소	CT-A
로컬 성능 유지율	단일 글로벌	≥ 97%	CT-A·B
유효 학습샘플 선별 F1	무선별 로그	≥ 0.85	CT-C
모델 전환 지식 유지 / 비용	전면 재학습	90% / 70%↓	CT-D
지식 무결성 감사율	MLOps 로그	≥ 99.9%	CT-E

검증 원칙"세계 최초"를 주장하지 않는다 — 동일 데이터·동일 조건에서 기존 기법 대비 우위를 통계적으로 증명하는 것이 신규성의 근거다.

TECH INCUBATOR PROGRAM FOR STARTUP

II. 기술개발계획

4. 제조 실증 시나리오

제조 현장 다기관 선택연합 실증 — 데이터 공유 없이 함께 개선

2~3개 제조 현장이 데이터를 공유하지 않고, 각자의 경험을 지식화해 공통은 나누고 특화는 보존하며, 희귀 불량 대응력을 함께 끌어올린다. (실증기관 LOI/MOU 2~3건 확보)

로그 지식화

현장 운영 로그에서 유효 학습신호 선별(CT-C).

기반 신호

›

성분 분해

업데이트를 공통/도메인/로컬로 분해(CT-B).

선택 단위

›

선택 연합

적합성·기여·위험 평가 후 계층 배치(CT-A).

대표 연구

›

검증·증명

성능 검증 + 기여·출처 원장 기록(CT-E).

신뢰

2~3곳

실증 참여 제조 현장(LOI)

50%↓

음의 전이 감소

≥97%

로컬 성능 유지

10~30

모의 노드 확장 검증

실증 가치단일 공장이 못 겪는 희귀 불량 지식을 데이터 공유 없이 함께 배우면서, 각 현장의 공정 노하우는 그대로 보존한다.

TECH INCUBATOR PROGRAM FOR STARTUP

II. 기술개발계획

5. 3개년 추진 로드맵 (36개월 WBS)

데이터셋 → 단일현장 → 다기관 선택연합 → 이종모델 전이 → 제품화

대표 원천연구 CT-A(선택연합)에 기간을 두텁게 배분하고, 실증과 제품화가 3년차에 수렴하도록 단계 게이트로 관리한다.

WBS 단계	주관	1	2	3	4	5	6	7	8	9	10	11	12
데이터셋 구축·파일럿(F1)	주관
CT-C 로그 지식화	주관
CT-B 지식 분해	주관
CT-A 선택연합·동시진화 ★	주관
CT-D 지속전이(3년차)	주관
CT-E 신뢰·검증	주관
제조 다기관 실증	공동
제품화·표준·상용 준비	주관

단계 게이트1년차 단일현장 지식화(F1≥0.80) · 2년차 다기관 선택연합(AUROC≥0.80, 음의전이 35%↓) · 3년차 이종모델 전이(유지 90%)·제품화.

TECH INCUBATOR PROGRAM FOR STARTUP

II. 기술개발계획

6. 연구 전담인력 및 안전·보안

각 CT에 연구실적 인력을 매핑하고, 폐쇄망 전주기 보안을 내재화

책임급 인력 중 최소 1명은 연합학습·PEFT/LoRA·continual learning·인과/약지도 중 직접 연구실적을 보유하며, 부족분은 채용·대학 협력으로 확보한다.

역할	필수 역량	담당 CT
연구책임자 / CTO	AI·분산시스템·제품화 총괄	전체 아키텍처·통합
AI Learning Lead	LLM/PEFT·weak supervision·continual learning	CT-C 로그 지식화
Federated AI Lead	FL·전이효과 예측·집계·robustness	CT-A·B (대표)
Trust / Data Lead	블록체인·provenance·데이터거버넌스	CT-E · CT-D

사전 예방

망분리·접근통제·비식별·DP/SecAgg 내재화

실시간 대응

오염·위험 지식 격리·비인가 차단·역추론 탐지

사후 관리

출처·기여 원장 감사·롤백·산출물 등급 통제

TECH INCUBATOR PROGRAM FOR STARTUP

III. 비즈니스모델

1. 사업화 목표 및 제품화 계획

특정 솔루션이 아닌 선택연합 엔진·IAKU·SDK 형태의 제품화

선택연합 엔진는 산업 AI가 현장 경험을 자산화하고, 필요한 지식만 선택 공유하며 모델이 바뀌어도 지속하는 산업 AI 지식운영 엔진이다 — 특정 제조 솔루션에 종속되지 않는다.

제품 모듈	고객 가치	과금 단위
Selective Federation Engine	원본 없이 유효 지식만 선택 공유, 현장 성능 보존(CT-A)	참여 노드·연합 라운드
Knowledge Builder	운영 로그를 재학습 가능한 고품질 신호로 전환(CT-C)	데이터량·처리량
Continuity Engine	모델 교체 비용·기간·재검증 절감(CT-D)	마이그레이션·모델 수
Trust & Provenance	데이터주권·기여·파생권리·감사 대응(CT-E)	엔터프라이즈 라이선스
SDK / API / Console	기존 RAG·MLOps·모델서빙에 빠른 연동	연간 구독·유지보수

차별화 IP핵심 IP는 선택연합 엔진(CT-A)과 지식 신뢰 계층(CT-E) — 자사 제품뿐 아니라 타 AI 스택에도 부가되는 부품이 된다.

TECH INCUBATOR PROGRAM FOR STARTUP

III. 비즈니스모델

2. 사업화 목표시장 분석

제조·공급망을 첫 검증시장으로, 규제 강한 도메인으로 확장

폐쇄망에서 AI를 운영하며 현장 지식이 쌓이고 모델이 자주 바뀌는 산업일수록 수요가 크다 — 제조를 거점으로 금융·국방·의료로 확장한다.

시장 세그먼트	핵심 Pain Point	초기 제품 패키지	우선
제조·공급망	공장·협력사 데이터 반출 제한, 희귀사례 부족, 모델 교체	폐쇄망 Knowledge Federation	1
금융	망분리·개인정보·모델 리스크·감사	Private AI Knowledge Governance	2
국방·공공	폐쇄망·보안등급·국가모델 전환·감사	Sovereign AI Continuity	2
의료·에너지	기관간 데이터 비공유·고위험 AI 추적성	Privacy-preserving Collaboration	3

27~49조

제조·Physical AI 적용시장 (사업기획 추정)

1.4~5.9조

폐쇄망·다기관 공동학습·운영 영역 (추정)

2~3조

기준 시나리오 누적 접근시장(SOM, 추정)

진입 전략초기에는 제조·공급망을 첫 검증시장으로 잡고, 최종 제품은 특정 제조 솔루션에 종속되지 않는 독립 프레임워크로 출시한다.

시장 규모는 공식 통계가 아닌 사업기획용 추정치 — 제조AI 직접투자(20조)·반도체·데이터센터 인프라 외연 대비 소프트웨어·운영 파급분(0.5~2% 가정)으로 개산. 최종 제출 전 재검증.

TECH INCUBATOR PROGRAM FOR STARTUP

III. 비즈니스모델

3. 경쟁 포지셔닝

경쟁은 '집계·실행'에 머문다 — '선택·지속·권리'는 비어 있다

FL 플랫폼·엔터프라이즈 RAG·개인화 FL·전이 연구는 각 조각을 다루지만, 하나의 산업 지식 생명주기로 통합·실증한 제품은 없다.

경쟁군	대표 제품·기술	공백	선택연합 엔진 위치
FL 플랫폼	Flower · NVIDIA FLARE · OpenFL	산업경험 지식화·연속성 부족	상위 지식운영 계층
엔터프라이즈 RAG	폐쇄망 RAG·Agent·HITL	지식분해·다기관 선택연합 없음	경험을 재사용 학습자산화
Personalized FL	FedALA·FedALT·clustered FL	성분 단위 권리·지속전이 미통합	지식성분 단위 효용·위험 평가
Cross-model Transfer	LoRA-X·Cross-LoRA·Trans-LoRA	산업결과·출처·권리 연합 미통합	검증 지식단위의 지속전이

차별점경쟁이 비어 있는 '무엇을 선택·지속·소유할 것인가'를 하나의 계층으로 통합 — 데이터 검증 8년 해자가 신뢰 계층을 뒷받침한다.

TECH INCUBATOR PROGRAM FOR STARTUP

III. 비즈니스모델

4. 수익모델

구축 → 구독 → 지식 자산·기술이전의 단계적 수익화

과제 종료 직후 구축 매출로 시작해 구독형 엔진으로 반복 매출을 확보하고, IAKU 기반 지식 자산·검증 모듈을 글로벌로 기술이전한다.

L1
과제 종료 직후
B2B/B2G 시스템 구축·유지보수제조·금융 기관 대상 선택연합 엔진 온프레미스 구축·운영
구축 프로젝트
+ 유지보수(년)
L2
확산기 (~2028)
B2B 구독형 엔진·SDK선택연합·로그지식화·지속전이 엔진을 구독형으로 제공
월 구독
+ 노드·연합 과금
L3
성숙기 (2030~)
지식 자산·기술이전IAKU 기반 지식 자산·검증 모듈 글로벌 기술이전·로열티
라이선스
+ SaaS 로열티

수익 핵심차별화 IP인 선택연합 엔진·신뢰 계층은 자사 제품뿐 아니라 타 AI 스택에 부가되어, 시장 확대와 함께 반복·로열티 수익원이 된다.

TECH INCUBATOR PROGRAM FOR STARTUP

IV. 성장전략

국내·글로벌 진출 및 기대효과

국내 제조 거점에서 시작해 글로벌 소버린 AI로 확장

기존 산업·금융·제조 네트워크로 국내 거점을 확보하고, 데이터주권이 국가 의제인 시장으로 확장한다 — 실증기관 협약과 후속 투자를 병행한다.

단계	국내 전략	글로벌 전략
0~18개월	기존 엔터프라이즈·공급망·제조 네트워크 PoC	오픈소스·학회·기술 파트너 탐색
18~30개월	SI·클라우드·AI 플랫폼 파트너 번들	일본 제조·금융, 동남아 공급망 파트너
30~48개월	산업별 패키지·공공 조달·대기업 확산	북미·유럽 Sovereign AI·AI Governance 연계

기술적 기대효과

현장경험의 학습자산화로 지속 진화하는 산업 AI · 음의 전이 없는 다기관 공동학습 · 모델 교체에도 지식 보존.

산업·사회적 기대효과

데이터 유출 없이 희귀사례 공유하는 K-딥테크 경쟁력 · 제조 데이터 소버린티·파생권리 국가전략 정합 · 고영향 AI 기록 의무 대응.

TECH INCUBATOR PROGRAM FOR STARTUP

V. 최종 요약

심사위원에게 남기는 한 장의 메시지

기존 연합학습은 '집계'한다 — 본 과제는 '평가해 선택'한다

제조 현장이 서로 다른 환경에서 도메인 적합성·성능 기여·충돌·프라이버시 위험을 평가해 글로벌·도메인·로컬에 선택 배치하는 것이 본 과제의 연구 본체다.

문제

제조는 현장마다 데이터가 달라 무조건 합치면 성능이 깨지고, 로그 경험은 학습되지 않으며, 모델을 바꾸면 자산이 사라진다.

해법

업데이트를 적합성·기여·충돌·프라이버시로 평가해 선택 배치하고, 로그를 학습신호로 만들며, 모델이 바뀌어도 지식을 이어간다.

계보2018 블록체인 프레임워크 → SCANUS 공급망 검증 → 산업 운영데이터·폐쇄망 RAG → 선택연합 엔진. 데이터 신뢰를 8년간 다뤄 온 기업이 AI 학습지식으로 확장한다.

핵심 KPI	최종 목표	담당 CT
전이효과 예측 AUROC · 음의전이	≥0.85 · 50%↓	CT-A
유효 학습샘플 선별 F1 · 지식 유지	≥0.85 · 90%	CT-C·D

TECH INCUBATOR PROGRAM FOR STARTUP

참고자료

근거 및 출처

시장·정책·기술 근거는 정부 발표·국제기구·기업 뉴스룸·학술자료에 기반

모든 정량 수치는 출처를 명시했으며, 공식 통계가 아닌 값은 추정치로 별도 표기했다.

구분	근거	출처
국내 정책	제조AI 2030 — 2030년까지 민·관 20조 투자·부가가치 100조	대한민국 정책브리핑(2026.6.29, newsId=148967305) · 산업통상자원부
국가전략	AI 3대 강국 · 산업부–과기정통부 협력	과학기술정보통신부 국정과제 20 (msit.go.kr)
Physical AI	산업용 로봇 2024년 54.2만 대 설치(10년 2배)	IFR World Robotics (International Federation of Robotics)
글로벌 기업	디지털트윈·산업 에이전트·현장 지식화 동향	NVIDIA Newsroom · Siemens Press · Microsoft Source · AWS Industries
중소 격차	중소 AI 도입 격차·맞춤형 공급자 애로	OECD 「AI adoption by SMEs」(2025.12)
규제	AI 기본법(2026.1.22 시행) · EU AI Act §12(기록·추적성)	과학기술정보통신부 · European Commission
선행·경쟁	FedAvg·FedProx·Clustered/Personalized FL · LoRA-X·Cross-LoRA·FedSA-LoRA·FedALA	해당 논문(NeurIPS/ICLR/ICML/arXiv) · Flower·NVIDIA FLARE·OpenFL
시장 추정	제조·Physical AI 적용 27~49조 / 폐쇄망 공동학습 1.4~5.9조 / SOM 2~3조	사업기획용 추정치 (공식 통계 아님, 인프라 외연 대비 파급분 가정)

TECH INCUBATOR PROGRAM FOR STARTUP

APPENDIX A

글로벌 인프라와의 관계 ① — 엔비디아

엔비디아 제조·Physical AI 스택엔 '연합학습'이 없다 — 우리가 얹히는 자리

엔비디아의 제조·Physical AI(옴니버스·아이작·코스모스)는 시뮬레이션·합성데이터·디지털트윈·로봇정책을 만드는 엔진 계층이다. 연합학습은 이 스택에 없고 별도 SDK인 NVIDIA FLARE로 분리돼 있으며, 그마저 '어떻게 모을까'를 푸는 집계 런타임에 머문다. 세 지점에서 맞물린다.

합성데이터·디지털트윈

현장 데이터가 희소·라벨부족일 때 옴니버스 합성데이터로 로컬 도메인 모델을 부트스트랩. 우리는 합성/실측 기여도를 분리 평가해 과신을 막는다.

데이터·도메인 소스

FLARE = 집계 런타임

FLARE는 서버·집계자·엣지 노드로 업데이트를 실어 나른다(FedAvg·FedBuff). 무엇을 글로벌·도메인·로컬에 배치할지는 정하지 않는다 — 그 선택 정책을 우리가 Filter·Aggregator API로 탑재한다.

런타임 백엔드

아이작·GR00T 로봇정책

로봇·설비 정책을 현장별로 개인화할 때, 우리 적합성·충돌 평가가 서로 다른 현장 정책의 간섭(음의 전이)을 차단한다.

정책 전이 안전장치

정리엔비디아는 '엔진과 데이터', 본 과제는 '무엇을 나누고 무엇을 남길지의 선택' — 대체가 아니라 그 위에 얹히는 계층이다. 파트너십·탑재형 사업화가 가능하다.

TECH INCUBATOR PROGRAM FOR STARTUP

APPENDIX B

글로벌 인프라와의 관계 ② — 전수 비교

시장의 모든 연합학습 스택은 '집계'를 푼다 — '선택 배치'는 비어 있다

엔비디아 외에도 인텔·산업 대기업·오픈소스가 연합학습을 다루지만, 전부 전송·집계·오케스트레이션 계층이다. 도메인 적합성·기여·충돌·프라이버시를 평가해 선택 배치하는 계층은 어디에도 없다 — 그래서 경쟁이 아니라 접점이다.

스택 · 기업	무엇을 제공	연합학습	선택 배치	본 과제와의 접점
NVIDIA Omniverse·Isaac	합성데이터·디지털트윈·로봇정책	없음(엔진레벨)	없음	데이터·도메인 소스
NVIDIA FLARE	FL 집계·엣지 런타임(FedBuff)	집계	없음	런타임 백엔드
Intel OpenFL · Flower	범용 FL 프레임워크	집계	없음	런타임 백엔드
FedML (TensorOpera)	FL + 모델 가중치 마켓	집계·거래	없음	배포·유통 접점
Siemens · Apheris	산업 엣지·데이터 거버넌스	부분·거버넌스	없음	배포·거버넌스 접점

결론본 과제는 이들의 대체재가 아니라, 그 위에 얹혀 '무엇을 나누고 무엇을 남길지'를 결정하는 선택 계층이다 — FLARE·OpenFL·Flower를 백엔드로, 옴니버스를 데이터 소스로 채택할 수 있다.

TECH INCUBATOR PROGRAM FOR STARTUP

BLOCK ODYSSEY · 선택연합 엔진

현장마다 다른 제조 데이터를 위한 선택적 연합학습

무조건 평균하지 않는다 —
무엇을 나누고 무엇을 남길지 선택한다

글로벌·도메인·로컬 모델의 동시진화

주식회사 블록오디세이 · 감사합니다