유빈초이's tistory

바이브 코딩말고 바이브 리서치, Liner AI

유빈초이 — Sun, 26 Oct 2025 23:30:31 +0900

https://liner.com/ko

라이너 | 가장 정확하고 믿을 수 있는 AI 검색엔진

라이너는 가장 정확한 답변을 믿을 만한 출처와 함께 제공하는 AI 검색엔진이에요. 빠르고 정확하게 검색해 생산성을 높여보세요.

liner.com

현재 대학원생 석사 2학기를 지내는 중이다. 이제야 막 논문을 나만의 루틴대로 제대로 읽기 시작한 단계인 듯 하다.

하지만 나의 니즈에 맞는 논문을 찾는 것, 연구 주제를 정하고 발전시키는 것은 여전히 어렵다.

생성형AI가 많이 발전했다고는 하지만 논문 찾는건 여전히 정말정말. 못한다.

아무래도 오픈액세스로 열린 논문인지에 따라 GenAI가 접근할 수 있는 영역이 abstract로 제한적이기도 할거고,

...그냥 못찾는다.

ChatGPT는 그냥 본인이 논문을 쓰고 앉아있고, Gemini는 할 수 없는 영역이라며 선 긋고

그나마 믿고 있던 구석은 Perplexity 하나였다.
물론 지금은 학교 계정으로 Pro 플랜을 1년간 무료로 사용 중이긴 하지만, 구독이 끝나면 어찌해야하나라는 생각도 문득 든다. 그리고 Perplexity는 환각이 덜한 건 맞지만 조금이라도 creative한 걸 물어보면 좀 멍청하게 군다. ㅠ

그러던 중 찾은 것이 바로 Liner AI다. 놀랍게도 한국에서 한국인들이 만든 서비스인데도, 해외에서 엄청나게 사용이 많이 되고 있다고 한다. 아 국뽕찬다.

공식 홈페이지에 따르면 현재까지는 B2 투자까지 유치한 듯하다.

https://liner.com/ko/careers

1. Liner 소개

'라이너(Liner)'는 감정이 아닌 정확성과 신뢰를 기반으로 한다.

라이너는 원래 웹 문서의 중요한 부분을 하이라이트하는 서비스였다고 한다. 사용자들은 웹 서핑을 하다가 중요한 정보에 밑줄을 치고 저장해왔는데, 이 데이터를 핵심 자산으로 삼아 구글에 필적할만한 검색 엔진을 만드는 것이 초기 목표였다고 한다.

현재는 연구자들을 타겟으로 신뢰도 높은 정보를 제공하는 Gen AI를 만드는 것이 가장 큰 Goal인 듯 하다.

라이너는 한국에서 개발된 서비스로 현재 전 세계에서 1,100만 명 이상이 이용하고 있으며, 이중 약 60% 이상의 유료 이용자는 미국 내 사용자라고 한다. 특히 미국 실리콘밸리의 a16z(Andreessen Horowitz)가 조사한 '100대 생성 AI 검색 서비스' 순위에서 무려 세계 2위까지 오른 서비스라고 한다.

한국에서 만든 생성형AI 서비스가 이렇게 성장할 수 있었는지, 신기하다.

또한 이 AI 에이전트가 주저자가 되어 쓴 3편의 논문이 스탠퍼드에서 공식 논문으로 채택됐다고도 한다.

https://liner.com/ko/learn/how-to-use-ai-write-academic-research-paper-2025

Liner 공식 홈페이지에서 가져온 일반 GenAI vs Liner.

아직 길게는 사용해보지 못했지만, 다른 GenAI 는 아이디어를 '발산'하는 느낌임에 비해 Liner는 확실히 academic한 novelty를 가장 많이 신경써서 아이디어를 내놓는 느낌이다.

2. Liner 사용법

라이너에서 강조하는 것은 출처가 명확한(line-by-line citation) 요약 답변이다. 이는 LLM의 가장 큰 단점인 Hallucination을 최소화하기 위한 핵심 전략이라고 한다.

2.1. 기본 검색 기능

퍼플렉시티와 유사하게 옆단에 소스 보여주고, 분량도 괜찮게 보여주는 편.

요즘 Gen AI가 다들 뭔가 interactive visualization에 신경 많이 쓰는 것 같던데, 얘도 ERP 모듈 관련 질문을 했는데 냅다 SAP revenue chart를 보여주더라.

확실히 학술에 특화된 친구인 것 같다. 웹 소스들이 퍼플렉시티보다 더 나은지는 잘 모르겠다. (역시 아직까진 공식 document 들고 오는 건 의외로 구글링이 근본이다.. .)

그리고 무료 플랜이라 그런지 한 답변에 앞뒤로 광고가 붙어있다.

2.2. 학술 검색 기능

논문 분야별로 필터링이 되는 것이 참 좋다.!!!!!

내가 초짜 연구자라 그런 걸 수도 있지만, 구글 스칼라에서 검색할 때 저널명은 필터 걸 수 있어도 분야를 세팅할 순 없었던 것 같은데..

유레카다 !!

대신 그래서인지 출처를 무방비하게 여러개 보여주는게 아니라 진짜 필터에 걸린 소수의 논문만 소스로 보여준다.

또한 Deep Research 기능이 꽤 괜찮다는 후기들이 있던데, 이건 내가 정말 필요할 때 원기옥처럼 모아쓰려고 아직 안써봤다.

2.3. Agent 기능

Agent는 크게 6가지 종류가 있다. 또한 사용에 앞서, 내 관심사/연구 분야를 insturction으로 입력할 수 있으니 참고하시길.

1. Hypothesis Generator: 아이디어를 연구 가능한 형태의 가설로 구조화해 연구 설계에 바로 활용할 수 있는 가설 초안 생성

2. Hypothesis Evaluator: 아이디어를 6가지 평가 기준에 맞춰 리뷰하고 제안사항과 추천 가설을 생성

3. Research Tracer: 논문 인용 관계를 추적해 연구 흐름과 트렌드를 탐색하고 관련 연구의 영향력과 연결고리를 시각화

4. Survey Simulator: 인공지능 응답자를 이용해 설문 결과를 예측하고 시뮬레이션해 설문지 설계와 예상 응답 분포를 검증

5. Citation Recommender: 연구 초안 문장별로 적절한 인용문헌을 찾아 추천해 참고문헌 작성과 근거 강화에 도움

6. Literature Review: 분야 내 핵심 논문과 연구 진행 경로, 주요 주제를 분석해 문헌 리뷰에 필요한 전반적 지형도를 제공

7. Peer Review: 초고에 대해 즉각적이고 품질 높은 피드백을 제공해 논문 개선사항(논리, 방법, 표현 등)을 제안

난 아직 연구 주제를 잡는 입장이라 가설 생성, 가설 평가, 문헌 리뷰를 가장 많이 활용할 듯하여 간단하게 사용해보았다.

Hypothesis Generator

이렇게 나의 Query 에 대해 다방면으로 분석한 리포트를 작성해주고, 마인드맵 형태로 가설을 제안해준다.

마인드맵 형태를 적극적으로 활용하면서 질문해보고 싶었으나, Free plan에 주어진 credit 이 부족하여 ㅠㅠ.

Agent가 돌아가는동안 task를 정의하고 실행하는 단계를 보니 아래와 같이 돌아갔다.

- 언어를 먼저 분석: 한국어로 요청했으므로 > 한국어로 응답한다. (이걸 표시하다니. 귀엽군..)
- 연구 목표 정의
- 선행연구 키워드 추출: 검색어를 영어로 만들어야 할 것 같다. 학술적인 검색에서는 영어가 더 많은 결과를 가져올 것이기 때문이다.(> 귀엽네)

- 키워드 기반 Searching

Hypothesis Evaluation

명확성, 독창성, 실현 가능성, 중대성, 영향력, 시의성. 총 6가지 기준에 대해 평가해준다.

원래 관심없는 분야의 세미나여도 박사님들이나 교수님들께서 질문하시는 내용, comment를 어떤 논리를 거쳐주시는지를 옆에서만 봐도 도움이 되지 않는가.

나와 같은 초보 연구자라면 Liner를 활용하여 가설을 평가하는 로직 자체에 익숙해지는 것도 좋은 경험일 듯하다.

ChatGPT처럼 어화둥둥 칭찬해주는 느낌이 아니라, 정말 peer들에게 받을 법한 comment를 듣는 기분이다.

2.4. 에세이 기능

흠 사실 최근 쓴 에세이 중 GPT를 안거치고 쓴게 없어서 나의 문체를 알려줄 만한 Essay 가 없다.

좀 직접 작성해서 테스팅 해봐야지 ^^..

3. 후기

한동안 수업과 프로젝트들에 치여 연구 쪽 progress를 못 만들었는데, 이 친구와 함께 열심히 다시 Research topic를 다듬어가야겠다.

현재 플랜은 위와 같은데, Pro를 결제한다하더라도 무지성으로 질문을 던질만한 Credit 수는 아닌 듯 하다.

일단은 학술모드 위주로 많이 서칭을 해보고, 어느정도 가설이 좁혀지면 Pro 결제를 통해 Hypothesis + Literature Review 기능을 많이 애용해보고 찐 실사용 후기로 돌아오겠다.

추가로 찾아보고 싶고 궁금한 점들.- AI 서비스 상에서 풀 텍스트를 어떻게 가져오는거지? 저널 액세스를 미리 다 해둔건가? 그럼 이제 교육기관만되던 저널 액세스가 무력화해지는 걸까?

- 괜히 한국 개발 서비스임을 인지하고 봐서 그런지 한국어가 꽤나 자연스럽다. 한국어 기반의 LLM을 따로 개발했을까?

- 각 분야에서 중요시하는 Criteria가 다르다. 예를 들어 나는 경영학과 소속이어도 전략 파트에서 바라보는거, MIS에서 바라보는 건 하나의 phenomena여도 관점이 천지차이이다. 그것까지 이 친구가 반영해줄 수 있을까? (너무 많은 것을 바라나?)

- AI 페르소나를 생성하여 연구 설문을 대체할 수 있는 서비스를 제공하던데 아마 실제로 Accept 되기까진 어차피 교차검증 survey를 또 해야하는 수고비용이 들겠지만, 그래도 pilot survey 돌리는 용으론 좋을 것 같긴하다. https://liner.com/ko/learn/ai-survey-simulator

- 또한 라이너를 통해서 자료별로 하이라이트 그어둔 걸 정리할 수 있는데, 클라우드 여력이 된다면 서지 관리 프로그램까지 확장해줄 수 있다면 참 좋을 것 같다. (Zotero 용량 이슈로 현재 힘겨운 나날들을 보내고 있다.) 또한 영어 Expression을 모아두는 용으로도 활용 가능할 것 같은데, 이건 한번 시도해보고 괜찮은 pipeline이 생기면 티스토리를 통해 공유하겠다.

Object Detection vs Image Segmentation

유빈초이 — Sun, 5 Oct 2025 23:57:05 +0900

간만에 고전밈

최근 AI hub 데이터셋 기반으로 오랜만에 Computer Vision AI 작업할 일이 생겼다.

이전에 한창 Yolo로 CNN이나 기본적인 Detection 할 때 한땀한땀 코딩하던 것과 달리, Agent AI 통해서 우르르 Permission 줘놓고 유튜브 30분 시청하고 보니 .. 대체 무슨 과정을 통해 무슨 결과물을 낸건지 따라잡기가 참 힘들었다.

그래서 다시 기본적인 원리라도 리뷰하고 넘어가보자 한다.

이번 내 프로젝트의 특이한 task는 기본적인 bounding box가 아니라, 면적 단위를 정확하게 measure하는 것이 중요하기 때문에 Segmentation 작업까지 이루어져야한다는 것이다.

Object Detection and Segmentation

Computer Vision의 객체 인식 분야는 데이터가 제공하는 정보의 양과 정밀도에 따라 네 단계로 분류할 수 있다.

1. Classification (분류): 이미지 전체에 대한 클래스 예측으로 이미지에 대한 하나의 클래스명을 output으로 낸다.

2. Localization: 이미지 전체에 대한 클래스 예측 + 객체 위치를 하는 task로 하나의 bounding box를 output으로 낸다.

3. Detection (탐지): 이미지 속 다수 객체의 위치 파악을 하는 task로 다수의 Bounding Box (바운딩 박스)를 output으로 낸다.

4. Segmentation (분할): 이미지 속 객체의 정확한 경계를 파악하는 것이 목적이며, 픽셀 단위로 다수의 Mask 또는 Polygon을 output으로 낸다.

이 중에서도 Segmentation은 크게 두 가지 방식으로 나뉜다.

Semantic Segmentation (의미론적 분할): 같은 클래스라면 개별 객체를 구분하지 않고 모두 같은 색으로 마스킹하며 개체 수 파악이 불가능
Instance Segmentation (인스턴스 분할): 같은 클래스라도 개별 객체(인스턴스)를 구분하여 마스킹하여 개체 수 파악이 가능

각 Task에 따른 Data Format

Bounding Box: 출력 형태는 직사각형 바운딩 박스의 4개 좌표

대략적인 위치 파악이나 개수 카운팅이 가능한 직사각형 형태
객체 바깥의 배경 픽셀이 박스 안에 포함되거나, 복잡한 모양의 객체 윤곽을 정확하게 담아내지 못하는 한계

Polygon / Mask: 객체의 실제 윤곽을 따르는 픽셀 집합(Mask)이나 폴리곤 좌표

객체의 정확한 면적, 모양, 경계 측정이 주 목표
픽셀 단위로 객체만을 정밀하게 측정 가능

그럼 우리는 정확히 언제 Segmentation을 필요로 할까?

객체의 정확한 면적이나 크기를 측정해야 할 때
객체의 복잡하거나 불규칙한 모양을 정확히 파악해야 할 때.
객체끼리 겹쳐 있을 때 픽셀 단위로 분리해야 할 때.

빠르고 간결한 위치 파악이 목적이라면 객체 탐지를, 객체의 형태 정보와 정밀한 면적 계산이 목적이라면 인스턴스 분할을 선택해야한다.

최신 YOLO 모델 등 Vision model들은 이 두 가지 기능을 하나의 프레임워크 내에서 모두 지원하는 경우가 대다수다.

그래서 폴리곤 좌표가 이미 훈련 데이터셋에 있는 상황이라면, 추론할 때 bbox 와 mask를 모두 반환하더라.

Segment

YOLO11을 사용하여 인스턴스 세분화를 마스터하세요. 자세한 가이드와 예제를 통해 이미지에서 객체를 감지, 분할 및 윤곽을 그리는 방법을 배울 수 있습니다.

docs.ultralytics.com

그리고 같은 회사에서 낸 Segment Anything Model (SAM) 이란 모델이 성능이 꽤 좋다고 추천을 받았는데,

fine tuning 에 앞서 Zero shot 도 한번 테스트는 해봐야겠다.

- SAM 공식 docs: https://docs.ultralytics.com/ko/models/sam/

AI Hub에서 제공하는 컴퓨터 비전용 데이터셋을 열어보면 보통 images/와 annotation/ 두 폴더로 구성되어 있었다.
초기에 비전을 공부할 때는 데이터를 준비하는 과정을 통틀어 ‘라벨링’이라고 부르는 경우가 많았지만, 실제로는 라벨링(labeling)과 어노테이션(annotation)이 조금 다른 개념인 걸 이번에 처음 알았다.

Labeling: 데이터를 클래스 이름이나 값으로 태깅하는 작업 전반

Annotation: 데이터를 구체적이고 구조적으로 기술해 놓은 전체 정보 (JSON/XML)

따라서 Annotation은 metadata 전체를 담고 있는거라, yolo training을 위해서는 txt로 다시 변환해야하더라.

대용량의 이미지셋으로 Vision model 개발하는 걸 오픈소스 및 Agent가 잘되어있어서 굉장히 만만하게 봤는데.. 컴퓨팅 자원을 많이 소모하는 일이다보니 정확하게 공부하고 한번에 원기옥 모으듯이 실험을 잘 돌리는 게 좋을 것 같다.

이전엔 항상 모델을 직접 땡겨와서 돌렸는데, 이번엔 드디어 docker image로 받아와서 써볼까 한다.

워낙 파이썬에 익숙해서 굳이? 싶기도 하고 infra structure들 개념이 낯설긴하지만

다음 포스팅에선 꼭 docker 사용 + DVC 관련 후기를 남길 수 있길!!

인간 지식의 총량은 이미 모두 AI 훈련에 사용되었다. 대안은 합성 데이터.

유빈초이 — Sun, 28 Sep 2025 00:59:53 +0900

최근 AI와 데이터 분야에서 합성 데이터 이야기가 정말 많이 들린다. 개인 정보 보호나 데이터 불균형 문제를 해결할 수 있는 '만능 치트키'처럼 여겨지기도 한다.

실제 기업 데이터를 구하는 것은 생각보다 많은 비용을 요한다. 개인이 데이터를 산다는 것은 상상할 수 없는 금액이다.

하지만 ChatGPT한테 "쇼핑몰 고객 데이터 10만 개 만들어줘"라고 하면 정말 만들어준다. 개인정보 걱정도 없고, 원하는 조건도 마음대로 넣을 수 있다. 문제는 이게 정말 믿을 만하냐는 거다.

나 또한 합성 데이터를 굉장히 매력적으로 느끼고, 내 마음대로 생성해서 사이드 프로젝트나 해볼까 싶다가도 과연 얼마나 실제 산업에 적용 가능한 결과일지 감이 안와 머뭇대곤 한다.

그리고 왜 이렇게 유리과일과 이상한 키보드들을 만드는 데이터들이 우후죽순 생겨나는 것인건지도 글 말미에 다뤄보려한다.

1. 합성데이터란?

합성데이터(Synthetic Data): 실제 데이터를 기반으로 통계적 특성, 패턴, 관계 등을 모방하여 인공적으로 생성된 데이터를 말한다. 개인 식별 정보(PII)나 민감 정보가 포함된 실제 데이터를 대체하기 위한 목적으로 주로 사용된다.

개인 정보 보호	실제 데이터 포인트를 포함하지 않아 프라이버시 문제에서 자유롭다.
확장성	원하는 만큼 대규모로, 특정 조건에 맞춰 무한정 생성 가능함.
통제 가능성	실제 데이터의 편향(Bias)을 의도적으로 교정하여 생성 가능
희소성 해결	실제 얻기 어려운 엣지 케이스(Edge Case)나 부족한 클래스의 데이터를 추가 생성 가능.

글로벌 합성 데이터 시장은 2025년 6억 9천만 달러에서 2029년 22억 8천만 달러로 연평균 35% 성장할 것으로 전망된다. 가트너는 2028년까지 AI 학습에 필요한 데이터의 80%를 합성 데이터가 차지할 것으로 예측했다. AI 연구기관 에포크AI에 따르면 2026년부터 AI 학습용 고품질 데이터가 소진되기 시작할 전망이다. 현재 인터넷상 고품질 데이터는 전체의 10%에도 못 미치며, 저작권 문제로 활용 가능한 데이터는 더욱 제한적이다.

이쯤에서 합성 데이터 vs Gen-AI 데이터의 차이가 궁금하다.

Gen-AI 데이터: GAN, VAE, Diffusion Model 등 생성형 AI 모델이 만든 모든 창작물을 포괄하는 넓은 개념 (이미지, 텍스트, 코드 등)
합성 데이터: 실제 데이터의 통계적 특성을 모방하거나, 도메인 지식을 활용하여 인공적으로 생성된 데이터

2. 합성 데이터 생성 방법

Gen-AI의 발전으로 합성 데이터 생성 동향이 크게 달라졌다. 과거의 단순 통계 방식에서 벗어나, 이제는 고품질의 복잡한 데이터를 생성할 수 있게 되었다.

규칙/모델 기반	미리 정한 로직이나 수학 모델 기반 (가장 기본적인 Mock data)
통계 기반	실제 데이터의 분포, 상관관계를 추출하여 샘플링
딥러닝 모델 기반	생성 모델 기반 (GAN, VAE, Diffusion Model 등) 최신 생성 AI 모델 활용

특히 딥러닝 기반의 경우 아래 방법 등 다양한 방법을 사용하여 생성될 수 있다.

1) GAN (Generative Adversarial Networks)

생성자와 판별자가 서로 경쟁하면서 점점 더 실제 같은 데이터를 만들어내는 방식
이미지, 텍스트, 시계열 데이터 등 다양한 형태에 적용 가능

2) VAE (Variational Autoencoders)

데이터를 압축했다가 복원하는 과정에서 새로운 데이터를 생성
연속적인 데이터 공간에서의 보간이 가능해서 다양한 변형 생성에 유리

3) Diffusion Models

최근 가장 주목받는 방법으로, 노이즈에서 점진적으로 데이터를 복원하는 과정을 학습
DALL-E, Midjourney 등에서 사용되는 기술

신뢰할 만한 합성 데이터를 만드려면 실제 데이터의 통계적 특성(또는 구조)에 대한 이해와 반영이 필수다. Gen-AI로 아예 새로운 데이터를 만들 수는 있지만, 이는 '실제 데이터셋의 특성을 모방하는' 합성 데이터의 목적과는 거리가 멀어진다.

3. 합성 데이터, 신뢰해도 되는가?

아무리 많은 데이터를 만들어도 쓸모가 없다면 소용이 없다. 합성 데이터의 가치는 '신뢰성'에서 나온다.

신뢰성은 크게 충실도/프라이버시와 유용성 측면에서 평가된다.

1. Statistical Fidelity (충실도) & Privacy (프라이버시):

충실도: 합성 데이터가 실제 데이터의 통계적 분포(평균, 상관관계)와 얼마나 유사한가?
프라이버시: 실제 데이터를 역추적하거나 복사한 것이 아닌가? (데이터 유출 위험성)

2. Utility (유용성):

가장 현실적인 검증 방법이다. 합성 데이터로 학습시킨 AI 모델의 성능이 실제 데이터로 학습시킨 모델의 성능과 얼마나 유사한가?를 따진다.

4. Gen-AI 가 영상 데이터에 공들이는 이유는 로봇 때문이다?

앞서 이야기하던 합성 데이터와는 조금 다른 결의 내용이다.

ASMR, 유리 과일 자르기 등 최근 소셜 미디어에 Gen-AI가 만들어내는 영상들이 넘쳐난다. 하지만 미디어 종사자가 아닌 나로써는 GenAI로 만든 '영상 데이터'의 범용성을 체감하기에는 조금 어려웠다.

예를 들면 이런 거. 미피가 생각보다 못생겼군.

그럼에도 불구하고 이 분야에 엄청난 투자가 이루어지는 이유는 바로 로보틱스에 있다. 로봇의 Imitation Learning을 위해서다.

로봇이 현실 세계에서 움직임을 배우려면 수많은 시행착오를 겪어야 하는데, 이는 시간과 비용 측면에서 천문학적인 비효율을 낳는다. 특히 위험하고 희귀한 상황(Edge case)에 대한 데이터는 현실에서 얻기가 불가능에 가깝다.

예를 들면:

컵을 집는 방법을 배우려면 수천 가지의 다른 컵, 다른 각도, 다른 상황에서의 영상이 필요
걷는 방법을 배우려면 다양한 지형, 장애물, 날씨 조건에서의 영상이 필요
물건을 조립하는 방법을 배우려면 수많은 조립 과정의 영상이 필요

여기에 대한 해답이 Sim2Real (Simulation-to-Real), 즉 시뮬레이션에서 학습한 경험을 현실에 적용하는 것이다.

로봇 모방 학습 (Imitation Learning)의 열쇠: 로봇이 현실의 움직임을 모방해 학습할 수 있도록, 현실과 유사한 물리 엔진을 갖춘 GenAI 합성 데이터 생성이 필수적이다.
합성 영상 데이터의 역할: 게임 엔진(Unity, Unreal) 같은 물리 시뮬레이터에서 만들어진 영상은 단순히 픽셀 정보만 제공하는 것이 아니다. Depth, Segmentation Mask, Force 등 학습에 필요한 모든 정보를 완벽하게 Annotation 하여 제공한다.
로봇은 이 합성된 가상 환경에서 무한정 실패하며 학습한 경험을 바탕으로, 현실 세계에 투입되어도 안전하고 정확하게 작업을 수행할 수 있게 된다. 이것이 영상 합성 데이터에 Effort를 쏟는 가장 큰 이유이다.

실제 AI 업계에선 이를 어떻게 활용하고 있을까?

엔비디아는 Isaac Sim이라는 로봇 시뮬레이션 플랫폼을 적극 개발 중이다. 이 플랫폼은 Omniverse 기반의 물리 엔진과 렌더링 엔진을 활용해, 로봇 학습용 시뮬레이션 환경을 구현하고, 합성 데이터를 생성할 수 있게 해 준다.

특히 Synthetic Manipulation Motion Generation 기술을 통해, 적은 수의 인간 시연으로부터 수많은 조작 동작 궤적을 합성하는 방법이 개발되고 있다. 이 방식으로 로봇이 많은 경우의 수를 학습할 수 있게 하는 게 목표다.

2025년 3월에는 엔비디아가 Open Physical AI Dataset이라는 표준화된 합성 데이터셋을 공개했다. 이 데이터셋은 로봇이나 자율주행 자동차 개발자들이 사용할 수 있게, Sim-ready(시뮬레이션에서 바로 활용 가능한) 자산들을 포함하고 있다.

또한 테슬라는 자율주행 차량(FSD) 시스템 개발 과정에서 합성 데이터 활용 가능성에 대한 특허를 보유하고 있다. 이는 현실에서 수집하기 어려운 상황들을 가상으로 생성해 학습하는 방식을 명시하고 있다.

https://patents.google.com/patent/US10678244B2/en

테슬라의 CEO인 일론머스크의 경우엔 '인간 지식의 축적된 총량을 AI 훈련에 사실상 소진했다'고도 말했다.

앞으로는 단순히 그럴듯한 영상을 만드는 것을 넘어서, 로봇이나 하드웨어에서 실제로 활용할 수 있는 actionable 영상 데이터를 만드는 것이 중요해질 것으로 보인다. 최근의 영상 생성 기술 발전은 단순한 엔터테인먼트나 콘텐츠 제작을 위한 것이 아니라, 미래 로봇 시대를 준비하는 핵심 인프라를 구축하는 과정이라고 볼 수 있다.

참고 문헌

Amazon Web Services. "합성 데이터란?" AWS 공식 문서. https://aws.amazon.com/ko/what-is/synthetic-data/
개인정보보호위원회. "합성데이터 생성 참조모델 공개." (2024년 5월 30일)
NVIDIA Developer. "Isaac Sim - Robotics Simulation and Synthetic Data Generation." https://developer.nvidia.com/isaac/sim
NVIDIA Blog. "NVIDIA Unveils Open Physical AI Dataset to Advance Robotics and Autonomous Vehicle Development." (2025년 3월 18일)
MIT News. "A faster, better way to train general-purpose robots." Massachusetts Institute of Technology. (2024년 10월 28일)
IBM. "합성 데이터란 무엇인가요?" IBM 공식 문서. https://www.ibm.com/kr-ko/topics/synthetic-data
카카오클라우드. "Synthetic Data(합성 데이터)란? 데이터 부족 문제의 혁신적 해결책." (2024년 10월 4일)
Fortune Business Insights. "합성 데이터 생성 시장 예측." https://www.fortunebusinessinsights.com/ko/synthetic-data-generation-market-108433
ArXiv. "Synthetica: Large Scale Synthetic Data Generation for Robot Perception." (2024년 10월 28일)

[OPIC] 오픽 독학으로 IH 때보다 준비 덜하고 AL 받은 후기

유빈초이 — Sat, 27 Sep 2025 22:57:33 +0900

지원하고 싶은 활동이 있었는데, 오픽 AL이 자격요건이라 부랴부랴 조기발표 가능한 오픽을 봤다.

운이 좋게도 거의 준비를 안하고 봤음에도 불구하고 원하는 성적이 나왔다.

대신 IH 받았을 때보단 나름 학교에서 한 학기동안 영어로 계속 수업듣고, 발표할 기회가 잦았던 환경이라 자신감은 전보다 많이 올라왔던 상태이다.

1. 시험 후기

이번 시험은 둔산 SDA에서 봤다. 헤드셋, 시설 등은 그냥 깔끔했다. 따로 방음부스 없이 한 교실에 우르르 칸막이 책상두고 앉은 형태다.

일단 나의 서베이 정보는 다음과 같다.

지난 번 시험 때 학생이 맞다고 했다가 시간표 짜는 기준에 대해 두세번을 지엽적으로 묻는 콤보 질문이 나와서 매우 당황스러웠기에

이번엔 학생 아님 + 그래도 양심상 학위 과정 수업 최근에 들었다고 했다.

(1) 귀하는 현재 어느 분야에 종사하고 있습니까? → 일경험 없음

(2) 현재 당신은 학생입니까? → 학생 아님

(3) 최근 어떤 강의를 수강했습니까? → 학위 과정 수업

(4) 현재 귀하는 어디에 살고 계십니까? → 개인주택이나 아파트에 홀로 거주

(5) 귀하는 여가 활동으로 주로 무엇을 하고 계십니까? (12개)

→ 공연보기, 콘서트 보기, 음악 감상하기, 공원가기, 악기 연주하기, 춤추기, 수영, 걷기, 운동을 전혀하지 않음, 집에서 보내는 휴가, 해외여행, 영화보기

(6) 난이도 6-6

그리고 나온 질문 및 그에 대한 대답 키워드는 아래와 같았다.

1. 자기소개

> 점수엔 안들어간다지만 입 좀 풀겸 간단하게 40~50초 말함. 그냥 만담.

> 최근에 운전 시작해서 힘들면서도 재밌다 + 한국인들이 최근 MBTI를 자기소개할 때 꼭 말한다. 나는 ESTJ임

2. 영화관 가면 뭐해?

> (서베이를 영화로 고르긴 했지만 '영화관'에 대해 콕 찝어물어볼 줄 몰랐음.)

> 솔직히 theater가 영화보러가는거지.. 뭘 하겠냐. 난 가서 얌전히 영화보고 팝콘 먹고 온다.

> 그래도 요즘 OTT들이 유행인데, 영화관 화장실 가면 사람들의 솔직한 평을 실시간으로 들을 수 있어서 좋다.

3. 가장 기억에 남는 영화관?

> 음 솔직히 한국에 있는 프렌차이즈 영화관빼고 안가봐서 잘 기억 안난다.

> 그래도 굳이 꼽자면 본가 주변에 있던 CGV가 매우 커서 오락실, 노래방 등 부대시설이 꽤 있었다.

4. 영화관에 특별한 장소가 있다면, 뭐가 있어?

> 엥 방금 부대시설 같은거 다 말했는데 ^^..

> 굳이 더 설명해주자면 피자도 팔았어..사실 피자까진 왜 파는건진 모르겠지만 의외로 맛있었다.

> 그리고 요즘 뭐 테마관 같은 걸로도 많이 꾸며서 본다더라. (ㄹㅇ 할 말 없어서 그냥 후딱 끊었다 영화관 콤보 제발 멈춰)

5. 수영 왜 좋아해?

> (준비했던 답변) 물에 잠겨서 고요해질 때 그 기분이 너무 좋다. 특히 창이 있는 실내 수영장의 경우 햇빛이 물 안으로 들어올 때 기분이 아주 좋다.

6. 누구한테 배움?

> (준비했던 답변인데 할 말이 많이 없었음) 초등학교 때 지역 문화센터에서 배움.

> 사실 어렸을 때 배운거고 방학 때마다 갔는데 선생님이 계속 바뀌어서 기억 안나. 그때도 선생님 성함도 모르고 그냥 배웠고..

7. 수영장 어디가 좋았어?

> (준비했던 답변) 시드니 아이스버그 가서 완전 뷰도 좋고, 바닷물도 들어와서 좋았던 얘기

> 근데 물 완전 짜고 햇빛 너무 쎄서 오래는 못 있었음

> 허우적거리고 있었더니 할머니들이 도와줬어. 어느 수영장을 가든 대빵인 터줏대감 할머니들은 계신가봐 (만담이 절로 나왔는데 설명하기가 빡셌음)

8. 네 집에서 무슨 룸 제일 좋아해?

> 야야 나 원룸사는데 물어보면 나 속상하다.. 돈 벌어서 큰 집으로 갈게.

> 그래도 내 집에 빌트인 많고 나름 뷰도 낫배드야 ~ 좁은 곳에서 모든 걸 다할 수 있음 ~

9 너 집 전에 살던데랑 어때? 비교해봐

> 일단 아파트 vs 원룸인거? 뭐 방 개수도 다르고, 가족들이랑 같이 살아서 두는 가구나 분위기가 다 달랐지.

10. 어릴때 네 집 설명해봐

> (9번에서 설명한 집이랑 같은 곳이라 더 할 말이 없었음)

> 9번에서 말한 집이랑 같은 곳이라고 뻐팅기면서 우김.

11. (롤플레이) 넌 지금 새로 아파트 이사왔어. 재활용 룰 3가지 이상 물어봐.

> 재활용 언제 하냐, 어디서 하냐, 분류 어떻게 되어있냐, 음쓰는 어디에 버리냐, 음쓰 버릴 때 비닐봉지 같이 버리냐 따로 버리는 곳 있냐

> (생각해보니 극현실적)

12. 너 rule 잘못 전달받고 재활용 잘못함. 빨리 suggestion을 3개 이상 해봐.

> (사실 상황 제대로 파악 못함) 엥 난 말해준대로 열심히 재활용했어 엥 내가 뭘 잘못한 건데...

> (그래서 일단 상대방과 대화한다는 가정하에, 뭔진 몰라도 나한테 꿍시렁댄다고 생각하고 리액션 하듯이 Ok...를 다섯번 정도 말함)
> (그 사이에 내가 뭘 잘못했는지 지어냄)

> 일단 내가 잘못했다면 미안하다. 내가 다른 동 쓰레기 장에 버렸다는거냐. 근데 이거 헷갈릴만 했다

> 엘레베이터에 안내 붙이기 / 쓰레기장에도 안내 붙이기 / 안내방송으로도 한번 해줘라.

13. 넌 재활용하면서 힘든 거 없었냐

> 나도 한국인이라 그런지 불닭, 엽떡 같은 매운 음식에 미쳐있다.

> 그리고 한국인은 배달의 민족 아니냐. 근데 배달 그릇 닦기가 의외로 빡세다. 경비 아저씨 만날 때마다 마음이 쫄깃하다.

> 그래서 최근에 다이소에서 일회용 수세미사서 닦는데 잘 닦이더라 강추

14. 친구든 가족이든 네 주변 사람 두 명을 비교해봐.

> 상상도 못한 질문이네. 우리 부모님 설명 ~

15. 요즘에 네 친구나 주위 사람들이랑 뭐 말함?

> 뭐.. 취업 얘기하지 뭐 ~ 아무래도 젊은 청년들이다보니 당장 졸업 후의 진로에 대해 얘기 많이 해~

내가 생각한 나의 차이점은 filler에 집착하지 않았다는 점?

답변의 길이나 structure 자체가 깔끔하진 못했지만, 오히려 즉석에서 내가 정말로 생각하고 답변했다는 느낌을 주는 것이 좋은 것 같다.

예를 들어서 '수영'을 서베이로 골랐다면 당연히 '수영 왜 좋아하냐?' 라는 질문은 나올 수 있으니, 그럴 때 준비해 간대로 유연하게 말하는 건 좋다.

하지만 '영화관에 무슨 부대시설이 있어?' 라는건 당연히 준비를 하거나 외워갈 만한 범주가 아니고, 잠깐 상기시킬 시간이 필요한 질문이다.

그럴 때 오픽 필러 모음.. 같은 글에 나오는 you know what,과 같은 외운 필러를 꼭 쓸 필요는 없다.

의외로 약 3초의 침묵이 엄청나게 길진 않으니 천천히 생각나는 대로 말을 시작하면 될 것 같다.

오픽에서 던지는 질문들이 생각보다 2분 채우기 쉬운 답변들은 아니라서 적당히 생각나는 대로 떠들면 얼추 맞는다.

구조화가 중요하다고는 하지만 서론 > 본론 > 결론의 틀을 꼭 따르기 보다도,

떠오르는 대로 꼬꼬무처럼 말하되, 질문의 요지에서 과도하게 벗어나지만 않게 + 청자가 내 맥락을 따라올 수 있게만 해주면 좋을 것 같다!

2. 준비 방법

https://youbeenchoi.tistory.com/entry/OPIC-4%EC%9D%BC-%EB%B2%BC%EB%9D%BD%EC%B9%98%EA%B8%B0-%EC%98%A4%ED%94%BD-%EA%B3%B5%EB%B6%80%EB%B2%95-%EB%8F%85%ED%95%99

> 내가 첫 오픽 시험봤을 때 썼던 방법이다.

지금은 오픽 시험의 틀 자체가 낯설진 않아 여우오픽 두 개정도만 돌리고 갔던 것 같다.

대신 딱 2~3일 정도 걸어다닐 때, 운전할 때 등 이동 시간에 무조건 영어로만 '생각'을 하려 애썼다.

특히 차에선 혼자서 맘대로 떠들 수 있으니 생각나는 걸 무진장 뱉어댔다.

그럼 기분이나, 상황을 설명하다 어느 부분에서 막히는지 도착하자마자 우다다 적고 gpt한테 대체할 표현 10개 부탁한다.

그 중에 입에 붙는 거 4~5개만 좀 더 외워간다.

예를 들어 어려웠다, 힘들었다. 라는 표현을 나는 자꾸 Struggling with...~ 만 쓰는 버릇이 있었다.

그럼 have a hard time, face problem, deal with issues 등을 외우고

'최근에' 라는 표현을 nowadays로 다 가져다 붙이는 습관이 있어서

recently, these days, recent moments, over the past few week/month. 등을 숙지해뒀다.

어차피 grammar 같은 걸 단기간에 왕창 성장시킬 순 없기도 하고, 다양한 표현을 돌려쓰는게 스스로 자신감이 올라가는 기분이라

본인이 어려워하고, 턱 막히는 포인트를 자꾸 뱉어보며 찾는게 정답인 것 같다.

오랜만에 어학시험을 보기도 했고, IH-AL 차이점이 잘 체감되지 않았어서 걱정을 많이 했는데

역시 자신감으로 솔직하게, 다양하게 답변하는게 오픽에선 중요한가보다.

나도 어학성적은 여차저차 받았지만, 꿈꾸는 것들을 이뤄내기 위해선 꾸준히 영어 공부를 더 해야겠다.

다들 희망하는 성적 잘 받으시길!

[OPIC] 4일 벼락치기 오픽 공부법 (독학)

유빈초이 — Fri, 16 Feb 2024 22:42:11 +0900

월말에 중요한 시험들이 몰려있어서 이 타이밍 아니면 오픽 못본다는 생각에

시험을 일주일 남기고 급하게 접수를 했다.

접수는 오픽 대학연합을 통해 15% 할인된 가격으로 했다.

오픽 대학연합 사이트 > https://univ.opic.or.kr/

OPIc

univ.opic.or.kr

아래 3가지 조건을 모두 충족해야 적용 가능하니 참고!

1) 대학연합 리스트에 있는 대학 재학 중 (오픽 시험 응시일 기준)
2) '재학증명서' 당일 서류 지참
3) 연 1회 할인 혜택 적용 가능

이 블로그를 참고해 공부법을 구성해봤다. https://blog.naver.com/yo0nn/223155637746

해당 블로그에서는 일주일 치 학습법이었지만 난 설날 이슈로 열심히 놀고 먹고 잔 덕에

4일치 압축 공부법을 만들어봤다.

Day 1: 오픽 유형 파악

오픽 노잼 유튜브 '오픽노잼 AL 시리즈'를 정주행한다.

결국 오픽도 일종의 시험이니, 단기간에 고득점을 받을 수 있게 준비하는 전략들을 서칭해보는 것도 중요하다.

하지만, 너무 전략에 매몰되어 공식처럼 준비할 필요는 없기에!! 딱 하루만 찾아봤다.

https://youtube.com/playlist?list=PL9Ieg7fw1BJKHSwaXdmAiRYj5uArfbrkw&si=cQ-5qGduwftqweTy

오픽노잼 AL 시리즈

www.youtube.com

꿀팁들을 무조건 귀담아듣진 않더라도.. 보면서 섀도잉하기가 좋다

Day 2: 서베이 결정 + 키워드 작성

<내가 택한 Background Survey>

1. 일경험 없음

2. 학생여부: 예, 최근 수강강의: 학위 과정

3. 거주지: 가족과 함께 거주

4. 여가시간: 영화보기, 콘서트보기, 술집/바에 가기, 카페가기

5. 취미: 음악 감상하기, 춤추기

6. 스포츠: 수영, 헬스, 운동을 전혀하지 않음.

7. 여행: 집에서 보내는 휴가, 국내여행, 해외여행

(4, 5, 6, 7 항목을 합해서 최소 12개 이상 선택하면 된다)

서베이 전략은 '솔직함'으로 갔다.

나는 AL 을 목표로 하고, 단순 사실 열거에 크게 어려움을 겪는 편은 아니었어서

자연스러운 감정표현이 나올 수 있는 실제 에피소드들을 많이 준비해가려했다.

외우면서 준비하면 강박이 생길 것 같아서 ~~사실 외우기 귀찮았음~~

토픽별로 1. 최근 에피소드 / 2. 가장 인상깊은 에피소드 / 3. 기본 용어 만 준비해갔다.

'기본 용어'는 그 분야에서만 쓰는 특정 용어들을 말하는 것인데

예시) '수영' 관련 질문 > Freestyle (자유형), Backstroke (배영), Breaststroke (평영), Butterfly(접영)

처럼 단어를 잊어서 오는 제약을 최소화하려 노력했다.

Day 3: 막히는 부분 찾기

토픽별로 에피소드 하나에 대해 정갈하게 말하는 연습을 하며 입을 풀어주었다.

이후로는 유튜브에서 가장 유명한 여우오픽 모의고사를 2개 정도 봤다.

이때, 하다 막히는 부분이 있으면 잠깐 pause하고 막힌 부분을 간략하게 메모한 뒤 넘어간다.

따로 녹음은 하지 않았다.

여우오픽 모의고사 링크

https://youtube.com/playlist?list=PLQqxXrxA9EGj_XIfyp1zC8ADRxjamZVut&si=Qw7SG6w5ca3skAWV

여우오픽 모의고사 (난이도 5~6)

www.youtube.com

내가 스스로 진단한 문제점은 다음과 같았다.

1. like / favorite을 대체할 표현들이 잘 입에 붙지 않는 것

2. 감정 관련한 형용사들을 다채롭게 사용하지 못하는 것

3. 기승전결을 나타내줄 부사들을 잘 활용하지 못하는 것

대체로 vocabulary의 문제가 큰 것 같아 GPT에게 대체할 표현들을 20가지씩 추천받고,

내가 입에 붙는 표현들만 추려서 각각 5가지 정도 외워갔다.

Day 4: 돌발질문 연습 및 모의고사

요즘 스픽, 링글 등 다양한 회화연습 서비스가 많다길래

괜히 한번 사용해보고 싶은 마음에 찾아서 사용해본 '링글 AI 프렙'

결론부터 말하자면 대대대만족이다. (광고 아닙니다..)

링글 AI 프렙 링크 > https://prep.ringleplus.com/opic/home

최초 회원가입을 하면 OPIC 무료 모의고사 크레딧 1회권을 지급하는 것 같다.

오픽 선택 시 메인 홈페이지

선택 토픽과 돌발 토픽 화면. 선택 토픽의 경우 업데이트가 덜된 것 같았다. (카페가기, 술집에 가기 같은 항목 X)

애초에 돌발토픽은 키워드를 준비해가기도 애매할 정도로 다양한 시사상식을 묻는 것들이 많았어서,

아 이런 것들이 있구나~ 하고 둘러보는 정도로만 활용했다.

호텔 예약 / 쇼핑 / 약속 : 얘네들은 첫날에 오픽 후기 읽을 때 눈에 밟힌다 싶을 정도로 많이 나오길래 간단하게 답변 구상을 해봤다.

그리고 인터넷, 기술, 전자제품 관련된 항목들이 최근에 많이 출제되는 것 같았다. 그치만 난 전공자니까... 라는 마음으로 대비 안함

AI가 채점해주는 모의고사다. 진단하는데는 약 20분정도 소요된 것 같다.

실제 오픽 시험과 유사하게 1번부터 15번까지 시험을 응시한다.

다행히 결과가 AL로 나와서 한층 자신감이 생겼다.

각 항목별 점수, 취약 유형에 대한 분석, 평가항목들에 대한 리뷰 (분당 사용한 단어 수, 발화량, 단어 멈춤 비율 .... ) 가 나온다.

'연습하기'를 클릭하면 각 질문들에 대한 내 답변들을 볼 수 있다. 녹음했던 내용들이 그대로 나온다...^^....부끄렁.

녹음본을 다 다시 들어보며 분석하는게 아니라, 자동으로 내 답변이 텍스트로 변환되어 나오니 분석하기에 훨씬 편리했다.

교정 내용도 세세하고, 모범 답변도 있어 비교하는 맛이 쏠쏠했다.

모의고사를 다 보고나니 최소한 자기소개는 clear하게 말해야 자신감있게 말할 수 있을 것 같다는 생각이 들었다.

그래서 1분 30초 분량의 자기소개를 filler 섞인 스크립트로 만들어 외웠다.

시험장에서 다같이 Hi My name is ~~ 하는 모습이 가관이라길래 기죽거나 경직되지 않으려

괜히 시덥잖은 얘기들도 미리 섞어서 준비했다.

(e.g. 나 지금 배고파서 너랑 대화 끝나면 바로 밥먹으러 갈거임..

나 너랑 대화하기 전에 아아 한잔 때리고 와서 기분이 너무 좋은 상태야 ^0^..)

AI가 진단해준 나의 레벨이 실제 시험과 얼마나 일치했을지는...

두구두구.. 두구..

두구......

바로 일주일 뒤에 공개됩니다.!

시험을 응시하며 외우기는 싫어하고, 말하기를 좋아하는 내게 아주 적합한 어학 시험이라는 생각이 많이 들었다.ㅎㅅㅎ

제발 한 번에 AL이 떴기를 바라며!-!