“AI 기능 하나 추가해주세요” — 요즘 가장 많이 받는 요청입니다. AI를 앱에 붙이면 어떤 일이 생기는지, 실제 프로젝트 5가지 사례로 정리합니다.
사례 1 — 시원스쿨 AI 선생님 (ChatGPT 기반 튜터봇)
시원스쿨 태블릿 앱에 ChatGPT 기반 AI 선생님을 구현했습니다. 학습 중 궁금한 것을 실시간으로 물어볼 수 있습니다.
실제로 어떻게 구현했나: OpenAI API를 연동하고, 시스템 프롬프트를 “시원스쿨 영어 강사” 역할로 설정했습니다. 사용자 질문이 들어오면 API를 호출하고 응답을 스트리밍으로 표시합니다.
붙이면서 생긴 일:
- API 비용 관리가 필요해졌습니다. 사용자가 많아지면 API 비용이 선형으로 증가합니다. 답변 길이 제한, 하루 질문 횟수 제한 등의 정책이 필요합니다.
- 잘못된 답변 처리 문제. AI가 항상 정확하지 않습니다. “틀릴 수 있습니다”는 면책 조항만으로 충분한지 법적 검토가 필요했습니다.
- 응답 속도. GPT-4는 느립니다. 스트리밍으로 답변이 실시간 타이핑되는 것처럼 보여주는 UX로 체감 속도를 개선했습니다.
사례 2 — AR Cosmetics AI 피부 분석
디바이스 카메라로 얼굴을 촬영하면 잡티, 주름, 유분 지수 등 9가지 지표를 분석합니다.
실제로 어떻게 구현했나: 자체 AI 모델을 만들지 않고 피부 분석 전문 API를 연동했습니다. 이미지를 API에 전송하면 분석 결과 JSON이 돌아오는 구조입니다.
붙이면서 생긴 일:
- 서드파티 AI API 의존도. 해당 업체가 서비스를 중단하거나 가격을 올리면 직접 영향을 받습니다. 벤더 종속(vendor lock-in) 리스크를 처음부터 고려해야 합니다.
- 얼굴 데이터 민감성. 얼굴 이미지를 외부 API에 전송한다는 사실을 사용자에게 명확히 알려야 합니다. 개인정보처리방침에 명시 필수.
- 조명, 각도에 따른 분석 편차. 사용자 가이드(촬영 방법 안내)가 UX의 핵심이 되었습니다.
사례 3 — AI 봇아미 튜터링 딥러닝 채점
학습자가 교재 문제를 풀면 카메라로 촬영해서 AI가 채점합니다. 제스처 인식으로 페이지 넘기기도 구현했습니다.
실제로 어떻게 구현했나: 문항 이미지를 인식하는 딥러닝 모델과 정답 패턴을 학습한 채점 모델을 별도로 구축했습니다.
붙이면서 생긴 일:
- 학습 데이터가 필수. 모델 정확도는 학습 데이터 품질에 달려있습니다. 다양한 필체, 다양한 조명 조건의 이미지를 충분히 수집해야 했습니다.
- 오답 처리의 민감성. 정답인데 오답으로 채점되면 학습자 불만이 큽니다. 신뢰 구간이 낮은 경우 수동 검토로 넘기는 fallback 로직이 필요했습니다.
- 온디바이스 vs 클라우드. 네트워크 없는 환경에서도 채점이 되어야 해서 경량화 모델을 디바이스에 올리는 방식을 선택했습니다.
사례 4 — Xanacloud 의료 AI 데이터 어노테이션
AI 의료 진단 모델 학습을 위해 의료진이 초음파 영상에 직접 레이블을 붙이는 플랫폼입니다.
실제로 어떻게 구현했나: AI가 직접 진단하는 게 아니라, AI 학습을 위한 “정답 데이터”를 사람이 만드는 도구를 개발했습니다.
붙이면서 생긴 일:
- 어노테이션 품질 관리. 같은 영상을 여러 의료진이 레이블링하면 결과가 다를 수 있습니다. 의견 불일치 처리 로직과 품질 검수 시스템이 필요했습니다.
- 대용량 의료 영상 처리. DICOM 같은 의료 영상 포맷은 일반 이미지와 다릅니다. 웹에서 이를 빠르게 렌더링하는 것이 기술적 핵심이었습니다.
사례 5 — Wegofair AI 위조상품 모니터링
온라인에서 판매되는 상품 중 위조품을 AI가 탐지해 소비자를 보호합니다.
실제로 어떻게 구현했나: 웹 데이터 크롤링으로 상품 이미지와 정보를 수집하고, AI가 진품과 비교 분석합니다. 결과는 웹 테이블로 시각화합니다.
붙이면서 생긴 일:
- 크롤링 허용 여부. 상품 플랫폼마다 크롤링 정책이 다릅니다. 법적·기술적으로 허용된 범위를 먼저 확인해야 합니다.
- 모델 업데이트 주기. 위조업자들도 진화합니다. AI 모델을 주기적으로 재학습해야 탐지 정확도를 유지할 수 있습니다.
AI를 앱에 붙이기 전에 확인할 것들
1. 자체 모델 vs API 연동: 자체 모델은 비용이 많이 들지만 완전한 통제권이 있습니다. API 연동은 빠르지만 벤더 의존성이 생깁니다. 서비스 성격에 따라 선택해야 합니다.
2. 데이터 확보 계획: AI의 품질은 학습 데이터에 달려있습니다. 충분한 데이터를 어떻게 확보할지 먼저 계획이 있어야 합니다.
3. 비용 구조: API 기반 AI는 사용량에 따라 비용이 증가합니다. DAU, 기능 사용 빈도를 예측해 비용 시뮬레이션을 먼저 해보세요.
4. 오답/오류 시 처리: AI는 틀립니다. 틀렸을 때 어떻게 할 것인지 — 사용자 신고 기능, 수동 검토 프로세스, 면책 고지 — 를 미리 설계해야 합니다.
5. 법적 검토: 의료, 금융, 교육 분야에서 AI 판단이 실제 의사결정에 영향을 주는 경우 규제 이슈가 생길 수 있습니다.
마치며
AI를 붙이면 서비스가 자동으로 좋아지지 않습니다. AI는 도구입니다. 어떤 문제를 해결하기 위해, 어떤 방식으로 사용할 것인지가 먼저 명확해야 합니다. “AI 넣어주세요”가 아니라 “이 문제를 AI로 해결하고 싶습니다”가 올바른 출발점입니다.