A New Era of Creativity: Expert-in-the-loop Generative AI at Stitch Fix
최근 몇 년 동안 생성 AI는 주목받고 인기를 얻고 있습니다. deep learning algorithms의 발전과 이전에 상상조차 할 수 없었던 양의 데이터로 훈련되면서, 생성 AI는 이미 많은 실제 사용 사례에 기여하고 있습니다. DALL-E 2와 Midjourney와 같은 시스템으로 현실같은 이미지를 만들어내는 것부터 ChatGPT로 인간 같은 반응을 생성하는 것까지 다양합니다.
Stitch Fix에서는 고객의 경험을 향상시키기 위해 AI와 ML의 최신 기술을 활용하는 혁신적인 방법(advancements)을 계속 탐구하고 있습니다. 이 블로그 포스트에서는 텍스트 생성에 관한 우리의 접근 방식에 대해 자세히 알아보겠습니다. 알고리즘으로 생성된 텍스트와 전문가 참여형 접근법을 결합함으로써, 우리는 흥미로운 광고 헤드라인을 작성하거나 고품질의 제품 설명을 생성하는 작업을 간소화하려고 합니다.
알고리즘으로 생성된 광고 헤드라인
텍스트 분야의 생성 AI는 대량의 데이터에 사전 훈련된 대규모 언어 모델(LLM)에 의해 구동됩니다(예를 들면, GPT-3는 거의 전체 인터넷에 사전 훈련되었습니다) 그리고 자연어를 이해하고 생성할 수 있습니다. 그러나 일단 사전 훈련되면, 매우 제한된 양의 데이터로부터 일반화할 수 있으며 Q&A, 번역, 요약, 텍스트 생성과 같은 다양한 자연어 작업을 수행할 수 있습니다. 이러한 소수의 예제만을 기반으로 예측을 하는 퓨샷 학습 능력은 특히 창의력과 독창성이 필요한 작업, 예를 들면 매력적인 광고 헤드라인을 작성하는 것과 같은 작업에 매우 적합하게 만듭니다.
광고 헤드라인은 종종 잠재 고객과의 첫 번째 상호작용이므로 그것들을 매력적으로 만드는 것이 중요합니다. 전통적인 마케팅은 새로운 광고 자산마다 카피라이터가 새로운 헤드라인을 작성하도록 요구하는데, 이는 시간이 많이 들고 비용이 많이 들며 항상 독특한 카피를 가져다 주지는 않을 수 있습니다. GPT-3와 같은 생성 AI를 사용하면, 우리의 브랜드 톤과 메시지에 맞춰 큰 양의 헤드라인을 빠르게 생성할 수 있습니다.
이를 달성하기 위해, 우리는 잠재적 스타일 이해(latent style understanding) ((check out this blog and this blog에서 우리가 어떻게 고객의 개인 스타일을 이해하는지 자세히 알아보세요), 단어 임베딩(word embeddings) (this blog and this blog에서 단어 임베딩에 대해 더 자세히 알아보세요), 그리고 퓨샷 학습(few-shot learning)의 조합을 사용합니다. 우리의 광고 자산은 주로 우리가 제공하는 다양한 스타일을 보여주는 많은 의상 이미지로 구성되어 있습니다. 먼저, 우리는 의상과 일련의 스타일 키워드(예: 노력없는, 클래식, 로맨틱, 전문가, 보호 등)를 잠재 스타일 공간에 매핑하고, 그 공간에서 의상에 가장 가까운 스타일 키워드를 찾습니다. 다음으로, 우리는 선택된 스타일 키워드를 기반으로 GPT-3를 사용하여 헤드라인을 생성합니다. 우리의 인간 전문가들(카피라이터)은 그 후에 AI로 생성된 헤드라인을 검토하고 편집하여 의상의 스타일을 포착하고 브랜드의 톤과 메시지와 일치하도록 합니다. 이러한 인간 전문가 참여형 접근법을 통해, 우리는 생성 AI의 창의성과 효율성을 활용하면서도 인간의 감독을 유지할 수 있습니다. 우리의 카피라이터들에게, 새로운 헤드라인을 작성하는 대신 검토하는 것은 상당한 시간과 노력을 절약해줍니다.
우리는 이후 전문가 참여형 접근법을 사용하여 Facebook과 Instagram 캠페인의 모든 광고 헤드라인을 생성하였고, 품질을 희생하지 않으면서도 효율성을 향상시키는 이점을 계속 누리고 있습니다. 또한, 우리는 이 능력을 다른 영역에 확장할 기회를 지속적으로 찾고 있습니다.
알고리즘으로 생성된 제품 설명
“매일 입기에 스마트한 선택인 이 크루 넥 티셔츠는 당신의 옷장에 다재다능한 추가 아이템으로, 청바지, 레깅스, 반바지와 잘 어울립니다.”
알고리즘으로 생성된 광고 헤드라인의 성공으로, 우리는 생산 용도로의 전문가 참여형 생성 AI의 잠재력에 대한 확신을 갖게 되었습니다. 다음으로, 우리는 더 큰 규모와 복잡성의 문제인 제품 설명에 주목하였습니다.
제품 설명은 전자상거래와 패션 소매 웹사이트에서 중요한 역할을 합니다. 잘 작성된, 정확하고 자세한 설명은 고객 경험을 향상시키고, 신뢰를 구축하며, 검색 엔진 최적화를 개선할 수 있습니다. 고객이 개인 쇼핑 피드에서 개별 아이템을 쇼핑할 수 있는 우리의 Freestyle 제공은 제품 상세 페이지(PDP)의 정보 제공과 설득력 있는 제품 설명에서 크게 이익을 얻습니다. 재고에 있는 수십만 개의 스타일에 대한 설명을 작성하는 것은 인간 카피라이터만으로는 어려운 작업입니다. 광고 헤드라인에 사용된 퓨샷 학습 접근법에 의존하는 것은 일반적이고, 한정된 품질의 설명을 가져옵니다. 우리는 퓨샷 학습과 전문가가 작성한 예제를 활용하여 우리의 사용 사례에 맞는 맞춤형 해결책을 만들 수 있는 해결책이 필요했습니다.
세부 조정(fine-tuning)의 등장!
세부 조정은 특정 사용 사례에 맞게 사전 훈련된 기본 모델을 작고, 특정 작업에 특화된 데이터셋으로 재훈련하는 과정입니다. 세부 조정을 통해 모델은 특정 작업의 독특한 언어, 스타일 및 요구사항을 학습하여 일반적인 사전 훈련된 모델에 비해 성능이 향상됩니다. 제품 설명 사용 사례의 경우, 우리는 인간 전문가들이 제품 속성(“프롬프트” 또는 교육 입력)을 기반으로 수백 개의 고품질 제품 설명(“완료” 또는 교육 출력)을 작성하여 특정 작업에 특화된 데이터셋을 모았습니다. 그런 다음 우리는 이 특정 작업에 특화된 데이터셋에서 기본 모델을 세부 조정하여 모델에게 우리의 언어, 스타일 및 고품질 제품 설명의 템플릿을 가르쳤습니다. 이로 인해 Stitch Fix 브랜드 목소리로 작성된 고객의 요구에 맞게 맞춤화된 정확하고 흥미로운 설명이 생성되었습니다.
우리의 세부 조정된 알고리즘 해결책은 설명의 품질을 희생하지 않고도 뛰어난 시간 절약과 탁월한 확장성을 제공합니다. 사실, 블라인드 평가에서, 우리는 알고리즘으로 생성된 제품 설명과 작성된 설명을 비교하였고, 우리의 AI 해결책으로 생성된 설명이 더 높은 품질 점수를 얻었다는 것을 발견했습니다. 이는 우리의 세부 조정된 알고리즘 해결책의 효과성을 입증해 줍니다.
전문가 참여형 접근법
위의 두 가지 사용 사례에서 모두, 우리는 텍스트 생성 및 평가 과정에 인간의 전문성을 포함하는 “전문가 참여형(expert-in-the-loop)” 접근법을 사용했습니다. 이것은 알고리즘 해결책의 효율성과 확장성을 인간 전문가의 품질과 전문성과 결합합니다. 그 결과는 고품질의 콘텐츠를 제공할 뿐만 아니라, 각 반복마다 지속적으로 개선되는 해결책입니다.
단순히 인간 전문가에게만 의존하는 것에 비교하여, 전문가 참여형 접근법은 훨씬 더 효율적이고 재미있습니다. 우리의 카피라이터들은 새로운 콘텐츠를 처음부터 작성하는 대신 알고리즘으로 생성된 콘텐츠를 검토하고 수정함으로써 상당한 시간과 노력을 절약한다고 보고했습니다. 또한 그들은 알고리즘으로 생성된 콘텐츠가 작업하는데 재미있고 때로는 영감을 주기도 하다고 공유했습니다. 인간이 생성한 콘텐츠와는 일반적이지 않은 흥미로운 표현이나 각도가 종종 있기 때문입니다.
순수 알고리즘 해결책에 비해 전문가 참여형 접근법은 고객 대면 콘텐츠의 품질과 적절성을 보장합니다. 모든 생성적 AI 응용 프로그램 중 텍스트 생성은 인간의 전문성이 가장 필요한 분야일 수 있습니다. 자연어는 복잡하고 미묘하며, 알고리즘이 텍스트를 생성할 수 있지만, 종종 인간의 언어의 미묘함, 예를 들면 어조와 감정,을 포착하는 데에서 부족합니다. 그곳에 인간 전문가들이 등장합니다. 인간 전문가만이 이러한 미묘함을 구별하고 알고리즘이 모델링하기 위한 최선의 표현을 선택할 수 있습니다.
전문가 참여형 접근법에서는 인간 전문가들이 우리와 함께 최고 품질의 결과물이 어떻게 보여야 하는지를 정의하기 위해 처음부터 함께 작업합니다. 예를 들어 제품 설명의 경우 결과물은 원래의 것이어야 하며, 독특하며, 자연스럽고 설득력 있게 들려야 합니다. 또한 제품에 대한 진실된 발언을 해야 하며, 우리의 브랜드 가이드라인과 일치해야 합니다. 알고리즘을 반복하고 개선할 때 우리의 전문가들은 해결책을 어떻게 더 개선할 수 있는지에 대한 귀중한 통찰력을 제공합니다. 예를 들어 광고 헤드라인에서, 우리의 카피라이터는 특정한 패션 앞서가는 표현이 우리의 브랜드 메시지와 일치하지 않을 수 있다고 판단할 수 있습니다. 이러한 지식은 우리가 알고리즘을 더 세부 조정하고 정기적인 품질 보증 검사를 통해 결과물의 품질을 향상시키는 데 도움을 줄 수 있습니다. 따라서 전문가 참여형 접근법은 인간 전문가와 알고리즘이 함께 생성된 콘텐츠의 품질을 지속적으로 개선하기 위해 함께 작업하는 긍정적인 피드백 루프를 만듭니다.
