이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
AI 모델은 코딩이나 수학 같은 객관적 영역에서는 뛰어나지만, 디자인이나 글쓰기처럼 주관적이고 정답이 없는 영역에서는 '평균으로의 회귀(collapse to the mean)' 현상으로 인해 창의성이 결여된 결과물을 내놓는다. 이를 해결하기 위해 주관적인 작업을 작은 요소로 분해(decomposition)하여 각각을 검증 가능한 데이터로 변환하는 접근법이 필요하다. Taste Labs는 전문가의 판단을 고품질의 선호 데이터로 구조화하고, 인간의 피드백을 구체적인 선택지와 연결하여 모델이 주관적 도메인에서도 '취향'을 학습하도록 유도한다. 결국 양보다 질을 우선시하는 데이터 전략이 AI의 창의적 역량을 결정짓는 핵심이다.
챕터별 상세
00:00
주관적 도메인과 AI의 한계
AI는 코딩과 수학 등 객관적 영역에서는 뛰어나지만, 디자인이나 글쓰기 같은 주관적 영역에서는 여전히 뒤처져 있다. 주관적 영역은 정답이 하나로 정해져 있지 않고 상황에 따라 달라지기 때문에 모델이 학습하기 어렵다. AI가 내놓는 결과물이 '슬롭(slop)'처럼 느껴지는 이유는 이러한 주관적 도메인에 대한 이해가 부족하기 때문이다.
슬롭(slop)은 AI가 생성한 저품질의, 창의성 없는 결과물을 비하하는 용어이다.
02:33
검증 가능성 스펙트럼
작업은 검증 가능성(verifiability)에 따라 스펙트럼상에 놓인다. 코딩처럼 정답이 명확한 작업은 검증이 쉽지만, 디자인이나 글쓰기는 정답이 없는 주관적 영역에 가깝다. AI 모델을 훈련할 때는 검증 가능한 작업으로 변환하는 것이 효율적이다. 검증 가능한 작업이 많아질수록 모델의 성능을 끌어올리기 수월해진다.
03:38
디자인 분해를 통한 평가
주관적인 디자인을 평가하기 위해 '분해(decomposition)' 기법을 사용한다. 브랜드나 페이지 전체를 하나의 덩어리로 평가하는 대신, 색상, 타이포그래피, 간격 등 검증 가능한 작은 요소로 나눈다. 이렇게 분해된 요소들은 원본과 비교하여 각각 등급을 매길 수 있게 된다. 전체를 판단하는 모호함에서 벗어나 구체적인 기준을 세우는 방식이다.
07:40
평균으로의 회귀 문제
모델은 확률적으로 가장 가능성이 높은 출력을 선택하도록 최적화되어 있어, 결과물이 평균으로 수렴하는 '평균으로의 회귀' 현상이 발생한다. 이는 디자인이나 글쓰기에서 창의성을 죽이는 원인이 된다. 모델이 가장 그럴듯한 답만 내놓으려 하면, 상황에 따라 필요한 창의적이고 주관적인 판단을 수행하지 못하게 된다.
11:25
선호 데이터와 인간의 취향
주관적 도메인에서는 인간의 판단이 모델보다 높은 수준의 기준을 제시한다. 단순히 데이터를 모으는 것이 아니라, 전문가의 판단을 고품질의 선호 데이터로 구조화해야 한다. 인간의 피드백을 구체적인 선택지와 연결하여 모델이 주관적 도메인에서도 '취향'을 학습하도록 유도한다. 데이터가 노이즈가 되지 않도록 정교한 선호 벡터를 구축하는 것이 중요하다.
15:00
품질 중심의 데이터 전략
주관적 도메인에서 AI를 훈련할 때는 양보다 질을 우선시해야 한다. 고품질 데이터를 만드는 것은 비용이 많이 들고 어렵지만, 무분별하게 수집된 노이즈 섞인 데이터보다 훨씬 나은 결과를 낸다. 문제 분해와 전문가의 판단이 결합된 데이터가 모델의 창의적 역량을 결정짓는다.
용어 해설
- 평균으로의 회귀(Collapse to the Mean)
- — 모델이 확률적으로 가장 높은 빈도의 출력만을 선택하도록 학습되어, 결과물이 평균적인 값으로 수렴하는 현상이다. 이로 인해 창의적인 변주가 사라지고 밋밋한 결과물이 생성된다.
- 선호 데이터(Preference Data)
- — 인간이 여러 출력물 중 더 나은 것을 선택한 기록이다. 모델이 정답이 없는 주관적 영역에서 인간의 취향을 학습하도록 유도하는 핵심 데이터셋이다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 01.수집 2026. 08. 01.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
