Embargo
배포일자 : 2026.11.9.(월)				배포번호 : 2026-80호
문의	피지컬AI연구소		피지컬AI플랫폼연구본부장		정영준(042-860-6397)	E-mail : jjing@etri.re.kr
	피지컬AI플랫폼연구본부		엣지AI플랫폼연구실		나갑주(042-860-0921)	E-mail : funkygap@etri.re.kr
	엣지AI플랫폼연구실		책임연구원		조창식(042-860-5942)	E-mail : cscho@etri.re.kr
	대외협력부		홍보실장		정길호(042-860-0670)	E-mail : khchong@etri.re.kr
	홍보실		행정원		임유리(042-860-0738)	E-mail : yuri@etri.re.kr
매수 : 보도자료 3매(참고자료 5매, 사진자료 10매)						배포처 : ETRI 홍보실

ETRI, AI전문가 없이도 AI개발 가능한 기술공개

- 노코드 기반‘탱고’AI통합 개발도구 오픈소스로 공개

- 공장·의료·농업·조선 등 산업·현장 AI개발 활용지원

- 11일, 과기회관서 탱고 오픈 커뮤니티 컨퍼런스 개최

국내 연구진이 인공지능(AI) 전문 지식이 부족한 산업 현장 실무자도 산업현장에서 필요한 AI 모델과 서비스를 손쉽게 개발할 수 있도록 돕는 통합개발도구를 공개한다. AI 개발의 진입장벽을 낮춰 다양한 산업의 AI 전환과 국내 소프트웨어 산업 경쟁력 강화에 기여할 전망이다.

한국전자통신연구원(ETRI)은 산업현장 전문가들이 직접 AI 모델을 개발하고 활용할 수 있도록 지원하는 노코드(No-code) 기반의 AI 통합개발도구‘탱고(TANGO)'를 오픈소스로 공개했다고 밝혔다.

탱고는 AI 모델의 학습부터 최적화, 배포까지 개발 전 과정을 자동화하는 통합개발 도구이다. 복잡한 프로그래밍 없이 웹 브라우저에서 필요한 기능을 선택하고 실행할 수 있어 AI 비전문가도 쉽게 활용할 수 있다.

기존에는 AI 서비스를 개발하려면 현장 전문가가 데이터를 준비하고, AI 전문가가 모델을 학습시키며, 소프트웨어 개발자가 이를 실제 시스템에 적용해야 했다. 반면 탱고는 이러한 과정을 하나의 도구로 통합해 개발에 필요한 시간과 전문인력 확보 부담을 줄일 수 있다.

ETRI는 지난 2021년부터 5년간 탱고 기술을 개발해 왔다. 영상인식 등 컴퓨터 비전 분야의 AI 개발을 지원하는 '탱고1'에 이어, 최근에는 생성형 AI와 대규모 언어모델(LLM)까지 지원하는 '탱고2'로 기능을 확장했다.

특히 탱고2는 산업별 데이터로 LLM을 학습·관리하고 실제 서비스에 적용하는 과정을 지원한다. 개발한 AI 모델을 클라우드, 기업 내부 서버, 개별 기기 등 다양한 환경에 맞춰 최적화하고 배포할 수 있는 것이 특징이다.

연구진은 탱고2의 핵심기술인 생성형 AI 개발·운영 솔루션 ‘LLMOps’ 을 세계 최대 오픈소스 개발 플랫폼인 깃허브(GitHub)에 공개했다. 기존 컴퓨터 비전 기반의 탱고1도 지속적으로 유지·관리하고 있다.

ETRI는 공동연구기관 및 기업들과 협력해 탱고 기술의 산업현장 적용도 확대하고 있다. 탱고 LLMOps 개발도구는 ㈜아크릴의 상용제품인 조나단(Jonathan) 개발과 연계되어 즉시 사업화가 가능하도록 추진 중이다.

조선·해양 분야에서는 에이브노틱스가 다양한 센서 정보를 AI로 분석해 선박의 안전 운항을 지원하는 자율항해 솔루션을 실증하고 있다. 농업 분야에서는 슈어데이타랩이 농업 전문가의 경험과 지식을 학습한 생성형 AI 서비스를 농가에 구축하고 사업화를 추진 중이다.

의료 분야에서는 서울대병원이 대규모 흉부 컴퓨터단층촬영(CT) 영상과 판독문 데이터를 활용해 의료영상 판독문을 자동 생성하는 기술을 개발했다. 향후 서울대병원과 분당서울대병원에서 심폐혈관 질환 예측 서비스를 실증할 예정이다.

기술사업화 성과도 이어지고 있다. 에이전트 AI 전문기업 페르소나에이아이는 지난 4월 과학기술정보통신부·정보통신기획평가원(IITP)와 ETRI가 공동으로 개최한 ‘ICT 기술사업화 페스티벌’을 통해 탱고 기술을 이전받아 LLMOps 역량을 강화하고 있다. 기업의 지식과 데이터를 활용해 업무를 이해하고 실행하는 AI 에이전트 플랫폼 'GEN STATION'을 중심으로 업무 혁신을 추진하고 있으며, 기술 경쟁력을 인정받아 국가AI 대상을 수상했다. 최근에는 AI 에이전트와 로봇을 결합한 피지컬 AI 분야로 사업을 확대하고 있다.

국제표준화와 학술 성과도 거뒀다. 고려대학교 김찬우 교수 연구팀이 개발한 프롬프트 최적화 알고리즘은 국제학술지 'IEEE/ACM TASLP'에 게재됐다. ETRI는 국제전기통신연합(ITU-T)에서 노코드 LLMOps 기술의 국제표준화를 추진하고 있으며, 2027년 5월 최종 승인을 목표로 하고 있다.

정보통신기획평가원(IITP) 김태호 SW PM은 "탱고는 국내 공개 소프트웨어 연구개발의 대표적인 성과로, AI 개발도구 분야의 기술 자립과 국내 소프트웨어 산업 경쟁력 강화에 크게 기여하고 있다"고 평가했다.

ETRI 조창식 책임연구원도 "탱고는 AI 전문가가 아니더라도 산업현장에서 필요한 AI 서비스를 직접 개발할 수 있도록 지원하는 기술"이라며 "앞으로도 개발 성과와 현장 적용 경험을 공개하고, 기업들이 실질적으로 활용할 수 있는 AI 개발 환경을 제공하겠다"고 말했다.

ETRI는 오는 11일, 서울 강남구 한국과학기술회관에서‘제5회 탱고 공개 세미나'를 개최한다. 이번 행사에서는 탱고2의 주요 기능과 개발 성과, 산업현장 적용 사례 등을 공유할 예정이다. 5회 탱고 컨퍼런스는 에서 등록 신청할 수 있다.

앞서 열린 네 차례의 공개 세미나에는 총 552개 기관에서 944명이 참여했다. 연구진은 앞으로도 정기적으로 소스코드를 공개하고 산·학·연 협력을 통해 AI 개발 생태계를 확대할 계획이다.

한편, 이번 연구는 과학기술정보통신부와 정보통신기획평가원(IITP)의‘신경망 응용 자동생성 및 실행환경 최적화' 및‘생성형AI 지원 시스템SW 프레임워크' 과제의 지원을 받아 수행됐다.<보도자료 본문 끝>

용어설명

1) 노코드 : 코딩 경험이 부족한 사람을 위해 사용자 친화적인 인터페이스로 보다 빠르고 정확하게 응용개발이 가능토록 돕는 개발방식

2) 생성형AI 개발도구(LLMOps) : LLMOps는 LLM Operations의 약자로, 데이터 준비, 학습, 튜닝, 배포, 운영 등을 포함한 대형 언어 모델(LLM) 학습의 라이프 사이클을 관리하는 기술 및 도구

3) 기계학습 개발도구(MLOps) : MLOps는 Machine Learning Operations의 약자로, 데이터 전처리, 모델 개발, 배포, 운영 등을 포함한 기계학습의 라이프 사이클을 관리하는 기술 및 도구

4) 깃허브 주소 :

5) 탱고(TANGO) : TANGO (Target Aware No-code neural network Generation and Operation framework)

6) 쿠버네티스 온프레미스 환경 : 공장, 병원 등에서 보안상의 이유로 클라우드 환경 대신 자체 서버나 데이터센터를 운영하는 환경을 의미함. 즉 외부 서비스 제공업체의 인프라를 사용하지 않고, 자체 물리적인 인프라(서버, 네트워크 등)에서 쿠버네티스를 배포하고 관리하는 것을 의미. 쿠버네티스(Kubernetes)는 컨테이너화된 애플리케이션을 배포하고 관리하는 오픈 소스 시스템임

7) 데이터 라벨링 : 인공지능(AI) 모델을 훈련시키기 위해 데이터를 식별하고 주석을 추가하는 과정으로, 학습 모델이 데이터를 이해하고 예측할 수 있도록 도와줌. 예를 들어, 이미지 인식 모델을 훈련시키기 위해 사진에 담긴 객체(예: 고양이, 개, 자동차 등)에 대한 설명(라벨)을 추가

참고1

2026년 제5회 탱고 커뮤니티 컨퍼런스 행사

□ 행사 개요

○ (목적) 기존 산업에서도 인공지능 응용SW를 손쉽게 개발할 수 있도록 지원하는 SW R&D 과제의 핵심 알고리즘 공개 및 홍보

- 금번 5회 행사로, 이후로도 반기별로 새로운 버전의 소스코드를 공개하고, 연 1회(하반기) 공개 세미나 개최

○ (행사명) 인공지능 기술의 대중화를 위한 TANGO 커뮤니티 5회 컨퍼런스

※ TANGO(Target Aware No-code neural network Generation and Operation framework)는 본 과제의 개발·확산을 지원하기 위한 오픈소스 커뮤니티의 명칭

○ (일시/장소) 11.11(수) 13:30~17:30 / 서울 과학기술회관 대회의실2

○ (주관/후원) ETRI / 아크릴, 에이브노틱스, 슈어데이타랩, 서울대병원, 고려대학교, 알티스트, KETI, TTA, 한국인공지능협회

○ (주요내용) 본 과제를 운영하는 오픈소스 커뮤니티 및 현재까지 개발된 핵심 기술 소개를 통한 외부 개발자·사용자 유인

○ (참석 현황) 2025년 4회 행사의 경우, 205개 기관, 313명 참석, 사전등록자 총 594명

□ 행사 팸플릿

□ (행사 사진) - 2025년 4회 행사

참고2

LLMOps 설명

□ (LLMOps 개념) LLMOps는 생성형AI 개발을 위한 전체 라이프사이클을 관리하며, 단순한 학습 과정뿐만 아니라 LLM을 활용하는 전 과정(데이터 준비 → 학습 → 튜닝 → 배포 → 모니터링)을 자동화하고 최적화하여 통합 개발을 지원

※ LLM (Large Language Model, 대형 언어 모델) 시스템에 DevOps를 적용한 개념

□ 생성형 AI 개발도구 개념도

○ 기존에 배포된 범용의 파운데이션 모델(중국 딥시크, ChatGPT)을 도메인 특화 데이터를 가지고서 추가 학습을 하고, 경량화 과정을 거친 다음, 최종 타겟(클라욷, 엣지, 온디바이스)에 배포하게 됨

○ 학습데이터 생성(증강): 항해 영상·이미지와 선박자동식별장치(AIS) 기록을 시각 기준으로 맞춰 상황 설명·회피 조언 데이터를 만들고, AI가 품질을 판정해 기준에 못 미치는 데이터를 걸러냄

○ 비전언어모델 학습: 글만 다루던 언어모델 학습 기능을 이미지와 글을 함께 이해하는 비전언어모델(VLM)까지 확장하고, 학습 진행 상황과 지표를 화면에 표시

○ 파인튜닝 : 이미 일반적인 언어 능력을 갖춘 모델(예: GPT, LLaMA 등)에 추가적인 데이터를 학습시켜, 특정 도메인(조선, 의료, 농업 등)이나 특정 작업(요약, 질의응답 등)에 특화되도록 만드는 방법

○ 모델 평가: 학습 중간 결과를 자동으로 평가하고, 여러 전문가가 평가 데이터를 나눠 맡아 화면에서 모델 답변을 직접 채점하는 전문가 평가 지원

○ 프롬프트 최적화: 입력·출력 예시 몇 개만 넣으면 모델에 주는 지시문(프롬프트)을 자동으로 다듬어 답변 품질을 높임

○ 경량화·현장 배포: 양자화(Q4·Q5·Q6)로 모델 용량을 줄인 뒤 젯슨 오린(Jetson Orin) 같은 현장 소형 장비로 보내 실행·중지하고 장비 자원 상태를 확인, 기관 장비 연동 규격과 예제 프로그램 제공

□ 탱고 LLMOps 실행화면

<탱고 LLMOps 실행화면>

참고3

조선 실증 - 항해사 의사결정 지원 AI항해 조력시스템

□ 생성형 AI 기반 해상 상황 인식 및 항해 조력 시스템 구축

○ 카메라, 레이더, AIS 등 다양한 센서 정보를 융합해 주변 해상 상황을 인식하고, 숙련된 항해사의 판단 능력과 국제 항법 규칙을 생성형 AI로 구현하여 충돌 위험을 예측하고 안전한 항해를 지원하는 AI 기반 항해 의사결정·조력 시스템 구축

- (해상 데이터) 카메라 영상, 레이더, AIS 등 다양한 선박 센서 정보와 실제 항해 시나리오를 활용하여 복잡한 해상 상황을 학습하기 위한 데이터셋 구축

- (멀티모달 AI) 시각언어모델(VLM)을 활용하여 주변 선박의 위치와 움직임, 충돌 위험 등을 종합적으로 분석하고, 사람이 이해하기 쉬운 자연어로 해상 상황을 묘사

- (항해 의사결정 AI) 소형언어모델(sLLM)을 활용하여 선박 간 충돌 위험을 판단하고, 국제해상충돌예방규칙에 근거한 최적의 회피 방향과 속력 조절 등 구체적인 항해 조언 생성

- (항해 안전성 검증) 항해 조언에 적용된 항법 규칙과 예상 최근접거리(CPA)를 함께 제시하여 판단의 신뢰성을 높이고, 전문 항해사의 평가를 통해 조언의 안전성과 정확성을 검증

- (지속적인 성능 개선) 실제 항해 상황과 사고 사례를 활용하여 AI의 판단 오류를 분석하고, 다양한 선박과 운항 환경에 대응할 수 있도록 해상 상황 인식 및 항해 조력 성능을 지속적으로 고도화

참고4

농업 실증 – 암묵지 기반 농작물 생육 환경 제어

□ 농업전문경영인의 암묵지 데이터와 농업 전문 기관의 지침서를 기반으로 하는 생성형AI와 자동 정밀 제어를 위한 액션 에이전트를 결합하여 소프트웨어가 농작물 생육 환경의 제어·관리·최적화를 수행하는 농업 특화 시스템 구축

※ 암묵지 (tacit knowledge) : 경험과 학습을 통해 체화되었지만, 말이나 글로 표현하기 어려운 개인에게 축적된 지식

- '노하우'와 비슷한 개념으로 사용

- 반대 개념은 책이나 문서처럼 명확하게 표현되어 공유하기 쉬운 형식지(explicit knowledge)

○ 소프트웨어 정의 농업 특화 실증 시스템 구축

- (데이터) 센서·제어기로 수집되는 작물 재배 환경 정보, 농업전문기관의 지침서, 농업전문경영인의 제어 이력과 재배 경험 지식(암묵지)

- (생성형AI) 실시간 환경 정보와 암묵지를 기반으로 생성형AI를 활용하여 최적의 생육 환경 제어 정보 도출

- (액션 에이전트) 실시간 데이터 수집부터 생성형AI와 연동, 실제 환경 제어 명령 수행까지 농작물 생육 환경 제어의 핵심 역할을 수행

- (엣지 클러스터) 액션 에이전트, 로컬 저장소 등을 탑재하고 단일 농장의 실시간 제어를 위한 플랫폼

- (SDF 클라우드) 생성형AI 지원 서비스, 글로벌 저장소 등을 탑재하고 전체 농장의 데이터 통합 관리, 모니터링, 원격 제어 등을 제공

- (사용자 앱) 농업인이 스마트폰에서 본인이 소유한 농장을 원격으로 모니터링하고 제어할 수 있는 앱

참고5

의료 실증 - 흉부 CT 영상 판독

□ 대규모 흉부 CT 영상과 판독문을 활용하여 흉부 전체 구조와 작은 병변의 특징을 함께 학습하는 AI 파운데이션 모델 ‘JECT(Joint Embedding for Computed Tomography)’ 개발 및 심폐혈관 질환 진단 지원 기술 고도화

○ 흉부 CT 파운데이션 모델 개발

- 두 기관의 비식별 흉부 CT 약 17만 3천 건을 활용하여, 다양한 흉부 이상 소견의 분류 및 병변 위치 분석에 활용할 수 있는 3차원 영상 AI 파운데이션 모델 개발

- 영상의 전체적인 해부학적 구조와 작은 폐결절 등 국소 병변의 세부 특징을 함께 학습하는 계층형 구조를 적용하고, 판독문의 임상 정보를 학습에 활용하여 영상 이해 능력 강화

○ AI 모델 성능 검증 및 활용 기술 개발

- 기존 공개 AI 모델과 비교하여 흉부 CT의 44개 이상 소견 분류 성능(AUROC 0.849)과 폐결절 위치 분석 성능(AUROC 0.927)을 확인하였으며, 두 평가 모두 비교 모델 대비 높은 성능을 기록

- 학습된 모델을 기반으로 병변 검출, 영역 분할, 이상 소견 분류 등 다양한 CT 영상 분석 기술을 개발하고, 향후 자동 판독문 생성 및 심폐혈관 질환 예측 기술로 확장 추진

○ 의료 현장 실증

- 분당서울대병원을 대상으로 흉부 CT 기반 AI 진단 지원 서비스의 의료 현장 실증 추진

- 실제 임상 환경에서 AI 모델의 진단 성능과 활용 가능성을 평가하고, 의료진의 영상 판독 업무를 지원하는 AI 서비스로 고도화