--- 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. **Base**는 기본 모델, **Best**는 선택된 튜닝 모델입니다.
LLAMA · 실제 답변과 튜닝 전후 비교 ### 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. ### 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.
MIDM · 실제 답변과 튜닝 전후 비교 ### 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 | |---|---| | # 30대 남성 전자상거래 디자인 전략 수립

## 1. 주력 디자인 전략

### 핵심 문제 정의
30대 남성 소비자는 기존에 구매한 제품과 유사한 모델만 반복적으로 추천되어, 실제로 필요한 연관 상품을 찾는 데 불필요한 시간을 낭비하는 페인포인트를 경험합니다. 이는 검색 결과의 중복 노이즈로 인해 발생합니다.

### 주력 디자인 전략
**개인화된 연관 상품 추천 시스템 구축**

- **데이터 기반 개인화 추천**: 기존 구매 패턴과 검색 이력을 분석하여 실제 필요로 하는 연관 상품을 우선적으로 추천합니다.
- **동적 필터링 시스템**: 사용자의 현재 상황(예: 출장, 여행 등)에 따라 필요한 상품을 자동으로 필터링하여 보여줍니다.
- **멀티모달 추천 엔진**: 텍스트, 이미지, 사용자 행동 데이터를 종합적으로 분석하여 보다 정확한 추천을 제공합니다.

### 주력 디자인 전략 실행방안
1. **데이터 수집 및 분석**: 기존 구매 데이터, 검색 패턴, 장바구니 데이터를 수집합니다.
2. **추천 알고리즘 개선**: 기존 유사도 기반 추천에서 사용자의 실제 니즈를 반영하는 동적 추천 시스템으로 전환합니다.
3. **A/B 테스트 진행**: 새로운 추천 시스템의 효과를 측정하고 지속적으로 개선합니다.

### 주력 디자인 타겟 반응
30대 남성 소비자는 추천 시스템의 개선으로 인해 "필요한 상품을 더 빠르고 정확하게 찾을 수 있어 시간이 절약된다"는 긍정적 반응을 보일 것입니다. 또한 "추천의 정확도가 높아져 불필요한 검색 시간이 줄어든다"는 만족도가 증가할 것입니다.

## 2. 트레이드오프 디자인 전략

### 핵심 문제 정의
기존 추천 시스템의 한계로 인해 사용자가 원하는 상품을 찾는 데 시간이 많이 소요되고, 중복된 추천으로 인해 검색 결과가 혼란스러워지는 문제가 있습니다.

### 트레이드오프 디자인 전략
**사용자 중심의 직관적 인터페이스 디자인**

- **단순화된 검색 인터페이스**: 복잡한 추천 알고리즘 대신 사용자가 직접 원하는 상품을 쉽게 찾을 수 있는 직관적인 검색창을 제공합니다.
- **명확한 카테고리 분류**: 상품을 카테고리별로 명확하게 분류하여 사용자가 원하는 상품을 빠르게 찾을 수 있도록 합니다.
- **사용자 피드백 시스템**: 사용자가 직접 필요로 하는 상품을 추가로 검색할 수 있는 피드백 시스템을 구축합니다.

... | [핵심 문제 정의]
핵심 문제 정의: 고효율 정보 수용을 원하는 30대 타겟에게 제품 간의 연관성이 왜곡되어 제공되어, 탐색의 효율성을 저하시키고 의사결정의 병목을 유발하는 현상.

[전략 1]
[주력 디자인 전략]
"연관성 필터링 (Relevance Filtering)"
[실행 방안]
"1. 사용자가 특정 카테고리(예: '운동화')를 검색하면, 해당 카테고리 내에서도 '가장 유사한 제품'과 '가장 다른 제품'을 명확히 구분하여 보여주는 듀얼 뷰 제공. 2. 연관 상품 추천 시, 단순 유사도 점수가 아닌 '구매자의 90%가 함께 구매한 이유'와 같은 논리적 근거를 함께 제시하여 탐색의 효율성 극대화."
[타겟 반응]
"단순 추천보다 '왜 이 제품이 나에게 필요한가'에 대한 논리적 근거를 중시하는 합리적 소비 성향에 부합하며, 듀얼 뷰를 통해 불필요한 탐색 시간을 획기적으로 단축하고 효율적인 의사결정을 지원함."
[trade_off_risk]
"[Gain: 탐색 범위를 좁혀 정보 과부하를 방지하고 결정 속도 향상 / Loss: 필터링 기준이 잘못 설정될 경우, 사용자가 원하는 정보를 놓칠 위험]"

[전략 2]
[트레이드오프 디자인 전략]
"전문가 큐레이션 기반 큐레이션"
[실행 방안]
"연관성 필터링 대신, 전문 리뷰어가 직접 선별한 '베스트 3'를 전면에 배치하여 사용자가 스스로 필터링할 필요 없이 전문가의 검증된 정보를 빠르게 습득하게 함."
[타겟 반응]
"추천이 너무 딱딱해서 내 취향을 존중해주는 느낌이 없고, 전문가의 말만 듣고 결정하려니 오히려 결정이 늦어짐."
[trade_off_risk]
"[Gain: 정보의 권위와 신뢰도 확보 / Loss: 사용자의 능동적 탐색 욕구 저하 및 결정 속도 저하]"

... | **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 | |---|---| | 가구 AR 품질을 평가할 때 고려해야 할 주요 기준들은 다음과 같습니다:

1. **정확성(Accuracy)**: 가구의 실제 크기와 형태가 AR 모델에서 얼마나 정확하게 표현되는지가 중요합니다. 특히 크기감 불일치 문제를 해결하기 위해 정확한 치수와 비율이 유지되어야 합니다.

2. **시각적 품질(Visual Quality)**: AR 화면이 얼마나 매력적이고 시각적으로 매력적인지가 구매 확신에 영향을 미칩니다. 사용자가 AR을 통해 가구를 미리 체험했을 때 시각적으로 만족스러운 경험을 제공해야 합니다.

3. **상호작용성(Interactivity)**: 사용자가 AR 환경에서 가구를 자유롭게 회전하고 확대/축소할 수 있어야 합니다. 공간 어울림을 쉽게 확인할 수 있는 기능이 필요합니다.

4. **내구성(Durability)**: AR 모델이 다양한 기기와 환경에서 안정적으로 작동해야 합니다. 기술적 오류나 끊김 현상이 없어야 합니다.

5. **데이터 정확성(Data Accuracy)**: AR 모델에 사용된 3D 데이터가 실제 제품과 얼마나 일치하는지가 중요합니다. 특히 반품 사유 중 하나인 '공간 어울림 불확실성'을 해결하기 위해 정확한 공간 배치 시뮬레이션이 필요합니다.

6. **사용자 경험(UX) 품질**: AR 체험 과정이 직관적이고 사용하기 쉬운지, 사용자가 쉽게 이해하고 활용할 수 있는지가 중요합니다.

현재 AR 체험 시작률이 44%로 높은 편이지만, 장바구니 전환율이 3.2%로 매우 낮은 상황에서, AR 품질 개선을 통해 구매 확신을 높이는 것이 핵심 전략이 될 것입니다. | [핵심 문제]
표면문제: AR 품질 기준을 정하기 어려움 / 근본원인: 화면의 시각적 완성도와 구매 확신을 만드는 정보 품질을 구분하지 못함

[분석]
표면문제는 AR 화면의 완성도 문제지만 근본원인은 사용자가 구매를 확신하게 만드는 정보 품질 기준이 없다는 점이다. 조직은 3D 모델을 더 정교하게 만들면 AR 품질이 충분하다고 판단할 수 있다. 그러나 반품 사유가 크기감과 공간 어울림 불확실성에 집중되어 있다면 화면보다 구매 확신 지표가 먼저 필요하다. 디자인은 AR 경험을 구매 판단의 근거로 구조화해야 한다.

[디자인 단계]
Phase: Define

Reason: AR 품질을 시각적 완성도와 구매 확신 지표로 분리해 기준을 정의해야 하는 시점.

[복수 전략]
Strategy_A:
Name: 구매 확신 지표 설계형
Core: 크기감, 소재감, 공간 어울림, 반품 리스크를 AR 화면에 반영
Steps: ① 반품 사유 분류 ② AR 정보 위계 설계 ③ 제휴사 품질 기준 제시
BestFor: AR 커머스의 구매 확신이 중요한 경우
Risk: 화면이 정보 중심으로 무거워질 수 있음

Strategy_B:
Name: 고품질 3D 모델 확대형
Core: 가구의 형태와 재질을 더 정밀하게 표현
Steps: ① 모델 해상도 개선 ② 재질 표현 강화 ③ AR 화면 완성도 평가
BestFor: 시각적 품질이 구매 실패의 핵심인 경우
Risk: 구매 확신 지표가 부족하면 전환 개선이 제한적임

Strategy_C:
Name: 제휴 브랜드별 차별화형
Core: 각 가구사의 브랜드 톤에 맞춰 AR 경험을 맞춤화
Steps: ① 브랜드별 AR 템플릿 제작 ② 브랜드 메시지 반영 ③ 제휴사 피드백 수집
BestFor: 브랜드 일관성이 중요한 경우
Risk: 품질 기준이 분산될 수 있음

Recommended: A
RecommendReason: 반품 사유가 구매 확신 부족에 집중되어 있어 AR 품질 기준을 구매 확신 지표로 정의해야 함

[선택 전략]
구매 확신 지표 설계형

[대안 전략]
고품질 3D 모델 확대형

[선택 이유]
반품 사유가 구매 확신 부족에 집중된 조건이므로 구매 확신 지표 설계형가 고품질 3D 모델 확대형보다 낫다

[대안 적용 조건]
AR 시작률 44%. 장바구니 전환율 3.2%. 반품 사유는 크기감 불일치와 공간 어울림 불확실성. 제휴사 품질 기준 요구.

... | **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. ### 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 | |---|---| | 대구경북디자인진흥원에서 한방·뷰티 글로벌 브랜드 수행 중 수출 패키지·표기 검토에 대한 대응순서를 안내해드리겠습니다.

**1단계: 사전 준비 및 검토**
- 약령시 매장과 수출용 패키지에 대한 기존 디자인 및 표기 검토
- 브랜드 일정지연의 주요 원인 파악
- 재작업이 필요한 부분 사전 식별

**2단계: 현장 적용 및 조정**
- 약령시 매장에 단계적으로 적용
- 현장에서 발견된 문제점 즉시 수정
- 브랜드 일정지연을 최소화하기 위한 우선순위 설정

**3단계: 소통 및 협업**
- 관련 부서 및 팀과의 지속적인 소통
- 현장 작업자와의 협력을 통한 신속한 대응
- 브랜드 일정지연을 줄이기 위한 협업 체계 구축

**4단계: 사후 점검 및 개선**
- 적용 후 현장 피드백 수집
- 재작업이 필요한 부분에 대한 개선 방안 마련
- 향후 일정지연 방지를 위한 프로세스 개선

**주요 실수 예방 및 사후 대응**
- 일정지연의 주요 원인: 사전 검토 부족, 현장 적용의 어려움, 부서 간 소통 부족
- 사후 대응: 신속한 문제 해결, 일정지연 발생 시 대체 방안 마련

**사전 예방 조치**
- 수출 패키지·표기 검토 단계에서부터 현장 적용 가능성 검토
- 브랜드 일정지연 방지를 위한 단계별 일정 수립
- 현장 작업자와의 사전 협의를 통한 준비

이러한 대응순서를 통해 한방·뷰티 글로벌 브랜드의 일정지연과 재작업을 효과적으로 줄일 수 있을 것입니다. | [핵심 노하우]
1. 수출 패키지·표기 검토 전에 브랜드 기준을 정한다
브랜드명, 로고, 색상, 문구, 제품명, 원산지, 인증, 성분, 사용기한, 주의사항을 하나의 기준으로 관리한다.

2. 패키지·표기 검토 범위를 명확히 한다
패키지 디자인, 인쇄 사양, 라벨, 제품명, 원산지, 인증, 성분, 사용기한, 주의사항, 인쇄 사양을 검토한다.

3. 수출 패키지·표기 검토 결과를 문서화한다
승인자, 검토일, 수정사항, 적용 버전, 승인본을 기록한다.

4. 약령시 매장과 수출용 패키지에 단계적으로 적용한다
매장용 패키지와 수출용 패키지를 별도로 검토하지 않고 공통 기준을 적용한다.

5. 약령시 매장과 수출용 패키지 적용 후 성과를 측정한다
재작업, 문의, 수정, 인쇄 오류, 고객 반응을 기록한다.

[주요 리스크와 실수 유형]
[수출 패키지·표기 검토 실행 리스크]
• 수출 패키지·표기 검토 전에 브랜드 기준을 정하지 않으면 패키지와 표기에서 서로 다른 표현이 반복될 수 있다.
• 수출 패키지·표기 검토 범위를 정하지 않으면 패키지 디자인, 인쇄 사양, 라벨, 제품명, 원산지, 인증, 성분, 사용기한, 주의사항, 인쇄 사양을 누락할 수 있다.
• 수출 패키지·표기 검토 결과를 문서화하지 않으면 승인본과 실제 적용본을 구분하기 어렵다.
• 약령시 매장과 수출용 패키지를 별도로 검토하면 수정사항이 서로 다른 버전에 반영될 수 있다.

[대응 방안과 예방책]
[수출 패키지·표기 검토 자료 보완]
• 수출 패키지·표기 검토 전에 브랜드 기준을 정한다.
• 수출 패키지·표기 검토 범위를 정한다.
• 수출 패키지·표기 검토 결과를 문서화한다.
• 약령시 매장과 수출용 패키지에 공통 기준을 적용한다.

... | **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.
답변 예시는 두 모델 모두 최대 4,096토큰으로 생성했습니다. 아래 정량 지표는 별도의 1,024토큰 평가 기준입니다. ## 같은 질문, 두 모델의 답변 동일한 업무 질문에 대한 Llama와 Mi:dm 튜닝 모델의 실제 답변입니다. ### 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. **동일 질문** ```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" ``` | Llama · 튜닝 모델 | Mi:dm · 튜닝 모델 | |---|---| | [핵심 문제 정의]
핵심 문제 정의: 정보 과잉 상태에서 타겟의 논리적 판단을 방해하고 탐색 효율을 저하시키는 추천 알고리즘의 단순성 및 정보 밀도 문제.

[전략 1]
[주력 디자인 전략]
"비선형 탐색 인터페이스 (Non-linear Search Interface)"
[실행 방안]
"1. 단순한 텍스트 기반의 검색 결과 대신, 사용자가 이전에 본 제품이나 검색 키워드와 유사한 상품을 추천하는 '유사성 기반 탐색' 모드 제공. 2. 검색 결과를 시각적 클러스터로 나누어, 사용자가 특정 카테고리나 브랜드로 이동할 때의 탐색 피로도를 줄이는 레이아웃 적용."
[타겟 반응]
"단순한 검색 결과보다 '유사성 기반 탐색' 모드가 자신의 취향을 더 정확히 파악하는 도구로 작용하며, 시각적 클러스터로 나뉘어 있는 결과를 통해 탐색의 효율성을 높여주는 효율적인 탐색 도구로 평가함."
[trade_off_risk]
"[Gain: 사용자의 이전 행동 데이터를 활용하여 탐색 피로도를 줄이고 재방문 유도 / Loss: 복잡한 알고리즘 구현 및 데이터 관리 부담]"

[전략 2]
[트레이드오프 디자인 전략]
"매뉴얼식 상시 정보 공개 전략"
[실행 방안]
"비선형 탐색 대신, 모든 제품의 상세 사양과 품질 보증서를 초기 화면에 상시 노출하여 투명성 강조"
[타겟 반응]
"정직해 보이긴 하지만 정보가 너무 많아 무엇을 봐야 할지 판단하기가 너무 어려워서 탐색이 느림"
[trade_off_risk]
"[Gain: 정보의 완전성 및 투명성 확보 / Loss: 초기 진입 장벽 상승 및 탐색 효율 저하]"

[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."
[타겟 반응]
"추천 이유를 한눈에 볼 수 있게 보여주니까 내가 고른 게 맞다는 확신이 생겨요." | [핵심 문제 정의]
핵심 문제 정의: 고효율 정보 수용을 원하는 30대 타겟에게 제품 간의 연관성이 왜곡되어 제공되어, 탐색의 효율성을 저하시키고 의사결정의 병목을 유발하는 현상.

[전략 1]
[주력 디자인 전략]
"연관성 필터링 (Relevance Filtering)"
[실행 방안]
"1. 사용자가 특정 카테고리(예: '운동화')를 검색하면, 해당 카테고리 내에서도 '가장 유사한 제품'과 '가장 다른 제품'을 명확히 구분하여 보여주는 듀얼 뷰 제공. 2. 연관 상품 추천 시, 단순 유사도 점수가 아닌 '구매자의 90%가 함께 구매한 이유'와 같은 논리적 근거를 함께 제시하여 탐색의 효율성 극대화."
[타겟 반응]
"단순 추천보다 '왜 이 제품이 나에게 필요한가'에 대한 논리적 근거를 중시하는 합리적 소비 성향에 부합하며, 듀얼 뷰를 통해 불필요한 탐색 시간을 획기적으로 단축하고 효율적인 의사결정을 지원함."
[trade_off_risk]
"[Gain: 탐색 범위를 좁혀 정보 과부하를 방지하고 결정 속도 향상 / Loss: 필터링 기준이 잘못 설정될 경우, 사용자가 원하는 정보를 놓칠 위험]"

[전략 2]
[트레이드오프 디자인 전략]
"전문가 큐레이션 기반 큐레이션"
[실행 방안]
"연관성 필터링 대신, 전문 리뷰어가 직접 선별한 '베스트 3'를 전면에 배치하여 사용자가 스스로 필터링할 필요 없이 전문가의 검증된 정보를 빠르게 습득하게 함."
[타겟 반응]
"추천이 너무 딱딱해서 내 취향을 존중해주는 느낌이 없고, 전문가의 말만 듣고 결정하려니 오히려 결정이 늦어짐."
[trade_off_risk]
"[Gain: 정보의 권위와 신뢰도 확보 / Loss: 사용자의 능동적 탐색 욕구 저하 및 결정 속도 저하]"

... | ### 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. **동일 질문** ```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? ``` | Llama · 튜닝 모델 | Mi:dm · 튜닝 모델 | |---|---| | [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.

[디자인 단계]
Phase: Test

Reason: AR 화면과 구매 확신 지표를 함께 검증해야 품질 기준이 실제 전환과 반품에 연결된다.

[복수 전략]
Strategy_A:
Name: 구매확신 지표형
Core: AR 화면 품질을 크기감, 공간 어울림, 구매 확신으로 평가
Steps: ① 반품 사유 분류 ② AR 화면 테스트 ③ 제휴사 품질 기준 합의
BestFor: AR 체험 시작률은 높지만 구매 전환이 낮은 경우
Risk: 화면 품질 기준이 복잡해질 수 있음

Strategy_B:
Name: 고품질 3D 모델형
Core: 3D 모델 정밀도와 렌더링 품질을 우선 개선
Steps: ① 3D 모델 개선 ② 화면 테스트 ③ 체험 시작률 측정
BestFor: 시각적 정밀도가 가장 큰 문제인 경우
Risk: 구매 확신이 낮아질 수 있음

Strategy_C:
Name: 제휴사별 맞춤형
Core: 각 브랜드의 제품 특성에 맞춰 AR 화면을 개선
Steps: ① 브랜드별 요구 수집 ② AR 화면 개선 ③ 제휴사 피드백 반영
BestFor: 브랜드별 차이가 큰 경우
Risk: 운영 복잡도가 증가함

Recommended: A
RecommendReason: 현재 문제는 화면 정밀도보다 구매 확신이 낮은 구조이므로 품질 기준을 구매 지표와 연결해야 한다.

[선택 전략]
구매확신 지표형

[대안 전략]
고품질 3D 모델형

[선택 이유]
장바구니 전환율이 낮은 조건이므로 구매확신 지표형이 고품질 3D 모델형보다 낫다

[대안 적용 조건]
AR 체험 시작률 44%. 장바구니 전환율 3.2%. 반품 사유 분리. 제휴사 품질 기준 필요.

... | [핵심 문제]
표면문제: AR 품질 기준을 정하기 어려움 / 근본원인: 화면의 시각적 완성도와 구매 확신을 만드는 정보 품질을 구분하지 못함

[분석]
표면문제는 AR 화면의 완성도 문제지만 근본원인은 사용자가 구매를 확신하게 만드는 정보 품질 기준이 없다는 점이다. 조직은 3D 모델을 더 정교하게 만들면 AR 품질이 충분하다고 판단할 수 있다. 그러나 반품 사유가 크기감과 공간 어울림 불확실성에 집중되어 있다면 화면보다 구매 확신 지표가 먼저 필요하다. 디자인은 AR 경험을 구매 판단의 근거로 구조화해야 한다.

[디자인 단계]
Phase: Define

Reason: AR 품질을 시각적 완성도와 구매 확신 지표로 분리해 기준을 정의해야 하는 시점.

[복수 전략]
Strategy_A:
Name: 구매 확신 지표 설계형
Core: 크기감, 소재감, 공간 어울림, 반품 리스크를 AR 화면에 반영
Steps: ① 반품 사유 분류 ② AR 정보 위계 설계 ③ 제휴사 품질 기준 제시
BestFor: AR 커머스의 구매 확신이 중요한 경우
Risk: 화면이 정보 중심으로 무거워질 수 있음

Strategy_B:
Name: 고품질 3D 모델 확대형
Core: 가구의 형태와 재질을 더 정밀하게 표현
Steps: ① 모델 해상도 개선 ② 재질 표현 강화 ③ AR 화면 완성도 평가
BestFor: 시각적 품질이 구매 실패의 핵심인 경우
Risk: 구매 확신 지표가 부족하면 전환 개선이 제한적임

Strategy_C:
Name: 제휴 브랜드별 차별화형
Core: 각 가구사의 브랜드 톤에 맞춰 AR 경험을 맞춤화
Steps: ① 브랜드별 AR 템플릿 제작 ② 브랜드 메시지 반영 ③ 제휴사 피드백 수집
BestFor: 브랜드 일관성이 중요한 경우
Risk: 품질 기준이 분산될 수 있음

Recommended: A
RecommendReason: 반품 사유가 구매 확신 부족에 집중되어 있어 AR 품질 기준을 구매 확신 지표로 정의해야 함

[선택 전략]
구매 확신 지표 설계형

[대안 전략]
고품질 3D 모델 확대형

[선택 이유]
반품 사유가 구매 확신 부족에 집중된 조건이므로 구매 확신 지표 설계형가 고품질 3D 모델 확대형보다 낫다

[대안 적용 조건]
AR 시작률 44%. 장바구니 전환율 3.2%. 반품 사유는 크기감 불일치와 공간 어울림 불확실성. 제휴사 품질 기준 요구.

... | ### 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. **동일 질문** ```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. ``` | Llama · 튜닝 모델 | Mi:dm · 튜닝 모델 | |---|---| | [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.

[주요 리스크와 실수 유형]
[수출 패키지·표기 검토의 위험]
• 수출 패키지·표기 검토의 기준일·비용·성과지표가 불명확하면 수행 중 재작업·재승인 가능성이 커진다.
• 수출 패키지·표기 검토의 승인자를 정하지 않으면 부서별 기준이 달라질 수 있다.
• 수출 패키지·표기 검토의 변경사항을 기록하지 않으면 후속 검수와 성과보고가 어려워진다.

[대응 방안과 예방책]
[수출 패키지·표기 검토의 예방·대응]
• 수출 패키지·표기 검토의 기준일·비용·성과지표를 문서화한다.
• 수출 패키지·표기 검토의 승인자를 지정해 예외결정을 중앙화한다.
• 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. | [핵심 노하우]
1. 수출 패키지·표기 검토 전에 브랜드 기준을 정한다
브랜드명, 로고, 색상, 문구, 제품명, 원산지, 인증, 성분, 사용기한, 주의사항을 하나의 기준으로 관리한다.

2. 패키지·표기 검토 범위를 명확히 한다
패키지 디자인, 인쇄 사양, 라벨, 제품명, 원산지, 인증, 성분, 사용기한, 주의사항, 인쇄 사양을 검토한다.

3. 수출 패키지·표기 검토 결과를 문서화한다
승인자, 검토일, 수정사항, 적용 버전, 승인본을 기록한다.

4. 약령시 매장과 수출용 패키지에 단계적으로 적용한다
매장용 패키지와 수출용 패키지를 별도로 검토하지 않고 공통 기준을 적용한다.

5. 약령시 매장과 수출용 패키지 적용 후 성과를 측정한다
재작업, 문의, 수정, 인쇄 오류, 고객 반응을 기록한다.

[주요 리스크와 실수 유형]
[수출 패키지·표기 검토 실행 리스크]
• 수출 패키지·표기 검토 전에 브랜드 기준을 정하지 않으면 패키지와 표기에서 서로 다른 표현이 반복될 수 있다.
• 수출 패키지·표기 검토 범위를 정하지 않으면 패키지 디자인, 인쇄 사양, 라벨, 제품명, 원산지, 인증, 성분, 사용기한, 주의사항, 인쇄 사양을 누락할 수 있다.
• 수출 패키지·표기 검토 결과를 문서화하지 않으면 승인본과 실제 적용본을 구분하기 어렵다.
• 약령시 매장과 수출용 패키지를 별도로 검토하면 수정사항이 서로 다른 버전에 반영될 수 있다.

[대응 방안과 예방책]
[수출 패키지·표기 검토 자료 보완]
• 수출 패키지·표기 검토 전에 브랜드 기준을 정한다.
• 수출 패키지·표기 검토 범위를 정한다.
• 수출 패키지·표기 검토 결과를 문서화한다.
• 약령시 매장과 수출용 패키지에 공통 기준을 적용한다.

... | 답변에 제안된 수치와 사용자 반응은 실제 조사 결과가 아니며, 업무 적용 전 검토가 필요합니다. ## 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 | 한글 보존 ROUGE-L F1 | 0.0721 | 0.2784 | +0.2063 | | Mi:dm | 글자 3-gram F1 | 0.0736 | 0.3239 | +0.2503 | 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 Mi:dm Best의 길이 제한 도달률은 시트 평균 **100.0%**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:** [Midm-Design11-LoRA](Midm-Design11-LoRA/README.md) LoRA 어댑터 형태로 제공하며, 해당 기반 모델과 함께 사용합니다. 저장소 접근 권한과 기반 모델의 사용 권한이 필요합니다. ## 연구 활용과 재현 디자인 전략 특화 연구성과의 공유와 후속 연구를 위한 공개 모델입니다. 기반 모델 다운로드부터 Base·Best 비교까지 실행할 수 있는 [독립 Python 예제](inference.py), [버전 고정 설치 파일](requirements.txt), [설치·재현 안내](REPRODUCIBILITY.md), [인용 정보](CITATION.cff)를 제공합니다. | 모델 | 기반 모델 | 고정 revision | 토크나이저 폴더 | |---|---|---|---| | Llama 3 | [Meta-Llama-3-8B-Instruct](https://huggingface.co/meta-llama/Meta-Llama-3-8B-Instruct) | `8afb486c1db24fe5011ec46dfbe5b5dccdb575c2` | `Llama-3-Design11-LoRA` | | Mi:dm | [Midm-2.0-Mini-Instruct](https://huggingface.co/K-intelligence/Midm-2.0-Mini-Instruct) | `383eb221c52a32278f1985257b264ade8d982e60` | `Midm-Design11-LoRA` | 개발 환경은 Python 3.13.9, PyTorch 2.11.0+cu128, Transformers 5.9.0, PEFT 0.19.1입니다. 설치 파일은 Hugging Face Hub 1.5.0과 Safetensors 0.8.0의 호환 실행 경로를 사용합니다. Llama는 사용자 계정의 기반 모델 접근 승인이 별도로 필요합니다. 내부 실행과 공개 파일 검증을 수행했습니다. 실행 검증의 완료 범위는 [검증 결과](EXECUTION_VALIDATION.md)에서 확인합니다. Mi:dm의 새 가상환경·빈 캐시 검증과 외부 연구자 PC 실행, 전문가 품질 평가는 서로 다른 검증입니다. ```powershell python inference.py --model midm --variant both --max-new-tokens 4096 --output midm_execution.json python inference.py --model llama --variant both --max-new-tokens 4096 --output llama_execution.json ``` 학습 원본은 배포하지 않으므로 동일 조건의 추론 비교를 지원하며 완전한 재학습 재현을 제공하는 것은 아닙니다. ## 사용 방법 ```python import torch from transformers import AutoModelForCausalLM, AutoTokenizer from peft import PeftConfig, PeftModel repo = "pibuchi/IDINNOLAB-LLMS" 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() messages = [ {"role": "system", "content": "디자인 전략을 검토하고 자연스러운 한국어로 답하세요."}, {"role": "user", "content": "고객의 불편과 프로젝트 조건을 바탕으로 디자인 개선 방향을 제안해 주세요."}, ] inputs = tokenizer.apply_chat_template( messages, tokenize=True, add_generation_prompt=True, return_tensors="pt", return_dict=True, date_string="12 Oct 2026", ).to(model.device) with torch.inference_mode(): outputs = model.generate( **inputs, max_new_tokens=4096, do_sample=False, pad_token_id=tokenizer.pad_token_id or tokenizer.eos_token_id, ) answer = outputs[0, inputs["input_ids"].shape[-1]:] print(tokenizer.decode(answer, skip_special_tokens=True)) ``` 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.