기능적 아이디어 분해와 창의적 탐색

초록

본 논문은 제품·특허·논문 등 방대한 아이디어 저장소에서 텍스트를 자동으로 “목적”과 “메커니즘”이라는 미세 기능 단위로 분해하고, 이를 기반으로 기능별 검색과 설계 공간 탐색을 지원하는 시스템을 제안한다. 스팬 태깅 모델을 학습해 추출한 기능 스팬을 임베딩화하고, 목적·메커니즘 클러스터와 그래프를 구축한다. 두 차례 사용자 실험에서 기존 임베딩 기반 방법보다 50‑60% 높은 성능을 기록하였다.

상세 분석

이 연구는 창의적 문제 해결에 필수적인 “구조적 매칭”을 지원하기 위해 아이디어 텍스트를 기능적 단위로 자동 분해한다는 점에서 혁신적이다. 먼저 저자들은 Quirky.com의 8,500개 제품 설명을 수집하고, 목적(purpose)과 메커니즘(mechanism) 스팬을 라벨링하도록 크라우드워커를 고용했다. 라벨링 인터페이스는 최대 스팬 길이 제한과 불용어 차단을 적용해 짧고 의미 있는 구문을 확보했으며, 품질 관리를 위해 높은 승인율과 작업 속도 필터링을 도입했다. 이렇게 구축된 데이터셋을 바탕으로 BERT 기반 시퀀스 태깅 모델을 학습시켜 텍스트 내 기능 스팬을 자동 추출한다.

스팬 추출 후에는 각 스팬을 문맥 기반 임베딩으로 변환하고, 동일 목적·메커니즘을 공유하는 스팬들을 클러스터링한다. 클러스터 간 유사도는 공동 출현 패턴을 이용해 그래프 형태로 연결되며, 이는 전통적인 기능 온톨로지와 유사하지만 규모와 자동화 면에서 크게 앞선다. 이러한 “기능 네트워크”는 두 가지 주요 인터랙션을 가능하게 한다. 첫째, 사용자는 목적·메커니즘 조합을 명시적으로 지정해 기능 기반 검색을 수행할 수 있다. 예를 들어 “옷을 물 없이 세탁”이라는 목적에 “물 사용 금지” 메커니즘을 제외하도록 질의하면, 건조 아이스나 화학 코팅 등 대안이 제시된다. 둘째, 그래프 탐색을 통해 주변 목적 클러스터를 살펴보며 문제를 재구성하고 새로운 영감을 얻을 수 있다. 이는 디자인 사고에서 흔히 요구되는 “문제 재정의”와 “다양성 확보”를 지원한다.

사용자 연구는 두 가지 시나리오에 초점을 맞추었다. 첫 번째 실험에서는 대안적 제품 사용을 찾는 검색 과제에서 제안 시스템이 평균 정밀도 87%를 달성했으며, 기존 문서 임베딩 기반 베이스라인보다 50‑60% 높은 MAP를 기록했다. 두 번째 실험에서는 설계 공간 탐색 인터페이스를 이용해 제시된 영감이 62%는 유용하고 새로웠다고 평가되었으며, 역시 베이스라인 대비 큰 차이를 보였다.

기술적 강점으로는 (1) 목적·메커니즘이라는 두 축을 동시에 모델링함으로써 세밀한 기능 매칭이 가능하고, (2) 스팬 기반 임베딩이 문서 전체를 하나의 벡터로 압축하는 기존 방법보다 해석 가능성이 높으며, (3) 자동 클러스터링과 그래프 구축이 대규모 저장소에 적용 가능하다는 점이다. 그러나 한계도 존재한다. 라벨링 비용과 데이터 품질에 크게 의존하며, Quirky.com의 비전문가식 서술에 최적화된 모델이 특허나 학술 논문 같은 형식이 다른 텍스트에 그대로 적용될지는 미지수이다. 또한 목적·메커니즘 라벨이 주관적일 수 있어 클러스터 경계가 애매해질 위험이 있다. 평가가 주로 실험실 내 사용자 설문에 국한돼 실제 산업 현장에서의 효과 검증이 부족하다.

향후 연구 방향으로는 (1) 멀티도메인 전이 학습을 통해 특허·논문 등 다양한 텍스트에 대한 일반화 성능을 강화하고, (2) 이미지·도면 등 비텍스트 정보와 결합해 기능 스팬을 보강하는 멀티모달 접근, (3) 인터랙티브 라벨링 및 활성 학습을 도입해 라벨링 비용을 절감하고 라벨 품질을 지속적으로 향상시키는 방법, (4) 기능 그래프 기반 추천 시스템을 실제 기업 혁신 프로세스에 통합해 장기적인 창의성 향상 효과를 측정하는 실증 연구 등을 제시한다.