기술·신뢰

검증된 빅테크 AI 위에, 우리의 통합 설계·데이터 시스템·법적 권리가 얹혀 있습니다.

1. 우리가 쓰는 AI

기반은 Google DeepMind의 검증된 모델입니다. 처음부터 새로운 AI를 만드는 것이 아니라, 이미 안정적인 범용 AI에 본점 영상 데이터를 결합해 요리 전수에 특화된 모델로 진화시킵니다.

  • Gemini 2.5 Flash — 멀티모달 LLM. 본점 30~50시간 영상으로 파인튜닝하는 학습 중추.
  • Gemini 3.1 Flash Live — 실시간 음성 대화. 학습자가 조리 중 음성으로 묻고, AI가 음성으로 답합니다.
  • Gemini Nano — Galaxy XR 또는 페어링 스마트폰에서 작동하는 온디바이스 AI. 100ms 이내 실시간 평가·Function Calling.
  • YOLOX-S(W8A16) + OSNet x0.25 — 객체 탐지 + 트래커. NPU 가속으로 9ms 이내 추론.

"범용 AI 위에 우리 데이터를 올리는 것뿐 아니냐"는 의문은 자연스럽습니다. 실제로 파인튜닝 행위 자체는 업계의 일반적인 기법입니다. 다른 점은 그 다음에 있습니다 — 다음 섹션에서.

2. 데이터셋이 곧 해자(moat)

본 사업의 진짜 가치는 단발의 파인튜닝이 아니라, 본점 셰프의 손맛을 디지털화하기 위해 체계적으로 구축한 데이터 확보 시스템과 그것을 5년 단위 시계열로 누적해 가는 운영 구조에 있습니다.

  • 본점별 30~50시간 1인칭 영상의 단계적 촬영 가이드.
  • 촬영 품질의 자동 평가 (영상의 흔들림·조명·구도·노출 등을 정량 점수화).
  • 본점 표준 변경 이력을 5년 시계열로 누적 — 분쟁 발생 시 자동 증거 문서 생성에 활용.
  • 본점 영상 임베딩 768차원 Vector DB 자동 갱신.

후행 경쟁사가 동등한 표준 행동 모델을 구축하려면 동일한 5년 데이터를 별도로 모아야 합니다. 시간이 곧 진입 장벽입니다.

3. 한식 맛 9축 정량화 매트릭스

한식 고유의 맛에 영향을 미치는 요소를 AI가 정량 평가할 수 있도록 9개 축으로 분해했습니다 — 불 세기 · 국물 농도 · 발효·숙성·훈연 · 간 강도 · 시간 정렬 · 재료 표준 · 양념·조미료 비율 · 식재료 투입 순서 · 연기 형상. 모든 요리가 9축 전부를 사용하지 않습니다 — 요리별 가중치를 적용해, 발효 없는 요리는 발효 축이 비활성화되고, 국물 없는 요리는 국물 농도 축이 비활성화됩니다.

한식 맛 9축 정량화 레이더 — 본점 기준선(점선)과 학습자 현재 수준(채움)의 1:1 비교
  1. 1 불 세기
  2. 2 국물 농도
  3. 3 발효·숙성·훈연
  4. 4 간 강도
  5. 5 시간 정렬
  6. 6 재료 표준
  7. 7 양념·조미료 비율
  8. 8 식재료 투입 순서
  9. 9 연기 형상
┄┄ 본점 기준선 · ▰ 학습자 현재 수준 — A·B·C·D 등급 링. 요리별로 사용 축·가중치가 달라집니다.

이 9축 정량화는 우리가 출원한 특허의 핵심 청구항 중 하나입니다. 단, 특허는 9축에만 국한되지 않습니다.

4. 특허 — 분야 전 사이클 권리화

Cooking Transfer AI가 출원한 특허(명세 D5·D6)는 본점 셰프 영상의 디지털 표준 모델화부터, 학습자 실시간 비교, 등급 자동 결정, 본사 운영 자동 연동, 분쟁 증거 자동 생성까지 — 프랜차이즈 가맹점 요리 일관성을 AI로 자동 관리하는 전 사이클에 걸쳐 다수의 청구항으로 구성되어 있습니다.

9축 정량화 매트릭스는 그 중 하나의 종속항일 뿐이며, 다른 핵심 청구항으로는 자동 패널티 발동, 본사 운영 OS 자동 연동, 5년 시계열 변경 이력 누적, 분쟁 자동 증거 문서 생성, 디바이스·OS 비종속 구조 등이 포함되어 있습니다. 우선권 주장 12개월 이내 미국·일본·중국·EPO PCT 진입을 검토 중입니다.

이 출원은 오래 신뢰를 쌓아 온 한 변리사와 함께 진행했습니다. 정식 파트너십 계약을 체결한 것은 아니지만, 포괄위임을 권유받을 만큼 신뢰를 쌓은 관계입니다.

5. 완성도 — 단단한 기초설계

프로토타입이나 MVP가 아니라 실제 산업에서 쓸 목적으로 처음부터 설계했습니다.

  • 모듈 경계 명시: 앱(`:app`) · 공유 계약(`:shared`) · 백엔드(`:server`) · 관리자 웹(`web/admin`)이 분리된 멀티 모듈 구조.
  • 인터페이스 추상화: 디바이스·LLM·클라우드 모두 Provider IF로 추상화되어, 칩셋·모델·플랫폼 변화에 대응 가능.
  • Phase 격리: Phase 1/2/3 사이의 의존성을 명시적 토글로 분리.
  • 단위 테스트 + 실기기 검증: 매 단계 단위 테스트와 실기기(Galaxy XR) 검증을 거친 후 진행.

6. AI 발전과 함께 — 1~2년 내 완성형

AI는 매월 빠르게 발전합니다. 새 모델이 출시될 때마다 본점별로 누적된 우리 학습 데이터를 신모델 기준으로 재학습합니다. 단계별 업그레이드를 거치면서, 가르치는 영역에 한해서는 1~2년 내 본점 셰프의 요리 전수 수준을 능가하는 완성형 버전이 가능할 것으로 예상하고 있습니다.

본점 셰프는 요리 자체의 오리지널이며, 그 마스터리는 AI가 흉내낼 수 없습니다. 다만 "가르치는 능력" — 다수의 학습자에게 동시에, 일관되게, 지치지 않고 전수하는 능력 — 은 AI가 우위를 가질 수 있는 영역입니다. 현 개발 버전은 그 완성형 대비 약 70% 수준이며, 이는 현시점의 보장이 아니라 각 본점 영상과 아직 완료하지 않은 검증에 달린 개발 로드맵입니다.