디토닉이 말한 미래 전장 AI, 데이터 많이 모으는 것보다 ‘같은 상황 이해’가 핵심

• 디토닉이 국방 유무인복합체계(MUM-T)에서 AI가 맡아야 할 역할을 “상황 인식”으로 잡음

  • 전용주 대표가 6월 9일 대전컨벤션센터에서 열린 AI 기반 MUM-T 발전 세미나에서 발표함
  • 발표 주제는 AI 데이터 플랫폼 기반 MUM-T 전장 상황인식 체계였고, 핵심 키워드는 상황 맥락(Situational Context)과 상호 상황인식(Shared Awareness)임

• 디토닉이 보는 미래 전장의 문제는 “정보 부족”이 아니라 “정보 과잉을 제때 이해하지 못하는 것”임

  • 센서와 플랫폼에서 데이터와 이벤트가 계속 쏟아지는데, 이걸 단순히 모으는 것만으로는 작전 판단이 빨라지지 않는다는 얘기임
  • 전 대표는 AI가 여러 데이터와 이벤트를 연결해 지금 어떤 상황이 형성되는지 파악하고, 모든 전술 주체가 같은 그림을 보게 해야 한다고 설명함

• 기존 국방 정보체계가 센서 융합(Sensor Fusion)과 표적 추적 정보 통합(Track Integration)에 집중했다면, 다음 단계는 의미 해석임

  • 센서 융합은 여러 센서에서 들어온 데이터를 하나로 합치는 쪽에 가깝고, 표적 추적 정보 통합은 추적 대상 정보를 맞춰보는 쪽임
  • 디토닉은 여기서 한 발 더 나아가 AI가 분산된 정보의 의미와 관계를 해석해야 한다고 봄
  • 즉 “어디에 뭔가 있다”를 넘어서 “지금 이 이벤트들이 합쳐져 어떤 전술 상황을 만들고 있나”를 이해해야 한다는 방향임

• MUM-T 환경에서는 이 문제가 더 커짐

  • 유인 플랫폼, 무인 플랫폼, 지휘통제체계, 전장 감시 자산이 동시에 작전에 참여하기 때문임
  • 각 주체가 데이터를 따로 보고 따로 판단하면, 같은 작전 안에서도 판단이 어긋날 수 있음
  • 그래서 단순 정보 공유보다 한 단계 높은 상호 상황인식(Shared Awareness)이 필요하다는 게 발표의 핵심임

• 디토닉은 이걸 구현하기 위한 기반으로 자사 초고속 시공간 데이터 처리 엔진 지오하이커(Geo-Hiker)를 제시함

  • 전장 전역의 데이터를 실시간 수집·처리하는 엔진으로 설명됨
  • 여기에 온톨로지(Ontology) 기반 의미 분석, 하이브리드 RAG, 다중 에이전트(MAS) 기술을 결합한다고 밝힘
  • 목표는 흩어진 개별 이벤트를 하나의 상황 맥락으로 연결하는 AI 체계를 만드는 것임

sequenceDiagram
    participant 감시자산
    participant 지오하이커
    participant 상황인식AI
    participant 지휘부
    participant 유무인전력
    감시자산->>지오하이커: 센서·이벤트 데이터 전송
    지오하이커->>상황인식AI: 시공간 데이터 실시간 처리 결과 전달
    상황인식AI->>상황인식AI: 온톨로지·하이브리드 RAG·다중 에이전트로 맥락 해석
    상황인식AI->>지휘부: 공유 상황 인식 제공
    지휘부->>유무인전력: 의사결정과 임무 지시 공유
    유무인전력->>상황인식AI: 작전 상태와 현장 이벤트 피드백

• 발표 뒤에는 국방과학연구소, 안두릴, 에이팀벤처스 관계자들과 토론도 이어짐

  • 참석자들은 미래 MUM-T 체계에서 AI 기반 상황인식과 공유 체계가 중요하다는 데 공감함
  • 논의는 관련 기술 발전 방향과 준비 현황으로 이어졌다고 함

• 개발자 관점에서 보면 이건 국방판 “복잡한 분산 시스템의 공통 상태 만들기” 문제에 가까움

  • 데이터 소스는 많고, 처리 지연은 치명적이고, 각 노드가 다른 상태를 믿으면 전체 시스템 판단이 깨짐
  • 그래서 시공간 데이터 처리, 의미 모델링, 검색 증강 생성, 에이전트 협업 같은 기술이 한 묶음으로 등장함
  • 국방이라는 도메인만 빼고 보면, 대규모 관제·물류·재난 대응 시스템에서도 비슷한 구조의 문제가 반복됨

기술 맥락

• 여기서 디토닉이 고른 방향은 단순한 AI 챗봇이 아니라, 전장 데이터를 실시간으로 해석하는 상황인식 AI예요. 왜냐하면 MUM-T에서는 유인 장비와 무인 장비, 지휘체계, 감시 자산이 동시에 움직여서 데이터가 많아질수록 오히려 판단이 꼬일 수 있거든요.

• 지오하이커가 먼저 나오는 이유는 전장 데이터가 기본적으로 시간과 위치를 가진 이벤트이기 때문이에요. 누가 어디서 언제 무엇을 감지했는지를 빠르게 묶지 못하면, 그 위에 어떤 AI를 올려도 상황 판단이 늦어져요.

• 온톨로지와 하이브리드 RAG를 붙이는 건 “검색한 문장을 그럴듯하게 말하는 AI”를 만들려는 게 아니에요. 센서 이벤트, 표적, 작전 주체, 지휘 정보 사이의 관계를 해석해서 현재 상황의 의미를 만들려는 쪽에 가까워요.

• 다중 에이전트 구조가 언급된 것도 자연스러워요. 전장 전체를 하나의 모델이 통째로 판단하기보다, 역할이 다른 여러 AI가 감시, 해석, 판단 지원 같은 일을 나눠 처리해야 Shared Awareness를 만들 가능성이 커지거든요.