한화오션 조선 현장의 다국어 소통을 돕는 AWS 기반 OTalk 활용 사례

들어가며

여러 국적의 작업자가 함께 일하는 산업 현장에서는 작업 지시와 안전 정보를 여러 언어로 정확하게 전달해야 합니다. 한화오션은 통역 인력만으로 채우기 어려운 조선소의 소통 공백을 메우려고 AI 기반 통번역 앱 OTalk을 도입했습니다.

OTalk은 Flitto의 다국어 소통 서비스 Vogl을 한화오션 업무 환경에 맞춰 AWS에 구축한 서비스입니다. 소음이 많은 현장에서도 음성을 인식하고, Amazon Bedrock으로 번역 결과를 업무 문맥과 용어에 맞게 보정합니다. 2026년 10월 초 기준 직영 외국인 인력의 사용률은 약 96%입니다. 그림 1은 OTalk 앱에서 강의 실시간 통역, 교육 게시판, 문서 번역을 이용하는 화면입니다.

그림 1: OTalk 앱 화면(강의 실시간 통역, 교육 게시판, 문서 번역)

이 글에서는 한화오션이 OTalk을 도입한 배경과 솔루션을 고른 기준을 먼저 소개합니다. 이어서 AWS 아키텍처, 번역 품질을 높인 방법, 보안 구성, 도입 효과를 차례로 설명합니다. 소음이 많은 산업 현장에서 다국어 음성 통역 서비스를 검토하는 분께 참고가 되기를 바랍니다.

배경과 과제

한화오션 조선소에서는 다양한 국적의 인력이 함께 근무하고 있습니다. 작업 현장에서는 작업 순서와 안전 수칙을 정확하게 전달해야 합니다. 하지만 조선 전문 용어와 현장 표현이 많아 일상적인 대화보다 소통이 어려운 경우가 있었습니다.

현장에는 통역 인력이 배치되어 있습니다. 다만 넓은 현장에서 여러 작업이 동시에 진행되기 때문에 통역 인력만으로 모든 소통 수요를 지원하기에는 한계가 있었습니다. 통역 지원을 바로 받기 어려울 때는 일반 번역 앱을 쓰기도 했습니다. 그러나 조선 용어와 방언을 제대로 인식하지 못하거나, 작업 소음 때문에 음성 입력이 원활하지 않은 문제가 있었습니다.

OTalk은 이런 상황에서 기존 통역 인력의 역할을 보완하려고 도입했습니다. 현장 관리자가 필요할 때 작업자와 직접 대화하고, 한 명의 관리자가 여러 언어를 쓰는 작업자에게 같은 내용을 전달할 수 있는 도구가 필요했습니다. 그래서 고소음 환경에서의 음성 인식, 조선 전문 용어와 현장 표현 반영, 1:1 및 1:N 통역을 주요 요건으로 검토했습니다.

서비스를 현장에 정착시키는 것도 중요한 과제였습니다. 직영과 협력사 사용자가 쉽게 이용할 수 있도록 화면과 기능을 구성하고, 교육과 사용 안내를 함께 진행했습니다. 도입 이후에는 현장에서 접수된 불편 사항과 오역 사례를 기능 개선과 품질 보완에 반영했습니다.

솔루션 선택 이유

솔루션을 선택할 때 가장 중요하게 본 것은 음성 인식과 번역 품질이었습니다. 음성 인식은 사용자의 말을 텍스트로 바꾸는 STT(Speech-to-Text) 기술입니다. 발화를 잘못 인식하면 번역 결과도 달라질 수 있습니다. 작업 지시와 안전 정보를 전달하는 통역 앱인 만큼, 말을 정확하게 인식하고 의미를 전달하는 기본 성능을 우선했습니다.

이를 확인하려고 실제 조선소 환경에서 후보 솔루션을 비교했습니다. 작업 소음이 있는 환경에서 발화가 얼마나 정확하게 인식되는지, 번역문이 원래 의미를 전달하는지, 현장 사용자가 결과를 읽고 이해하기 쉬운지를 확인했습니다. 문서에 적힌 기능만으로는 판단하기 어려운 부분이어서 현장 검증 결과를 중요하게 반영했습니다.

비교 과정에서는 부가 기능을 더 다양하게 제공하는 솔루션도 있었습니다. 그러나 OTalk의 기반이 된 통번역 엔진은 현장 검증에서 음성 인식과 번역 품질, 번역 결과의 가독성 측면에서 좋은 평가를 받았습니다. 통역 앱의 기본인 소통 품질이 선정에 가장 큰 역할을 했습니다.

조선 전문 용어와 현장 표현을 반영할 수 있다는 점도 고려했습니다. 먼저 통역 품질이 검증된 엔진을 선택하고, 한화오션 전용 화면과 관리자 기능 등 필요한 기능을 추가하는 방식으로 추진했습니다. 이후 실제 사용 과정에서 확인된 요구 사항을 선별해 반영하면서 현장에 맞는 서비스로 보완했습니다.

솔루션 개요와 아키텍처

OTalk은 Flitto의 다국어 소통 서비스 Vogl을 한화오션의 업무 환경에 맞춰 AWS 클라우드 구축형으로 제공한 서비스입니다. 한화오션 임직원은 OTalk으로 서로 다른 언어를 쓰는 동료와 소통합니다. 서비스는 사용자 요청 처리, 음성 인식과 번역 결과 보정, 데이터 저장 및 관리의 역할을 AWS 서비스에 나누어 구성했습니다.

그림 2: OTalk 아키텍처

사용자 요청은 Amazon CloudFront와 Application Load Balancer(ALB)를 거쳐 Amazon Elastic Compute Cloud(Amazon EC2)의 애플리케이션으로 전달됩니다. CloudFront는 정적 콘텐츠를 캐싱해 제공하고, ALB는 요청을 애플리케이션의 처리 대상으로 분산합니다. AWS WAF는 연결된 리소스로 들어오는 웹 요청에 보안 규칙을 적용합니다. 콘텐츠 전달, 요청 분산, 웹 요청 보호를 AWS 서비스에 맡겨 애플리케이션 개발과 운영에 집중할 수 있도록 구성했습니다.

음성 요청은 역할을 나눈 EC2 인스턴스가 처리합니다. WAS EC2는 OTalk 웹 앱과 통신하며 사용자의 음성을 받아 GPU EC2에 전달합니다. GPU EC2는 음성 인식(STT)용과 기계 번역(MT)용으로 분리해 구성했습니다. STT용 GPU EC2는 음성을 텍스트로 변환해 WAS EC2에 반환하고, MT용 GPU EC2는 텍스트 번역을 수행합니다. 웹 앱과의 통신 및 요청 처리는 CPU가, 음성 인식과 번역 연산은 GPU가 담당합니다.

Amazon Bedrock은 번역 결과의 문맥과 용어를 보정하는 단계에 사용합니다. 조선 현장의 대화에서는 문장의 의미뿐 아니라 업무 문맥에 맞는 용어 선택도 중요합니다. GPU EC2가 음성 인식과 번역을 수행하면, Bedrock이 그 결과를 문맥과 용어에 맞게 보정합니다. Bedrock은 다양한 모델을 API로 제공하므로, 모델의 추론 인프라를 직접 운영하지 않고도 생성형 AI 처리를 서비스에 연계할 수 있습니다.

다음은 Flitto가 제공한 보정 단계의 축약 예시입니다. 원문과 1차 번역, 고객사 용어집을 Converse API로 Bedrock에 보냅니다. 응답은 구조화된 출력(JSON 스키마)으로 받아, 보정된 번역만 꺼내 씁니다. 예시의 문장과 용어집은 한화오션 데이터가 아니라 Flitto 서비스 이름으로 만든 것입니다.

import { BedrockRuntimeClient, ConverseCommand } from "@aws-sdk/client-bedrock-runtime";

const bedrock = new BedrockRuntimeClient();
const REFINE_PROMPT = `You refine a Japanese translation of Korean real-time speech.
Glossary: {{glossary}}
Wherever a glossary term appears in the source, use the exact Japanese form from the glossary.`;

const OUTPUT_SCHEMA = JSON.stringify({ type: "object", properties: { refined_translation: { type: "string" } },
  required: ["refined_translation"], additionalProperties: false });
// 예: source_text "다음 주 보글 스테이지 데모는 예정대로 진행합니다", glossary [{ ko: "보글 스테이지", ja: "Vogl Stage" }]

async function refineTranslation({ source_text, draft_translation, glossary }) {
  const res = await bedrock.send(new ConverseCommand({
    modelId: process.env.BEDROCK_MODEL_ID,
    system: [{ text: REFINE_PROMPT.replace("{{glossary}}", JSON.stringify(glossary)) }],
    messages: [{ role: "user", content: [{ text: JSON.stringify({ source_text, draft_translation }) }] }],
    outputConfig: { textFormat: { type: "json_schema", structure: { jsonSchema: { name: "refined", schema: OUTPUT_SCHEMA } } } },
  }));
  return JSON.parse(res.output.message.content[0].text); // { refined_translation: "来週のVogl Stageのデモは予定通り進めます。" }
}

데이터 계층은 Amazon ElastiCache(Redis), Amazon Relational Database Service(Amazon RDS), Amazon Simple Storage Service(Amazon S3)로 구성합니다. ElastiCache는 빠른 조회가 필요한 캐시나 일시적인 상태 정보에, RDS는 관계형 운영 데이터에, S3는 파일 같은 객체 데이터에 활용합니다. 데이터 접근 방식에 맞는 저장소를 고르고, 관리형 서비스로 저장소 운영 부담을 줄인 것이 선택의 이유입니다.

번역 품질을 높인 방법

조선 현장의 다국어 소통에서는 전문 용어뿐 아니라 작업자의 발음과 사투리, 주변 소음까지 고려해야 합니다. Flitto는 이런 현장 특성을 모델에 반영하려고 한화오션과 한화시스템의 도움을 받아 여러 차례 현장 데이터를 수집했습니다. 데이터 수집은 현장에서 쓰는 용어와 실제 작업 환경의 음성을 확보하는 데 초점을 맞췄습니다.

먼저 조선 현장에서 사용하는 용어를 수집하고, 번역이 마련되지 않은 용어는 새로 번역해 용어집을 구축했습니다. 이렇게 현장 용어와 해당 번역을 학습에 활용할 수 있는 자료로 정리했습니다. 음성 데이터는 사투리가 포함된 발화와 소음이 있는 작업 환경의 음성을 함께 수집했습니다. 실제 사용 환경에서 나타나는 발화 특성과 음향 조건을 반영하기 위한 것입니다.

현장에서 수집한 데이터만으로는 충분한 규모의 학습 데이터를 확보하기 어려웠습니다. 그래서 Flitto 내부의 데이터 수집 서비스인 아케이드로 관련 데이터를 추가로 수집했습니다. 현장 데이터에 추가 수집 데이터를 결합해 모델 학습에 필요한 데이터의 규모와 다양성을 보완했습니다.

이렇게 확보한 데이터로 Flitto의 내부 모델을 학습하고, 조선 현장에 특화된 모델을 구축했습니다. 수집한 현장 데이터 중 일부는 학습에 쓰지 않고 평가용으로 따로 분리했습니다. 덕분에 모델이 학습 과정에서 접하지 않은 현장 데이터로 처리 품질을 확인할 수 있었습니다. 현장 용어와 음성 특성을 반영한 학습, 그리고 학습 데이터와 분리한 현장 데이터 평가로 OTalk의 번역 품질을 높였습니다.

보안과 데이터 격리

OTalk은 한화오션의 업무 환경에서 쓰는 서비스인 만큼, 구축 초기부터 서비스 인프라 격리와 데이터 보호를 고려했습니다. OTalk 전용 Amazon Virtual Private Cloud(Amazon VPC)를 별도로 만들고, 애플리케이션과 주요 데이터 저장소를 그 VPC 안에 구성했습니다. 서비스 전용 네트워크를 기반으로 OTalk의 인프라를 독립적으로 관리할 수 있도록 했습니다.

VPC 내부에는 OTalk 전용 RDS와 ElastiCache를 구성했습니다. 데이터베이스와 캐시를 서비스 전용으로 운영해 다른 서비스와 저장 자원을 공유하지 않도록 했습니다. 또한 RDS에는 AWS가 제공하는 저장 데이터 암호화 기능을 적용해, 저장된 상태의 데이터도 보호되도록 했습니다.

애플리케이션과 AI 처리를 수행하는 EC2, 데이터 계층의 RDS와 ElastiCache는 모두 프라이빗 서브넷에 배치했습니다. 그래서 주요 처리 자원과 데이터 저장소는 인터넷에서 직접 접근할 수 없습니다. OTalk은 전용 VPC와 전용 데이터 저장소로 격리하고, 프라이빗 서브넷 배치와 RDS 저장 데이터 암호화로 서비스의 보안 기반을 마련했습니다.

도입 효과

OTalk 도입 전에는 현장에서 통역 앱을 쓰는 경우가 드물었습니다. 도입 이후에는 작업 지시뿐 아니라 아침 TBM(작업 전 안전 회의), 안전 교육, 일상 대화에서도 활용이 늘었습니다. 2026년 10월 초 기준 직영 외국인 인력의 사용률은 약 96%에 이릅니다. 선행·조립·의장 등 여러 부서에서도 현장에서 잘 활용하고 있다는 의견을 받았습니다. OTalk은 통역 인력이 모든 현장을 지원하기 어려운 상황에서 관리자와 외국인 작업자가 직접 소통하는 도구로 자리 잡고 있습니다.

신규 출입자 교육에서는 통역 인력의 지원이 일부 교육 시간에 한정돼 있었습니다. OTalk 도입 후에는 나머지 시간에도 강사의 설명을 다국어로 전달할 수 있게 됐습니다. 기존 통역 인력과 OTalk을 함께 활용하면서, 추가 통역 인력 투입 없이 다양한 국적의 외국인 교육생을 위한 언어 지원 범위를 교육 전반으로 넓혔습니다.

초기에는 외국인 작업자가 배치된 부서를 중심으로 적용했습니다. 현장 사용 경험이 다른 부서와 협력사에 알려지면서 전사와 협력사로 이용 대상이 약 4.5배 확대됐습니다. 선주와의 미팅에서도 웹 화면을 활용하는 등 현장 작업 외의 업무 소통으로 사용 범위가 넓어지고 있습니다.

다른 업무 시스템에서도 번역 기능을 활용할 수 있도록 API 연계 기능을 개발했습니다. 안전 교육 시스템의 작업 및 안전 정보를 다국어로 제공하고, 직영·협력사 사용자 계정 정보를 연계할 수 있는 기반을 마련했습니다. 사용자는 별도 계정을 만들지 않고 사번으로 로그인해 OTalk을 사용합니다. 현장 대화뿐 아니라 기존 업무 시스템의 정보 전달에도 OTalk을 활용할 수 있도록 적용 범위를 넓힌 것입니다.

그림 3: OTalk 앱 홈 화면과 대화 통역과 대화 요약 화면

마치며

이 글에서는 한화오션이 조선소의 다국어 소통 문제를 풀려고 OTalk을 도입한 과정을 소개했습니다. 한화오션은 실제 조선소 소음 환경에서 음성 인식과 번역 품질을 검증해 솔루션을 골랐습니다. Flitto는 현장 용어와 음성 데이터로 모델을 학습하고, Amazon Bedrock으로 번역 결과를 업무 문맥에 맞게 보정했습니다. 서비스는 전용 VPC와 프라이빗 서브넷 안에 구성해 데이터를 격리했습니다.

그 결과 OTalk은 작업 지시, TBM, 안전 교육, 선주 미팅까지 사용 범위를 넓히며 현장 소통 수단으로 자리 잡고 있습니다. 소음이 많은 산업 현장에서 다국어 소통 서비스를 검토하고 있다면 아래 자료를 참고하시고, 궁금한 점은 AWS 담당자에게 문의해 주세요.

AWS 기술 블로그