microsoft·2025년 3월 3일원문

마이크로소프트 엔지 (새 탭에서 열림)

마이크로소프트는 자사 엔지니어들이 대규모 AI 애플리케이션을 구축하는 실제 방법론을 공유하기 위해 'How Microsoft engineers build AI' 비디오 시리즈를 새롭게 공개했습니다. 첫 번째 에피소드에서는 'Copilot for Azure' 내의 'Ask Learn' 플러그인 개발 사례를 통해 검색 증강 생성(RAG) 기술을 안정적으로 구현하고 확장하는 핵심 전략을 다룹니다. 이를 통해 개발자들은 기업 내부 데이터와 대규모 언어 모델(LLM)을 결합하여 정확하고 맥락에 맞는 AI 서비스를 구축하는 실질적인 통찰력을 얻을 수 있습니다. ### RAG 기술의 핵심과 활용 차별화 * RAG(검색 증강 생성)의 기본 개념을 정립하고, 모델의 가중치를 직접 수정하는 파인튜닝(Fine-tuning) 기술과 비교하여 RAG가 가진 차별적 우위를 설명합니다. * Copilot in Azure뿐만 아니라 Microsoft Security Copilot, Dynamics 365 Business Central 등 마이크로소프트의 주요 제품군에 RAG가 실제로 어떻게 적용되어 비즈니스 가치를 창출하는지 사례를 제시합니다. * 단순한 이론을 넘어, 실제 서비스 환경에서 LLM이 고유 데이터에 접근하여 답변의 신뢰도를 높이는 메커니즘을 상세히 다룹니다. ### 엔지니어링 단계에서의 도전 과제와 해결책 * RAG 시스템 구축 시 직면하는 주요 난관인 콘텐츠 선택, 데이터 전처리(Preprocessing), 그리고 성능 평가(Evaluation) 과정을 체계적으로 관리하는 방법을 공유합니다. * 플러그인이 사용자에게 최신 상태의 정확한 정보를 실시간으로 전달할 수 있도록 보장하는 혁신적인 엔지니어링 솔루션을 소개합니다. * 프로토타이핑 단계에서 흔히 발생하는 실수들을 짚어보고, 이를 방지하기 위한 데이터 관리 및 운영상의 베스트 프랙티스를 제안합니다. ### Ask Learn 플러그인 구현 사례 분석 * Azure 개발자들이 작업 흐름을 방해받지 않고 몇 초 만에 답을 얻을 수 있도록 설계된 'Ask Learn'의 실제 작동 시연을 포함하고 있습니다. * 제품 관리자(PM)와 수석 소프트웨어 엔지니어링 매니저 등 실제 개발 주역들의 인터뷰를 통해, 대규모 스케일에서 RAG 솔루션을 안정화하기 위해 사용된 구체적인 기술 스택과 의사결정 과정을 공개합니다. * 사용자의 질문 의도에 가장 적합한 문서를 검색하고 이를 기반으로 맥락에 맞는 답변을 생성하는 구체적인 워크플로우를 학습할 수 있습니다. 성공적인 AI 애플리케이션 구축을 위해서는 Microsoft Learn의 관련 문서와 가이드를 참고하는 것이 좋습니다. 또한, 현재 무료로 제공되는 GitHub Copilot이 포함된 Visual Studio IDE를 활용하면 RAG 기반 앱 개발을 더욱 효율적으로 시작할 수 있습니다.

대규모 언어 모델AI머신러닝github-copilot+4

figma·2025년 2월 19일·3분 읽기큐레이션 요약

더블 클릭: 코딩이

AI와 대화하며 코드를 생성·수정하는 ‘바이브 코딩’은 프로그래밍을 문법 작성보다 아이디어 표현과 반복 대화에 가깝게 만든다. 덕분에 코딩 경험이 없는 사람도 빠르게 프로토타입과 사이드 프로젝트를 만들 수 있지만, 프로젝트가 복잡해지면 일관성 없는 데이터 모델과 스파게티 코드라는 한계에 부딪힌다. 따라서 바이브 코딩은 완성도 높은 소프트웨어 개발 전체를 대체하기보다, 초기 탐색과 실험을 가속하는 방식으로 보는 것이 적절하다. ## 대화형 프로그래밍으로의 변화 - 바이브 코딩은 원하는 기능을 자연어로 설명하고, AI가 코드를 작성하면 실행 결과를 확인한 뒤 다시 대화로 수정하는 개발 방식이다. - 개발자는 코드를 한 줄씩 직접 작성하기보다 “보고, 말하고, 실행하고, 복사·붙여넣는” 흐름으로 결과를 만들어 간다. - Cursor Composer, Claude Sonnet, 음성 입력 도구인 SuperWhisper 같은 LLM 기반 도구의 성능 향상이 이러한 방식을 가능하게 했다. - 어셈블리에서 C, C에서 Python으로 추상화 수준이 높아졌던 것처럼, 바이브 코딩도 프로그래밍 추상화의 또 다른 단계로 볼 수 있다는 의견이 제시된다. ## 펀치카드에서 즉시 프로토타이핑까지 - 초기 컴퓨팅에서는 명령 하나를 펀치카드에 기록하고, 실행 결과를 보기까지 수 시간 또는 수일을 기다려야 했다. - 이후 직접 코드를 입력할 수 있게 되었지만, 아이디어를 실제 인터랙티브 결과물로 바꾸는 과정은 여전히 개발자에게 큰 장벽이었다. - 바이브 코딩은 이 간극을 줄여 아이디어를 빠르게 표현하고 반복적으로 실험하게 한다. - Figma의 디자이너 Nikolas Klein은 이를 “코딩 자체보다 인터랙티브 아이디어를 더 빠르고 쉽게 표현하는 방법”으로 본다. - Val Town의 Charmaine Lee는 문서에 낙서하거나 Google Sheet를 만드는 것처럼 코드를 가볍게 실험할 수 있다는 점을 강조한다. ## 코딩을 하지 않는 사용자도 소프트웨어를 만든다 - 바이브 코딩은 전문 개발자뿐 아니라 코드를 전혀 작성하지 않는 사람에게도 소프트웨어 제작 기회를 넓힌다. - Replit CEO Amjad Masad에 따르면 Replit 고객의 75%는 코드 한 줄도 직접 작성하지 않는다. - Figma 구성원들은 SwiftUI를 몰라도 러닝 코치 앱이나 TikTok 스타일의 Wikipedia 앱 로딩 애니메이션 같은 프로젝트를 만들 수 있었다. - 특히 사이드 프로젝트, 인터랙션 실험, 디자인 프로토타입처럼 빠른 시도가 중요한 작업에서 효과가 크다. ## 복잡해질수록 드러나는 한계 - 바이브 코딩은 프로젝트 초반에는 매우 빠르고 즐겁지만, 기능과 코드 규모가 커지면 AI의 대응 품질이 떨어진다. - 처음에는 원하는 결과의 약 80%까지 빠르게 도달할 수 있지만, 나머지 20%를 완성하는 과정에서 어려움이 커진다. - AI가 생성한 코드가 기능별로는 작동해도 전체적으로 일관된 내부 데이터 모델을 갖추지 못할 수 있다. - 결과적으로 구조를 이해하기 어렵고 유지보수하기 힘든 스파게티 코드가 쌓일 위험이 있다. - 따라서 복잡한 프로젝트에서는 아키텍처 설계, 데이터 모델 검토, 테스트와 리팩터링 등 전통적인 개발 역량이 여전히 필요하다. ## 실용적인 활용 방향 - 바이브 코딩은 아이디어 검증, 초기 프로토타입, 개인 프로젝트, UI·인터랙션 실험에 적극 활용할 만하다. - 운영 환경에 배포하거나 장기 유지보수할 코드는 생성 결과를 그대로 사용하지 말고, 개발자가 구조·보안·성능·테스트를 검토해야 한다. - 가장 현실적인 접근은 AI에게 구현을 맡기되, 사람이 요구사항과 설계 방향을 통제하고 결과물을 지속적으로 정리하는 방식이다.

원문 읽기(새 탭에서 열림)

대규모 언어 모델프로토타이핑vibe-codingswiftui+2

coupang·2024년 11월 14일원문

LLM을 통한 쿠 (새 탭에서 열림)

쿠팡은 검색, 광고, 물류 등 서비스 전반에 걸쳐 머신러닝(ML) 기술을 적극적으로 활용하고 있으며, 최근에는 대규모 언어 모델(LLM)을 도입해 AI 혁신을 가속화하고 있습니다. LLM은 다국어 환경과 방대한 상품 데이터를 처리하는 데 탁월한 성능을 보이며, 효율적인 모델 학습과 추론을 위한 플랫폼 인프라의 최적화가 이 과정의 핵심 동력이 되고 있습니다. 쿠팡은 이를 통해 고객 경험을 개선하고 운영 효율성을 극대화하는 성과를 거두고 있습니다. **쿠팡의 머신러닝 활용 영역** * **추천 시스템:** 사용자 클릭, 구매 이력, 장바구니 담기 등 대규모 상호작용 데이터와 사람이 직접 라벨링한 관련성 판단 지표를 기반으로 홈 피드, 검색, 광고의 개인화를 구현합니다. * **콘텐츠 이해:** 상품 카탈로그(텍스트, 이미지), 사용자 리뷰, 검색어 등 방대한 데이터를 딥러닝으로 분석해 상품과 고객에 대한 표현(Representation)을 학습하고 이를 쇼핑 경험 개선에 활용합니다. * **예측 모델링:** 100개 이상의 물류 센터(FC) 내 수백만 개 상품에 대한 수요, 가격, 배송 경로를 예측하며, 기존 통계적 기법에 딥러닝 기술을 점진적으로 결합하고 있습니다. **멀티모달 기반의 이미지 및 언어 이해** * **Vision-Language Transformer:** 이미지와 텍스트 데이터를 별개로 처리하던 기존 방식에서 벗어나, 두 데이터를 동시에 모델링하는 트랜스포머 모델을 통해 더욱 정교한 임베딩(Embedding)을 생성합니다. * **검색 및 추천 고도화:** 생성된 임베딩은 광고 검색, 유사 상품 찾기 및 추천 모델의 핵심 피처로 활용되어 사용자에게 더 적합한 결과를 제공합니다. * **다양한 서비스 적용:** 한국어와 대만어 간의 상품명 번역, 쇼핑 피드 이미지 품질 개선, 사용자 리뷰 요약, 상품 및 판매자 키워드 자동 생성 등 다양한 영역에서 대규모 모델이 성공적으로 적용되었습니다. **데이터 레이블링 및 속성 추출 혁신** * **대규모 약지도 학습(Weak Label) 생성:** 사람이 직접 수행하기에 비용과 시간이 많이 드는 다국어(한국어, 영어, 중국어 등) 레이블링 작업을 LLM이 수행하여, 모델 학습을 위한 기초 데이터를 대규모로 확보합니다. * **데이터 부족 문제 해결:** 학습 데이터가 부족한 새로운 카테고리나 세그먼트에서 LLM이 생성한 레이블을 통해 모델의 성능을 빠르게 안정화하고 관련성 모델의 품질을 높입니다. * **통합 모델링으로의 전환:** 과거에는 상품 카테고리별로 개별 ML 모델을 구축해야 했으나, 이제는 통합된 LLM을 통해 상품 분류 및 속성 추출 프로세스를 간소화하고 효율성을 높이고 있습니다. 쿠팡은 LLM을 단순한 기술 도입을 넘어 인프라 최적화와 결합하여 실제 비즈니스 가치를 창출하는 핵심 도구로 활용하고 있습니다. 특히 다국어 지원과 대규모 데이터 처리가 필수적인 글로벌 이커머스 환경에서, LLM 기반의 플랫폼 전략은 향후 AI 경쟁력을 좌우하는 중요한 기반이 될 것입니다.

대규모 언어 모델AI머신러닝생성형 AI+5

figma·2024년 10월 24일·3분 읽기큐레이션 요약

Figma에서 AI 기반 검색을

디자이너들은 새로 작업하기보다 기존 디자인을 찾아 재활용하는 경우가 많지만, 스크린샷만 가지고 원본 파일을 찾기는 어려웠습니다. Figma는 이 문제를 해결하기 위해 시각 검색과 의미 검색을 결합한 AI 검색을 출시했고, 검색 결과를 디자인 작업에 바로 활용할 수 있도록 했습니다. 초기에는 다음 컴포넌트를 추천하는 ‘디자인 자동완성’을 개발했지만, 사용자 연구를 통해 기존 작업을 찾고 변형하는 일이 더 근본적인 문제라는 결론에 도달했습니다. ## 기존 디자인을 찾기 어려운 문제 - 디자이너들은 원하는 디자인의 원본 파일을 찾기 위해 Slack에 동료에게 질문하거나 여러 파일을 직접 확인해야 했습니다. - 특히 파일명이나 컴포넌트 이름을 모른 채 스크린샷만 가지고 검색해야 하는 상황이 큰 문제였습니다. - Figma 내부에서도 디자인 요소를 찾는 데 상당한 시간이 소요되고 있다는 사실을 수백 건의 Slack 메시지를 통해 확인했습니다. - 이러한 문제를 해결하기 위해 Figma는 Config 2024에서 AI 기반 검색 기능을 공개했습니다. ## 시각 검색과 의미 검색 - **시각 검색(Visual search)** - 스크린샷, 선택한 프레임, 간단한 스케치 등을 입력해 유사한 디자인과 컴포넌트를 찾습니다. - 정확한 파일명이나 텍스트를 몰라도 이미지의 시각적 특징을 기반으로 검색할 수 있습니다. - **의미 검색(Semantic search)** - 사용자의 텍스트 질의를 AI가 이해하고 관련 디자인을 검색합니다. - 컴포넌트의 정확한 이름이나 설명을 몰라도 의도와 문맥에 맞는 결과를 찾을 수 있습니다. - 검색 결과는 단순히 파일을 여는 데 그치지 않고, 디자인을 미리 보거나 현재 프로젝트에 삽입하는 방식으로 활용할 수 있습니다. ## 디자인 자동완성에서 AI 검색으로 전환 - Figma는 2023년 6월 3일간의 AI 해커톤을 열었고, 20개의 프로젝트가 완성됐습니다. - 그중 하나가 작업 중인 화면을 분석해 다음에 필요할 컴포넌트를 추천하는 **디자인 자동완성** 프로토타입이었습니다. - 예를 들어 온보딩 화면을 만들 때 “Get started” 버튼을 추천하는 방식입니다. - 이 기능은 디자이너가 반복적인 작업에서 벗어나 사용자 문제와 같은 고차원적인 사고에 집중하도록 돕는 것을 목표로 했습니다. - 프로토타입의 가능성이 확인되면서 제품 로드맵에 포함됐고, 실제 제품화를 위한 개발이 시작됐습니다. ## RAG를 활용한 검색 기반 AI - Figma는 디자인 자동완성의 품질을 높이기 위해 검색 인프라를 함께 구축했습니다. - **Retrieval-Augmented Generation(RAG)**은 LLM이 답변을 생성하기 전에 관련 사례를 검색해 참고하도록 하는 방식입니다. - 자동완성 기능이 사용자가 작업 중인 화면과 유사한 기존 디자인을 찾으면, 그 사례를 바탕으로 더 적절한 다음 컴포넌트를 추천할 수 있다고 판단했습니다. - 즉, AI가 무작정 새로운 디자인을 생성하는 것이 아니라 Figma에 축적된 실제 디자인 사례를 검색하고 이를 추천의 근거로 활용하는 구조입니다. ## 사용자 연구가 바꾼 제품 방향 - Figma는 내부 팀에 프로토타입을 공유하고 디자이너들을 대상으로 사용성 연구를 진행했습니다. - 반복적인 테스트 과정에서 디자이너들이 작업을 완전히 새로 시작하지 않는다는 패턴을 발견했습니다. - 디자이너들은 과거의 탐색 결과와 기존 작업을 다시 찾아보고, 이를 변형하거나 조합해 새로운 결과물을 만듭니다. - 이 때문에 “다음에 무엇을 추천할까?”보다 “이미 존재하는 작업 중 무엇이 유용한가?”를 찾는 일이 더 근본적인 요구로 드러났습니다. - 이러한 관찰이 디자인 자동완성 중심의 방향을 AI 검색 중심으로 전환하는 계기가 됐습니다. Figma의 사례는 AI 기능을 먼저 만들고 사용자를 설득하기보다, 실제 업무에서 반복되는 불편을 관찰한 뒤 제품 방향을 조정해야 한다는 점을 보여줍니다. 특히 검색과 생성 AI를 결합하면 기존 자산을 재활용하면서도 더 정확한 추천을 제공할 수 있으므로, 조직 내 디자인 자산이 많을수록 시각·의미 검색과 RAG 기반 활용을 함께 고려할 만합니다.

원문 읽기(새 탭에서 열림)

대규모 언어 모델RAGsemantic-searchai-search+2

datadog·2024년 9월 23일원문

장애 회고 작성을 지원하기 위해 비용, 품질, 안전성 측면에서 LLM 활용을 최적화한 방법 (새 탭에서 열림)

장애 해결 후 포스트모템(장애 회고록)을 작성하는 과정은 조직의 학습과 복구 능력 향상을 위해 필수적이지만, 엔지니어들에게는 상당한 시간과 노력이 드는 번거로운 작업입니다. 이를 해결하기 위해 Datadog은 Bits AI에 LLM을 도입하여 정형화된 장애 메타데이터와 슬랙의 비정형 대화 데이터를 결합해 포스트모템 초안을 자동 생성하는 기능을 구현했습니다. 이 프로젝트는 단순한 자동화를 넘어, 환각 현상을 억제하고 엔지니어가 직접 내용을 검토하며 학습하는 '인간 중심의 통제권'을 유지하는 데 초점을 맞추었습니다. ### LLM 기반 포스트모템 도입 시 직면한 과제 * **데이터 정확성 및 환각(Hallucinations):** LLM은 문법적으로는 완벽해 보이지만 사실이 아닌 내용을 그럴듯하게 생성하는 경향이 있습니다. 팩트가 생명인 장애 보고서에서 이러한 비결정론적 특성을 제어하는 것이 가장 큰 과제였습니다. * **비용, 속도, 품질의 트레이드오프:** GPT-4와 같은 고성능 모델은 정확도가 높지만 GPT-3.5에 비해 비용이 최대 50배 비싸고 생성 속도가 느려, 사용자 경험과 운영 비용 사이의 균형점이 필요했습니다. * **학습 과정의 훼손 방지:** AI가 완성된 결과물을 그대로 제공하면 엔지니어가 장애 원인을 깊이 파고드는 학습 기회를 놓칠 수 있습니다. 따라서 AI는 '작성 보조 도구'로서 초안을 제공하고 최종 판단은 인간이 하도록 설계해야 했습니다. * **보안 및 개인정보 보호:** 장애 데이터에는 민감한 정보나 비밀번호 등이 포함될 수 있으므로, LLM에 데이터를 전달하기 전 이를 사전에 필터링하는 보안 레이어가 필수적이었습니다. ### 정확도 향상을 위한 기술적 해결책 * **커스텀 API 및 데이터 정제 프레임워크:** 슬랙 대화와 장애 관리 앱에서 데이터를 추출한 뒤, 민감 정보를 제거하고 구조화하여 LLM이 처리하기 쉬운 형태로 변환하는 전용 API를 개발했습니다. * **정형·비정형 데이터의 결합:** 수동으로 입력된 장애 메타데이터(정형)뿐만 아니라, 장애 당시의 급박한 상황이 담긴 슬랙 대화 내용(비정형)을 함께 분석하여 문맥적으로 더 정확한 초안을 생성하도록 했습니다. * **프롬프트 엔지니어링 및 파라미터 튜닝:** 100시간 이상을 투입해 프롬프트 구조를 반복 수정했으며, 모델의 온도(Temperature) 설정을 낮추어 출력의 일관성을 높이고 무작위성을 줄였습니다. * **점진적 검증 프로세스:** 포스트모템 작성을 돕기 전, 먼저 짧은 '장애 요약 기능'을 구현하여 모델의 성능을 테스트하고 여기서 얻은 인사이트를 긴 문서 작성 기능에 피드백하는 방식을 취했습니다. ### 모델 출력 평가 및 피드백 루프 * **정성적/정량적 평가 병행:** 기존에 사람이 작성한 포스트모템과 AI가 생성한 초안을 정확성, 간결성, 유용성 등의 항목으로 비교하는 설문 조사를 실시하여 품질을 지속적으로 개선했습니다. * **사용자 피드백 반영:** 초안 생성 과정에서 엔지니어가 수정하는 내용을 추적하여, 어떤 부분이 부족하고 어떤 정보가 더 보강되어야 하는지 데이터 기반으로 파악하고 있습니다. LLM을 이용한 포스트모템 작성 지원은 엔지니어의 업무 부담을 줄여주는 동시에, 장애로부터 배우는 조직 문화를 더욱 공고히 하는 강력한 도구가 될 수 있습니다. 다만, AI의 결과물을 맹신하기보다는 엔지니어가 비판적으로 검토할 수 있는 '초안' 단계로 활용하는 것이 시스템의 신뢰성과 교육적 가치를 유지하는 핵심입니다.

대규모 언어 모델datadogslack데이터 사이언스+4

figma·2024년 6월 25일·4분 읽기큐레이션 요약

AI 시대의 좋은 디자인이란 무엇

AI가 제품 개발을 대중화할수록 제품을 차별화하는 요소는 디자인이 된다. 모바일 시대에 데스크톱 경험을 작은 화면에 그대로 옮겼던 것처럼, 초기 AI 제품도 단순한 챗봇과 템플릿에 머물고 있지만 새로운 상호작용 패턴을 발견할 가능성이 크다. 따라서 AI 시대의 좋은 디자인은 기술 자체를 좇기보다 공감, 창의성, 실제 사용자 문제 해결이라는 변하지 않는 원칙을 바탕으로 AI와 디자이너의 역할을 재정의하는 것이다. ## AI 시대에 디자인이 더 중요해지는 이유 - AI는 간단한 프롬프트만으로 코드, 디자인, 애플리케이션 전체를 생성할 수 있어 아이디어에서 구현까지의 속도를 크게 높인다. - 더 많은 사람이 제품 제작 과정에 참여할 수 있게 되지만, 결과적으로 비슷한 제품이 빠르게 양산될 가능성도 커진다. - 제품의 차별화는 기능 구현보다 다음과 같은 디자인 경험에서 나타날 수 있다. - 풍부한 상호작용 - 직관적인 제스처 - AI라는 매체에 적합한 새로운 사용 패턴 - 2007년 아이폰 등장 직후 많은 기업이 기존 데스크톱 화면을 모바일에 단순히 축소했던 것처럼, 현재의 단순 챗봇과 템플릿형 AI 제품도 새로운 기술에 적응하는 초기 단계로 볼 수 있다. - 새로운 기술의 잠재력을 실현하려면 충분한 시간과 반복적인 실험이 필요하다. ## 좋은 디자인의 원칙을 AI가 이해하도록 만들기 - Figma는 디자인 시스템을 활용해 UI의 첫 시안을 생성하는 AI 기능을 개발하면서, 먼저 “좋은 디자인”이 무엇인지 정의해야 했다. - LLM은 본질적으로 텍스트 기반 모델이므로 글쓰기나 코딩에는 강하지만, 시각적·구조적 판단이 필요한 UI 디자인을 생성하는 일은 더 어렵다. - 모든 디자인 규칙을 AI에 전달하는 방식은 현실적이지 않다. - 좋은 디자인의 모든 세부 사항을 유한한 규칙으로 정의하기 어렵다. - 방대한 규칙을 하나의 프롬프트에 넣으면 토큰 제한에 걸린다. - 상황에 따라 달라지는 디자인 판단까지 규칙화하기도 어렵다. - 이에 따라 어떤 UI에도 대체로 적용할 수 있는 작지만 강력한 원칙으로 디자인 지식을 압축해야 한다. - 디자인을 가르치는 과정처럼, 디자이너의 직관을 다른 사람이 실행할 수 있는 명확한 원칙으로 분해하는 작업이 중요하다. - 좋은 원칙은 다음 조건을 갖춰야 한다. - 명확할 것 - 구체적일 것 - 실제 제작 과정에서 적용 가능할 것 - 다양한 UI 상황에 일반화될 것 ## 디자인에서 코드까지의 순환 고리 단축 - AI는 디자인 결과물을 코드로 옮기는 시간을 줄여 제품 제작 주기를 단축할 수 있다. - 디자인과 개발 사이의 간극이 줄어들면 더 많은 시안을 빠르게 구현하고 검증할 수 있다. - 중요한 것은 단순히 코드를 자동 생성하는 것이 아니라, 디자인 의도와 사용자 경험이 구현 단계에서도 유지되도록 하는 것이다. - 빠른 생성 능력은 한 번에 정답을 얻는 수단이라기보다 실험과 반복을 늘리는 수단으로 활용해야 한다. ## 실용주의와 반복적인 실험 - AI 기술이 빠르게 변하는 상황에서는 완벽한 미래상을 기다리기보다 현재 가능한 도구로 실제 문제를 해결하는 접근이 필요하다. - 기술을 사용하기 위한 기능보다 사용자에게 실질적인 가치를 주는 경험을 우선해야 한다. - 초기 AI 제품의 어색함은 실패라기보다 새로운 상호작용 방식을 발견하기 위한 실험의 일부다. - 디자이너는 생성된 결과를 그대로 받아들이기보다 사용자 맥락에 맞는지 검토하고, 반복적인 수정과 검증을 통해 품질을 높여야 한다. ## 디자이너와 AI의 공동 창작 - AI는 디자이너를 단순히 대체하는 자동화 도구가 아니라 아이디어를 확장하고 제작 속도를 높이는 협업 파트너가 될 수 있다. - AI가 초안과 반복 작업을 담당하면 디자이너는 문제 정의, 사용자 공감, 우선순위 설정, 창의적 판단에 더 집중할 수 있다. - 공동 창작 모델에서는 인간과 AI의 강점을 결합하는 작업 분담이 중요하다. - AI: 빠른 생성, 변형, 탐색, 반복 작업 - 디자이너: 목적 설정, 맥락 이해, 품질 판단, 사용자 관점의 의사결정 - AI가 발전할수록 디자이너의 역할이 사라지는 것이 아니라, 무엇을 만들고 왜 만들어야 하는지 결정하는 능력이 더욱 중요해진다. AI를 도입할 때는 생성 속도 자체보다 사용자 문제와 디자인 원칙을 먼저 정의하는 것이 좋다. 작은 원칙을 명확히 정리하고, AI로 여러 시안을 빠르게 만든 뒤 사람의 판단과 사용자 검증을 통해 반복 개선하는 방식이 가장 현실적인 접근이다.

원문 읽기(새 탭에서 열림)

대규모 언어 모델FigmaAI디자인 시스템+2

figma·2024년 6월 25일원문

우리는 마침내 안 (새 탭에서 열림)

최근 AI 기술의 비약적인 발전은 SF 영화 속의 상상과 현실 사이의 간극을 좁히며 본격적인 안드로이드 시대를 열고 있습니다. 아메카(Ameca)와 아폴로(Apollo) 같은 현대의 휴머노이드 로봇들은 단순한 노동력을 넘어, 인간의 심리적 본성을 이용한 직관적인 인터페이스로서 우리와 상호작용하기 시작했습니다. 결국 로봇 기술의 핵심은 기계적인 완성도를 넘어 인간과 기술이 어떻게 공존하고 소통할 것인가를 설계하는 디자인의 영역으로 확장되고 있습니다. **지능의 투영과 인터페이스로서의 로봇** - 인간은 사물에 생명력을 부여하는 '애니미즘'과 '의인화' 본능이 있어, 로봇의 움직임과 표정만으로도 지능이 있다고 믿는 경향이 있습니다. - 아메카(Ameca)는 화면(스크린)이라는 장벽을 넘어 몸짓과 표정을 사용하는 인터페이스를 제공하며, 이는 VR 헤드셋과는 반대로 기술을 인간의 공간으로 끌어들이는 역할을 합니다. - 거대언어모델(LLM)과 결합된 로봇은 자연스러운 대화뿐만 아니라 상황에 맞는 표정을 지을 수 있어, 사용자에게 단순한 도구를 넘어선 강력한 정서적 경험과 유대감을 제공합니다. **심미성과 사회적 수용성을 고려한 디자인** - 로봇 디자인의 핵심은 인간과 닮았으면서도 불쾌한 골짜기(Uncanny Valley)를 피하는 것으로, 아메카는 의도적으로 금속성 외형을 유지하여 로봇임을 분명히 하면서도 표정의 정교함을 살렸습니다. - 범용 노동 로봇인 아폴로(Apollo)는 인간의 작업 환경에 최적화된 휴머노이드 형태를 취하면서도, 친근감을 주기 위해 눈 대신 카메라와 LED 디스플레이를 활용한 얼굴 디자인을 채택했습니다. - '페르소나 아키텍트'와 같은 전문가들은 로봇에 특정 성격을 부여하여, 로봇이 상황에 맞게 언어 코드를 전환하거나 사용자와 더 깊은 유대감을 형성할 수 있도록 설계합니다. **기계와의 관계 설정을 위한 시스템의 가독성** - 로봇의 움직임은 일종의 '바디 랭귀지'이며, 사용자가 로봇의 다음 행동이나 의도를 예측할 수 있게 하는 '가독성(Legibility)' 확보가 중요합니다. - 복잡한 AI 시스템과 이를 사용하는 인간 사이의 언어적 격차를 줄이기 위해, 디자이너들은 산업용 로봇에 생명력을 불어넣어 통제가 아닌 '연결'의 대상으로 재정의하고 있습니다. - 로봇이 인간의 공간에 들어올 때 사회적으로 수용 가능한 형태와 행동 양식을 갖추는 것은 기술적 진보만큼이나 중요한 설계 요소입니다. 휴머노이드 로봇은 이제 특정 목적만을 수행하는 고정된 기계에서 벗어나, 인간과 함께 생활하며 소통하는 다재다능한 동반자로 진화하고 있습니다. 성공적인 안드로이드 시대를 맞이하기 위해서는 기술의 고도화와 더불어, 인간의 심리를 깊이 이해하고 기술과 인간 사이의 접점을 예술적·윤리적으로 조율하는 디자인적 접근이 필수적입니다.

대규모 언어 모델AI자동화human-computer-interaction+3

figma·2024년 6월 25일·3분 읽기큐레이션 요약

더 프롬프트에

AI가 디자인과 제작 방식을 바꿀 가능성은 크지만, 그 잠재력을 어떻게 실현할지는 아직 열려 있다. Figma의 잡지 《The Prompt》는 디자인·엔지니어링·제품 개발·건축 분야의 전문가들에게 질문을 던져 AI의 현재 가능성과 한계, 앞으로의 방향을 탐구한다. 글은 좋은 결과를 얻으려면 AI 자체보다 맥락과 의도를 담은 질문, 즉 잘 설계된 프롬프트가 중요하다고 강조한다. ## 《The Prompt》의 기획 의도 - 《The Prompt》는 Figma의 Story Studio와 Brand Studio가 만든 매거진이다. - 2024년 Config에서 인쇄판이 공개됐으며, Figma Store에서 구매할 수 있다. - 다양한 분야의 전문가 인터뷰와 에세이를 통해 AI가 복잡한 시스템을 더 이해하기 쉽게 만드는 방법을 살펴본다. - 참여자들은 AI를 활용하는 동시에, AI가 더 나은 결과를 내도록 설계하고 질문하는 방법도 탐구한다. ## 프롬프트 엔지니어링과 질문의 힘 - 프롬프트 엔지니어링은 원하는 답을 얻기 위해 올바른 질문을 설계하는 일이다. - 좋은 인터뷰어가 질문의 맥락과 방향을 조절하듯, AI에게도 다음 요소를 명확히 제공해야 한다. - 충분한 배경 정보 - 문제를 바라보는 관점과 프레임 - 결과물의 목적과 제약 - 기대하는 답변의 형태와 수준 - 창작이나 문제 해결의 출발점에는 항상 일종의 프롬프트가 있으며, 창의성은 질문을 통해 구체화된다. - LLM은 뛰어난 능력을 갖고 있어도 입력이 불명확하면 잠재력을 제대로 발휘하기 어렵다. ## AI와 좋은 디자인의 관계 매거진은 “AI 시대의 좋은 디자인이란 무엇인가”라는 질문에서 출발한다. - AI가 디자인 과정에 참여하더라도 문제 정의와 목적 설정은 여전히 중요하다. - 좋은 디자인은 단순히 빠르게 결과를 만드는 것이 아니라, 사람과 맥락에 적합한 해결책을 찾는 과정이다. - AI를 활용할수록 디자이너는 결과물을 평가하고 방향을 조정하는 역할을 더 명확히 수행해야 한다. ## 코드와 자동화의 재평가 “코드가 상품화되는 것을 왜 두려워하는가”, “디자인 시스템의 잠재력을 자동화로 끌어낼 수 있는가” 같은 질문을 통해 제작 방식의 변화를 다룬다. - 코드 작성 자체보다 어떤 문제를 해결할지 정의하는 능력이 중요해질 수 있다. - 자동화는 반복 작업을 줄이고 디자인 시스템의 일관성과 확장성을 높일 수 있다. - 그러나 자동화가 창의적 판단이나 인간의 책임을 완전히 대체하는 것은 아니다. ## 데이터와 실험의 새로운 기준 - “최소 실행 가능 데이터”라는 질문은 AI 시스템에 반드시 필요한 데이터의 범위를 고민하게 한다. - 많은 데이터를 모으는 것보다 목적에 맞는 신뢰할 수 있는 데이터를 확보하는 일이 중요하다. - “0.5에서 시작한다”는 주제는 완성된 계획을 기다리기보다 불완전한 초기 단계에서 실험하고 개선하는 태도를 시사한다. ## AI를 신뢰할 수 있게 만드는 방법 - 사람들이 원하는 AI 기능과 실제로 신뢰하는 기능 사이에는 차이가 있다. - 유용한 AI 기능은 명확한 문제를 해결하고, 결과의 근거와 한계를 이해할 수 있어야 한다. - 효율성을 높이더라도 창의적 탐색과 예상 밖의 발견을 지나치게 줄여서는 안 된다. - AI가 만든 결과를 검토하고 수정할 수 있는 인간의 통제권이 필요하다. ## 기술의 범위를 넓히는 질문 매거진은 기술 업계 내부의 관점에 머무르지 않고 사회와 물리적 환경으로 논의를 확장한다. - AI가 업계 내부의 ‘에코 챔버’를 넘어 다양한 사용자와 관점을 반영할 수 있는지 질문한다. - 제조업과 주거 건축 같은 산업에서 AI가 복잡한 문제 해결에 어떻게 기여할 수 있는지 살펴본다. - 로봇이 주택을 건설할 수 있는지, 인간형 로봇의 시대가 실제로 다가오고 있는지도 탐구한다. - AGI뿐 아니라 인간의 증강된 지능(ADI)이 어떤 의미를 갖는지도 함께 묻는다. ## 실용적인 결론 AI를 효과적으로 활용하려면 도구의 성능만 기대하기보다 문제의 맥락, 목표, 제약 조건을 구체적으로 정의해야 한다. 좋은 프롬프트를 작성하고, AI의 결과를 비판적으로 검토하며, 작은 실험을 반복하는 접근이 현재 가장 현실적인 활용법이다.

원문 읽기(새 탭에서 열림)

대규모 언어 모델AI디자인 시스템자동화+4

figma·2024년 6월 25일·3분 읽기큐레이션 요약

Config 2024 결

Figma Config 2024는 AI를 중심으로 디자인에서 개발·발표까지 이어지는 작업 흐름을 확장한 업데이트를 소개한다. 주요 발표는 Figma AI, 새 UI인 UI3, 프레젠테이션 도구 Figma Slides, Dev Mode 개선이며, 반복 작업을 자동화하고 아이디어 탐색을 빠르게 하는 데 초점을 둔다. Figma는 AI가 인터페이스를 생성하는 시대에도 차별화된 제품을 만드는 핵심은 디자인이라고 강조한다. ## Figma AI: 아이디어 탐색과 반복 작업 자동화 - **Visual Search** - 스크린샷, 선택한 프레임, 이미지, 연필로 그린 스케치를 입력해 유사한 디자인을 검색할 수 있다. - 아이콘부터 전체 디자인 파일까지 팀이 접근할 수 있는 파일 안에서 비슷하거나 동일한 디자인을 찾는다. - 개선된 Asset Search는 파일명이나 에셋 이름과 검색어가 정확히 일치하지 않아도 문맥을 이해해 관련 에셋을 찾아준다. - **반복적인 디자인 작업 자동화** - 현실적인 이미지와 문구를 생성한다. - 기존 문구를 변형하거나 다시 작성하고 번역한다. - 화면 간 프로토타입 연결을 자동으로 구성한다. - 여러 레이어의 이름을 한 번에 의미 있는 이름으로 변경한다. - 디자이너가 레이어 정리나 기본 콘텐츠 작성보다 창의적인 작업에 집중하도록 돕는다. - **Make Designs** - 새 Actions 패널에서 텍스트 프롬프트로 UI 레이아웃과 컴포넌트 초안을 생성한다. - 빈 캔버스에서 시작하기 어려울 때 여러 디자인 방향을 빠르게 탐색할 수 있다. - 생성 결과는 완성품이라기보다 초기 아이디어와 작업 출발점으로 활용하는 방식이다. - **AI 기능의 개발 방향** - Figma는 단순히 AI 유행을 따르기보다 실제 사용자 요구를 기준으로 기능을 설계한다고 설명한다. - 범용 대규모 언어 모델(LLM)을 기반으로 기능을 구축하되, 디자이너의 작업 맥락에 맞게 활용하는 데 초점을 둔다. ## UI3: 새롭게 설계된 Figma 인터페이스 - 기존 Figma 인터페이스를 재설계한 UI3를 공개한다. - AI 기능과 Actions 패널을 포함해 주요 작업을 더 쉽게 찾고 실행할 수 있도록 작업 환경을 개편한다. - UI3는 Figma AI와 함께 제한적 베타로 제공되며 단계적으로 확대된다. ## Figma Slides: 디자인과 프레젠테이션의 결합 - Figma Slides를 통해 슬라이드를 만들고, 협업하고, 발표할 수 있는 기능을 추가한다. - 디자인 도구에서 사용하던 협업 방식과 시각적 편집 경험을 프레젠테이션 제작으로 확장한다. - 제품 아이디어, 디자인 결과물, 프로젝트 진행 상황을 별도 도구로 옮기지 않고 공유·발표하는 흐름을 지원한다. ## Dev Mode: 디자인 완료에서 개발 완료까지 - Dev Mode를 크게 업데이트해 디자인과 개발 사이의 전환 과정을 개선한다. - 디자이너가 전달한 결과물을 개발자가 실제 구현으로 옮기는 과정에서 필요한 정보를 더 쉽게 확인하도록 지원한다. - 이번 업데이트는 단순히 “개발 준비 완료” 상태를 표시하는 것을 넘어, 개발 작업이 완료될 때까지의 협업 흐름을 강화하는 방향이다. ## Auto Layout·UI Kit·프로토타입 등 사용성 개선 - Auto Layout을 비롯해 기존 Figma 핵심 기능의 사용성을 개선한다. - UI Kit 활용 경험을 다듬어 더 빠르게 디자인 작업을 시작할 수 있도록 한다. - 프로토타입 뷰어를 개선해 결과물을 확인하고 공유하는 과정을 편리하게 만든다. - Figma AI뿐 아니라 자주 사용하는 기능 전반을 개선해 일상적인 작업 흐름의 마찰을 줄인다. ## 베타 제공 방식 - Figma AI와 UI3는 당시 제한적 베타로 제공된다. - Figma 화면 하단의 **“?”** 메뉴에서 **“Join UI3 + AI waitlist”**를 선택해 대기 목록에 등록할 수 있다. - 기능은 한 번에 전체 사용자에게 공개되지 않고 점진적으로 확대된다. 실무에서는 Visual Search로 기존 사내 디자인 자산을 재활용하고, Make Designs와 자동 프로토타이핑으로 초기 아이디어를 빠르게 검증하는 방식이 유용하다. 다만 AI 생성 결과를 그대로 사용하기보다 디자인 시스템, 접근성, 브랜드 기준에 맞춰 검토·수정하는 과정이 필요하다.

원문 읽기(새 탭에서 열림)

대규모 언어 모델AI디자인 시스템프로토타이핑+3

figma·2024년 6월 25일·3분 읽기큐레이션 요약

아무도 당신을 판단

Perplexity는 링크 목록을 보여주는 검색엔진이 아니라, 웹의 정보를 종합해 출처와 함께 답을 제공하는 ‘답변 엔진’을 지향한다. 목표는 사용자가 남의 시선을 의식하지 않고 무엇이든 질문하게 하며, 짧은 시간에 핵심을 이해한 뒤 더 깊은 호기심으로 나아가도록 돕는 것이다. 이를 위해 최신 웹 정보, 간결한 요약, 투명한 출처, 대화형 인터페이스를 결합한다. ## 호기심을 위한 지식 앱 - 공동 창업자 아라빈드 스리니바스는 어린 시절 위키피디아 링크를 따라가며 지식을 탐색하던 경험에서 Perplexity의 아이디어를 얻었다. - 백과사전이 종이책, CD·DVD, 위키피디아를 거쳐 Perplexity로 발전했다고 본다. - 사람들의 참여를 유도하는 방식이 반드시 짧은 영상이나 자극적인 콘텐츠일 필요는 없으며, 호기심 자체를 자극할 수 있다고 주장한다. - 누구나 판단받을 걱정 없이 질문할 수 있게 하는 것이 제품의 중요한 목표다. ## 두려움을 넘어선 창업 - 창업자들은 처음에 자신들의 질문에 답하기 위해 Slack 봇을 만들었다. - 투자 유치 방식 - 직원 건강보험 설정 등 실무적인 질문 - 제품이 유용했지만, 구글과 경쟁한다고 사람들이 비웃을까 봐 공개를 망설였다. - 투자자 냇 프리드먼은 “잃을 것이 없고, 최악의 결과도 현재보다 나은 진전”이라는 비대칭적 베팅의 관점을 제시했다. - 이 조언을 계기로 Perplexity는 ChatGPT 출시 직후 서비스를 공개했다. ## ChatGPT 이후의 차별화 - ChatGPT가 지식의 기준 시점과 환각 문제를 널리 인식시킨 상황에서, Perplexity는 답변뿐 아니라 근거 출처도 함께 제공하는 방향을 택했다. - 핵심 구성 요소는 다음과 같다. - 자연어 질문 이해 - 웹 검색 및 색인 - 대규모 언어 모델 - 여러 웹페이지의 정보 종합 - 답변별 출처와 각주 제공 - Perplexity는 “위키피디아와 대화형 채팅을 결합한 서비스”로 설명되며, 정보의 범위는 전체 인터넷으로 확장된다. ## 정보를 쉽게 전달하는 80/20 접근법 - 사용자가 모든 자료를 처음부터 끝까지 읽지 않아도 핵심적인 이해를 얻도록 하는 것이 목표다. - 책의 서론과 첫 장을 읽어 전체 가치의 상당 부분을 파악하는 방식처럼, Perplexity도 여러 웹페이지에서 중요한 내용을 추려 간결한 답변을 만든다. - 예를 들어 LLM을 이해할 때 전체 세부사항을 다 알기보다, 핵심 개념의 약 20%를 통해 전체 이해의 80%를 얻도록 돕는다. - 단순화하되 내용을 지나치게 축약하지 않고, 원문 출처를 확인할 수 있게 해 정보의 신뢰성과 깊이를 유지한다. ## 답변에서 새로운 질문으로 - 질문에 답한 뒤 관련 질문 세 가지를 제시해 사용자가 다음 탐색 단계로 자연스럽게 이동하도록 한다. - 창업자는 모든 사람이 본질적으로 호기심이 많지만 다음과 같은 이유로 질문을 충분히 발전시키지 못한다고 본다. - 호기심을 탐구할 동기가 부족함 - 무엇이 궁금한지 정확히 표현하기 어려움 - 좋은 질문을 만드는 능력이나 배경지식이 부족함 - 좋은 질문은 사용자의 지식 수준과 목적에 따라 달라진다. 같은 블랙홀 주제라도 일반 사용자와 물리학 박사에게 필요한 설명의 깊이는 다르다. - 따라서 제품은 사용자가 질문을 정확히 만들지 못했다고 탓하기보다, 사용자의 의도와 이해 수준에 맞춰 질문을 구체화하고 탐색을 지원해야 한다. ## 실용적인 시사점 Perplexity의 사례는 AI 검색 서비스가 단순히 더 많은 정보를 제공하는 것보다, **검증 가능한 답변을 적절한 깊이로 전달하고 다음 질문까지 설계하는 것**이 중요하다는 점을 보여준다. 지식 탐색 제품을 만들 때는 정확한 출처, 사용자 수준에 맞는 설명, 판단받지 않는 질문 환경, 후속 호기심을 유도하는 인터페이스를 함께 고려하는 것이 효과적이다.

원문 읽기(새 탭에서 열림)

대규모 언어 모델AI자연어 처리conversational-ai+2

figma·2024년 6월 17일·4분 읽기큐레이션 요약

AI의 가능성과 위험 요소를

AI는 제품과 디자인의 생산성을 높일 가능성이 크지만, 현재의 변화는 개인 업무에 집중되어 있으며 협업 방식까지 근본적으로 바꾸지는 못했다. 개발자는 코드 생성과 언어 변환처럼 AI와 잘 맞는 업무 덕분에 디자이너보다 더 큰 변화를 경험하고 있다. 따라서 기업은 유행에 맞춰 기능을 빠르게 출시하기보다, 실험과 연구를 반복하며 실제 사용자와 협업에 가치를 만드는 AI 제품을 찾아야 한다. ## 조사 배경과 접근 방식 - Figma는 2024년 2월 26일부터 3월 3일까지 7개국의 Figma 사용자 1,800명 이상을 조사했다. - 응답자는 디자이너, 경영진, 개발자로 구성됐다. - 조사 대상 국가는 미국, 캐나다, 호주, 영국, 일본, 프랑스, 독일이다. - 연구의 핵심 전제는 AI 제품의 영향력이 LLM의 성능뿐 아니라 제품이 어떻게 설계되는지에 따라 달라진다는 것이다. - AI의 가능성이 아직 확정되지 않은 만큼, 제품팀은 빠른 출시 압박 속에서도 실험·놀이·사용자 연구를 지속해야 한다. ## 업무 흐름 전반의 AI 전환 - 생성형 AI는 프롬프트에 반응해 텍스트, 이미지, 코드 등 데이터를 생성하는 기술이다. - 개발자는 디자이너보다 AI가 자신의 제품을 변화시켰다고 답할 가능성이 60% 높았다. - 개발 업무는 다음과 같이 AI가 직접 지원하기 쉬운 작업을 많이 포함한다. - 코드의 출발점 생성 - 프로그래밍 언어 간 변환 - 반복적인 구현 작업 보조 - 반면 디자인의 핵심 업무는 사용자 요구와 문제 공간을 깊이 이해하고, 비선형적으로 탐색하며 학습하는 과정이다. - AI는 목업을 코드로 변환하는 데 도움을 줄 수 있지만, 아직 디자인의 근본적인 문제 정의와 탐색 과정에는 상대적으로 큰 영향을 주지 못하고 있다. - AI 프로젝트 아이디어가 디자이너뿐 아니라 프로그래머, 분야별 전문가, 이해관계자로부터도 나오면서 조직 전체가 AI 제품 개발에 참여하고 있다. ## 개인 생산성에서 협업으로 확장해야 하는 이유 - 응답자의 85%는 AI가 개인 생산성이나 업무 흐름에 영향을 주었다고 답했다. - 가장 흔한 활용 방식은 다음과 같다. - 텍스트와 이미지 생성 - 아이디어를 점검하는 사고 파트너 - 초안 작성과 브레인스토밍 지원 - 응답자는 AI가 개인 업무를 크게 변화시켰다고 답할 가능성이 협업 업무보다 세 배 높았다. - 그러나 AI가 팀의 다음 활동을 크게 바꾸었다는 인식은 상대적으로 낮았다. - 의견 조율 - 회의 진행 - 공동 작업 방식 - AI와 대화하는 개인 작업도 넓은 의미에서는 협업으로 볼 수 있지만, 현재 AI 제품은 주로 개인의 생산성 향상에 머물러 있다. - 진정한 변화를 만들려면 제품팀은 개별 작업 자동화를 넘어 팀의 의사결정과 공동 창작을 어떻게 개선할지 고민해야 한다. ## 산업과 일상생활에 미칠 영향 - 기술 산업 종사자의 41%, 전문·비즈니스 서비스 종사자의 40%, 유통업 종사자의 39%가 AI로 제품과 서비스가 크게 바뀔 것으로 예상했다. - 반면 의료, 에너지·공공서비스, 통신 분야는 향후 12개월 동안 AI의 영향이 상대적으로 작을 것으로 전망됐다. - AI의 잠재력을 실현하려면 소프트웨어 기업뿐 아니라 의료·에너지·통신처럼 일상생활의 기반이 되는 산업도 변화해야 한다. - AI의 영향은 화면이나 기능 추가에만 국한되지 않고, 사람들이 서비스를 이용하고 조직이 운영되는 방식 자체를 바꿀 수 있다. ## 실험과 반복을 통한 유용성 검증 - AI 기술에 대한 기대와 실제 유용성 사이에는 여전히 차이가 있다. - 새로운 앱, 기능, 연구 논문이 빠르게 등장하면서 기업은 AI 기능을 서둘러 출시하라는 압박을 받고 있다. - 하지만 무엇이 실제로 사용자에게 도움이 되는지는 아직 충분히 검증되지 않았다. - 제품과 디자인 리더는 다음과 같은 태도를 취해야 한다. - 불확실성을 받아들이기 - 다양한 아이디어를 빠르게 실험하기 - 사용자 반응과 실제 사용 맥락을 관찰하기 - 효과가 없는 기능은 반복적으로 수정하거나 폐기하기 - AI 제품 개발은 아직 단순한 출시 경쟁이라기보다, 어떤 사용 경험과 협업 방식이 지속될지 찾아가는 단계에 가깝다. AI를 도입할 때는 “AI 기능을 추가했는가”보다 “사용자와 팀의 문제를 실제로 해결했는가”를 기준으로 평가하는 것이 좋다. 개인 생산성 도구에서 시작하되, 사용자 이해·협업·산업별 맥락을 반영한 실험을 반복해야 장기적으로 유용한 AI 제품에 도달할 수 있다.

원문 읽기(새 탭에서 열림)

대규모 언어 모델AI머신러닝생성형 AI+2

figma·2023년 12월 6일·3분 읽기큐레이션 요약

기대를 현실로: AI 기능을 시장

AI 기능은 유행을 따라 추가할 것이 아니라, 사용자가 실제로 겪는 문제에서 출발해야 한다. Figma·Asana·Duolingo·LinkedIn의 제품 리더들은 AI의 적합성, 오류 허용 수준, 명확한 사용자 가치와 구체적인 문제 정의가 성공적인 출시의 핵심이라고 강조한다. 특히 AI는 기존 경험을 대체하기보다 시간을 절약하고 업무를 개선하는 방식으로 활용될 때 신뢰와 ROI를 얻을 수 있다. ## 사용자 문제에서 출발하기 - AI가 새로운 기능을 만들 수 있다는 이유만으로 도입해서는 안 된다. - 먼저 사용자가 겪는 문제를 파악한 뒤, AI가 최선의 해결 방법인지 검토해야 한다. - Figma의 Conor Woods는 “AI라는 망치로 모든 문제를 해결하려는” 접근을 경계한다. - AI 도입 여부를 판단할 때 다음 세 가지 질문을 제시한다. - **기존의 대규모 데이터셋을 활용할 수 있는 문제인가?** - GPT-4 같은 LLM은 이미 존재하는 정보를 정리하거나 요약하는 데 강하다. - 반면 완전히 새로운 경험을 창조하는 일은 프롬프트 설계만으로 해결하기 어렵다. - **일정 수준의 오류를 허용할 수 있는가?** - 현재 LLM은 부정확한 답변이나 사실과 다른 정보를 생성할 수 있다. - 따라서 100% 정확성이 필요한 의료·법률·규정 준수 등의 문제에는 신중해야 한다. - **나쁜 UX를 AI로 덮으려는 것은 아닌가?** - 근본적인 정보 구조나 제품 설계가 잘못된 상태에서 AI 검색·비서를 추가해도 문제 자체는 해결되지 않는다. - Asana는 더 단순하게 “AI가 사용자의 시간을 줄여주는가?”를 기준으로 삼는다. - Asana의 **Smart Status**는 사용자가 상태 업데이트 초안을 몇 초 만에 작성하도록 돕는다. - 기존에는 주당 약 20분이 걸리던 작업을 2분 정도로 줄일 수 있다. - 사용자가 체감하는 투자 대비 효과가 명확하다는 점이 핵심이다. ## 문제를 구체적으로 정의하기 - 생성형 AI 기능은 여러 요구를 동시에 충족할 수 있기 때문에, 기능 정의가 모호해지기 쉽다. - “텍스트를 요약한다”처럼 기능을 추상적인 문장으로만 설명하면 팀원마다 서로 다른 결과를 상상하게 된다. - 요약 기능만 해도 실제 목적은 다양할 수 있다. - 문서의 전체 내용을 빠르게 파악하기 - 실행해야 할 작업을 식별하기 - 핵심 결정 사항이나 논쟁점을 찾기 - 따라서 AI 기능을 기획할 때는 단순히 모델의 능력을 설명하기보다 다음을 구체화해야 한다. - 사용자는 누구인가? - 어떤 상황에서 이 기능을 사용하는가? - 사용자가 해결하려는 실제 과업은 무엇인가? - AI가 생성해야 하는 결과물은 어떤 형태인가? - 결과가 틀렸을 때 사용자가 감수할 수 있는 위험은 어느 정도인가? - 문제를 구체적으로 정의할수록 제품 요구사항, 사용자 인터페이스, 평가 기준을 일관되게 설계할 수 있다. ## 실용적인 적용 방향 - “AI를 어디에 넣을까?”보다 “사용자의 어떤 반복 작업을 줄일 수 있을까?”에서 시작한다. - AI를 적용하기 전 기존 UX의 구조적 문제를 먼저 해결한다. - 오류가 허용되는 영역인지 확인하고, 사용자 검토·수정 과정을 제품에 포함한다. - 기능 설명을 모델의 기술적 능력이 아니라 사용자의 구체적인 과업과 기대 결과 중심으로 작성한다. - 출시 전에는 시간 절약, 작업 완료율, 수정 횟수, 사용자 신뢰도처럼 측정 가능한 기준을 정해 AI 기능의 실제 가치를 검증한다.

원문 읽기(새 탭에서 열림)

대규모 언어 모델AI사용자 경험생성형 AI+2

figma·2023년 8월 22일·3분 읽기큐레이션 요약

Jambot으로 아이디어

Jambot은 ChatGPT의 생성 능력을 FigJam의 멀티플레이어 캔버스에 결합한 위젯이다. Figma 팀은 선형적인 채팅 인터페이스만으로는 아이디어를 분기하고 연결하거나 여러 사람이 함께 발전시키기 어렵다고 보고, 시각적이고 공간적인 AI 상호작용 방식을 만들었다. 이를 통해 FigJam에서 아이디어를 발산하고, 요약하며, 대화를 확장할 수 있도록 했다. ## 선형 채팅 인터페이스의 한계 - ChatGPT는 아이디어를 주고받으며 즉흥적으로 발전시키는 데 강점이 있다. - 그러나 대화가 한 줄로 이어지는 구조라 여러 선택지를 동시에 비교하거나 주제를 분기하기 어렵다. - 이전에 제시된 다른 선택지로 돌아가려면 대화 기록을 위로 스크롤하고 질문을 반복해야 한다. - 서로 다른 아이디어 간의 관계를 시각적으로 파악하거나, 여러 방향을 병렬로 실험하기에도 적합하지 않다. ## 네트워크형 사고와 시각적 AI - Jambot의 초기 아이디어는 Figma의 AI 해커톤에서 “시각적 버전의 ChatGPT”라는 형태로 제안됐다. - Roam Research와 Logseq 같은 네트워크형 사고 도구에서 영감을 얻었다. - 페이지를 서로 연결할 수 있다. - 아이디어를 조직하고 추적할 수 있다. - 하나의 주제에서 관련 주제로 자연스럽게 이동할 수 있다. - Albus처럼 AI와의 상호작용을 시각적으로 구성하는 도구도 디자인 방향에 영향을 주었다. - 핵심은 채팅 기록을 순서대로 읽는 대신, 아이디어를 캔버스 위에 배치하고 연결하며 확장하는 것이다. ## FigJam과 ChatGPT의 결합 - Jambot은 FigJam 파일 안에서 ChatGPT의 생성 기능을 사용할 수 있게 한다. - 사용자는 다음과 같은 작업을 수행할 수 있다. - 새로운 아이디어 발상 - 아이디어나 회의 내용 요약 - 기존 생각을 다른 방향으로 확장 - AI와 함께 가볍게 브레인스토밍하고 실험 - FigJam의 협업 캔버스 위에서 작동하므로, AI와의 상호작용 결과를 팀원들과 함께 보고 수정할 수 있다. - 개인용 챗봇을 넘어 여러 사람이 함께 사용하는 “멀티플레이어 ChatGPT”를 지향한다. ## 코딩 도구가 아닌 시각적 구성 도구 - Sam Dixon은 LangChain처럼 의미론적·객체지향적인 방식으로 AI를 다루는 도구에서 영감을 받았다. - LangChain은 강력하지만 활용하려면 프로그래밍 지식이 필요하다. - Jambot은 이러한 개념을 코드 대신 시각적이고 직관적인 방식으로 제공하려는 시도다. - 사용자가 AI 시스템의 내부 구조를 직접 프로그래밍하지 않아도, 캔버스에서 결과를 보고 조작하며 아이디어를 발전시킬 수 있도록 한다. ## AI 인터페이스를 다시 설계하기 - Aosheng Ran은 현재의 AI 서비스가 지나치게 채팅창에 의존한다고 지적한다. - ChatGPT는 감정이나 정체성을 가진 것처럼 대화하지만, 실제로는 맥락과 역할을 충분히 드러내지 못하는 경우가 있다. - 과거의 GUI는 커서, 창, 화면 같은 요소를 통해 컴퓨터를 더 쉽게 사용할 수 있게 만들었다. - 반면 현재의 LLM 인터페이스는 초기 운영체제나 명령줄 환경처럼, 대부분 텍스트 입력과 출력에 머물러 있다. - Jambot은 AI와 상호작용하는 새로운 GUI 요소를 탐색하며, AI를 더 공간적이고 협업적인 환경으로 옮기려는 사례다. ## 실용적인 의미 Jambot의 핵심 가치는 AI가 답을 제공하는 데서 끝나지 않고, 팀이 아이디어를 함께 배치하고 비교하며 발전시키도록 돕는 데 있다. 복잡한 브레인스토밍이나 회의에서는 선형 채팅보다 캔버스 기반 AI가 더 적합할 수 있으므로, 여러 방향의 아이디어를 동시에 탐색해야 하는 작업에 유용한 접근이다.

원문 읽기(새 탭에서 열림)

대규모 언어 모델생성형 AIfigjamchatgpt+2