출시 준비중
Sudal
Interactive Preference Data Collection Layer
이미지 기반 A/B 선택과 밸런스 게임을 통해 취향과 시각적 선호 데이터를 수집하는 제품입니다.
AI Persona Synthesis Research
반복 선택과 이미지 취향으로 만드는 AI Persona
AI Persona Synthesis Research는 실제 선택 데이터와 이미지 기반 취향 신호를 바탕으로 조사와 의사결정에 사용할 수 있는 AI Persona와 synthetic audience를 만드는 Root Kernel의 핵심 제품 방향입니다.
Sudal은 데이터를 수집하고, Space Compiler는 AI와 심리계량학을 결합하여 이 데이터를 신뢰성 높은 persona artifact와 synthetic audience로 변환하는 엔진을 지향합니다.
Technologies
AI Persona Synthesis Research
Sudal은 데이터를 수집하고, Space Compiler는 AI와 심리계량학을 결합하여 이 데이터를 신뢰성 높은 persona artifact와 synthetic audience로 변환하는 엔진을 지향합니다.
연구·구현중
Space Compiler
Preference & Persona Synthesis Engine
AI와 심리계량학을 융합하여 선택 데이터와 이미지 기반 취향 신호를 신뢰성 높은 persona artifact로 변환하는 R&D 엔진입니다.
개발중
Vision Feedback with AI Persona
AI Persona Synthesis Research의 첫 적용 방향
상품, 브랜드, 광고, 패키지, UI 디자인 반응을 AI Persona와 synthetic audience로 탐색하는 첫 적용 방향입니다.
장기 플랫폼 방향
AI Persona & Synthetic Audience
AI Persona Pool as a Service
Vision Feedback을 넘어 설문조사와 여론조사에 활용할 수 있는 AI Persona Pool을 만들고, 장기적으로 조사 기관에 persona pool을 제공하는 서비스형 인프라를 지향합니다.
Difference
What Makes Our AIPSR Different
Root Kernel은 공공 통계만으로 평균적인 고객을 만들거나, 소수 패널 인터뷰에만 의존하지 않습니다. Sudal의 이미지 밸런스 게임과 반복 A/B 선택에서 쌓이는 취향 데이터를 바탕으로, 시각적 선호까지 가진 AI Persona를 만들려 합니다.
| 방식 | 한계 | Root Kernel의 관점 |
|---|---|---|
| 공공 통계 기반 persona | 나이, 성별, 지역 같은 집단 평균은 알 수 있지만 실제 취향과 디자인 선호는 약합니다. | 공공 통계는 집단 기준과 가중치를 잡는 데 사용하고, 취향 판단은 실제 선택 데이터와 함께 다룹니다. |
| 패널 인터뷰 기반 persona | 깊이는 있지만 비용이 높고 반복 축적이 어렵습니다. 소수 응답자의 말에 크게 의존할 수 있습니다. | Sudal의 밸런스 게임과 A/B 선택으로 더 자주, 더 자연스럽게 반복 선택 데이터를 쌓는 방향을 지향합니다. |
| Root Kernel의 AI Persona | 단순한 demographic profile이 아니라 실제 선택 패턴과 시각적 취향이 함께 필요합니다. | 텍스트 취향뿐 아니라 색상, 분위기, 디자인, UI, 패키지 이미지에 대한 visual preference signal까지 persona에 연결합니다. |
Foundations
Why It Is Possible Now
AI Persona Synthesis Research는 상상으로 고객을 만드는 일이 아닙니다. 이미 커지고 있는 리서치 시장, 사람 데이터 기반 AI 연구, 그리고 선택 데이터를 다루는 측정 방법 위에 세워집니다.
시장 신호
시장 동향 및 수요
Market Signals & AI Adoption
고객 조사와 시장 리서치 시장은 이미 1,500억 달러가 넘는 큰 시장입니다. 동시에 기업들은 더 빠르고 저렴한 조사 방법을 찾고 있고, Qualtrics 자료에 따르면 많은 연구자들이 synthetic data를 실무에 활용하기 시작했습니다.
행동 시뮬레이션
인간 행동 시뮬레이션 검증
Grounded Agent Simulation
Stanford HAI 관련 연구는 실제 사람 1,052명의 인터뷰와 설문 데이터를 바탕으로 만든 AI 에이전트가 일부 설문 응답에서 실제 사람의 반복 응답과 비슷한 패턴을 보일 수 있음을 보여줍니다. 핵심은 AI가 사람을 상상하는 것이 아니라, 충분한 사람 데이터에 grounded될 때 더 쓸모 있어진다는 점입니다.
수학 모델
심리계량학적 수학 모델
MIRT, TIRT & Adaptive Testing
사람이 A와 B 중 하나를 고르는 행동은 단순 클릭이 아니라 취향과 성향의 작은 단서입니다. Space Compiler는 이런 반복 선택을 모아 어떤 근거로 어떤 취향을 추정했는지, 얼마나 조심해서 해석해야 하는지를 함께 보여주는 엔진을 지향합니다.
시각 취향
이미지 기반 취향 신호
Visual Preference & Personality
사람의 취향은 글로만 드러나지 않습니다. 어떤 색, 분위기, 패키지, UI 이미지를 고르는지도 중요한 신호입니다. 이미지 기반 선택 연구는 짧은 시각 선택도 잘 설계하면 의미 있는 취향 신호가 될 수 있음을 보여줍니다.
안전 가이드라인
통계 가중치 및 한계 설정
Cohort Priors & Safe Positioning
Root Kernel은 AI Persona가 실제 사람 조사를 완전히 대체한다고 말하지 않습니다. 공공 통계는 개인을 단정하는 데 쓰지 않고, 집단 기준과 가중치를 잡는 데만 사용합니다. AI Persona는 먼저 가설을 좁히고 실제 조사 전에 위험한 방향을 걸러내는 사전 연구 도구입니다.
Pipeline
AIPSR Processing Flow
Sudal은 데이터를 모으고, Space Compiler는 선택 신호를 AI Persona와 synthetic audience로 변환하는 엔진을 지향합니다.
Sudal → Repeated Choice Data → Space Compiler → AI Persona Pool → Vision Feedback / Survey & Polling