Gemini Robotics Cloud Preview, ER 2를 엔터프라이즈 워크플로에 도입

Google은 10월 27일 Gemini Robotics 클라우드 프리뷰를 공개하며, 기업 고객을 위한 공개 프리뷰로 ER 2 로봇 추론 모델을 제공하기 시작했다. 이번 발표는 Google Cloud를 통해 접근 범위를 넓히지만, 모델을 기계에 연결하고 그 동작을 검증하는 책임은 고객에게 남긴다.

이 구분은 중요하다. ER 2는 이미 7월에 출시됐기 때문이다. 이번 발표는 새로운 로봇 지능 모델의 첫 등장보다는 엔터프라이즈 접근성과 운영에 관한 내용이다. 핵심 긴장은 적응형 추론과 물리 장비에 필요한 예측 가능한 실행 사이에 있다.

Google은 로봇 개발에 서로 다른 접근법을 제시하는 NVIDIA 및 Physical Intelligence와 함께 이 기회를 추구하고 있다. 엔터프라이즈 구매자에게 당면한 질문은 실질적이다. 공유형 추론 서비스가 어느 영역에서 엔지니어링 작업을 줄이고, 어느 영역에서 책임이 현장에 남는가?

Gemini Robotics Cloud Preview가 바꾸는 것

즉각적인 변화는 기존 추론 모델에 대한 엔터프라이즈 접근성이 Google Cloud를 통해 더 넓어진다는 점이다.

Google의 robotics public preview 발표는 ER 2를 자사의 엔터프라이즈 플랫폼 안에 배치한다. 또한 검사, 학습 데이터, 실험실 자동화에 대한 고객 관심도 강조한다. 이러한 사례는 독립적으로 검증된 배포 성능의 증거라기보다 가능한 활용 분야를 보여준다.

이는 연구 시연과는 다른 구매 논의를 만든다. 모델을 평가하는 로보틱스 팀은 접근 권한, 운영 책임, 지원 체계, 그리고 변경 사항이 배포된 장비에 어떻게 반영되는지도 고려해야 한다. 엔터프라이즈 배포는 이런 질문을 초기 평가 단계에 더 가깝게 가져온다.

공개 프리뷰라는 점은 여전히 핵심 조건이다. 제공 여부는 고객이 적용 가능한 약관에 따라 제품을 검토할 수 있게 한다. 특정 설치 환경이 구매자의 가동 시간, 안전성 또는 지원 요구 사항을 충족한다는 의미는 아니다.

연대기를 보면 이 뉴스에 대한 오해도 막을 수 있다. Google의 ER 2 introduction은 2026년 7월 30일에 공개됐다. 해당 출시는 Gemini API와 Google AI Studio를 통한 개발자 접근을 제공했으며, 엔터프라이즈 플랫폼을 통한 비공개 프리뷰 접근도 지원했다.

ER 2는 물리적 환경을 해석하고 로봇의 행동을 계획하는 임바디드 추론 모델이다. Google은 이를 저수준 시스템에 움직임을 위임하는 고수준 두뇌로 설명한다. 회사는 비디오 기반 진행 상황 추적과 로봇 간 조정 기능도 언급한다.

이러한 기능은 모델의 의도된 역할을 설명하지만, 그것만으로 완전한 로봇 제품이 되는 것은 아니다. 구매자는 여전히 적합한 하드웨어, 정상 작동하는 제어 시스템, 명확히 정의된 작업을 갖춰야 한다. 추론 서비스는 기존 운영 시스템 안에 맞아야 한다.

이미 로보틱스를 검토 중인 엔터프라이즈라면 접근성 확대는 평가 장벽을 낮춘다. 팀은 공통 추론 계층이 자사 아키텍처에 적합한지 검토할 수 있다. 이는 전체 아키텍처가 완성된 상태로 제공된다는 뜻 없이도 의미 있는 상업적 진전이다.

이 변화는 계획 수립 결정을 앞당기기도 한다. 구매자는 모델에 맡길 의사결정과 고정 규칙이 필요한 의사결정을 구분해야 한다. 이 경계가 모호하면 이후 성능 주장을 해석하기 어려워진다.

좁게 설계된 평가는 유용한 질문에 답할 수 있다. ER 2를 추가했을 때 기존 방식과 비교해 정의된 워크플로가 개선되는가? 광범위한 시연은 실행 가능성이 더 낮은 답을 제공한다. 특정 운영을 지원할 수 있는지 입증하지 않고 가능한 상호작용만 보여준다.

이 때문에 Gemini Robotics 클라우드 프리뷰는 엔터프라이즈 배포 이벤트로서 주목할 만하다. 그 중요성은 평가 접근성을 높이고 이를 운영 요구 사항과 연결하는 데 있다. 배포 결과는 고객이 이 접근성을 바탕으로 무엇을 구축하느냐에 달려 있다.

엔터프라이즈 접근성은 로보틱스 통합업체에 압박을 옮긴다

공유형 추론 서비스는 통합업체가 정당화해야 할 요소를 바꾸는 동시에, 모델 주변 작업의 중요성을 높인다.

가장 직접적인 압박은 로봇 하드웨어를 비즈니스 프로세스와 연결하는 팀에 가해진다. 고객이 범용 추론 모델을 직접 평가할 수 있다면, 맞춤형 추론 소프트웨어는 더 명확한 정당성이 필요하다. 그러나 통합 전문성은 결과 시스템을 유용하게 만드는 데 여전히 핵심적이다.

시설 곳곳에 분산된 장비를 대상으로 하는 가상의 검사 작업을 생각해 보자. 물체를 인식하는 일은 과제의 일부일 뿐이다. 시스템은 어떤 자산을 검사했는지, 관찰이 적절했는지, 예외 사항을 어디로 보내야 하는지도 판단해야 한다.

추론 모델은 낯선 시야를 해석하거나 후속 관찰을 선택하는 데 도움이 될 수 있다. 하지만 통합업체는 여전히 이러한 결정을 시설의 장비 기록 및 운영 절차와 연결해야 한다. 고객에게 필요한 것은 고립된 답변이 아니라 책임 소재가 분명한 프로세스다.

같은 구분은 가상의 실험실 작업에도 적용된다. 계기판 표시를 해석하는 로봇에는 읽을 수 없는 값에 대응하는 규칙이 필요하다. 표시된 결과가 실험의 예상 상태와 충돌할 때 승인된 대응 방식도 갖춰야 한다.

이 사례들은 핵심 상업적 문제를 보여준다. 적응성은 기업이 이를 수용 가능한 운영 범위 안에 배치할 수 있을 때만 가치가 있다. 그 범위에는 허용되는 행동, 이를 뒷받침하는 증거, 그리고 사람이 개입해야 하는 시점이 포함된다.

통합업체에는 단순한 대체 위협보다 강조점의 이동을 시사한다. 이들의 가치는 신뢰할 수 있는 인터페이스, 예외 처리, 배포 근거로 옮겨갈 수 있다. 고객은 어느 정도의 작업이 재사용 가능하며, 어느 정도가 각 설치 환경에 고유하게 남는지 물어야 한다.

이 구분은 조달에도 영향을 준다. 모델 구독과 실제로 작동하는 로봇 애플리케이션은 서로 다른 약속이다. 카메라가 바뀌거나, 워크플로가 확장되거나, 상위 모델의 동작이 달라질 때 누가 애플리케이션을 책임지는지 구매자는 이해해야 한다.

엔터프라이즈 플랫폼은 조직 내에서 모델 접근을 더 쉽게 만들 수 있다. 하지만 이러한 소유권 문제를 자동으로 해결할 수는 없다. 따라서 성공적인 파일럿에는 로보틱스 팀, 운영 담당자, 보안 검토자, 장비 유지보수 담당자 간의 합의가 필요하다.

문서화가 배포의 일부가 되는 지점도 여기다. 팀은 승인된 동작, 알려진 실패 사례, 각 평가를 둘러싼 조건에 대한 공통 기록이 필요하다. 그렇지 않으면 서로 다른 그룹이 같은 시연에서 상충하는 결론에 이를 수 있다.

이러한 조정 작업에서 searchable knowledge base는 엔지니어가 기술 문서를 배포 결정과 연결하는 데 도움을 줄 수 있다. 테스트 결과와 운영 가정이 계속 접근 가능해야 하는 로봇 주변의 인적 검토 프로세스를 지원한다.

따라서 단기적인 압박은 구체적이다. 통합업체는 널리 제공되는 추론 모델이 어떻게 유지보수 가능한 애플리케이션이 되는지 보여줘야 한다. 엔터프라이즈 구매자는 모델 역량과 이를 활용하는 데 필요한 엔지니어링을 구분할 수 있을 만큼 명확하게 성공 기준을 정의해야 한다.

신뢰할 수 있는 제안은 예기치 않은 결과 이후 어떤 일이 일어나는지, 누가 조사하고 누가 변경을 승인하는지를 포함해 설명해야 한다. 이 답은 종종 시연에서 가장 매끄러운 부분보다 배포 준비 상태를 더 잘 드러낸다.

추론 계층에는 여전히 신뢰할 수 있는 행동 시스템이 필요하다

이 아키텍처는 작업 결정과 움직임을 분리해 유연성을 만들며, 그만큼 두 영역의 경계를 특히 중요하게 만든다.

비전-언어-행동 모델(VLA)은 시각적 관찰과 언어 지시를 로봇 행동으로 변환한다. 이는 고수준 추론 모델과 다른 역할을 맡는다. 이 구분은 제품이 무엇을 제어하고 무엇을 단지 요청하는지 평가할 때 중요하다.

Google의 task orchestration 문서는 추론 기능을 맞춤형 로봇 인터페이스와 연결하는 방법을 설명한다. API, 즉 애플리케이션 프로그래밍 인터페이스는 다른 시스템이 호출할 수 있는 소프트웨어 기능을 노출한다. 이 구조에서 제공 가능한 기능은 추론 계층이 요청할 수 있는 행동을 정의한다.

이 분리는 유용한 엔지니어링 기회를 만든다. 팀은 모든 움직임 기술을 다시 설계하지 않고도 작업 계획을 조정할 수 있다. 또한 허용된 행동 가운데 선택하는 방식을 평가하면서도 장비 주변의 기존 제어 체계를 유지할 수 있다.

이 기회는 인터페이스의 정확성에 달려 있다. “샘플을 홀더에 놓아라”라는 명령에는 식별, 위치, 완료에 관한 가정이 담겨 있다. 이러한 가정은 추론 시스템과 행동 시스템 전반에서 공통된 의미를 가져야 한다.

가상의 명령은 명백한 오류 없이 실패할 수 있다. 로봇은 움직임을 완료했지만 물체를 잘못된 위치에 남길 수 있다. 다음 의사결정은 명령 실행 완료라는 사실이 아니라 물체에 관한 증거에 기반해야 한다.

이 때문에 진행 상황 검증은 계획 수립만큼 주목할 가치가 있다. 유용한 시스템은 의도한 행동과 관찰된 결과를 구분해야 한다. 그렇지 않으면 초기 실수가 이후 모든 의사결정에 영향을 미치는 받아들여진 가정이 될 수 있다.

반복 행동은 또 다른 복잡성을 만든다. 다른 이미지를 요청하는 경우 재시도는 무해할 수 있지만, 재료를 분주하거나 장비를 이동하는 경우에는 중요한 결과를 초래할 수 있다. 주변 소프트웨어는 반복 요청을 받아들이기 전에 이전 행동이 실제로 발생했는지 확인해야 한다.

이는 ER 2가 그러한 작업에서 실패한다는 결론이 아니라 아키텍처상의 고려 사항이다. 엔터프라이즈 평가가 무엇을 검토해야 하는지 설명한다. 모델의 추론 품질과 애플리케이션의 운영 정확성은 관련되지만 서로 다른 질문에 답한다.

여러 장비가 하나의 워크플로를 공유할 때도 같은 논리가 적용된다. 계획은 책임을 배정할 수 있지만, 애플리케이션에는 실제로 무슨 일이 일어났는지에 대한 신뢰할 수 있는 기록이 여전히 필요하다. 물리적 인계에는 소유권과 상태 모두에 대한 합의가 필요하다.

따라서 유용한 파일럿은 구성 요소 간 경계를 시험해야 한다. 불명확한 관찰, 불완전한 행동, 지연된 응답, 환경 변화를 검토해야 한다. 이러한 조건은 애플리케이션이 편리한 사건 해석을 꾸며내지 않고 복구할 수 있는지를 드러낸다.

Gemini Robotics 클라우드 프리뷰는 이러한 조사를 더 쉽게 만들지만, 접근성만으로 인터페이스 계약이 정의되지는 않는다. 고객과 통합업체는 각 경계를 어떤 정보가 넘나들지 결정해야 한다. 관찰 결과가 충돌할 때 어느 구성 요소가 권한을 가지는지도 정해야 한다.

공유형 추론 계층을 위한 가장 강력한 아키텍처적 근거는 재사용성이다. 같은 계획 수립 방식이 늘어나는 예외 목록을 숨기지 않고 여러 설치 환경에서 작동할 때 이 근거는 설득력을 얻는다. 평가는 처음부터 그러한 예외를 드러내야 한다.

NVIDIA와 Physical Intelligence는 서로 다른 기준점을 제시한다

경쟁 로보틱스 접근법은 Google이 제공하는 것을 이해하는 데 도움이 되지만, 단순한 성능 순위를 뒷받침하지는 않습니다.

NVIDIA는 Isaac GR00T를 모델, 개발 도구, 시뮬레이션, 온보드 컴퓨팅을 아우르는 개방형 플랫폼으로 소개합니다. 이 VLA 모델은 관측값, 지시사항, 로봇 상태를 입력받아 일련의 행동을 출력합니다. 이는 학습된 행동과 물리적 실행의 연결에 상당한 비중을 둡니다.

Google의 엔터프라이즈 추론 서비스는 시스템의 연관된 다른 부분을 다룹니다. 두 접근법을 함께 평가하는 구매자는 계획이 이루어지는 위치, 행동이 시작되는 위치, 팀이 수정할 수 있는 구성 요소를 살펴봐야 합니다. 제품 명칭만으로는 이러한 아키텍처 차이를 해소할 수 없습니다.

Physical Intelligence는 개방형 세계 일반화에 관한 연구를 통해 또 다른 기준점을 제공합니다. 일반화란 학습 중 접하지 못한 환경이나 물체를 다루는 능력을 의미합니다. pi0.5 연구는 이전에 본 적 없는 가정에서의 가사 작업을 설명하면서도, 모델이 항상 성공하는 것은 아니라는 점을 인정합니다.

이러한 인정은 엔터프라이즈 평가와 관련이 있습니다. 시스템은 유용한 적응력을 보일 수 있지만, 여전히 제한, 복구 절차, 사람의 지원이 필요할 수 있습니다. 상업적 질문은 적응력이 원칙적으로 존재하는지 여부가 아니라, 그러한 요구사항이 특정 업무에 어떤 영향을 미치는지에 관한 것입니다.

이러한 접근법을 하나의 벤치마크에서 상호 교환 가능한 항목으로 취급해서는 안 됩니다. 서로 다른 구성 요소를 강조하고 서로 다른 조건에서 증거를 공개합니다. 한 조직의 작업 시연만으로는 비교 가능한 평가 없이 다른 조직 모델보다 우수하다는 사실을 입증할 수 없습니다.

Google Cloud 배포가 모든 경쟁 구성 요소가 사라져야 한다는 뜻도 아닙니다. 더 넓은 아키텍처상의 질문은 고객이 고수준 서비스와 별도로 선택한 행동 및 하드웨어 시스템을 결합함으로써 이점을 얻는지 여부입니다. 답은 통합 품질과 운영 제약에 따라 달라질 것입니다.

일부 구매자에게는 모델 가중치에 대한 통제가 중요할 수 있습니다. 모델을 직접 점검하거나 조정하거나 호스팅하려 하기 때문입니다. 다른 구매자는 관리형 액세스와 조직 관리 기능을 우선시할 수 있습니다. 이러한 선호는 개발 모델 간의 보편적 승패가 아니라 배포 요구사항을 반영합니다.

따라서 적절한 비교는 고객의 워크로드에서 시작합니다. 어떤 관측값을 사용할 수 있는가? 어떤 행동이 허용되는가? 로컬 컴퓨팅은 어느 정도 존재하는가? 원격 서비스를 사용할 수 없게 되면 어떻게 되는가? 각 답변은 평가할 가치가 있는 아키텍처의 범위를 좁힙니다.

같은 워크로드는 공급업체에 요구할 증거도 정의해야 합니다. 검사에 관심 있는 구매자에게는 관련 검사 결과가 필요합니다. 조작 작업에 관심 있는 구매자에게는 까다로운 사례와 지원이 발생한 조건을 포함해 해당 처리 작업에 관한 증거가 필요합니다.

이렇게 하면 경쟁 맥락을 유용하게 유지하면서도 그것이 이야기 전체를 지배하지 않게 됩니다. Google의 즉각적인 조치는 ER 2에 대한 엔터프라이즈 접근성을 확장하는 것입니다. NVIDIA와 Physical Intelligence는 고객이 더 폭넓은 로봇 소프트웨어 아키텍처 선택지 안에서 이 조치를 평가해야 하는 이유를 보여줍니다.

Google이 받는 압박은 자사의 추론 계층이 어디에서 측정 가능한 가치를 더하는지 입증하는 데 있습니다. 대안들이 받는 압박은 각각의 통합 및 운영상 이점을 그에 못지않게 구체적으로 만드는 데 있습니다. 일반 로봇 지능에 관한 경쟁적 주장보다 비교 가능한 고객 증거가 더 많은 정보를 제공할 것입니다.

물리 작업에서는 프리뷰 조건과 모델 한계가 중요하다

엔터프라이즈 액세스는 평가의 경로를 제공하지만, 로봇의 행동에 대한 책임을 플랫폼에 이전하지는 않습니다.

Google의 로보틱스 모델 문서는 ER 2를 지원이 제한될 수 있는 프리뷰 서비스로 명시합니다. 적용되는 약관에 따라 프로덕션 또는 상업적 사용을 허용합니다. 프리뷰를 상업적으로 사용할 수 있다는 허용은 특정 애플리케이션에 대한 보장과는 별개입니다.

문서는 부정확한 출력, 프롬프트 품질, 처리 시간, 컴퓨팅 요구사항과 관련된 한계도 명시합니다. 또한 로봇 주변의 안전한 환경을 유지할 책임이 고객에게 있음을 분명히 합니다. 이러한 조건은 기능 주장과 함께 배포 논의에 포함되어야 합니다.

실질적 의미는 명확합니다. 기업은 시스템이 행동하기에 충분한 근거가 없을 때 무엇을 해야 하는지 결정해야 합니다. 허용 가능한 대응에는 추가 관측, 제한된 복구 절차 또는 운영자에게의 에스컬레이션이 포함될 수 있습니다.

그 결정은 결과에 따라 달라져야 합니다. 검토 화면에서 물체를 잘못 식별하는 일과 장비를 잘못된 물체 쪽으로 이동시키는 일은 서로 다른 운영상 위험을 만듭니다. 공통 모델이 두 워크플로에 모두 참여할 수는 있지만, 주변 통제 장치는 그 차이를 반영해야 합니다.

처리 시간 역시 워크로드별로 해석해야 합니다. 완료된 검사 녹화를 검토하는 데는 응답 지연이 허용될 수 있습니다. 그러나 진행 중인 움직임에 영향을 주는 결정에는 같은 지연이 적절하지 않을 수 있습니다. 평가는 어떤 결정이 기다릴 수 있고 어떤 결정에 로컬 처리가 필요한지 확립해야 합니다.

마찬가지로, 좋은 답변이 자동으로 안전한 권한 부여를 의미하지는 않습니다. 모델은 장면을 정확하게 해석할 수 있지만 유지보수 제한이나 카메라 시야 밖에 있는 사람에 관한 정보를 갖지 못할 수 있습니다. 애플리케이션에는 시각적 해석을 넘어서는 액세스 규칙과 운영 제약이 필요합니다.

카메라와 마이크가 작업장에 도입될 때는 개인정보 보호에도 비슷한 주의가 필요합니다. 관련 질문에는 어떤 데이터를 수집하는지, 누가 접근할 수 있는지, 얼마나 오래 이용 가능한 상태로 남는지가 포함됩니다. 이러한 결정은 배포 이후가 아니라 파일럿 설계와 함께 이루어져야 합니다.

이 모든 것이 ER 2가 엔터프라이즈 로보틱스에 적합하지 않음을 입증하는 것은 아닙니다. 엔터프라이즈 로보틱스에는 애플리케이션 증거가 필요하다는 점을 보여줄 뿐입니다. 프리뷰 발표는 고객이 자신의 운영 조건에서 그러한 증거를 수집할 기회를 제공합니다.

유용한 평가는 성공 사례와 함께 실패도 기록하고, 각 결과를 둘러싼 상황을 보존해야 합니다. 자율적으로 완료된 작업과 사람의 수정이 필요했던 작업을 구분해야 합니다. 이 구분은 유망한 시연이 과장된 운영상 주장으로 변하는 것을 막습니다.

비즈니스 사례에는 로봇을 둘러싼 작업도 포함되어야 합니다. 설정, 감독, 복구, 유지보수는 모두 유용성에 영향을 줍니다. 작업을 완료하는 애플리케이션이라도 지원 부담이 줄여주는 업무보다 크다면 기대에 미치지 못할 수 있습니다.

따라서 회의적인 입장은 기술을 일축하는 것보다 더 제한적입니다. Google은 관련된 것으로 보고된 기능을 갖춘 모델에 대한 접근성을 확장했습니다. 고객은 모델이 불확실하거나 틀렸을 때를 포함해, 완성된 애플리케이션이 수용 가능하게 작동한다는 증거를 여전히 확보해야 합니다.

고객 증거, 서비스 약속, 재사용성을 지켜봐야 한다

다음으로 유용한 신호는 운영 결과, 서비스의 상업적 성숙도, 그리고 통합을 더 쉽게 반복할 수 있는지 여부입니다.

첫 번째 신호는 정의된 워크로드에서 나온 고객 증거입니다. 앞으로 몇 달 동안 보고서는 어떤 작업이 어떤 조건에서 수행되었고, 사람들이 얼마나 자주 개입했는지를 밝혀야 합니다. 실패와 복구에 대한 명확한 설명은 그러한 보고서의 유용성을 크게 높일 것입니다.

고객이 연출된 시연을 넘어 일관된 이점을 보여 준다면 그 증거는 엔터프라이즈 주장을 강화할 것입니다. 공개 사례가 운영 조건을 생략하거나 주변 인력을 설명하지 않는다면 그 주장은 약화될 것입니다. 잘 알려진 고객 이름은 이러한 세부 사항을 대신할 수 없습니다.

두 번째 신호는 서비스 약속이나 가용성의 변화입니다. 구매자는 출시 상태, 지원, 문서화된 배포 조건의 업데이트를 주시해야 합니다. 이러한 업데이트는 기본 추론 기능을 바꾸지 않더라도 조직이 서비스를 중심으로 어떻게 계획할 수 있는지를 명확히 해줄 것입니다.

더 폭넓은 상업적 약속은 대규모 배포 계획을 뒷받침할 것입니다. 프리뷰 상태가 지속되더라도 평가는 가능하지만, 구매자는 적용되는 한계를 고려해야 합니다. 어느 결과도 물리적 작업 성능의 증거로 오해해서는 안 됩니다.

세 번째 신호는 고객 통합 전반에서의 재사용입니다. 팀이 주변 애플리케이션을 다시 구축하지 않고도 다른 기계나 워크플로에 추론 계층을 적용할 수 있다면 아키텍처상의 약속은 더 강해집니다. 재사용에는 성공적인 모델 호출뿐 아니라 복구 동작과 운영 기록도 포함되어야 합니다.

반복된 통합의 증거는 공유 엔터프라이즈 추론 계층으로서 Google의 입지를 뒷받침할 것입니다. 모든 배포에 광범위한 특수 처리가 필요하다는 증거는 그 입지를 좁힐 것입니다. 모델은 여전히 가치 있을 수 있지만, 그 가치는 더 애플리케이션별로 보일 것입니다.

이러한 신호들은 Google이 실제로 발표한 변화에 주의를 집중하게 합니다. 회사는 엔터프라이즈 클라우드 서비스를 통해 ER 2를 더 쉽게 이용할 수 있게 했습니다. 아직 답이 없는 질문은 그 접근성이 신뢰할 수 있는 애플리케이션과 관리 가능한 운영 책임으로 어떻게 이어지는가에 관한 것입니다.

개발자에게 기회는 기존 기준선에 맞춰 추론 구성 요소를 평가하는 데 있습니다. 엔터프라이즈 구매자에게 우선순위는 그 평가를 명확한 운영 요구사항과 연결하는 것입니다. 두 집단 모두 보고된 모델 기능과 검증된 애플리케이션 결과를 구분함으로써 이점을 얻습니다.

Gemini Robotics 클라우드 프리뷰는 조직이 이미 이해하고 있는 업무에 연결된 집중적인 평가가 필요합니다. 범위가 제한된 작업을 선택하고, 현재 성능을 문서화하며, 모델이 내릴 수 있는 결정을 정의하십시오. 불분명한 관측, 불완전한 행동, 운영자 인계를 평가에 포함하십시오. 다른 검토자가 각 결과가 왜 성공 또는 실패로 간주되었는지 이해할 수 있도록 충분한 맥락을 보존하십시오. এরপর 감독과 복구를 포함한 전체 워크플로를 기존 접근법과 비교하십시오. 이러한 증거는 ER 2가 애플리케이션에서 어떤 위치를 차지할 자격이 있는지 판단하는 데 도움이 됩니다. 파일럿을 확대하기 전에 한 가지 구체적인 질문을 하십시오. 어떤 결과가 이 시스템에 다음 작업에 대한 책임을 맡길 근거가 될 것인가?