KAIST KOOC 김탁곤 명예교수의 디지털 트윈 강의 열 번째 차시입니다. 이번 강의는 **DT의 동적 행위 모델을 AI 기반 데이터 모델로만 표현할 때 발생하는 구조적인 한계**를 다룹니다. ## 데이터 모델과 시뮬레이션 모델의 차이 AI 기반 데이터 모델은 수집된 입력과 출력의 관계를 학습합니다. 쉽게 말하면 **경험한 문제와 답의 패턴을 학습**하는 방식입니다. 반면 시뮬레이션 모델은 도메인 지식을 바탕으로 시스템이 동작하는 **원인과 규칙**을 명시적으로 표현합니다. ## 한계 1 — 상관관계와 인과관계 데이터만으로 학습하면 두 변수 사이의 상관관계를 찾을 수 있지만 그것이 실제 원인과 결과인지는 보장되지 않습니다. 강의에서는 소방차 출동 대수와 화재 피해 규모의 예를 듭니다. 데이터상 두 값이 함께 증가한다고 해서 소방차가 피해를 키운다는 결론을 내리면 잘못된 판단이 됩니다. 따라서 데이터 모델은 이상을 **발견**하는 데 활용할 수 있지만 원인을 **진단**해야 하는 문제에서는 한계가 생길 수 있습니다. ## 한계 2 — 학습 범위 밖의 입력 데이터 모델은 학습할 때 경험한 입력 범위와 주파수·운용 조건 안에서는 좋은 결과를 낼 수 있지만, 학습하지 않은 조건에서는 예측 정확도가 크게 떨어질 수 있습니다. 특히 시스템의 Product·People·Process가 변경되면 기존 학습 데이터가 더 이상 현재 시스템을 대표하지 않을 수도 있습니다. ## Simulation Model의 장점 Simulation Model은: - 도메인 지식으로 인과관계를 표현 - 실제로 수집되지 않은 조건도 가상 실험 - 설비 파라미터와 새로운 의사결정 대안 시험 - What-if 분석과 최적화 가 가능합니다. 하지만 전문 지식과 모델링 기술이 많이 필요하다는 단점도 있습니다. ## BAS의 필요성 강의는 두 접근을 경쟁 관계로 보지 않고 **Big Data + AI + Simulation**을 결합한 BAS 모델링으로 연결합니다. 데이터와 AI로 시뮬레이션 모델의 부족한 파라미터를 학습하고, Simulation으로 데이터 모델의 인과·외삽 한계를 보완하는 구조입니다. ## 핵심 정리 데이터 모델은 경험한 데이터에서 강하고, Simulation Model은 시스템 구조와 새로운 조건을 시험하는 데 강합니다. 따라서 Digital Twin의 행위를 안정적으로 표현하려면: **Big Data → AI Learning → Simulation Model → Virtual Experiment** 처럼 두 방식을 결합하는 접근이 중요합니다.