Data Studio
데이터 준비·생성·검수
기업의 다양한 자료를 학습에 적합한
데이터로 만들고, 체계적으로 검수합니다.
기업 AI를 위한 세 가지 도구
Trainer
모델 학습·검증·최적화
기업 맞춤형 모델을 학습하고,
검증과 최적화까지 지원합니다.
AutoJudge
LLM·RAG 품질 평가
생성형 AI와 RAG의 응답을 평가하고,
근거를 비교해 개선할 지점을 찾습니다.
Data Studio
좋은 AI는
좋은 데이터에서 시작됩니다.
문서, 이미지, 웹 자료를 학습에 쓸 수 있는 데이터로 정리합니다. 생성한 결과는 원문과 함께 검토하고, 승인한 데이터만 내보냅니다.
- 원본 출처를 유지하는 추출·정제
- 텍스트·이미지 기반 SFT/DPO 데이터 생성
- 사람의 검수와 승인, 학습 패키지 내보내기
기업 자료문서 · 이미지 · 웹 자료
정제와 검수생성 · 원문 대조 · 승인
학습 데이터JSONL · 이미지 · 메타데이터
흩어진 자료를, 검토 가능한 학습 자산으로.
Trainer
우리의 업무에 맞게 학습하고,
결과를 비교합니다.
학습 데이터와 모델을 준비하고, 실행 전 입력 형식과 자원을 점검합니다. 학습 기록을 비교하고 모델 최적화와 산출물 내보내기까지 이어갑니다.
- 학습 데이터·템플릿·입력 길이 사전 점검
- SFT·DPO 등 학습 실행과 로그 관리
- 모델 비교·평가, 병합·양자화·내보내기
학습 준비데이터 · 모델 · 실행 설정
맞춤 학습학습 기록 · 체크포인트
검증과 최적화결과 비교 · 산출물
학습의 조건과 결과를 함께 확인하는 흐름.
AutoJudge
답변의 품질을,
같은 기준으로 확인합니다.
모델과 프롬프트가 바뀌어도 같은 질문과 평가 기준으로 비교합니다. RAG의 검색 근거와 생성 답변을 나눠 살피고, 개선이 필요한 사례를 찾습니다.
- 평가 대상·데이터셋·채점 기준을 기록
- LLM 심사·규칙·루브릭 기반 평가
- 답변과 근거 비교, 사람의 검토와 개선 사례 관리
평가 설계질문 · 대상 · 기준
비교와 검토답변 · 검색 근거 · 오류
개선 방향모델 · 프롬프트 · 데이터
점수뿐 아니라, 왜 달라졌는지까지.
인프라와 보안 요건에 맞춘 구성
온프레미스 환경, 데이터 접근 범위, 모델 API 연결 방식을 검토해 구축 구조를 정합니다.
단계별 도입과 제품 간 연계
Data Studio의 학습 패키지를 Trainer로 가져오고, 별도 설정한 AutoJudge로 평가 흐름을 확장할 수 있습니다.
업무 기준으로 확인하는 결과
학습 지표와 실제 답변을 함께 검토하고, 평가에서 찾은 사례를 다음 개선에 활용합니다.
기업 AI의 다음 단계,
함께 설계합니다.
보유한 자료와 모델, 해결하려는 업무를 알려주세요.
필요한 제품과 도입 범위를 함께 검토하겠습니다.