INSPECTION EVIDENCE
Lot F-2408-17Review
Defect classLow-contrast anomaly
Evidence linkedImage · Process · Material
Inspection readiness82%
TraceabilityEvidence attached
INDUSTRIAL PHYSICAL AI FOR ADVANCED MANUFACTURING
Physics AI로 제조 공정을예측하고 설명합니다
반도체·첨단 제조를 위한 Industrial Physical AI. 공정 데이터를 물리 모델과 연결해 더 빠르게 예측하고, 근거와 함께 설명합니다.
- PredictPhysics AI · Thermal Digital Twin
- InspectAI Vision · SWIR · Sensor
- ExplainKnowledge Graph · RCA · GraphRAG
Physics-Informed Thermal Digital Twin
HBM · Advanced Packaging
STACKED DIE · MATERIAL · POWER · BOUNDARY
Hotspot
Predict
Thermal R
Estimate
Reliability
Assess
온프레미스 구축고객 데이터와 제조 지식을 내부 환경에서 안전하게 운영
설명 가능한 RCA결함·LOT·공정·설비·조치 이력의 근거를 추적
기존 검사시스템 연계AOI·SWIR·카메라·센서 데이터를 단계적으로 연결
도입문의부터 구축까지적용성 검토, 데모, 데이터 협의와 구축 제안
Product Evidence
산업별 데모 보기
검사 결과가 엔지니어링 판단으로 이어지는 방식
시멘틱그래프는 탐지 결과를 단순 표시하는 데서 멈추지 않고, 제조 맥락과 근거, 유사사례와 조치 이력을 연결합니다.
ROOT-CAUSE GRAPH
DefectProcess
StepAction
StepAction
Top candidateDryer temperature drift
Supporting evidence4 linked records
ENGINEERING ASSISTANT
유사한 저대비 결함 사례와 조치 결과를 알려주세요.
최근 유사 사례 3건에서 공정 온도 편차와 원재료 배치 변경이 공통 요인으로 확인되었습니다.
Case-021SOP-14Action-008
위 화면은 제품 워크플로를 설명하기 위한 대표 UI 모듈입니다. 상세 기능과 고객 맞춤 시나리오는 도입문의 후 별도로 안내합니다.
INSPECT · EXPLAIN · IMPROVE
검사 증거를 원인분석과 공정 의사결정으로 연결합니다
검사 결과를 보는 데서 끝나지 않습니다. 증거 → 원인 → 다음 조치를 하나의 엔지니어링 흐름으로 연결합니다.
- 검사 이미지·판정·LOT·공정 맥락 연결
- 근거 기반 RCA와 유사사례 탐색
- GraphRAG 기반 Engineering Action 지원
Inspection Evidence
Lot F-2408-17Review
Defect classLow-contrast anomaly
Evidence linkedImage · Process · Material
Inspection readiness
82%
Linked evidence summary
▧Images24
⌘Process records8
△Material records6
▤Documents5
Sample evidence
+21 more
▣ Image▶⌘ Process▶◇ Material
Root-Cause Graph
★
Top candidate RCADryer temperature drift
Confidence0.78
DefectLow-contrast
Process StepDrying
ParameterTemperature
MaterialFilm substrate
ActionCalibrate sensor
0.780.820.680.650.710.56Key drivers• Temperature variation ↑
• Drying time fluctuation
• Substrate lot variance
• Drying time fluctuation
• Substrate lot variance
Supporting evidence• 4 linked records
• 3 similar cases
• 2 SOP references
• 3 similar cases
• 2 SOP references
02 · EXPLAIN
근거 기반 근본 원인 분석(RCA)
원인 후보를 순위만 제시하지 않고, 연결된 제조 데이터와 증거를 함께 확인할 수 있도록 구성합니다.
Engineering Assistant
유사한 저대비 결함 사례와 조치 결과를 알려주세요.
최근 유사 사례 3건에서 공정 온도 편차와 원재료 배치 변경이 공통 요인으로 확인되었습니다.
주요 원인Dryer 온도 편차
(±2.3°C 이상)
(±2.3°C 이상)
관련 자료SOP-14
Drying Control
Drying Control
권장 조치센서 보정 및
건조 조건 재설정
건조 조건 재설정
참조 근거
Case-021SOP-14Action-008+2 more
유사도 상위 사례
Case-021
0.91
Case-053
0.84
Case-077
0.76
답변 신뢰도
81%
WHY SEMANTIC GRAPH
제조 품질 AI를 실제 공정 의사결정으로 연결합니다
검사 정확도만 강조하지 않고, 데이터 보안과 설명 가능한 분석, 기존 시스템 연계와 단계적 구축 가능성을 함께 설계합니다.
제조 현장 중심 설계
결함·LOT·원재료·공정·설비·조치 이력을 실제 제조 업무 흐름에 맞게 연결합니다.
설명 가능한 분석
원인 후보와 권장 조치를 근거 데이터, 유사사례와 함께 검토할 수 있습니다.
온프레미스 구축
고객 데이터와 제조 지식을 사내 또는 프라이빗 환경에서 안전하게 운영합니다.
기존 시스템 연계
AOI, SWIR, 카메라, 센서와 품질 데이터를 단계적으로 연결합니다.
단계적 도입 방식
도입문의, 기술 검토, 데이터 협의, 데모와 구축 제안으로 위험을 낮춥니다.
고객 데이터 보안
비식별 공개 데모, NDA와 보안 협의를 기반으로 고객 맞춤 검토를 진행합니다.
FLAGSHIP PRODUCT · SEMICONDUCTOR FOCUS
첨단 반도체 패키징을 위한 물리정보 기반 열 디지털 트윈
Physics-Informed Thermal Digital Twin for Advanced Semiconductor Packaging
HBM·Chiplet·Advanced Packaging의 반복 열해석을 Physics AI로 보완·가속하는 것이 제품의 핵심 목표입니다.
- Physics + Data물리 법칙 · 경계조건 · Thermal Sensor Data
- Faster PredictionTemperature Field · Hotspot · Thermal Resistance
- Model Calibration실측·센서 데이터를 활용한 지속 보정
- Engineering DecisionReliability Risk · 설계/공정 의사결정 지원
PROTOTYPE · EARLY PRODUCT DEVELOPMENT
Thermal Digital Twin
Inputs
Geometry · Material properties · Power · Boundary conditions · Thermal sensor data
Predictions
Temperature field · Hotspot · Thermal resistance · Reliability risk
현재 단계: Prototype / early product development. 고정밀 CAE를 대체한다고 주장하지 않으며, 반복 시뮬레이션을 가속·보완하는 Physics AI 접근을 지향합니다.
Thermal Digital Twin Workflow
Physics + Data
Geometry
Materials
Power
Process
Sensors
Physics AI
Digital Twin
Digital Twin
Temperature Field
Hotspot
Thermal Resistance
Reliability Risk
Optimization
Thermal Digital Twin · Prototype UI Preview
Physics + Data + Engineering Decision
Demo 개발 중
Physics + Data + Engineering Decision
Model Inputs
Geometry / Stack
Material Properties
Power Map
Boundary Conditions
Thermal Sensor Data
Predicted Temperature Field
Engineering Outputs
Hotspot
예측
Thermal Resistance
추정
Reliability Risk
평가
Model Calibration
센서 기반 보정
현재 개발 중인 제품 UI 개념도입니다. 실제 데모가 완성되면 실측 데이터와 interactive workflow 화면으로 교체합니다.
WHY THERMAL DIGITAL TWIN
차세대 HBM의 핵심 경쟁요소로 부상한 Thermal Engineering
HBM의 고적층·고전력화로 Thermal Engineering은 냉각 이슈를 넘어 성능·신뢰성·패키지 설계를 좌우하는 핵심 KPI가 되고 있습니다.
Higher Stack · Higher Power Density
- 12-layer+ 고적층과 높은 Power Density
- Thinner Die · Warpage · Interface Material
- Package Architecture까지 포함하는 Multi-Physics 문제
Thermal Resistance Becomes a Product KPI
- 공개 사례: Thermal Resistance 약 17% 개선
- 별도 Heat-Dissipation Path 적용 사례: 약 30% 저감
- Bandwidth·Capacity와 함께 제품 경쟁력을 좌우하는 KPI
More Design Variables, Faster Decisions
- Geometry · Material · Power Map
- Boundary Condition · Package Process · Sensor Data
- 넓은 Design Space를 더 빠르게 탐색할 필요
Physics-Informed Thermal Digital Twin
Reference Concept · NVIDIA PhysicsNeMo Parameterized 3D Heat Sink 사례 기반 · Semantic Graph 제품 출력 화면이 아닙니다. NVIDIA source ↗
- CAE 대체가 아닌 반복 해석의 보완·가속
- PINN/Physics AI + Sensor/Measured Data
- Hotspot · Thermal Resistance · Reliability Risk
- 향후 설계 최적화 Workflow로 확장
본 배경 설명은 공개된 차세대 HBM 패키징 및 열관리 기술동향을 기반으로 합니다. 제시된 수치는 업계 공개 사례에 따른 참고값이며, Semantic Graph 제품의 성능 수치를 의미하지 않습니다.
NVIDIA TECHNOLOGY ROADMAP
NVIDIA 가속 컴퓨팅을 중심으로 제품화를 확장합니다
NVIDIA GPU·CUDA는 현재 핵심 가속 기반으로 활용하고, PhysicsNeMo·Omniverse/OpenUSD는 단계적으로 평가합니다. 현장 운영 플랫폼은 x86 기반 Physical AI Server를 기본 구조로 설계하고, Jetson/TensorRT는 NVIDIA SDK와 장비 연동 적합성이 검증된 Edge Inference Node에 선택 적용합니다.
PLANNED EVALUATION
PhysicsNeMo
Physics-informed & surrogate modeling for thermal/process behavior.
DEVELOPMENT
NVIDIA GPU · CUDA
Model training, accelerated inference and industrial AI workloads.
ROADMAP
Omniverse · OpenUSD
Geometry, simulation data and manufacturing digital twin foundation.
SELECTIVE EDGE
Jetson · TensorRT
ARM/JetPack 환경과 NVIDIA SDK 호환성을 사전 검증한 경우, 카메라·센서 가까이에서 동작하는 Edge Inference Node로 선택 적용합니다.
Semantic Graph is applying to NVIDIA Inception. NVIDIA Inception membership is not claimed on this website.
PHYSICAL AI SERVER & EDGE INFRASTRUCTURE
산업용 AI Edge 서버를 중심으로, 현장 추론은 필요한 곳에 선택 적용합니다
대외 서비스·기업 운영 안정성과 소프트웨어 호환성을 고려해 x86_64 서버/워크스테이션을 Physical AI의 기본 운영 플랫폼으로 구성합니다. NVIDIA Jetson은 ARM/JetPack 특성과 SDK 의존성을 고려해, 현장 장비 가까이에서 저지연 추론이 필요한 경우에만 검증 후 적용합니다.
PRIMARY PLATFORMx86_64 Physical AI ServerGPU · GraphRAG · Digital Twin · API
ACCELERATIONNVIDIA GPU · CUDATraining · Inference · Physics AI
SELECTIVE EDGEJetson Orin · TensorRTValidated Camera/Sensor Inference
PRIMARY · PHYSICAL AI SERVER
x86 GPU Server / Workstation
운영 호환성, 보안, 유지보수와 외부 서비스 연계를 고려해 x86_64 기반 Linux/Windows 서버를 기본 플랫폼으로 설계합니다.
- Physics AI · GraphRAG · Digital Twin
- API · MES/QMS/ERP 연계
- On-Prem · Private Environment
SELECTIVE · EDGE INFERENCE
NVIDIA Jetson Orin Node
Jetson은 ARM 기반 JetPack/Ubuntu 환경의 애플리케이션·드라이버 호환성을 사전 검증한 뒤, NVIDIA SDK 중심의 저지연 Edge Inference에 선택 적용합니다.
- Industrial Camera · Sensor
- TensorRT · NVIDIA SDK
- 현장 저지연 추론
INDUSTRIAL INTEGRATION
Vision · Sensor · Edge-to-Server
Industrial camera, SWIR/thermal sensor, 장비 I/O와 네트워크를 x86 Physical AI Server 및 필요한 Edge Node에 연결합니다.
- Camera / Sensor / I/O
- Storage · Network
- Edge-to-Server Architecture
Deployment principle. Jetson을 서버 대체재로 일괄 적용하지 않습니다. 고객 소프트웨어 스택과 운영 조건을 먼저 확인하고, x86 Physical AI Server를 기본으로 구성한 뒤 Jetson은 NVIDIA 생태계 적합성이 검증된 Edge 구간에 선택 적용합니다. 하드웨어 조달·통합은 NVIDIA 공식 총판·공인 리셀러 지위를 의미하지 않습니다.
PHYSICAL AI ECOSYSTEM한국인공지능·소프트웨어산업협회(KOSA) 피지컬 AI 얼라이언스 2기 관련 활동을 바탕으로 제조 현장의 AI 모델·반도체·센서·컴퓨팅 인프라를 연결하는 Physical AI 적용 구조를 강화합니다.
APPLICATIONS & DEMOS
반도체 Physical AI 적용 사례와 완성형 제조 AI 데모
Physics-Informed Thermal Digital Twin을 대표 전략 제품으로 개발하고 있으며, 완성된 SWIR·TILDA400·Film 데모를 통해 제조 AI 개발·실행 역량을 검증하고 있습니다.
01
Flagship · In Development
Physics-Informed Thermal Digital Twin
Reference Concept · NVIDIA PhysicsNeMo 기반 · 자체 Thermal Twin Demo 개발 중
HBM·Chiplet·Advanced Packaging의 geometry, material, power, boundary conditions와 thermal sensor data를 물리 법칙 및 PINN/Physics AI surrogate model과 결합해 temperature field, hotspot, thermal resistance와 reliability risk를 예측합니다. 고정밀 CAE를 보완·가속하는 Thermal Digital Twin을 지향합니다.
Demo 개발 중
도입 문의하기
02
Completed · MVP
SWIR Defect Inspection Intelligence
Actual Demo Screen · SWIR inspection evidence & detection overlay
SWIR (Short-Wave Infrared) 영상을 활용해 가시광 검사에서 식별하기 어려운 저대비·내부 이상 신호를 탐지하고, 결함·LOT·설비·공정 맥락과 연결해 품질 판단, RCA와 GraphRAG 분석으로 확장하는 완성형 데모입니다.
03
Completed · Demo
TILDA400 Quality Intelligence
Actual Demo Screen · Ground Truth vs Baseline Prediction
TILDA400 표면 결함 데이터를 활용해 defect detection 결과를 LOT·공정·원인·시정조치 맥락과 연결하는 제조 품질지능 데모입니다. 검사 자동화를 넘어 explainable RCA와 engineering action으로 확장하는 workflow를 검증했습니다.
04
Completed · PoC-ready
Film Surface Inspection
Inspection Output · Original · Defect Overlay · Anomaly Mask
필름·코팅·연속 원단의 scratch, foreign material, stain, bubble, wrinkle 등 표면 결함을 AI Vision으로 탐지·분류하고, 결함 위치·유형을 LOT·공정 맥락과 연결해 품질 원인분석으로 확장하는 완성형 검사 데모입니다.
SWIR·TILDA400·Film 이미지는 실제 Semantic Graph 개발 데모/프로토타입 화면에서 발췌했습니다. 공개 데모는 비식별화된 샘플 또는 합성 데이터를 사용하며 실제 고객 성능은 고객 데이터와 검사 기준으로 별도 검증합니다. Thermal Digital Twin 이미지는 NVIDIA PhysicsNeMo 공개 사례를 바탕으로 구성한 reference concept이며 자체 제품 결과 화면이 아닙니다.
PROOF & TRACTION
개발 단계와 검증 결과를 투명하게 구분합니다
고객명을 공개하지 않더라도 제품과 demo의 현재 상태를 명확하게 보여주는 것이 제조 AI 회사의 실행력을 더 잘 설명합니다.
SEMICONDUCTOR · PHYSICS AI
Thermal Digital Twin
HBM thermal modeling과 Physics AI 기반 prototype을 제품화하는 단계입니다.
Proposal / Prototype
SEMICONDUCTOR · SWIR
SWIR Defect Intelligence
저대비·내부 이상 신호 detection과 RCA/GraphRAG workflow를 구현했습니다.
Completed MVP
TEXTILE · TILDA400
TILDA400 Quality Intelligence
표면 결함 detection에서 engineering action까지 품질지능 흐름을 검증했습니다.
Completed Demo
FILM & COATING
Film Surface Inspection
Film surface defect inspection prototype과 결과 drilldown workflow를 구성했습니다.
PoC-readyPHYSICS AI RESEARCH & COLLABORATION
PINN 기반 Physics AI를 반도체 엔지니어링에 적용합니다
PINN (Physics-Informed Neural Networks, 물리정보 신경망)은 학습 과정에 물리 법칙과 경계조건을 함께 반영하는 AI 접근법입니다. Scientific ML 연구를 논문 재현에 머물게 하지 않고, HBM Thermal Digital Twin과 산업 검증 가능한 Prototype을 구현합니다.
PINNs · Scientific ML · Brown University · NVIDIA DLI
ACADEMIC COLLABORATION
From PINNs to Industrial Digital Twins
- Academic Physics AIGeorge E. Karniadakis · Brown University · PINNs · Scientific ML
- NVIDIA Accelerated ComputingDLI Science & Engineering Teaching Kit · GPU · PhysicsNeMo evaluation
- Industry TranslationHBM Thermal Modeling · Advanced Packaging · Industrial Prototype
현재 상태: collaboration discussion / exploration 단계입니다. George E. Karniadakis 교수 및 Brown University와의 공식 공동연구 계약 체결을 의미하지 않으며, NVIDIA Deep Learning Institute (DLI) 또는 NVIDIA Inception과의 별도 공식 파트너십을 주장하지 않습니다.
RESEARCH-TO-INDUSTRY PIPELINE
Academic Physics AI → NVIDIA Accelerated Computing → HBM Thermal Application → Industrial Validation
∿
01 · Academic Physics AI
Scientific ML foundation
George E. Karniadakis · Brown University · PINNs · Scientific Machine Learning
→
▣
02 · NVIDIA Accelerated Computing
GPU-based engineering computing
NVIDIA DLI Science and Engineering Teaching Kit · GPU · CUDA · PhysicsNeMo evaluation
→
◫
03 · HBM Thermal Application
Semiconductor engineering use case
HBM Thermal Digital Twin · Advanced Packaging · Hotspot Prediction · Thermal Resistance
→
✓
04 · Industrial Validation
Prototype to deployment path
Prototype · PoC · On-premise Productization · Engineering Workflow Validation
IP & PATENT ROADMAP · PRELIMINARY
Physical AI 핵심 기술 기반의 3개 우선 특허 Theme
홈페이지에서는 핵심 방향만 요약하고, 상세 prior-art landscape와 novelty/FTO 검토 포인트는 Technology 페이지에서 설명합니다.
PRIORITY 1
Adaptive Physics-Informed Thermal Digital Twin for HBM Packaging
HBM packaging의 geometry·material·power·sensor data와 Physics AI residual을 결합해 thermal model을 지속 보정하는 adaptive digital twin.
PRIORITY 2
Physics-Evidence Graph for Explainable Defect RCA
검사·공정 evidence와 physics inconsistency를 하나의 graph에서 연결해 explainable root-cause path를 생성하는 구조.
PRIORITY 3
Closed-Loop Physical AI Process Optimization
AI Agent의 process action 후보를 Physics AI가 적용 전 검증하고 engineer-approved action으로 연결하는 closed-loop 구조.
Preliminary roadmap이며 특허 출원·등록 완료를 의미하지 않습니다. 실제 출원 전 novelty·inventive-step·FTO는 별도 전문 검토가 필요합니다.
PRODUCT ADOPTION PATH
PoC에서 온프레미스 제품 확장까지
단발성 개발이 아니라 검증 가능한 PoC를 시작으로 제품 라이선스와 온프레미스 배포, 엔터프라이즈 확장으로 이어지는 도입 경로를 지향합니다.
01
Technical Fit
공정 문제, 데이터와 목표 KPI를 정의합니다.
02
Focused PoC
핵심 use case와 성능을 제한된 범위에서 검증합니다.
03
Product License
검증된 기능을 반복 가능한 제품 모듈로 전환합니다.
04
On-Prem Deployment
x86 Physical AI Server를 기본 운영 플랫폼으로 배포하고, 검증된 현장 구간에 Jetson Edge Node를 선택적으로 연계합니다.
05
Enterprise Expansion
공정·설비·라인 단위로 Physical AI 적용을 확대합니다.
ABOUT SEMANTIC GRAPH
Industrial Physical AI 제품회사로 확장합니다
2022년 설립 이후 제조 AI Vision, Knowledge Graph와 GraphRAG를 기반으로 제품화 역량을 축적했으며, 현재 Physics AI와 semiconductor Thermal Digital Twin으로 핵심 제품 영역을 확장하고 있습니다.
Semantic Graph Industrial Physical AI Platform
- Physics AI & Thermal Digital Twin
- Industrial Vision · SWIR · Sensors
- Knowledge Graph & Explainable RCA
- GraphRAG & Engineering AI Agent
- On-premise Enterprise AI
- x86 Physical AI Server · Selective Jetson Edge Nodes
COLLABORATION & DELIVERY CAPABILITY
산업 현장, 공공 프로그램과 기술 파트너를 연결합니다
시멘틱그래프는 제조 AI Vision, Knowledge Graph와 GraphRAG를 중심으로 공개 데모, 고객 실데이터 PoC, 온프레미스 구축과 시스템 연계를 단계적으로 수행합니다.
반도체·필름·위생소재·모빌리티
Film AOI, 저대비 SWIR 결함지능, 제조 RCA와 산업별 품질지능 시나리오를 기반으로 실데이터 PoC 전환 구조를 제안합니다.
산업 AX와 Physical AI 생태계
한국산업지능화협회 중견기업 AX 챌린지 진단과 한국인공지능·소프트웨어산업협회(KOSA) 피지컬 AI 얼라이언스 2기 관련 활동을 바탕으로 제조 Physical AI 적용과 협력 기회를 확대합니다.
산업통상자원부 Tech-GPT·제조 AX
산업 논문·특허 기반 RAG와 제조 ERP·CRM 데이터 통합 PoC를 통해 문서, 업무 데이터와 현장 이벤트를 연결하는 역량을 축적했습니다.
광학검사·GPU·AI 교육 네트워크
SWIR 광학검사 전문 협력사, 온프레미스 GPU 인프라 파트너, NVIDIA Teaching Kits와 대학·산업 전문가 네트워크를 활용합니다.
고객사명, 설비명과 생산정보는 사전 승인 없이 공개하지 않습니다. 홈페이지의 협업 내용은 공개 가능한 프로그램, 비식별 기술 사례와 수행 역량을 중심으로 구성합니다.
START WITH YOUR NEXT STEP
제조 AI 도입 목적에 맞는 다음 단계로 연결합니다
목적에 맞는 경로를 선택하세요. Demo 확인 → PoC 검토 → 구축/협업으로 빠르게 연결합니다.
01
산업별 Demo 보기
Film, SWIR, TILDA400 등 공개 Demo에서 기술 흐름과 사용자 경험을 먼저 확인합니다.
Demo 확인하기 02도입·적용성 검토
검사 데이터, 공정 환경, KPI와 구축 조건을 기준으로 실제 적용 범위를 함께 검토합니다.
도입 문의하기 03기술제휴·파트너십
AI Vision, 광학검사, GPU 인프라, Knowledge AI와 공동 사업·기술협력을 논의합니다.
제휴 문의하기 04기업교육·워크숍
Physical AI, PINN, Thermal Digital Twin, GraphRAG를 조직의 기술 수준과 도입 목적에 맞춰 구성합니다.
교육 프로그램 보기CONTACT
귀사의 제조 AI 도입 과제를 알려주세요
아래 4가지만 알려주시면 기술 적합성과 다음 단계를 빠르게 검토할 수 있습니다.
- 현재 공정·품질 과제
- 보유 검사·센서 데이터
- 목표 KPI / 검증 기준
- 희망 구축 환경·일정
담당 이메일
mkhwang@semanticgraph.io
mkhwang@semanticgraph.io
응답 안내
영업일 기준 1~2일 이내 검토 후 회신드립니다.
영업일 기준 1~2일 이내 검토 후 회신드립니다.
협력 분야
Physics AI · Thermal Digital Twin · AI Vision · x86 Physical AI Server · Edge AI · GraphRAG
Physics AI · Thermal Digital Twin · AI Vision · x86 Physical AI Server · Edge AI · GraphRAG
필요 시 추가 자료 확인 또는 30분 기술 미팅으로 다음 단계를 정리합니다.
01
문의 검토관심 솔루션과 현재 품질·공정 문제를 확인합니다.
02
기술 협의검사 시스템, 데이터 유형과 구축 환경을 논의합니다.
03
적용성 평가데이터 연계와 보안 조건, 적용 범위를 검토합니다.
04
데모·구축 제안고객 환경에 맞는 데모 또는 단계적 구축안을 제안합니다.
영업일 1~2일 이내 회신NDA 및 보안 협의온프레미스 구축 지원