애프트쿼리 vs 메이 모빌리티

애프트쿼리 장단점

• 단순 라벨링을 넘어 골드만삭스, 구글 출신 등 실제 업계 전문가들이 직접 설계한 고품질 데이터를 제공하므로 모델의 전문성이 비약적으로 향상됩니다. 특히 루브릭(Rubrics) 기반의 RLHF를 통해 모델이 왜 해당 답변을 내놓아야 하는지에 대한 정교한 피드백을 학습시킬 수 있으며, 에이전트 전용 훈련 환경을 통해 복잡한 멀티스텝 워크플로우 학습이 가능합니다. 또한 독자적인 벤치마크(IDE-Bench, FinanceQA 등)를 보유하고 있어 모델 성능을 객관적으로 검증할 수 있는 연구 역량이 뛰어납니다.

• 전문 인력을 직접 투입하는 방식의 특성상 구축 비용이 경쟁사 대비 매우 높을 것으로 예상되며, 대규모 범용 데이터를 단기간에 확보해야 하는 프로젝트에는 가성비가 떨어질 수 있습니다. 소규모 스타트업이나 개인 개발자를 위한 셀프 서비스 플랜이나 공개된 가격 정보가 부족하여 접근성이 낮으며, 주로 최상위 AI 리서치 랩이나 엔터프라이즈를 타겟으로 하기에 도입 상담 과정이 복잡할 수 있다는 점이 진입 장벽으로 작용합니다.

메이 모빌리티 장단점

• MPDM 기술 덕분에 예측 불가능한 보행자나 차량이 많은 복잡한 도심 환경에서도 부드럽고 안전한 승차감을 제공한다는 평가가 지배적입니다. 특히 토요타 시에나를 개조한 차량은 실내 공간이 넓어 휠체어 사용자나 단체 승객에게 적합하며, 지자체와의 긴밀한 협업을 통해 대중교통 사각지대를 실질적으로 해결하고 있습니다. 최근에는 안전 요원이 없는 '완전 무인(Driver-out)' 운행을 선발 주자들보다 훨씬 적은 비용과 인력으로 성공시키며 기술적 효율성을 증명하고 있습니다.

• 아직은 특정 구역 내(Geofenced)에서만 작동하는 셔틀 형태가 주를 이루어, 웨이모처럼 목적지 제한 없는 완전한 자유로운 이동을 기대하는 사용자에게는 한계가 느껴질 수 있습니다. 실사용 리뷰에 따르면 자율주행 시스템이 지나치게 방어적으로 설정되어 있어 쓰레기 수거차 등 단순 장애물 앞에서도 필요 이상으로 오래 대기하거나, 주변 교통 흐름보다 느린 속도로 주행해 답답함을 유발하기도 합니다. 또한 서비스 지역에 따라 승차 위치가 사용자가 지정한 정확한 지점이 아닌 인근의 지정 구역으로 제한되는 번거로움이 있습니다.

애프트쿼리 주요 기능

• 고품질 SFT·RLHF 훈련용 전문가 제작 데이터 페어
• 추론·코딩 성능 개선을 위한 루브릭 기반 피드백
• MCP 기반 에이전트 훈련 상호작용 데이터
• 맞춤형 도메인 특화 데이터셋 제작 서비스
• 컴퓨터 사용 환경 시뮬레이션 및 데이터 수집

메이 모빌리티 주요 기능

• MPDM(Multi-Policy Decision Making) 실시간 강화학습 기술
• 200ms 간격 온보드 시뮬레이션으로 돌발 상황 대응
• 완전 무인(Driver-out) 운행 지원
• ADA 준수 장애인 접근성 자율주행 솔루션
• Via·Lyft·Grab 연동 수요 응답형 셔틀 서비스