Experience is everything.
신뢰하는 파트너
AI가 만드는 살아 있는 경험. 행사장에서, 교실에서, 의회에서, 공장에서—모든 현장을 경험의 무대로 바꿉니다.
행사장보는 행사를 경험하는 행사로
관람객과 대화하고 캐릭터·포토카드·향수를 즉석에서 만들어 주는 행사용 AI 키오스크.
가정 · 어린이집정답 대신 선택하는 경험
의회AI가 맥락을 기억하는 의정지원 시스템
공장 · 설비물리 법칙과 AI가 융합된 부식 검사
문서하나의 모델로 문서의 모든 것을
매장 · 팝업감정과 취향을 향기로
플랫폼 솔루션 AI를 만드는 팀을 위한 기반—모델 API부터 배포 인프라까지.
모든 AI 모델을 API 하나로—Console
이미지 · 영상 · 음성 · LLM 330개 이상의 모델을 키 하나, 원화 크레딧 하나로 호출합니다.
보유 서버를 업무 서비스로—코어닷모아
랙서버·GPU 서버를 연결해 AI와 업무 앱을 만들고, 직원들이 함께 활용합니다.
모든 현장을
경험의 무대로
행사장, 교실, 국회, 공장—어디든 코어닷투데이의 AI가 닿는 곳에서 사람들은 기술이 아닌 경험을 만납니다.
모두를 위한 AI 놀이터
이미지 · 영상 · 오디오 생성 모델 176개를 계정 하나, 크레딧 하나로. 카드 등록 없이 매월 300 크레딧으로 시작하세요.
경험을 만드는 기술 역량
AI는 무대 뒤에, 경험은 무대 위에—보이지 않는 기술이 살아 있는 가치를 만듭니다.
기술은 숨기고 경험만 보여주다
복잡한 알고리즘은 무대 뒤에, 매끄러운 경험은 무대 위에—코어닷투데이가 만드는 AI의 방식입니다.
경험하는 행사
단순히 보는 행사를 관람객이 직접 참여하는 다감각 몰입 경험으로 전환합니다. AI가 얼굴을 분석하고, 나만의 캐릭터와 포토카드, 향수까지 즉석 제작합니다.
선택하는 독서
아이의 선택이 이야기가 되는 의사결정 기반 독서. 수동 시청을 넘어 능동적 판단과 경험을 제공합니다.
어디로 갈까요?
질문하는 AI 비서
단순 키워드 검색을 넘어 과거 발언을 기억하고 맥락을 이해하는 AI 비서 경험을 제공합니다.
직관적 산업 관제
물리 법칙과 AI를 융합한 고도의 기술을, 현장 엔지니어에게는 한눈에 보이는 위험 지도 대시보드로 제공합니다.
고객의 막연한 상상을
현실로 빚어내는 수고로움
그것이 코어닷투데이의 존재 이유입니다.
보이지 않는 복잡한 알고리즘과 수고로움—데이터 정제, 물리 법칙 융합, 안전 체계 구축—은 무대 뒤에 감춰두고, 무대 위 고객에게는 오직 매끄럽고 감동적인 경험만을 선사합니다.
모든 산업에 경험을 입히다
코어닷투데이의 AI 경험 솔루션은 행사, 교육, 공공, 제조 등 다양한 산업 현장에 맞춤 적용됩니다. 어떤 분야든 사용자 경험 중심으로 재설계합니다.
신뢰하는 고객사
다양한 산업의 리더들과 함께합니다
코어닷투데이의 AI 키오스크를 도입한 후, 행사 참관객의 체류 시간이 3배로 늘었습니다. 관람객들이 직접 참여하며 즐기는 모습이 인상적이었습니다.
토닥북은 우리 아이가 스스로 생각하고 선택하게 만들었습니다. 영상만 보던 아이가 이제 이야기 속에서 직접 결정을 내리며 독서를 즐깁니다.
Sharp-PINN 덕분에 현장 엔지니어들이 복잡한 데이터 해석 없이도 즉각적인 의사결정이 가능해졌습니다. 위험 지도 하나로 전체 상황이 보입니다.
인사이트
최근 인사이트
코어닷투데이가 직접 실험하고 정리한 AI 기술 이야기를 기술 블로그에 공개합니다.
![[특집] 본문에 없는 사실은 받지 않는다 — 앵커로 묶은 지식 그래프 추출 AEVS, 그리고 출처를 글자 단위로 다는 시대](/_next/image?url=https%3A%2F%2Ffiles.core.today%2Fstorage%2Fcoredot%2Fpublic%2Fblog%2Faev-cover.webp&w=3840&q=75)
본문에 없는 사실은 받지 않는다 — 앵커로 묶은 지식 그래프 추출 AEVS, 그리고 출처를 글자 단위로 다는 시대
LLM에게 문서에서 사실(주어·관계·목적어)을 뽑게 하면 '세상에서는 참이지만 본문에는 없는' 트리플이 섞입니다. 2026년 3월 MDPI Computers에 실린 AEVS는 본문에서 개체·관계구·값과 그 글자 위치를 먼저 찾아 '앵커'로 삼고, 트리플을 앵커로만 조합한 뒤, 원소마다 원문으로 되돌려 검증합니다. 세 데이터셋에서 학습 모델과 EDC를 넘었고, 남은 오류의 95% 이상은 개체가 아니라 관계였습니다. 다만 'EDC 대비 최대 +0.152'는 서로 다른 모델끼리의 비교였고(같은 모델이면 +0.007~+0.074), 공개 코드는 논문과 달리 셋 중 둘만 맞아도 통과시켜 논문 자신의 환각 예시를 모두 받아들였습니다. 코어닷투데이가 로컬 모델로 한국어 30문장과 WebNLG 20문장을 다시 돌려 보니, 스키마를 준 '그냥 묻기'에서는 환각이 나오지 않았고 AEVS는 한국어에서 오히려 재현율을 잃었습니다(F1 0.80 대 0.72). 그냥 묻기에서 스키마를 빼면 F1이 0.18로 무너져, 향상의 상당 부분이 스키마 몫일 수 있음을 보여 줍니다. 검증 LLM은 본문에 충실한 반사실 트리플을 '현실과 다르다'며 거부하기도 했습니다. 역사, 논문의 주요 그림과 표, 2026년의 '글자 단위 출처' 도구들까지 함께 읽습니다.
한 문장에 사실은 몇 개인가 — Claimify, 모르면 뽑지 않는 주장 추출기
LLM의 긴 답변을 사실 확인하려면 먼저 문장을 ‘확인할 수 있는 주장’으로 쪼개야 합니다. 그런데 무엇을, 어디까지, 어떤 맥락과 함께 쪼개야 잘 쪼갠 것일까요? Microsoft Research의 Claimify 논문(ACL 2025)은 수반·커버리지·탈맥락화라는 세 잣대와, 해석이 갈리면 아예 뽑지 않는 3단계 추출기를 내놓았습니다. 팩트체킹의 역사에서 이 문제가 어떻게 나왔는지, 논문의 표와 그림이 무엇을 말하는지, 2026년에 이 기술이 어디에 쓰이는지 정리하고, 논문 프롬프트를 그대로 로컬 9B 모델에 넣어 한국어 답변으로 직접 돌려 보니, 문장 고르기와 물러서기는 재현됐지만 수반은 76%에 그쳤고, 주어가 생략된 문장에서는 모호성을 절반도 못 알아봤으며, 세 번 생성해 다수결하는 설정을 줄이자 틀린 사실이 검증대에서 사라졌습니다.
사건을 뽑는 AI에게 채점표를 주다 — EAGER로 읽는 사건 추출 40년과 '검증 가능한 보상'
GPT-5.4에게 기사를 주고 사건을 뽑으라고 하면 평균 F1이 10점 안팎입니다. 독일 DFKI의 EAGER는 70억 매개변수 모델에 '여섯 명의 채점관'과 '문제지마다 다른 오답 보기'를 붙여 평균 30.79점까지 끌어올렸습니다. 사건 추출이 1987년 MUC의 템플릿 채우기에서 어떻게 지금의 코드 생성·강화학습까지 왔는지, 검증 가능한 보상(RLVR)이 수학 밖으로 나오면 무엇이 달라지는지, 그리고 그룹 점수가 모두 같아져 학습이 멈추는 '어드밴티지 붕괴'를 SCAE가 어떻게 푸는지 풀어 씁니다. 본문과 부록 표의 숫자가 엇갈리는 곳, 보상 식을 글자 그대로 구현하면 생기는 문제도 짚었습니다. 한국어 문장 40개로 로컬 4B 모델을 360번 돌려 같은 채점표를 직접 대 봤습니다.
경험을 함께 만들어 볼까요?
행사, 교육, 공공, 산업—어떤 현장이든 코어닷투데이의 AI가 살아 있는 경험으로 바꿔 드립니다.