비용 인식 베이지안 최적화로 인터랙티브 디바이스 프로토타이핑 효율화

초록

본 논문은 프로토타이핑 과정에서 하드웨어·소프트웨어 비용 차이를 고려한 비용 인식 베이지안 최적화(CABO) 방법을 제안한다. 설계 파라미터마다 추정 비용을 입력하고, 기존에 만든 프로토타입을 재활용할 수 있는 ‘프로토타입 기록’ 모델을 도입해 기대 개선량(EI)을 비용으로 나눈 획득 함수를 사용한다. 시뮬레이션과 조이스틱 설계 사용자 실험에서, 비용 무시 베이스라인 대비 약 30 % 비용 절감하면서 동일하거나 더 나은 성능을 달성함을 보였다.

상세 분석

이 연구는 인터랙티브 디바이스 설계에서 “비트는 저렴하지만 원자는 비싸다”는 전형적인 비용 불균형 문제를 정량화하고, 베이지안 최적화 프레임워크에 비용 인식을 자연스럽게 삽입한다는 점에서 의미가 크다. 기존 베이지안 최적화는 기대 개선(Expected Improvement, EI)만을 기준으로 샘플을 선택해 비용이 동일하다고 가정한다. 그러나 실제 프로토타이핑에서는 파라미터 하나를 바꾸는 것만으로도 몇 초에서 수시간, 수백 달러까지 비용이 급변한다. 논문은 이를 해결하기 위해 두 가지 핵심 요소를 도입한다. 첫째, 설계 파라미터마다 디자이너가 사전에 추정한 비용 c(x)를 명시적으로 입력하도록 하는 비용 모델이다. 이 모델은 ‘tweak(저비용)’, ‘swap(중간비용)’, ‘create(고비용)’ 세 단계로 구분해 직관적인 비용 분류 체계를 제공한다. 둘째, 이미 제작된 프로토타입을 저장하는 ‘프로토타입 기록’ 개념을 도입해, 기존 부품이나 소프트웨어 모듈을 재사용할 경우 비용을 감소시키는 동적 비용 함수를 정의한다. 이렇게 정의된 비용은 고정값이 아니라 현재 기록에 따라 변동한다는 점이 기존 연구와 차별화된다.

획득 함수는 α(x)=EI(x)/c(x) 형태로, 비용 대비 기대 개선을 최대화하는 후보를 선택한다. 이 단순한 변형은 서브모델(가우시안 프로세스)이나 학습 절차에 영향을 주지 않으면서도, 비용이 높은 영역을 자연스럽게 회피하도록 만든다. 실험에서는 가상의 비용 분포와 실제 조이스틱 설계 과제를 통해, 비용 인식 최적화가 동일한 예산 하에서 더 높은 최종 성능을 달성하거나, 동일 성능을 얻는 데 필요한 비용을 약 30 % 절감함을 확인했다. 특히 예산이 제한된 상황에서는 비용 인식 방법이 비용 무시 방법보다 3배 이상 효율적인 결과를 보였다.

기술적 기여는 다음과 같다. (1) HCI 프로토타이핑에 특화된 비용 모델 설계, (2) 프로토타입 기록을 활용한 동적 비용 함수 구현, (3) 기존 베이지안 최적화 파이프라인에 최소한의 수정만으로 비용 인식을 통합한 프레임워크 제공. 또한, 비용이 알려진 상황에서 비용을 목표 함수로 모델링하지 않고 직접 획득 함수에 삽입함으로써, 비용 예측 오차가 최적화 성능에 미치는 영향을 최소화한다. 이러한 접근은 비용이 명확히 추정 가능한 디자인 작업(예: 하드웨어 부품 교체, 3D 프린팅, 소프트웨어 파라미터 튜닝)에서 특히 유용하며, 비용이 불확실하거나 변동성이 큰 경우에도 설계자가 사전 비용 추정을 통해 가이드라인을 제공하면 시스템이 자동으로 비용 효율적인 탐색을 수행한다.

전반적으로 이 논문은 비용 인식 베이지안 최적화가 HCI 프로토타이핑 워크플로우에 자연스럽게 녹아들어, 제한된 자원 하에서도 창의적 탐색을 유지할 수 있는 실용적인 방법론을 제시한다는 점에서 학술적·실무적 가치를 동시에 제공한다.