AI › 산업 AI 응용 › 제조 AI

디지털 트윈Digital Twin

설비 · 공정 · 제품 같은 물리 대상의 상태와 동작을 따라가는 가상 모델을 두고, 데이터로 둘을 계속 맞추면서 그 모델의 예측 · 시험 결과를 물리 대상의 결정과 제어로 돌려보내는 체계다.

1요약

  1. 디지털 트윈은 설비 · 공정 · 제품을 따라가는 가상 모델과 그 물리 대상을 동기화로 묶은 체계이고, 제조용 틀은 ISO 23247(2021)이 네 부로 정했다 — 그 위에서 상태 감시 · 앞날 예측 · what-if 시험 · 장치 제어가 돈다(NIST AMS 400-2 3절).
  2. 설계값으로 만든 모델은 설비가 늙으면 실제와 벌어진다 — 사례의 냉동 창고는 냉각 능력이 20% 줄어도 온도가 −17.6 ℃ 로 그대로였지만, 설계값 모델의 6시간 예측 오차는 7일째 10.17 ℃ 까지 커졌다.
  3. 「트윈이 틀린다」는 어느 동기화가 빠졌는가로 가른다 — 지금 값부터 틀리면 데이터 수집, 지금은 맞는데 앞날이 틀리면 파라미터 갱신, 예측은 맞는데 현장이 그대로면 되먹임 경로의 문제다.

2등장 배경

설계 단계의 시뮬레이션은 「새 설비가 설계대로 움직일 때」를 계산한다. 설비를 몇 년 돌리면 마모 · 오염 · 누설로 특성이 바뀌지만, 그 모델은 아무도 고쳐 주지 않아 운전 중 결정에는 쓰이지 않았다. 1993년의 가상 제조(실제 설비 없이 생산 시스템을 가상으로 표현) 연구와 모델 예측 제어가 이 문제를 풀려는 앞선 시도였다(Zhou 2022 2절).

2002년 Grieves 는 제품 수명 주기 관리(PLM) 강의에서 실제 공간 · 가상 공간 · 둘을 잇는 데이터 연결로 된 «거울 공간 모델»을 제시했고, 「디지털 트윈」이라는 이름은 2010년 NASA 기술 로드맵 초안에 널리 알려졌다 — 다만 최초 주장에는 반론이 있다(Zhou 2022 2절). 2012년 NASA · 미 공군 연구진은 기체의 정비 이력 · 비행 데이터로 고충실도 시뮬레이션을 갱신해 그 기체의 수명을 따라가는 개념을 냈다(Glaessgen · Stargel 2012 초록).

2018년 Kritzinger 외는 문헌을 데이터 흐름 방향으로 갈라 디지털 모델 · 디지털 섀도 · 디지털 트윈 셋으로 나눴고(Kritzinger 2018), 2021년 10월 ISO 23247-1 이 제조용 정의 「관찰 가능한 제조 요소(OME)의 목적에 맞는 디지털 표현 + 둘 사이의 동기화」를 정했다(NIST AMS 400-2 2.1절). 2024년 미국 국립학술원은 양방향 갱신 · 예측 능력 · 결정 지원을 정의에 넣고, 검증 · 확인 · 불확도 정량화(VVUQ)를 남은 과제로 꼽았다(NASEM 2024).

3쉽게 이해하기 — 항해사의 해도 위 모형 배

항해사 해나는 배 «바다호»의 해도 위에 작은 모형 배를 놓고, 속도와 방향으로 30분마다 모형을 앞으로 민다. 등대 두 곳의 방위를 잴 때마다 모형을 실제 위치로 옮겨 놓고, 모형이 늘 남쪽으로 처져 있으면 해도 구석에 적은 해류 값을 고친다. 폭풍 소식이 오면 해나는 모형으로 두 항로를 먼저 밀어 보고, 선장에게 「지금 키를 동쪽으로 돌리자」고 알린다.

1 등대로 위치 재기 30분마다 방위 두 개 센서 · 데이터 수집 2 해도 위 모형 옮김 잰 위치로 바로잡음 상태 동기화 3 해류 값 고쳐 적기 늘 남쪽으로 처지면 파라미터 보정 4 두 항로 밀어 보기 폭풍 소식이 오면 what-if 예측 5 선장에게 알림 키를 동쪽으로 결정 · 되먹임 키를 돌리면 배가 움직이고 다시 재기부터 실제 배 · 측정 값 모형 · 고치는 규칙 예측 결과 사람의 결정

그림 1 · 해나는 재고 · 옮기고 · 고치고 · 밀어 보고 · 알리는 다섯 일을 되풀이하고, 그 고리 하나가 디지털 트윈의 동기화 · 예측 · 되먹임이다.

위치 재기등대 방위 두 개
모형 옮김잰 위치로
해류 고침늘 처지는 쪽
밀어 보기항로 두 개
선장에게키를 돌리자
배 움직임다시 재기
비유 — 등대 측정과 해류 고침 실제 — 동기화 방식별 예측 오차 실제 항로 해류 값 고침 남쪽으로 처짐 재기만 하면 같은 폭으로 또 처지고 해류를 고치면 처지는 폭이 준다 큼 0 시간 실제 위치 모형 배 위치 동기화 없음(디지털 모델) 상태만 맞춤(디지털 섀도) 상태 + 파라미터(디지털 트윈) 오른쪽 그림은 모양만 보인 개념도 — 실제 값은 그림 5

그림 2 · 모형만 옮기면 다음 측정까지 같은 만큼 또 처지고, 해류 값까지 고쳐야 처지는 폭이 줄어든다.

비유 속 역할실제 이름실제로 하는 일
바다호물리 대상(OME)설비 · 공정 · 제품 · 자재처럼 관찰할 수 있는 제조 요소
등대 방위 측정데이터 수집센서 값을 정해진 주기로 읽어 가상 쪽에 넘긴다
해도 위 모형 배가상 모델의 상태지금 온도 · 위치 · 재고 같은 상태 값을 가진다
속도 · 방향으로 밀기모델 예측물리 식 · 학습 모델로 다음 상태를 계산한다
해류 값 고치기파라미터 추정늘 같은 쪽으로 틀리면 모델 상수를 데이터로 고친다
두 항로 밀어 보기what-if 시뮬레이션바꿀 조건을 넣어 결과를 실제보다 먼저 본다
선장에게 알림결정 · 장치 제어결과를 작업 지시 · 설정 변경으로 물리 쪽에 돌려보낸다

⚠ 비유가 맞지 않는 곳: 해나는 항로를 한 번에 하나씩 밀어 보지만 트윈은 조건 수백 개를 계산으로 돌린다. 해도는 바다 전체를 그리지만 트윈은 목적에 필요한 값만 담는다 — ISO 23247 정의의 「목적에 맞는(fit for purpose)」이 그 뜻이다.

4구조 — ISO 23247 참조 모델의 다섯 개체

ISO 23247-2 는 제조용 디지털 트윈을 관찰 대상 · 데이터 수집과 장치 제어 · 핵심 · 사용자 네 영역으로 나누고, 기능 개체 다섯으로 그린다(NIST AMS 400-2 3.2절). 데이터는 아래에서 위로 올라가 모델을 갱신하고, 결정은 위에서 아래로 내려가 장치를 움직인다.

사용자 개체 UE 운전자 · MES · ERP · 다른 디지털 트윈 핵심 개체(CE) — 디지털 트윈 본체 운영 · 관리 동기화 표현 유지 · 갱신 응용 · 서비스 시뮬레이션 · 분석 최적화 · 예측 자원 접근 · 교환 다른 개체와의 인터페이스 데이터 수집 하위 개체 센서 값 읽기 · 전처리 · 전달 장치 제어 하위 개체 명령 번역 · 구동 · 응답 확인 데이터 수집 · 장치 제어 개체(DCDCE) 관찰 가능한 제조 요소(OME) 설비 · 공정 · 제품 · 자재 · 사람 · 환경 데이터 ↑ 제어 ↓ 요청 결과 교차 시스템 개체 변환 보증 보안 데이터 모델 · 갱신 규칙 출력 · 제어 사용자 점선 = 모든 영역에 걸침

그림 3 · 데이터는 왼쪽 길로 올라가 핵심 개체의 모델을 맞추고, 결정은 오른쪽 길로 내려가 장치를 움직인다 — 오른쪽 길이 없으면 디지털 섀도다.

개체역할값 · 근거
관찰 가능한 제조 요소트윈이 따라가는 대상사람 · 설비 · 자재 · 공정 · 시설 · 환경 · 제품 · 문서(NIST AMS 400-2 2.1절)
데이터 수집 하위 개체센서 값을 읽어 핵심 개체에 넘김사례 = 온도 · 외기 · 압축기 가동률 1분 주기
운영 · 관리동기화로 표현을 최신으로 유지동기화 주기 = 응용이 정함(NIST AMS 400-2 3.1절) · 사례 파라미터 갱신 10분
응용 · 서비스시뮬레이션 · 분석 · 최적화사례 = 6시간 예측 · 폭염 what-if
장치 제어 하위 개체결정을 장치 명령으로 바꿔 내려보냄없으면 디지털 섀도(Kritzinger 2018)
사용자 개체결과를 보고 결정 · 다른 시스템에 연결사람 · MES · ERP · 다른 트윈(NIST AMS 400-2 3.2절)
정보 교환개체 사이 망 넷사용자 · 서비스 · 접근 · 근접 망(ISO 23247-4 · NIST AMS 400-2 3.4절)

5동작 — 냉동 창고 한 구역의 냉각 능력 추적

이 사례는 합성 데이터로 직접 실행했다(NumPy 2.4.3 · 시드 0). 창고 온도 T 는 1분마다 dT = a(T외기 − T) − b·u 로 바뀐다 — a = 0.005 /분(열 누설 · 시간 상수 200분), b = 압축기 가동률 u = 1 일 때 냉각 능력 0.30 ℃/분(설계값), 설정 온도 −18 ℃, 관리 한계 −15 ℃, 센서 잡음 σ 0.2 ℃ 이고 모두 설명용 가정 값이다.

  1. 데이터 수집은 1분마다 창고 온도 · 외기 온도(하루 20 ~ 30 ℃) · 압축기 가동률을 읽고, 비례 · 적분 제어기가 가동률을 정해 −18 ℃ 를 지킨다.
  2. 1 ~ 2일째 트윈의 b 추정값은 0.300 ~ 0.302 로 설계값과 같고, 하루 평균 가동률은 0.71 이다.
  3. 3일째부터 냉매가 조금씩 샌다고 가정해 실제 b 를 하루 0.012 씩 줄였다 — 7일째 끝 0.240, 설계값보다 20% 낮다.
  4. 제어기가 가동률을 올려 온도를 지키므로 하루 최고 온도는 7일 내내 −17.7 ~ −17.6 ℃ 다 — 온도만 보는 감시는 이상을 보지 못하고, 하루 평균 가동률만 0.71 → 0.875 로 오른다.
  5. 트윈의 운영 · 관리 개체는 10분 묶음마다 칼만 필터로 b 를 고친다 — 예측 단계에서 불확도를 키우고 측정 갱신 단계에서 「온도 변화 − 열 누설 = −b × 평균 가동률」 관측으로 b 를 당긴다(Welch · Bishop 2004 1절) · 7일째 끝 추정 0.244(실제 0.240).
  6. 날마다 09:00 에 6시간 뒤 온도를 예측하면, 7일째 오차는 설계값 모델(처음 한 번만 맞춤) 10.17 ℃ · 디지털 섀도(온도만 맞추고 b = 0.30) 8.74 ℃ · 디지털 트윈(온도와 b 를 맞춤) 0.44 ℃ 다.
  7. 응용 · 서비스 개체가 「외기 평균 30 · 최고 35 ℃ 인 하루」를 what-if 로 돌린다 — 설계값으로는 최고 −17.63 ℃ 로 문제가 없지만, 트윈 값으로는 필요 가동률이 0.005 × 53 ÷ 0.244 = 1.09 로 1 을 넘어 최고 −14.71 ℃ · 한계 초과 192분이다(실제 b 로 돌리면 −14.03 ℃ · 353분).
  8. 장치 제어 · 사용자 개체로 결과를 돌려보낸다 — 냉매 점검 작업 지시를 MES 에 올리고, 점검 뒤에는 b 추정값이 다시 0.30 근처로 오는지로 수리를 확인한다.
냉각 능력 b — 실제 · 설계값 · 트윈 추정(직접 실행 · 합성 데이터) 0.23 0.25 0.27 0.29 0.31 0 2일 4일 6일 7일 2 추정 0.300 3 누설 시작(가정) 5 추정 0.244 · 실제 0.240 설계값 0.30 — 그대로 하루 최고 온도 −17.7 ~ −17.6 ℃ — 7일 내내 거의 같음 4 하루 평균 가동률 0.71(1일) → 0.73(3일) → 0.80(5일) → 0.875(7일) 실제 b(물리 대상) 설계값(고치지 않음) 트윈 추정(칼만 필터 · 10분 묶음)

그림 4 · 온도는 7일 내내 −17.6 ℃ 근처였지만 냉각 능력은 20% 줄었고, 트윈의 추정값만 그 하락을 따라갔다.

6시간 뒤 온도 예측 오차 — 동기화 방식별(직접 실행 · 합성 데이터) 0 ℃ 4 ℃ 8 ℃ 1일째 3일째 5일째 7일째 10.17 8.74 0.44 6 3일째부터 b 가 줄며 벌어짐 섀도 = 출발 온도만 맞아 모델보다 조금 작음 디지털 모델(처음 한 번 맞춤) 디지털 섀도(온도만 · b 0.30) 디지털 트윈(온도 + b) 오차 = |예측 − 실제| · 예측은 같은 가동률 · 외기 기록을 넣어 계산

그림 5 · 온도만 맞추는 섀도는 6시간 뒤를 설계값 모델과 거의 같게 틀리고, 파라미터까지 맞추는 트윈만 오차가 1.3 ℃ 아래에 머문다.

🔑 상태를 맞추는 동기화는 «지금»을 맞추고, 파라미터를 맞추는 동기화는 «앞으로»를 맞춘다 — 7일째 6시간 예측 오차가 섀도 8.74 ℃ · 트윈 0.44 ℃ 로 갈린 이유다.

🔑 제어기가 출력을 지키는 동안 열화는 출력이 아니라 조작량에 숨는다 — 그래서 트윈은 온도가 아니라 모델 파라미터로 열화를 읽는다.

6비교 — 디지털 모델 · 섀도 · 트윈 · 가상 계측

기준디지털 모델디지털 섀도디지털 트윈가상 계측
물리 → 가상 데이터사람이 넣음(Kritzinger 2018)자동자동자동(장비 센서 요약)
가상 → 물리사람이 옮김사람이 옮김자동(장치 제어 개체)예측값을 품질 판정 · 제어에 넘김
갱신하는 것없음 · 설계 때 한 번상태 값상태 값 + 파라미터예측 모델(재학습)
답하는 질문설계대로라면 어떻게 되나지금 어떤 상태인가이대로 · 바꾸면 어떻게 되나재지 않은 결과 값은 얼마인가
사례 7일째 6시간 예측 오차10.17 ℃8.74 ℃0.44 ℃해당 없음(결과 값 하나만 예측)
넘기는 곳설계 · 시뮬레이션감시 화면 · 이상 탐지예측 · what-if · 제어가상 계측

분석지금 상태만 보면 되는 감시라면 디지털 섀도로 충분하고, 몇 시간 뒤나 조건을 바꾼 결과를 물어야 하면 파라미터를 함께 갱신하는 트윈이 필요하며, 재지 않은 품질 값 하나가 목적이면 가상 계측이 더 좁고 싸다. 근거는 표의 사례 행 — 섀도는 출발 온도를 맞췄는데도 6시간 뒤 오차가 설계값 모델의 86%(8.74 ÷ 10.17)였다.

공정 조건을 찾는 실험 설계는 공정 최적화, 열화 신호로 정비 시점을 정하는 일은 예지 보전, 수율 값의 예측은 수율 · 품질 예측, 트윈 위에서 도구를 부르는 자율 실행은 제조 AI 에이전트가 맡는다 — 트윈은 이들이 실험할 «최신 모델»을 내준다.

7실무 진단 — 트윈 오차의 개체 가르기

분석트윈 예측이 틀리면 모델을 다시 만들기 전에 지금 값(동기화 직후 상태)이 맞는지부터 보고, 지금은 맞는데 앞날만 틀리면 파라미터 갱신을 본다. 지금 값이 틀린 채 파라미터를 고치면 수집 지연까지 상수에 흡수돼 추정값이 엉뚱하게 움직인다(Welch · Bishop 2004 1절 측정 갱신).

#증상의심 원인개체확인 자료판정 기준(근거)
1화면 값이 실제보다 늦거나 멈춤수집 지연 · 끊김 · 시각 불일치데이터 수집 하위 개체센서 시각 ↔ 수신 시각 차 · 결측 비율차가 응용이 정한 동기화 주기를 넘으면 수집부터 고침(NIST AMS 400-2 3.1절)
2지금 값은 맞는데 몇 시간 뒤 예측이 한쪽으로 틀림파라미터 고정 · 열화운영 · 관리예측 잔차 평균 · 추정 파라미터 추이잔차 부호가 한쪽으로 쌓이면 갱신 켬(사례 6시간 오차 8.74 ℃ → 0.44 ℃)
3추정 파라미터가 크게 출렁임잡음 설정이 실제와 다름운영 · 관리칼만 이득 · 혁신(관측 − 예측) 분산혁신 분산이 예측 분산 + 측정 잡음보다 계속 크면 잡음 값 재설정(Welch · Bishop 2004 1절)
4what-if 결과를 현장이 믿지 않음검증 범위 밖 조건(외삽)응용 · 서비스입력 조건 ↔ 검증한 범위 · 불확도범위 밖이면 결과에 불확도를 붙이고 검증 데이터를 더함(NASEM 2024 VVUQ)
5예측은 맞는데 현장이 그대로되먹임 경로 없음 · 권한 막힘장치 제어 · 사용자명령 ↔ 응답 기록 · 작업 지시 처리명령이 장비 응답으로 돌아오지 않으면 섀도 상태(Kritzinger 2018)

가려내는 순서는 데이터 수집 → 운영 · 관리(상태 → 파라미터) → 응용 · 서비스 → 장치 제어다. 아래 개체가 틀리면 위 개체의 모든 결과가 함께 틀리므로, 동기화 직후 상태가 실제와 같은지를 먼저 확인한다.

8시험 대비

출제 정보 정보관리(138회, 127회, 119회, 118회, 114회) · 컴퓨터시스템응용(132회, 125회, 120회, 111회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 정의 · 시뮬레이션과의 차이 · 구성 요소를 쓰는 정의 · 특징형, 그리고 ISO 23247 참조 모델로 개체와 데이터 · 제어 흐름을 그리는 구조 · 구성형이 나올 수 있다. 디지털 모델 · 섀도 · 트윈을 데이터 흐름 방향으로 가르고 그 차이를 예측 오차 수치로 보이면 정의 수준을 넘는다.

답안 목차
  1. 개요 — 정의(목적에 맞는 디지털 표현 + 동기화 · ISO 23247-1) · 설계 시뮬레이션의 한계 · 2002 · 2010 · 2021 흐름
  2. 구성 — 그림 3 참조 모델(OME · 데이터 수집 · 장치 제어 · 핵심 · 사용자 · 교차 시스템 개체) · 정보 교환 망 넷
  3. 동기화 — 상태 동기화 ↔ 파라미터 추정(칼만 필터 예측 · 측정 갱신) · 그림 4 냉각 능력 추적
  4. 분류 — 디지털 모델 · 섀도 · 트윈 비교표 · 그림 5 6시간 예측 오차(10.17 · 8.74 · 0.44 ℃)
  5. 활용 — 상태 감시 · what-if(필요 가동률 1.09) · 예지 보전 · 가상 시운전 · 강화 학습의 시험 환경
  6. 과제 — VVUQ · 외삽 불확도 · 데이터 품질 · 표준 인터페이스(ISO 23247-4)

꼭 쓸 키워드
동기화관찰 가능한 제조 요소ISO 23247디지털 섀도파라미터 추정칼만 필터what-if장치 제어VVUQ가상 시운전

다른 답안과 차이를 내는 한 가지는 그림 5 처럼 같은 데이터에서 동기화 범위만 바꿔 예측 오차를 견주고, 「상태는 지금을, 파라미터는 앞으로를 맞춘다」는 결론을 붙이는 것이다.

9오해와 사실

  • 오해3D 화면으로 설비를 똑같이 그리면 디지털 트윈이다.
    사실ISO 23247 정의의 핵심은 겉모양이 아니라 대상과 표현 사이의 동기화이고(NIST AMS 400-2 2.1절), 사례의 트윈은 화면 없이 식 하나와 파라미터 하나로 6시간 오차를 0.44 ℃ 로 줄였다.
  • 오해실시간 데이터가 들어오면 예측도 맞는다.
    사실온도를 1분마다 맞춘 디지털 섀도도 6시간 뒤 오차가 8.74 ℃ 였다 — 앞날은 상태가 아니라 냉각 능력 같은 모델 상수가 정한다.
  • 오해디지털 트윈은 설비 전체를 빠짐없이 담아야 한다.
    사실표준 정의는 「목적에 맞는」 표현이고 한 트윈이 모든 답을 주지 않으며, 범위가 크면 여러 트윈을 잇는다(NIST AMS 400-2 2.1절).

10핵심 정리

구분맡는 일갱신 대상데이터 방향사례 값흔한 실패
데이터 수집센서 값 읽기 · 전달없음물리 → 가상1분 주기 · 잡음 σ 0.2 ℃지연 · 결측 · 시각 불일치
상태 동기화지금 값 맞춤온도 같은 상태물리 → 가상섀도 7일째 오차 8.74 ℃상태만 맞추고 예측을 믿음
파라미터 추정모델 상수 맞춤냉각 능력 b물리 → 가상0.244(실제 0.240)잡음 설정 틀려 출렁임
예측 · what-if앞날 · 바꾼 조건 계산없음(모델 사용)가상 안폭염 최고 −14.71 ℃ · 192분검증 범위 밖 외삽
장치 제어결정을 장치로설정 · 작업 지시가상 → 물리냉매 점검 지시되먹임 없음 = 섀도
사용자결과 판단 · 승인없음가상 ↔ 사람 · MES필요 가동률 1.09 > 1불확도 없는 결과
디지털 모델설계대로 계산없음사람이 옮김7일째 오차 10.17 ℃열화를 못 따라감

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ Use Case Scenarios for Digital Twin Implementation Based on ISO 23247 (NIST AMS 400-2) — ISO 23247 의 정의 · 네 부 · 참조 모델 개체를 공개 문서로 볼 때
    G. Shao · NIST · 2021-05 · doi.org/10.6028/NIST.AMS.400-2 · 확인 2026-11-09
  3. ★ Foundational Research Gaps and Future Directions for Digital Twins — 양방향 갱신 · 예측 · 결정을 묶은 정의와 VVUQ 연구 과제를 볼 때
    National Academies of Sciences, Engineering, and Medicine · 2024-01 · nap.nationalacademies.org/catalog/26894 · 확인 2026-11-09
  4. ★ Digital Twin in manufacturing: A categorical literature review and classification (IFAC-PapersOnLine 51(11) 1016-1022) — 디지털 모델 · 섀도 · 트윈을 데이터 흐름 방향으로 가르는 분류를 볼 때
    W. Kritzinger 외 · IFAC · 2018-08 · doi.org/10.1016/j.ifacol.2018.08.474 · 확인 2026-11-09
  5. ★ An Introduction to the Kalman Filter (TR 95-041) — 예측 단계 · 측정 갱신 단계로 모델 값을 고치는 계산을 볼 때
    G. Welch · G. Bishop · UNC Chapel Hill · 2004-04 · techreports.cs.unc.edu/papers/95-041.pdf · 확인 2026-11-09
  6. 본문 근거
  7. ISO 23247-1:2021 Automation systems and integration — Digital twin framework for manufacturing — Part 1: Overview and general principles — ISO · 2021-10 · www.iso.org/standard/75066.html · 확인 2026-11-09
  8. The Digital Twin Paradigm for Future NASA and U.S. Air Force Vehicles (53rd AIAA SDM Conference) — E. H. Glaessgen · D. S. Stargel · NASA NTRS · 2012-04 · ntrs.nasa.gov/citations/20120008178 · 확인 2026-11-09
  9. Revisiting Digital Twins: Origins, Fundamentals and Practices (arXiv 2203.12867) — J. Zhou · S. Zhang · M. Gu · 2022-03 · arxiv.org/abs/2203.12867 · 확인 2026-11-09
  10. NumPy 2.4 Reference — Random Generator — NumPy developers · 2026-11 · numpy.org/doc/stable/reference/random/generator.html · 확인 2026-11-09