Applied Computing, 석유·가스 사업자를 위한 전체 플랜트 AI 모델 개발 추진

대부분의 산업용 AI 사례는 익숙한 패턴을 따릅니다. 펌프, 파이프라인, 유지보수 일정 같은 한 가지를 최적화하는 포인트 솔루션 말입니다. Applied Computing은 이것이 잘못된 추상화 수준이라고 판단합니다. 런던 기반 스타트업은 석유, 가스, 석유화학 플랜트 전체를 위한 기초 AI 모델을 구축하려고 합니다. 최근 2,000만 달러 규모의 시리즈 A 펀딩은 주요 자본이 이 방향에 동의하기 시작했음을 시사합니다. 중공업에서 AI가 실제로 어디에 적용되고 있는지 추적하는 개발자와 창업자라면 이 신호는 주목할 가치가 있습니다.

Applied Computing이 제시하는 비전은 석유·가스 사업자를 위한 전체 플랜트 AI 모델입니다. 단순한 대시보드나 이상 탐지기가 아니라, 센서 스트림, 엔지니어링 문서, 공정 물리학을 동시에 수집하는 통합 모델입니다. 이러한 야심은 대부분의 산업용 소프트웨어와는 다른 범주에 속하며, 그 영향은 북해를 훨씬 넘어 확장됩니다.

무엇이 일어났는가

2023년 설립되어 런던에 본사를 둔 Applied Computing은 엔지니어링 대기업 KBR이 주도하고 Databricks Ventures도 참여한 2,000만 달러 규모의 시리즈 A 펀딩을 확보했습니다. 이 라운드는 규모뿐 아니라 투자자의 정체성으로도 주목할 만합니다. KBR은 세계 최대 규모의 엔지니어링 및 정부 서비스 기업 중 하나로, 석유화학 플랜트 설계 및 운영에 깊은 뿌리를 두고 있습니다. 이는 투기적 벤처 캐피탈이 아니라 업계 기존 기업이 전략적 베팅을 하는 것입니다.

Applied Computing이 해결하려는 핵심 문제는 대규모 데이터 단편화입니다. 단일 석유, 가스, 석유화학 시설에는 온도, 압력, 속도, 점도 및 수십 개의 다른 변수를 동시에 측정하는 수천 개의 센서가 있을 수 있습니다. 운영자들은 이미 대부분의 데이터를 수집하고 있습니다. 공동 창립자이자 CEO인 Callum Adamson에 따르면, 현재 시설들은 이용 가능한 데이터의 8% 미만을 사용하여 운영 결정을 내리고 있습니다. 나머지는 사일로에 갇혀 있습니다. 센서 데이터가 엔지니어링 문서와 단절되어 있고, 공정 화학 모델이 실시간 운영 데이터와 소통하지 않습니다.

Applied Computing이 구축하는 솔루션은 석유, 가스, 정유, 석유화학 시스템의 특정 물리학, 화학, 운영 패턴으로 학습된 기초 모델입니다. 이를 도메인 특화 대규모 모델이라고 생각하면 됩니다. 산업 프롬프트로 개조된 범용 LLM이 아니라, 이들 플랜트가 실제로 어떻게 작동하는지를 지배하는 열역학, 유체 역학, 반응 동역학을 중심으로 아키텍처와 학습 데이터가 구축된 모델입니다.

Databricks Ventures의 참여도 주목할 만합니다. Databricks는 자사의 데이터 레이크하우스 플랫폼을 엔터프라이즈 AI의 인프라 계층으로 적극 포지셔닝하고 있습니다. 이들의 참여는 Applied Computing의 접근 방식(구조화된 센서 데이터와 비정형 엔지니어링 문서 융합)이 진정한 엔터프라이즈 AI 데이터 파이프라인이 나아가는 방향과 일치함을 시사합니다.

아시아에 미치는 의미

아시아는 석유, 가스, 석유화학 산업에서 수동적인 관찰자가 아닙니다. 이 지역은 인도의 Reliance Jamnagar 정유소(용량 기준 세계 최대)에서 싱가포르의 Jurong Island, 태국의 Map Ta Phut, 말레이시아와 인도네시아의 확장되는 하류 클러스터에 이르기까지 세계 최대 규모의 정유 및 석유화학 복합체를 보유하고 있습니다. 동남아시아만 해도 전 세계 정유 용량의 상당한 비중을 차지하고 있으며, 지역 에너지 수요가 계속 증가함에 따라 그 용량도 증가하고 있습니다.

이러한 시설들은 Applied Computing이 설명하는 정확한 단편화 문제에 직면해 있습니다. 많은 시설들이 AI 준비 상태를 염두에 두고 설계되지 않은 레거시 분산 제어 시스템(DCS)과 SCADA 인프라에서 운영되고 있습니다. 데이터는 OSIsoft PI가 가장 일반적인 독점 히스토리안 데이터베이스에 저장되어 있으며, 이 데이터를 현대적 AI 모델이 사용할 수 있는 형태로 변환하려면 상당한 엔지니어링 작업이 필요합니다. "우리는 많은 데이터를 수집한다"와 "우리는 그 데이터로 의사결정을 한다" 사이의 격차는 아시아의 오래된 시설에서 다른 어느 곳보다 더 클 수 있습니다.

아시아 기술 관점에서 이 투자 논리도 중요합니다. KBR이 이 라운드를 주도한다는 것은 이들 플랜트를 설계, 구축, 운영하는 엔지니어링 계약업체가 AI 계층에 직접 자금을 투자한다는 의미입니다. 이는 조달 신호입니다. 이는 아시아의 엔지니어링 계약업체들(많은 경우 KBR의 파트너 또는 경쟁사)이 고객들에게 유사한 AI 기능을 제공하도록 압박받을 것임을 시사합니다. 싱가포르, 쿠알라룸푸르, 뭄바이에서 산업용 AI 도구를 구축하는 스타트업과 개발자들은 이를 주의 깊게 살펴봐야 합니다.

또한 인재 역학도 주목할 만합니다. 아시아는 세계 화학 엔지니어와 공정 엔지니어의 상당한 비중을 배출합니다. 공정 산업을 위한 기초 모델이 성숙해짐에 따라, 도메인과 AI 도구를 모두 이해하는 엔지니어들은 엄청난 가치를 지니게 될 것입니다. 그 교집합(공정 도메인 지식 + AI 엔지니어링)이 실제 영향력이 있는 곳이며, 아시아 대학들은 이를 배출할 수 있는 좋은 위치에 있습니다.

개발자에게 의미하는 바

산업용 AI 또는 에너지 기술 분야에서 개발하고 있다면, Applied Computing의 접근 방식은 신중하게 검토할 가치가 있는 몇 가지 아키텍처 아이디어를 제시합니다.

도메인 특화 기초 모델이 진정한 경쟁 우위입니다. 범용 LLM은 공정 엔지니어링이 요구하는 정밀도에서 어려움을 겪습니다. 모델이 열교환기의 오염 속도와 하류 컬럼 성능 간의 상호작용을 추론해야 할 때, 기저의 열역학적 관계를 내재화해야 합니다. 단순히 그에 대한 텍스트 패턴 매칭이 아닙니다. Applied Computing의 베팅은 이들 시스템의 특정 물리학으로 모델을 학습시키는 것이 범용 모델을 프롬프트 엔지니어링하는 것보다 질적으로 더 나은 추론을 생성한다는 것입니다. 이 베팅이 성공한다면, 진정으로 복제하기 어려운 데이터 및 학습 경쟁 우위를 확립하게 됩니다.

센서 데이터 + 비정형 문서는 어려운 융합 문제입니다. 대부분의 산업용 AI 프로젝트는 모델 수준이 아니라 데이터 파이프라인 수준에서 실패합니다. 시계열 센서 스트림(높은 빈도, 구조화, 수치)과 엔지니어링 문서(PDF, P&ID, 장비 데이터시트 - 비정형, 이질적)를 결합하려면 신중한 데이터 아키텍처가 필요합니다. 유사한 문제를 다루는 개발자들은 비정형 계층의 임베딩 전략과 센서 이벤트와 이를 설명하는 문서 간의 시간적 정렬을 어떻게 처리할지에 대해 신중하게 생각해야 합니다.

통합 계층이 프로젝트가 막히는 지점입니다. 훌륭한 모델이 있어도 플랜트의 히스토리안에서 데이터를 추출하여 현대적 AI 파이프라인으로 옮기는 것은 어렵습니다. OSIsoft PI, Honeywell PHD 및 유사한 시스템에는 API가 있지만, 고처리량 ML 워크로드를 위해 설계되지 않았습니다. 이 분야에서 개발하는 개발자들은 커넥터(레거시 OT 시스템과 현대적 데이터 인프라 간의 배관)에 불균형적으로 많은 시간을 소비하게 될 것입니다. 이 계층을 깔끔하게 추상화하는 모든 플랫폼은 진정한 이점을 가집니다.

물리 정보 AI가 주목받고 있습니다. Applied Computing의 접근 방식은 암묵적으로 물리 정보 기계 학습에 의존합니다. 모델의 출력이 알려진 물리 법칙과 일치하도록 제약하는 아이디어입니다. 이는 순수 데이터 기반 접근 방식에서 의미 있는 출발이며, 물리적으로 불가능한 상태를 예측하는 모델이 쓸모없는 것보다 나쁜 안전 중요 산업에서 특히 중요합니다. 이 분야에서 개발하는 개발자들은