최신 기술 콘텐츠

TecAce가 AX Diagnostic을 만든 이유와, 그것으로 무엇을 알 수 있는지에 대하여

"스마트폰에 AI를 올린다고요?" — 시작된 무모한 도전 테크에이스 AI Supervision 팀의 On-Device LLM Tester 제작기 "저... 스마트폰에서 LLM 성능을 자동으로 측정하고 싶어요." 회의실에 잠깐의 침묵이 흘렀다. 우리 팀은 자체 온디바이스 AI 챗봇을 개발 중이었다. 문제는 모델을 바꿀 때마다 테스트하는 사람이 직접 폰을 붙들고, 프롬프트를 하나씩 보내고, 시간을 손으로 재야 했다는 것. 그 과정이 무려 60분 넘게 걸렸다. 당시 챗봇에는 3B 파라미터 모델이 탑재되어 있었는데, Phi-4 Mini(3.8B), Gemma 3(4B), Llama 3.2(3B), Qwen 3(4B) 같은 신모델들이 쏟아지고 있었다. 이 모델들을 일일이 수동으로 테스트하다간 모델 비교만 하다가 한 달이 지나가는 상황. "그냥 자동화합시다." 그렇게 On-Device LLM Tester 프로젝트가 시작됐다. 목표는 딱 세 가지였다. Hugg

DESIGNER IS NOT DEAD AI Transformation 시대, 디자인은 툴이 아니라 기준의 문제가 된다 Figma냐 Adobe냐가 핵심이 아니다. AI 도구가 많아지는 시대의 진짜 질문은 이것이다. 툴이 바뀌어도 브랜드와 작업 기준은 유지되는가? 요약 (Executive Summary) AI 도구가 늘어나면서 “이제 Figma 없이도 되나?”, “Adobe 없이도 디자인할 수 있나?”라는 질문이 많아졌습니다. 하지만 이 질문은 핵심을 조금 비껴갑니다. 중요한 것은 디자이너가 필요 없어지는가가 아닙니다. 오히려 AI 시대에는 디자이너의 역할이 더 넓어지고 있습니다. 단순히 하나의 툴을 잘 다루는 것을 넘어, 어떤 기준으로 만들고, 어떤 결과물을 선택하며, 어디까지 수정하고 승인할지를 판단하는 역할이 중요해졌습니다. 예전에는 툴이 중심이었습니다. 어떤 프로그램을 얼마나 잘 다루는지가 생산성과 품질을 결정했습니다. 이제는 다릅니다. Fig

Gartner는 AI 실패의 85%가 데이터 품질 문제라고 했다. 한국·미국 SMB·중견기업에서 반복 관찰되는 3가지 실패 패턴과, 도입 전 자가진단용 20개 체크리스트. 이 중 진짜 사람이 해야 할 일은 단 8개다.

5개 시스템에 흩어진 12,000개의 문서를 8,500개 노드·23,000개 관계의 살아있는 지식 그래프로. Ontology 기반 RAG·Multi-Agent 파이프라인·Human-in-the-Loop 거버넌스를 결합한 TecAce AXKH 도입 6개월의 실측 결과.

인터넷이 없는 곳에서도 AI는 작동해야 합니다. TecAce On-device는 OTA 업데이트와 오프라인/온라인 하이브리드 아키텍처를 결합하여, 신호가 닿지 않는 공장 현장부터 산속 캠핑장까지 — 어디서든 최신 지식을 제공합니다. 이 아티클에서는 TecAce 플랫폼이 적용될 수 있는 5가지 산업 사례를 구체적인 시나리오와 함께 살펴봅니다. 사례 1. 현장 작업자용 AI 매뉴얼 동반자 Field AI Companion — 공장 · 조선소 · 플랜트 ▲ 현장 작업자가 태블릿으로 AI 매뉴얼에 접근하는 실제 환경 숙련공이 떠나도 지식은 남는다. 제조·건설·플랜트 현장의 가장 큰 위기는 '지식 이탈'입니다. 20년 경력의 기술자가 퇴직하는 순간, 수백 장의 장비 매뉴얼과 현장 노하우가 함께 사라집니다. 신입 작업자는 인터넷도 안 되는 현장에서 수백 페이지 PDF를 뒤지거나 선배에게 전화를 겁니다. TecAce의 Field AI Companion은 현장

프롬프트 기반 UI·문서·프로토타입 워크플로우 디자인은 이제 마우스로만 만드는 일이 아니라, AI와 대화하며 구조를 잡는 일이 되고 있다. 요약 (Executive Summary) Claude Design과 같은 대화형 디자인 도구는 디자인의 시작점을 바꾸고 있습니다. 이제 디자인은 빈 캔버스에서만 시작되지 않습니다. 사용자가 원하는 것을 설명하면 AI가 첫 번째 버전을 만들고, 이후 대화와 코멘트, 직접 편집을 통해 결과물을 다듬는 방식이 점점 보편화되고 있습니다. 이 변화는 디자인 생산성을 크게 높입니다. UI 구조, 문서 초안, 슬라이드, 원페이저, 프로토타입까지 대화형 방식으로 빠르게 만들 수 있기 때문입니다. 하지만 동시에 위험도 커집니다. 누구나 대화로 디자인할 수 있다면, 누구나 브랜드를 흔들 수도 있습니다. TecAce는 이 문제를 단순한 프롬프트 교육으로 해결할 수 없다고 판단했습니다. 필요한 것은 “프롬프트를 잘 쓰는 개인”이 아

ChatGPT에게 이메일 초안을 부탁하고, Gemini에게 보고서 요약을 맡깁니다. 마치 나만을 위해 일하는 비서처럼 느껴지죠. 믿음이 갑니다. 그런데 바로 그 믿음이 문제의 시작입니다. AI는 친절합니다. 그래서 더 위험합니다. 2023년, 삼성전자 반도체 사업부에서 엔지니어 세 명이 한 달 사이 세 차례에 걸쳐 ChatGPT에 소스코드, 내부 회의록, 하드웨어 설계 데이터를 입력했습니다. 디버깅을 하려고, 회의를 요약하려고, 아주 일상적인 이유였습니다. 결과는 삼성 전사 AI 사용 긴급 제한 조치였습니다. "우리 같은 작은 회사는 해커가 관심도 없을 거야." 그렇게 생각하셨다면, 2025년에 일어난 일을 보셔야 합니다. 보안 연구원들이 다크웹에서 발견한 ChatGPT 로그인 정보가 22만 5천 건이었습니다. ChatGPT가 해킹당한 게 아닙니다. 직원 PC에 감염된 인포스틸러 멀웨어가 로그인 정보를 훔쳤고, 그 계정에 저장된 모든 대화 이력이

DESIGNER IS NOT DEAD 제작자에서 시스템 설계자로 AI가 디자인을 대신하는 시대가 아니라, 디자이너가 AI가 따라야 할 기준을 설계하는 시대다. AI가 화면과 문서를 빠르게 만들수록 디자이너의 역할은 더 중요해집니다. 이제 디자이너는 모든 결과물을 직접 만드는 사람이 아니라, AI와 조직이 따라야 할 브랜드 기준과 디자인 시스템을 설계하는 사람이 되어야 합니다. 요약 (Executive Summary) AI가 디자인 생산 속도를 근본적으로 바꾸면서 디자이너의 역할도 함께 바뀌고 있습니다. 이제 화면, 문서, 슬라이드, 프로토타입의 초안은 더 이상 디자이너만의 영역이 아닙니다. 기획자도 AI로 화면을 만들고, 마케터도 슬라이드를 만들며, 영업팀도 제안서를 만듭니다. 겉으로 보면 생산성이 올라간 것처럼 보입니다. 하지만 실제로는 새로운 문제가 생깁니다. 결과물은 많아졌는데 기준은 없고, 속도는 빨라졌는데 브랜드는 흔들립니다. 디자인팀은

요약 (Executive Summary) AI를 활용한 미팅 요약은 이미 많은 기업에서 활용하고 있는 기능입니다. TecAce Software 역시 다양한 솔루션으로 미팅 요약을 받아 생산성을 높여왔습니다. 그러나 '누구에게나 동일한 요약', '맥락이 끊긴 단편적인 요약'이라는 한계를 극복하기 위해 내부적으로 개인화 AI 미팅노트 시스템을 자체 개발했습니다. Speaker 인식, Ontology 기반 관계 정의, Project 폴더 컨텍스트 기능을 통해 미팅노트는 단순 기록을 넘어 의사결정을 돕는 인텔리전스 도구로 진화했습니다. 도전 과제 (The Challenge) 미팅 녹음을 AI로 요약하는 것은 이제 어렵지 않습니다. 하지만 실제 업무에서 쓰다 보면 금방 한계에 부딪힙니다. 핵심 문제점: 획일적인 요약 : 보고하는 사람과 보고받는 사람이 같은 요약본을 받는 것은 비효율적입니다. 임원은 의사결정에 필요한 핵심만, 실무자는 자신에게 할당된 액션

요약 (Executive Summary) 본 케이스 스터디는 매출·비용·현금흐름 데이터가 Excel, ERP, SharePoint 등 5개 시스템에 분산돼 있어 정확한 현황 파악과 신속한 의사결정이 어려웠던 TecAce Software의 내부 문제를 해결한 사례를 소개합니다. AI 솔루션 전문 기업으로서 자체 기술을 내부 문제에 직접 적용했습니다. Vibe Coding 방식으로 빠르게 프로토타이핑하고, Multi-Agent 아키텍처를 통해 현금흐름 분석·매출 예측·What-if 시뮬레이션을 전담 AI 에이전트가 자율적으로 처리하는 시스템을 구축했습니다. 그 결과, 데이터 입력 포인트를 60% 이상 줄이고 실시간 비즈니스 인사이트를 확보하는 데 성공했습니다. 도전 과제 (The Challenge) TecAce Software가 성장을 거듭하면서 업무를 지원하는 도구도 다양해졌습니다. 그러나 이 다양성이 오히려 발목을 잡기 시작했습니다. 매출·비용·현

왜 이 테스트가 중요한가 SoC 세대 하나가 추론 속도를 29% 바꿉니다. 미드레인지 폰에서 Gemma3를 실용적으로 쓸 수 있는지, 숫자로 확인했습니다. 온디바이스 LLM을 보급형 스마트폰에 탑재할 때 가장 큰 질문은 "어떤 칩셋에서 실용적인 속도가 나오느냐"입니다. 갤럭시 A16·A26·A36·A56 4종에 gemma-3-270m-it-int8 모델을 MediaPipe CPU 백엔드로 구동하고, 25개 프롬프트에 대한 추론 속도·메모리·정확도를 측정했습니다. 추가로 병렬(4대 동시) vs 직렬(순차, 2회 반복) 두 방식으로 테스트해 실행 방식이 결과에 영향을 주는지도 검증했습니다. 결론: 병렬/직렬 차이는 없었고, SoC 세대 차이는 컸습니다. 테스트 환경 4종 디바이스 모두 동일한 모델 파일과 MediaPipe 엔진을 사용했습니다. 변수는 SoC와 Android 버전뿐입니다. 디바이스 모델명 SoC Android CPU Max Heap

이미지를 클릭하시면 리포트를 확인하실 수 있습니다. Google의 Gemma 시리즈가 3n에서 4세대로 업그레이드됐습니다. 새 모델이 나올 때마다 가장 먼저 드는 질문은 하나입니다. “실제 기기에서 얼마나 빠를까?” TecAce는 그 질문에 직접 답하기 위해 Samsung Galaxy S25 Ultra에서 두 세대를 동일한 조건으로 테스트했습니다. 이번 테스트는 llama.cpp CPU 추론 엔진을 기준으로, Gemma 3n E2B Q8_0(이전 세대 베이스라인)과 Gemma 4 E2B의 세 가지 양자화 변형(Q3_K_M, Q4_K_M, Q8_0)을 총 네 가지 구성으로 비교했습니다. 단순 속도 측정이 아닌 요약, 구조화 출력, 코드 생성, 수학 연산 등 실제 앱 시나리오 기반의 태스크별 지연 시간과 정확도까지 함께 측정했습니다. 결론부터 말하면: Gemma 4는 대부분의 영역에서 확실한 세대 발전을 보여줍니다. 하지만 양자화 선택에 따라 수

Galaxy S25 vs S26: 온디바이스 AI 성능 반전 결과! (Snapdragon 8 Elite Gen 1 vs Gen 2) 최신 스마트폰의 AI 성능, 숫자가 높다고 무조건 빠를까요? TecAce에서 진행한 실측 데이터를 통해 Galaxy S25와 S26의 온디바이스 LLM 성능을 전격 비교해 보았습니다. 테스트 개요 비교 기기: Galaxy S25 (Snapdragon 8 Elite) vs Galaxy S26 (Snapdragon 8 Elite Gen 2) 테스트 모델: Gemma3 1B (INT4): 반응 속도 중심의 초경량 모델 Qwen2.5 1.5B (Q8): 높은 정밀도의 복잡한 추론 모델 테스트 규모: 총 108회 테스트 (27종 프롬프트, 11개 카테고리 수행) 한눈에 보는 핵심 성능 지표 단순히 S26이 모든 면에서 우세할 것이라는 예상과 달리, 두 기기는 서로 다른 강점을 보였습니다. 지표 (Gemma3 1B 기준) Gal

중소 제조기업이 AI 전환에 성공하는 5가지 핵심 패턴을 소개합니다. 현장 지식 챗봇, 예지보전, AI 품질 검사, 수요 예측, 고객 응대 자동화까지 실제 사례 기반 실행 전략을 제공합니다.

개요: AI 안전을 위한 두 가지 접근법 대규모 언어 모델(LLM)을 활용한 챗봇을 안전하게 운영하기 위해  사전 차단 (pre-blocking)과  사후 모니터링 (post-monitoring) 두 가지 전략이 존재합니다.  사전 차단 은 사용자  프롬프트를 미리 필터링 하거나 입력 단계에서 제약을 걸어 위험한 요청을 모델 추론 전에 차단하는 방법입니다. 반면  사후 모니터링 은 LLM이 응답을 생성한  후에 해당 출력을 실시간 또는 사후에 감시 하고 감사하여 부적절한 응답이 최종 사용자에게 전달되지 않도록 하는 접근입니다. 최근 엔터프라이즈 SaaS 환경의 챗봇에서는 이러한 안전 전략의 중심이  사전 차단 에서  실시간/사후 출력 모니터링 으로 이동하고 있습니다. 본 분석에서는 왜 이런 변화가 일어나고 있는지, 주요 LLM 제공업체들은 이를 어떻게 구현하고 있는지, 그리고 기업이 자체 AI 감독(Supervision) 레이어를 구축할 때 무

실제 프롬프터를 통해 보여지는 AI 번역 솔루션 요약 (Executive Summary) 본 Case study는 다국어 환경의 기업 워크숍에서 발생하는 소통의 어려움을 해결하기 위해 개발된 자체 AI 기반 실시간 번역 솔루션 에 대해 이야기하려고 합니다. OpenAI API를 기반으로 초기 모델을 구축했으나, 사내 고유 용어 및 임직원 이름 오역 문제를 겪었습니다. 이를 해결하기 위해 자체 개발한 컨텍스트 인식 지식 베이스(Context-Aware Knowledge Base)를 연동 하여 번역 정확도를 획기적으로 개선하고, 낮은 지연 시간(Latency)을 구현하여 원활한 양방향 소통을 가능하게 한 성공 사례를 소개합니다. 도전 과제 (The Challenge) 사내에 여러 언어를 사용하는 임직원들이 함께 참여하는 워크숍이 많아졌습니다. 하지만 언어의 장벽은 아이디어 공유를 저해하고, 일부 참여자의 소외감을 유발하는 등 워크숍의 본질적인 목표 달

프로젝트 개요 스마트폰 제조사의 제품 정보를 제공하는 리테일 챗봇 프로젝트는, 온라인 환경 에서 고객 문의에 신속하게 대응하고, 제품 상담의 품질을 한 단계 끌어올리기 위해 추진되었습니다. 챗봇은 단순 정보 제공을 넘어, 실제 사용자의 상황과 문의 흐름을 파악하여 제품 추천, 실시간 Q&A, 구매·프로모션 안내 등 다양한 역할을 수행하도록 설계되었습니다. 비즈니스 요구사항 본 프로젝트의 비즈니스 목표는 세 가지로 요약할 수 있습니다. 첫째, 24시간 365일 언제나 고객의 질문에 빠르게 응답할 수 있는 자동화된 상담 환경 구현입니다. 둘째, 브랜드의 공식 어조와 전문성을 바탕으로 하면서도, 고객에게 친근하게 다가갈 수 있는 균형 잡힌 대화 경험 제공이었습니다. 마지막으로, 개인정보 보호 및 경쟁사 언급 차단 등 철저한 보안 정책 준수를 통해 브랜드 리스크를 최소화하는 것이었습니다. 1. Synthetic Test Case 생성 시스템 AI 에이전트

AI 보이스피싱 차단 기술의 진화 : 한국 기업의 혁신 보안 솔루션 한국의 보이스피싱 범죄가 급증하면서 국내 통신사들이 AI 기반 보이스피싱 및 스팸 차단 서비스를 대폭 강화하고 있다. 2025년 1분기에만 보이스피싱 피해액이 3,116억 원에 달하며 전년 동기 대비 2.2배 증가한 상황에서, 통신사들은 기존의 수동적 차단 방식을 넘어 실시간 AI 분석을 통한 능동적 보안 솔루션을 도입하고 있다. 보이스피싱 피해 급증과 대응 필요성 한국의 보이스피싱 범죄는 지속적으로 증가하고 있다. 2018년부터 2022년까지 5년간 총 227,126건의 피싱 사기가 신고되었으며, 피해액은 1.66조 원에 달했다. 특히 2023년에는 피해액이 4년 만에 처음으로 증가세로 돌아서며 195억 원을 기록했고, 2025년 1분기에는 5,878건의 사건이 발생해 전년 동기 대비 17% 증가했다. 범죄 수법도 점점 정교해지고 있다. 범죄자들은 정부기관을 사칭하는 경우가 51