어떤 상황에서 AI를 활용했나요?

생활에는 같은 상태를 반복해서 확인하는 일이 있다. 내 물건이 제자리에 있는지, 함께 쓰는 자리를 내가 원하는 상태로 되돌렸는지처럼 사람마다 기준이 다른 일이다. 나는 이런 문제에 쓸 도구를 AI와 함께 만들어 보았다. 원하는 조건은 별도의 외부 AI API 키를 발급하지 않고, 내 기기에서 사진을 이해하며, 같은 질문을 매번 다시 입력하지 않아도 활용할 수 있는 것이었다.

이렇게 만든 도구가 ‘이대로’다. 원하는 상태를 기준 사진과 한 문장으로 저장하고, 현재 사진이나 카메라의 한 장면과 비교한다. 사진 한 장으로 모델을 새로 훈련한 것은 아니다. 내가 저장한 기준을 이후의 모델 입력에 다시 사용하는 방식이다.

어떤 AI를 어떻게 활용했나요?

Codex에 생활에 도움이 되는 도구의 기획, 코드 작성과 실행을 요청했다. 이어 PC에 설치돼 있던 Qwen3.5:4b 시각 모델을 Ollama 명령줄로 직접 실행했다. Codex는 화면과 비교 절차, 결과 형식과 검사 코드를 작성했고, 시각 모델은 실제 입력 이미지의 보이는 상태를 비교했다.

기준 사진을 고르고 현재 사진을 준비한 뒤 비교하면, 결과를 ‘차이를 찾지 못함’, ‘차이가 있음’, ‘판단하기 어려움’으로 나누도록 했다. 카메라에서는 장면이 바뀐 뒤 안정됐을 때만 모델을 호출하는 기능을 구현했다. 픽셀 변화는 호출 시점을 정하는 데만 쓰고, 무엇이 달라졌는지 해석하는 일은 시각 모델이 맡는다.

활용 결과 어떤 변화가 있었나요?

아이디어를 실제로 실행할 수 있는 Python 프로그램과 로컬 모델 실행 절차로 옮겼다. 합성 시험 장면에서는 컵이 사라진 경우, 노트가 열린 경우, 컵의 개수는 같지만 받침 밖으로 옮겨진 경우를 구분했다. 프로그램 동작 검사 27개도 통과했다. 이 검사는 AI의 일반적인 판단 정확도를 뜻하지 않는다.

실패도 있었다. 최종 형식으로 실행한 합성 장면 6회 중 한 번은 정보가 거의 없는 회색 화면을 기준과 같다고 오판했다. 이 결과를 지우지 않고, 구별할 정보가 너무 적은 사진은 모델 호출 전에 보류하도록 보완했다. 해당 사진을 다시 넣어 보류되는 것을 확인했다. 이 개선은 모델 자체의 시각 성능을 높였다는 뜻은 아니다.

나만의 방식 또는 개선 포인트는 무엇인가요?

내가 중요하게 둔 것은 단순히 ‘다 됐다’는 응답을 받는 일이 아니었다. 눈에 보이는 차이와 판단하지 못한 범위를 나누고, 사진이나 기준이 바뀌면 이전 결과를 새 결과처럼 보여주지 않게 했다. 처음에는 모델이 변화가 생긴 행동과 되돌릴 행동을 혼동하기도 했다. 현재 장면에서 기준 장면으로 되돌리는 방향을 명확히 적고, 응답 항목이 빠지지 않도록 형식도 제한했다.

사진을 비교하는 데 별도의 상용 AI API 키를 사용하지 않았고, 설치된 로컬 모델을 활용했다. 다만 카메라 자동 비교의 실제 생활 연속 사용과 일반적인 가정 사진에서의 성능은 아직 검증하지 않았다. 시간을 얼마나 절약했는지, 실수를 얼마나 줄였는지도 측정하지 않았다.

다른 사람도 따라 할 수 있나요?

원하는 상태를 사진과 짧은 문장으로 정하고, 비교할 현재 사진을 준비한 뒤 결과를 원본과 대조하면 된다. 처음부터 복잡한 장면보다 컵의 위치나 노트의 열림처럼 눈으로 확인할 수 있는 작은 기준부터 시험하는 편이 적절하다.

이번 활용에서 실제로 남은 성과는 AI와 함께 개인의 기준을 반영하는 도구를 만들고, 내 PC에서 시각 모델을 실행하며 오류까지 확인한 경험이다. 모든 상황에서 알아서 판단하는 완성품이나 세계 최초의 기술이라고 주장하지 않는다. 앞으로 실제 생활 사진에 적용할 때도 성공한 결과와 틀린 결과를 함께 기록하려 한다.