--- 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. **Base**는 기본 모델, **Best**는 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** ```text [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** ```text [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** ```text [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](Llama-3-Design11-LoRA/README.md) - **Mi:dm 기반:** 준비 중 LoRA 어댑터 형태로 제공하며, 해당 기반 모델과 함께 사용합니다. 저장소 접근 권한과 기반 모델의 사용 권한이 필요합니다. ## 사용 방법 ```python 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.