무신사, AI 후기 요약으로 쇼핑 경험 혁신
10만 개 후기의 불편함을 해결하기 위해 AI 후기 요약 기능을 도입, 고객 정보 접근성(Information Accessibility)을 개선함
키워드 요약과 장단점 요약 두 가지 방식을 제공하여 사용자 선택의 폭을 넓히고, 개인화된 쇼핑 경험(Personalized Shopping Experience)을 제공함
신상품의 경우, 아더 컬러(Other Color) 후기 활용을 통해 요약 커버리지를 확장하고, Priority Fallback 구조를 설계하여 유연성을 확보함
Qwen3-VL-8B 모델을 선택하고, 추상적 템플릿 기반의 프롬프트 엔지니어링(Prompt Engineering)을 통해 AI 환각(Hallucination) 문제를 해결함
사용자 피드백(User Feedback) 수집 및 UX/UI 디자인 개선을 통해 AI 기술의 신뢰도(Trustworthiness)를 높이고, 84.6%의 사용자 만족도를 달성함
AI 후기 요약, 왜 두 가지 방식을 선택했을까?
무신사는 사용자 쇼핑 스타일에 맞춰 키워드 요약(Keyword Summary)과 장단점 요약(Pros and Cons Summary) 두 가지 방식을 제공한다.
키워드 요약: 의류 상품에 특화, 사이즈, 핏, 소재 등 12개 키워드 기반 요약 제공
장단점 요약: 전 카테고리 공통, 좋은 점 3개, 참고할 점 2개로 압축
사전 사용자 리서치(User Research) 결과, 의사결정 신중형은 구조화된 장단점을, 빠른 판단형은 핵심 키워드 스캐닝을 선호했다. 이는 개인화된 정보 소비(Personalized Information Consumption)를 위한 전략적 선택이다.
신상품도 AI 요약, Priority Fallback 구조
신상품의 부족한 후기 문제를 해결하기 위해 무신사는 Priority Fallback 구조를 도입했다.
자체 후기 충분: 해당 상품 기준 요약 (Priority 1)
자체 후기 부족: 아더 컬러(Other Color) 전체 후기 기준 요약 (Priority 2)
아더 컬러 구조를 활용하여 요약 커버리지를 확장하고, 별도 로직 없이 자연스러운 전환을 구현했다. 이는 데이터 희소성 문제(Data Scarcity Problem)**를 해결하고, 모든 상품에 AI 요약을 제공하기 위한 핵심 전략이다.
Qwen3-VL-8B 선택과 프롬프트 엔지니어링
무신사는 자체 서버 구동 가능한 오픈소스 모델 중 Qwen3-VL-8B-Instruct를 선택하여 비용 효율성을 확보했다.
상용 API(GPT, Gemini) 대비 비용 절감(Cost Reduction)
구체적 예시(Few-shot Example) 대신 추상적 템플릿 활용: AI 환각(Hallucination) 방지
템플릿 예시: [속성]이 [평가]해요, [속성] 덕분에 [결과]해요, [기대/가격] 대비 [평가]해요
결과적으로, 작은 모델의 한계를 극복하고 모델의 창의성(Model Creativity)을 극대화했다.
9단계 후처리 파이프라인: AI 요약의 품질 관리
AI가 생성한 요약의 품질을 높이기 위해 무신사는 9단계 후처리 파이프라인을 구축했다.
한자 제거 및 치환, 접두어 제거, 해요체 필터링, 문장부호 정규화, 문법 교정, 60자 제한, 색상 언급 제거, 긍부정 균형 검증, 결과 정렬
AI 환각(Hallucination) 방지 및 데이터 품질(Data Quality) 확보
추가 검수(Additional Review)를 통해 고객 신뢰도(Customer Trust)를 높임
이는 AI 기술의 한계를 보완하고, 최종 사용자 경험(End-User Experience)을 개선하기 위한 필수적인 과정이다.
UX/UI 디자인: AI 기술을 '경험'으로
무신사는 AI 요약의 신뢰도를 높이기 위해 UX/UI 디자인에 집중했다.
상단 퀵 링크: 상품 상세 페이지 진입 시 AI 요약 즉시 확인 가능
직관적인 교차 검증: 요약 영역을 후기 리스트 최상단에 배치하여 AI에 대한 신뢰도(Trust)를 높임
Blue & Purple 컬러 시스템: 신뢰와 데이터, 창의와 생성을 상징
타이핑 애니메이션: 친숙한 AI 경험 제공
결과적으로, 기술적 완성도뿐 아니라 사용자 경험(User Experience)을 고려하여 AI 기능의 실질적인 가치(Practical Value)를 창출했다.
