① 어떤 상황에서 AI를 활용했나요?
이미지 AI를 만들려면 먼저 사진 속 무엇이 어디에 있는지 표시한 라벨이 필요합니다. 객체의 위치를 사각형으로 표시하고 이름을 붙이는 일은 이미지마다 반복됩니다. 저는 이 데이터 준비 과정을 개선하기 위해 CloverBox의 이미지 자동 라벨링 기능을 구현하고 시연했습니다.
문제는 AI가 객체 이름을 답하는 것만으로는 작업이 끝나지 않는다는 점이었습니다. 결과를 이미지 위에서 확인하고, 잘못된 결과는 다시 시도하며, 다음 작업에 쓸 데이터로 내보내는 과정까지 연결해야 했습니다.

② 어떤 AI를 어떻게 활용했나요?
Google Gemini API에 이미지와 찾을 객체의 이름을 함께 전달했습니다. 예를 들어 motorcycle처럼 클래스를 지정하면, 객체 이름과 사각형 좌표를 JSON 형식으로 답하도록 요청했습니다. 이미지와 언어를 함께 다룰 수 있어, 찾을 대상을 텍스트로 바꾸는 작업에 활용했습니다.
반환된 좌표를 이미지 크기에 맞춰 화면에 표시하고, 원본과 결과를 비교할 수 있도록 했습니다. 사용자는 결과를 확인한 뒤 Approve & Export로 JSON을 내려받거나, Reject & Clear로 비운 뒤 클래스 정의를 바꿔 다시 시도할 수 있습니다. AI가 제안하고 사람이 최종 판단하는 순서입니다.
개선 과정에서는 모델 응답이 배열이거나 다른 항목 안에 담겨 오는 경우를 처리하고, 좌표와 점의 응답 형식도 구분했습니다. 모델 선택과 변경에 대응하는 코드도 추가했습니다. AI 모델 자체를 새로 학습한 사례가 아니라, 기존 AI를 실제 이미지 작업 흐름에 맞게 적용한 사례입니다.

③ 활용 결과 어떤 변화가 있었나요?
객체 이름을 입력하면 이미지 위에 라벨 후보가 표시되고, 사용자가 확인 후 승인/거절하는 도구를 만들었습니다. 기존 시연 녹화에는 객체 위치가 사각형으로 표시되고, 영역 표시를 원본과 비교하는 화면이 남아 있습니다. 사용자가 따라 할 수 있도록 5쪽의 사용 설명서도 작성했습니다.
개발 기록에는 2026년 5월의 모델 선택/응답 처리 개선과 라벨링 기능 변경 이력이 남아 있습니다. 한 번의 아이디어나 소개 자료에 그치지 않고, 작동 화면과 사용 절차, 후속 개선 코드까지 남긴 것이 이번 사례의 결과입니다.

④ 나만의 방식 또는 개선 포인트는 무엇인가요?
AI의 답을 설명 문장으로 받는 대신, 클래스 이름과 정해진 좌표 형식으로 받아 실제 작업 화면에 연결했습니다. 찾을 대상이 바뀔 때는 클래스 정의를 바꾸고, 결과가 만족스럽지 않으면 거절한 뒤 다시 시도하도록 구성했습니다. ‘자동 생성’ 이후의 확인과 결과 활용을 함께 다룬 점이 제 적용 방식입니다.
기존 코드의 Google 저작권/Apache-2.0 표기를 확인했고, 이를 전부 독자 개발한 기반 기술로 주장하지 않습니다. 공개용 증빙에는 계정/API 키/고객 데이터를 넣지 않았습니다. 원본 시연의 예제 사진은 공개용 첨부에서 제외하고, 작업 UI와 사용 절차를 중심으로 구성했습니다.

⑤ 다른 사람도 따라 할 수 있나요?
권한이 있는 이미지와 명확한 클래스 정의를 준비한 뒤, AI에 객체 이름과 좌표를 정해진 JSON 형식으로 요청하고, 결과를 이미지에 겹쳐 확인하는 순서로 시작할 수 있습니다. 맞으면 승인하고, 틀리면 거절하거나 정의를 바꿔 다시 시도합니다. 개발자는 API 연결과 화면/좌표 처리를 준비해야 하며, 운영자는 이미지 선택과 결과 검수를 맡습니다.
이 방법을 다른 사람이 적용할 때도 생성 속도만 보지 않고, 원본 대조와 재시도/검수에 드는 시간까지 함께 확인해야 합니다. 제가 보여주고 싶은 변화는 AI의 답을 곧바로 정답으로 쓰는 것이 아니라, 반복 작업의 초안을 맡기고 사람이 판단할 수 있는 업무 흐름을 만드는 것입니다.