AI

노코드 AI 도구, 업무에 쓸 만한 것들 써보기

올해 들어 "AI 기능이 들어갔다"는 도구가 하루가 멀다 하고 쏟아지고 있어요.문서 도구에도, 메모 앱에도, 디자인 도구에도 AI 버튼이 하나씩 생기는 중입니다.기획 일을 하면서 코드를 쓰지 않고도 쓸 수 있는 AI 도구들을 몇 달간 이것저것 써봤는데, 막상 정리해 보니 제품 이름보다 "어떤 종류의 일에 맞는가"가 훨씬 중요했어요.그래서 이번 글에서는 특정 제품을 추천하기보다 종류별로 써본 소감을 적고, 제가 도입 여부를 판단하는 기준을 정리해 보려고 합니다.도구들은 빠르게 바뀌어서, 이 글의 내용도 몇 달 뒤엔 달라질 수 있다는 점은 미리 말씀드립니다. 글 요약과 정리 도구 가장 먼저, 그리고 가장 오래 쓰게 된 종류입니다.긴 글이나 자료를 붙여 넣고 "핵심을 다섯 줄로 요약해줘", "항목별로 정리해..

프롬프트 엔지니어링 공부 노트, 자주 쓰는 패턴 정리

ChatGPT를 쓰기 시작한 지 몇 달이 지나면서, 같은 질문인데도 결과가 들쭉날쭉한 경험을 자주 하게 됐어요.어떤 날은 놀랄 만큼 정리가 잘 되어 나오고, 어떤 날은 엉뚱한 방향으로 흘러갑니다.그래서 "내가 뭘 다르게 썼지?"를 되짚어 보다가 프롬프트 작성법을 따로 공부하기 시작했습니다.이번 글은 공부하면서 정리한 패턴 다섯 가지와, 제가 직접 써본 예, 그리고 한계를 적어둔 노트입니다.전문가가 쓴 글은 아니고, 기획 일을 하면서 써보고 남긴 기록이라고 생각해 주세요. 공부하다 보니 좋은 프롬프트의 조건이 좋은 요구사항 정의서와 비슷하다는 생각이 들었어요.누가 읽는지, 무엇을 원하는지, 어떤 형식으로 받고 싶은지, 하지 말아야 할 것은 무엇인지가 빠지면 결과가 흔들립니다.사람 개발자에게 "예약 알림 좀..

ChatGPT API가 열렸다, 간단한 호출 직접 해보기

3월 초에 ChatGPT를 만든 곳에서 API를 공개했다는 소식을 봤습니다.지금까지는 대화창에서 쓰는 도구였다면, 이제는 내가 만드는 프로그램 안에서 같은 계열의 모델을 불러 쓸 수 있게 된 거예요.저는 개발자가 아니라서 망설였지만, "기획자가 한 번쯤 직접 해보면 감이 달라진다"는 말에 용기를 내서 간단한 호출을 해봤습니다.이 글은 그 기록이에요.코드는 최소한만 넣고, 개념과 흐름 위주로 정리하겠습니다.대화창에서 쓸 때는 모델이 어떻게 동작하는지 상상만 할 수 있었습니다.그런데 서비스 안에 AI를 붙이는 기획을 하려면, 입력이 어떤 모양으로 들어가고 결과가 어떤 모양으로 나오는지 알아야 해요.이를테면 "예약 문의에 자동 답변 초안을 만들어주자"는 아이디어가 나왔을 때, 그게 어떤 데이터를 모델에 보내야..

ChatGPT를 제대로 써보며 정리한 첫인상

ChatGPT가 공개된 지 두 달 남짓 지났습니다.처음 일주일은 신기해서 이것저것 물어보며 놀았고, 그 뒤로는 "이걸 내 작업에 쓸 수 있을까"를 조금 더 진지하게 시험해봤어요.이제 어느 정도 감이 잡혀서 첫인상을 정리해둡니다.아직 계속 바뀔 수 있는 인상이라, 몇 달 뒤에 이 글을 다시 읽어보면 웃게 될 수도 있겠다는 생각도 하면서 씁니다. 한 줄로 말하면 "아주 빠르고 성실한데, 가끔 자신 있게 틀리는 조수"입니다.질문을 던지면 몇 초 안에 그럴듯한 답이 나오고, 말투를 바꿔달라거나 더 짧게 줄여달라는 부탁도 바로 들어줘요.처음에는 그 속도에 놀랐는데, 시간이 지나면서 더 눈에 들어온 건 틀릴 때의 태도였습니다.모르면 모른다고 하기보다, 모르는 부분도 매끄러운 문장으로 채워서 내놓더라고요.이 특징을 ..

초거대 AI 모델이 보이기 시작했다, 창업 관점에서 본 기회와 불안

요즘 뉴스를 보면 "초거대 AI"라는 말이 자주 보입니다.저는 AI 전문가가 아니고, 창업 아이템을 찾는 입장에서 이 흐름을 지켜보고 있는 사람이에요.그래서 이 글은 기술 설명이 아니라, 지금 보이는 것들을 제가 이해하는 수준에서 정리하고 제 아이템 고민에 어떤 영향을 주는지 적어보는 기록입니다.2022년 6월 시점의 이야기라는 점도 같이 기억해두려고 해요. 우선 GPT-3 같은 대규모 언어 모델을 활용한 서비스들이 눈에 띄기 시작했습니다.글쓰기를 도와주는 도구나 마케팅 문구를 만들어주는 서비스처럼, 모델 위에 얹은 작은 서비스들이 해외를 중심으로 늘고 있다고 알려져 있어요.문장을 이어서 써주는 수준을 넘어서, 요약하고 설명하고 분류하는 데까지 쓰이는 걸 소개하는 글도 많이 봤습니다.그리고 얼마 전 이미..

AI 스타트업들의 챗봇 서비스 비교 분석

사내 챗봇 프로젝트를 준비하면서, 국내외 AI 스타트업들이 내놓은 챗봇 서비스를 한 달 넘게 써보고 비교해봤습니다.직접 계정을 만들어서 데모를 돌려보고, 가능한 경우 무료 티어로 실제 시나리오를 넣어서 테스트했어요.이 글은 특정 서비스를 홍보하거나 비판하려는 목적이 아니라, 저희 팀이 도입 검토를 하면서 정리한 비교 기준과 각 유형별 장단점을 공유하려는 목적으로 씁니다. 챗봇 서비스를 비교할 때 그냥 "어떤 게 더 똑똑한가"로 접근하면 판단이 안 섭니다.저희는 다섯 가지 기준을 세웠어요.첫째, 시나리오 빌더의 학습 곡선.둘째, 폴백 처리와 상담원 연결 흐름의 유연성.셋째, 기존 CS 시스템(티켓팅, 지식베이스)과의 연동 난이도.넷째, 응답 로그 분석 기능의 깊이.다섯째, 비용 구조와 트래픽 증가에 따른 ..

챗봇 NLU 엔진 선택 기준 (오픈소스 vs 상용)

챗봇 프로젝트에서 가장 먼저, 그리고 가장 오래 고민하게 되는 결정이 NLU(자연어 이해) 엔진을 뭘로 쓸지입니다.저희도 이 결정을 내리기까지 두 달 가까이 걸렸어요.오픈소스 엔진과 상용 서비스를 각각 파일럿으로 붙여보면서 비교했는데, 이 과정에서 정리한 선택 기준을 공유해봅니다. 처음엔 단순하게 "어떤 엔진이 의도(intent) 분류를 더 정확히 하는가"만 비교하려고 했습니다.그런데 막상 테스트를 해보니, 정확도는 학습 데이터의 양과 질에 크게 좌우되어서 엔진 자체의 우열보다 저희가 얼마나 좋은 학습 데이터를 준비했는지가 더 중요한 변수였어요.오픈소스 엔진에 저희가 직접 정성껏 라벨링한 데이터 800건을 넣었을 때가, 상용 엔진에 대충 만든 데이터 300건을 넣었을 때보다 정확도가 더 높게 나왔습니다...

AI 기반 개인화, 어디까지 해야 하나

개인화 추천 기능을 담당하면서 가장 많이 받는 질문이 "이거 좀 무섭지 않아요?"라는 반응입니다.사용자가 검색한 적도 없는데 딱 필요한 걸 추천해주면 신기하다는 반응이 나오다가, 그게 조금만 더 나가면 "내 걸 다 알고 있는 것 같아서 불편하다"는 반응으로 바뀝니다.저희 서비스에서도 이 경계선을 두 번쯤 넘었다가 다시 되돌아온 경험이 있어서, 이 주제에 대해 좀 길게 정리해보고 싶었습니다. 개인화가 잘 작동하면 효과는 확실합니다.저희가 홈 화면에 개인화 추천 위젯을 처음 도입했을 때, 클릭률이 기존 인기순 노출 대비 40% 가까이 올랐어요.사용자가 원하는 걸 더 빨리 찾게 해준다는 점에서 개인화는 분명 사용자에게도 이득입니다.그런데 이 효용에는 대가가 따릅니다.개인화를 잘하려면 더 많은 데이터가 필요하고..