데이터스케쳐스 블로그

Adobe Illustrator MCP 사용기: 큐카드를 만들고, 양면 인쇄에서 배운 것

A4 용지 6장으로 시작한 발표 큐카드 제작. Illustrator MCP로 15개 대본을 4장에 배치하고, 양면 인쇄의 뒷면 방향을 보정하며 배운 점을 기록했습니다.

OpenAI Tunnel로 사내 MCP를 ChatGPT 커넥터로 연결한 방법

사내 MCP 서버를 ChatGPT 커넥터로 연결하려면 공개 URL 노출, Cloudflare 봇 차단, 인증 방식 세 가지가 먼저 막힙니다. OpenAI Tunnel 생성부터 배포 서버 실행, 플러그인 등록까지 실제로 막혔던 지점과 푼 과정을 정리했어요.

식품 규정과 내부 기준을 위한 RAG 설계에서 자주 놓치는 6가지

규정 문서를 잘게 나눠 검색해도 적용 대상과 버전이 틀리면 답변은 어긋납니다. 식품 기준 RAG의 출처·시점·조항 관계·권한·인용 검증을 정리합니다.

고객 맞춤 프로젝트를 식품 제조 AI 솔루션으로 확장하려면 무엇을 분리해야 하나

프로젝트를 재사용 가능한 솔루션으로 만들려면 화면 복제보다 경계 설계가 먼저입니다. 고객별 데이터·규칙과 공통 처리 기능을 나누는 기준을 설명합니다.

현장 사용성을 높이는 제조 AI 분석 화면은 무엇이 달라야 할까

대화창에서 답을 받는 것과 업무를 끝내는 것은 다릅니다. 조회 조건, 비교, 원본 근거, 보류와 재조회가 이어지는 제조 AI 화면을 설명합니다.

식품 제조 AI가 막힐 때, 모델보다 데이터 연결을 먼저 봅니다

답변이 자꾸 어긋난다면 모델을 바꾸기 전에 데이터 관계를 확인해보세요. 잘못된 연결, 중복 집계, 시간축 불일치를 작은 예시로 찾는 방법을 설명합니다.

표·문서·현장 이미지를 함께 다루는 식품 제조 멀티모달 AI 분석

표, 문서, 사진을 AI에 함께 넣는 것만으로 업무 맥락이 연결되지는 않습니다. 같은 사건과 시점으로 자료를 묶고 관찰과 추정을 나누는 설계 방법을 설명합니다.

PoC에서 운영형 식품 제조 AI 시스템으로 넘어갈 때 달라지는 것

샘플 데이터로 잘 돌아가는 AI와 매일 사용할 시스템은 검증 범위가 다릅니다. 갱신 실패, 권한, 변경 이력, 운영 중단과 복구 조건을 함께 살펴봅니다.

식품 제조 현장의 요구사항이 데이터 모델과 AI 화면으로 바뀌는 과정

현업의 한 문장을 바로 AI 기능으로 만들면 중요한 조건이 빠집니다. 요구사항을 업무 정의·데이터 관계·화면 행동·검증 예시로 바꾸는 과정을 설명합니다.

AI 선판단과 담당자 검토를 함께 쓰는 식품 제조 Human-in-the-loop 설계

AI가 초안을 만들고 사람이 승인하는 과정에는 무엇이 필요할까요? 검토·보류·재검토 상태와 근거 변경 시 처리까지 포함한 업무 흐름을 살펴봅니다.

식품 제조 AI가 답만 내놓으면 안 되는 이유: 근거를 따라갈 수 있어야 합니다

AI가 제시한 결론을 검토하려면 답변에서 원본 기록과 적용 기준까지 돌아갈 수 있어야 합니다. 사실·계산·해석을 구분하는 근거형 분석 화면을 설명합니다.

현장 점검 데이터와 기준 문서를 함께 보는 AI 분석은 어떻게 설계할까

점검 결과와 기준 문서를 따로 검색하면 판단의 맥락이 끊깁니다. 같은 대상·시점·기준 버전으로 연결하고 근거 부족까지 표시하는 AI 분석 흐름을 살펴봅니다.

제조 AI 배포 환경을 고르는 기준: 데이터 위치와 운영 책임

SaaS·프라이빗 클라우드·온프레미스를 같은 분류로 보지 않고 서비스 방식, 설치 위치, 운영 책임을 나눕니다. 원본·모델·로그의 경계를 비교합니다.

AI 도입 효과를 측정하는 KPI 기록표: 탐색부터 재검토까지

탐색·근거 확인·재작업을 포함한 업무시간과 AI 품질 지표를 분리해 기록합니다. 가상 계산으로 분모, 비교 조건, 채택률의 한계를 설명합니다.

식품 제조 AI PoC 8주 예시: 단계별 산출물과 중단 기준

8주를 가정한 PoC에서 데이터 접근, 기준선, 오류 검토, 사용자 시험, 운영 책임을 확인합니다. 단계별 산출물·책임 역할·진행과 보류 기준을 제시합니다.

식품 VOC를 품질 점검 목록으로 바꾸는 분류 예시

가상 VOC 6건을 분류하고 제품·Lot 연결과 담당자 수정 과정을 보여줍니다. 접수 중복, 판매량 차이, 원인 미확인을 함께 다루는 업무 예시입니다.

이 업무는 BI로 충분할까? 예측 모델과 생성형 AI를 고르는 기준

품질 업무 질문을 집계·예측·문서 설명으로 나누고, 규칙이나 BI만으로 충분한 경우부터 살펴봅니다. 기술 선택표와 역할 경계를 제안합니다.

A공장·법인명·공장 코드가 섞인 Excel을 연결하는 순서

가상 Excel 원본 4행을 매핑 표와 통합 결과로 바꿔봅니다. 업체와 생산처의 혼동, 중복 매핑, 미연결 행을 확인하는 실습입니다.

식품 제조 AI 착수 전에 작성하는 데이터 준비 점검표

품목·공정·검사·설비·원료·VOC·기준 문서를 업무 질문에 맞춰 점검합니다. 담당 부서와 연결 키, 갱신·결측·접근 조건을 적는 양식을 제공합니다.

협력업체 점수가 같아도 재점검 순위가 달라지는 이유

가상 협력업체 세 곳의 반복 부적합과 조치 이력, 자료 부족을 나눠 봅니다. 평가 점수 하나 대신 재점검·자료 요청의 근거를 남기는 설계입니다.

HACCP 기록에서 반복 이탈과 조치 누락을 찾는 방법

HACCP의 예방적 위해관리 원칙을 유지하면서 가상 기록에서 반복 이탈과 확인 누락을 찾습니다. 규칙 조회, AI 요약, 담당자 판단의 경계를 구분합니다.

품질 데이터와 VOC를 연결할 때, 업체명보다 먼저 정할 기준

업체·생산처·품목·Lot를 구분하는 가상 설계 예시로, 잘못된 데이터 연결과 중복 집계를 막고 원본까지 추적하는 방법을 살펴봅니다.

매일 5분 걸리던 야근 신청을 3초로 줄인 방법

야근 관리 시스템을 만들게 된 계기는 거창하지 않았습니다. 불편해서였습니다. 강북청년창업마루에서는 야근을 할 때 구글 폼으로 연장 신청을 해야 했는데, 같은 정보를 매번 다시 입력하는 일이 생각보다 오래, 그리고 자주 사람을 지치게 했습니다. 반복 입력의 피로 강북청년창업마루의 기존 방

왜 우리는 자체 LLM 추상화 레이어를 만들었나

D SKET Canvas는 처음부터 멀티벤더였습니다. 사용자가 Claude를 쓰든, OpenAI를 쓰든, Gemini를 쓰든 똑같이 동작해야 했죠. 한 번의 라이브러리 교체로 끝나는 일이라 생각했는데, 6개월이 지난 지금 우리는 800줄짜리 자체 추상화 레이어를 운영하고 있습니다. 처음

1pro chicken — 프랜차이즈의 디지털 풀사이클

치킨 프랜차이즈가 처음 우리에게 연락했을 때, 가지고 있는 건 점주들이 카카오톡으로 주고받던 메뉴 사진 한 묶음과 막연한 욕심뿐이었습니다. 6주 뒤, 우리는 로고 6종, 메뉴 데이터베이스, 시안 3종, 그리고 라이브 웹사이트를 인수했습니다. 시작: 한 장의 카카오톡 캡처 !data sk

22개 업종 템플릿을 만들면서 알게 된 것

처음엔 22개 업종이면 22개 디자인이라고 생각했습니다. 6개월 만들어보니 진짜 다른 건 6개뿐이었습니다. 나머지 16개는 6개의 변형일 뿐. 무엇이 진짜 다르고, 무엇이 같은지 — 우리가 발견한 분류. 법률사무소 vs 매거진 — 진짜 다른 두 가지 법률사무소 사이트는 "신뢰"를 위해

회의 음성을 실시간 마인드맵으로 — Whisper v2 WebSocket

"회의 끝나고 정리하지 마세요. 회의 중에 마인드맵이 만들어집니다." 우리가 Canvas의 회의 기능을 만들 때 잡은 목표였습니다. 200ms 이하 지연으로 자막을 그리고, 동시에 키워드를 추출해 노드로 변환하는 일은 생각보다 까다로웠습니다. 왜 직접 만들었나 OpenAI Whisper

5명으로 SK AX와 계약을 맺기까지

설립한 지 6개월 된 5명짜리 회사가 대기업 SK AX와 연간 SM 계약을 맺었다는 얘기를 듣고 "어떻게?"라고 묻는 분들이 있어 기록해 둡니다. 특별한 비결은 없습니다. 우연과 준비, 그리고 솔직함이 겹쳤습니다. 1. 우연이 먼저였다 2025년 9월, 카지노 워커힐 키오스크 운영 담당