Speaker A
여러분 혹시 요즘 재브라는 AI 모델 들어보셨나요? 기존에 우리가 알고 있는 프론티어 AI 모델인 클로드나 최제비T 같은 모델보다 훨씬 빠르고 가격도 저렴한데 성능이 나쁘지 않다고 해서 큰 화제를 모으고 있는데요.
재브(Jev)라는 빠르고 저렴한 AI 모델의 개념, API 설정 방법, 그리고 분류·판단 작업에 활용하는 업무 사례를 소개하고 한계점을 짚는 영상입니다.
Key Takeaways
- 재브는 빠르고 저렴한 판단·분류 특화 모델로, 긴 서술형 답변이 필요한 작업에는 적합하지 않음
- 결과 신뢰도가 프론티어 모델보다 낮으므로 검증 과정이 필수임
- 대량의 문의·뉴스·리뷰를 먼저 분류한 뒤 난이도에 따라 모델을 나눠 쓰면 비용과 시간을 크게 줄일 수 있음
What the video covers
- 재브는 프론티어 모델보다 빠르고 저렴하지만 지식 수준은 다소 낮은 판단·분류 특화 모델로 소개됨
- 텍스트 서술형 답변 대신 객관식(선택), 예/아니오, 스코어(1~10단계) 형태로 결과를 반환함
- 선택형·예/아니오형·스코어형 세 가지 출력 방식과 각각의 활용 예시를 설명함
- 회사 테스트 기준 기존 모델 대비 40~200배 빠른 성과를 낸다고 언급됨
- 입력 토큰 100만 개당 약 0.042달러이며 출력 토큰은 무료라는 가격 구조를 제시함
- 요청당 토큰 한도(입력+전체 문항 64,000, 입력+가장 긴 문항 32,000)가 있어 대량 입력에는 제약이 있음
- 결과를 그대로 믿지 말고 테스트로 검증해야 하며, 복잡한 추론·숫자 정확도가 필요한 작업에서는 오류가 날 수 있음
- 숫자 계산 등은 코드 작업으로 우회하는 것이 권장됨
- API 키 발급 절차(공식 사이트 가입 후 API 콘솔에서 발급)와 Codex·Hermes 에이전트에 스킬을 설치해 연동하는 방법을 시연함
- 가상의 홈트 회사 '모노핏'을 사례로 문의 1,000건 분류, 리뷰 분류, 뉴스 큐레이션, 레퍼런스 수집 등 실습을 보여줌
Full Transcript — Download SRT & Markdown
Speaker A
근데 일반적인 생성형 AI 모델과는 좀 달라서 막상 내 업무에 어떻게 활용하면 좋을지 감히 안 잡으실 수 있습니다. 그래서 오늘은 재브가 뭔지 설정은 어떻게 하는지 그리고 다양한 업무 사례를 기반으로 재를 어떻게 업무 워크플로우에 정영해 볼 수 있을지 보여 드리도록 하겠습니다.
Speaker A
근데 일반적인 생성형 AI 모델과는 좀 달라서 막상 내 업무에 어떻게 활용하면 좋을지 감이 잡히지 않으실 수 있습니다. 그래서 오늘은 재브가 뭔지, 설정은 어떻게 하는지, 그리고 다양한 업무 사례를 기반으로 재브를 어떻게 업무 워크플로우에 통합해 볼 수 있을지 보여 드리도록 하겠습니다.
Speaker A
보통 우리가 AI한테 질문을 하면 이렇게 좌측에 보이는 것처럼 서수령으로 답변을 해 주게 되죠. 근데 재브는 이런 식으로 텍스트로 답변을 해 주지 않고요. 어떤 객관식 질문을 주게 되면 우리가 사전에 제공한 평가표에 따라서 평가 결과만 알려 주게 됩니다. 그 일종에 객관식
Speaker A
AI를 활용해 반복 업무를 처리하고 싶으신 분들이라면 이 재브가 충분히 유용할 수 있으니까요. 영상 끝까지 시청하시고 여러분 업무 시스템에 적용해 보시면 좋을 것 같습니다.
Speaker A
예를 들면 우리가 무늬 유형을 여러 가지로 나눠 가지고 제공을 해 주면 그중에 뭐어요 무늬는 교환 한불인 거 같다. 그 확률이 가장 높다라고 하면 교환불을 선택을 해 주는 겁니다.
Speaker A
보통 우리가 AI한테 질문을 하면 이렇게 좌측에 보이는 것처럼 서술형으로 답변을 해 주게 되죠. 근데 재브는 이런 식으로 텍스트로 답변을 해 주지 않고요. 어떤 객관식 질문을 주게 되면 우리가 사전에 제공한 평가표에 따라서 평가 결과만 알려 주게 됩니다. 그 일종의 객관식 답변을 제공한다고 생각해 볼 수도 있을 것 같아요.
Speaker A
순서가 있는 단계에서 어 어떤 단계에 해당하는지 이제 스코어링을 매겨 주는 거죠. 1에서 10단계에서 몇 단계에 해당하냐 이런 것들을 해 줄 수 있는게 또 스코어입니다. 그리고 여기서 포인트는 이런 여러 가지 문항들에 대해서 재배가 답변을 해 줄 때 요거를 하나의 문의를 예를 들어서
Speaker A
조금 더 구체적으로는 세 가지 방식의 답변을 제공하는데요. 첫 번째로는 초이스라고 해서, 정말 객관식 답변들을 몇 개 리스트로 제공해 주면 그중에 하나를 골라 주는 거예요.
Speaker A
있는 뭐 페이블 오프스 아스트라 이런 모델들 있잖아요. 그런 모델들과 비교를 해 봤을 때는 어 지식 수준이 좀 떨어지는 편입니다. 어 그렇기 때문에 우리가 재브를 활용해서 뭔가 결과를 받았을 때 뭐요 유형일 가능성이 가장 높다. 혹은 뭐 예의일 가능성이 높다. 뭐 단계로는 뭐
Speaker A
예를 들면 우리가 무늬 유형을 여러 가지로 나눠 가지고 제공을 해 주면, 그중에 "이 무늬는 교환 환불인 것 같다, 그 확률이 가장 높다"라고 하면 교환 환불을 선택해 주는 겁니다.
Speaker A
그렇기 때문에 결과물을 그대로 믿기보다는 좀 테스트를 하면서 검증하는 작업이 필요할 수 있고요. 공식 문서에서도 약한 영역을 추가적으로 좀 제공을 해 주고 있어요. 예를 들면 한 단계 더 돌아서 생각을 해야 되는 좀 복잡한 문제라던가 아니면 문장을 너무 그대로 받아들이면 안 되는 경우 혹은 뭐
Speaker A
그리고 두 번째 형식은 예/아니오라고 해서, "예" "아니오"로 답변을 해 주는 방식이 있습니다. 그래서 우리가 예를 들어 이유로 질문을 하는 경우가 있잖아요. 그럴 때 둘 중에 어떤 거일 확률이 높은지를 선택해 주는 그 방식이 예/아니오 방식이고요.
Speaker A
그리고 숫자 같은 거를 계산하는 거는 코드 작업을 통해서 대신하는 그런 식으로 우회를 하면 좋습니다. 그래서 기본 글자는 재브는 질문만 어느 정도 단순하게 제공을 해 줄 수 있다면이 판단을 굉장히 빨리 해 줄 수 있는 모델이다라고 생각하시면 될 거 같아요. 자, 그럼요 재 모델이 왜
Speaker A
그다음 마지막으로는 스코어 방식이 있어요. 순서가 있는 단계에서 어떤 단계에 해당하는지 스코어링을 매겨 주는 거죠. 1에서 10단계에서 몇 단계에 해당하냐, 이런 것들을 해 줄 수 있는 게 바로 스코어입니다.
Speaker A
회사에서 테스트를 했을 때는 어 기존 모델들보다 40배에서 약 200배까지 빠른 성과를 내기도 한다고 해요.
Speaker A
그리고 여기서 포인트는, 이런 여러 가지 문항들에 대해서 재브가 답변을 해 줄 때, 하나의 문의를 예를 들어서 보았다고 치면 여러 가지 평가표가 있을 수 있겠죠. 그 여러 가지 평가를 한 번에 병렬로 진행을 해 줍니다. 그렇기 때문에 속도가 굉장히 빠르고요.
Speaker A
그리고 가격도 굉장히 저렴한데요. 입력 토큰 100만 개당 0.042달러라고 합니다. 그리고 출력 토크는 무료예요. 그래서 가성비가 굉장히 좋죠. 그래서 대량의 반복 작업 중에 이런 판단이나 분류 같은게 필요한 그런 작업에서 유형할 수 있다는 걸 아실 수 있고요. 다만 이제 한계점은
Speaker A
다만 유의하셔야 될 점은, 제가 테스트를 해 봤을 때 이 재브 모델이 우리가 보통 많이 사용하는 프론티어 모델이라고 할 수 있는, 뭐 GPT 5.4나 클로드 오퍼스, 소네트 이런 모델들과 비교를 해 봤을 때는 지식 수준이 좀 떨어지는 편입니다. 그렇기 때문에 재브를 활용해서 뭔가 결과를 받았을 때, "이 유형일 가능성이 가장 높다" 혹은 "이 예일 가능성이 높다" 또는 "이 단계로는 9단계일 가능성이 높다" 이런 식으로 답변이 나왔을 때 그걸 무조건 그대로 믿을 수는 없어요. 신뢰도가 상대적으로 떨어진다고 보시면 됩니다.
Speaker A
그래서 뭐 요거를 우리가 정확하게 기억하기 힘드니까 그냥 기존의 AI 모델들보다는 어 많은 입력을 하기는 어렵다라고 생각해 주시면 될 거 같아요. 그래서 조금 간단하게 질문들을 만들어서 대량에 처리를 할 때 유용한 그런 모델이다 이렇게 생각해 주시면 될 거 같습니다. 자,
Speaker A
그렇기 때문에 결과물을 그대로 믿기보다는 테스트를 하면서 검증하는 작업이 필요할 수 있고요. 공식 문서에서도 약한 영역을 추가적으로 안내해 주고 있어요. 예를 들면 한 단계 더 돌아서 생각을 해야 되는 복잡한 문제라든가, 문장을 너무 그대로 받아들이면 안 되는 경우, 혹은 숫자를 정확하게 다뤄야 되는 경우, 이런 경우에는 에러가 발생할 수 있다고 안내하고 있습니다. 그래서 이런 경우에는 문제를 더 쉽게 구분해서 판단을 손쉽게 할 수 있도록 질문을 주면 정확도를 높이는 데 도움이 될 수 있겠죠.
Speaker A
안에서이 재부 모델을 활용해서 여러 가지 판단 작업, 분류 작업을 진행을 해 볼 겁니다. 그리고 마찬가지로 동일한 작업을 헬미스 에이전트에서도 진행을 해 볼 거예요. 여기서도 마찬가지로 할미스 에이전트한테 제부 모델을 연동하라고 시킬 수 있거든요.
Speaker A
그리고 숫자 같은 걸 계산하는 거는 코드 작업을 통해서 대신하는 식으로 우회를 하면 좋습니다. 그래서 기본적으로 재브는 질문만 어느 정도 단순하게 제공을 해 줄 수 있다면, 판단을 굉장히 빨리 해 줄 수 있는 모델이다라고 생각하시면 될 것 같아요.
Speaker A
자,이 재브를 셀업 하실 때는 세 가지만 기억을 하시면 되는데요. 먼저 첫 번째로는 재을 활용하기 위해서 API 키가 필요하겠죠. 재부를 많이 쓰게 되면 어쨌든 비용이 발생하잖아요. 그 비용과 연계할 계정을 인정하기 위해서 API 키를 하나 우리가 발급을 해 줘야 되고요.
Speaker A
자, 그럼 이 재브 모델이 왜 이렇게 빠른지 살펴보겠습니다. 앞서 말씀드린 것처럼 재브는 텍스트로 답변을 하지 않잖아요. 그러다 보니까 긴 문장을 차례대로 확률에 의거해서 만드는 과정이 필요가 없고, 대신 미리 정해진 구조화된 형태로 판단을 바로 할 수 있게 설계를 했기 때문에 빠르다고 합니다. 회사에서 테스트를 했을 때는 기존 모델들보다 40배에서 약 200배까지 빠른 성과를 내기도 한다고 해요.
Speaker A
모델을 손쉽게 잘 연결을 하실 수가 있어요. 그리고 세 번째로는이 제부 모델을 활용할 수 있는 코드가 필요하겠죠. 그 코드를 이제 셋업 해 놓고 호출을 해 가지고 활용을 하시는 겁니다. 근데이 코드는 이제 최재pt 뭐 클로드나 어 직접 활용하시는 그 모델이 다 작성을 해 주게 됩니다.
Speaker A
다만 이건 회사의 벤치마크 같은 스코어일 테니까, 우리가 실제로 테스트를 해 보면서 어느 정도로 빠른지 체감해 보면 좋겠죠.
Speaker A
해 주고 있어요. 그래서 이미 오픈라우터나셀 AI 게이트에 쓰고 계신 분들은 여기서 이제 활용하실 수도 있는데 저는 그 타입세이프 그 공식 사이트에서 API 키를 발급받고 활용하는 방법을 보여 드리도록 하겠습니다. 네, 여기 이렇게 타입세이프.ai AI 들어오셔서 사인업해서 로그인 해 주시고 그다음에
Speaker A
그리고 가격도 굉장히 저렴한데요. 입력 토큰 100만 개당 0.042달러라고 합니다. 그리고 출력 토큰은 무료예요. 그래서 가성비가 굉장히 좋죠. 대량의 반복 작업 중에 이런 판단이나 분류 같은 게 필요한 작업에서 유용하게 쓸 수 있다는 걸 아실 수 있고요.
Speaker A
그래서 여기서 이런 식으로 크리에이트 키 하시면 API 키 발급이 돼요. 요거 그대로 카피해 주시고요. 다른 곳에 저장을 해 두시고요. 저는 이제 디액티베이트를 해 놓을게요. 이미 쓰고 있는게 있어서. 그다음에 홈으로 넘어와 보시면 이렇게 우측에 퀵스타트라고 해서 여기 재브 스킬을
Speaker A
다만 한계점은, 한 번 요청할 때 한도가 좀 있다는 겁니다. 토큰 한도가 입력과 모든 문항을 합쳐서 64,000 토큰이라고 하고요. 입력과 가장 긴 문항 하나를 합쳤을 때는 32,000 토큰 정도가 리밋이라고 합니다. 이걸 정확하게 기억하기는 힘드니까, 그냥 기존의 AI 모델들보다는 많은 입력을 하기는 어렵다고 생각해 주시면 될 것 같아요. 그래서 간단하게 질문들을 만들어서 대량에 처리를 할 때 유용한 모델이다, 이렇게 생각해 주시면 될 것 같습니다.
Speaker A
그러니까 좀 더 실수 없이 재브 활용한 스킬 같은 걸 제작하거나 뭐 앱을 제작하는 걸 잘 해 줄 수 있습니다. 그래서 뭐 예를 들어 보면 이런 식으로 프롬프트를 적어 주시면 돼요. 여기 이렇게이 프로젝트에서 재부를 활용할 수 있도록 타입세이 공식 스킬을 설치해 줘 하고 이제
Speaker A
자, 그래서 오늘은 이런 식으로 테스트를 해 보려고 하는데요. 두 가지 형태로 요청을 해 볼 거예요. 가장 먼저 메인으로는 전용 앱을 제가 하나 만들어 놨습니다. 코덱스의 아스트라 모델을 활용해서 재브 모델을 연동해 놓고 별도의 인터페이스를 하나 제작을 했어요. 그래서 그 인터페이스 안에서 재브 모델을 활용해 여러 가지 판단 작업, 분류 작업을 진행해 볼 겁니다. 그리고 마찬가지로 동일한 작업을 헤르메스 에이전트에서도 진행해 볼 거예요. 여기서도 헤르메스 에이전트한테 재브 모델을 연동하라고 시킬 수 있거든요. 그래서 연동한 다음에 특정 스킬을 제작해 놓고, 재브 모델을 활용한 스킬을 바탕으로 업무를 시켜 보도록 하겠습니다.
Speaker A
지금 설정을 해 줬습니다. 그리고 이제 실행을 해 보시면 그 스킬을 설치하고 이제 활용할 수 있게 셋업을 해 줄 거예요. 근데 저는 이미 지금 컴퓨터에 설치를 해 놨기 때문에 아마 코덱스가 설치가 되어 있다고 알려줄 수 있습니다. 근데 이제 처음
Speaker A
자, 이 재브를 셋업하실 때는 세 가지만 기억하시면 되는데요. 첫 번째로는 재브를 활용하기 위해서 API 키가 필요하겠죠. 재브를 많이 쓰게 되면 어쨌든 비용이 발생하잖아요. 그 비용과 연계할 계정을 인증하기 위해서 API 키를 하나 발급받아야 되고요.
Speaker A
해서 아까 유사하게 다만 이제 허미스에서 사용할 수 있게 해 달라고 하면서 이렇게 요청해 주시면 또 여기도 스킬을 설치해 주게 됩니다.
Speaker A
그다음 두 번째로는 스킬을 생성해 줄 겁니다. 스킬을 활용해서 재브를 사용하는 방법을 알려 줄 거예요. 그래서 코덱스에서 셋업을 하시든 헤르메스 에이전트에서 셋업을 하시든, 재브 관련한 스킬이 있습니다. 그 스킬을 설치한 다음에 작업을 요청하시면 재브 모델을 손쉽게 연결하실 수 있어요.
Speaker A
이렇게 하면 이제 에이전트들이 재브 사용법을 참고할 준비가 된 겁니다. 근데 이제 API는 연결을 아직 안 해줬죠. 그래서 API 연결을 할 수 있게 또 요청을 해 주시면 돼요. 뭐 이런 식으로 할 수 있겠죠. 활용할 수 있게 API 연결 테스트를 해
Speaker A
그리고 세 번째로는 이 재브 모델을 활용할 수 있는 코드가 필요하겠죠. 그 코드를 셋업해 놓고 호출해서 활용하시는 겁니다. 이 코드는 챗GPT나 클로드, 또는 직접 활용하시는 모델이 다 작성을 해 주게 됩니다.
Speaker A
그리고 이거는 민스 에이전트도 마찬가지입니다. 민스 에이전트도 마찬가지로 요청을 해 주시면 이제 넣는 걸 알려 줄 거예요. 아니면스 에이전트 같은 경우는 보통 런먼트 그 파일이 있거든요. 거기다가 직접 넣어 주시고 거기서 참고해서 API를 연동을 해 줘라. 요렇게 요정을 해 주셔도 됩니다. 그걸 보여 드리면
Speaker A
재브 모델을 활용할 때 대표적으로 세 가지 플랫폼이 활용되고 있는데요. 가장 먼저 공식 플랫폼, 즉 회사에서 제공하는 타입세이프 사이트에 들어가서 API 키를 발급받으실 수 있고요. 그게 아니면 오픈라우터나 셀 AI 게이트웨이 같은 곳에서도 서드파티가 API를 제공하고 있어요. 이미 오픈라우터나 셀 AI 게이트웨이를 쓰고 계신 분들은 여기서 활용하셔도 되는데, 저는 공식 사이트에서 API 키를 발급받고 활용하는 방법을 보여 드리겠습니다.
Speaker A
줘라. 렇게 요청해 주시면 되겠죠. 이렇게 해서 이제 스킬 가이드도 우리가 제공을 해 줬고 그다음에 API 키를 연동해서 실제로 활용할 수 있는 상태로 구현을 했습니다.이 코덱스 쪽 같은 경우는 뭐 요렇게 제공해 주잖아요. 그러면 이닷.
Speaker A
여기 타입세이프 AI 사이트에 들어와서 회원가입 후 로그인해 주시고, API 콘솔에 들어가 보시면 API 키 섹션에서 API 키를 발급받을 수 있습니다.
Speaker A
응답을 확인하겠다고 합니다. 네. 그러면 연결 테스트에 성공했다고 하죠. 이제 제대로 연결이 된 거예요. 코덱스 쪽에서는 이제 재브를 활용할 수 있는 상태가 됐고요.
Speaker A
여기서 "Create Key"를 누르시면 API 키가 발급돼요. 이걸 그대로 복사해서 다른 곳에 저장해 두시고요. 저는 이미 쓰고 있는 키가 있어서 비활성화를 해 놓을게요. 그다음 홈으로 넘어와 보시면 우측에 퀵스타트가 있는데, 여기에 재브 스킬을 설치하는
Speaker A
그럼 이제 본격적으로 업무 테스트를 진행을 해 보도록 할게요. 자, 실제로 제 테스트를 할 때는이 코덱스에서 활용을 하지는 않을 거예요. 왜냐면 보통 코덱스에서 작업을 하게 되면 기본적으로 내가 아스트라를 쓰고 있다. 그러면 일단 아스트라가 우리가 요청한 내용에 대해서 또 파악을 하고 그다음에 또
Speaker A
재부 모델을 불러야 되잖아요. 그러면 아무래도 아스트라가 좀 느리다 보니까이 아스트라가 이해하고 또 제부한테 시키는데 시간이 오래 걸리겠죠. 그래서 사실 코덱스에서이 재브를 쓰는게 뭐 경우에 따라서는 의미가 있을 수도 있는데이 재브의 장점인 스피드를 활용하데 있어서 좀 제약이 되기도 합니다. 그래서 그렇게
Speaker A
활용하기보다는 여러분들이 재부 모델을 활용해서 어떤 업무를 진행하고 싶은게 항상 반복적으로 있다라고 하시면 그 업무를 시키기 위한 앱을 아스트라로 먼저 제작을 해 주시고 그 앱에서 이제 작업을 하시는 걸 추천을 드려요. 그래서 저 같은 경우는 사전에 아스트라 모델을 활용해 가지고
Speaker A
앱을 하나 제작을 해 놨거든요. 그래서 여기 보시면 이런 식으로네 모노핏이라고 하는 홈트 관련한 사업을 하는 회사라고 가정을 해보고 이렇게 몇 가지 사례들을 제가 미리 제작을 해 놨습니다. 그래서 첫 번째 사례부터 살펴보면 먼저 첫 번째로는 어 여러 가지 사업 문의를이
Speaker A
모노핏이라는 회사에서 받는다고 가정을 해 봤어요. 그래서 지금 1천개의 문의 내용을 제가 CSB 파일에 예시로 그냥 샘플을 만들어 놨는데요.
Speaker A
1,000개나 되면 이런 거를 이제 만약에 GPT 모델로 한 번에 요청을 해 주시면 시간이 굉장히 오래 걸리겠죠. 그리고 비용도 많이 나오겠죠. 근데이 재 모델로 먼저 분류를 시킬 거예요. 분류를 시켜 가지고 어좀 유의미한 무늬가 있을 거고 좀 영양가가 떨어지는 무늬도
Speaker A
있을 거고 답변을 하지 않으면 되는 뭐 스펜일이라든가 이런 것도 있을 수 있겠죠. 그래서 이렇게 분류를 시킨 다음에 굉장히 간단한 무늬다. 루티나 문이라고 하면 좀 저가 모델로 뭐 GPT 루나 같은 그런 저가 모델로 답변을 시키고 또 좀 복잡한 문이다라고 했을 때는 GPT 솔로 뭐
Speaker A
답변을 시킨다라던가이 정도로 하면 우리가 최제pt의 사용량도 가성비 있게 활용을 할 수 있겠죠. 근데 그 와중에이 수많은 메일들의 분류 작업은 또 재부 모델을 활용해서 굉장히 저렴하게 그리고 빠르게 진행을 할 수가 있습니다. 네. 그러면 실제로 테스트를 해 보면 좋겠죠. 실제로
Speaker A
한번 진행을 해 보도록 하겠습니다. 여기서 천권의 문의 사항이 있는데 한 200개 진행을 해 볼까요? 200개 분류 요청을 해 보면 네. 속도가 굉장히 빠르죠. 지금 두 개씩 병렬 처리를 요청을 해 놨는데 물론 요거 속대를 좀 더 동시 처리를 늘릴 수도
Speaker A
있긴 합니다. 네. 이제 그렇게 되면은 리밋에 또 도달할 수 있으니까 지금 두 개씩으로 해 놨는데 어 충분히 빠른 걸 보실 수 있어요.
Speaker A
요런 분류 작업만 요청하더라도 사실 GPT로 활용하면 시간이 꽤 오래 걸리거든요. 네. 지금 빠른 속도로 처리를 해 주고 있는 걸 보실 수 있습니다. 그리고 여기 밑에 보시면 제가 어 문의 유형별 분류를 바로 확인할 수 있게 이렇게 정리를 해 놨거든요. 그래서 이별권의 무의가
Speaker A
어떤 거 관련된 문의인지를 이렇게 바로바로 판단해서 분류를 해 준 걸 보실 수 있어요. 그리고이 분류에 따라서 또 답변을 어 루나로 답변하면 되는 단순 무의인지 아니면 솔로 답변을 해야 되는 좀 복잡한 무인지를 이렇게 다 분류를 해 주는 걸 보실
Speaker A
수 있습니다. 그러면 이렇게 재브를 활용해서 우리가 빠르게 메일 유형에 따라서 분류를 해 주고 그다음에 루나 솔로 각각 나눠서 답변을 작성해 줄 수 있으면 코덱스의 사용량을 좀 더 효율적으로 쓸 수 있겠죠. 저도 체제pt 프로 구독을 하고 있는데 사용형을 많이 제공해 줌에도 불구하고
Speaker A
여러 가지 제작을 하려고 하면 리밋에 많이 도달을 하더라고요. 네. 이런 식의 대용량에 작업을 할 때 이렇게 섞어서 쓰시면 좀 더 코덱스 사용량을 아끼실 수가 있습니다. 여기 세부 결과도 제가 볼 수 있게 요렇게 탭을 하나 만들어 놨거든요. 여기 내용을
Speaker A
보시면 네. 이렇게 요거는 사용법과 관리된 문의 유형이죠. 그리고 뭐 단순한 거고 어 답변하기 충분하다.
Speaker A
그래서 루나로 그냥 답변하면 된다라고 알려주고 있고 여기는 어 매트 길이와 폭 두께가 궁금하다. 그럼 요거는 상품 사양 선택 관련된 질문이죠.
Speaker A
요것도 루나 이런 식으로 어느 정도 얼추 잘 분류를 해 주고 있다는 걸 보실 수 있어요. 여기는 뭐 미사용 반품 조건을 설명을 해 달라. 그래서 반품 환불 관련된 문의고 FAQ 범위 아니고 네. 요거는 조금 더 어려운 답변일 수 있어서 쏘를 추천을
Speaker A
했네요. 그래서 이런 식으로 분류를 잘 해 주고 있는 걸 보실 수 있습니다. 네. 다만 앞서 말씀드린 것처럼이 제 모델이 처음부터 분류를 내가 원하는 대로 깔끔하게 해 주지 않을 수도 있거든요. 그래서 그런 경우에는 좀 요런 결과를 확인을 하신 다음에 튜닝을 해 주시면 좋아요.
Speaker A
이렇게 코덱스에 들어와서 어 분류한 거 봤는데 어 나는 이런 분류는 뭐 이렇게 분류가 되어야 될 거 같은데 좀 잘못 분류가 되는 거 같다.
Speaker A
우리가 애초에 그 질문지 그리고 그 평가표 같은 거를 제공을 해 주잖아요. 그거에 따라서 이제 이런 식으로 분류를 해 주는 건데 어 그거를 어떻게 변화를 시키면 내가 원하는 대로 분류를 시킬 수 있을지 코덱스랑 얘기를 나눠 보시면서 요거를 좀 수정을 해 주시면 됩니다. 그러면
Speaker A
제부가 이런 식으로 좀 더 잘 분류를 해 줄 수 있게 돼요. 네. 그러면 이렇게 분류된 것 중에 예를 들면 뭐 루나로 답변을 해야 되는 거를 이렇게 선택을 한 다음에 내가 초환 작성을 요청을 하면네 답변 초환을 요렇게 생성을 해 주죠. 그래서 이런 식으로
Speaker A
나눠서 작업을 해 줄 수 있습니다. 그럼 좀 비용 같은 것도 좀 더 아낄 수 있겠죠? 빠르게 분류를 제부 하고 그다음에 모델을 선택해 가지고 단순한 무인는 루나로 그리고 좀 복잡한 무늬는 GPT 솔로 답변을 해 줄 수 있겠죠. 뭐 솔 추천하면 솔에서
Speaker A
이렇게 선택하고 답변 요청하면 이번엔 솔이다 보니까 좀 더 오래 걸리죠. 네. 요렇게 답변을 해 주고 이렇게 확인할 수 있습니다. 그리고이 동일한 거를 에이전트에서도 시키실 수가 있어요. 예를 들면 제가 에이전트 같은 경우는 동일한 거를 이제 앱으로 제작하는게 아니고 스킬로 만들어
Speaker A
주시면 되잖아요. 그래서 뭐 예를 들면 모노핏 응대 스킬 제작해 줘 한 다음에 여러분이 그 스킬이 어떤 식으로 작동하면 좋겠는지 예를 들면 판단 분류하고 그다음에 이후에 매일 작성은 무의 난이도에 따라서 간단한 건 루나 복잡 이렇게 해 주시면 되겠죠. 그리고 요렇게 설정을 한
Speaker A
다음에 스킬이 제작이 되면은 테스트를 해 보시면 되는데요. 예를 들어서 제가 요렇게 한번 요청해 볼게요.
Speaker A
모노핏 100개 무늬건만 먼저 어 분류까지만 제부 모델을 활용해서 진행해 달라고 요청을 해 보겠습니다. 제가 스킬은 미리 제작을 해 놨거든요. 그래서 스킬을 지금 읽고 있죠. 실제로 분류를 어떻게 해 주는지 같이 확인을 해 보도록 하겠습니다. 근데 지금은 보시면 아시겠지만 아까 제가 코덱스로
Speaker A
말씀드린 것과 동일한 이슈가 발생하기는 합니다. 왜냐면 요거 어쨌든 스킬을 읽고이 작업을 처리하는데 메인 브레인은 지금 코덱스의 어 GPT 솔로 제가 설정을 해 놨거든요. 그러면 그 솔로 요걸 이해하고 요청을 하기 때문에 재브 속도가 아무리 빠르더라도이 메인 모델이 요에 대해서 처리하는데 시간이
Speaker A
좀 걸리죠. 그래서 이렇게 실시간으로 작업을 할 때는 사실 밋스 에이전트에서도이 재브를 사용하는게 그렇게 적합하지 않을 수 있어요.
Speaker A
물론 이제 무늬건수가 뭐 100건 1천건 이렇게 늘어나다 보면 어쨌든 거기서 들어가는 속도를 확실히 줄여 줄 수는 있기 때문에 의미가 있을 수는 있지만 어쨌든 요거를 실행하는데 시간이 오래 걸릴 수 있다라는 단점이 있고요. 그래서 저는 어떻게 생각을 하냐면이 믹스 에이전트에서 재브를
Speaker A
쓰고 싶으신다면 어 크론 설정을 해 가지고 어 내가 실시간으로 요청하지 않아도 자동으로 돌아가게 설정을 하시면 의미가 있을 수 있을 것 같아요. 그러니까 무슨 말이냐면 요렇게 예를 들어서 무늬건들이 들어온 거에 대해서 분류를 하는 요청은 뭐 예를 들면 오전 9시에 진행을 하고
Speaker A
그럼 오전 9시에 진행해서 재부를 활용해서 빠르게 그 분류를 다 해 줄 거 아니에요. 그러면 그 분류에 따라서 루나로 답변을 작성하는 크론이 또 따로 10시에 설정이 되어 있고 뭐 솔로 답변하는 것도 11시에 설정이 되어 있고 이런 식으로 하면 분류 건수가 많아도 미리 제로 빠르게
Speaker A
처리를 해 줄 거고 그러면 그다음에 바로 루나랑 소울 크론이 각각 다른 시간에 이제 돌아가면서 그 분류된 거 가지고 처리를 해 줄 수 있겠죠.
Speaker A
예. 보시면 지금 작업을 완료했는데요. 100개를 진행을 했고 재부를 활용해서 분류를 했다고 하죠. 문의 유형 이렇게 나눠주고 단순이란 복잡 나눠 줬습니다. 그럼 여기서 주권에 대해서 답변 초환 작성하고 알려줘. 이렇게 요청하실 수 있겠죠.
Speaker A
그래서 이런 식으로 어 분류도 요청할 수 있고 분류된 거 가지고 또 추가적으로 프롬프트 요청하셔서 답변 초환도 작성하게 요청하실 수 있겠죠.
Speaker A
근데 이런 식으로 쓰시는 거는 어쨌든이 메인 모델이 요청 사항에 대해서 이해하는데 또 시간이 걸리기 때문에 이렇게 활용하시는 거보다는이 작업들로 제대로 돌아가는지를 체크를 하신 다음에 이거를 다 스케줄로 자동화를 시키시면 나름 유용하게 써 보실 수 있습니다. 네, 지금 작업을 완료해 줬죠. 자, 두 번째 사례는
Speaker A
고객대랑 비슷하게 요것도 이제 메일을 우리가 분류하는 작업을 제가 만들어 봤는데요. 비슷한 거니까 가볍게 요것도 진행을 해 볼게요. 어, 100권 해 가지고 분류를 요청을 해 보겠습니다. 네. 그러면 이런 식으로 또 빠르게 분류를 진행을 해 주죠.
Speaker A
여기서는 루나랑 솔로 나누지 않고 이제 초안을 작성하는 거는 GPT 솔로 할 건데 초안 작성도 필요 없는 메일들이 또 있을 수 있잖아요. 뭐 스팸이나 어 사업 무늬가 아닌 것들 요런 것들을 두 개로 나누는 작업을 시켜 봤거든요. 그랬더니 요렇게 어
Speaker A
초안을 작성하지 않아도 되는 건들을 잘 필터링을 해 줬습니다. 그럼 요걸 이제 빠르게 필터링 해 주고 뭐 실제로 활용하실 때는 이거를 이제 Gma이랑 연동해 가지고 어 초안 미작 작성해도 되는 것들은 뭐 아카이브 처리를 해 버릴 수 있겠죠.
Speaker A
그리고 초안을 작성해야 되는 것만 빠르게 제부가 분류를 해 주고 그럼 남은 것들에 대해서만 선택을 해 가지고 매일 작성하게 요청을 해 주실 수 있습니다. 네. 그리고이 작업도 꽤 빠르게 다 완료를 해 준 걸 보실 수 있습니다. 동일한 작업을 에이전트에서도 당연히 아까처럼 이렇게
Speaker A
프롬프트로 요청하실 수 있겠죠. 그리고 세 번째 사례도 한번 살펴볼게요. 세 번째로는 리뷰 과제를 생성하는 건데요. 요게 뭐냐면 우리가 고객한테 무슨 리뷰들이 들어왔어요.
Speaker A
그러면 그 고객 리뷰들이 어떤 내용들이 들어왔는지를 먼저 체크를 하는 거예요. 그래서 그 기준에 따라서 분류를 해 줍니다. 고객 리뷰들을 분류를 해 주고 아 이런 리뷰들이 많이 들어왔구나. 그럼 그 내용을 참고해 가지고 우리가 개선할 수 있는 포인트 인사이트를 도출하는
Speaker A
그런 업무를 시켜 보려고 합니다. 그래서 예를 들면 500개의 리뷰가 있다고 가정을 해 볼게요. 근데 우리가 뭐 한 30개 정도의 리뷰를 참고해 가지고 먼저 분류할 그 기준을 생성을 해 줄 거예요. 그래서요 작업은 GPT를 활용해서 생성을 해 주고요. 실제로는 여러분들이 알고
Speaker A
있는 어떤 도메인 지식을 기반으로 기준을 조금 수정을 해 주실 수도 있겠죠. 어, 지금은 저는 이제 모노핏 회사 기준으로 했을 때 어, 그냥 이렇게 아스트라가 생성해 주는요 주제를 활용하도록 할게요. 요거를 승인 저장을 해 주고 그다음에 또 분류 작업을 재부한테 시켜 보는
Speaker A
거죠. 요것도 한 500개 분류를 해 볼까요? 네. 그러면 이렇게 우리가 생성해 준 기준에 따라서이 분류를 바로바로 쭉쭉 진행을 해 줍니다.
Speaker A
네. 굉장히 빠르게 분류를 해 주죠. 그럼 이렇게 분류를 500개를 해 주는데이 500개 해 주는 거 중에서 어 부정이랑 혼합 관련된 피드백들 있잖아요. 그런 것들만 추려 가지고 어떤 우리가 개선할 과제를 선정을 하는 거예요. 어차피 긍정적으로 해 주는 것들은 뭐 잘 하고 있는 거니까
Speaker A
개선 과제는 아니잖아요. 그래서 개선 과제를 뽑는데 있어서 부정 리뷰 혼합 리뷰 요런 것들이 많은 것들을 먼저 유형을 추리고 그 리뷰들만 살펴본 다음에 과제 작업을 해 주는 거죠.
Speaker A
그래서 이런 식으로 좀 한 번에 어떤 필터링을 하는 작업에 재을 활용하시면 유용할 수 있습니다. 이제 최종적인 인사이트를 뽑거나 최종적인 결과물을 제작하시는 거는 뭐 아스트라를 활용하시거나 오프스나 뭐 페이블 같은 걸 쓰시는게 더 좋은 경우가 많겠죠.
Speaker A
하지만 이렇게 분류 작업 어떤 간단한 판단 작업 요런 것들을 대량으로 실행을 하실 때이 재브를 쓰시면 유용할 수 있습니다. 네. 보시면 이제 작업이 완료됐고 어 과제를 한 세 개 정도 만들어 달라고 해 볼게요. 그러면 이렇게 분류해 준 것 중에서 부정이랑 혼합건 위주로만 이제
Speaker A
체크를 해 가지고 과제를 생성을 해 주게 됩니다. 네. 지금 바로 생성을 해 줬죠. 보시면 어떤 거를 검토를 해야 되는지를 이렇게 깔끔하게 정리를 해 줬습니다. 예를 들면 이제 리뷰가 훨씬 많을 수도 있겠죠. 뭐 1천000개의 리뷰가 있다. 그럼 그거를 다 아스트라한테 한 번에 때려
Speaker A
넣는 거보다는 1차 분류를 제보한테 시키시고 그다음에 나온 결과값을 가지고 필요한 것들만 필터링해서 아스트라가 참고하고 이렇게 결과물을 뽑을 수 있게 하실 수 있습니다.
Speaker A
자,네 번째로는 뉴스 같은 거를 받아와 가지고 그거를 분류하는 것도 한번 진행을 해 볼 건데요. 요거는 이제 제가 실제로 있는 뉴스들을 미리 크롤링을 해 놨어요. 그래서 미리 크롤링 해 놓은 거를 가지고 여기서도 이제 관심사에 따라서 이렇게 그 평가 기준 같은 것들을 먼저 설정을 해
Speaker A
줍니다.이 설정을 해 준 다음에 그거에 맞게 또 분류 요청을 하는 거죠. 뭐 한 100건 정도 요청을 해 볼게요. 그러면 우리가 어떤 크롤링으로 뉴스들을 많이 가져왔는데 그중에서 우리 관심사가 있을 수 있고 재회 후보 같은게 있을 수 있잖아요.
Speaker A
그럼 이런 것들을 고려해 가지고 가장 관심을 가질 거 같은 것들을 먼저 필터링을 해 줄 수 있겠죠. 그리고 그 필터링 된 거를 가지고 뭔가 뉴스를 요약해 주는 리포트를 제작을 한다라던가 그런 식으로 작업을 할 때 또 활용해 볼 수가 있습니다. 자,
Speaker A
이렇게 해서 500건의 뉴스를 한번 분류 요청을 해 봤는데요. 보시면 지금 이렇게 우리가 판정 요청을 한 것들에 대해서 표시를 해 주고 어떻게 분류가 되고 있는지를 보실 수가 있어요. 그래서 우리가 뭐 뉴스레터나 아니면 팀 내에서 어떤 정보를 공유하고 싶은데 어 단순히 그냥
Speaker A
뉴스들을 클롤링을 한 다음에 그거를 요약을 해 버리면 우리 조직 입장에서는 어 되게 관련성 높은 큐레이이션이 되지 않을 가능성이 높잖아요. 그래서 우리가 중요시 하는 어떤 기준들을 이렇게 세세하게 정리를 해 주고 그거 기반으로 요렇게 필터링을 한번 진행을 해 주시면 지금
Speaker A
예를 들면 500건이 뉴스인데 그중에 어 기준 탈락하는게 굉장히 많죠. 그러니까 좀 더 의미 있는 뉴스들을 큐레이션을 하는데 재가 유용하게 활용될 수 있습니다. 이런 식으로 어떤 대용량의 자료에서 필터링을 하는 작업 뭔가 판단을 해서 빠르게 이제 분류를 해 주는 작업 요런 거에
Speaker A
재부를 활용하시면 유용할 수 있어요. 뭐 이런 것도 프런티어 모델한테 쓰기에는 사실 시간도 오래 걸리고 비용이 많이 나가잖아요. 그래서 이런 식으로 해서 지금 요약 대상이 굉장히 줄어들었죠. 뭐 50건 이하로 줄어들렸습니다. 500권의 기사에서 42건으로 줄었죠. 그러면 뭐 이거 가지고 우리가 뭐 몇 개 선택해
Speaker A
가지고 작성을 요청할 수 있겠죠? 지금 제가 한 것만 요청을 해 줄게요. 그러면 요렇게 작업이 완료가 되었습니다. 보시면 네. 요렇게 요약을 해 줬죠. 내용에 대해서.
Speaker A
네. 뭐 이런 요약이 아니고 우리가 요렇게 작성된 거 가지고 뭐이 중에서 또 탑 10을 뽑아 가지고 뭐 어떤 PDF 형태에 리포트로 만든다라던가 이렇게 작업을 해 보실 수도 있겠죠.
Speaker A
그리고 동일한 작업을 지금은 제가 실시간으로 하는 데는 이렇게 앱을 활용해서 재브를 바로 호출하는게 편하기 때문에 이렇게 구현을 했지만 앞서 보여 드린 것처럼 밋스 에이전트로 스킬을 만들어 두시고 요거를 이제 크론으로 셋업을 하실 수 있잖아요. 그래서 자동화를 하고 싶다 할 때는 또 이렇게 비스미스
Speaker A
에이전트랑 연동을 하시는 것도 유용할 수 있습니다. 자, 마지막으로는 좀 색다른 예시를 하나 가져와 봤는데요.
Speaker A
코덱스에서 제가 아스트라를 활용해서이 재브 모델을 활용한 크롬 익스텐션을 하나 제작 요청을 했어요. 어떤 익스텐션이냐면 요즘에 인스타나 X 아니면 유튜브 같은 컨텐츠 플랫폼에서 다양한 정보를 습득하기도 하고 또 마케팅 레퍼런스 같은 걸 찾기도 하잖아요. 그래서 예를 들어서 우리가 뭐 인스타그램에서 뭐 홈트 관련
Speaker A
회사이 모노핏에서 뭐 패션 뷰티 그리고 뭐 헬스 이런 거 관련된 콘텐츠 레퍼런스를 모으고 싶다고 가정을 해 볼게요. 그러면 이렇게 제가 모노핏용 레퍼런스 컬렉터라는 크롬 익스텐션을 하나 제작을 했습니다. 요런 익스텐션 제작하시는 거는 또 간단합니다. 그냥 아스트라에서 내가 크롬 익스텐션을
Speaker A
제작을 해 줘. 한 다음에 어떤 크롬 익스텐션을 제작하고 싶은지 그리고 여기서이 분류 작업을 할 때 재브를 활용할 거거든요. 우리 재브 스킬도 설치를 해 놨으니까 재브 모델을 활용해서 컨텐츠 분류를 이런 식으로 해 주면 좋겠다. 이렇게 요청을 해서 크롬 익스텐션 하나 만드셔 가지고
Speaker A
설치를 해 주시면 됩니다. 이것도 제가 예시 프롬프트는 어 설명 가이드에 하나 넣어 드리도록 할 테니까요. 참고하셔 가지고 여러분들이 제작하고 싶은 익스텐션을 만들어 보시면 좋을 것 같아요. 자, 그래서 예를 들어서 인스타그램에 이렇게 로그인을 하신 다음에 뭐 홈트, 패션, 뷰티 이렇게 한번 해
Speaker A
보겠습니다. 그리고 자동 스크롤로 한번 먼저 해 볼게요. 그럼 자동 스크롤을 하시면 요렇게 스크롤을 자동으로 하면서 판단을 해 줍니다.요 판단할 때 이렇게 빨간색 뜨는 거 있잖아요. 요것도 제가 앱에서 설정을 해 준 거거든요. 이제 빨간색으로 뜨는 거는이 레퍼런스에 해당하지 않는다는 의미인 거예요. 그리고
Speaker A
레퍼런스에 해당하는 것들은 초록색으로 뜨게 됩니다. 그리고 노란색은 조금 애매한 것들, 판단이 필요한 것들, 보류해야 될 것들이 노란색으로 뜨고요. 네. 그러면 작업이 끝났는데요. 네. 지금 이제 초록색이 나왔죠. 여기도 초록색 뷰티 관련된 브랜드였기 때문에 나왔고 레퍼런스 라이브러리에 들어가 보면 지금 이렇게
Speaker A
작업하고 있는 것들이 이렇게 뜹니다. 그래서 요것도 이제 제가 아스트라한테 이런 거 확인할 수 있는 사이트를 하나 제작을 요청을 한 거예요.
Speaker A
그래서 지금 이렇게 크롬 익스텐션으로 작업한게 이렇게 뜨죠? 여기서 목적에 맞는 것만 이렇게 필터링이 됩니다.
Speaker A
그래서이 필터링 작업을 지금 제브가 다 해 준 겁니다. 여기 보시면 요렇게 뷰티와 관련된 것들이 뜨고 있죠. 지금 메인 캡션 내용이랑 뭐 인스타 그 채널 아이디 그리고 여기 링크까지 그리고 메인 지표까지 이렇게 다 가져와 가지고 보여주고 있어요.
Speaker A
요거 누르면은 그 사이트로 딱 이렇게 들어갈 수도 있죠. 그래서 요런 식으로 레퍼런스들을 수집하는 작업에 재을 활용해 보실 수 있습니다.
Speaker A
그리고요 작업을 어 자동화를 아까처럼 하실 수도 있지만 라이브로 직접 둘러보기를 하실 수도 있거든요. 직접 둘러보기를 하면은 스크롤을 직접 하진 않아요. 근데 내가 이렇게 스크롤을 할 때 보시면 지금 알아서이 테두리가 뜨잖아요. 테두리가 뜨면서 그 판정을 해 줍니다. 그니까 나는 그냥 인스타
Speaker A
스크롤을 하면서 내가 그 관련 콘텐츠들을 좀 살펴보려고 하는 거죠. 네. 그 과정에서 실제로 의미 있는 거가 뜨면이 제가 빠르게 판단을 해 줄 수 있기 때문에 빠르게 판단을 하고 지금 알아서 스크랩을 해 주고 있는 거예요. 그리고 뭐 중지 할 수
Speaker A
있겠죠. 그래서 이런 식으로 나는 그냥 인스타를 스크롤 하면서 그냥 보는데 내 업무에 필요한 것들을 페이지들을 알아서 이렇게 스크랩도 해 줄 수 있다. 그래서 요런 식으로 재부를 활용해 보시면 또 좋을 것 같습니다. 이게 비용도 싸고 또 판단을 하는데 속도가 굉장히 빠르기
Speaker A
때문에 유용하게 또 활용해 볼 수 있겠죠. 요거 인스타그램뿐만 아니라 뭐 유튜브나 뭐엑 이런 데서 우리가 스크롤 하면서도 작업하게 설정을 하실 수 있습니다. 네, 오늘은 재부 모델을 활용해서 판단이나 분류 작업을 자동화하는 방법에 대해 알아봤는데요.
Speaker A
기존 AI 모델 대비 판단 속도가 굉장히 빠르다는게 장점입니다. 물론 추가적으로 API 비용이 발생하긴 하지만 비용도 굉장히 저렴한 편이거든요. 그래서 예를 들어서 지금 재브 가입을 하시면 5달러 무료로 활용할 수 있게 그 충전을 해 주는 거 같더라고요. 그래서 5달러 만약에
Speaker A
무료로 제공이 된다고 하면 그것만 가지고 테스트를 해 보시더라도 꽤 오랫동안 활용을 하실 수가 있습니다.
Speaker A
물론 소량의 데이터만 활용해 가지고 어떤 작업을 할 때는 그냥 아스트라나 뭐 페이블 같은 걸 쓰셔도 토큰 사용량에 무리가 없겠지만 우리가 뭐 아까처럼 뭐 인스타나 유튜브에서 콘텐츠를 스크롤하면서 각각의 포스트나 영상을 다 판단해서 어떤 분류 작업을 하고 싶다. 아니면 뭐 고객 무늬권이
Speaker A
뭐 만건이 모여 있는데 요거 가지고 우리가 인사이트를 뽑고 싶다. 이런 작업 할 때는 그냥 무식하게 아스트라나 페이블한테 다 요청을 해 버리면 토큰 사용량이 너무 많이 나오거나 아니면 속도가 너무 느리거나 하는 이슈가 발생할 수 있겠죠.
Speaker A
그래서 대용량의 빠른 분류 판단 작업을 수행하실 때는이 재부 모델을 써 보시는 걸 추천드립니다. 여러분은 어떤 업무에서 어떤 판단을 제부에게 맡겨 보고 싶으신가요? 댓글로 의견 남겨 주시면 좋을 것 같고요. 그럼 저는 또 생산성을 높일 수 있는 시스템 구축하는 방법을 가지고
Speaker A
찾아뵙도록 할 테니까요. 관심 있으신 분들은 구독과 좋아요, 알림 설정해 주시면 감사하겠습니다. 지금까지 시민개발자 구시였습니다. 입니다.
Topics:재브Jev AIAI 자동화분류 모델API 설정업무 자동화에이전트 연동워크플로우시민개발자AI 비용 절감
