README.md

metadata

language:
  - ko
library_name: peft
tags:
  - lora
  - design-strategy

IdinnoLab LLM

디자인 전략 수립과 디자인 지원사업 업무를 위한 한국어 특화 모델입니다. 고객의 상황과 사업 조건을 바탕으로 핵심 문제를 정리하고, 전략 대안과 실행 방안을 제안합니다.

활용 분야

• 서비스·제품 디자인: 고객의 불편과 사용 맥락을 반영한 UX 개선 전략
• 창업·브랜드 전략: 사업 목표와 조직 조건에 맞춘 대안 검토와 우선순위 설정
• 디자인 지원사업: 수행 단계별 대응 방안, 산출물 검토, 리스크 관리

디자인 업무에서의 활용

문제를 정리하고, 디자인 대안을 비교하고, 실행 기준을 맞추는 과정에 활용할 수 있습니다. 아래는 Llama 기반 모델의 답변 예시입니다. Base는 기본 모델, Best는 튜닝 모델입니다.

1. 상품 탐색 경험을 개선할 때

전자상거래에서 이미 구매한 상품과 비슷한 제품만 반복 추천됩니다. 사용자는 필요한 연관 상품을 찾기 어렵고, 왜 이 제품을 추천하는지도 알고 싶어 합니다. 디자인팀은 추천 목록과 탐색 화면을 어떻게 바꿀지 검토합니다.

모델에 전달한 내용

[RAG 데이터 주입]
[30대 남성, 전자상거래] 디자인 전략 수립.
일반소비성향: 시간 대비 효율과 데이터 기반의 합리적 근거를 중시하며, 단순 마케팅성 추천보다 '왜 이 제품이 내게 필요한지' 논리적 납득을 원함
페인포인트 발생 여정: 1. 인지/탐색

페인포인트 발생 액션: 알고리즘 고립
내용: "이미 구매한 물건과 유사한 모델만 계속 추천되어 검색 결과가 중복 노이즈로 오염되고, 정작 필요한 연관 상품을 찾는 데 불필요한 시간을 낭비함"

Base	Best
Based on the provided RAG data, I will propose two design strategies to address the pain point of "algorithmic isolation" for a 30-year-old male consumer who prioritizes time-efficient and data-driven decision-making.	[핵심 문제 정의] 핵심 문제 정의: 정보 과잉 상태에서 타겟의 논리적 판단을 방해하고 탐색 효율을 저하시키는 추천 알고리즘의 단순성 및 정보 밀도 문제. ... [전략 3] [페인포인트 극복 핵심 문제 정의] "비선형 탐색의 복잡성을 보완하고, '왜 이 제품이 내게 필요한지'를 논리적으로 증명해야 함." [대립 가치 디자인 전략] "논리적 연관성 증명 카드 (Opposing Value: 비인туитив적 탐색의 인지적 보완)" [실행 방안] "1. 유사성 기반 추천 결과 옆에 '이 제품을 고른 이유'를 요약한 논리적 카드 슬라이드를 배치함. 2. '이 제품과 비슷한 이유로 30대 타겟이 많이 구매함'이라는 통계 데이터를 결합함."

업무에 적용하기

이 답변은 추천 화면의 설계 방향을 논의할 때 사용할 수 있습니다. 추천 카드에 선택 이유를 보여주는 방식을 시안으로 만들고, 사용자가 추천 근거를 이해하는지 확인합니다. 유사상품을 더 보여주는 것과 필요한 연관 상품을 발견하게 하는 것은 다르므로, 탐색 결과가 다양해지는지도 함께 검토합니다.

2. 가구 AR 서비스의 개선 방향을 정할 때

가구 AR 서비스의 체험 시작률은 44%지만 장바구니 전환율은 3.2%입니다. 반품 사유는 크기감 불일치와 공간 어울림에 대한 불확실성입니다. 4명으로 구성된 팀은 6주 안에 3D 모델의 정밀도를 높일지, 구매 판단에 필요한 정보를 보강할지 결정해야 합니다.

모델에 전달한 내용

[역할]
비즈니스디벨로퍼

[산업]
리테일·공간

[프로젝트 유형]
UX개선

[전략 목표]
Business Growth

[경험 수준]
Beginner

[기업 단계]
초기창업(1~2년)

[팀 규모]
소규모(2~5인)

[Persona]
비즈니스디벨로퍼, 경력 4년. 가구 AR 커머스 초기팀. 제휴 가구사 확보와 AR 구매 경험 검증 담당.
 
 강점: 제휴처의 요구를 사업 지표로 빠르게 정리함. 약점: AR 화면의 재미와 구매 확신을 혼동하는 경향.
 
 의사결정성향: 직관형. 위험선호도: 초기 검증에는 리스크수용. 혁신수용도: 얼리어답터. 커뮤니케이션스타일: 결론중심·숫자중심.

[Context]
설립 1년차 가구 AR 배치 커머스. 제휴 브랜드 12개. AR 체험 시작률 44%. 장바구니 전환율 3.2%. 반품 사유는 크기감 불일치와 공간 어울림 불확실성. 의사결정 대안은 고품질 3D 모델 확대와 구매 확신 지표 설계. 예산 1,500만원. 기간 6주. 팀 4인. 제휴사에 기능 품질 기준 제시 필요.

[질문]
가구 AR 품질은 어떤 기준으로 봐야 하나요?

Base	Best
* 제휴 브랜드의 요구를 80% 이상 충족하는가? * 고객의 구매 확신을 90% 이상 확보하는가? * 가구의 크기감 불일치가 10% 이하인가? * 공간 어울림 불확실성이 20% 이하인가? * 3D 모델의 품질이 90% 이상의 정밀도와 정합도를 갖는가?	[핵심 문제] 표면문제: AR 화면의 정밀도와 구매 확신이 분리됨 / 근본원인: AR 화면 품질을 시각적 정밀도만으로 평가하고 실제 구매 확신을 별도 지표로 보지 않음 [분석] AR 화면의 품질은 보기 좋다는 평가가 아니라 구매 확신을 만드는 정확도와 공간 이해도에 연결되어야 한다. 3D 모델을 늘리면 체험 시작률은 높아질 수 있지만 반품과 장바구니 이탈을 줄이지 못할 수 있다. 구매 확신 지표를 먼저 정의해야 제휴사와 품질 기준을 합의할 수 있다. ... Recommended: A RecommendReason: 현재 문제는 화면 정밀도보다 구매 확신이 낮은 구조이므로 품질 기준을 구매 지표와 연결해야 한다.

업무에 적용하기

디자인 리뷰에서는 'AR 화면이 더 정교한가'뿐 아니라 '이 가구를 구매해도 되는지 판단할 수 있는가'를 함께 질문하게 됩니다. 답변에 나온 크기감·공간 어울림·구매 확신을 사용자 테스트 항목으로 정리하고, 3D 모델 개선과 구매 정보 개선의 우선순위를 검토할 수 있습니다. 전환율이나 반품이 실제로 개선되는지는 이후 테스트로 확인합니다.

이 답변은 생성 길이 제한에 도달했습니다.

3. 패키지 프로젝트의 재작업을 줄일 때

한방·뷰티 브랜드의 디자인을 약령시 매장과 수출용 패키지에 단계적으로 적용하려고 합니다. 수출 패키지와 표기를 검토하는 과정에서 일정 지연과 반복 수정을 줄일 방법이 필요합니다.

모델에 전달한 내용

[기관명]
대구경북디자인진흥원

[수행 단계]
수출 패키지·표기 검토

[상황과 질문]
한방·뷰티 글로벌 브랜드 수행 중 수출 패키지·표기 검토에 들어왔습니다.
현장 적용 : 약령시 매장과 수출용 패키지에 단계적으로 적용
한방·뷰티 글로벌 브랜드 일정지연과 재작업을 줄이는 대응순서를 알려주세요.

Base	Best
대응 순서 1. 일정지연: 패키지·표기 검토의 일정에 대한 지연이 발생할 경우, 브랜드 팀과 함께 재작업을 계획하여, 지연을 최소화합니다. 2. 재작업: 패키지·표기 검토의 재작업을 계획하여, 브랜드 팀과 함께 확인합니다.	[핵심 노하우] 1. 수출 패키지·표기 검토 전 재작업 기준 확정 수출 패키지·표기 검토의 기준일·비용·성과지표를 사전에 확정한다. 수출 패키지·표기 검토문서와 실제 현장값이 일치하는지 점검한다. 2. 수출 패키지·표기 검토의 승인자를 지정 수출 패키지·표기 검토에서 예외결정을 한 명의 담당자에게 집중한다. 고객·운영·품질 담당자에게 같은 기준으로 설명할 수 있도록 문서를 보완한다. 3. 수출 패키지·표기 검토의 변경내용 기록 수출 패키지·표기 검토 변경사항은 버전·일자·승인자를 남긴다. 변경 전·후 산출물을 함께 보관한다. ... [기관별 특이사항] 수출 패키지·표기 검토의 공식 서식·비용·증빙요건은 최신 운영지침을 확인한다. 특정 회계·운영 기준은 최신 공식 기준을 우선한다.

업무에 적용하기

프로젝트 담당자는 이 답변을 바탕으로 검토 기준과 승인 담당자를 먼저 정리할 수 있습니다. 디자인 변경마다 버전·일자·승인자를 남기고 변경 전후 산출물을 함께 보관하는 방식으로, 팀이 같은 기준에서 수정 여부를 판단하도록 업무 절차를 맞춥니다. 수출 국가의 표기 규정은 별도로 확인합니다.

성능

사내 평가 330건 기준입니다. 11개 업무 유형의 평균을 동일 가중으로 집계했습니다.

모델	지표	Base	Best	차이 (Best − Base)
Llama	한글 보존 ROUGE-L F1	0.0258	0.2492	+0.2233
Llama	글자 3-gram F1	0.0368	0.3184	+0.2817

Mi:dm 지표는 준비 중입니다.

ROUGE-L과 글자 3-gram F1은 참고 답변과의 표현 유사성을 측정합니다. 실제 업무에서의 정확성이나 전략의 효과를 보장하는 지표는 아닙니다.

평가 기준 및 사용 시 참고 사항

Base와 Best는 동일 입력과 생성 설정으로 비교했습니다. ROUGE-L에는 한글을 보존하는 토크나이저를 사용했습니다. 가독성을 위해 답변의 일부만 표시했으며 ...는 생략된 부분을 뜻합니다. 표시한 답변 문장은 실제 생성 결과 그대로입니다. 각 상황 설명과 업무 적용 방법은 답변의 활용 방향을 설명하며, 실제 도입 성과를 뜻하지 않습니다. 예시는 설명용이며 전체 성능을 대표하는 표본은 아닙니다.

1,024토큰 설정에서 Llama Best의 길이 제한 도달률은 시트 평균 **72.4%**입니다. 긴 답변의 완결성은 별도 확인이 필요합니다. 평가는 내부 데이터 기준이며 독립 외부 평가 및 전문가 평가는 포함하지 않습니다. 추천 전략의 적합성과 국가별 수출 표기 요건 등은 실무 검토가 필요합니다.

모델 구성

• Llama 기반: Llama-3-Design11-LoRA
• Mi:dm 기반: 준비 중

LoRA 어댑터 형태로 제공하며, 해당 기반 모델과 함께 사용합니다. 저장소 접근 권한과 기반 모델의 사용 권한이 필요합니다.

사용 방법

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftConfig, PeftModel

repo = "JosephNa/IdinnoLab_LLM"
subfolder = "Llama-3-Design11-LoRA"  # 또는 "Midm-Design11-LoRA"
config = PeftConfig.from_pretrained(repo, subfolder=subfolder)
base = AutoModelForCausalLM.from_pretrained(
    config.base_model_name_or_path, revision=config.revision,
    dtype=torch.bfloat16, device_map="auto",
)
model = PeftModel.from_pretrained(base, repo, subfolder=subfolder)
tokenizer = AutoTokenizer.from_pretrained(repo, subfolder=subfolder)
model.eval()

BF16 로딩 예시는 NF4 평가보다 더 많은 GPU 메모리가 필요할 수 있습니다.

라이선스

학습 데이터는 배포하지 않습니다. 답변에 포함된 기관 정책·자격 요건·표기 기준은 최신 공식 자료를 확인하세요.

Built with Meta Llama 3. Llama 어댑터에는 Meta Llama 3 Community License 및 NOTICE가 적용되고, Mi:dm에는 upstream MIT 라이선스가 적용됩니다. 각 모델 폴더의 라이선스를 별도로 확인하세요.