top of page

Osmo AI Nose, 인간 수준의 후각 능력 주장

26분 전
9분 분량

Osmo는 자사의 AI nose가 이제 평균적인 인간과 맞먹는 냄새 감지 및 구별 능력을 갖췄다고 말한다. 다만 이 주장은 여전히 독립적인 검증이 필요하다. 분자를 묘사하는 일, 향수를 설계하는 일, 실험실 밖에서 냄새를 인식하는 일은 서로 다른 성취이기 때문이다.

이 주장은 보편적으로 인간과 동등하다는 독립 검증 결과가 아니라, 2026년 11월 18일 공개된 보도를 통해 알려졌다. Osmo는 향수 설계 능력을 주니어 조향사의 역량과도 비교한다. 이러한 발언은 특정 전문 업무를 목표로 삼고 있음을 보여주지만, 그 능력을 어떻게 측정했는지는 여전히 핵심 쟁점으로 남는다.

과학적 선례는 있다. 2023년 Science에 발표된 연구에서는 이전 모델이 훈련된 패널의 묘사를 중앙값 패널리스트보다 더 잘 예측한 것으로 나타났다. 현재의 쟁점은 이 결과가 상업 업무와 실제 물리적 환경까지 어디까지 확장될 수 있느냐에 있다. 향수 개발자들은 실용적인 질문에 직면한다. 소프트웨어가 개선할 수 있는 결정은 무엇이며, 어떤 결정에는 여전히 사람이 직접 결과물을 맡아보는 과정이 필요한가?

Osmo AI nose 주장이 실제로 다루는 범위

Osmo의 최신 주장은 여러 과업을 포괄하며, 각각에는 별도의 근거가 필요하다. 냄새 감지는 냄새가 존재하는지를 묻는다. 구별은 시료들의 냄새가 서로 다른지를 묻는다. 묘사는 시료를 감각 언어와 연결하며, 향수 설계는 원하는 경험을 만들기 위한 혼합물을 제안한다.

이러한 구분은 AI 보도에서 흔히 발생하는 실수를 막아준다. 서로 관련된 과업에서의 성공을 하나의 지능 척도로 취급하는 일이다. 설명적 라벨을 예측하는 시스템이 미량의 공기 중 화학물질에 대한 민감도까지 자동으로 입증하는 것은 아니다. 적절해 보이는 조성식이 완성된 향수가 고객을 만족시킨다는 사실을 입증하지도 않는다.

MIT Technology Review의 인간 수준 후각 주장은 인간의 감각 판단과 화학 측정을 연결하려는 Osmo의 노력을 설명한다. 뉴저지주 Newark Airport 인근에서는 경험 많은 인간 평가자들이 모델 훈련에 사용되는 묘사를 제공하는 데 도움을 준다. 이들의 참여는 인간의 지각을 개발 과정 안에 위치시킨다.

이 관계는 회사의 표현을 해석하는 데 필수적이다. 기반 모델은 여러 후속 과업을 지원하도록 폭넓게 훈련된 모델이다. 이를 후각에 적용한다는 표현은 여러 응용 분야에서 재사용하려는 목표를 드러낸다. 그러나 그 자체만으로 여러 응용 분야 간 성능이 신뢰성 있게 이전된다는 사실을 입증하지는 않는다.

주니어 조향사와의 비교 보도 역시 구체적으로 읽어야 한다. 향수 개발에는 후보 생성, 혼합물 평가, 피드백 해석, 조성 조정이 포함된다. 이 과정의 한 부분을 따라잡는 것만으로도 상업적으로 의미가 있을 수 있다. 전체 역할을 수행한다는 주장을 하려면 전 과정에 걸친 증거가 필요하다.

기자의 시연은 그 경계를 보여준다. 제공된 보도에 따르면, 프롬프트는 세 가지 제안 조성식을 만들었지만 기자는 해당 향수를 받아 평가하지는 못했다. 이 관찰은 제안 생성에 관한 주장을 뒷받침한다. 하지만 실제 감각적 품질은 아직 판단되지 않은 상태로 남는다.

바로 이것이 11월 보도가 보편적 이정표를 입증하지 않으면서도 중요한 이유다. Osmo는 기존 연구 이력이 있는 기술을 토대로 더 폭넓은 역량을 주장하고 있다. 유용한 대응은 그 구성 요소를 분리해 각각 무엇이 측정됐는지 묻는 것이다.

독자에게 핵심 질문은 따라서 구체적이다. 무엇이 시스템에 입력됐고, 무엇이 출력됐으며, 누가 그 결과를 확인했는가? 이 세부 사항은 시연이 언어 해석, 화학 예측, 향수 생산, 물리적 시료 인식 중 무엇을 보여주는지 결정한다.

상용 시스템은 모든 구성 요소가 인간 수준에 도달하기 전에도 가치를 제공할 수 있다. 전문가가 더 나은 출발점을 선택하도록 돕는 것은 의미 있는 제품 성과다. 다만 그런 성과를 입증하려면 기계의 후각이 인간과 동등하다고 선언하는 것과는 다른 증거가 필요하다.

향수 개발자가 마주한 것은 워크플로우의 문제다

단기적 압력은 유용한 제안도 여전히 물리적 평가가 필요한 향수 개발 워크플로우에 집중된다. Osmo의 주장은 팀이 소프트웨어와 숙련된 평가자 사이에 업무를 어떻게 나눌지에 도전한다. 그렇다고 기업이 공정에서 감각적 판단을 제거해야 한다는 사실이 입증되는 것은 아니다.

시트러스 계열 향이 강하지 않으면서도 산뜻한 느낌을 주는 향수라는 가상의 브리프를 생각해 보자. 모델은 이 표현에 맞는 후보 조성을 제안할 수 있다. 구매자는 여전히 완성된 혼합물이 의도한 인상을 전달하는지, 제품에 적합한지를 판단해야 한다.

이 간극은 구체적인 상업 기회를 만든다. 팀이 유망한 후보에 더 빨리 도달하도록 돕는 소프트웨어는 비생산적인 탐색을 줄일 수 있다. 그러나 관련 있는 비교 기준은 최초 답변을 생성하는 속도가 아니라, 거절된 제안과 수정까지 포함한 전체 개발 과정이다.

같은 구분은 고객 사례에도 적용된다. 기업이 프로젝트에 참여했다는 사실은 관심 또는 관여를 보여준다. 하지만 시스템이 얼마나 광범위하게 운영되는지, 사람들이 얼마나 자주 수정하는지, 프로젝트가 사업 성과를 개선하는지는 자동으로 드러나지 않는다.

따라서 구매자는 지원받는 의사결정의 정의를 명확히 해야 한다. 시스템은 원료를 제안하는가, 제안된 혼합물의 순위를 매기는가, 서면 브리프를 해석하는가, 아니면 측정된 시료를 평가하는가? 각 기능은 서로 다른 의존성을 수반하며, 가치를 평가하는 방식도 다르다.

조향사에게 유용한 보조 도구는 검토할 가치가 있는 후보군을 넓혀줄 수 있다. 제품 관리자에게는 창의적 브리프와 실험실 시료 사이의 반복 과정을 더 명확하게 만드는 이점이 있을 수 있다. 어느 결과도 인간 후각의 모든 측면이 재현됐다는 주장을 필요로 하지 않는다.

기존 팀에 가해지는 압력은 따라서 실존적이라기보다 실용적이다. 모델 보조 개발이 실패한 반복을 줄이면서 수용 가능한 결과를 낸다면, 기존 프로세스를 재검토할 필요가 있다. 매력적인 제안이 광범위한 보완 작업을 요구한다면, 세련된 인터페이스는 업무를 없애기보다 가릴 수 있다.

이는 팀이 평가를 기록하는 방식도 바꾼다. 원래 브리프, 제안 조성, 평가자 피드백, 최종 결정을 함께 보관하면 모델의 기여와 이후 인간의 수정 작업을 더 쉽게 구분할 수 있다. 검색 가능한 knowledge base는 감각 평가를 대체하지 않으면서도 이러한 기록 관리를 지원할 수 있다.

이 기술을 통합하는 개발자에게는 출력 형식이 헤드라인 수준의 역량만큼 중요하다. 제안된 조성식, 신뢰도 추정치, 누락된 정보에 대한 설명은 서로 다른 의사결정을 지원한다. 애플리케이션은 결과 수용 책임이 있는 사람들에게 이런 구분을 명확히 보여줘야 한다.

가장 강력한 상업적 사례는 소프트웨어 출력을 승인된 물리적 제품 및 문서화된 개발상 이점과 연결할 것이다. 그렇게 하면 구매자는 자신의 프로세스와 비교할 수 있는 증거를 얻는다. 인간 수준의 지능에 관한 일반적 주장은 그 비교를 단독으로 제공할 수 없다.

이전 연구는 더 좁고 측정 가능한 결과를 뒷받침한다

공개된 과학적 토대는 명확한 인간 비교 기준을 둔 냄새 묘사 예측에 관한 것이다. 이는 상당한 성과이며, 구체적이기에 유용하다. 이 경계를 보존하는 것은 현재 Osmo를 둘러싼 더 광범위한 주장을 평가할 더 단단한 기반을 제공한다.

2023년 principal odor map 연구는 연결된 요소 간 관계를 처리하는 모델인 그래프 신경망을 사용했다. 여기서 그 요소들은 분자 구조를 나타냈다. 연구진은 화학과 지각된 냄새 사이의 관계를 보존하는 표현 방식을 찾고자 했다.

이전에 특성화되지 않은 400가지 냄새 물질을 대상으로 한 전향적 시험에서, 모델의 묘사는 훈련된 패널 평균과 중앙값 패널리스트의 묘사보다 더 밀접하게 일치했다. 냄새 물질은 냄새를 만들어내는 물질이다. 이 비교는 연구 조건하에서의 묘사적 일치도를 다뤘다.

기준점은 중요하다. 패널 평균과의 일치는 모델이 공유된 묘사를 얼마나 잘 예측하는지 측정한다. 이는 모든 개인의 경험, 모든 농도, 또는 모든 가능한 환경을 측정하지는 않는다. 그러한 영역에는 추가 질문과 그에 상응하는 실험이 필요하다.

연구는 Osmo와 관련된 상업적 연결 관계도 공개했다. 이 공개는 독자가 누가 기술을 개발했으며 누가 상용화에 이해관계를 갖는지 평가하는 데 도움이 된다. 동료 심사와 이해관계 공개는 맥락을 제공하지만, 실험이 실제로 무엇을 시험했는지 살펴볼 필요성을 없애지는 않는다.

Monell의 냄새 예측 실험 설명은 인간 평가 과정을 소개한다. 참가자들은 55개 묘사어로 구성된 어휘를 학습하고 시험 물질을 평가했다. 이 구조화된 접근 방식은 모델 출력과 인간 판단을 비교할 공통 언어를 만들었다.

증거를 통해 Osmo AI nose를 이해하려는 사람에게 이것은 핵심적인 구분이다. 통제된 예측 과업은 성능을 측정 가능하게 만든다. 선택된 어휘, 시료, 비교 방법은 결과가 무엇을 의미하는지 규정한다. 주장을 확장하려면 증거도 확장해야 한다.

유용한 비유는 패널이 사진을 어떻게 묘사할지 예측하는 모델이다. 높은 일치도는 묘사에 관한 무언가를 입증한다. 하지만 카메라를 조작하는 일, 시야가 나쁜 상황에서 장면을 인식하는 일, 또는 어떤 행동을 취할지 결정하는 일에 대해서는 별도의 질문을 남긴다.

마찬가지로 냄새 예측은 완전한 인공 후각을 증명하지 않고도 가치 있는 업무를 지원할 수 있다. 연구자가 후보 분자를 정리하거나 예상되는 감각 특성을 추정하는 데 도움이 될 수 있다. 이러한 예측이 특정 상용 응용 분야를 개선하는지는 그 응용의 입력값과 수용 기준에 달려 있다.

역사적 결과는 11월의 주장을 어떻게 구성해야 하는지도 바꾼다. 특정 냄새 묘사 실험에서 인간과 비교 가능한 성능은 이미 2023년 연구 기록의 일부였다. 현재 뉴스는 Osmo가 자사 역량을 더 폭넓게 규정하고, 그 실용적 도달 범위를 제안한다는 점에 관한 것이다.

이 구분은 오래된 과학적 결과를 새로 확립된 사건으로 취급하는 일을 피하게 한다. 또한 회사에 더 공정한 시험 기준을 제공한다. 질문은 최신 시스템이 공개된 기준선에 무엇을 더했는지, 외부 평가자가 그 추가 사항을 어떻게 검증할 수 있는지다.

Osmo와 전자 코의 비교에는 서로 다른 시스템 경계가 있다

냄새를 예측하는 모델과 공기를 채취하는 기기는 연결돼 있지만 서로 다른 문제를 해결한다. 상업적 성공은 이 구성 요소들이 함께 어떻게 작동하는지에 달려 있다. 이 경계를 명시하지 않고 기업을 비교하면 소프트웨어 역량을 완전한 감지 시스템으로 오인할 위험이 있다.

전자 코는 화학 센서의 반응을 해석해 냄새 패턴을 식별하거나 분류하는 시스템이다. 입력은 물리적 시료에서 시작된다. 반면 예측 모델은 주변 공기에서 독립적으로 무엇인가를 수집하지 않고도 분자 표현을 바탕으로 작동할 수 있다.

Aryballe은 관련된 역사적 비교 사례를 제공한다. 2022년 12월 CEA 프로필은 디지털 냄새 감지 접근 방식을 측정된 냄새를 라이브러리의 기준값과 비교하는 방식으로 설명한다. 이 프로필은 산업 제품 개발과 품질 관리를 적용 분야로 꼽는다.

이 설명은 습도, 농도, 냄새를 발생시키는 분자 수 역시 난점의 원인으로 지목한다. 이러한 변수는 실험실 결과만으로 모든 환경에서의 성능을 확립할 수 없는 이유를 보여 준다. 측정 과정 자체도 평가 대상 시스템의 일부로 남는다.

이 비교가 Aryballe과 Osmo 간 현재 성능 순위를 입증하는 것은 아니다. 이용 가능한 설명은 서로 다른 기능과 보고 시기를 다룬다. 유효한 순위를 매기려면 동일한 샘플, 비교 가능한 조건, 명확히 정의된 과제가 필요하다.

따라서 Osmo와 전자 코에 관한 질문은 제안된 시스템이 어디에서 시작해 어디까지 이어지는지에 관한 것이다. 알려진 분자 구조를 입력으로 받는가? 실험실 측정값을 분석하는가? 환경을 직접 샘플링하는가? 이러한 입력은 서로 다른 기회와 실패 양상을 만든다.

가상의 품질 관리 도입 사례에서 기업은 제품이 승인된 기준과 다를 때 경보를 원할 수 있다. 연상을 불러일으키는 설명을 생성하는 일은 부차적일 것이다. 구매자는 놓친 편차, 불필요한 경보, 운용 조건 전반에서의 신뢰할 수 있는 성능을 중요하게 볼 것이다.

향수 디자인 애플리케이션에서는 이러한 강조점이 뒤바뀐다. 사용자는 후보 혼합물이 창의적 브리프를 충족하는지에 가장 큰 관심을 둘 수 있다. 제품에 해당 기능이 명시적으로 포함되지 않는 한, 주변 공기에서 예상치 못한 냄새를 인식하는 능력은 거의 기여하지 못할 것이다.

더 넓은 전략적 과제는 이러한 분리에서 비롯된다. 재사용 가능한 모델은 그 표현 방식이 여러 과제를 지원할 때 더 가치 있어진다. 그러나 추가되는 모든 과제에는 여전히 적절한 측정 과정과 애플리케이션별 평가가 필요하다.

바로 이 지점에서 범용 냄새 플랫폼에 대한 주장이 물리적 제약과 맞닥뜨린다. 더 나은 소프트웨어는 이용 가능한 정보의 해석을 개선할 수 있다. 그러나 그 과정의 해당 부분까지 시험하지 않는 한, 배치된 센서가 올바른 정보를 포착했다는 사실을 확립할 수는 없다.

Osmo AI nose를 평가하는 구매자에게 실질적인 비교 단위는 완전한 워크플로여야 한다. 입력 수집, 모델 해석, 인간 검토, 최종 결정 모두가 평가에 포함된다. 이 접근법은 제한적인 성공을 드러내는 동시에 광범위한 명칭이 가릴 수 있는 격차를 노출한다.

검증 격차에서 인간의 판단은 여전히 핵심이다

해결되지 않은 쟁점은 Osmo의 더 광범위한 주장이 명확히 규정된 조건 전반에서 독립적인 테스트를 거친 뒤에도 얼마나 유지되는가이다. 인간의 참여가 머신러닝을 무효화하는 것은 아니다. 다만 기업은 인간의 전문성이 어디에서 학습 데이터를 제공하고, 출력을 수정하며, 성공 여부를 결정하는지 설명해야 한다는 뜻이다.

제공된 보도는 냄새 과학자 Avery Gilbert가 문서화와 감각 패널에 대한 지속적인 의존을 비판했다고 설명한다. 이 문제 제기는 주장에 뒷받침되는 증거에 관한 것이다. 이를 해당 기술이 실패했다는 증거로 바꾸어 서술해서는 안 된다.

이전에 Osmo의 컨설턴트였던 Michael Schmuker는 보도에서 다른 관점을 제시한다. 그는 기술적 성취를 인정하면서도 맥락과 센서의 한계를 강조한다. 독자가 그 관점을 해석하는 데 두 요소 모두 필요하므로, 그의 이전 관계는 평가와 함께 언급되어야 한다.

이러한 관점은 공존할 수 있다. 모델은 의미 있는 진전을 나타내면서도, 마케팅은 공개적으로 문서화된 결과를 넘어설 수 있다. 비판자는 기초 연구에 가치가 없음을 입증하지 않으면서도 정당한 검증 문제를 지적할 수 있다.

맥락은 또 다른 경계를 더한다. 화학적 패턴을 식별하는 것과 그것이 특정 환경에서 무엇을 의미하는지 해석하는 것은 별개의 판단이다. 인간 관찰자는 냄새 경험에 대상, 장소, 상황에 대한 기대를 가져온다.

통제된 향수 워크플로를 위해 설계된 시스템은 비교적 명확하게 정의된 과제 안에서 작동할 수 있다. 개방형 인식으로 나아가면 익숙하지 않은 샘플과 변화하는 조건에 관한 문제가 제기된다. 원래 환경의 증거가 확대된 환경의 증거로 조용히 바뀌어서는 안 된다.

같은 주의는 의료 또는 보안 분야의 가능성에도 적용된다. 이러한 애플리케이션은 시스템이 틀렸을 때 서로 다른 결과를 수반한다. 향수 제안의 품질이 질병 탐지 정확도를 입증하는 것은 아니며, 탐색적 프로젝트가 임상 의사결정 준비 상태를 확립하는 것도 아니다.

진지한 평가는 점수를 제시하기 전에 비교 과제를 분명히 드러내야 한다. 평가자는 어떤 샘플을 사용했는지, 어떻게 선정했는지, 무엇을 정답으로 간주했는지 알아야 한다. 또한 사람이 얼마나 자주 개입했는지도 이해해야 한다.

성능 평균은 특히 신중하게 다뤄야 한다. 요약 결과는 쉬운 샘플과 어려운 샘플 간 차이를 가릴 수 있다. 구매자에게는 시스템이 불확실성을 인정해야 하는 사례를 포함해, 자신의 환경에서 중요한 사례와 관련된 증거가 필요하다.

결과를 재현하는 것과 기업 시연을 반복하는 것 사이에도 차이가 있다. 독립 평가자는 준비된 경로를 따르는 대신 주장을 시험할 수 있도록 충분한 과정 통제권을 가져야 한다. 그래야 실패 사례도 불편한 사례가 아니라 유익한 정보가 된다.

외부 평가가 유용해지기 위해 기업이 모든 상업적 세부 사항을 공개할 필요는 없다. 과제를 정의하고, 프로토콜을 설명하며, 적절히 통제된 비교를 허용할 수는 있다. 그러한 단계는 지지자와 비판자 모두에게 논의를 더 정밀하게 만들어 줄 것이다.

현재의 올바른 판단에는 한계가 있다. Osmo에는 발표된 연구 기반, 더 광범위한 기업의 주장, 그리고 그러한 역량이 완전한 애플리케이션으로 어떻게 전환되는지에 관한 미해결 질문이 있다. 이 범주들을 구분해 두면 독자는 진전과 불확실성을 모두 더 명확하게 이해할 수 있다.

다음 상황을 명확히 할 세 가지 신호

다음으로 유용한 증거는 독립 측정값을 물리적 결과 및 고객 성과와 연결해야 한다. 앞으로 몇 달간 공개된 평가 세부 사항, 완료된 샘플 평가, 문서화된 도입 결과를 살펴봐야 한다. 이는 발표된 출시 약속이 아니라 관찰 우선순위다.

첫째, 외부 연구자가 검토할 수 있는 현 시스템의 과제별 평가를 주시해야 한다. 가장 강력한 형태라면 인간 비교 집단, 샘플 선정, 테스트 조건, 불확실한 답변의 처리 방식을 식별할 것이다. 또한 모델의 기여를 지원 장비 및 인간 개입과 구분할 것이다.

낯선 샘플과 반복 평가 전반에서 성능이 유지된다면 그러한 증거는 더 광범위한 주장을 강화할 것이다. 결론이 그 범위를 따르는 한, 더 제한적인 결과도 여전히 유용하다. 범용 역량이라는 언어에 계속 의존한다면 현재의 검증 격차는 대체로 변하지 않을 것이다.

평가는 또한 실제로 “평균 인간”이 무엇을 뜻하는지 설명해야 한다. 훈련받지 않은 참가자, 훈련된 감각 패널리스트, 현업 조향사는 서로 다른 기준점을 제공한다. 이들 가운데 누구를 선택하는지는 보고된 점수가 같더라도 비교의 해석을 바꾼다.

둘째, 향수 제안을 완성된 물리적 샘플까지 추적하는 평가를 주시해야 한다. 이는 조성을 생성하는 일과 감각적 결과를 제공하는 일 사이의 격차를 다룰 것이다. 평가자는 브리프를 알고, 생성된 설명의 설득력에 의존하지 않은 채 결과 샘플을 평가해야 한다.

긍정적인 결과는 제안 생성이 유용한 완성 후보로 전환된다는 점을 보여 줄 것이다. 광범위한 재조정은 인간 전문성이 여전히 필수적인 지점을 드러낼 것이다. 어느 결과든 화면에 수식만 표시한 채 끝나는 시연보다 더 많은 상업적 통찰을 제공할 것이다.

이 신호가 중요한 이유는 물리적 완성이 시스템의 가정을 시험 가능한 형태로 강제하기 때문이다. 설명은 모호한 상태로 남을 수 있지만, 샘플은 평가자에게 비교할 구체적인 대상을 제공한다. 약속된 특성과 지각된 결과 사이의 관계도 그때 가시화된다.

셋째, 명확히 범위가 정해진 애플리케이션에서 나온 문서화된 고객 성과를 주시해야 한다. 향수 프로젝트는 향수 작업과 관련된 개발 결과를 보고해야 한다. 감지 시스템 도입은 실제 운용 환경에서의 성능을 보고해야 한다. 이러한 성과는 고객의 기존 과정 또는 다른 의미 있는 기준선과 비교해 평가되어야 한다.

반복 사용과 측정 가능한 워크플로 개선의 증거는 보편적인 인간 동등성이 없어도 사업 사례를 강화할 것이다. 그에 상응하는 결과가 없는 고객 목록은 도입 범위를 불분명하게 남길 것이다. 이 구분은 구매자가 헤드라인 주장과 별개로 유용성을 평가하도록 돕는다.

개발자에게 이러한 신호는 통합 작업을 어디서 시작해야 하는지 알려 준다. 입력, 출력, 수용 기준을 명확히 설명할 수 있는 과제부터 시작해야 한다. 제한적인 애플리케이션은 제한 없는 인공 감각을 약속하는 인터페이스보다 더 나은 평가 기반을 제공한다.

기업 구매자는 시스템이 어떤 의사결정을 지원하는지, 그리고 그 출력을 수용할 책임이 누구에게 계속 남는지 물어야 한다. 실패 사례, 수정 과정, 최종 물리적 결과를 포함한 사례를 요청해야 한다. 이러한 기록은 제품이 업무를 개선하는지, 아니면 설득력 있는 중간 답변만 만들어 내는지를 보여 준다.

Osmo AI nose 이야기를 지켜보는 독자는 각각의 새 발표를 그것이 답하는 구체적인 질문과 비교해야 한다. 독립적으로 평가된 샘플, 명확히 정의된 인간 기준선, 실제 과제와 연결된 고객 결과를 찾아야 한다. 이를 별개의 증거 조각으로 다룬 뒤, 서로 어떻게 맞물리는지 살펴봐야 한다. 성공적인 향수 도구는 그 자체의 기준으로 주목할 가치가 있다. 신뢰할 수 있는 환경 감지 시스템은 다른 무언가를 확립할 것이다. 다음으로 살펴볼 주장은 정확히 무엇이 시스템에 들어갔고, 무엇이 나왔으며, 누가 결과를 검증했는지를 보여 주는 주장이다.

 
 

무료로 시작하세요

개인 지식 관리 기능을 갖춘 로컬 우선 AI 어시스턴트

더 나은 AI 경험을 위해

현재 remio는 Windows 10+ (x64) 및 M-Chip Macs만 지원합니다.

업무를 위한 AI 파트너
remio와 더 많은 일을 해내세요

계획하고, 만들고, 완성하세요
모든 일을 한곳에서

bottom of page