제품 및 서비스

슈퍼브 아카데미 오픈: 플랫폼 사용법을 한 곳에서 배우는 영상 가이드

슈퍼브 플랫폼의 데이터 구축 워크플로우 전 과정을 26편의 영상으로 정리한 슈퍼브 아카데미 페이지가 열렸습니다.

성공사례

[성공 사례] "부품 식별부터 결함 검출까지", 산업 자동화 부품 제조사의 PCB 라벨링 워크플로

PCB 보드의 부품 종류와 결함을 함께 다루는 다형식 라벨링을, 사내 소수 인력으로 감당할 수 있는 워크플로로 바꾼 산업 자동화 부품 제조사의 사례입니다.

보도자료

'세계 1위'로 입증한 토종 '비전 AI' 경쟁력…피지컬 AI 시장 공략

슈퍼브에이아이가 CVPR 2026 파운데이션 퓨샷 객체 탐지 챌린지 종합 1위를 차지했습니다. 차문수 CTO는 재학습 없이 구동되는 경량 비전 AI '제로'를 앞세워 글로벌 진출과 피지컬 AI 시장 확장에 나서겠다고 밝혔습니다.

테크

합성 데이터 파이프라인 구축 가이드: NVIDIA Isaac Sim으로 라벨링을 자동 생성하는 법

실데이터 수집이 어려운 현장을 위한 합성 데이터 파이프라인 구축기입니다. Isaac Sim 환경에서 라벨이 자동 생성되는 원리와 Sim-to-Real 갭을 줄이는 세 가지 엔지니어링, 실측 사례를 정리했습니다.

VFM

산업 특화 비전 파운데이션 모델 제로(ZERO): 학습 없이 시작하는 산업 비전 AI

산업 특화 비전 파운데이션 모델 제로(ZERO)를 소개합니다. 사전 학습 없이 텍스트와 이미지 프롬프트로 산업 현장의 객체를 탐지하는 원리와 CVPR 2026 1위로 검증된 성능, 도입 절차를 정리했습니다.

저널

제조업 AI 도입이 멈추는 이유: HITL(Human-in-the-Loop) 운영 설계 가이드

제조 현장 AI가 시범 사업에서 멈추지 않으려면 사람의 개입 지점을 설계해야 합니다. HITL의 구조와 운영 설계 기준, 실측 사례를 정리한 가이드입니다.

저널

중대재해처벌법 AI 안전관리: 예방 체계와 의무 이행 증빙을 한 번에 만드는 법

중대재해처벌법이 요구하는 안전 확보 의무를 AI 영상 관제로 어떻게 이행하고 증빙하는지 정리한 가이드입니다. 의무와 기능의 매핑 표와 실측 사례를 담았습니다.

저널

건설현장 안전 AI 영상분석: 4대 위험과 기존 CCTV로 시작하는 도입 가이드

건설현장 4대 안전 위험(추락·중장비·구조물·PPE)을 AI 영상분석으로 관리하는 방법을 정리한 가이드입니다. 기존 CCTV를 그대로 활용해 2주 안에 시작하는 도입 절차와 실측 사례를 담았습니다.

저널

데이터 라벨링 자동화, 어디까지 왔나: 오토라벨링 3세대와 도입 판단 가이드

오토라벨링 세 가지 방식과 도입 판단 기준을 정리한 가이드입니다. 9만 개 인스턴스를 8일에 라벨링한 실측 사례와 라벨 없이 시작하는 제로샷 방식까지 다룹니다.

성공사례

[성공 사례] "장비가 놓친 결함은 모두 사람 몫", 글로벌 전자부품·정밀 기자재 제조사의 외관 검사 AI 전환

전자부품·정밀 기자재 외관 검사에서 룰 기반 장비의 한계로 정체된 직행률을, 딥러닝 AI 재판정 체계로 바꿔가고 있는 사례입니다.

업데이트 소식

ZERO 2.2 업데이트: 텍스트 프롬프트 정확도와 한국어 이해가 향상됐습니다

ZERO 2.2가 슈퍼브 플랫폼에 적용됐습니다. 텍스트 프롬프트 정확도와 한국어 이해, 신뢰도 스코어가 개선됐고 AWS Marketplace에서도 사용할 수 있습니다.

보도자료

[기고] 1조 4천억 피지컬 AI 사업, 성패는 네 가지 질문에 달렸다

슈퍼브에이아이는 'AI를 위한 데이터' 관점에서, 정부의 피지컬 AI 사업을 성공시키기 위해 스킬 단위 데이터 선정, 현장 숙련공 보상, 기업의 데이터 자산화, T자형 데이터 지도라는 네 가지 설계가 필요하다고 제언했습니다.

테크

한 번 만든 데이터로 무한히 만든다: 합성 데이터 파이프라인의 시제 가동

촬영 없이 라벨이 완성된 학습 데이터를 만드는 합성 데이터 공정을 처음 가동해 봤습니다. 도메인 랜덤화의 원리와 검증 방법, '합성 데이터는 가짜'라는 오해에 대한 답을 정리했습니다.

AI 인사이트

[슈퍼브 인사이트] AI, 지금 시작하면 너무 늦은 걸까요?👀IT 20년차의 대답은 "아니요"

AI로 넘어가야 할지 망설이는 IT 전문가에게 필요한 건 커리어 전환이 아니라, 기존 역량 위에 한 층을 더하는 확장입니다. 핵심 머신러닝부터 MLOps까지 층층이 쌓아 올리는 5단계 학습 로드맵을 따라가 봅니다.

테크

로봇에게 서랍은 '당기면 열리는 사물'이어야 한다: 지능형 객체 자산 10,000장 구축기

로봇이 서랍을 열려면 '보이는 사물'이 아니라 '움직이는 사물'의 데이터가 필요합니다. 세그멘테이션과 관절 모델링으로 객체 자산 10,000장을 구축한 과정, 그리고 품질 기준을 읽는 법을 담았습니다.

보도자료

슈퍼브에이아이, KBS 뉴스 9 '한국형 AI' 보도에 소개되었습니다

KBS 뉴스 9이 슈퍼브에이아이의 AI 관제 시연과 이현동 부대표 인터뷰를 소개했습니다. 안전모 미착용 감지부터 순찰 로봇 투입까지, 방송에 담긴 장면을 정리했습니다.

보도자료

몸보다 '손·귀'…휴머노이드 투자도 감각 경쟁

피지컬 AI 경쟁의 핵심이 하드웨어에서 데이터로 이동하고 있습니다. 슈퍼브에이아이는 제조 현장에서 축적된 데이터를 앞세워 VLM 기반 품질검사·위험감지에 강점을 보이며, 이를 VLA로 확장해 피지컬 AI 데이터 강자로 자리매김하고 있습니다.

테크

사진이 아니라 '걸어 들어갈 수 있는 공간': 3DGS로 한국의 집 50곳을 복원하다

360° 파노라마와 로봇이 들어갈 수 있는 공간은 다릅니다. 일반 카메라로 촬영한 영상에서 한국의 집 50곳을 3DGS 공간 자산으로 복원하며 확인한 기술적 선택과 한계를 정리했습니다.

보도자료

슈퍼브에이아이, 코스닥 기술특례상장 기술성 평가 통과

슈퍼브에이아이가 코스닥 기술특례상장을 위한 기술성 평가를 통과하며 우수한 기술력과 사업성을 입증했습니다. 독자적 AI 모델 '제로(ZERO)'의 독보적인 기술력과 산업 특화 파운데이션 모델을 바탕으로 피지컬 AI 영역까지 확장해 나가겠습니다.

테크

로봇은 사람의 행동을 어떻게 배우는가: 4D 행동 데이터 5,000건 구축기

사람의 행동은 어떻게 로봇의 학습 데이터가 될까요? 멀티뷰 촬영에서 SMPL 피팅, 리타게팅까지 4D 행동 자산 5,000건을 만든 파이프라인과 원격조작(teleop) 데이터와의 차이를 실무 경험으로 설명합니다.

이벤트 및 웨비나

📢하나의 모델, 여러 개의 태스크:산업 AI는 어떻게 새로운 지식을 계속 배우는가? AI 딥-다이브에 여러분을 초대합니다.

2026년 7월 30일(목), AI 딥-다이브에 초대합니다! 새로운 고객이 들어올 때마다 모델을 다시 학습해야 할까요? 이번 AI 딥-다이브에서는 Zero-shot 모델이 새로운 도메인 지식을 학습하며 확장되는 과정과, 기존 지식을 잃지 않으면서 새로운 태스크를 배우는 연속학습(Continual Learning)의 개념을 소개합니다. 🔥 지금 바로 신청하기 산업 현장의 AI는 한 번

공공·보안 사례

[성공 사례] 스마트시티 AI 관제 사례: 김천시 공공 안전·교통 혁신

대한민국 김천시는 슈퍼브에이아이의 AI 영상 관제 솔루션을 도입하여 도시 안전과 교통 문제 해결에 성공했습니다. 파인튜닝 모델과 프롬프트 기반 AI의 하이브리드 접근, 그리고 자동 문자 알림 시스템을 통해 어떻게 선제적 안전망을 구축하고 시민이 체감하는 행정 혁신을 이루었는지 확인해 보세요.

테크

한국의 집 50곳이 로봇 학습 데이터가 됐다: 3D 공간 50개소·행동 5,000건·객체 10,000장 구축기

한국 가정환경 50곳이 로봇이 학습할 수 있는 3D 공간·행동·객체 자산이 되기까지. 독파모 2차수가 만든 결과물을 1월에 공개했던 계획과 나란히 놓고, 숫자와 과정 중심으로 정리했습니다.

AI 인사이트

[슈퍼브 인사이트] "컴퓨트가 곧 데이터" 엔비디아 선언 석 달 뒤, 돈은 반대로 흘렀습니다

GPU로 학습 데이터를 만들어내겠다는 엔비디아의 '데이터 팩토리' 설계도가 무료로 풀렸습니다. 그런데 석 달 뒤, 벤처 자본은 현장에서 실측 데이터를 모으는 회사들로 몰렸습니다. 피지컬 AI 데이터 전쟁의 두 노선을 정리합니다.

AI 인사이트

[슈퍼브 인사이트] AI가 틀리기 시작하면 다들 모델부터 의심하는데요(범인은 따로있다?!🐥)

PoC에서 잘 되던 AI가 프로덕션에서 틀리기 시작했다면, 범인은 모델이 아니라 '움직인 데이터 상태'일 수 있습니다. 문제를 '추측'이 아닌 '비교'로 푸는 재현성 이야기.