항공 인증 및 AI 보증을 위한 W-모델(W-Model) 프레임워크

2025-11-30, G30DR

1. 서론: 항공 시스템 엔지니어링의 진화와 복잡성

현대 항공 산업은 유례없는 기술적 전환점에 서 있다. 전동화(Electrification), 자율 비행(Autonomous Flight), 그리고 인공지능(AI)의 도입은 기존의 항공기 개발 및 인증 패러다임을 근본적으로 뒤흔들고 있다. 항공기 인증(Certification)의 핵심은 ’감항성(Airworthiness)’을 입증하는 것이며, 이는 항공기가 운용 수명 동안 안전하게 비행할 수 있음을 공학적, 절차적으로 보증하는 행위다. 지난 수십 년간 이 감항성을 입증하는 표준 프로세스는 ARP4754(시스템 개발)와 DO-178(소프트웨어 인증)로 대표되는 ’V-모델(V-Model)’이었다. V-모델은 요구사항의 분해(Decomposition)와 검증(Verification)이 대칭을 이루는 구조로, 결정론적(Deterministic) 시스템을 다루는 데 최적화되어 있다.1

그러나 머신러닝(ML)과 딥러닝(DL)을 포함한 AI 기술의 부상은 V-모델의 한계를 드러냈다. AI 시스템은 명시적인 코드가 아닌 방대한 데이터로부터 기능을 학습하며, 그 동작은 확률적이고 비결정론적인 특성을 갖는다. “요구사항을 코드로 구현하고 테스트한다“는 V-모델의 선형적 논리는 “데이터를 통해 모델을 학습시키고 일반화 성능을 입증한다“는 AI의 특성과 배치된다.3 이에 따라 유럽항공안전청(EASA)을 중심으로 AI 시스템의 학습 보증(Learning Assurance)을 위한 새로운 인증 프레임워크인 ’W-모델(W-Model)’이 제안되었다.

동시에, 항공기 운용 단계의 데이터를 설계 개선으로 환류(Feedback)시켜 부품의 신뢰성을 지속적으로 향상시키기 위한 ‘신뢰성 중심 W-모델(Reliability-Centered W-Model)’ 또한 논의되고 있다.5 본 보고서는 항공 인증 분야에서 거론되는 이 두 가지 형태의 W-모델을 포괄적으로 분석한다. 특히 현재 가장 시급한 현안인 EASA의 AI W-모델을 중심으로, 그 구조적 특징, 세부 프로세스, 이론적 배경, 그리고 기존 V-모델과의 차이점을 심층적으로 규명한다. 아울러 이 모델이 항공 산업에 던지는 시사점과 향후 과제를 제언한다.

2. 기존 인증 체계의 구조와 한계

2.1 V-모델: 결정론적 안전성의 표준

항공기 시스템 개발의 표준인 SAE ARP4754A와 소프트웨어 인증 표준인 RTCA DO-178C는 철저하게 V-모델에 기반한다. V-모델은 개발 생명주기를 ’계획 및 정의(왼쪽 축)’와 ’검증 및 통합(오른쪽 축)’으로 구분한다.

V-모델의 핵심 철학은 **‘추적성(Traceability)’**이다. 모든 소스 코드는 특정 요구사항에서 파생되어야 하며, 모든 요구사항은 상위 시스템 안전성 평가(SSA: System Safety Assessment)에 근거해야 한다. 이 구조는 입력값에 대해 항상 예측 가능한 출력값을 내놓는 결정론적 시스템을 전제로 한다.1

2.2 V-모델의 구조적 한계와 ’소프트웨어 W-모델’의 태동

V-모델은 강력하지만, 구현이 완료된 후에야 본격적인 테스트가 시작된다는 구조적 단점을 안고 있다. 이는 개발 후반부에 결함이 발견될 경우 수정 비용이 기하급수적으로 증가하는 ’비용의 늪’을 초래한다. 이를 해결하기 위해 소프트웨어 공학 분야에서는 일찍이 **‘소프트웨어 W-모델(Double-V Model)’**을 도입하였다.8

• 동시성(Concurrency): 개발 단계(V의 왼쪽)가 진행됨과 동시에 해당 단계에 상응하는 테스트 설계 및 검증 준비를 병행한다.
• 조기 검증: 요구사항이 정의되는 즉시 테스트 케이스를 작성함으로써, 코드가 한 줄도 작성되기 전에 요구사항 자체의 결함을 찾아낸다.1

이 ‘Double-V’ 형태의 W-모델은 DO-178C 환경에서도 검증 효율성을 높이기 위해 권장되나, 이것이 본 보고서에서 중점적으로 다룰 ’AI 인증을 위한 W-모델’과는 구별되는 개념임을 명확히 할 필요가 있다. 현재 항공 인증의 뜨거운 감자는 ’효율성’을 위한 W-모델이 아니라, AI라는 새로운 ’물질’을 다루기 위한 ‘필연적’ W-모델이기 때문이다.

2.3 AI 시스템의 도입과 ‘블랙박스’ 문제

인공지능, 특히 심층 신경망(DNN) 기반의 시스템은 전통적인 소프트웨어와 근본적으로 다른 특성을 가진다.

1. 비명시적 로직: 개발자가 if-then 규칙을 작성하는 것이 아니라, 알고리즘이 데이터의 패턴을 학습하여 스스로 규칙을 생성한다. 이는 DO-178C가 요구하는 “요구사항에서 코드로의 추적성“을 불가능하게 만든다.4
2. 데이터 의존성: 시스템의 성능과 안전성이 코드 품질보다 훈련 데이터(Training Data)의 품질(대표성, 완결성, 정확성)에 전적으로 의존한다.13
3. 확률적 동작: 99.9%의 정확도를 가진 모델이라도, 학습하지 않은 예외 상황(Edge Case)이나 적대적 예제(Adversarial Example)에 대해서는 예측 불가능한 거동을 보일 수 있다.

이러한 특성 때문에 기존의 V-모델로는 AI 시스템의 감항성을 보증할 수 없다는 결론에 도달하였으며, 이에 EASA는 2020년 ’AI Roadmap’을 통해 완전히 새로운 접근 방식인 **W-모델(W-shaped Process)**을 제안하게 된다.3

3. EASA AI W-모델: 학습 보증(Learning Assurance)의 아키텍처

EASA가 제안한 W-모델은 기존의 시스템 엔지니어링 V-모델 내부에, AI 모델의 학습 과정을 검증하기 위한 또 하나의 V-사이클을 내재화한 형태를 띤다. 이를 통해 전체 프로세스는 ‘W’ 모양을 형성한다. 이 모델의 핵심 목적은 **‘학습 보증(Learning Assurance)’**이다. 즉, AI가 올바르게 학습되었으며, 의도된 대로 일반화(Generalize)되었음을 보증하는 것이다.

3.1 W-모델의 전체 구조

W-모델은 크게 세 가지 주요 축으로 구성된다.13

3.1.1 좌측 축: 시스템 요구사항 및 설계 (System Requirements & Design)

이 단계는 기존 ARP4754A 프로세스와 유사하다. 항공기 수준의 기능을 정의하고, 이를 하위 시스템으로 할당한다. 그러나 AI 시스템을 위한 요구사항 정의에는 몇 가지 추가적인 요소가 필수적이다.

• 운용 설계 범위 (ODD: Operational Design Domain): AI가 동작해야 하는 환경적 조건(조도, 기상, 지형 등)을 명확히 정의해야 한다. 이는 데이터 수집의 기준이 된다.17
• 개념 운영서 (ConOps): AI와 인간 조종사, 혹은 타 시스템 간의 상호작용 시나리오를 정의한다.

3.1.2 중앙 트러프: 학습 보증 (Learning Assurance)

이 부분이 W-모델의 가장 독창적인 영역이다. 전통적인 ‘구현(Coding)’ 단계를 대체하며, 데이터 관리부터 모델 학습, 검증에 이르는 일련의 과정을 포함한다.

• 데이터 관리 (Data Management): 데이터 수집, 전처리, 라벨링, 할당.
• 학습 프로세스 관리 (Learning Process Management): 모델 아키텍처 선정, 하이퍼파라미터 설정.
• 모델 학습 및 검증 (Model Training & Verification): 실제 학습 수행 및 성능 평가.18

3.1.3 우측 축: 구현 및 통합 검증 (Implementation & Integration)

학습이 완료된 모델은 타겟 하드웨어에 탑재(Deployment)된다. 이때 모델은 더 이상 학습하지 않는 ‘동결된(Frozen)’ 상태여야 한다. 이후 하드웨어/소프트웨어 통합 테스트를 거쳐 상위 시스템 검증 단계로 올라간다.20

3.2 상세 프로세스 분석: 학습 보증의 3단계

학습 보증은 AI W-모델의 심장과 같다. EASA의 CoDANN(Concepts of Design Assurance for Neural Networks) 보고서와 가이드라인은 이 과정을 매우 세밀하게 규정한다.15

3.2.1 데이터 관리 (Data Management)

AI 개발에서 데이터는 소프트웨어의 소스 코드와 동등한 지위를 갖는다. 따라서 데이터에 대한 엄격한 품질 관리가 요구된다.

• 데이터 수집 및 대표성: 훈련 데이터는 ODD를 충분히 커버해야 한다. 예를 들어, 시각 기반 착륙 시스템이라면 맑은 날뿐만 아니라 비, 안개, 역광 등 다양한 기상 조건의 데이터를 포함해야 한다.22
• 데이터 독립성 (Data Independence): W-모델은 데이터를 훈련(Training), 검증(Validation), 테스트(Test) 세트, 그리고 경우에 따라 독립적 검증 데이터셋으로 엄격히 분리할 것을 요구한다. 특히 테스트 데이터는 학습 과정 전반에 걸쳐 절대 유출(Data Leakage)되어서는 안 된다. 이는 모델의 성능을 과대포장하는 것을 방지하기 위함이다.15
• 라벨링 품질: 정답지(Label)의 오류는 곧 모델의 오류로 직결된다. 라벨링 과정의 절차적 정당성과 검수 과정이 문서화되어야 한다.

3.2.2 학습 프로세스 관리 (Learning Process Management)

이 단계는 모델이 ‘어떻게’ 학습될지를 설계하는 단계다.

• 알고리즘 선정: CNN, RNN 등 모델 아키텍처를 선정하고 그 근거를 제시해야 한다.
• 하이퍼파라미터 최적화: 학습률(Learning Rate), 배치 크기(Batch Size) 등 학습에 영향을 미치는 변수들의 설정 근거를 마련해야 한다.
• 설명 가능성(Explainability) 고려: 모델의 복잡도와 설명 가능성 사이의 균형을 고려하여 아키텍처를 결정한다.19

3.2.3 학습 프로세스 검증 (Learning Process Verification)

학습된 모델이 과연 안전한지 평가하는 단계다. 단순히 정확도(Accuracy)가 높다고 안전한 것은 아니다.

• 편향-분산 트레이드오프 (Bias-Variance Trade-off): 모델이 훈련 데이터에 과적합(Overfitting, 고분산)되었는지, 아니면 너무 단순하여 패턴을 못 찾는지(Underfitting, 고편향) 분석해야 한다. 최적의 모델은 이 둘 사이의 균형점에서 도출된다.15
• 일반화 보증 (Generalization Guarantee): 훈련에 사용되지 않은 새로운 데이터(Unseen Data)에 대해서도 모델이 강건하게(Robust) 동작함을 통계적, 수학적으로 입증해야 한다.19

4. 안전성 리스크 완화 (Safety Risk Mitigation) 계층

W-모델을 통해 학습 보증을 수행하더라도, AI의 근원적인 불확실성을 100% 제거하는 것은 불가능하다. 이에 EASA는 W-모델 프로세스 외부에 별도의 안전장치인 ‘안전성 리스크 완화(SRM)’ 계층을 둘 것을 요구한다.12

4.1 SRM의 개념 및 필요성

SRM은 “AI가 틀릴 수 있다“는 전제하에 설계된다. 이는 AI 구성요소(Constituent)의 고장이나 오작동이 전체 항공기 수준의 재난적(Catastrophic) 결과로 이어지지 않도록 차단하는 시스템적 방어막이다.

4.2 주요 완화 기법

• 아키텍처적 감시 (Architectural Monitoring): AI 시스템의 출력값을 전통적인 결정론적 알고리즘이나 별도의 센서로 교차 검증하는 모니터(Monitor)를 설치한다. 예를 들어, AI 기반 시각 착륙 시스템이 엉뚱한 경로를 제시하면, 기존의 전파 고도계 기반 시스템이 이를 감지하고 차단(Disengage)한다.
• 운용 제한 (Operational Limitations): AI의 신뢰도가 낮은 특정 ODD(예: 극심한 악천후)에서는 AI 기능을 비활성화하도록 설계한다.
• 설명 가능성 (Explainability): 조종사나 관제사가 AI의 판단 근거를 이해할 수 있도록 정보를 제공하여, 인간이 최종 안전판 역할을 할 수 있게 한다.24

5. 신뢰성 중심 W-모델: 항공기 수명주기 관리

AI 인증과는 별개로, 항공 정비 및 신뢰성 공학 분야에서 사용되는 또 다른 ’W-모델’이 존재한다. 이는 **‘신뢰성 중심 수정 방법론(RCMM: Reliability-Centered Modification Methodology)’**과 결합된 수명주기 프레임워크다.5

5.1 V-모델의 단절과 W-모델의 연결

기존 V-모델은 항공기 인도(Entry into Service)와 함께 프로세스가 종료된다. 운영 중 발생하는 결함 데이터는 다음 항공기 개발에는 반영될지언정, 현재 운용 중인 항공기의 설계 개선으로 즉각 환류되기는 어렵다. 신뢰성 중심 W-모델은 이 단절을 극복하기 위해 제안되었다.

5.2 프로세스 구조

• 첫 번째 V (개발): 초기 항공기 개발 및 인증.
• 연결 고리 (운영 및 데이터 수집): 실제 운항 중 발생하는 고장, 정비 데이터를 실시간으로 수집하고 분석한다.
• 두 번째 V (개선): 수집된 데이터를 바탕으로 문제 부품을 재설계(Redesign)하고 검증하여, 감항성 개선 지시(Airworthiness Directive)나 서비스 불레틴(Service Bulletin) 형태로 현장에 적용한다.

이 모델은 항공기의 30년 이상 수명 동안 지속적으로 안전성을 높이는 ‘폐루프(Closed-loop)’ 시스템을 구축한다는 점에서 의의가 있다.

6. 비교 분석: V-모델 vs. AI W-모델 vs. DevOps

항공 인증의 새로운 흐름을 이해하기 위해, 전통적 모델, AI 특화 모델, 그리고 최신 소프트웨어 트렌드를 비교 분석한다.

6.1 DevOps와의 충돌과 조화

IT 산업에서는 개발과 운영을 통합한 DevOps가 표준이지만, 항공 분야의 W-모델은 ’모델 동결’을 요구하므로 ‘지속적 학습(Continuous Learning)’ 및 ’지속적 배포’와 충돌한다. 운영 중 학습하는 AI는 그 행동을 예측할 수 없기 때문에 현재 인증 체계에서는 허용되지 않는다.26

그러나 연구자들은 W-모델의 내부(특히 학습 보증 단계)에 MLOps의 자동화 도구를 도입하여, 데이터 추적성과 검증 과정을 자동화함으로써 인증 비용을 낮추는 ‘하이브리드’ 접근을 모색하고 있다.10

7. 사례 연구: W-모델의 실제 적용

7.1 활주로 표지판 분류기 (Runway Sign Classifier)

NASA와 EASA의 공동 연구에서 진행된 이 사례 연구는 W-모델을 소형 AI 시스템에 적용한 예시이다.28

• 데이터 관리: 공항 활주로 표지판 이미지를 수집하고, 이를 훈련용과 테스트용으로 엄격히 분리하였다.
• 학습 보증: 신경망 모델을 학습시키면서 과적합 여부를 모니터링하고, 최종 모델을 동결하였다.
• 결과: W-모델 프로세스를 따름으로써, 단순히 정확도만 높은 모델이 아니라, 어떤 조건에서 실패할 수 있는지에 대한 ’안전성 경계(Safety Envelope)’를 식별할 수 있었다.

7.2 ACAS X (공중 충돌 방지 시스템)

차세대 충돌 방지 시스템인 ACAS X는 거대한 룩업 테이블(Lookup Table)을 사용하거나 딥러닝을 사용하여 충돌 회피 기동을 결정한다.27

• 도전 과제: 기존의 로직 기반 ACAS와 달리, AI 기반 ACAS X는 수백만 가지의 시나리오를 학습해야 한다.
• W-모델 적용: 시뮬레이션 환경에서 생성된 방대한 데이터를 통해 모델을 학습시키고(W의 중앙), 이를 실제 비행 데이터와 비교 검증(W의 오른쪽)하는 방식으로 안전성을 입증하고 있다. 여기서 안전성 리스크 완화(SRM) 전략으로, AI의 판단이 기존 안전 기준을 위반할 경우 개입하는 하이브리드 아키텍처가 사용된다.

8. 결론 및 제언

“항공 인증의 W-모델“은 단순한 프로세스의 모양 변화가 아니다. 이는 ’코드를 검증하는 시대’에서 ’데이터와 학습 과정을 검증하는 시대’로의 거대한 패러다임 전환을 상징한다.

1. 데이터 중심 엔지니어링의 정착: 항공기 개발자들은 이제 코드 라인 수보다 데이터의 품질과 분포에 더 많은 자원을 투입해야 한다. 데이터 수집, 라벨링, 관리가 항공기 제작의 핵심 공정이 되었다.
2. 이중 안전망 구축: W-모델은 AI의 불확실성을 인정하고, 이를 ’학습 보증’이라는 내부 검증과 ’안전성 리스크 완화’라는 외부 방어막으로 이중으로 통제하는 체계다.
3. 인증 전문가의 역량 변화: 인증 당국(FAA, EASA, 국토교통부 등)과 기업의 엔지니어들은 전통적인 항공 역학뿐만 아니라, 통계학, 데이터 사이언스, 머신러닝 이론에 대한 깊은 이해를 갖추어야 한다.

결론적으로 W-모델은 AI라는 혁신적인 기술을 ’안전’이라는 항공 산업의 절대 가치 안에 수용하기 위한 가장 진보된, 그리고 현재로서는 유일한 체계적 해법이다. 향후 도심 항공 모빌리티(UAM)와 자율 비행 항공기의 상용화는 이 W-모델 프로세스를 얼마나 완벽하게 구현하고 입증하느냐에 달려 있다고 해도 과언이 아니다.

9. 참고 자료

1. Advancing Mixed Criticality Scheduling Techniques to Support Industrial Applications, https://etheses.whiterose.ac.uk/id/eprint/26968/1/Law_Y1581407_Thesis.pdf
2. What is the V-Model? - SIPSA Servicios de Informática Profesional, https://www.sipsa.net/en/what-is-the-v-model/
3. Artificial Intelligence in Safety-Critical Systems | by Uttaran Tribedi | think AI | Medium, https://medium.com/think-ai/ai-in-safety-critical-systems-6b778f26c965
4. Machine Learning Application Approval - MLEAP | EASA - European Union, https://www.easa.europa.eu/en/research-projects/machine-learning-application-approval
5. W-Model Framework for Reliability-Centered Lifecycle Modification of Aircraft Components, https://www.mdpi.com/2411-5134/10/4/68
6. W-Model Framework for Reliability-Centered Lifecycle Modification of Aircraft Components, https://www.researchgate.net/publication/394352400_W-Model_Framework_for_Reliability-Centered_Lifecycle_Modification_of_Aircraft_Components
7. Avionics V-Model extract from the ARP4754A [12] - ResearchGate, https://www.researchgate.net/figure/Avionics-V-Model-extract-from-the-ARP4754A-12_fig1_310776068
8. The W Model for Component-Based Software Development - Computer Science, http://www.cs.man.ac.uk/~kung-kiu/pub/seaa11b.pdf
9. (PDF) The W Model for Component-Based Software Development., https://www.researchgate.net/publication/221593975_The_W_Model_for_Component-Based_Software_Development
10. Formulating an Engineering Framework for Future AI Certification in Aviation, https://elib.dlr.de/213293/1/Christensen2025%20-%20Formulating%20an%20Engineering%20Framework%20for%20Future%20AI%20Certification%20in%20Aviation.pdf
11. Test Techniques for Flight Control Systems of Large Transport Aircraft 012822990X, 9780128229903 - DOKUMEN.PUB, https://dokumen.pub/test-techniques-for-flight-control-systems-of-large-transport-aircraft-012822990x-9780128229903.html
12. EASA Concept Paper - European Union, https://www.easa.europa.eu/sites/default/files/dfu/easa_concept_paper_first_usable_guidance_for_level_1_machine_learning_applications_issue_01_1.pdf
13. ForMuLA IPC report - EASA - European Union, https://www.easa.europa.eu/sites/default/files/dfu/collins_easa_formal_methods_use_for_learning_assurance-formula_public_1.pdf
14. Formulating an Engineering Framework for Future AI Certification in Aviation - Preprints.org, https://www.preprints.org/manuscript/202503.1527/v1
15. EASA Concept Paper: guidance for Level 1 & 2 machine learning applications Issue 02 - Baines Simmons, https://www.bainessimmons.com/media/bxxbmz0z/easa_concept_paper_guidance_for_level_1and2_machine_learning_applications_issue_02.pdf
16. Ensuring the Trustworthy Development of AI-Based Applications Compatible to Future EASA Regulations - electronic library -, https://elib.dlr.de/212205/1/Werner2025%20-%20Ensuring%20the%20Trustworthy%20Development%20of%20AI%20Based%20Applications%20Compatible%20to%20Future%20EASA%20Regulations.pdf
17. Formulating a Learning Assurance-Based Framework for AI-Based Systems in Aviation, https://www.preprints.org/manuscript/202511.0786/v1
18. Concepts of Design Assurance for Neural Networks (CoDANN) II - Horizon Europe NCP Portal, https://horizoneuropencpportal.eu/sites/default/files/2024-06/easa-report-concepts-of-design-assurance-for-neural-networks-codann-ii-2024.pdf
19. Concepts of Design Assurance for Neural Networks (CoDANN) IPC Extract - EASA, https://www.easa.europa.eu/sites/default/files/dfu/EASA-DDLN-Concepts-of-Design-Assurance-for-Neural-Networks-CoDANN.pdf
20. EASA publishes second joint report on Learning Assurance for Neural Networks, https://www.easa.europa.eu/en/newsroom-and-events/news/easa-publishes-second-joint-report-learning-assurance-neural-networks
21. Formulating an Engineering Framework for Future AI Certification in Aviation - MDPI, https://www.mdpi.com/2226-4310/12/6/482
22. Artificial Intelligence: EASA publishes final report of the Machine Learning Application Approval Research Project, https://www.easa.europa.eu/en/newsroom-and-events/news/artificial-intelligence-easa-publishes-final-report-machine-learning
23. Explaining W-shaped Learning Assurance - Daedalean, https://www.daedalean.ai/tpost/pxl6ih0yc1-explaining-w-shaped-learning-assurance
24. SESAR AI Flagship workshop. Advancing AI in aviation, https://www.sesarju.eu/news/sesar-ai-flagship-workshop-advancing-ai-aviation
25. Are we ready for the first EASA guidance on the use of ML in Aviation? - NASA Technical Reports Server, https://ntrs.nasa.gov/api/citations/20210015730/downloads/G34May2021presentation.pdf
26. AI certification - Uncrewed Systems Technology, https://www.uncrewed-systems.com/ai-certification/
27. applying model-based system engineering and devops on the implementation of an ai-based collision avoidance, https://www.icas.org/icas_archive/icas2024/data/papers/icas2024_0869_paper.pdf
28. Toward Design Assurance of Machine-Learning Airborne Systems, https://ntrs.nasa.gov/api/citations/20210025705/downloads/main.pdf