[템플릿 공유]사이드 프로젝트 팀에서 업무 공유 쉽게 하는 법

사이드 프로젝트로 팀을 운영하다 보면 겪는 난관 중 하나는 "업무에 대한 공유가 (상대적)으로 어렵다"일 것입니다. 왜냐하면,

• 본업이 있기 때문에 각자 일을 할 수 있는 시간이 다릅니다.

• 업무에 투자할 수 있는 절대적인 시간도 부족합니다.

• 함께 이야기할 시간을 맞추기마저도 상당히 어렵습니다.

그렇기 때문에, 역설적으로, 풀타임으로 근무하는 조직보다 사이드 프로젝트 팀에서 업무에 대한 공유가 더욱 필요합니다.

디지털 프로덕트를 만드는 많은 회사는 상호 업무 공유를 원활하게 하기 위해 데일리 스크럼으로 매일 아침을 열곤 합니다. 미팅을 최소한의 시간 동안aks 진행하기 위해 일어서서 하는 회의라 Stand-Up 미팅이라고 하기도 하죠! 그러나 저희 팀과 같은 사이드 프로젝트 팀은 매일 하루를 시작하는 시간을 서로 맞춰, 본업으로 출근하기 이전에, 온라인 미팅을 하는 것은 쉽지 않을듯 합니다. 상상만으로도 상당한 피로가 유발됩니다. 저희 팀을 좋아하지만 매일은 정말 쉽지 않을 것 같네요

그럼에도 불구하고 제 동료는 오늘 무슨 일을 어떠한 이유로 하고 있는지 궁금합니다. 그리고 제가 오늘 무슨 일을 어떻게 왜 하고 있는지 공유하고 싶기도 합니다. 특히 서로의 전문성이 다르기 때문에 서로의 업무에 대한 추적을 제대로 하지 못한다면 앞으로 서로가 원팀이 아닌, 제품을 만들기 위한 부품들이 될까 두렵기도 합니다.

그래서 Stand-Up bot을 만들어 간단한 데일리 스크럼 시스템을 구축하게 되었습니다. 매일 특정 시간 특정 채널에 Slack 워크플로로 사용자들의 입력을 받으면 더 쉽습니다만, 아직 가난한 저희 팀은 Slack 무료 버전을 사용하고 있습니다. 따라서 Zapier를 이용하여 Slack과 Google 스프레드시트를 연동시켰습니다. 저처럼 개발 비친화적이면서도 같은 고민을 하고 계실 누군가에게 조금이나마 도움이 되었으면 좋아서 메이커로그로 남겨봅니다.

Stand Up bot 무료로 만드는 방법

1. 지정된 시간에 Slack 채널에 Reminder 전송

저희 팀의 경우 Stand-Up 채널을 신설했습니다. 그리고 매일 밤 11시 해당 채널에 Stand Up 내용을 적을 수 있는 시트가 공유되도록 했습니다. 복잡성을 줄이기 위해 매일 같은 시간과 같은 장소에서 Stand Up 미팅을 하는 게 국룰이라고 합니다. 저희는 매일 밤이 하루를 마무리하면서, 작업한 내용 공유하거나 관련 사항을 요청하거나, 미흡했던 부분을 포함하여 새로운 하루를 계획하기에 좋은 시간이라고 생각했습니다. 무엇보다 11시는 저희 팀 구성원들이 Slack에 접속해 있는 보편적인 시간이기도 합니다.

Slack Reminder 설정 방법

2. Google Sheet에서 Stand Up 내용을 작성

3. 작성 완료 후 Slack에 전송 체크

Google Sheet 내 본인 탭으로 이동하여 사진과 같이 Google Sheet에서 오늘 날짜에 해당하는 행의 내용을 채웁니다. 일반적으로 (A)어제 한 일, (B)오늘 할 일, (C)예상되는 장애물의 내용으로 구성되지만, 밤에 스크럼이 진행되는 저희 특성상 (A)오늘 한 일, (B) 내일 할 일, (C)공유/요청사항 의 내용들로 구성되어 있습니다. 작성 후에는 Slack 전송 열에 체크합니다.

Google Sheet 템플릿 링크

*저희는 팀원 수 대로 탭을 복사하고, 탭 이름을 팀원 이름으로 변경하여 사용합니다.

4. Zapier가 입력된 내용을 Slack에 전송

입력된 내용을 Zapier가 자동으로 Slack에 쏴줍니다. 현재 Zapier 무료 플랜은 월에 100개의 Task를 지원하는데, 3명으로 구성된 저희 팀은 개인별로 1개씩 봇을 만들어 31일간 매일 쓴다고 해도 무료 플랜으로 해결이 가능합니다.

Zapier 템플릿 링크

*1단계 Trigger의 Spreadsheet에 템플릿을 추가했습니다. Worksheet에는 팀원 이름으로 변경했던 탭을 추가했으며, Trigger Column에는 [Slack 전송] 열을 지정해 주시면 됩니다.

*2단계에서는 원하는 포맷으로 메시지가 전송되도록 설정해 주세요.

5. 전송된 내용 Slack Stand-Up 채널에 자동 업로드

설정이 잘 되었으면 아래와 같이 입력한 내용을 팀원들과 공유하고, 팀원들이 입력한 내용을 공유받을 수 있습니다.

Stand-Up Bot에 대한 팀원들의 의견

실제로 Stand-Up Bot을 사용해본 저희 팀원들께서 아래와 같은 의견을 주셨습니다.

주 단위, 월 단위로 기록이 쌓였을 때 시트에서 내가 한 작업을 전체 흐름으로 한눈에 파악할 수 있을 것 같고요, 회고를 하기도 편할 것 같다는 생각이 듭니다 (@김태현)

작은 리소스로 목표를 설정하고 팀원의 목표도 확인할 수 있는 게 생산성에 확실히 도움이 될 것 같아요. (@김태현)

저는 개인적으로 계속 회고 습관 형성을 돕는 소라고동의 마법 아이디어 생각하면서 모멘텀/추진력/탄력을 받는게 되게 좋다고 생각하는데, Stand-Up도 업무에 탄력을 주기 참 좋은 것 같아요. (@Robin Oh)



혁신적인 제품을 만드는 데 방해가 되는 스크럼?!

그런데 한 연구에 따르면 Stand Up에도 맹점이 있습니다. 빈번한 스탠드업 미팅을 통해 개발된 제품의 가치는 높을지언정 참신함이 떨어진다고 합니다[1]. 혁신적인 제품을 만들기 위해 틀을 통한 탄력 받기도 중요하지만, 계속 내가 올바른 방향으로 가고 있는지 스스로 대화하는 시간을 가져야 합니다. 소라고동의 마법 팀은 회고 습관을 만들기 위한 서비스를 개발하고 있습니다. 아래 링크를 통해 출시 알림을 받아보실 수 있어요! 🐚🪄

reference.

[1] Ghosh, S., & Wu, A. (2020). Iterative coordination and innovation. Harvard Business School.

👤 소라고동의 마법 팀은 도움이 되는 회고 습관 형성 서비스를 만들기 위해, 메이커 분들과 이야기를 나누고 있어요. 회고/일기 작성을 안하지만 하고 싶은 사람, 회고/일기 작성을 하고 있는 사람 모두 모두 환영합니다🐚🪄

개발자에게 선호되는 PM이 되려면 이렇게 해야 합니다.

비개발자가 API를 만났을 때

PM이라면 모르면 안되는 단어, API.
비개발자가 API를 처음 마주쳤을 때,
그 낯섦과 막연한 두려움은 아마 많은 분들이 공감하실 거라 생각해요.

‘PM이 이런것도 알아야 해?’ 라고 생각할 수 있지만,
API는 서비스 개발 전반적인 영역에서 사용되기 때문에
대략적인 이해가 뒷받침된다면 더 효율적인 매니징이 가능합니다.

하지만 그렇다고 기술적으로 깊은 이해가 필수적인 것은 아니에요.
API에 대한 대략적인 원리와 어떤 상황에서 어떤 담당자와 소통해야
하는지를 이해하기만 한다면 충분합니다.

특히 달파는 대부분의 AI 서비스를 API 형식으로 제공하고 있기 때문에
API에 대한 이해가 필수적이었는데요,
비개발자의 시선에서 저희 PM분이 API와 친해졌던 과정을 공유해볼까 합니다.

API는 레스토랑의 점원이다

출처 : https://blog.wishket.com/api란-쉽게-설명-그린클라이언트/

API는 레스토랑의 점원이라는 비유가 직관적인데요,
레스토랑에서 음식을 주문할 때를 생각해봅시다.
이때 점원은 손님의 주문을 받아 요리사에게 전달하고,
요리사로부터 음식을 받아 손님에게 전달하죠.

API도 똑같습니다.
프로그램(Client)의 요청을 받아 이 요청을 처리할 수 있는 프로그램에게 전달하고,
처리된 요청의 결과값을 다시 프로그램(Client)에게 전달합니다.
즉, API는 한 마디로 프로그램 간 소통을 도와주는 도구입니다.

API 이해하기

우리가 핵심적으로 알아야 할 부분은 주로 아래 두 가지입니다.

1. 이건 어떤 일을 하는 API인가?

2. 지금 API 단에서 발생한 문제는 어떤 문제인가?

API 문서

1번을 파악하는 데 가장 도움이 되는건 API 문서입니다.
API 문서는 전자제품 사용설명서처럼 생각하면 좋습니다.
모든 내용을 볼 필요는 없고 특정 부분만 확인하면
대략적으로 어떤 역할을 하는 API인지 파악할 수 있죠.

PM이 주로 확인하는 건 요청(input) 예시와 응답(output) 예시입니다.

쿠팡의 API 문서를 확인해보겠습니다.
Request/Response Example을 보면 json 형식으로 데이터를 주고받고 있는데요,
json 형식은 키(key)와 값(value)으로 이루어진 하나의 문법입니다.

요청값에 상품명과 여러 정보들을 담아서 보내면,
응답값으로 예측한 카테고리 id와 이름이 반환되는 것을 알 수 있네요.
즉, 이 API는 상품의 이름을 기반으로 카테고리를 추천해주는 API라는 것을 쉽게 확인할 수 있습니다.

404 not found

다음으로 API의 에러상황에 대해 이해해보겠습니다.
‘404 not found’와 같이 에러 코드에는
어떤 종류의 에러인지에 대한 정보가 담겨있는데요,
에러 유형을 구분할 수 있다면 문제의 원인을 짐작하는 데 도움이 됩니다.

정확한 소통, 즉 빠르게 문제를 파악하고
누구에게 무엇을 요청할 것인지 판단하는 데 매우 유용합니다.

[에러 코드]

• 4XX (클라이언트 오류): 요청값이 잘못된 상태

• 5XX (서버 오류): 요청값은 잘못없음. 서버가 요청을 처리하지 못한 상태

에러코드가 4로 시작한다면 주로 요청을 보내는 프론트,
5로 시작한다면 주로 요청을 처리하는 백엔드에
문제가 생겼다고 짐작할 수 있습니다.

Open API

서비스를 개발할 때 모든 기능을 내부에서 구현할 필요는 없겠죠.
많이 들어보셨을 Open API는 말그대로 Open되어 있는,
자유롭게 활용 및 공유되도록 설계된 API입니다.

“이거 Open API 있어서 그거 쓰면 됩니다.” 라는 말은
해당 기능을 아주 쉽게 구현할 수 있다는 뜻으로 받아들일 수 있어요.

대표적으로 유튜브, 트위터, 네이버, 카카오 등에서
다양한 기능의 Open API를 제공하고 있습니다.

[Open API 제공 사이트]

• 트위터: https://developer.twitter.com/en/docs/twitter-api

• 유튜브: https://developers.google.com/youtube/v3?hl=ko

• 네이버: https://developers.naver.com/main/

• 카카오: https://developers.kakao.com/

AI 활용을 위한 API

최근 AI 활용도 마찬가지로 API를 통해 쉽게 이루어지고 있습니다.
chatgpt, whisper 처럼 대용량의 서버가 필요한 AI 모델도
개인이 쉽게 활용할 수 있는 시대가 되었죠.

API를 통해 AI를 활용하는 것은 많은 장점이 있습니다.

1. 사용량 기반 과금으로 유연한 활용

2. 빠른 프로토타이핑과 테스트

3. 지속적인 성능 개선

달파의 많은 AI들도 API 형식으로 서비싱되고 있습니다.
고객사 서비스에 딱 맞는 방식으로 커스텀 제공되기 때문에
활용도가 매우 높고 개발 리소스도 최소한으로 들일 수 있죠.

달파 AI Store 보러가기

마치며

API는 서비스 개발의 아주 많은 영역에서 활용되는 만큼
PM으로서 이를 이해하는 것은 필수적입니다.
기획 단에서 어떤 영역에 API가 활용될 수 있고,
어떤 상황에서 누구와 소통해야 하는지 파악하는 데
이 글이 조금이라도 도움이 되었으면 합니다 🙌

조언을 구합니다

내년도 글로벌 진출을 위한 AI 프로덕트를 기획하고 있습니다. 어떤 프로덕트가 매력적으로 다가오는지 의견 주시면 많은 도움이 될 것 같습니다.

1. 아바타 기반 대화형 AI 서비스

캐릭터 AI는 실제 인물, 혹은 캐릭터와 채팅할 수 있는 생성AI 서비스입니다. 저희는 음성&텍스트 기반 아바타 모션 생성 기술을 보유하고 있으니, 가상의 AI와 얼굴을 마주보며 대화할 수 있습니다. 본인의 최애 캐릭터, 혹은 인물과 마주보며 대화할 수 있다면 어떨까요?

200만 명의 활성 사용자와 50만 명의 유료 구독자를 보유한 레플리카(Replika)의 비즈니스 모델을 참고하여 수익을 창출할 수 있습니다.

1. 모션 생성 SaaS

혹자는 글로벌 진출을 위해 SaaS가 제일 무난하다고 합니다. 우리가 슬랙, 노션 등 흔히 쓰는 SaaS가 어떤 나라에서 시작했는지는 관심이 없기 때문입니다. 즉, 제품이 좋으면 충분히 글로벌 진출의 가능성을 볼 수 있다는 것입니다.

딥모션은 비디오에서 3D 모션을 추출해주는 서비스로, 17명이서 연간 20억원의 반복 매출을 발생시키고 있습니다. 저희는 안면 모션에 특화되어 있고, 비디오 뿐만 아니라 실시간 웹캠, 음성, 텍스트로부터 모션을 추출할 수 있기 때문에, 애니매이션 더빙, 유튜브 콘텐츠 크리에이터 등이 활용할 모션 생성 SaaS를 만들 수 있습니다. 이후 글로벌 엔터프라이즈와의 협력 기회를 볼 수 있습니다.

그 밖에 현재 플루언트가 국내에서 전개하고 있는 B2B 엔터프라이즈 대상 솔루션 공급 사업은 글로벌에 진출하기에 여러 한계를 갖고 있는 것 같습니다.

위 두 아이디어 중 조금 더 매력적으로 다가오는 제품이 있다면, 편하게 의견이나 피드백 부탁드립니다. 처음으로 제품에 대한 글을 작성해보는데, 빌딩 인 퍼블릭의 강점을 확인해보고 싶습니다 :)

[Part 1] 쏘카 팀이 만든 고객 서비스 챗봇 10분 안에 만들어보기

이번 개발글은 저번 Microsoft's "Generative AI Roadshow" 토크에서 발표한 쏘카팀에게 영감을 받은 프로젝트입니다. 쏘카 팀이 고객 서비스 챗봇을 만들었다고 했는데, 만든 방법은 시나리오 기반 LLM 봇 입니다.

조금 더 자세히 쏘카 팀의 개발 디자인에 대해 살펴봅시다.

1. 먼저 유저의 텍스트 인풋에 따라 상담의 의도를 바로 LLM이 파악하기

1. RAG (Retrieval Augmented Generation), vector search를 같이 사용해서 LLM 에이전트가 상담 매뉴얼 DB에서 더욱 정확한 결과를 검색해서 뱉어내도록 하기

2. 할루시네이션이 나오면 미리 후처리해서 LLM이 답하는 것보다 인간 상담원에게 바로 연결을 할 수 있도록 디자인 하기

이번 개발 프로젝트는 두 파트로 나눴습니다.

Part 1에서는 정말 간단한 ChatGPT와 같은 형식의 캐쥬얼한 대화를 할 수 있는 봇을 만들 것입니다. 아래 사진과 같이 유저 인터페이스도 바로 만들어줄거에요.

Part 2에서는 쏘카 팀이 사용한 RAG (Retrieval Augmented Generation) 기술을 사용해서 특정 다큐멘트 (예를 들어 고객 상담 서비스 매뉴얼)에 대해 대화를 나눌 수 있는 챗봇을 만들겠습니다. 마찬가지로 아래 이미지와 같게 유저 인터페이스를 만들어줄거에요.

백엔드 코드는 Langchain docs를 참고 했고, 프론트엔드 코드는 streamlit docs를 참고했습니다.

만약 전체 코드를 받아보고 싶다면 제 Github에 공개로 올려놨으니 참고해보세요:

VSCode 프로젝트 셋업

가장 먼저 VSCode를 열어서 새로운 폴더를 만들어주고, 안에 가상환경을 만들어주세요. (python3 -m venv venv)

가상 환경을 실행시켰다면 (source venv/bin/activate) 가상 환경 안에서 필요한 패키지들을 다운받아줍니다.

pip3 install langchain openai tiktoken python-dotenv faiss-cpu streamlit

모든 패키지들을 다운받았다면 폴더 내에 .env 파일을 만들고, 그 안에 OPENAI_API_KEY = "sk-...내 openai 비밀번호" 를 저장해주세요.

이 셋업에 대해 더 자세하게 다룬 글은 여기서 확인하거나 영상을 확인해주세요!

백엔드 코드

폴더 내에 chatbot.py라는 파이선 파일을 만들어주고, 다음 코드 블록을 복붙해주세요. 코드에 대한 더 자세한 설명은 인라인에 있습니다. # 주석을 읽어주세요!

# 필요한 모듈들 불러오기 
from langchain.prompts import (
    ChatPromptTemplate,
    MessagesPlaceholder,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)
from langchain.chains import LLMChain
from langchain.memory import ConversationBufferMemory
from langchain.chat_models import ChatOpenAI

#.env 파일에 저장돼있는 OPENAI_API_KEY 불러오기
import dotenv
dotenv.load_dotenv()

# LLM 셋업하기 
llm = ChatOpenAI()

# LLM을 위한 커스텀 프롬프트 만들어주기 
prompt = ChatPromptTemplate(
    messages=[
        SystemMessagePromptTemplate.from_template(
            "You are a nice chatbot having a conversation with a human."
        ),
        # `variable_name`에 저장돼있는 건 'memory' 변수 안에 저장된것과 같아야함
        MessagesPlaceholder(variable_name="chat_history"),
        HumanMessagePromptTemplate.from_template("{question}"),
    ]
)

# memory는 대화 기록들을 저장할 수 있게 합니다. 유저가 새로운 질문을 했을때 전에 했던 대화 내용들을 바탕으로
# 대답할 수 있게 하는거에요. 
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
conversation = LLMChain(llm=llm, prompt=prompt, verbose=True, memory=memory)

# LLM을 실행하기 위해 conversation({"question": "hi"})를 돌립니다. 
# 유저의 인풋은 "hi"대신 다른걸로 대체해서 한번 실행해보세요! 
result = conversation({"question": "hi"})
print(result['text'])

이 블록을 복붙했다면 파일 저장을 하고 터미널에 python3 chatbot.py를 실행하면 다음과 같은 결과값이 나옵니다. 그러고 LLM의 답변도 함께 프린트가 됩니다.

이로써 백엔드 코드가 완성이 됐어요! 바로 이제 다음 단계인 프론트엔드 인터페이스를 만들어줄게요.

프론트엔드 코드

Streamlit docs를 보면 아래 이미지처럼 구현할 수 있는 코드가 마련돼있어요. 저희는 이 코드를 그대로 사용할 예정입니다.

위에서 만든 백엔드 코드를 프론트엔드 코드와 합쳐줄거에요. 방금 만들었던 코드를 삭제하고 대신 아래 코드 블록을 복붙해주세요.

from langchain.prompts import (
    ChatPromptTemplate,
    MessagesPlaceholder,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)
from langchain.chains import LLMChain
from langchain.memory import ConversationBufferMemory
from langchain.chat_models import ChatOpenAI
import streamlit as st
import time

import dotenv
dotenv.load_dotenv()

#웹사이트 메인 헤더
st.title("ChatGPT")

# Set a default model
if "openai_model" not in st.session_state:
    st.session_state["openai_model"] = "gpt-3.5-turbo"

if "messages" not in st.session_state:
    st.session_state.messages = []

for message in st.session_state.messages:
    with st.chat_message(message["role"]):
        st.markdown(message["content"])

# 유저의 인풋이 있으면
if prompt := st.chat_input("What is up?"):
    # 유저가 보낸 내용은 내용 그대로 사람 아이콘과 함께 화면에 출력하기 
    st.session_state.messages.append({"role": "user", "content": prompt})
    with st.chat_message("user"):
        st.markdown(prompt)
    
    # AI가 답변할 내용: 유저 인풋을 LLM에게 보내서 실행시키고, 받은 답변 실시간으로 출력하기 
    with st.chat_message("assistant"):
        message_placeholder = st.empty()
        full_response = ""
        # 여기서부턴 위에서 만든 백엔드 코드가 들어갑니다! 
        # LLM
        llm = ChatOpenAI()

        # Prompt
        custom_prompt = ChatPromptTemplate(
            messages=[
                SystemMessagePromptTemplate.from_template(
                    "You are a nice chatbot having a conversation with a human."
                ),
                MessagesPlaceholder(variable_name="chat_history"),
                HumanMessagePromptTemplate.from_template("{question}"),
            ]
        )

        memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
        conversation = LLMChain(llm=llm, prompt=custom_prompt, verbose=True, memory=memory)
        
        # 여기서 {"question": prompt}는 유저의 인풋 프롬프트를 LLM에게 보낸다는 뜻
        result = conversation({"question": prompt})
        # 실시간으로 텍스트가 로딩되는 효과를 보여주기 위해 결과값을 단어 단위로 쪼개주기
        for chunk in result['text'].split():
            full_response += chunk + " "
            time.sleep(0.05)
            message_placeholder.markdown(full_response + "▌")
        message_placeholder.markdown(full_response)
    st.session_state.messages.append({"role": "assistant", "content": full_response})

코드를 자세히 보면 message["role"]에 따라 웹사이트에 보여지는 결과가 달라집니다. 예를 들어 "role": "user"라면 인풋 박스에 저장된 유저의 인풋이 그대로 사람 아이콘과 함께 내용물이 출력됩니다. 반면 "assistant", 즉 AI라면 로봇 아이콘과 함께 유저 인풋을 LLM에게 보내고 나서 받은 결과물을 실시간으로 출력합니다.

코드에 대한 더 자세한 설명은 # 주석을 확인해주세요!

실행하기

이제 코드가 완료됐어요. 터미널에서 가상환경을 실행시켜줬다면 streamlit run chatbot.py를 돌려주세요.

그럼 새로운 윈도우가 팝업이 되고 내가 만든 LLM으로 대화할 수 있는 챗봇이 만들어집니다.

마무리

이로써 Part 1이 마무리 됐습니다! 진짜 쉬웠죠? 이제 다음 파트에서는 비슷한 구조의 코드로 RAG를 사용하여 특정 문서에 대해 대화할 수 있는 챗봇을 만들어볼게요.

하면서 어렵거나 잘 안되는 부분이 있으면 댓글 달아주세요! 감사합니다. :)

더 많은 개발 프로젝트들을 해보고 싶으시다면 10X AI University에서 현재 업무 자동화, 캐릭터 AI, 이미지 생성AI 등을 주제로 비슷한 컨텐츠들을 확인하실 수 있습니다!

편향된 뉴스를 줄이고 싶어하다, 지음(知音)을 만나다.

지난 월요일 커피챗을 통해서 나의 MBTI친구들을 만드신 특이님과 커피챗을 가졌습니다.

LLM기반 서비스를 하시는 분으로서 비용적인 부분과 서비스 전반에 대한 인사이트를 얻고자 연락드렸었는데요.

만나서 이야기를 나누다보니,

어느새 제가 만들고 싶은 서비스를 설명하고 있었고,

사업 전반에 대한 이야기를 나누고 있었습니다.

제가 고민하고 있는 문제와 구현하고 싶은 비전이 특이님께서 올해 초에 고민하셨던 내용이었기에,

아이디어에 대해서 긍정적으로 봐주셨습니다. (정말 귀인을 만난 느낌이었습니다.)

(출처: 신과 함께 예고편)

한시간 반이라는 시간동안 즐겁게, 여러 인사이트와 관점을 나눌수 있었습니다.

• 초개인화에 따른 LLM의 비용 문제

• 사용자 패턴에 대한 고찰

집에 가보셔야하는 시간이 되어 다시보자는 이야기와 함께, 아쉽게 일찍 헤어지게 되었습니다.

그리고 이 글이 올라가는 지금 다시 만나러 갑니다.

이번에는 기존 팀원과 함께입니다. :) 

또한

뉴스빅데이터해커톤에 관심있으신 분을 찾고 있습니다!!

현재는 AI개발자(저), 풀스택개발자(팀원) 이렇게 두 명 구성되어있습니다.

뉴스에 관심이 있거나, 같이 고민해서 해커톤에 도전하실 분을 찾고 있습니다.

언제든 관심 있으시면 댓글, 커피챗, 카톡프로필로 연락주세요!

감사합니다! 🙏

AI 크롬 익스텐션으로 일 똑똑하게 하기

AI, 그거 저도 쓸 수 있는거에요?

AI가 그렇게 대단하고 편하다고 하는데 막상 실생활이나 업무를 할 때 사용하기는 쉽지 않은 것 같습니다. AI Store를 만들어 가는 저희도 기업들을 위한 편리한 AI 서비스는 많이 만들어봤지만 막상 업무를 할 때는 AI를 적극적으로 사용하기 쉽지 않은 것 같아요.

가장 쉽게 AI를 접하고 이용하는 방법은 ChatGPT를 쓰는 것 입니다. ChatGPT를 활용하면 정보를 요약하고, 글 작성을 위한 초안을 추천 받고 코딩을 할 때도 많은 도움을 받을 수 있습니다. 하지만 매번 탭을 왔다 갔다 하면서 사용하기에 불편하고 결과물이 매번 2% 아쉬워서 점점 안쓰게 되는 경우가 많은 것 같아요.

좀 더 편하게 AI와 ChatGPT를 쓰는 방법이 없을까 찾아보다가 발견한 것이 크롬 익스텐션이었습니다. 크롬 익스텐션은 크롬 브라우저에 설치할 수 있는 앱과 유사한 개념으로, 브라우저에 다양한 부가 기능을 추가할 수 있습니다.

ChatGPT 열풍으로 AI를 활용한 다양한 크롬 익스텐션이 등장했는데, 너무 많이 등장한 나머지 진짜 유용한 앱을 찾기가 정말 어려운 것 같습니다.

그래서 준비했습니다!

AI Store 선정, 일 잘하는 사람들을 위한 AI 크롬 익스텐션 Top 8

직장인을 위한 AI 크롬 익스텐션

업무에 따라서 하는 일들이 정말 다양하지만, 직장인이라면 누구나 회의를 하고 인터넷으로 자료를 찾아보며 이메일과 보고서를 작성해야 하는데요, 이럴 때 꼭 필요한 프로그램들을 모아봤습니다.

회의 내용 정리를 도와주는 익스텐션 - tl;dv, Fireflies

사실 회의 시간보다 회의 내용을 정리하고 요약해서 공유하는데 더 오래 걸립니다. 이 두가지 크롬 익스텐션을 활용하면 회의 끝나고 정리하는데 걸리는 시간을 획기적으로 줄일 수 있습니다.

이 두가지 익스텐션의 주요 기능들은 아래와 같습니다.

• Google Meet, Zoom으로 진행한 회의를 자동으로 녹화하고, 참가자 별로 속기를 해줍니다.

• 속기, 녹화한 내용을 시간대 별로 쪼개서 정리해줍니다.

• 중요한 순간들은 클립을 따주고 슬랙 등에 쉽게 공유할 수 있게 해줍니다.

• AI가 중요한 순간들을 알아서 선별하고, 전체 회의 내용을 요약해줍니다.

• 전체 회의 중에서 필요한 정보들을 검색할 수 있습니다.

회의를 도와주는 크롬 익스텐션은 위 두가지 말고 정말 다양하지만, 제가 직접 사용해봤을 때 아래 두가지가 가장 편리하고 똑똑한 것 같습니다. 두 서비스 모두 주요 기능들은 거의 비슷하지만 몇가지 차별점들을 가지고 있어서 아래 링크에서 직접 비교해보고 상황에 따라 필요한 서비스를 사용하면 좋을 것 같아요!

tl;dv 🔗바로가기

Fireflies 🔗바로가기

자료 수집과 웹서핑을 도와주는 AI 비서 - 라이너, Jasper, Monica

ChatGPT를 활용해서 진짜 인터넷 비서 역할을 하는 서비스들도 있습니다. 국내 서비스인 라이너와 해외 서비스인 Jasper와 Monica가 대표적입니다.

AI 비서 프로그램의 대표적인 기능들은 아래와 같습니다.

• 인터넷에 있는 장문의 글을 요약

• 특정 문장을 선택하면 해당 문장에 대한 추가적인 설명, 번역

• 글의 제목, 글 쓰는 목적 등을 선택하면 자동으로 상황에 맞는 글 작성 (ex. 이메일 작성하기)

• ChatGPT와 동일한 AI 채팅 기능

• 유튜브 내용 요약

• 구글 검색 시 AI가 추가적인 정보를 제공

라이너의 경우 조금 특별한 기능을 가지고 있는데요, 웹서핑을 하다가 중요한 내용을 저장하고 공유하는 기능이 있습니다. 아래 링크에서 각 서비스들이 가지고 있는 특별한 기능들을 찾아보세요!

라이너 🔗바로가기

Jasper 🔗바로가기

Monica 🔗바로가기

개발자를 위한 AI 크롬 익스텐션

위에서 모두를 위한 프로그램을 추천했다면, 이번엔 개발자를 위한 프로그램을 추천하고자 합니다. 사실 개발자분들은 이미 Copilot과 같은 AI 프로그램을 많이 사용하거나 직접 만드는 분들도 많을 것 같은데요, 크롬 익스텐션으로 브라우저에서도 AI 프로그램을 활용해보거나 AI를 활용하는 서비스를 만들 때 아이디어를 얻을 수 있을 것 같습니다!

프로그램 가이드 제작을 도와주는 AI

신규 서비스를 출시하면 유저를 위한 가이드(튜토리얼)을 만들어야 하는 경우가 정말 많습니다. 유저 가이드를 만들기 위해서는 서비스 동작 화면을 녹화하고 중간 중간 단계별로 편집하고 설명들을 작성해줘야 합니다.

Scribe라는 서비스는 이런 과정을 AI로 한번에 해결하고 쉽게 공유할 수 있도록 도와주는 프로그램입니다. Scribe 프로그램을 키고, 화면 녹화를 진행하면 자동으로 중간 중간 단계를 기록하고 설명을 쉽게 추가할 수 있습니다. 아래 링크에서 자세한 정보를 확인해보세요!

Scribe 🔗바로가기

코드 작성을 도와주는 AI (코파일럿)

VS Code나 Intellij를 활용해서 개발을 할 때 Copilot은 이제 필수 프로그램이 되었습니다. Codeium은 코파일럿과 유사한 프로그램으로, 크롬 브라우저에서 Colab and Jupyter와 같은 웹 에디터에서 코드 자동 완성 기능을 이용할 수 있습니다. 이 프로그램을 사용하면 AI가 코드의 문맥을 이해하고, 자동으로 코드 조각을 제안해줍니다. 또한, 자주 사용하는 코드 패턴을 기억하고, 이를 활용하여 코드 작성을 더욱 효율적으로 도와줍니다. 아래 링크를 통해서 바로 설치해보세요!

Codeium 🔗바로가기

대학원생, 연구원를 위한 AI 크롬 익스텐션

논문을 작성하기 위해서는 수많은 논문을 읽어봐야 합니다. 하지만 대부분의 논문은 정말 길고, 영어로 작성되어 있어서 빠르게 읽고 이해하기 어렵습니다. 이럴 때 사용하기 좋은 프로그램이 바로 논문 리서치를 도와주는 AI, SciSpace 입니다.

논문 리서치를 도와주는 AI, SciSpace

SciSpace는 전문 용어로 작성된 내용을 이해하기 쉽게 설명해주며, 채팅 기능을 통해 논문의 내용을 꼼꼼하게 이해할 수 있습니다. PDF도 인식해서 논문 속 수식을 선택하면 해당 수식을 분석해서 설명해주는 기능도 제공합니다. 한국어를 포함해서 정말 다양한 언어를 지원하기 때문에 편하게 사용할 수 있을 것 같아요!

SciSpace 🔗바로가기

필요한 AI가 없다면?

사실 회사와 직종에 따라 하는 일들은 정말 다양합니다. 그래서 회사에서 하는 업무에 딱 맞는 AI 서비스를 찾는게 더욱 어려운데요, 회사 업무 중에 AI로 대체하고 싶은 단순 반복적이고 지루한 업무가 있다면 달파에 문의해보세요!

달파는 수많은 기업들이 하는 다양한 업무에 특화된 AI 서비스를 빠르게 개발해드립니다. 동영상 편집, 번역, 자료 조사, 고객 응대 등등 정말 많은 분야에서 AI를 사용하는 모습을 AI Store에서 직접 둘러볼 수 있습니다!

AI Store 바로가기

실사 기반의 AI 포토앱을 만들고 있습니다.

안녕하세요!

실사 기반의 AI 포토앱을 만들고 있는 이대승입니다.

최근 몇 개월동안 AI로 만든 이미지가 굉장히 이슈화가 많이 되었습니다. 스노우에서 만든 AI 프로필을 시작으로 이어북이나 최근에 나온 하이틴 등 유저들이 AI가 만든 이미지에 재미를 느끼고 받아들이고 있는 것 같습니다.

지난 9월에 아이디어 피벗을 하고 생성형 AI 기반의 제품을 만들어 보려고 하던 중 모 스터디 모임에 참여하여 'AI 증명사진 생성' 프로젝트를 진행하였습니다. 프로젝트 진행 중 생각보다 결과물이 잘 나왔고 증명사진 뿐만아니라 다른 테마로 확장이 가능하여 이를 사업화 하기로 결정했습니다. 기존의 막강한 플레이어들이 있지만 이들보다 더 높은 싱크로율 ( 실제 유저와 같은 얼굴인지 )의 사진을 제공하고 좀 더 유저들이 원할만한 테마들을 만드는 것을 목표로 하였습니다. 또한 저희는 유저에게 1장의 사진만을 요구하기에 유저들이 더욱 편하고 쉽게 AI 이미지를 만들어 볼 수 있는 것도 다른 차별점입니다.

이 기능을 사용할 유저들의 목적으로는 다음과 같은 2가지가 있다고 봤습니다.

오락성

이 앱을 사용하는 것 자체 만으로 유저들은 즐거움을 느낍니다. 6월 ~ 8월 동안 유행했던 AI 프로필의 경우 사진관에서 찍은 프로필 사진과는 큰 차이가 없었지만 8장 ~ 12장 정도의 사진을 가지고 실제 나를 촬영한 것 같은 프로필 사진을 AI가 만들어 준다는 새로운 경험과 재미를 유저들에게 제공하였습니다. 이런 사진들이 인스타를 통해 바이럴 되고, 6000원 정도의 비싸지 않은 가격 때문에 1번씩은 만들어 보는 것 같습니다. 그러나 AI 프로필은 싱크로율이 높지 않아 나와 닮지 않은 사진에 대한 불만이 있었습니다. 이 시점에서 저희가 높은 싱크로율의 사진을 만들어 줄 수 있기에 사업화를 결정했던 것입니다.

그 이후에는 단순히 프로필 사진이 아닌 특정 테마를 기반으로 하는 사진들이 바이럴 되었습니다. EPIK 에서 만든 이어북이나 스노우에서 만든 하이틴 같은 것 들은 싱크로율도 꽤 높으면서 90년대 미국 고등학생을 테마로 하여 사람들에게 재미를 주었습니다.

이와 마찬가지로 저희도 높은 싱크로율과 비주얼 퀄리티가 높은 사진을 만들며 유저가 좋아할만한 테마들을 제공하는 것을 기본 컨셉으로 잡았습니다. 여러 테마들을 테스트 해 보았으며 현재는 AI 커플 화보와 AI 바디프로필을 먼저 제공하기로 최종 결정하였습니다. 10대, 20대, 30대 여성들이 포토앱의 주요 이용자 층 이라는 것이 테마 선정의 주요 요인이었습니다. 저희가 만든 AI 사진은 다음과 같습니다.

실용성

두번째는 처음 이 앱을 만들고자 했던 목적인 AI 증명사진 입니다. 증명사진은 정형화 되어 있기 때문에 기술적으로나 비주얼 퀄리티 측면에서 사진을 만드는 것이 비교적 쉽습니다. 현행법상 증명사진을 신분증에 사용할 수 없다고 행안부에서 지정했기에 ( 제도적인 부분이 개선되고 싱크로율이 높아지면 바뀔 것이라 생각되지만 ) 신분증이 아닌 취업 사진이나, 자격증 사진 등을 스튜디오에서 촬영하지 않고 더 저렴한 가격에 AI가 대체할 수 있을 것이라 여겨집니다.

타임라인

현재 앱 개발과 서버 개발이 어느정도 완료가 되어 차주에 테스트 후 런칭해보려고 합니다. 총 개발까지 걸린 시간은 4주 정도 걸린 것 같네요. 고객에게 피드백을 많이 받아 보진 않았지만 개발 규모가 크지 않았기에 빠르게 내보고 대응하려고 합니다.

향후 과제

먼저 이 앱을 만들고 어떻게 마케팅 할지 가장 큰 고민이 있는데요, 각종 커뮤니티에 홍보하거나 인스타그램 마케팅도 생각하고 있고 예산 범위 내에서 인플루언서 마케팅도 진행해보려고 합니다. 그리고 앱의 확장성에는 한계가 있어 보이고 지속성도 떨어지기에 어떻게 하면 유저들의 retention을 높일 수 있을지 고민하고 있습니다. 테마의 재 구매를 발생시키거나, 시간을 점유하는 방향 2가지가 있을 것 같은데 추후 반응을 보며 이를 위한 장치들을 마련하려고 합니다. 또한 이 기술을 활용한 다른 도메인으로의 수평적 확장도 고려하고 있습니다.

다음에는 앱 출시 소식과 함께 찾아오겠습니다. 출시 되면 한번씩 사용 부탁드립니다 :)

지금 어딘가에는 20년 전과 같은 현재가 있다.

프로덕트 선정의 기준이 생긴

팀퀸트의 우당탕탕 피봇 여정

첫 번째, 아이템

"시간관리 AI비서"

팀퀸트의 첫 동료를 맞이한 후

우리는 서로가 생각하는 아이디어를 공유했다.

해결하고 싶은 문제들과 그 문제를 해결하기 위한 솔루션을 이야기 나누며,

우리 둘 다 불편해 하던 시간관리 서비스를 만들어보기로 했다.

하루 만에 200명 이상의 사람들에게 설문조사를 하고

제품의 타겟을 분석하고 아이템을 빌딩하던 중

비개발자 단 둘이서 단기간에 할만한 스케일이 아니라고 판단했다.

1차 피봇

"예비창업가, 창업가 대상 사주서비스"

다시 처음으로 돌아갔다.

하고 싶은 것 말고 무엇이든 할 수 있게 자본을 벌어보자

우리가 빠르게 수익화 할 수 있는 것을 찾기로 했다.

그리고 공동 창업자의 재능으로 사주 서비스를 해보았다.

돈은 매우 빠르게 벌리지만

이게 우리가 원하는 창업은 아니었고

우리가 생각하고 해결하고자 하는 가치에는 부합하지 못했다.

2차 피봇의 이유

모두의 "시간"을 지켜주는 팀이 되자는 목표로 되돌아오다.

팀퀸트는 모두가 시간의 가치를 인식하고,

효과적으로 활용할 수 있도록 돕자는 목표를 정했었다.

하지만 목표와 다른 여러 시도들로

피봇 과정을 거치게 되었고

결국 우리는 프로덕트 선정 기준을 만들고

다시 사람들의 시간을 지켜주자는 우리의 팀 목표로 되돌아오게 되었다.

그리고 발견한 팀퀸트의 역할

"치과&치과기공소 SaaS 서비스 DentiQube"

빠르게 다시 한 번

우리가 제일 잘 할 수 있으면서 가치 있는 일을 해보자.

다시 밤새 이야기 하며,
공동창업자가 일전에 근무했었던

치과기공소 환경에 대한 이야기를 나눴다.

열악한 환경, 연차도 복지도 없는 세상

당연한 것들이 당연하게 지켜지지 않는 곳.

우리가 살고 있는 세상은 2023년인데
여전히 20년 전과 같은 모습을 하고 있다는 곳.

비효율과 비생산적인 구조가
익숙함에 가려져 발전이 되지 못한
이곳의 문제를 해결하고 싶었다.

그래서 우리 여정의 첫 페이지는

치과와 치과기공소의 불편함을 AI OCR기술로 해결하는

DentiQube가 되었다.

인비고웍스 - 제품 개발 기간 및 목표설정

목표 : MVP 제작

기간 : 2024년 3월 말

인비고웍스는 내년 3월까지를 목표로 고객에게 필요한 제품을 출시할 것이다.

다른 사람들의 메이커로그를 많이 보았다. 각각의 고민들과 성과들이 나와있어서 '저 팀은 저런 생각들을 하며 사는구나' 라고 느꼈다. 뭔가 어마어마한 걸 쓰고 싶긴하지만 거창하게 쓰기보단 담담히 우리의 상황이 어떠한지, 어떤 부분을 고민하고 있는지 공유를 하고자 한다. 이 글을 읽고 누군가 비슷한 상황이라면 어떤식으로 우리팀이 해결하는지 보면서 무언가 얻어가길 바란다. 이 글을 읽고 '아, 저런 방법이?' 혹은 '나같으면 저렇게 말고 이렇게 할텐데' 등의 반응들이 나오면 만족이다. 후자라면 댓글로 같이 이야기를 나눴으면 좋겠다.

현재 감사하게도 우리의 아이디어만 듣고도 계약을 해주신 고객님이 있다.

아직 제품이 없고, 컨셉만 있었던 아이디어인데 흔쾌히 계약을 해주셔서 인비고웍스를 시작할 수 있었다.

우리가 만들 제품의 핵심은 '회계'다.

기존 제조업들이 회계 결산을 진행할 때, 생산 원가를 기반으로 매출을 산정하는데 이 방식은 간접비에 대한 계산이 빠져 있어서 실제 제품당 생산 원가가 예상했던 것보다 높다는 문제가 있다.

쉽게 말해, 원래 A제품 생산원가가 1,000원인줄 알고 1,500원에 팔았는데 사실 2,000원인 경우가 있다는 것이다.

이런 부분을 우리가 직접 생산 공장을 실사로 방문하면서 각 기업 제품의 정확한 생산 원가를 측정하고, 측정된 활동기준 원가를 바탕으로 기업에 솔루션을 제공, 재고의 실시간 모니터링, 나아가 결산의 자동화까지 해주고자 한다.

우리가 하는 것은 더존과 같은 ERP 솔루션과 경쟁하는 것이 아닌 그 앞단의 회계처리를 도와주는 역할이다.

위와 같은 제품을 만들기 위해, 3월까지 만들 제품의 수준을 다음과 같이 설정하였다.

1. 데이터 형태 파악

2. 회계 템플릿 적용

3. 보안

4. 솔루션 생성

AI 이전에 SaaS 형태로 제품을 만들 예정이기에 전체적인 시스템 설계를 메인으로 보고 있다.

현재 가장 고민을 많이 하고 있는 부분은 재사용성의 최적화다.

기업별로 제품 생산라인이 다르고, 각 제품마다 적용되는 간접비의 템플릿이 다르다.

그렇기에 우리가 실사를 나가서 데이터를 모아와야하는데 이는 규모가 커질수록 감당하기 어렵다는 문제가 있다.

때문에 어떤 데이터들을 재사용할 것인지 결정하고, 신규 기업에 서비스를 런칭할 때 빠르게 회계 템플릿을 적용할 수 있는 방안을 논의중이다.

당장은 고객사에서 데이터를 받아 어떤 데이터가 들어오는지 확인하는게 우선이다.

11월달에 공장 실사를 할 예정이며 확보한 데이터를 바탕으로 개발팀과 이야기를 진행해보고자 한다.

다음주에 진행할 일은 다음과 같다.

• 책읽기

• 프론트 구인

• 메이커로그 작성

위 책은 인비고웍스의 대표인 희성님이 추천과 함께 선물받은 책이다. 향후 활동기준 원가를 측정할 때 사용할 방법론이 설명되어 있기에 잘 읽고 숙지할 예정이다. 시스템 설계에 대한 부분을 고민하고 있기에 많은 도움이 되리라 생각된다.

이번주는 이정도로 마무리 하고 다음주에 새로운 소식을 들고 찾아오겠습니다.

PMC - 1

사실 BIP를 하기 위한 프로젝트에 대한 고민이 있었다. 여러가지 프로젝트에 대하여 각각의 상태가 다르기 때문인데, 우선 작업하고 있는 세가지의 프로젝트가 있다.

첫번째는 여행 앱으로서 여행 일정에 대해 상세한 계획을 자동으로 생성하는 여행 copilot 앱으로서 그나마 개발이 상당수 진행되고 GTM이 얼마 안남은 상황이기는 하다. 국내의 방대한 여행 데이터를 임베딩하고 기본적인 RAG를 사용하여 구축했는데 확실히, 다른 일반적인 GPT에 비해 보다 상세하고 재미있는 일정을 제공해주기는 한다. 하지만, 여전히 hallucination이 있고, 이를 해결하기 위한 다양한 방법을 모색하다보니 기술적으로 보다 코어한 부분을 탐색하며 이를 실험하게 된다. 따라서 이러한 실험을 계속 진행하고 만족할만한 결과물이 나올 때까지는 배포를 미룰 계획이다..

두번째는 이커머스 툴로서 가장 신경을 쓰고 있는 프로젝트이다. 기본 기획은 완료했으나 개발을 하면서 여전히 상세 기획과 리서치가 필요한 상황이다. 아마도 주요 기능 중 하나가 유용하다면 이를 배포하여 시장적합성을 확인할 수도 있겠다.

세번째는 생산성과 회고를 위한 agent 서비스이다. 개인적으로 작업을 하면서 뽀모도로 테크닉과 매주 회고를 작성하고는 한다. 또 회고를 위한 커뮤니티에 참여하여 상호 피드백에 대한 장/단점을 확인할 수 있었는데, 이에 대한 강제성과 피드백을 agent가 줄 수 있다면 어떨까라는 아이디어에서 시작한 것이다. 

이 프로젝트 중에 아마도 세번째 프로젝트가 시장 적합성을 빠르게 확인할 수 있는 서비스로서 BIP를 하기 좋지 않을까 싶다. 물론 이는 유동적으로 바뀔 수 있지만 말이다.

팀은 solopreneur로서, 한동안은 혼자서 모든 것을 진행하고자 한다. 정확하게는 AI와 함께일것이다. 이는 자의적인 선택으로 현재도 다른 곳에서 함께 진행하고 있는 팀이 있고, 10년이 넘는 기간동안 다양한 규모의 팀에서 같이 일해보았기에 팀의 효율화에 대해서 항상 고민하며 노력해왔다. 사실 이번 기회에 혼자 어디까지 갈 수 있을지 내심 궁금하기도 하지만, 과거와 달리 AI를 탑재하면서 많은 환경이 변한것은 사실이다. 무엇보다 기획, 디자인, 마케팅 등은 이를 대체할 수 있는 다양한 AI 기반 서비스들이 쏟아지고 있고, 개발 역시 copilot과 함께라면 주니어 개발자를 함께 탑재한 채로 생산성을 높일 수 있다. 

제안서 누가 써줬으면!

안녕하세요 디스콰이엇, PMC 여러분 자기소개같은 메이커로그로 첫인사를 드립니다.

제안서 대신 써드려요!

제가 팀원들과 함께 랩큐에서 기획 및 개발을 하고 있는 Propgpt(가제)는 LLM을 통해서 어려운 제안서 작성을 도와주는 생산성 툴입니다. 대학생 공모전용으로 작성하는 짧고 간단한 제안서부터 100페이지가 넘어가는 정부과제 제안서들까지 아주 다양한 제안서들이 있는데 어느 것 하나 빈 칸에서 무언가를 채워나가기는 생각보다 어렵습니다. 이제는 Propgpt를 통해 막막한 빈칸을 순식간에 채워 초안을 생성하고 신경쓰지 못했던 포인트들을 제안받을 수 있습니다. 더 나아가 이전의 제안서들 또는 참고자료들을 첨부하여 필요한 내용을 제안서에 반영할 수도 있습니다.

위 내용을 바탕으로 저보다 나은 광고 카피를 만들 수 있는 gpt-4...

🌟 Propgpt: 제안서 작성의 혁명, 빈 칸의 두려움에서 자유로워지다! 🌟

📄 대학생의 간단한 공모전 제안서부터, 100페이지를 넘는 정부 과제까지...
제안서 작성은 항상 쉽지 않았습니다. 하지만 이제는 Propgpt와 함께라면 모든 것이 가능합니다.

✍️ 빈칸 앞의 고민, 이제 그만!
막막했던 빈칸을 순식간에 완벽한 초안으로 변화시켜줍니다. 생각지 못한 포인트와 아이디어로 당신의 제안서를 더욱 강력하게!

🔄 과거의 제안서, 오늘의 완성품으로
이전 제안서와 참고자료를 Propgpt에 첨부하면, 그 경험을 바탕으로 당신의 제안서를 더욱 풍부하게 만들어 줍니다.

💡 생각보다 쉽고, 생각지 못한 결과물을!
제안서 작성의 어려움을 Propgpt와 함께라면 극복할 수 있습니다. 생각보다 쉽게, 생각지 못한 퀄리티로 당신의 아이디어를 전달하세요!

어떻게 만들게 되었나

저희는 실제로 제안 작업을 자주하고 있기 때문에 저희가 마주하고 있는 문제들을 해결하기 위해 현재 프로덕트인 Propgpt가 만들어지고 있습니다. 몇 가지 문제와 사례를 공유드리면,

1. 제안서 작업 시 시간과 자원이 생각보다 많이 들어간다.

   • 특히, 많은 스타트업, 1인 기업들은 작성에 어려움을 크게 느끼거나 포기한다.

   • 특정 사업의 경우 수요기업의 제안서를 공급기업이 대신 작성하거나,

   • 외주를 통해 비용을 지불하여 작성한다.

2. 협업할 때 어렵다.

   • 100페이지 정도의 분량의 .hwp 형식 제안서는 같이 작업할 때 어려움이 많다.

   • 버전 관리에서 실수가 발생할 수 있다.

3. 참고하기

   • 이전에 작성한 제안서나 참고자료에서 쓸만한 정보들을 가져오는 과정이 번거롭다.

그래서 위의 문제들을 차근차근 해결해나가기 위해 노력하고 있습니다.

*혹시 제안서 또는 각종 페이퍼 워크를 하시면서 겪으셨던 어려움이 있으셨다면 댓글로 공유해주세요!! 커피챗도 환영입니다.

Propgpt 현재 화면입니다. 디자이너는 정말 소중한 것 같습니다...

앞으로는

저희는 Propgpt의 출시일을 11/22로 생각하고 있습니다. (D+24) 베타 버전으로서 스타트업과 1인 기업 사용자를 타겟으로 출시할 것이고 좋은 제품으로 만들도록 최선을 다해보겠습니다.

Microsoft's "Generative AI Roadshow": 국내 주요 기업들이 생성AI를 쓰는 법 한번에 이해하기

이틀전 마이크로소프트에서 주최한 Generative AI Roadshow가 열렸습니다. 우아한형제들, 원지랩스, 핀다, 효돌, 야놀자, 쏘카, 정육각, 콕스웨이브, 토스, 뤼튼, 뤼이드, 두나무에서 각 연사분들이 오셔서 어떻게 자신의 제품에 생성AI를 쓰고 있는지 공유하셨어요.

되게 좋았던 점은 정말 다양한 업계/분야에서 어떻게 LLM을 사용하는지 알 수 있었고, 단순히 "지금 우리가 생성AI를 이렇게 쓰고 있다"가 아닌 어떤 문제가 있어서 어떻게 해결하고자 접근했는지, 솔루션의 기술 디자인은 어떻게 구성돼있는지 그 과정을 정말 상세하게 알려줘서 놀랐어요. 기본적으로 각 팀이 얼마나 강력한 문제해결 능력을 갖고 있는지 체감할 수 있었습니다.

각 기업별로 바로 내용정리를 하는것보다, 조금 더 큰 주제들로 묶어서 정리하고자 했습니다.

• 어떻게 문제를 접근하고 어떻게 생성AI로 해결하는지

• 생성AI를 쓰면서 겪고 있는 기술적 문제점/한계점과 해결책

• 생성AI의 장단점

어떻게 문제를 접근하고 어떻게 생성AI로 해결하는지

일단 먼저 10+개 회사들의 랜드스케이프를 그려볼게요.

원지랩스, 뤼튼, 효돌은 AI native 제품들과 가깝고 B2C 대상으로 하고 있고, 반대로 콕스웨이브는 impaction.ai를 통해 AI native 제품을 B2B 대상으로 하고 있습니다.

x 축 밑의 회사들을 보면 정육각, 야놀자, 두나무, 쏘카, 우아한형제들은 B2C 대상으로 하고 있는 제품들이고, 원래는 AI native가 아닌 기존의 서비스 위에 AI를 탑재한 형식으로 가고 있습니다. 마지막으로 토스와 핀다는 B2B2C로 마찬가지로 기존 제품에 생성AI를 입히고 있습니다.

공통적으로 이 모든 곳들에서 가장 중요하게 생각했던 질문은 "우리 제품에 정말로 생성AI가 필요한가?"입니다. 우아한형제들 CPO, 이기호님이 패널토크에서 "저희는 새로운 기술을 도입할때마다 항상 돌다리를 엄청 두들기고 나서 도입합니다"라고 말하신게 가장 와닿었어요. B2C 특성상 새로 도입한 기술 때문에 에러가 나서 조금이라도 배달이 늦어지거나 다른 주소지로 배달된다면 고객 경험이 급격하게 떨어지면서 감당해야할 리스크가 너무 커지기 때문입니다. 마찬가지로 쏘가 박재욱 대표님께서도 언급하신건 고객센터에 생성AI를 탑재했는데 차량 사고가 났을때 AI 상담원이 원하지 않는 방향으로 대처를 하게 된다면 정말 큰일이 난다는 것입니다.

이건 B2B도 마찬가지죠. 엔드유저가 받아야하는 정보들이 정말 명확하게 한치의 오차도 없으려면 생성AI를 과연 쓰는게 정답인가 생각해봐야합니다. 이걸 고치지 못하고 해결하지 못한다면 자신의 제품에는 치명적인 버그가 생기는거에요.

이 파트에서 소개시켜드릴 기업들은 단순히 생성AI를 무조건 우리회사에 툴로 써야겠다가 아닌, 실제로 해결해야하는 문제가 명확해서 이걸 해결하고자 했을때 생성AI가 더 나은 해결 방안이 될 수 있을 것 같아 활용한 기업들입니다.

배민: 리뷰 데이터를 학습시킨 검색 추천 시스템

우아한형제들과 같은 경우에는 처음에 실시간 채팅 기능을 생성AI로 도입하려고 했는데, LLM의 할루시네이션이 발생하면 사용자들이 바로 배민 서비스로 받아들일까봐 걱정을 했었고, 배민은 특정 시간에 대량 트래픽이 몰리는데 그걸 GPT가 감당하지 못할 것을 우려해 과감히 포기했습니다.

대신 배민은 생성AI가 키워드를 통해 더 빠른 검색을 해줄 수 있는 기능을 만들었어요. 기존의 문제점은 대부분의 사람들이 처음에 배민을 접속했을때 어떤 메뉴를 어디서 사야할지 고르지 않고 들어와서 검색만 하는데 시간이 오래 걸린다는 것이었습니다. 그걸 해결하기 위해서 사람들의 리뷰 데이터를 모은 다음, 각 리뷰에서 식감, 빈도성, 그리고 누구와 함께 먹었는지에 대한 키워드들을 추출해서 생성AI에게 학습시켰습니다. 즉 예를 들어 "가족과 함께, 바삭" 이런식으로 검색하면 간장치킨에 대한 검색 결과값들이 리스트업됩니다.

정육각: GPT를 활용한 리뷰 작성 도우미

정육각은 배민과 비슷하게 리뷰 데이터를 학습시켰지만 조금 다른 문제점을 겪고 있었습니다. 사람들이 고기를 먹고 나서 리뷰를 쓸 생각을 안한다거나 나중에 쓰기 귀찮아져서 리뷰의 퀄리티가 떨어진다는 점이었습니다. 이 문제를 해결하기 위해서 사용자들의 후기와 제품 정보, 리뷰에 있는 키워드를 바탕으로 프롬프트를 생성해서 OpenAI가 리뷰를 대신 작성하게끔 계속 질문을 던지는 파이프라인을 만들었습니다.

쏘카: 고객센터 생성AI 챗봇

(개인적으로 제 최애 발표였어요..진짜 너무 논리정연하게 설명해주심)

쏘카와 같은 경우에는 고객센터가 365일 24/7 돌아가고 있었고, 쏘카 특성상 상담을 할때 상황 이해에 들어가는 노력이 많이 필요해서 시간 소요가 어마무지하게 들어가고 있었습니다. 쏘카가 커지면서 생긴 문제는 운영비용 증가, 길어지는 문제해결 시간, 늘어나는 고객의 대기시간, 상담 퀄리티의 비일관성였습니다.

해결하기 위해서 1) 제품 퀄리티 높여서 애초에 상담 인입량 감소, 2) 상담 연결에 소요되는 시간 줄이기, 3) 고객 상황을 이해하는데 필요한 시간 줄이기 등이 있었고, 최대한 고객이 스스로 해결하고 특정 영역의 문제만 사람이 응대, 그리고 균일한 상담 매뉴얼을 적용하면서 전화 대신 채팅을 계속 유도하고 있었기 때문에 챗봇 에이전트를 만들고자 했대요.

해결방안을 무려 5가지 경우의 수로 나눠서 판단을 했습니다.

1. 시나리오 기반 버튼형 봇: 시나리오 개수에 따라 눌러야하는 버튼 너무 많음. 유저 경험 저하.

2. 시나리오 기반 supervised 봇: 정확하게 인식 못함.

3. 시나리오 기반 LLM 봇: Zero hallucination 못 피함.

4. Prompt 기반 LLM 봇: Zero hallucination 못 피함.

5. Fine-tuned LLM 봇: Zero hallucination 못 피함.

그 중에서 시나리오 기반 LLM 봇을 하기로 하고, 유저의 텍스트 인풋에 따라 상담의 의도를 바로 LLM이 파악하면 RAG, vector search를 같이 사용해서 상담 매뉴얼 DB에서의 검색 결과를 높이고, 할루시네이션이 나오면 미리 후처리해서 LLM이 답하는 것보다 인간 상담원에게 바로 연결을 할 수 있도록 디자인했습니다.

이렇게 우아한형제들, 정육각, 쏘카 예시를 정리했는데, 이 세가지 기업의 공통점은 전부 기존의 프로덕트 위에서 생성AI를 결합했다는 것입니다. 그렇기 때문에 생성AI를 중심으로 만들어진 AI native 제품들과 달리 생성AI에 많이 의존하고 있지 않은 대기업들에서는 어떻게 기존의 제품 문제해결을 이번에 생성AI로 했는지 잠시 엿볼 수 있었습니다.

생성AI를 쓰면서 겪고 있는 기술적 문제점/한계점과 해결책

이 섹션은 많은 기업들에서 공통적으로 언급한 생성AI의 기술적인 문제점과 그에 따른 각 기업만의 해결책을 정리하고자 합니다. 일단 기본적으로 가장 많이 언급됐던 생성AI의 한계점은 할루시네이션과 운영 비용입니다.

다음으로 많이 언급된 기술은 RAG (Retrieval Augmented Generation)이었습니다. RAG는 LLM이 더 정확한 정보들을 내뱉을 수 있게 하는 기술입니다. 예를 들어 LLM에 구글 검색 엔진을 붙여서 실시간 정보들을 불러올 수 있게 하거나, 필요한 정보들이 담겨져 있는 PDF 파일 등을 넣어줘서 내가 원하는 데이터베이스 내에서만 답변을 생성하도록 하는 것입니다.

할루시네이션 문제

각 기업에서 언급한 할루시네이션 문제입니다.

• 배민: 회사에서 만든 실시간 채팅 기능에서 발생한 할루시네이션이 배민 서비스라고 받아들이면 큰 문제가 됨.

• 야놀자: LLM이 어떻게 대답할지 예상하지 못하고, 100% 정확한 대답을 내뱉는다는 장담 못함, 항상 원하는 대답을 도출하도록 컨트롤 하지 못함

• 쏘카: zero hallucination 방지 어려움

• 두나무: 실시간 증권 정보 검색 서비스의 답변에 대한 신뢰도 부족.

• 토스: 디자이너가 만든 UI/UX wireframe 초벌코드를 생성AI가 대신 짤 수 있도록 파이프라인 짜려고 함. 실제로 해보니 생성된 코드가 어디로 튈지 몰라서 에러체킹하는데 시간이 더 많이 걸림.

할루시네이션 해결책

1. 야놀자

   • rule-based filtering으로 해결해줄 수 밖에 없음. "이건 괜찮고 이건 절대 안돼" 이런식으로 최대한 할루시네이션 결과물들을 걸러줘야함.

   • 어떤 프롬프트가 좋은지 evaluation 체크를 해줘야함.

   • 인풋 필터링 (전처리)를 해주고, 아웃풋 필터링 (후처리)도 해주고 있음. 아웃풋이 원하는 결과물이라면 그 결과물들을 계속 학습시키면서 모델을 고도화시키기.

   • Evaluation을 GPT-4를 사용해서 함. 사람보다 싸고 scalable함.

   • 100% 정확한 정보들만 추출하기 위해 RAG 사용

2. 쏘카

   • 별도의 isolation: LLM에게 모르는 데이터가 들어오면 바로 인간 상담사에게 연결

   • 파인튜닝한 여러 LLM들을 통해 시나리오 기반으로 응대하기 때문에 zero hallucination 달성

   • RAG와 vector search로 응대 로직을 짜서 최대한 정확한 정보들만 추출

3. 두나무

   • 답변에 대한 신뢰도를 향상시키기 위해 생성AI가 내뱉은 답변에 대한 근거 document 사용자에게 제시. (사용자가 LLM의 오류를 서비스로 그대로 받아들이는 것을 방지하기 위해)

4. 원지랩스

   • 후처리 Learning GPT 만듦. 방금 나눈 대화를 학습해야하는지 아닌지 판단하고 좋은 데이터만 계속 학습시켜서 모델을 똑똑하게 만들기.

즉 할루시네이션을 해결하고자 대부분은 전처리, 후처리를 통해서 최대한 방지를 하고, 원하는 결과물들이 나왔을때 그것들을 계속 모델에 반복 학습시키면서 고도화하는 작업을 거쳤습니다.

그 외 이번 이벤트를 통해서 개인적으로 신기했던 문제점/해결책은 콕스웨이브에서 현재 만들고 있는 impaction.ai인데요, 콕스웨이브에서 찾은 생성AI 시대의 기회/문제점은 점점 사람들이 웹 어플리케이션를 사용하는 방식이 기존 UX에서의 버튼 클릭이나 드래그와는 다르게 이제 프롬프트, 즉 대화형으로 바뀌었다는 것입니다. 앞으로 AI native 기업들은 사용자들이 내 서비스를 어떻게 쓰는지 알기 위해서는 어느 버튼을 얼마나 많이 클릭했는지가 아닌, 어떤 프롬프트를 몇번 사용해서 원하는 결과물까지 도달했는지 알아야해서 새로운 검색 서비스를 만들고 있다고 하더라구요.

이건 원지랩스에서도 잠깐 언급한, 현재 Azure cognitive search의 한계점이었습니다. 유저가 맨 처음에 프롬프트를 입력하고 그 프롬프트에 필요한 정보를 불러오기 위해 데이터베이스 검색을 할때 검색엔진이 GPT를 위해 만든게 아니여서 이상한 결과를 불러올때가 많다고 했습니다. 원지랩스에서는 이를 해결하기 위해 실제 데이터베이스 검색을 하기 이전에 먼저 거치는 orchestrator 모델, 즉 어떻게 답변을 해야할지 전략을 짜주는 GPT를 만들었습니다.

생성AI 장단점

단점은 위에서와 같이 할루시네이션과 운영비용이 크게 든다는 것이 있지만, 생성AI가 데이터 가공을 할때 많은 업무 향상을 해준다는 장점도 여러번 언급됐습니다.

핀다에서는 특히 기존에 고객 데이터를 관리하고 이해해야 할때 NLP를 사용했었는데, 데이터를 가공하고 키워드를 뽑아내고 하나하나 이해시키는데 많은 시간이 들어간다는 단점이 있었습니다. 높은 난이도의 개발자가 필요한건 물론이고 키워드를 뽑아내고 나서는 모델링, 분석을 해야하는데 매우 어려운 프로세스라고 했습니다.

이를 해결하고자 생성AI를 사용했더니 높은 기술 지식이 필요없어도 고객을 이해할 수 있는 분석 테스트를 퀄리티 높게 뽑아냈습니다. 예를 들어 예전에는 고객 피드백 중 "폭이 더 넓었으면 좋겠다"라는게 들어오면 어떤 "폭"을 말하는지 머신러닝 모델이 알기 어려웠는데, 핀다가 학습시킨 생성AI에게 넣어주면 "더 넓은 폭의 대출상품을 제공해줬으면 좋겠어요" 식으로 이해를 하고 내뱉어준다고 했습니다. 또 다른 예시는 예전에는 감정분류에 대한 키워드가 너무 많아서 리뷰가 긍정인지 부정인지 알기가 매우 어려웠었는데, 이제는 생성AI가 키워드를 바탕으로 문장을 생성해줘서 담당자들이 더 쉽게 데이터를 이해할 수 있다고 했습니다.

토스와 같은 경우에도 기존 서비스에서는 간편 결제, 대출, 카드 발급 등 엄청나게 많은 카테고리가 있고 팀별로 쌓이는 데이터가 달라서 이걸 다 합치고 레이블링하는데 초반에 매우 시간 소요가 많다고 했습니다. 더 빠르게 하려면 더 많은 사람들을 채용했어야 했는데 이젠 생성AI가 훨씬 빠르고 퀄리티 높게 데이터 레이블링을 한다고 하더라구요.

그래서 아직까지 조금은 '치명적인?' 단점이 존재하지만, 이런식으로 비정형화된 데이터를 정형화시키거나 레이블링하는 업무들은 생성AI가 확실한 장점을 갖고 해결해나가는 것 같았습니다.

마무리

이번 이벤트를 통해서 배운 점들입니다.

• 할루시네이션 문제를 어떻게 각자 해결하고 있는지

• 기존 대기업/incumbent들은 어떤 문제들을 생성AI로 해결하는지 (고객센터 봇, 검색 추천 서비스 향상, 리뷰 작성 도우미)

• AI native 제품들은 확실히 다른 비즈니스 모델과 접근 방식을 갖고 있음 (너무 재밌다...)

확실히 아직까진 기술 발전이 더욱 필요하고, 운영 비용들이 빨리 내려가길 바라고 있습니다. 하지만 토스와 핀다를 통해서 잠깐 볼 수 있었던 생성AI의 장점은, 인간이 기존에 했어야 했던 시간이 오래 걸리는 반복적인 업무들을 생성AI가 대신 몇시간 안에 해결하는걸 보면서 앞으로 우리는 좋은 제품 빌딩을 하는데 필요한 "더 중요한" 업무들에 집중할 수 있는 시간들이 점점 생길거라는 것입니다. 그래서 더욱 기대되기도 하네요.

오늘도 긴글 읽어주셔서 감사합니다!

[W23] Maker's Night#1 - 요점정리 Tip 과 Insight 그리고 팀원

선착순이라서 탈락될 줄 알았지만, 운이 좋게도 노트테이커에 참여 하였습니다. 

오랜만에 칼퇴를 하고 강남으로 향했습니다.

도착한 Maru360 11층 라운지 공간이 너무 멋있었습니다.

이렇게 멋진 공간에서 창업을 꿈꿀 수도 있구나 싶었습니다.

이 날은 번개가 많아서 하늘 배경도 멋있었습니다.

그렇게 세션이 시작하고 첫 박수를 마지막으로 맥북에서 손을 떼지 못했습니다.

세션은 질문을 띄워두고 질문에 대한 각 패널분들의 의견을 진행자가 묻는 방식으로 진행되었습니다.

처음에는 들리는데로, 발언자 위주로 정리하다가,

후반에는 질문과 각 발언자의 답변을 정리하는 방식으로 변경하였습니다.

다음 노트테이킹 하시는 분께 도움이 되면 좋겠네요.

노트테이킹 예시

패널

• 달파 김도균 대표님

• 스모어톡 황현지 대표님

• 10X AI 용혜림 클럽장님

• 진행: 이요한 오퍼레이터

---

개인 소개

10X AI 용혜림 클럽장님(용): 디스콰이엇에서 10X AI클럽(AI 커뮤니티) 운영중

달파 김도균 대표님(김): 다양한 B2B AI 프로젝트 진행, 다양한 비지니스에 대한 부분 전달 할수있을듯

스모어톡 황현지 대표님(황): 기업대상 AI 이미지 어시스턴트 개발중, 가장 잘할수있는 이미지 생성 모델을 골라서 쓰기 쉽게 보조하는 솔루션 제작

Q. 빠르게 여러 서비스를 개발 + 운영 하는 비결?

(황)

• 노코드툴 이용

• 작년 11월에 Pivot - CSO 이정민님(3일만에 테스트케이스)

Q. 아이템 선정 과정 0→1, 1→ 10 의 과정은?

(김)

• 0→1: 험난한 과정 , 주니어 팀: 인맥 X , 3~4명이서 콜드메일을 밤새가면서 보냄(300개 기업)

패널 세션 끝에 다운님의 세콰이어캐피탈 통계도 제게 인사이트를 주었습니다.

LLM을 사용하는 여러 스타트업 중에서 기술적 엣지 를 가지고 가려면 이 정도는 해야되는구나 라는 기준으로 말이죠.

마지막으로

뉴스빅데이터해커톤에 관심있으신 분을 찾고 있습니다!!

현재는 AI개발자(저), 풀스택개발자(팀원) 이렇게 두 명 구성되어있습니다.

뉴스에 관심이 있거나, 같이 고민해서 해커톤에 도전하실 분을 찾고 있습니다.

언제든 관심 있으시면 댓글이나, 카톡프로필로 연락주세요!

감사합니다!

우리 딱 10번만 실패합시다!

지난 6개월 간 저희 팀이 진행하였던 험난한 아이디어 검증과정에 대해서 소개해드립니다. 

그리고 이를 통해 AmplifyAI는 왜 Lead Generation 비즈니스를 시작하게 되었는지 말씀드리겠습니다.

'아이디어 불패의 법칙'에서 말하는 필승전략

아이디어 불패의 법칙이라는 책을 아시나요? 이 책의 딱 한 가지의 핵심을 말씀드리면 아래와 같습니다.

책에서 아이디어가 성공할 확률은 단 1%라고 말합니다. 그럼 이때, 무조건 성공하는 방법은 있다면 그건 무엇일까요? 그건 바로 100번을 시도하여서, 1 단위의 성공할 아이디어를 찾는 것입니다. 그럼 이를 위해서 우리는 무엇을 해야할까요? 바로 100번을 시도할 능력을 길러야합니다. 

성공확률이 1%라면, 100번 시도할 경우 성공합니다.

100번 시도를 하기위한 능력을 기르기 위해서, 우리는 이를 수치화해야합니다.

저는 보유자원과 투입비용의 개념을 더해서 아래와 같은 방정식을 만들었습니다. 

우리가 현재 보유한 자원 > 투입비용 총합(한 단위 당 투입비용* 아이디어검증 실행횟수)   

해당 방정식에서 변수와 상수가 무엇인지를 살펴보면, 

1. 우리가 현재 보유한 자원(상수) : 초기투자금액. 제품이 없는 상태에서 투자받지않는 이상, 해당 값은 처음 값에서 변하지 않습니다. 

2. 아이디어검증 실행횟수(상수) : 우리는 위 논리에서, 100번 시도해야만 성공한다고 가정하였기에, 이 숫자는 100에 가까운 숫자로 상수로 볼 수 있습니다. 

3. 한 단위 당 투입비용(유일한 변수) : 우리가 계획을 통해서 줄이는 통제가능한 유일한 값. 결국 100번 실행하기위해서 해당 변수를 줄여야합니다. 

우리는 유일한 변수인 '한 단위 당 투입비용'을 줄여야합니다. 

이해를 위해 이를 차트로 표현하면 다음과 같습니다.

100번 시도를 현재보유자원 이내에서 해낸다면 우리는 성공합니다. 이는 기울기가 낮은 파란 그래프에 해당합니다. 이와 반대로, 기울기가 큰 빨간 그래프는 100번 시도 이전에 현재 보유자원을 다 소모하였기 때문에, 실패하게 됩니다. 결국 성공과 실패를 가르는 핵심은 차트의 기울기에 해당하는 ‘한 단위 당 투입비용'을 줄이는 것! 인거죠.

AmplifyAI팀의 실제예시 : 딱 10번만 실패합시다. 

저희는 직장을 다니면서 사이드프로젝트로 시작한 팀입니다. 사이드프로젝트에서 일반적인 창업아이템 발굴확률을 10%로 가정하여서 시작하였죠. 그렇다보니, 저희는 '10번 시도'를 하면 창업을 위한 아이디어를 확정 지을 수 있다는 공동목표를 잡았습니다.

이제 이를 위해 투입가능한 예산을 잡았습니다. 

1. 현재 저희가 보유한 자원 :  현금 200만원 / 작업기간 6개월 (총 10번 시도 필요)

2. 1 건당 검증비용 : 현금 20만원 / 작업기간 18일  

이렇게 계산해보니, 1건당 검증비용과 작업기간이 굉장히 한정적인 것을 깨달았습니다. 이제부터 한정된 자원과 시간을 어떻게 활용해서, 우리의 아이디어를 검증할지 고민하게되었습니다. 고생 길은 지금부터 시작인데,,

이후 계속!

GPT를 활용해 하루 3분 일상 흔적 남기기 (1)

ToDa라는 서비스는, GPT를 활용하여 유저가 일기를 작성하는 시간(귀찮음)을 줄여주는 솔루션입니다. 저는 기획자이자, 팀의 프롬프트 엔지니어로서 어떻게하면 INPUT을 입력하는 노력 대비, 결과물이 가져다주는 효용을 높여줄 수 있을지에 대해 GPT 4를 활용하며 다양한 시도를 하고 있습니다.

▮ GPT에게 일기 작성 세팅하기

• 우선 SYSTEM에 OUTPUT으로 전달 받고 싶은 값이 무엇인지 명령문을 입력하고,

• GPT 4에서 제공하는 간단한 커스터마이징 요소 (Temperature,Top P, Frequency penalty, Presence penalty)를 조작하여

• <키워드를 입력할 때, 일기를 작성해줘>라는 부탁을 할 수 있도록 세팅해두었습니다.
  (자세한 조건들은 앞으로 6주 동안, 일기 작성 전용 프롬프트와 요소값을 직접 실험해보면서 차차 공유드리도록 하겠습니다.)
  

결과물을 읽어보셨나요?
평소 영화를 보거나, 드라마를 봐도 크게 주인공들의 감정 상태에 공감하지 못하는 성격인데, AI가 제 일상에 대해 이정도로 감정을 서술해준다는 것이, 저는 제 일상이 공감받는 듯한 느낌을 받았습니다.

물론 거짓말이 종종 섞여 있으며, 제가 실제 느낀 감정과 다르게 서술된 부분들이 많았지만, 그러한 서술들을 읽으며 제가 정말 느꼇던 감정은 무엇이었는지 되짚어 볼 수 있어 좋았습니다.

그렇다면, 지금까지 제가 일기 전용 프롬프트를 작성하면서, 또는 앞으로 프롬프트를 개선하면서 어떠한 실험들을 해볼 수 있을까요?

▮실험. GPT에게 일기 작성을 부탁할 때 Frequency penalty & Presence penalty 조건은 어떤 값을 입력하여야 할까?

상황 : Frequncy penalty의 최적값을 찾아보자

위 일기는 Frequency penalty를 0이라는 수치로 극단적으로 낮추었을 때 전달 받은 output입니다. <마치 ~와 같다>라는 서술이 매우 반복적으로 서술되어 있는것을 확인할 수 있습니다.

정의
Frequency penalty란, 결과물이 작성되고 있는 상황에서, 앞서 작성한 내용에 포함된 (단어, 어휘, 문장 형식)이 얼마나 자주 반복될 수 있는가와 관련된 지표입니다.

적용
Frequence penalty가 0이라는 것은 이전에 작성된 (단어, 어휘, 문장 형식이)이 앞으로 작성되는 내용에 반복적으로 포함되어도 상관없다는 뜻으로 간단하게 이해하였습니다.

개선

• GPT가 키워드와 관련된 상황&감정적 서술을 더욱 풍부히 할 수 있도록 프롬프트에 비유와 은유를 가끔 활용하라는 명령을 작성하였습니다.

• 하지만 Frequency penalty가 너무 낮은 값으로 설정되어 있다면, 이미 서술한 (단어, 어휘, 문장형식)이 이후에도 반복되어 output을 읽는 사람에게 피로감을 줄 수 있다고 판단하였습니다.

• 이를 개선하기 위해 적절한 수준의 Frequnce penalty 값을 찾아야 했습니다.

상황 : Presence penalty의 최적값을 찾아보자

반대로 위 일기는 Presence penalty를 0으로 극단적으로 줄였을 때의 결과입니다. 확실히 앞서 소개드린 Frequncy penalty값을 1.11정도로 많이 높인 상황이라, <마치 ~하다>라는 형식의 문장 서술은 눈에 띄게 줄어든 것을 확인할 수 있습니다. 대신 Presence penalty를 줄여버리니, "인용문(속담, 격언)"의 빈도가 확 높아졌습니다.

정의
사실 Presence penalty는 gpt가 output을 작성하는 과정에서, 이전에 작성하고 있던 내용이 앞으로 작성할 내용의 (주제, 맥락)에 어떤 영향을 미치는가에 중요한 지표입니다. Presence penalty가 높으면 높을 수록, 이전에 이야기하던 (주제, 맥락)에서 벗어난 새로운 이야기를 할 가능성이 높아집니다.

적용
일기 작성을 요청하는 과정에서, input으로 이미 다양한 상황을 나타내는 키워드를 전달하였기 때문에, 해당 값은 output에 큰 영향을 주지 못할 것이라고 생각했었습니다. 하지만 생각보다 결과에서 큰 차이가 났습니다. 거의 매 문장마다 "인용문"이 포함되어있는것을 발견하였습니다.

의문
제가 이해를 잘못한것이 아니라면, "인용문" 역시 (단어, 어휘, 문장형식)에 관련이 있어 Frequncy penalty값을 높인에 따라 반복되지 않았어야 하는데, (주제, 맥락)을 조절하는 Presence penalty를 낮춤에 따라서 반복되는 현상이 발견되어, 제가 무언가 놓치고 있다는 생각이 들었습니다.
*이 부분에 대해 자세히 공부해봐야 할 것 같습니다. 혹은 관련 지식이 있으신 분 첨언 부탁드립니다!

개선

• 해당 현상 역시, GPT가 키워드와 관련된 상황&감정적 서술을 더욱 풍부히 할 수 있도록 프롬프트에 속담이나 격언을 가끔 활용하라는 명령을 작성하여 나타나는 문제였습니다.

• 이를 개선하기 위해, Frequncy penalty를 높였던 것인데, 의외로 Presence penalty를 낮추니 "인용문"이 너무 자주 서술되는 현상을 확인할 수 있었습니다.

• 결과적으로 유사한 <단어, 어휘, 문장형식>의 빈번한 활용을 막을 수 있도록 최적화된 Presence penalty값을 찾아야 했습니다.

▮결과. Frequncy penalty값과 Precense penalty 값

글을 시작하며, 처음 여러분께 소개해드린 일기입니다. Freqency penalty가 0이었던 일기, Presence penalty가 0이었던 일기와 비교하여 보면 어떠신가요?

제가 일기 output을 얻어내기 위해 여러가지 실험하면서 얻은 힌트를 공유드리자면 아래 두가지와 같아요. 관심있으신 분들은 직업 실험해보시면 재밌을거에요!

• Freqency penalty는 평균 이상으로 높아야 한다.

• Presence penalty는 평균과 근접한 값이어야 한다.
  
  앞으로 ToDa앱의 키워드 일기 솔루션이 어떠한 점을 더욱 개선하면 좋을까요? 프롬프트에 많은 관심이 있다면 함께 일기에 적합한 프롬프트를 만들어가봐도 좋을것 같습니다.

레딧의 공동창업자가 블룸버그에서 이야기한 'AI 투자 접근 방식'

오늘은 레딧의 공동창업자가 블룸버그에서 이야기한 'AI 투자 접근 방식' 영상을 번역해 요약 정리해보았습니다!!

00:00:00

1. 🤖 인공지능에 투자하는 이유와 기업 선정 기준

• 인공지능에 대한 현재의 흥미는 많지만, 실제로 이 분야에 투자한 경험이 10년 이상이다.

• 일반화된 인공지능은 큰 관심사이지만, 사용자 경험을 크게 향상시키는 기술을 사용하는 기업을 찾고 있다.

• AI를 사용한 딥튠과 스코어 플레이츠와 같은 기업들을 포트폴리오 전반에서 확인할 수 있다.

• 인공지능을 사용하여 사용자의 삶을 어떻게 개선하는지가 중요하다.

• 포트폴리오를 살펴보면, 생성적 인공지능과 기존 기술 플랫폼으로 나눌 수 있다.

00:01:01

2. 📸 AI 기술을 활용한 미디어 관리 소프트웨어의 중요성과 투자 이유

• 프로 스포츠 팀 소유자로서 미디어 관리의 중요성을 알고 있으며, AI를 활용한 소프트웨어는 작업을 훨씬 효과적으로 자동화할 수 있다.

• AI를 통해 선수나 경기장에서 발생하는 사진이나 영상을 식별하고, 소셜 미디어나 미디어 파트너에게 자동으로 전달할 수 있다.

• 이러한 소프트웨어는 기존의 소프트웨어를 업그레이드하여 작은 팀들이 더 많은 작업을 수행할 수 있도록 도와준다.

• 강력한 경쟁력과 고객과의 강한 관계를 가진 기존 소프트웨어 기업들이 큰 승자가 될 것이다.

00:02:17

3. 🔬 인텔의 일반화된 접근과 AI의 가치에 대한 이야기, 그리고 오픈 AI에 대한 투자자의 입장.

• 인텔의 접근은 일반화되었고, AI의 가치를 인식하며 많은 문제를 해결할 것으로 기대하고 있다.

• 한편, 특정한 비즈니스 요구에 맞춘 구체적인 접근 방식을 통해 서비스 비즈니스로 제공하고 있다.

• 투자자는 오픈 AI에 대한 초기 투자자로서, 성장 단계에서도 가치를 보지만 자신의 역할은 아니라고 생각한다.

• 그러나 투자자는 초기에 참여하고 싶어하며, 오픈 AI가 계속해서 놀라움을 선사할 것으로 예상한다.

(중략)

*이 영상 요약노트는 Lilys AI로 제작되었습니다.

*전문 보기 링크 :https://lilys.ai/result?videoId=rXeSyKFGV7U

개발을 하려던 것이 아니었는데 개발을 하게 되었다

최근 저는 서비스를 개발하고 있습니다(사실 서비스라고 말하기도 좀 민망하네요). 제가 가진 종교와 관련된 상담 챗봇, 경전 해석 챗봇을 개발해서 테스트 중에 있습니다. 사실 원래 서비스를 개발하려던 게 아니었습니다.

저는 올해 중반까지만해도 코딩을 해 본적도 없고(다만 파이썬 정도 공부를 했었습니다), 개발은 더더욱 해 본 적 없는 그런 사람이었습니다. 저는 태어나서 지금까지 계속 학교라는 울타리에서 연구 활동을 해 왔습니다. 제 연구분야는 주로 반도체 신소재 개발과 관련이 있었습니다. 주로 실험실에서 화학약품들 다루어가면서 몸으로 뛰는 실험 쪽 분야였고, 학생들과 미팅, 실험결과 디스커션, 논문 및 보고서 작성이 제가 하는 주된 일이었습니다.

그러던 중 작년 여름에 갑자기 뇌출혈로 쓰러졌습니다. 다행히도 희박한 확률을 뚫고 생명을 보존할 수 있었고, 더 다행히도 큰 후유장애 없이 퇴원하게 되었습니다. 이로 인해 학교도 그만두게 되었구요. 퇴원 후에도 몸이 너무 좋지 않아 집에서 요양을 하던 중에 좀 늦게 챗gpt를 알게 되었고 한동안은 여느 사람들처럼 그냥 신기해 하는 정도에 머물러 있었습니다. 제가 종교성이 좀 강한 사람에 속합니다. 그래서인지 챗gpt에게 내가 가진 종교와 경전에 대해 얼마나 알고 있는지 테스트를 해 보게 되었습니다. 결과는 놀라움이었습니다. 당시 프롬프트 엔지니어링이라는 것을 처음 접하고 공부하던 중이었는데, 적절한 프롬프트를 주고서 제가 가진 종교와 경전에 대해 이런 저런 질문을 해 보니 매우 수준있는 답변을 출력해 낸다는 것을 발견했습니다. 때로는 저 스스로가 감동(?)하고 마음에 새길만한 답변을 내 놓기도 했습니다.

경전을 읽다가 이해가 안 가는 부분, 종교 활동과 관련된 고민들, 이런 것들이 생길 때마다 종교지도자를 찾아가서 조언을 듣는다는 것은 쉬운 일이 아닙니다. 그렇다고 그런 것들에 대해 답을 얻기 위해 인터넷을 찾아 헤매다 보면, 우리는 도움이 되는 사이트보다는 사이비스러운 컨텐츠에 더 쉽게 노출이 되고는 합니다. 종교지도자를 통해 답을 얻는 것이 가장 이상적이지만, 그것이 어려운 상황일 때, 저는 챗gpt가 신도들의 궁금증과 고민들에 (아주 깊이가 깊지는 않더라도) 건전한 답들을 빠르게 제공할 수 있는 아주 유용한 도구가 될 수 있을거라는 확신이 들었습니다.

그 때부터였습니다. 챗gpt를 통해 제가 가진 종교와 관련된 좋은 답변들을 끌어내기 위해 다양한 프롬프트를 개발하기 시작했습니다. 그리고 적절한 프롬프팅을 통해 챗gpt를 사용하면 제가 가진 종교를 믿는 사람들에게 얼마나 큰 도움이 될 수 있을지를 블로그를 열어 알려보려고 했습니다. 같은 종교를 가진 지인들에게도 소개하곤 했는데, 제가 바깥 활동을 못하고 집에서만 있다보니 활동에 큰 한계가 있었습니다. 블로그도 기대만큼 잘 되지 않았구요. 여하튼 이 때 아이디어를 내고 혼자 만들어 놓은 프롬프트가 몇 개 있습니다.

코드를 다룰 줄 모르니 '저 프롬프트들로 도움이 되는 서비스를 만들 수 있을텐데..'라는 생각만 하고 시간이 지나갔습니다. 몸 상태는 좋다 나쁘다를 반복하면서 조금씩 회복이 되기는 했지만 바깥 활동을 하기에는 여전히 무리였습니다(사실 지금도 그렇습니다). 지나고나서 보니 이미 올해 초에 한 스타트업에서 주님ai(현재는 초원ai)라는 훌륭한 서비스를 출시하고 운영 중에 있더라구요. 그 사실을 알게 된 후에도 제가 가지고 있는 프롬프트들을 이용하면 좀 더 좋은 서비스를 제공할 수 있을 거라는 생각이 계속 들었습니다.

그러던 중 우연히 유튜브에서 gpt api를 이용한 챗봇을 만드는 영상들을 보게 되었고, 이를 응용하여 홀린듯이 제 프롬프트를 적용한 챗봇을 개발하기 시작했습니다. 몸이 안 좋으니 쉬엄쉬엄할 수 밖에 없는데 다행히도 순조롭게 개발이 진행되어 드디어 제가 원하던 것을 streamlit을 통해 웹앱으로 구현할 수 있게 되었습니다. 제가 원하던 것을 판단하는 기준은 프롬프팅을 통해 오리지널 gpt에 비해 얼마나 신학적으로 적절하며 수준있는 답변을 내 놓느냐 하는 것이었습니다. 연구생활을 하면서 신학을 잠시 공부했던 것이 이러한 판단에 도움이 되었습니다. gpt가 한글로 내놓는 답변들은 이러한 기준에 미치지 못할 때가 많았습니다. 반면에 영어로 프롬프팅을 하고 영어 문답을 하면 이 기준을 뛰어넘는 답변들이 생성되었습니다. 이 문제를 해결하기 위해 결국에는 '한글로 질문 - 영어로 답변 - 영어답변을 한글로 번역하여 사용자에게 출력'이라는 방식을 사용하게 되었습니다. 

어쨋거나 성공적으로 개발이 되어 기쁜 마음에 주변인들에게 뿌렸고, 좋은 반응들이 돌아왔습니다. 그렇게 혼자 성취감을 느끼던 중, 번역 사용량을 우연히 봤는데 맙소사...지인 대여섯명이 신기하다고 하루 사용했는데 하루만에 십수만자의 사용량이 뜨는 것을 목격했습니다. 서비스 자체가 챗봇이 질문에 대해 자세히 설명을 해주는 형식이기 때문에 대여섯명이 사용했는데 이 정도면 만약 더 많은 사람에게 배포하면 번역 api 사용량이 감당이 안 되겠구나는 직감적으로 느꼈습니다. 이 때 사용량 개념이 머리에 확 들어왔죠. 그래서 토큰 사용량도 체크해보니..음... ㅠㅠ 지인들에게 양해를 구하고 서비스를 내렸습니다.

이 때부터 혼자 토큰량, 번역 사용량 테스트하고 계산해가면서 어떻게 해야 비용효율적인 서비스가 될까 고민하기 시작했습니다.

웃기죠. 사실 저는 서비스를 만들려고 했다기 보다는 그냥 제가 원하던 것의 구현에 성공하여 주변인들에게 사용해보라고 권유하고 좋은 반응을 얻었을 뿐입니다. 그냥 이 정도에서 만족하고 끝낼 수도 있었는데 어느덧 저는 이걸 서비스 제공 개념으로 접근하고 있더라구요. 며칠 고민을 해서 나름의 방법을 찾았고, 답변도 적절한 길이로 조절하여 적당한 타협점을 찾았습니다. 그리고 다시 지인들에게 웹앱을 공개했는데 첫 반응이 "예전보다 답변이 더 컴팩트해졌네"였습니다. 아뿔사. 사실 적절한 타협 지점을 찾기는 했지만 컴팩트한 답변의 수준이 저 역시 맘에 썩 들지는 않던 차였습니다. 그렇지만 '그냥 이 정도면 무난하지'라고 합리화를 하고 있던 중 한 지인의 저 말은 굉장히 쎄하게 들리며 뭔가 잘못되었다는 것을 느꼈습니다. 이전의 좋은 반응은 질문에 대해 챗봇이 충분하고 자세히 설명을 제공했기 때문이었습니다. 제가 생각했던 챗봇의 wow 포인트도 이것이었구요. 저 역시 처음에 gpt가 해주는 상세한 답변에 놀라고 감동을 먹기도 했으니까요. 그런 wow 포인트가 사라지고 적당한 답변을 해주는 챗봇이 되어 사용자의 외면을 받으면 비용효율적인 서비스 운영이고 뭐고 다 의미없다라는 생각이 들었습니다. 더 이상 아무도 써주지 않는데 토큰 수 아끼는 게 무슨 의미가 있을까요. 그래서 토큰/번역 비용은 일단 나중에 생각해 보기로 하고 챗봇 답변 길이를 예전 수준으로 복귀시켰습니다. 지인분들도 다시 만족하셨구요.

이 과정에서 참 많이 생각하고 배웠습니다. 이런 과정을 겪고나니 디스콰이엇에 계신 메이커 분들의 이야기들이 좀 더 공감이 되기 시작했습니다. 사실 디스콰이엇은 10X AI Club에 대한 소개를 타 커뮤니티에서 보고, 새로운 정보를 얻을 수 있는 '인공지능 커뮤니티 가입' 개념으로 처음 접했었습니다. 들어와보니 필드에서 동분서주하시는 창업자 분들께서 많이 계신 곳이었고, 처음에는 그래서 이질감을 많이 느꼈었습니다. 그러던 중 위에 소개드린 것과 같은 과정을 거치게 되었고, 여기 만나뵙는 훌륭하신 분들과 서비스와는 비교도 안 되는 정말 작은 것을 만들면서 디스콰이엇이라는 커뮤니티와 조금씩 공명할 수 있게 된 것 같습니다. 제가 만든 조그마한 서비스를 어떻게 할 지, 몸이 회복될 때까지 조금씩 뭔가를 배워가면서 창업을 준비해볼지, 아니면 아예 다른 일을 할 지 아직 잘 모르겠습니다. 조그마한 거 하나 개발하면서 여기서 뵙는 모든 분들이 너무 대단하시다라는 생각이 들어 쓰기 시작한 글이 너무 길어졌습니다. 읽어 주셔서 감사합니다. 모두들 원하시는 바를 이루시면 좋겠습니다!  

[마음편의점] B2S를 시작하며!

투자든 사업소개든 언제나 듣는 소리는, "그래서 돈을 어떻게 벌건데? 소비자가 누군데?"

마음편의점의 경우, 일기를 통해 사람의 삶과 내면을 조망하는 멘탈 관리 서비스이다.

마음편의점은 일기를 정신과 의사가 분석하여 댓글을 달아주고, 그것을 통해 내적 성장을 할 수 있다. 일반적인 관점에서는 B2C 타겟이 맞을 수 있다. 하지만 디지털헬스케어에서 B2C로 타겟을 할 경우 유의미한 매출을 낼 수는 없다. 현재 디지털헬스케어 시장에서는 B2B가 주 타겟으로 설정되고 있다. 앞서 나간 멘탈헬스 기업들도 B2B에 매진하고 있으며, 다이어트 기업들도 B2B를 통해 유의미한 매출을 올리고 있다. 하지만 마음편의점은 일기라는 특성상 B2B로 접근할 경우, 회사는 직원의 개인적인 일기 내용까지 알 수 있다는 부분에서 문제가 생길 수 있다. 따라서, B2B 접근에 있어서 이러한 부분을 해결하는 전략이 필요하다. B2B 전략을 통해 일반적인 통계나 트렌드 데이터만을 회사에 제공하는 방식을 고려할 수 있다.

그래서 마음편의점은 새로운 개념인 B2S (Business to little Society)를 도입하였다. B2S는 서비스 제공 대상자를 회사라는 개념 대신 공통점을 지닌 little society라고 정의하였다. little society는 공통의 특성이 있기 때문에, 커뮤니티가 정보 보호를 할 것이라는 신뢰를 기반으로 서비스를 진행할 수 있다. 그리고 little society의 경우 규모가 작기 때문에, 구성원들에게 큰 혜택이나 상담 서비스를 제공하기 어렵다. 우리는 이렇게 비용을 지불하기 어려운 little society(ex. 스타트업, NGO 등)에 저비용으로 서비스를 제공하는 것을 목표로 하고 있다. 그렇다면, 현실적으로 마음편의점처럼 이제 막 시작하는 서비스도 현실적인 목표를 바탕으로 비즈니스를 키워나가고 매출도 발생할 수 있는 현 시점에 가장 현실적인 전략이다.

B2S 전략은 스타트업의 연합 형태로 나가는 길 중 하나로써 큰 가치를 지닐 수 있다. B2S 전략은 기존의 B2B 전략과는 다르게 특정 커뮤니티나 그룹에 맞춰진 맞춤형 서비스를 제공함으로써, 구성원들의 신뢰와 만족도를 높일 수 있다. 스타트업이나 NGO와 같은 little society는 그 구성원들이 공통의 문제나 관심사를 갖고 있기 때문에, 서비스 제공자는 그들의 필요와 원하는 바를 더욱 섬세하게 파악하고 대응할 수 있다. B2S 전략을 통해 '마음편의점'은 구성원들의 민감한 정보를 보호하면서도, 그들에게 필요한 멘탈 케어 서비스를 제공하게 된다. 또한, little society는 큰 기업보다는 결정과정이 빠르고 유연하게 진행될 수 있어, 서비스 도입과 활용이 더욱 원활하게 진행될 것이다.

B2S 전략의 핵심은 신뢰 구축이다. little society 구성원들은 그들만의 공통점과 문화를 갖고 있기 때문에, 서비스가 그들의 문제나 고민에 직접적으로 도움을 줄 수 있다면, 더 빠르게 서비스를 받아들이고 활용할 것이다. 따라서, '마음편의점'은 little society의 실제 문제와 필요를 깊이 파악하고, 그에 맞는 서비스와 컨텐츠를 제공함으로써, 높은 만족도와 장기적인 파트너십을 구축해나갈 수 있을 것이다.

솔루션을 포기해봤습니다! 고객 이야기만 듣고 [PaxHumana Journey]

Pax Humana는 유튜브 여행 콘텐츠와 지도를 연결하는 여행정보 탐색 플랫폼,

Fynd를 만들고 있습니다.

이전 이야기 | LLM을 두고 고객으로 돌아갑니다!

🧐 어떤 문제를 검증할까?

아무래도 몽상가 기질이 강한 사람들은 솔루션으로부터 생각을 시작하는 경향이 있죠, 저희 팀도 마찬가지였습니다. 그래서 몇가지 솔루션을 먼저 상정하고 이들의 고객가설(CP Fit)을 한달에 하나씩 검증해나가기로 했습니다.

기존의 진행하던 업무자동화 에이전트를 더 세분화해서 두 개, 기존에 아이디어 백로그에 넣어놨던 것 한 개 해서 총 3개의 솔루션으로 추렸습니다.

• VC를 위한 시장조사 자동화 에이전트

• 개발자를 위한 Enthusiasstic을 위한 트위터 인사이트 에이전트

• 여행지에 대한 문장 기반 메타검색 플랫폼

그리고 “가장 기술적으로 쉬운 것”을 먼저 검증하자는 기준에 맞춰 “여행지에 대한 문장 기반 메타검색 플랫폼”을 선택하게 되었습니다. (고객인터뷰를 하면서 해당 솔루션에서 많이 변화하게 되었는데 그 과정도 앞으로 공유해드릴게요!)

여행지에 대한 문장 기반 메타검색 플랫폼은 RAG(Retrieval Augmented Generation)와 Agent Workflow 등 고려할게 많은 로직을 쓰지 않고, 크롤러와 embeddings, Semantic Search 만 해주면 되는 비교적 간단한 솔루션이었습니다. (물론 embeddings를 어떻게 텍스트를 쪼개서 만들어야 의미를 잘 담을 수 있을지에 대한 고민을 해야했겠지만요.)

😤 문제를 구조화해보자!

그렇게 10월 4일 (추석 지나고나서) 부터 본격적으로 문제를 구조화해보기 시작했습니다. 저희의 검증전략은 이랬습니다.

1. BM Tree를 활용하여 문제가설(CP Fit)을 구조화한다.

   • 고객이 실제 문제/욕구를 느끼고 있는지

   • 고객이 문제를 해결하기 위해 적극적으로 노력하고 있는지

2. 고객과 문제인터뷰를 통해 각 계층의 문제가설을 검증한다.

문제-솔루션-프로덕트의 계층과 가설들을 구조화해본 결과, 저희가 검증해야 하는 핵심가설이 추려졌습니다.

1. 20대 여행 예정자는 원하는 취향의 여행지를 찾기 위해 키워드를 잘 정의하는 것이 불편하다.

2. 20대 여행 예정자는 검색이 되지 않는 이미지와 영상장면 등의 비정형 데이터를 검색하고 싶다.

(실제 저희가 작성한 첫번째 버전의 BM Tree도 공유드립니다 👉 BM Tree 구경해보기)

🤩 문제인터뷰로 검증하자!

스티브 블랭크의 “기업 창업가 매뉴얼”, 애시 모리아의 “린스타트업”, YC Eric Migicovsky의 “How To Talk To Users” 등을 다시 복기하면서 문제인터뷰를 준비했습니다. (YC 사랑합니다..)

지키고자 했던 원칙은 두가지였습니다.

1. 우리가 생각하는 솔루션에 대한 언급을 일절 하지 말자.

2. 검증하고자 하는 문제와 상관없이, 고객의 여행 전 과정에 대해서 들어보자.

그렇게 1차 인터뷰(10월 2주차)를 진행하면서 얻은 인사이트는,

1. 고객의 여행정보 검색과정에서 사용하는 검색어는 매우 간단하다.

   • 검색어를 크게 고민하지 않는다.

   • 내 취향이 뭔지 말로 표현하는 과정이 생각보다 어렵기 때문이다.

   • 검색결과 나온 후보들을 직접 보면서 느낌적인 느낌으로 필터링하는 경우가 많다. (말로 표현은 안되지만, 필터링은 된다.)

2. 고객은 이미 다녀온 사람들의 후기를 신뢰한다.

   • 영상은 생생한 느낌을 얻을 수 있어 매우 사용빈도가 높다.

   • 영상의 단점은 정보수집이 불편하다.

   • 반면 텍스트 형태는 정보수집에 적합하다고 느낀다.

이를 통해 핵심 문제가설 중 첫번째 가설은 기각을 하게 됩니다.

1. 20대 여행 예정자는 원하는 취향의 여행지를 찾기 위해 키워드를 잘 정의하는 것이 불편하다.

2. 20대 여행 예정자는 검색이 되지 않는 이미지와 영상장면 등의 비정형 데이터를 검색하고 싶다.

첫번째 가설은 [여행지에 대한 문장 기반 메타검색 플랫폼]이라는 솔루션의 가장 핵심적인 가설이었는데, 보기 좋게 기각당했습니다..ㅎㅎ

그리고 저희는 고객의 목소리에 기반한 의사결정을 하기로 한 만큼

과감하게 Semantic Search 기반의 문장검색 솔루션을 포기하게 됩니다.

(이전의 망치에 집착하는 저희였다면 이런 선택을 할 수 없었을거 같아요.)

그리고 두번째 가설의 검증에 더욱 초점을 맞춰 검증을 이어나갔는데요, 더 자세한 이야기는 다음 편에서 다루겠습니다. 단순히 질의응답을 하는 인터뷰 방식을 넘어, 심리학 실험과 같은 형태로 활동을 구성해서 인터뷰를 진행해보았는데 그 이야기를 들려드리도록 하겠습니다!

아 마지막으로 최근에 여행을 다녀오셨거나, 계획하고 있는 분이 계시다면, 소중한 시간 내어 고객인터뷰 참여해주시면 감사하겠습니다😊 인터뷰 외에 가설검증, 인공지능과 관련한 이야기도 나누고 싶다면 언제든지 커피챗, 인터뷰 신청해주세요:)

콜드메일만으로 10일간 200만원의 매출을 만든 뚝딱 스튜디오, 그리고 Closed IR

(관련기사 : https://platum.kr/archives/215330)

안녕하세요, Gen AI를 활용한 홈퍼니싱 제품 컷 생성 B2B 솔루션 ‘뚝딱 AI 스튜디오’를 만들고 있는 라이프스케이프입니다! 🔨

지난 번 ‘콜드메일로 가구 시장의 니즈 검증하기’ 이후, 뚝딱 스튜디오는 정식 유료화를 진행했어요. 백원딜 프로모션에 참여한 40개 가구 업체 대상 프라이싱 서베이를 통해 정가를 책정했고, 첫 일주일간 50% 할인 이벤트를 진행하여 20여개의 가구 회사들에게서 118만원 가량의 순매출을 달성할 수 있었습니다. 작은 매출이지만 짧은 기간 오로지 콜드메일을 통하여 이뤄낸 성과이기에 유의미했던 결과였어요. 이후 일주일의 할인 이벤트가 끝난 후에도, 기존 이용업체들이 정가로 추가 의뢰를 해 주셔서 100만원 가량의 추가 매출이 발생했습니다. 💸

또한 지난 글에서 설정했던 이번 액션의 세 가지 목적에 대한 데이터도 확인했어요.

1. 백원딜 프로모션 참가업체의 리텐션 : 10%

2. 크롤링을 통한 새로운 업체풀에서 유입된, 사전 정보 없이 즉시 유료 이용한 고객 : 전체의 50%

3. 서베이 결과 유료이용 고객 만족도 점수 : 평균 7.4점(/10점)

< 유료 런칭 이벤트 콜드메일 데이터 >

라이프스케이프는 이번 Closed IR을 시작으로, 본격적인 시드 라운드를 오픈하여 홈퍼니싱 시장을 선점하고 이커머스 플랫폼에서 생성형 AI를 활용하는 프로덕트의 선두주자가 되기 위해 가속을 내려합니다. 단순히 제품의 공간 배경을 잘 생성하는 툴을 만드는 것만이 최종 목표가 아닌, 이를 활용하여 이커머스 홈퍼니싱 시장의 활성화를 도모하는 확장성을 계획하고 있습니다. 공간에 대한 저희의 전문성과 진심을 적극적으로 프로덕트에 녹이며 시장의 문제를 해결하는 Problem Solver가 되도록 계속해서 빠르게 성장하겠습니다.🔥

니즈 검증을 마친 저희의 다음 액션은 메이킹입니다. 본격적으로 뚝딱 스튜디오 서비스를 운영하기 위해 프로덕트 개발을 시작했어요. 현재 노코드툴로 만든 랜딩페이지와 탈리폼, 메일, 카톡 등을 통해 진행하고 있는 CRM을 개발을 통해 최적화하려 합니다. 그 동안 파일럿 테스트까지 약 100여개 업체와 작업하며 쌓은 데이터와 경험을 바탕으로 고객의 요청사항을 매뉴얼화하여 의뢰 프로세스를 구축하고, 결과물에 대한 전달 방식 또한 그간의 이슈들을 바탕으로 잘 정립해보려 해요.

더불어 홈퍼니싱 제품 배경 생성에 특화된 AI 모델을 구축 및 내재화를 위한 파인튜닝 실험 작업도 시작했습니다. 이미지 생성형 AI 분야가 굉장히 어렵지만, AI 어드바이저 팀원과 함께 치열하게 고민하고 토의하며 재미있게 만들어 나가보고자 합니다. 이러한 메이킹에 박차를 가하기 위해 이번 디스콰이엇 PMC W23에도 참여했어요. 앞으로 6주간의 기록과 회고를 통해 저희의 다음 액션을 잘 공유해 보겠습니다! 🙂

전속력을 내기 위한 이번 시드 라운드 오픈과 더불어, 저희 라이프스케이프의 여정을 함께하며 초기 팀원으로 합류해보고 싶으신 분들이 계시다면 언제든 편하게 연락과 많은 관심 부탁드리겠습니다 😊

+간략히 라이프스케이프 팀을 소개합니다! 🎙️

저희 팀은 건설업 시공사 엔지니어 경력 6년의 대표, 실내디자인 전공의 인테리어 설계사 및 시공사 경력 4년의 코파운더, 풀스택으로 변신 중인 주니어 백엔드 개발자와 생성형 AI를 연구 중인 AI 어드바이저가 함께하고 있습니다. 심지어 친해지면 헤어나오기 어려운, 인간미 넘치는 화기애애한 팀이에요! 🙌