AI보다 중요한 건 기술이 아니라 ‘제조 현장을 읽는 힘’ ‘스몰 데이터·스몰 윈’ 중소 제조업 AX의 현실적 공식 국내 제조업 현장에서 AI 도입은 더 이상 낯선 화두가 아니다. 불량 판정, 공정 최적화, 설비 예지보전 등 기술적 가능성은 이미 충분히 검증됐고, 스마트 팩토리라는 이름 아래 자동화와 시스템 구축도 상당 부분 이뤄졌다. 그럼에도 불구하고 많은 기업들은 여전히 PoC 단계에 머물거나, 파일럿 이후 전사 확산에 실패하며 ‘제조 AX’로의 전환 문턱을 넘지 못하고 있다. 문제는 기술의 성숙도인가, 데이터와 인프라의 한계인가, 아니면 조직과 경영의 문제인가. 이번 좌담회는 이러한 질문에서 출발해, 제조 AX가 단순한 기술 도입이 아닌 ‘현장을 읽는 힘’, ‘문제 정의의 역량’, 그리고 ‘운영의 오너십’에 달려 있음을 짚어본 자리였다. 특히 중소 제조기업이 직면한 비용 부담, 데이터 디지털화 수준, 조직 수용성이라는 현실적 제약 속에서 AX를 어떻게 단계적으로 실행할 수 있을지, 그리고 정부 정책과 산업 생태계는 어떤 역할을 해야 하는지를 심도 있게 논의했다. 기술 중심 담론을 넘어, 제조의 본질과 경영 전략의 문제로 AX를 다시 묻는 시간이었으며,
스마트공장 도입이 확산됐지만, 국내 제조 현장에서는 여전히 납기 지연과 계획 변경이 반복된다. ERP와 MES가 구축돼 있음에도 불구하고 생산 일정은 엑셀과 경험에 의존하는 경우가 많다. KSTEC 이윤준 기술이사는 이러한 현실을 두고 “데이터는 충분하지만, 그 데이터를 기반으로 미래를 예측하고 판단하는 체계가 없다”고 지적한다. 실제로 제조업의 디지털 전환은 설비 자동화와 실적 관리 단계에 머물러 있고, 수요 변동·설비 장애·긴급 주문에 선제적으로 대응하는 생산계획 체계는 부재한 경우가 많다. 이 간극을 메우는 해법으로 주목받는 것이 APS(Advanced Planning & Scheduling)다. KSTEC이 공개한 SyncPlan APS는 ERP와 MES 사이에서 수요 계획, 생산 계획, 공정 스케줄링을 연결하며, 다단계 계획과 목표 기반 알고리즘을 통해 납기, 재고, 설비 가동률을 동시에 고려한 의사결정을 가능하게 한다. 스마트공장 고도화의 다음 단계는 더 많은 데이터를 쌓는 것이 아니라, 계획을 중심으로 한 의사결정 구조를 만드는 데 있다. 스마트공장 고도화의 벽, ‘계획’이라는 블라인드 스폿 국내 제조업은 지난 10여 년간 빠르게 자동화와
제조 현장에 AI를 도입했지만, 실제로 운영되는 사례는 많지 않다. 수많은 제조 AI 프로젝트가 PoC 단계에서 멈추거나 양산 라인에 안착하지 못한 채 사라졌다. 이 문제를 기술 한계로만 설명하는 시선도 여전하다. 그러나 라온피플 윤기욱 CTO는 제조 AI의 실패 원인을 전혀 다른 지점에서 짚는다. “제조 AI는 기술 문제가 아니라 운영 구조의 문제”라는 것이다. GPU 인프라와 AI 전문 인력을 전제로 설계된 기존 접근 방식은 오래된 생산 라인과 복잡한 공정 환경을 가진 제조 현장과 충돌할 수밖에 없었다. 여기에 데이터 관리, 모델 유지, 성능 저하 대응이라는 현실적인 과제가 더해지며 제조 AI는 ‘도입은 했지만 쓰이지 않는 기술’로 남았다. 라온피플은 제조 AI 플랫폼 ‘NAVI AI PRO’, 통합 MLOps 플랫폼 ‘EZ PLANET’, 생성형 AI 기반 지능형 관제 ‘Odin AI’, AI 에이전트 ‘HI FENN’을 통해 이 구조적 한계를 재정의하고 있다. 여기서는 제조 AI와 생성형 AI가 어떻게 ‘현장에서 살아남는 기술’로 전환되고 있는지를 짚는다. 제조 AI는 왜 현장에 정착하지 못했나 제조 AI는 오랫동안 ‘도입 대비 효과가 불분명한 기술’
스마트 팩토리와 자동화가 제조·물류 현장의 필수 조건으로 자리 잡았지만, 여전히 많은 현장에서는 ‘완전한 자율’에 이르지 못하고 있다. 로봇은 도입됐지만 환경 변화에 취약하고, 시스템은 복잡하며, 비용 부담은 여전히 높은 것이 현실이다. 특히 자율이동로봇(AMR)의 핵심 요소인 센서와 자율주행 기술이 외산에 의존해온 구조는 국내 산업 자동화의 한계로 지적돼 왔다. 이러한 가운데 유진로봇은 라이다 센서부터 자율주행 알고리즘, 현장 적용 솔루션까지 전 영역을 자체 기술로 내재화하며 스마트 팩토리 자동화의 새로운 해법을 제시하고 있다. 단순한 물류 자동화를 넘어, 로봇이 스스로 환경을 인식하고 판단하며 인간과 공존하는 ‘자율제조’ 단계로의 진화를 어떻게 구현하고 있는지, 그리고 그 기술이 실제 산업 현장에서 어떤 변화를 만들고 있는지에 주목할 필요가 있다. 인구 구조 변화와 숙령공·인력 부재는 글로벌 제조 산업이 직면한 가장 큰 과제로 분석된다. 공장·물류센터에서 물건을 실어 나를 인력이 사라지는 시대. 그 빈자리를 메우기 위해 등장한 기술 대안이 바로 로봇이다. 특히 자율주행로봇(AMR)은 이제 선택이 아닌 생존을 위한 필수 인프라가 됐다. 하지만 시장 팽창 속
로봇 산업의 화두는 이제 ‘얼마나 정교하게 움직이느냐’보다 ‘얼마나 작고, 가볍고, 효율적으로 움직이느냐’로 옮겨가고 있다. 특히 휴머노이드와 협동로봇을 중심으로 소형·경량화 경쟁이 본격화되면서, 로봇 구동부를 구성하는 모터·감속기·제어 기술은 더 이상 개별 부품의 성능 문제가 아닌 ‘통합 설계’의 영역으로 진입했다. 딩스코리아 장준호 대표가 제시한 ‘소형 모터 기반 로봇 구동 통합 솔루션’은 이러한 산업적 전환점을 정확히 겨냥한다. 복잡한 배선 구조와 과도한 공간 점유, 충격과 내구성의 한계를 동시에 안고 있던 기존 로봇 구동 방식에서 벗어나, 하나의 조인트 모듈로 정밀 제어·내구성·확장성을 모두 해결하겠다는 접근이다. 이는 단순한 부품 혁신이 아니라, 로봇 설계와 개발 방식 자체를 바꾸는 제안이라는 점에서 주목할 만한 해법으로 평가된다. 국내 로봇 산업이 글로벌 3대 강국으로 도약하기 위한 결정적 분수령을 맞이했다. 정부의 대규모 투자와 기업의 프로젝트 집중에도 불구하고, 여전히 로봇 제조 원가의 약 70% 이상을 차지하는 하드웨어 부품의 ‘내재화’와 ‘비용 최적화’는 해결되지 않은 숙제다. 특히 모터(Motor)·감속기(Reducer)·제어기(Contr
스마트 팩토리가 더 이상 새로운 화두가 아닌 시대에, 제조 현장의 경쟁력을 가르는 기준은 설비 자동화 수준이 아니라 ‘데이터를 어떻게 연결하고 활용하느냐’로 옮겨가고 있다. 현장에서 생성되는 생산·물류·설비 데이터가 경영 시스템과 단절된 채 흩어져 있다면, 아무리 많은 시스템을 도입해도 의사결정은 느릴 수밖에 없다. 이러한 문제의식 속에서 비젠트로는 ERP와 MES를 개별 시스템이 아닌 하나의 유기적 구조로 통합하는 접근법을 제시하고 있다. 비젠트로 김병수 상무는 제조 데이터가 실시간으로 연결되고, 현장의 변화가 즉각 경영 지표로 반영되는 구조야말로 자율형 스마트 팩토리로 가는 핵심 조건이라고 강조한다. 엑셀 중심의 수작업 관리, 시스템 간 데이터 불일치, 현장 가시성 부족이라는 국내 제조사의 고질적 한계를 어떻게 해소할 수 있을지, 비젠트로의 솔루션이 그 해법을 제시한다. 국내 제조 현장의 스마트 팩토리 전환이 단순한 외형 성장을 넘어 ‘질적 고도화’라는 중대한 임계점에 도달했다. 정부의 강력한 드라이브와 기업의 대규모 투자로 자동화 설비와 로봇 도입은 가시적인 성과를 거뒀으나, 정작 이를 운영하는 ‘디지털 혈맥’인 데이터 연동에서는 여전히 심각한 병목 현
제조 현장에서 자동화의 무게 중심이 빠르게 이동하고 있다. 무인지게차와 AGV, 자동창고가 늘어났음에도 공장이 기대만큼 빨라지지 않는 이유는 ‘장비’가 아니라 ‘흐름’에 있다. 미라콤아이앤씨 김이루 상무는 제조 현장 최적화를 가로막는 핵심 원인으로 물류 흐름의 단절을 지목하며, 제조 물류 자동화의 해법으로 소프트웨어 중심 통합 제어 전략을 제시했다. 생산 공정은 고도화됐지만, 공정 간 이동과 반송이 사람 중심으로 운영되는 한 공장 전체 최적화는 불가능하다는 진단이다. AGV와 자동창고, 컨베이어를 개별 장비가 아닌 하나의 시스템으로 묶는 MCS·WCS, 그리고 MES 연계를 통해 생산과 물류를 실시간으로 연결하는 구조가 새로운 기준으로 떠오르고 있다. 제조 물류 자동화는 이제 인력 대체를 넘어, 공장을 멈추지 않게 만드는 핵심 경쟁력이 되고 있다. 자동화된 공장이 멈추는 이유 제조 현장은 이미 상당 부분 자동화됐다. 생산 설비는 고속화·지능화됐고, 검사 공정은 데이터 기반으로 품질 편차를 줄여왔다. 하지만 많은 현장에서 공정 전체의 체감 생산성은 기대만큼 오르지 않는다. 미라콤아이앤씨 김이루 상무는 이 지점을 제조 물류에서 찾는다. 그는 “설비는 자동화됐지만
정책은 AI를 향하지만, 산업 승부는 장비·기계 기술에서 갈린다 AI 이후 준비하는 제조업, 한국이 마주한 구조적 한계와 선택지 제조업 현장에서 인공지능(AI)은 더 이상 선택의 문제가 아니다. 공정 자동화, 품질 검사, 예지보전, 자율로봇 운영까지 AI는 제조 경쟁력의 핵심 도구로 자리 잡았다. 글로벌 제조 AI 시장은 2025년 약 342억 달러에서 2030년 1,550억 달러 규모로 성장할 것으로 전망되며, 연평균 성장률은 35%를 상회한다. 주요 제조국들은 예외 없이 AI를 제조업 혁신의 핵심 축으로 삼고 정책과 투자를 확대하고 있다. 그러나 최근 산업계와 정책 현장에서 보다 근본적인 질문이 제기되고 있다. AI 경쟁이 일정 수준에 도달한 이후, 제조업의 진짜 승부처는 어디인가라는 물음이다. 한국기계연구원이 발간한 기계기술정책 보고서는 이에 대해 분명한 방향성을 제시한다. AI 경쟁의 다음 국면에서 국가와 기업의 경쟁력을 가르는 요소는 AI 그 자체가 아니라, AI가 구현되는 ‘기계와 장비의 본질적 성능’이라는 진단이다. AI가 주도한 제조 혁신, 그러나 물리적 한계는 여전히 존재 제조 AI는 방대한 데이터를 분석해 공정의 최적해를 도출하고, 불량과
[AI] 오픈AI, 스크린 없는 미래에 베팅…오디오 AI가 주 인터페이스로 부상 오픈AI가 오디오 AI를 차세대 핵심 전략으로 전면에 내세우고 있다. 이는 단순히 챗봇 음성을 자연스럽게 만드는 수준을 넘어, 스크린 없는 개인 디바이스 시대를 겨냥한 포석으로 해석된다. 외신에 따르면 오픈AI는 최근 두 달간 엔지니어링·제품·연구 조직을 통합해 오디오 모델 전면 개편에 착수했으며 약 1년 뒤 오디오 중심 개인 기기 출시를 준비 중이다. 이 같은 움직임은 실리콘밸리 전반에서 확산되는 ‘스크린 탈피’ 흐름과 맞닿아 있다. 이미 스마트 스피커는 미국 가정의 3분의 1 이상에 보급되며 음성 인터페이스를 일상에 정착시켰다. 메타는 레이밴 스마트 글래스에 다중 마이크 기반 청취 보조 기능을 도입했고, 구글은 검색 결과를 대화형 음성 요약으로 변환하는 실험을 시작했다. 테슬라는 xAI의 챗봇을 차량에 통합해 내비게이션과 공조 시스템까지 음성 대화로 제어하는 환경을 구축하고 있다. 빅테크뿐 아니라 스타트업들도 같은 방향에 베팅하고 있다. 화면 없는 웨어러블을 표방한 휴먼 AI 핀은 막대한 자금을 소진한 끝에 실패 사례로 남았고, ‘동반자 AI’를 내세운 펜던트형 기기는 프라이
제조업은 지금 ‘탄소 중립’이라는 거대한 전환점을 향해 움직이고 있다. 생산성을 유지하면서도 탄소 배출을 줄여야 하는 이 난제를 풀 해법으로 급부상한 기술이 적층 제조, 즉 3D 프린팅이다. 스트라타시스는 폴리젯·FDM·SAF 등 5대 핵심 기술 포트폴리오를 기반으로 설계–엔지니어링–양산까지 전 과정을 혁신하는 로드맵을 제시한다. 재료를 필요한 만큼만 쌓아 올려 폐기물을 최대 90%까지 줄이고, 분산 제조로 물류 탄소를 줄이며, 생성형 설계로 경량화까지 실현한다는 점에서 지속 가능한 제조의 새로운 표준을 제시한다. 기존 감산·성형 중심의 패러다임을 넘어, 중소량·다품종 생산 중심의 유연한 제조 혁신을 가능하게 한다는 점에서 3D 프린팅은 단순한 기술이 아니라 제조업 재설계의 방향성을 보여주는 전략적 솔루션으로 자리 잡고 있다. 감산에서 적층으로...제조 패러다임 전환 오늘날 전 세계 제조업은 탄소 중립과 넷제로(Net-zero)라는 피할 수 없는 시대적 지향점을 마주하고 있다. 이는 생산성을 희생하지 않으면서 탄소 배출을 획기적으로 줄여야 하는 기술적 한계를 동시에 요구한다. 이러한 고질적인 난제에 대한 로드맵을 제시하는 솔루션 중 하나가 적층 제조(Addi
AI가 제조업의 ‘안전’과 ‘자율화’를 동시에 끌어올리는 전환점에 도달했다. 중대재해처벌법과 ESG 규제가 강화되는 지금, 생산성만 높이는 공장은 더 이상 경쟁력을 갖기 어렵다. LS일렉트릭 김재신 부장은 ‘2025 AI 자율제조혁신 포럼’에서 “현재 국내 제조현장의 자율화 수준은 10점 만점에 4.5점”이라는 진단을 내놓으며, AI 기반 제조 안전 전략을 자율제조의 출발점으로 제시했다. 발표에서 김 부장은 위험성 평가를 자동화하는 AI 관제, 화재·끼임·지게차 충돌 등 9대 사고 감지, 디지털 트윈 기반 실시간 관제, 중소기업을 위한 SaaS형 안전 AI 등도 실제 사례와 함께 공개했다. 공장이 스스로 위험을 감지하고, 스스로 설비를 멈추고, 스스로 대피 동선을 제시하는 시대—LS일렉트릭이 공개한 로드맵은 제조업이 어디로 가야 하는지를 분명하게 보여준다. 왜 ‘AI 안전’이 먼저인가 제조업은 지금 ‘자율제조(Autonomous Manufacturing)’라는 거대한 전환점 앞에 서 있다. 생산 오더가 발행되는 순간부터 완제품이 고객에게 인도되기까지, 사람의 개입 없이 공장이 스스로 판단하고 움직이는 상태를 목표로 삼는 흐름이 빨라지고 있다. 그러나 현실은
제조업의 디지털 전환 속도가 빨라지면서 ‘AI 자율제조’가 새로운 경쟁 지표로 떠오르고 있다. 특히 부품 데이터의 비효율과 중복 설계, 악성 재고, 공정 불량이 기업 성능을 떨어뜨리는 핵심 요인으로 지목되면서, 이를 해결하기 위한 AI 기반 부품 관리 솔루션이 주목받고 있다. 알텐코리아의 ‘ONEPART’는 3D 형상 AI 분석과 전사 부품 통합 데이터베이스를 기반으로 유사·대체 부품을 자동 탐색하고, 공용화 전략과 상위 원가 분석까지 수행하는 자율제조 지원 플랫폼이다. 항공·전자·반도체·자동차 등 주요 기업에서 중복 설계 감소, 협상력 강화, 원가 절감 등 확실한 성과를 기록하며 ‘부품 데이터 혁신’의 기준으로 부상하고 있다. AI가 부품을 읽고, 판단하고, 추천하는 시대. 제조 경쟁력은 이제 부품 데이터 관리에서 시작되고 있다. 복잡해진 제조 생태계, ‘부품 데이터’가 전략 자산 제조업은 이제 단순한 제품 조립 산업이 아니다. 글로벌 공급망 재편, 부품 다변화, 규제 강화, 지속가능성 요구가 겹치면서 기업은 어느 때보다 빠르고 정확한 의사결정을 요구받고 있다. 그러나 현장의 현실은 정반대다. 부품 관련 정보가 ERP, PLM, MES, 품질·구매 시스템,
AI 팩토리 전환이 가속화되면서 제조업의 핵심 경쟁력은 더 이상 생산 자동화가 아니라 설비 보전의 지능화로 이동하고 있다. 특히 PLC 제어 프로그램을 자동 해석하고 전체 공정 시퀀스를 AI로 학습하는 기술은 설비 고장의 원인 규명부터 사전 예측까지 이어지는 새로운 제조 혁신의 기반이 되고 있다. 유디엠텍 김남기 팀장은 설비 데이터를 통합 분석하고 알람의 근본 원인을 자동 추적하며, 1~3일 뒤 이상 징후를 예측하는 기술을 공개했다. 이 기술은 자동차·반도체 산업처럼 공정 연계성이 높은 제조 현장에서 기존의 경험 기반 보전 방식이 가진 한계를 극복하고, 생산 안정성·품질 향상·비가동 손실 최소화라는 제조 혁신의 핵심 목표에 직접적으로 기여한다. AI 기반 지능형 보전은 지금 제조업이 직면한 전문 인력 감소와 복잡한 자동화 환경을 극복하기 위해 반드시 필요한 차세대 전략으로 자리 잡고 있다. 자동화의 심장, 보전의 재발견 AI 팩토리 시대라는 거대한 수식이 등장하면서 제조업은 더 빠르고 정교한 자동화를 향해 질주하고 있다. 하지만 이 화려한 진보의 그림자에는 우리가 외면해온 진실이 존재한다. 공장 자동화의 중심에는 언제나 ‘설비 보전’이 있다. 공정이 아무리
설비의 예측 불가능한 고장은 막대한 경제적 손실과 생산 효율 저하를 초래하는 기술적 한계로 작용한다. 이 가운데 기존의 전통적인 유지보수 방식은 점차 한계를 드러내고 있다. 산업 현장에서 설비자산성능관리(APM)는 이제 고장 후 사후 대응에만 집중되지 않는다. 사전에 문제를 예측·대비하는 새로운 패러다임을 노리고 있다. 이처럼 비효율적인 대응 구조를 벗어나고자, 제조업의 미래를 결정지을 인공지능(AI) 기반 자율제조(Autonomous Manufacturing) 시대가 도래했다. 과업별로 모델을 개발해야 했던 머신러닝(Machine Learning)의 부족한 부분을 근본적으로 극복하는 새로운 지향점을 제시하고 있다. 이는 단 하나의 거대 모델로 모든 문제를 해결하는 파운데이션 모델(Foundation Model) 시대로의 전환을 의미한다. 이러한 신규 트렌드는 생산 현장 전체의 운영 및 유지 보수(O&M) 프로세스를 혁신할 구체적인 로드맵으로 기대받고 있다. ‘사후 유지보수’ 시대 저문다...고장 모드를 예측하는 산업 AI의 눈 이러한 배경에서 원프레딕트는 각 산업에 기반을 둔 새로운 접근법을 강조한다. 이 회사는 APM 솔루션을 공급하며 설비의 원초
제조업 탈수도권 이동…충청·호남·영남의 산업 새판짜기 경쟁 아닌 연합, 지역 간 제조업 협력모델의 새로운 해답 한국 제조업의 지도가 조용히 바뀌고 있다. 수도권 과밀로 인한 비용 상승, 환경 규제, 인력난이 겹치면서 제조업체들이 지방으로 이동하고 있다. 동시에 충청권은 첨단산업의 신거점으로, 호남권은 특화산업 중심의 성장지로, 영남권은 고도화된 생산 허브로 각각 재정의되고 있다. 하지만 단순한 ‘이전’만으로는 산업 균형을 달성할 수 없다. 제조업의 다음 과제는 지역 간 연결과 협력, 즉 산업 연합을 통한 지속 가능한 성장이다. 본 기획에서는 한국산업단지공단 정책연구팀이 발표한 「지역 간 제조업체 입지 이동의 결정요인과 경제 효과 분석」 보고서를 토대로 제조업체의 지역 간 이동 요인과 그 결과를 다각도로 분석하고, 향후 균형발전을 위한 제도 개선 방향까지 제시한다. 이동의 배경 : 수도권 피로와 지방의 기회 지난 10여 년간 제조업의 수도권 집중도는 완만히 하락했다. 반면 충청·호남·영남으로의 이전 비율은 꾸준히 증가했다. 그 배경에는 토지비 상승, 노동력 확보난, 환경 규제 강화가 있다. 수도권의 생산거점 유지비용은 중소기업들에게 감당하기 어려운 수준까지 치
상호명(명칭) : ㈜첨단 | 등록번호 : 서울,아54000 | 등록일자 : 2021년 11월 1일 | 제호 : 오토메이션월드 | 발행인 : 이종춘 | 편집인 : 임근난 |
본점 : 서울시 마포구 양화로 127, 3층, 지점 : 경기도 파주시 심학산로 10, 3층 | 발행일자 : 2021년 00월00일 | 청소년보호책임자 : 김유활 | 대표이사 : 이준원 |
사업자등록번호 : 118-81-03520 | 전화 : 02-3142-4151 | 팩스 : 02-338-3453 | 통신판매번호 : 제 2013-서울마포-1032호
copyright(c)오토메이션월드 all right reserved
UPDATE: 2026년 02월 23일 08시 48분
/pdf.png)
/smartmap_2_01.png)
/smartmap_2_04.png)
/smartmap_2_big_04.jpg)
/smartmap_2_05.png)
/smartmap_2_big_05.jpg)
/smartmap_2_08.png)
/smartmap_2_big_09.jpg)
/smartmap_2_09_2.png)
/smartmap_2_big_10_2.jpg)
/smartmap_2_11_2.png)
/smartmap_2_big_12_2.jpg)
/smartmap_2_02.png)
/smartmap_2_03.png)
/smartmap_2_06.png)
/smartmap_2_big_07.jpg)
/smartmap_2_07.png)
/smartmap_2_big_08.jpg)
/smartmap_2_12.png)
/smartmap_2_big_13.jpg)
/smartmap_2_13.png)
/smartmap_2_big_14.jpg)
/smartmap_2_14.png)
/smartmap_2_big_15.jpg)
/smartmap_2_15.png)
/smartmap_2_big_16.jpg)
/smartmap_2_16.png)
/smartmap_2_big_17.jpg)
/smartmap_2_17_2.png)
/smartmap_2_big_18_2.jpg)
/smartmap_2_18_2.png)
/smartmap_2_big_19_2.jpg)
/smartmap_2_19._2.png)
/smartmap_2_big_20_2.jpg)
/smartmap_2_20.png)
/smartmap_2_big_21.jpg)
/smartmap_2_21.png)
/smartmap_2_22.png)
/smartmap_2_23.png)
/smartmap_2_24.png)
/smartmap_2_25.png)
/smartmap_2_26.png)
/smartmap_2_27.jpg)