요리를 가르치는 AI

본점의 손맛을 학습해 현장에서 가르치는 AI — 지금 어디까지 왔고, 어떻게 작동하는지.

어려운 기술 용어에는 빨간 * 표시가 있어요. 누르면 페이지 맨 아래 「쉽게 풀어 쓴 기술 용어」로 이동하고, 뒤로가기로 읽던 곳에 돌아옵니다.

이 페이지 구성

현재 개발·구현 현황
비전과 기술적 해자
가르침에서는, 사람을 넘어
특허로 지키는 기술
견고하게 쌓아 올린 시스템
쉽게 풀어 쓴 기술 용어

01 현재 개발·구현 현황

우리가 개발하는 요리 전수 AI는 '언젠가'의 구상이 아니라 지금 단계별로 쌓아 올리고 있는 시스템입니다. 가장 어려운 핵심 기술은 이미 완성해 두었고, 그 위에 시스템의 뼈대를 세웠습니다. 보여드리기 위한 데모 버전이나 프로토타입이 아니라, 실제로 현장에서 작동하도록 만드는 데 목적을 두고 매우 심도 높은 개발이 진행되고 있습니다.

역할 선택 — 본점 셰프 / 학습자 — 실제로 작동 중인 앱 화면 화면을 누르면 크게 보입니다 · 좌우로 넘겨 보세요

지금까지 완성형 대비 약 80% 수준의 진척에 이르렀습니다. 남은 길은 아래 단계로 이어집니다.

이미 완성

온디바이스 비전 AI

조리 장면 속 대상을 실시간으로 찾아내고(디텍터) 끊김 없이 따라가는(트래커) AI를, 스마트폰 안에서 빠르게 작동하도록 양자화·NPU 전용 가속까지 개발을 완료했습니다.

시스템 뼈대

본점·학습자 앱, 백엔드 서버, 주관사 관리자 시스템의 골격을 실제 AI 교육 패턴에 따라 유기적으로 작동되도록 디테일하게 구현했습니다.

Privacy 설계

본점의 원본 영상은 암호화되어 학습용으로 클라우드에 임시로만 보관되며, 학습이 끝나면 자동으로 폐기됩니다. 원본을 어디에도 영구 저장하지 않고, 학습에 필요한 결과물만 남기는 데이터 흐름을 설계했습니다.

클라우드 학습·교육 연동

본점의 손맛을 빅테크 기업의 고지능 범용 AI가 배우도록 학습 파이프라인을 연결했고, 특정 요리를 집중 학습해 파인튜닝된 범용 AI가 Galaxy XR을 통해 학습자의 실시간 시야를 함께 보며 대화로 가르치도록 파이프라인을 구축했습니다.

실시간 역할 배정

응답 속도가 결정적인 영역은 기기 안에 탑재된 경량 AI가 맡도록 — 클라우드의 깊은 학습과 온디바이스의 즉각 반응이 역할을 나눠 함께 작동하는 시스템을 갖췄습니다.

지금 진행 중

온디바이스·클라우드 AI 통합

지금은 Galaxy XR 위에서 디텍터·트래커 AI가 클라우드의 고지능 범용 AI, 그리고 기기에 탑재된 경량 AI와 유기적으로 연계해 하나로 작동하고, 그 안내를 학습자의 시야에 정확히 겹쳐 보여주는 AR 오버레이까지 한 흐름으로 통합하는 작업을 진행하고 있습니다.

다음 단계

본점 촬영 학습

협약 본점의 조리 영상을 체계화해 AI에 학습시킵니다.

현장 실기기 검증

실제 주방 환경에서 요리 학습자(가맹점주 또는 가맹점 대표 요리사)가 쓰는 전 과정을 검증합니다.

디바이스 경량화

Galaxy XR은 요리 학습에 적합할 만큼 무게 밸런스가 좋고 착용 시 충분히 좋은 시야를 제공하지만, 사용자의 더 높은 편의를 위해 스마트글래스로의 단계적 전환을 예정하고 있습니다.

02 비전과 기술적 해자

이 요리 전수 AI에 요구되는 기술들이, 관련 업계 전체가 향하는 방향과 일치합니다. 이는 우리 사업이 역풍을 맞으며 노를 젓는 사업이 아니라, 거대한 흐름에 순풍을 받으며 달성할 수 있는 사업임을 의미합니다.

세계가 같은 방향으로 달려가고 있습니다

사람의 시야를 AI가 실시간으로 함께 보고, 그 시야 속 대상을 두고 대화하며 도움을 받는 방식 — 이것은 요리 전수에만 필요한 게 아니라 의료·제조·교육 등 수많은 산업이 똑같이 원하는 기술 방향입니다.

그래서 두 가지가 동시에 일어나고 있습니다. 하나는 인터넷 너머가 아니라 기기 안에서 즉시 도는 '온디바이스 AI'에 빅테크가 사활을 거는 것, 다른 하나는 시야를 공유하는 기기, 곧 스마트글래스를 메타·삼성·구글을 비롯한 거대 기업들이 앞다퉈 내놓고 있는 것입니다.

본점을 학습한 AI가, 가맹 요리사의 재학습을 시야 안에서 실시간으로 코칭합니다 (개발 중 개념 예시)

지금, 업계에서 일어나고 있는 일

시야 공유 — 스마트글래스

메타 레이밴 2025년 0만 대+ 판매

삼성·구글 Android XR 글래스 2026 가을

애플 비전 프로 출시 · 글래스 준비

온디바이스 AI — 기기 안의 AI

구글 제미나이 Nano · 실시간 음성 Live

애플 Apple Intelligence(기기 내)

메타·MS·엔비디아·OpenAI 경량 온디바이스 모델 잇따라

범용 AI를 목적에 맞게 길들이는 건, 이미 업계의 상식입니다

우리가 한 본점의 요리를 학습시켜 '그 본점 전용 AI'를 만들 듯, 전 세계 수많은 기업이 GPT·제미나이·클로드 같은 고지능 범용 AI를 자신의 목적에 특화한 버전으로 다듬어(파인튜닝) 쓰고 있습니다.

즉, 이미 검증된 방식 위에서 우리는 '한식 본점의 손맛'에 특화된 AI로 튜닝하여 개발하는 것입니다.

AI는 이미 요리를 깊이 이해하고 있습니다

오늘날의 고지능 범용 AI는 이미 요리에 대한 방대한 지식과 통찰을 갖고 있습니다. 우리는 아무것도 모르는 AI에 요리를 가르치는 게 아니라, 이미 요리를 아는 AI에 '이 본점만의 레시피와 손맛'을 더하는 것입니다.

맨바닥부터 학습시키는 것과는 출발점 자체가 다릅니다. 깊은 이해 위에 한 본점의 결을 얹는 일이기에, 적은 데이터로도 깊이 있는 전수가 가능합니다.

AI가 소프트웨어를 만드는 시대

코딩 실력만 놓고 보면 특정 AI 모델은 이미 시니어급 개발자를 넘어서는 개발 성능을 보이고 있고, 보다 중요한 점은 인간 개발자가 보통 자신만의 전문 분야에 한해 두각을 보이는 반면 AI는 모든 영역에 걸쳐 다방면으로 잘 해낸다는 점입니다. 또한 그 성능 발전도 말 그대로 '하루가 다르게' 진화하고 있으며, 너무나 빠른 발전 속도에 업계에서는 우려까지 하고 있는 실정입니다.

우리 요리 전수 AI의 개발도 코딩 특화 AI를 통해 진행하고 있으며, 짧은 미래에 요리 학습 데이터만 있으면 바로 현장에 투입할 수 있는 완성형 버전의 개발이 완료될 것입니다.

03 가르침에서는, 사람을 넘어

우리가 목표하는 성능은 본점 셰프를 '흉내' 내는 수준이 아닙니다. 요리를 가르치는 일에 있어서는, 본점 셰프를 월등히 뛰어넘는 것을 목표로 합니다.

요리와 가르침은, 다른 능력입니다

한 가지는 분명히 해 두겠습니다. 본점 셰프의 '요리 실력' 자체는 누구도 따를 수 없습니다. 우리가 넘어서려는 곳은 오직 '가르치는' 영역입니다 — 바로 그 '가르침'을, AI가 메우고 넘어섭니다.

같은 1:1 학습, 무엇이 다른가

잘 해내는 것과, 잘 가르치는 것

몸에 밴 솜씨로 자연스럽게 요리를 만들어 내는 것과, 그 앎을 남이 이해하도록 풀어 설명하는 것은 전혀 다른 능력입니다. 요리전수 AI는 학습자가 어디서 헷갈리고 무엇이 부족한지까지 헤아려 '가르치는' 일 자체에 집중합니다.

지치지 않고, 한 사람 한 사람에게

사람은 1:1로 붙어도 체력과 시간에 한계가 있습니다. AI는 학습자 한 명 한 명에게 언제든, 몇 번이든, 늘 같은 기준으로 가르칩니다.

시야에 짚어주고, 수치로 보여줍니다

사람은 '저기 그 냄비'라고 말로 가리킬 수밖에 없지만, AI는 학습자의 시야 속 바로 그 대상을 콕 집어 표시하고, 불 세기·끓는 시간·농도처럼 눈대중에 맡기던 것을 숫자로 함께 보여 줍니다.

미세한 차이까지, 실시간으로 같게

요리는 한두 가지만 달라져도 맛이 갈릴 만큼 미묘해서, 곁에서 1:1로 배워도 그 맛을 그대로 내기 어렵습니다. 요리전수 AI는 본점의 요리 패턴을 기억하고, 학습자의 동작이 그와 같게 유지되는지 실시간으로 확인하며 미세한 차이까지 좁혀 줍니다. 사람은 큰 차이는 잡아도 디테일까지 다 잡긴 어렵지만, AI는 놓치지 않습니다.

그리고 성능은 계속 좋아집니다

이 가르침의 깊이는 바탕이 되는 고지능 범용 AI의 성능과 함께 자랍니다. 파인튜닝이 가능한 더 강력한 모델이 나올 때마다 적용해 성능을 끌어올릴 것이며, 흔히 말하는 AGI 시대보다 훨씬 이전의 모델만으로도 우리가 목표하는 수준 — 본점 셰프의 전수 실력을 월등히 넘어서는 가르침 — 에 도달할 수 있을 것으로 봅니다.

04 특허로 지키는 기술

기술 방어의 관점

요리 전수 AI의 핵심 기술 — 본점의 손맛을 AI가 배워 기준으로 삼고, 현장에서 즉시 비교해 전수하는 방식 — 이 특허로 보호됩니다.

손맛을, 디지털 기준으로

본점 셰프의 조리를 1인칭 시점으로 학습하면, 말로는 다 옮기기 어려운 손맛이 다룰 수 있는 디지털 기준으로 바뀝니다. 불 세기·국물 농도·간·발효·숙성처럼 한식의 미묘한 요소들이 흩어진 감각이 아니라 또렷한 기준이 되는 것 — 이 변환 방식 자체가 특허로 보호됩니다.

현장에서, 실시간으로 비교

학습자의 동작을 본점 표준과 그 자리에서 비교하고, 다음에 무엇을 어떻게 해야 하는지를 시야 안에 짚어 줍니다. 한 번 배우고 끝나는 게 아니라 '전수' 그 자체를 객관화하는 이 방식이 보호 대상입니다.

한식을, 한식답게 평가

양식의 잣대로는 잴 수 없는 한식 고유의 요소들을 하나의 체계로 정량화했습니다. 한식을 한식의 결대로 평가하는 이 틀 또한 특허의 일부입니다.

05 견고하게 쌓아 올린 시스템

요리 전수 AI와 이 시스템 전반은 '보여주기용' 프로토타입이나 최소 기능 시제품(MVP)이 아닙니다. 학습자가 실제로 요리를 배울 수 있도록, 설계 단계에서부터 기초공사에 많은 시간과 공을 들이고 한 단계씩 쌓아 올렸습니다.

0 대 원칙 설계 전반에 반영한 소프트웨어 원칙

흔들리지 않게, 그러나 언제든 바꿀 수 있게

독립 모듈화

시스템을 인증·영상·보안·AI 같은 독립 부품으로 나눕니다. 한 부분을 고쳐도 다른 부분은 흔들리지 않습니다(자동차의 엔진과 바퀴를 따로 만들듯).

인터페이스 추상화

부품을 약속된 연결구로만 잇습니다. 예컨대 영상 입력을 지금의 XR 기기에서 나중에 스마트글래스로 통째 바꿔도, 앱의 나머지는 그대로 작동합니다.

익스텐션 포인트

더 강한 AI나 새 기기가 나왔을 때 끼워 넣을 '빈 자리'를 설계 단계에 미리 마련해 둡니다. 그때 가서 처음부터 다시 만들 필요가 없습니다.

파라미터화

보안 강도나 평가 기준치처럼 바뀔 수 있는 값을, 코드 깊숙이 박지 않고 바깥 설정으로 빼 둡니다. 코드를 건드리지 않고 조절합니다.

캡슐화

본점의 핵심 데이터는 금고 같은 '캡슐' 안에만 두고, 원본 대신 꼭 필요한 특징값만 정해진 통로로 다룹니다.

이 다섯 원칙을 지킨 이유는 하나입니다. 더 강력한 AI나 새로운 기기가 등장해도, 핵심을 통째로 갈아엎지 않고 필요한 부분만 갈아끼워 곧바로 이어 갈 수 있도록 — 미래의 신기술을 받아들일 준비가 된 구조를 만들기 위해서입니다.

본점 레시피 보안

레시피 자산을, 여러 겹으로 감쌌습니다

레시피 자산

본점의 레시피와 손맛은 무엇과도 바꿀 수 없는 자산입니다. 그래서 그 자산을 한가운데 두고, 여러 겹의 보안으로 감쌌습니다 — 안쪽 겹일수록 원본에 가깝게 지키고, 바깥 겹일수록 외부의 위협을 먼저 막습니다. 회사가 커지면 그 위에 최고 수준의 보안을 더할 자리도 비워 두었습니다.

안쪽 → 바깥쪽, 다섯 겹의 방어

임시 저장 후 자동 폐기
전송·저장 암호화
한국 내 격리 보관
인증·권한·접근 기록
외부 공격 차단·지속 점검

학습에 쓰인 본점 영상은 임시로만 보관해 쓰고 폐기하며, 원본을 영구 저장하지 않습니다.

06 쉽게 풀어 쓴 기술 용어

(AR) 오버레이: 실제 요리 장면 위에, AI의 안내(다음 동작·위치·점수 등)를 정확한 자리에 겹쳐 보여주는 것.
Galaxy XR / XR: 삼성의 XR(확장현실) 기기 — 안경·고글처럼 써서 눈앞 시야에 정보를 겹쳐 보는 장치. 현장 학습이 여기서 작동합니다.
온디바이스 AI: 인터넷 서버가 아니라 스마트폰·XR 기기 안에서 직접 작동하는 AI. 연결이 끊겨도 지연 없이 즉시 반응합니다.
디텍터 (detector): 화면 속에서 '무엇이 어디 있는지'를 찾아내는 AI (예: 냄비·재료·손의 위치).
트래커 (tracker): 그 대상이 움직여도 '계속 같은 것'으로 끊김 없이 따라가는 AI.
양자화: 무거운 AI를 정확도를 지키면서 가볍게 압축해, 작은 기기에서도 빠르게 돌게 하는 기술.
NPU 가속: 기기 안의 AI 전용 칩(NPU)으로 처리해 속도와 전력을 크게 아끼는 것. 온디바이스 실시간 처리에 사실상 필수입니다.
파인튜닝: 누구나 쓰는 범용 AI에 특정 분야의 자료를 더 학습시켜, 그 분야 전용으로 다듬는 것 (예: 한 본점의 요리 전용).

왜 '오버레이'가 가장 어려울까요?

눈앞에서 손과 재료가 쉼 없이 움직이는 동안, 디텍터가 대상을 정확히 찾고 → 트래커가 그 움직임을 놓치지 않고 따라가야 → 그 위 정확한 자리에 안내를 겹칠 수 있습니다. 조금만 늦거나 어긋나도 학습에 방해가 되죠. 이 모든 걸 서버가 아니라 기기 안에서(온디바이스) 실시간으로 처리해야 하기에, 양자화와 NPU 가속이 핵심이 됩니다.