google·2025년 3월 19일원문

구글 픽셀 워 (새 탭에서 열림)

구글 픽셀 워치 3에 도입된 '맥박 소실 감지(Loss of Pulse Detection)' 기능은 심정지 발생 시 이를 자동으로 감지하여 응급 서비스에 연결함으로써 생존율을 획기적으로 높이는 기술입니다. 이 기능은 목격자가 없는 병원 밖 심정지(OHCA) 상황을 '기능적으로 목격된' 상황으로 전환하여, 골든타임 내에 적절한 응급 조치가 이루어질 수 있도록 돕습니다. 네이처(Nature)지에 게재된 연구 결과에 따르면, 이 알고리즘은 높은 정확도와 낮은 오경보율을 동시에 달성하여 일상적인 웨어러블 기기의 새로운 공중보건 활용 가능성을 제시했습니다. **심정지 생존율의 핵심, '목격자'의 역할** - 목격자가 있는 심정지 사건은 그렇지 않은 경우보다 생존율이 약 7.7배 높으며, 이는 즉각적인 응급 신고와 심폐소생술(CPR)이 가능하기 때문입니다. - 심정지 발생 후 매 분마다 생존 확률이 7~10%씩 감소하지만, 무인 상태에서 발생하는 심정지는 구조대가 도착했을 때 이미 소생이 불가능한 경우가 많습니다. - 맥박 소실 감지 기술은 목격자가 없는 심정지 상황을 목격 상황으로 전환함으로써, 산술적으로 6명 감지 시 1명의 생명을 구할 수 있는 수준(NNT=6)의 높은 공중보건 효과를 기대할 수 있습니다. **다중 게이트 방식의 맥박 소실 감지 알고리즘** - **PPG 및 가속도계 데이터 분석:** 광혈류측정(PPG) 센서로 혈류의 박동성 변화를 감지하고, 가속도계로 사용자의 움직임 여부를 동시에 확인합니다. - **1단계(급격한 신호 저하 확인):** 녹색 PPG 신호의 교류(AC) 성분이 급격히 감소하고 사용자의 움직임이 없는 상태가 감지되면 알고리즘이 작동합니다. - **2단계(머신러닝 모델 판단):** 다양한 사용자 데이터로 학습된 머신러닝 알고리즘이 맥박이 있는 상태에서 없는 상태로 전환될 확률을 정밀하게 계산합니다. - **3단계(추가 센서 교차 검증):** 적외선 등 다양한 파장의 LED와 수광 다이오드를 활용하여 매우 미세한 맥박조차 없는지 최종적으로 재확인합니다. **사용자 확인 및 응급 대응 프로세스** - 위 세 가지 단계가 1분 이내에 모두 충족되면 시계는 진동, 소리, 시각적 알림을 통해 사용자의 반응을 확인합니다. - 사용자가 의도적으로 팔을 움직여 반응하면 상황은 즉시 종료되지만, 일정 시간 동안 반응이 없으면 심정지로 간주합니다. - 최종적으로 사용자의 위치 정보와 함께 응급 서비스에 자동으로 전화를 걸어 구조를 요청합니다. **임상 데이터와 실생활 데이터를 통한 검증** - **임상 시험:** 소생 거부(DNR) 환자의 임종 과정과 수술 중 일시적 심정지가 필요한 환자 등을 대상으로 데이터를 수집하여 알고리즘을 최적화했습니다. - **광범위한 실생활 검증:** 150만 명 이상의 사용자로부터 수집된 3,500만 시간 이상의 데이터를 분석하여 일상 활동 중 발생할 수 있는 오경보 가능성을 최소화했습니다. - **성능 수치:** 임상 환경에서 94.4%의 높은 민감도를 기록했으며, 실생활 환경에서의 오경보는 연간 사용자당 약 0.17회(약 6년에 한 번) 수준으로 매우 낮게 유지되었습니다. 이 기술은 웨어러블 기기가 단순히 건강 상태를 모니터링하는 수준을 넘어, 위급 상황에서 직접적인 생명 구조 도구로 진화했음을 보여줍니다. 심혈관 질환 위험이 있는 사용자뿐만 아니라 예기치 못한 사고에 대비하려는 일반 사용자들에게도 실질적인 안전장치가 될 수 있을 것으로 보입니다.

머신러닝AIwearable-technologyphotoplethysmography+5

google·2025년 3월 17일원문

차분 프라이버시 LL (새 탭에서 열림)

구글 리서치는 별도의 미세 조정(Fine-tuning) 과정 없이 기성 대규모 언어 모델(LLM)의 추론만을 활용하여 차분 프라이버시(Differential Privacy, DP)가 보장된 합성 데이터를 생성하는 새로운 접근 방식을 제안했습니다. 이 방법은 여러 개의 민감한 예시를 병렬 프롬프트로 입력하고 그 응답을 프라이버시를 보호하는 방식으로 집계하여, 기존 방식보다 훨씬 많은 양의 고품질 데이터를 생성할 수 있게 합니다. 결과적으로 복잡한 DP 학습 파이프라인 없이도 민감한 데이터를 안전하게 대체할 수 있는 고성능 합성 데이터셋 구축이 가능해졌습니다. ### 병렬 프롬프팅과 토큰 집계 메커니즘 * 민감한 데이터 하나당 하나의 프롬프트를 할당하여 여러 개의 독립적인 프롬프트를 LLM에 동시에 입력합니다. * 각 프롬프트에서 도출된 다음 토큰 예측(Next-token prediction) 결과들을 집계하고, 특정 개인의 데이터가 결과에 과도한 영향을 미치지 않도록 DP 기법을 적용해 토큰을 최종 선택합니다. * 선택된 토큰을 모든 프롬프트 끝에 다시 추가하고 다음 토큰을 예측하는 과정을 반복함으로써, 개별 데이터의 세부 정보는 가리면서도 데이터셋 전체의 통계적 특성은 유지하는 합성 텍스트를 생성합니다. ### 지수 메커니즘을 통한 프라이버시 예산 최적화 * LLM의 표준 생성 과정인 소프트맥스 샘플링(Softmax sampling)과 DP의 핵심 기법인 지수 메커니즘(Exponential mechanism) 사이의 수학적 연결 고리를 활용합니다. * 다음 토큰을 샘플링할 때 발생하는 고유한 무작위성을 프라이버시 보호를 위한 노이즈로 활용하여, 제한된 프라이버시 예산 안에서도 출력 데이터의 양을 극대화했습니다. * 이를 통해 기존 연구들이 10개 미만의 데이터 포인트 생성에 그쳤던 것과 달리, 수천 개의 고품질 합성 데이터를 성공적으로 생성하며 실무 적용 가능성을 입증했습니다. ### 연산 효율성 개선 및 공개 드래프터 도입 * 기존 방식은 매 토큰 생성 시마다 새로운 데이터 배치를 사용해야 했으나, 이번 연구에서는 동일한 문맥을 유지하며 여러 토큰을 생성할 수 있는 새로운 프라이버시 분석 기법을 도입했습니다. * 이를 통해 KV 캐싱(KV caching)과 같은 표준적인 추론 최적화 기술을 그대로 적용할 수 있어 연산 속도와 효율성을 비약적으로 높였습니다. * 또한, 민감한 데이터가 아닌 공개 데이터에만 기반해 토큰을 제안하는 '공개 드래프터(Public Drafter)' 모델과 희소 벡터 기법(Sparse Vector Technique)을 결합했습니다. 문장 구조나 서식 등 일반적인 정보 생성에는 프라이버시 예산을 소모하지 않도록 설계하여 효율성을 더욱 강화했습니다. 이 방식은 민감한 개인 정보를 다루는 조직이 복잡한 DP 모델 학습 없이도 안전한 합성 데이터를 생성하여 데이터 과학자나 외부 협업 팀에 제공할 수 있는 실무적인 인터페이스 역할을 할 수 있습니다. 특히 데이터 형식이 정형화된 작업에서 높은 성능을 보이므로, 보안이 중요한 환경에서의 데이터 활용도를 높이는 데 적극 권장됩니다.

머신러닝AI대규모 언어 모델differential-privacy+5

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.

머신러닝AI대규모 언어 모델github-copilot+4

coupang·2024년 11월 15일원문

기계 학습 모델을 활용한 물류 입고 프로세스 최적화 (새 탭에서 열림)

쿠팡은 물류 센터 입고 과정에서 발생하는 자원 낭비를 최소화하고 배송 효율을 극대화하기 위해 머신러닝 기반의 트럭 수량 예측 모델을 도입했습니다. 입고 예약 단계에서 필요한 슬롯(트럭 하역 시간 단위) 수를 정확히 예측함으로써, 자원 부족으로 인한 입고 지연과 유휴 자원 발생 문제를 동시에 해결했습니다. 이를 통해 쿠팡은 직매입 제품의 풀필먼트 센터 입고 프로세스를 최적화하고 고객에게 더 빠른 배송 서비스를 제공하는 기반을 마련했습니다. **물류 입고 프로세스의 병목 현상과 자원 낭비** * 풀필먼트 센터의 한정된 도크(dock)와 시간당 사용 가능한 슬롯은 물류 효율의 핵심 자원입니다. * 입고에 필요한 슬롯을 과소 예측할 경우 하역 작업이 지연되어 전체 물류 흐름에 차질이 생기며, 과대 예측 시에는 다른 업체가 사용할 수 있는 소중한 자원이 낭비되는 문제가 발생합니다. * 이를 해결하기 위해 업체 및 제품 특성을 반영한 데이터 기반의 정교한 예측 시스템이 필요했습니다. **도메인 지식과 데이터 분석을 통한 특징 추출** * 약 2년간 축적된 80만 건의 입고 신청 데이터를 분석하여 학습 데이터 세트를 구성했습니다. * 탐색적 데이터 분석(EDA)뿐만 아니라 물류 현장 전문가들과의 심층 인터뷰를 병행하여 현장의 실질적인 입고 패턴을 파악했습니다. * 피처 엔지니어링 단계에서는 단순 통계 수치를 넘어 업체 특성, 제품군별 물성 등 트럭 수량에 영향을 미치는 다수의 범주형(categorical) 특징들을 도출해 냈습니다. **LightGBM을 활용한 고성능 모델 학습** * 대량의 데이터 세트를 빠르게 처리하고 범주형 특징에 대해 우수한 성능을 보이는 LightGBM 알고리즘을 채택했습니다. * 기존 트리 기반 알고리즘의 수평적 확장(Level-wise) 방식 대신 수직적 확장(Leaf-wise) 방식을 사용하는 LightGBM의 특성을 활용해 학습 속도를 높이고 손실을 최소화했습니다. * 모델의 성능을 극대화하기 위해 베이지안 최적화(Bayesian Optimization) 기법을 적용하여 하이퍼 파라미터 튜닝을 효율적으로 수행했습니다. **시스템 연계 및 운영 최적화** * 학습된 모델을 실제 입고 예약 시스템과 실시간으로 연계하여 업체가 예약을 신청하는 즉시 최적의 트럭 수량을 확인할 수 있도록 자동화했습니다. * 단순히 정확도만 높이는 것이 아니라, 현장의 안정성을 위해 과소 예측과 과대 예측 사이의 트레이드 오프(Trade-off)를 정교하게 관리하여 운영 리스크를 방어했습니다. 데이터에 기반한 입고 프로세스 자동화는 물류 운영의 가시성을 높이고 인적 판단 오류를 줄이는 데 큰 기여를 합니다. 특히 물류와 같이 변동성이 큰 산업군에서는 LightGBM과 같은 고성능 알고리즘과 현장 도메인 전문가의 통찰을 결합하는 것이 실질적인 비즈니스 성과를 내는 핵심 전략이 될 수 있습니다.

머신러닝AIpredictive-modelingfeature-engineering+3

coupang·2024년 11월 15일원문

쿠팡의 머신러닝 플랫폼을 통한 ML 개발 가속화 (새 탭에서 열림)

쿠팡은 검색, 가격 책정, 물류 등 비즈니스 전반에 머신러닝(ML)을 적극적으로 활용하며, 개발 효율을 극대화하기 위해 통합 ML 플랫폼을 구축했습니다. 이 플랫폼은 데이터 준비부터 모델 배포 및 모니터링까지의 전 과정을 자동화하고 표준화하여, 개발자가 인프라 관리보다는 모델 로직에 집중할 수 있는 환경을 제공합니다. 이를 통해 쿠팡은 대규모 컴퓨팅 자원을 효율적으로 관리하면서도 고객 경험을 개선하기 위한 혁신적인 기능들을 빠르게 시장에 선보이고 있습니다. **ML 개발 가속화를 위한 도전 과제** * **Time-to-Market 단축:** 아이디어 단계에서 모델을 실제 서비스에 적용하기까지 발생하는 복잡한 인프라 설정 과정을 간소화해야 함. * **표준화된 CI/CD 통합:** 머신러닝 모델의 학습, 검증, 배포 과정을 소프트웨어 공학의 지속적 통합 및 배포 체계와 결합하여 운영 안정성을 확보. * **확장성 있는 컴퓨팅 자원:** 대규모 데이터와 복잡한 딥러닝 모델 학습을 위해 GPU 및 CPU 자원을 효율적으로 할당하고 확장할 수 있는 시스템 필요. **효율적인 파이프라인 및 피처 관리** * **노트북 및 워크플로우:** 주피터 노트북(Jupyter Notebook) 환경과 Kubeflow 기반 파이프라인을 제공하여, 데이터 탐색부터 모델 학습까지의 워크플로우를 코드 형태로 관리하고 자동화함. * **피처 스토어(Feature Store):** 실시간 추론과 배치 학습 환경 간의 데이터 불일치를 방지하고, 검증된 피처를 재사용할 수 있는 중앙 집중형 저장소 운영. * **일관성 유지:** 온라인과 오프라인 환경에서 동일한 피처 엔지니어링 로직을 적용하여 모델 성능의 신뢰성을 높임. **모델 훈련 및 실시간 추론 인프라** * **분산 훈련 지원:** 고성능 GPU 클러스터를 활용한 분산 훈련 환경을 구축하여 Ko-BERT와 같은 대규모 언어 모델의 학습 시간을 획기적으로 단축. * **안정적인 추론 서비스:** 실시간 트래픽 처리를 위한 고가용성 서빙 환경과 대량의 데이터를 한 번에 처리하는 배치 추론 시스템을 동시에 지원. * **자동화된 배포:** 훈련된 모델을 검증한 후 클릭 몇 번으로 실제 운영 환경에 배포할 수 있는 셀프 서비스 기능 제공. **지속적인 모니터링 및 자원 최적화** * **가시성 확보:** 모델의 성능 지표뿐만 아니라 입력 데이터의 분포 변화(Data Drift)를 실시간으로 감지하여 모델 재학습 시점을 파악. * **Kubernetes 기반 관리:** 모든 ML 워크로드를 컨테이너화하여 Kubernetes 환경에서 실행함으로써 하드웨어 자원 활용도를 최적화하고 운영 부담을 최소화. **플랫폼 도입을 통한 주요 성과** * **검색 품질 향상:** 한국어에 특화된 Ko-BERT 모델 학습 과정을 플랫폼을 통해 최적화하여 검색 쿼리 이해도와 검색 결과의 정확도를 개선. * **실시간 가격 예측:** 수백만 개의 상품에 대해 시장 상황을 즉각적으로 반영하는 가격 예측 모델을 안정적으로 운영하여 비즈니스 민첩성 확보. 대규모 조직에서 ML 모델 개발 속도를 높이려면 개별 모델의 성능만큼이나 전체 생애주기를 관리하는 플랫폼의 역할이 중요합니다. 쿠팡처럼 다양한 서비스 도메인을 가진 환경에서는 표준화된 ML 플랫폼을 통해 인프라 복잡성을 추상화하고, 데이터 사이언티스트가 비즈니스 가치 창출에만 몰입할 수 있는 환경을 구축하는 것이 가장 효과적인 전략입니다.

머신러닝AICI/CDmlops+5

coupang·2024년 11월 14일원문

머신러닝 모델을 (새 탭에서 열림)

쿠팡은 물류 센터 입고 프로세스의 효율성을 극대화하기 위해 머신러닝 모델을 활용하여 벤더사가 예약해야 할 최적의 트럭 대수(슬롯)를 예측합니다. 한정된 물류 센터 도크 자원을 효율적으로 배분함으로써 자원 낭비를 줄이고 입고 지연 문제를 동시에 해결하는 것이 이 시스템의 핵심 목표입니다. 데이터 기반의 자동화된 예측 시스템은 입고 예약 단계에서부터 정확한 가이드를 제공하여 전체 공급망의 흐름을 개선하고 있습니다. **물류 입고 프로세스의 병목 현상과 과제** - 물류 센터의 도크(Dock)와 시간당 사용 가능한 슬롯은 물리적으로 제한된 자원입니다. - 벤더사가 실제 필요량보다 많은 슬롯을 예약하면 도크 자원이 낭비되어 다른 물품의 입고 기회가 박탈됩니다. - 반대로 실제보다 적은 슬롯을 예약할 경우, 트럭 대기 시간이 길어지고 하역 작업에 병목이 발생하여 전체 물류 흐름이 지연되는 문제가 발생합니다. - 이를 해결하기 위해 상품의 종류, 수량, 벤더의 과거 이력 등을 종합적으로 고려한 정교한 예측 모델이 필요해졌습니다. **머신러닝 기반의 트럭 대수 예측 모델링** - **피처 추출(Feature Extraction):** 수년간 축적된 방대한 물류 데이터와 입고 요청 이력을 분석하여 실제 투입된 트럭 대수에 영향을 미치는 핵심 변수들을 도출했습니다. - **LightGBM 알고리즘 활용:** 대용량 데이터 세트에서도 학습 속도가 빠르고 예측 정확도가 높은 LightGBM 알고리즘을 채택하여 효율적인 모델을 구축했습니다. - **베이지안 최적화(Bayesian Optimization):** 모델의 성능을 극대화하기 위해 하이퍼파라미터 탐색 과정에서 베이지안 최적화 기법을 적용하여 최적의 설정값을 찾았습니다. **예약 시스템 통합 및 최적화 전략** - **실시간 예약 가이드:** 구축된 모델을 입고 예약 시스템에 통합하여, 벤더가 입고 요청을 하는 즉시 필요한 적정 트럭 대수를 자동으로 제시합니다. - **예측 오차의 관리(Trade-off):** 과소 예측으로 인한 입고 지연(Delay)과 과대 예측으로 인한 자원 낭비(Waste) 사이의 균형점을 찾기 위한 최적화 로직을 적용했습니다. - **운영 효율성 증대:** 자동화된 시스템 도입을 통해 사람이 수동으로 예측할 때 발생할 수 있는 주관적 오차를 줄이고 슬롯 가동률을 높였습니다. 이러한 데이터 중심의 접근 방식은 한정된 물류 인프라 내에서 더 많은 상품을 적시에 처리할 수 있게 함으로써, 결과적으로 고객에게 더욱 빠른 배송 서비스를 제공하는 밑거름이 됩니다. 물류 현장의 복잡한 변수들을 머신러닝으로 정교화하는 과정은 기술이 어떻게 실질적인 비즈니스 가치를 창출하는지 잘 보여주는 사례입니다.

머신러닝AIpredictive-modelingbayesian-optimization+3

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.

머신러닝AI대규모 언어 모델생성형 AI+5

coupang·2024년 11월 14일원문

쿠팡의 머신러 (새 탭에서 열림)

쿠팡의 머신러닝 플랫폼은 데이터 탐색부터 모델 배포에 이르는 전체 ML 생애주기를 가속화하여 개발 생산성을 혁신적으로 높이는 것을 목표로 합니다. 이를 통해 검색, 가격 책정, 물류 최적화 등 쿠팡의 다양한 서비스에 머신러닝을 효율적으로 적용하고 있으며, 인프라 관리 부담을 줄여 엔지니어들이 모델 고도화에만 집중할 수 있는 환경을 제공합니다. 결과적으로 이 플랫폼은 복잡한 비즈니스 문제를 해결하는 핵심 기술 기반으로서 쿠팡의 비즈니스 성장을 견인하고 있습니다. **플랫폼 구축의 동기와 목표** * **생산 모드 전환 시간 단축**: 실험 단계의 모델을 실제 서비스 환경에 배포하기까지 걸리는 시간을 줄여 비즈니스 요구사항에 빠르게 대응합니다. * **ML 개발의 CI/CD 도입**: 소프트웨어 공학의 지속적 통합 및 배포(CI/CD) 개념을 ML에 접목하여, 모델 학습과 배포 과정을 자동화하고 일관된 품질을 유지합니다. * **컴퓨팅 자원의 효율적 확장**: 하부 인프라에 대한 개입 없이도 대규모 학습 및 추론을 수행할 수 있도록 유연한 확장성을 제공하여 비용과 성능을 최적화합니다. **플랫폼의 핵심 기능 및 구성 요소** * **관리형 노트북 및 파이프라인 SDK**: 데이터 과학자들이 익숙한 Jupyter 기반 환경에서 작업할 수 있도록 지원하며, 전용 SDK를 통해 복잡한 ML 파이프라인을 손쉽게 정의하고 실행할 수 있습니다. * **피처 스토어(Feature Store)**: 학습과 추론 단계에서 동일한 피처 데이터를 재사용하고 공유할 수 있는 중앙 저장소를 제공하여, 데이터 정합성 문제를 해결하고 개발 효율을 높입니다. * **모델 학습 및 추론 서비스**: 다양한 ML 프레임워크를 지원하는 매니지드 학습 환경과, 대규모 트래픽을 처리할 수 있는 실시간 및 배치 추론 인프라를 운영합니다. * **모니터링 및 관측 가능성**: 배포된 모델의 성능 저하(Drift)나 이상 징후를 실시간으로 추적하여 모델의 신뢰성을 보장하고 신속한 재학습 여부를 결정합니다. **주요 성공 사례** * **Ko-BERT를 통한 검색 고도화**: 한국어 특화 언어 모델인 Ko-BERT를 학습시켜 고객의 검색 쿼리 의도를 더 정확하게 파악하고 상품 검색의 질을 향상시켰습니다. * **실시간 가격 예측**: 수백만 개의 상품에 대해 시장 변화를 즉각적으로 반영하는 실시간 가격 예측 모델을 성공적으로 배포하여 비즈니스 의사결정을 지원하고 있습니다. 쿠팡 ML 플랫폼은 단순히 도구의 집합을 넘어, 데이터 과학자가 비즈니스 가치 창출에만 전념할 수 있도록 돕는 강력한 엔지니어링 생태계입니다. 대규모 데이터와 복잡한 모델을 다루는 조직이라면 쿠팡의 사례처럼 파이프라인 자동화와 피처 정합성을 보장하는 통합 플랫폼 구축을 통해 개발 사이클을 획기적으로 단축할 수 있습니다.

머신러닝AICI/CD자연어 처리+5

figma·2024년 6월 25일·3분 읽기큐레이션 요약

입력과 출력에 관한 오

AI의 성능과 영향력은 모델보다 입력 데이터의 품질에 훨씬 크게 좌우된다. 오베타 샘슨은 제품 개발자가 문제에 필요한 최소한의 데이터, 즉 최종 사용자와 사업 목적을 충분히 대표하면서도 불필요한 인간적 위험을 키우지 않는 ‘최소 실행 가능 데이터(minimum viable data)’를 고민해야 한다고 주장한다. 데이터는 중립적이지 않으며, 누구를 포함하고 배제했는지가 AI의 결과와 피해를 결정한다. ## 데이터는 사람과 분리될 수 없다 - 데이터는 저절로 존재하지 않는다. 사람이 생성하고, 수집하고, 분류하고, 가공하고, 해석한다. - 따라서 데이터의 누락이나 편향은 단순한 기술적 결함이 아니라 특정 집단의 경험과 존재가 배제된 결과일 수 있다. - 제품 개발자가 데이터 포인트를 사람과 분리해 바라보면, 사회적·문화적·경제적 차별이 반영된 ‘트라우마를 가진 데이터셋’을 만들 수 있다. - 샘슨은 “데이터 없이는 AI와 ML이 없고, 사람 없이는 데이터도 없다”고 강조한다. ## 역사적 배제가 모델의 편향을 만든다 - 미국의 신용평가 모델은 여성의 금융 접근이 제한되던 시대의 데이터를 바탕으로 발전했다. - FICO 점수의 기반이 된 수학 공식은 1958년에 작성됐다. - 하지만 미국 여성은 1970년대까지 주택담보대출을 받거나 신용카드를 독자적으로 신청하기 어려웠다. - 미국 인구조사는 1790년부터 이어졌지만 LGBTQ 개인을 공식적으로 인정한 것은 2021년에 이르러서였다. - 이처럼 과거 데이터에 특정 집단이 기록되지 않았다고 해서 그들이 존재하지 않았던 것은 아니다. - 오래되고 규모가 큰 데이터셋이라도 대표성이 부족하면, 이를 학습한 모델은 현실의 일부 사람들에게 불리한 결정을 내릴 수 있다. ## 모델보다 입력 데이터가 더 중요하다 - 샘슨은 AI 출력의 품질이 거의 전적으로 입력, 즉 데이터에 달려 있다고 설명한다. - 학습 데이터의 구성과 품질이 모델의 예측 방식과 결과를 사실상 결정한다. - 따라서 다음 질문이 모델 개발보다 먼저 다뤄져야 한다. - 무엇을 좋은 데이터와 나쁜 데이터로 판단할 것인가? - 어떤 사람이 데이터 수집과 포함 여부를 결정하는가? - 문제를 해결하는 데 데이터가 얼마나 필요한가? - 데이터가 대상 사용자를 공정하게 대표하는가? - 데이터가 부족하거나 편향된 상태에서 더 정교한 모델을 사용해도 근본적인 문제는 해결되지 않는다. ## ‘최소 실행 가능 데이터’의 기준 - 먼저 해결하려는 문제가 실제로 무엇인지 명확히 정의해야 한다. - AI나 ML을 적용할 수 있다는 이유만으로 반드시 사용해야 하는 것은 아니다. - 다음 조건을 충족하는지 검토해야 한다. - 해당 문제에 AI·ML이 적합하고 바람직한가? - 수집하려는 데이터가 공정하고 품질이 높은가? - 최종 사용자 집단을 충분히 대표하는가? - 더 많은 데이터를 모으는 과정에서 개인정보 침해나 차별 등 인간적 위험이 커지지 않는가? - 문제 해결에 필요한 최소 범위를 넘어 과도한 데이터를 수집하고 있지는 않은가? - 핵심은 가장 큰 데이터셋이나 가장 복잡한 모델이 아니라, 목적에 맞는 충분하고 공정한 데이터다. ## 데이터 작업을 제품 개발의 중심에 두기 - AI 업계에서는 모델 설계와 기능 구현이 주목받지만, 데이터 정제·라벨링·검증 같은 작업은 상대적으로 간과되기 쉽다. - 그러나 데이터의 출처, 수집 방식, 라벨 기준, 누락된 집단을 점검하지 않으면 모델 개발 전체가 잘못된 방향으로 진행될 수 있다. - 샘슨은 데이터와 알고리즘의 사회적 영향을 이해하기 위해 다음 자료를 추천한다. - 캐시 오닐, 『대량살상 수학무기』 - 메리 L. 그레이·시드하르트 수리, 『고스트 워크』 - “Everyone wants to do the model work, not the data work” 제품을 만들 때는 “AI를 사용할 수 있는가?”보다 “누구를 위해 어떤 문제를 해결하며, 그에 필요한 데이터가 공정하고 충분한가?”를 먼저 물어야 한다. 필요한 범위의 대표성 높은 데이터를 정의하고, 배제된 사용자와 잠재적 피해를 지속적으로 검토하는 것이 책임 있는 AI 개발의 출발점이다.

원문 읽기(새 탭에서 열림)

머신러닝AI생성형 AIdata-quality+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)

머신러닝AI대규모 언어 모델생성형 AI+2

figma·2023년 8월 3일·3분 읽기큐레이션 요약

당신의 업무 스타일, 별자

점성술은 개인의 운세를 보는 도구를 넘어, 자신을 이해하고 타인과 연결되는 사회적·협업적 경험으로 확장되고 있다. Figma의 FigStrology는 FigJam 파일의 스티키와 활동, 현재의 ‘우주적 조건’을 머신러닝으로 분석해 협업자의 점성술적 페르소나와 운세를 보여준다. 이 위젯은 점성술을 진지한 예언보다는 팀活动을 마무리하고 서로의 성향을 재미있게 돌아보는 장치로 활용한다. ## 점성술이 다시 주목받는 이유 - 점성술은 4,000년 이상 이어져 왔지만 전통적으로는 사랑, 진로, 삶의 방향을 개인적으로 상담하는 경험에 가까웠다. - 최근에는 점성술을 함께 소비하고 공유하는 문화가 성장했다. - 미국인의 29%가 점성술을 믿는다는 조사 결과가 소개되며, 이는 2022년 미국 Snapchat 이용자 비율보다 높다고 설명된다. - CHANI, Co–Star 같은 앱을 통해 수백만 명이 자신의 별자리와 운세를 확인한다. - 점성술은 사용자가 내용을 그대로 믿지 않더라도 자신을 돌아보고, “이 설명이 나와 맞는가?”를 생각하게 하는 가벼운 자기 탐색 도구가 될 수 있다. ## 인정받고 연결되고 싶은 욕구 - Jacky Huang은 코로나19 시기에 유튜브의 타로 리딩 영상을 보며 점성술과 타로에 관심을 갖게 됐다. - 운세와 별자리 해석은 자신도 미처 인식하지 못했던 면을 누군가가 말해주는 경험을 제공한다. - 사람들은 타인에게 인정받고, 자신의 이야기를 들어주며, 이해받고 싶어 한다. - 해석이 실제로 맞는다고 느껴질 때는 공감과 재미를 얻고, 맞지 않으면 가볍게 넘길 수 있다는 점도 점성술의 매력으로 제시된다. - Willy Wu는 불확실한 세상에서 같은 별자리를 가진 사람들이 있다는 사실이 소속감과 연결감을 준다고 설명한다. - 운세는 유머러스하면서도 현명한 조언처럼 느껴져, 믿음의 정도와 관계없이 심리적 안내 역할을 할 수 있다. ## Figma 커뮤니티에서의 점성술 활용 - Figma 사용자들은 점성술과 타로 같은 전통적 점술 도구를 협업 경험과 결합하고 있다. - Product Designer Danielle Baskin은 Figma로 사회적 타로 참여 공간인 **Moonlight**를 만들었다. - Moonlight는 타로를 예언의 수단이라기보다 성찰을 위한 새로운 사회적 의식으로 제안한다. - Figma가 2022년 말 공개한 페르소나 퀴즈에는 26,000명 이상이 참여했다. - 이러한 사례들은 Figma가 디자인·협업 도구를 넘어 자기 표현과 관계 형성을 위한 공간으로도 활용될 수 있음을 보여준다. ## FigStrology의 작동 방식 - FigStrology는 FigJam에서 사용할 수 있는 협업 위젯이다. - FigJam 파일 안의 스티키와 사용자의 활동을 분석해 고유한 점성술적 페르소나와 운세를 생성한다. - 현재의 ‘우주적 조건’도 결과에 반영해, 파일과 시점에 따라 다른 해석을 제공한다. - 머신러닝을 활용하지만 목적은 과학적 예측이나 실제 운명 판정이 아니라, 협업 과정에서 재미와 대화를 유도하는 것이다. - Jacky는 사용자의 행동과 활동을 분석해 결과를 보여주는 Photo Booth 위젯에서 아이디어를 얻었다. - 즉, FigStrology는 “이 FigJam 파일에서 우리가 어떻게 행동했는가”를 별자리와 페르소나라는 친숙한 형식으로 변환한다. ## 협업을 위한 가벼운 성찰 도구 - FigStrology는 협업 세션을 마무리하며 팀원들이 자신의 작업 방식과 팀의 분위기를 돌아보게 하는 용도로 제안된다. - 서로의 강점과 약점이 다르다는 점을 점성술적 언어로 재미있게 표현할 수 있다. - 결과를 절대적인 성격 진단으로 받아들이기보다, 팀원 간 대화를 시작하는 계기로 활용하는 것이 적절하다. - 개인의 행동 데이터를 바탕으로 결과를 만든다는 점에서, 일반적인 별자리 운세보다 해당 협업 상황에 맞춘 개인화된 경험을 제공한다. - 글의 후반부는 각 FigStrology 별자리에 반영되는 요소와 다양성을 강조하려는 제작 의도를 설명하는 부분에서 끝나 있어, 세부 기준 전체는 확인되지 않는다. 실용적으로는 FigStrology 같은 도구를 팀 평가나 의사결정에 사용하기보다, 워크숍 종료 후 아이스브레이킹·회고·친목 활동에 활용하는 것이 좋다. 결과를 정답이 아닌 대화의 출발점으로 삼을 때 협업 분위기와 자기 성찰을 함께 높일 수 있다.

원문 읽기(새 탭에서 열림)

머신러닝Figmafigjamcollaborative-design+1

figma·2023년 7월 31일·3분 읽기큐레이션 요약

존 마에다가 말하는 창의

AI는 창작자의 효율성과 가능성을 크게 높이지만, 동시에 누구나 비슷한 결과물을 빠르게 복제하게 만들어 창의적 직업을 위협할 수 있다. John Maeda는 AI가 반복적이고 지루한 작업을 대신하도록 활용하되, 인간은 효율적인 지름길이 아닌 더 어렵고 의미 있는 ‘오르막 사고(uphill thinking)’에 집중해야 한다고 주장한다. 창의성의 미래는 AI와 경쟁하는 데 있지 않고, AI가 잘하지 못하는 문제 정의·맥락 이해·새로운 방향 제시에 인간의 시간을 투자하는 데 있다. ## AI 시대의 창의성이 맞닥뜨린 역설 - AI는 창작자에게 전례 없는 효율성과 무한한 가능성을 제공한다. - 반대로 AI가 만든 결과물은 쉽게 반복·복제될 수 있어, 개성 없는 ‘규격화된 디자인’이 확산될 위험이 있다. - AI가 창작자의 작업을 대신할지, 창작자를 더 강력하게 만들지는 아직 양면적이다. - ChatGPT의 등장 이후 디자이너들은 AI와 협업하기 위해 프롬프트와 데이터셋, 모델 미세 조정 등 ‘기계의 언어’를 배우고 있다. - 그러나 AI를 활용해 만든 창작 방식은 창작자 본인이 없어도 재현될 수 있다는 점에서 기존의 창작자 중심 가치관을 흔든다. ## 기술을 독점하기보다 창작 도구로 공유하기 - Maeda는 1990년대 알고리즘으로 이미지를 만드는 독특한 방식을 개발했다. - 그는 자신의 비법을 독점하는 대신 MIT에서 오픈소스로 공개해 다른 사람들이 이를 바탕으로 새로운 창작을 하도록 했다. - MIT Scratch와 Processing 같은 프로젝트에도 참여하며, 코딩을 단순한 기술이 아니라 창의적 실천으로 바라보았다. - 이 관점에서는 창작자의 가치는 특정 기법을 숨기는 데만 있지 않고, 새로운 도구와 가능성을 만들어 공동체에 확산하는 데 있다. ## AI가 대신해야 할 일과 인간이 맡아야 할 일 - 컴퓨터가 잘하는 일은 대체로 다음과 같은 반복 작업이다. - 슬라이드와 목업의 다양한 버전 제작 - 이미지 리터칭 - 정형화된 결과물의 대량 생성 - 이런 업무를 AI가 맡으면 디자이너는 단순 실행보다 문제의 본질과 미래의 가능성에 집중할 수 있다. - Jessie Shefrin의 말처럼, 완벽한 해결책에 도달했을 때는 이미 문제가 바뀌어 있을 수 있다. - 따라서 현재의 문제를 더 빠르게 해결하는 것만큼, 앞으로 어떤 문제가 등장할지 탐색할 시간을 확보하는 것이 중요하다. ## 효율적인 지름길과 ‘오르막 사고’ - AI는 가장 짧고 효율적인 경로를 찾도록 설계되어 있다. - 수천, 수백만 개의 가능성을 빠르게 평가해 비용과 시간을 최소화하는 것이 AI의 강점이다. - 하지만 가장 효율적인 해답이 항상 가장 창의적이거나 영향력 있는 해답은 아니다. - 지나치게 효율적인 경로는 예상 밖의 발견, 실험, 우연한 영감을 제거할 수 있다. - 인간의 창의성은 때로 더 어렵고 느린 길을 선택하는 데서 나온다. 즉, 목적지에 곧바로 도달하기보다 일부러 ‘오르막길’을 택하며 새로운 의미와 가능성을 발견해야 한다. ## 디자이너가 AI 시대에 취할 태도 - AI를 인간의 창의성을 대체하는 경쟁자로만 보지 말고 협업 도구로 활용해야 한다. - 반복 작업을 자동화해 창작자가 더 높은 수준의 판단과 실험에 시간을 쓰도록 해야 한다. - AI가 만들어낸 결과를 그대로 받아들이기보다, 맥락·문화·사용자 경험에 맞게 비판적으로 해석해야 한다. - 기계가 쉽게 복제할 수 있는 산출물보다 문제를 새롭게 정의하고 방향을 제시하는 능력이 중요해진다. - 효율성만을 목표로 삼지 말고, 의도적으로 비효율적인 탐색과 실험을 허용해야 한다. AI는 디자인의 종말이라기보다 디자인 업무의 중심을 바꾸는 기술이다. 반복 작업은 AI에 맡기되, 인간은 문제 정의와 의미 부여, 예측할 수 없는 아이디어를 탐색하는 ‘오르막길’에 집중하는 것이 바람직하다.

원문 읽기(새 탭에서 열림)

머신러닝AI생성형 AIcreative-coding+3

figma·2023년 6월 20일·3분 읽기큐레이션 요약

AI: 디자인의 새로운

AI는 디자인 도구의 한 기능이 아니라 제품 개발 전반을 바꾸는 플랫폼이라는 것이 글의 핵심 주장이다. Figma는 Diagram을 인수하고 AI 역량을 강화해 아이디어 발굴부터 디자인, 개발 코드 생성까지 팀의 작업을 가속하려 한다. AI가 디자이너를 대체하기보다는 반복 작업을 줄이고 문제 해결과 창의적 판단에 더 집중하게 만들 것이라는 전망을 제시한다. ## Figma의 Diagram 인수와 AI 전략 - Figma는 GPT-3 기반 디자인 생성 플러그인 **Designer**를 만든 Jordan Singer의 팀 Diagram을 인수했다. - Diagram의 Jordan Singer, Siddarth, Andrew, Marco, Vincent가 Figma에 합류했다. - Figma는 이미 머신러닝 전담 팀을 운영하고 AI 플랫폼 개발에 투자해 왔다. - Figma의 오픈 API를 활용해 커뮤니티가 만든 AI 플러그인도 약 100개에 이른다. - AI를 단일 기능이 아니라 제품 개발 프로세스 전체를 지원하는 핵심 플랫폼으로 보고 있다. ## 제품 개발 전 과정의 AI 활용 - **발견 단계** - 간단한 프롬프트로 초기 아이디어를 생성한다. - 여러 아이디어를 요약하고 종합한다. - **디자인 단계** - 기존 디자인과 디자인 시스템을 분석한다. - 적절한 컴포넌트나 디자인 방향을 추천한다. - 더 빠르게 첫 시안을 만들 수 있도록 지원한다. - **개발 단계** - 디자인의 맥락을 개발자에게 더 빠르게 전달한다. - 제품 요구사항과 디자인을 바탕으로 더 나은 프로덕션 코드를 생성한다. - 결과적으로 AI는 반복 작업을 줄이고 팀이 더 빠르게 문제 해결과 제품 완성도 향상에 집중하도록 돕는다. ## 기술 발전과 디자인의 변화 - 인쇄기, 스마트폰, 협업 도구, 하이브리드 근무처럼 디자인은 기술 변화에 따라 계속 진화해 왔다. - 새로운 기술이 등장해도 사려 깊은 디자인의 필요성이 사라진 것은 아니었다. - AI 역시 디자인을 없애기보다 디자이너의 작업 방식과 역할을 변화시킬 것으로 본다. ## 픽셀에서 패턴으로: 더 높은 수준의 설계 - 디자인 시스템은 모서리 반경이나 버튼 같은 반복적인 세부 작업을 줄이고, 디자이너가 콘셉트와 방향성에 집중하게 했다. - 원자적 요소인 픽셀이 컴포넌트와 같은 더 큰 구조로 결합되면서 작업 속도와 일관성이 향상됐다. - AI는 디자인 시스템보다 더 높은 수준의 구조와 패턴을 제안할 수 있다. - 예를 들어 로그인 화면의 이메일 입력창과 비밀번호 입력창을 만드는 데 그치지 않고, 이메일·전화번호·Touch ID를 대체할 새로운 로그인 방식을 제안할 수 있다. - 프로젝트의 감정적 분위기나 주제에 맞는 색상 팔레트를 자동으로 추천하는 것도 가능하다. - 디자인은 개별 픽셀을 조정하는 작업에서 벗어나 더 직관적이고 인간적인 경험을 설계하는 방향으로 이동한다. ## 새로운 디지털 경험의 등장 - ChatGPT와 같은 AI는 웹사이트와 앱을 탐색하는 기존 방식에서 벗어나 질문하고 답을 받는 인터페이스를 강화한다. - AI는 사용자의 의도와 실제 행동 사이의 간극을 줄일 수 있다. - 예를 들어 사용자가 차량 호출 앱에서 위치와 옵션을 여러 단계로 입력하는 대신, “JFK 공항으로 데려다줘”라고 말하면 AI가 필요한 절차를 처리할 수 있다. - 제품 설계자는 기능과 화면 수를 늘리는 대신, 사용자의 목적을 더 적은 클릭과 판단으로 달성하게 할 방법을 고민해야 한다. ## 디자이너와 제품 역할의 변화 - 글은 AI 시대에 제품 역할과 협업 방식도 변화할 것이라고 예고한다. - 반복적인 제작 업무가 자동화되면 디자이너는 결과물을 직접 만드는 일뿐 아니라 AI가 제안한 결과를 선택하고 다듬는 큐레이터 역할을 더 많이 맡게 될 가능성이 있다. - 디자인의 핵심 가치는 여전히 문제를 정의하고, 적절한 방향을 판단하며, 사람에게 의미 있는 경험을 만드는 데 있다. AI를 도입할 때는 단순히 디자인 산출물을 자동 생성하는 데 그치지 말고, 아이디어 정리·패턴 탐색·프로토타이핑·개발 전달 등 전체 흐름에서 반복 작업을 줄이는 방향을 고려하는 것이 실용적이다. 최종 품질과 사용자 경험을 결정하는 문제 정의와 판단은 여전히 사람의 중요한 역할로 남는다.

원문 읽기(새 탭에서 열림)

머신러닝AI디자인 시스템생성형 AI+4

figma·2023년 3월 1일·4분 읽기큐레이션 요약

디자인 시스템의 미래는

플러그인, 위젯, AI 기반 도구의 발전으로 디자인 시스템은 단순한 컴포넌트 모음에서 반복 작업을 자동화하고 디자인 의사결정을 보조하는 실행 환경으로 진화하고 있다. 이러한 자동화는 디자이너와 개발자의 역할을 없애기보다, 생산성을 높이고 더 높은 수준의 문제 정의·판단·창의적 작업에 집중하게 만들 가능성이 크다. 다만 자동 생성 결과를 검토하고 맥락에 맞게 조정하는 인간의 역할은 여전히 중요하다. ## 플러그인과 위젯의 등장 - 플러그인은 기존 소프트웨어의 기능을 확장하는 추가 도구이며, 디자인 소프트웨어와 함께 발전해 왔다. - 초기 플러그인은 텍스트 편집기와 출판 프로그램에서 효과, 브러시, 스타일 등을 추가하는 방식으로 사용됐다. - 오늘날에는 커뮤니티와 앱 마켓플레이스를 통해 사용자가 직접 만든 도구를 공유하고, 팀의 작업 방식에 맞게 Figma를 확장한다. - 디자인 시스템 관련 플러그인은 크게 두 유형으로 나뉜다. - 기존 작업 흐름을 자동화하는 도구 - 분석, 테스트, 접근성 개선 등 새로운 기능을 추가하는 도구 ## 반복 작업을 자동화하는 플러그인 - 여러 화면에 동일한 변경 사항을 적용하거나, 레이어와 컴포넌트를 정리하는 반복 업무를 자동화한다. - 디자인 토큰, 컴포넌트, 스타일을 일관되게 적용해 수작업에서 발생하는 누락과 실수를 줄인다. - 콘텐츠 삽입, 레이아웃 정리, 이름 변경, 문서화와 같은 작업도 자동화 대상이 될 수 있다. - 디자이너는 단순한 실행 업무보다 사용자 경험과 제품 문제를 정의하는 일에 더 많은 시간을 쓸 수 있다. ## 기능을 확장하는 플러그인 - 플러그인은 디자인 시스템의 사용 현황과 품질을 점검하는 기능을 제공한다. - 어떤 컴포넌트가 얼마나 사용되는지, 디자인 시스템이 실제 파일에서 제대로 활용되는지 분석할 수 있다. - 접근성 검사, 디자인 테스트, 개발 handoff, 코드 생성 등 기존 디자인 도구가 직접 제공하지 않던 기능도 보완한다. - 결과적으로 디자인 시스템은 정적인 라이브러리가 아니라 측정·검증·개선이 가능한 운영 체계가 된다. ## 정보를 시각화하고 정리하는 위젯 - 위젯은 캔버스 안에서 실행되는 상호작용형 도구로, 디자인 파일에 정보와 기능을 직접 배치할 수 있다. - 팀의 작업 현황, 의사결정, 일정, 피드백 등을 시각적으로 공유하는 데 활용된다. - 디자인 시스템의 규칙이나 컴포넌트 정보를 작업 공간 가까이에서 확인하게 해 협업과 커뮤니케이션을 돕는다. - 디자인 파일이 단순히 결과물을 보여주는 공간을 넘어, 팀이 함께 사고하고 정리하는 협업 공간으로 확장된다. ## AI가 강화하는 디자인 도구 - 2017년부터 저해상도 와이어프레임을 바탕으로 디자인 시스템과 코드를 자동 생성하려는 실험이 진행됐다. - 당시에는 가능성을 보여주는 프로토타입에 가까웠지만, 생성형 AI 기술의 발전으로 실제 제품화 가능성이 커졌다. - Diagram의 Genius와 같은 도구는 Figma 파일을 분석하고, 기존 디자인 시스템의 컴포넌트를 활용한 디자인 제안을 생성한다. - AI는 다음과 같은 작업을 보조할 수 있다. - 자연어를 기반으로 한 디자인 생성 - 기존 컴포넌트와 패턴 추천 - 디자인 파일 분석 및 개선안 제시 - 디자인에서 코드로의 변환 - AI가 디자인 시스템의 규칙을 학습할수록, 조직의 브랜드와 패턴에 맞는 결과를 더 빠르게 만들 수 있다. ## 자동화에 뒤처지지 않기 위한 변화 - 도구가 발전하면 디자인 시스템 팀은 새로운 플러그인과 AI 기능을 단순히 도입하는 것을 넘어, 조직의 작업 흐름에 어떻게 연결할지 고민해야 한다. - 자동화의 효과를 높이려면 컴포넌트, 스타일, 변수, 명명 규칙이 체계적으로 정리되어 있어야 한다. - 디자인 시스템이 일관되지 않거나 문서화가 부족하면 AI와 자동화 도구도 부정확한 결과를 낼 수 있다. - 따라서 자동화는 잘 정립된 시스템을 대체하기보다, 품질 높은 시스템을 더 넓고 빠르게 활용하도록 돕는 방식으로 작동한다. ## 인간 디자이너의 역할 - 자동화가 작업의 일부를 대신하더라도 문제의 맥락을 이해하고 우선순위를 정하는 일은 여전히 인간에게 요구된다. - AI는 여러 결과를 빠르게 생성할 수 있지만, 어떤 결과가 사용자와 비즈니스에 적합한지 판단하지는 못한다. - 디자이너의 역할은 픽셀을 직접 배치하는 일에서 다음과 같은 업무로 확장될 수 있다. - 올바른 문제 정의 - 사용자 요구와 비즈니스 목표의 조율 - 생성 결과의 평가와 수정 - 디자인 시스템의 원칙과 품질 관리 - 새로운 도구와 협업 방식의 설계 - 자동화는 디자이너를 없애기보다, 디자이너가 더 전략적이고 창의적인 역할을 수행하도록 업무의 성격을 바꿀 가능성이 크다. 실무에서는 반복 작업부터 플러그인으로 자동화하되, 컴포넌트와 디자인 토큰을 먼저 정비하는 것이 좋다. AI가 생성한 결과는 초안으로 활용하고, 접근성·일관성·사용자 맥락을 사람이 반드시 검토해야 한다.

원문 읽기(새 탭에서 열림)

머신러닝FigmaAI디자인 시스템+4