LLM으로 고충실도 목업에서 사용자 스토리 자동 추출

초록

본 논문은 대형 언어 모델(LLM)을 활용해 고충실도 UI 목업 이미지로부터 사용자 스토리를 자동 생성하는 방법을 제안한다. LEL(Language Extended Lexicon) 용어집을 프롬프트에 포함시켰을 때 도메인 특화 용어 해석이 향상되어 스토리의 정확도와 적합성이 크게 개선됨을 두 가지 사례 연구(YouTube 일반 UI와 LeafLab 전문 분야)로 입증한다.

상세 분석

이 연구는 요구공학에서 시각적 아티팩트와 텍스트 기반 요구사항 사이의 간극을 메우기 위해 멀티모달 LLM 활용을 시도한다. 먼저 고충실도 목업을 생성하는 브라우저 플러그인(핸드드로잉 스타일 적용)과 도메인 전문가가 정의한 LEL 용어집을 준비한다. LEL은 개념(명사), 동작(동사), 상태(속성) 등을 구조화한 메타모델로, 기존 요구사항 엔지니어링에서 용어 일관성을 확보하기 위해 사용된다. 논문은 두 단계 프롬프트 설계를 제시한다. ① 이미지와 기본 설명만 제공하는 기본 프롬프트, ② 이미지와 함께 LEL 용어집을 첨부한 확장 프롬프트다.

실험에서는 GPT‑4 기반 모델을 API 호출로 연동했으며, 결과는 정성적 평가와 도메인 전문가의 검증을 통해 정확도와 적합성을 측정했다. 일반 UI(YouTube)에서는 기본 프롬프트만으로도 충분히 명확한 스토리를 생성했으며, 새 버튼 추가와 위치, 레이블 등을 정확히 파악했다. 반면 전문 분야(LeafLab)에서는 LEL을 포함시킨 경우에만 “points”라는 도메인 고유 용어를 올바르게 해석하고, “종별 우선순위 정렬”이라는 요구를 정확히 반영한 스토리를 도출했다.

핵심 인사이트는 다음과 같다. 첫째, 멀티모달 LLM은 이미지 내 UI 요소를 식별하고 텍스트와 연결하는 능력이 뛰어나지만, 도메인 특화 용어는 사전 지식이 없으면 오해하기 쉽다. 둘째, LEL과 같은 구조화된 용어집을 프롬프트에 포함하면 모델이 해당 용어를 메타데이터로 인식해 보다 정밀한 출력이 가능하다. 셋째, 워크플로우는 엔드유저 → 목업 도구 → LEL 정의 → LLM 호출 → 요구사항 관리 도구(Kanban) 순으로 자동화될 수 있어, 요구사항 추출 비용을 크게 절감한다.

한계점으로는 LEL 구축 비용, 이미지‑텍스트 매핑 정확도, 프롬프트 설계에 대한 전문가 의존성이 있다. 또한 평가가 두 사례에 국한돼 일반화 가능성을 검증하기 위한 대규모 실험이 필요하다. 향후 연구에서는 자동 LEL 생성, 더 정교한 비전‑언어 모델, 그리고 지속적인 피드백 루프를 통한 요구사항 진화 메커니즘을 탐색한다.