구조화 검색으로 제약 광고 생성 품질·비용 개선

ai.euno.news 자동 뉴스 요약

대규모언어모델(LLM)로 제약 광고 문구를 개인화하면서 규제 준수와 사실 정확성을 관리하는 생성 체계가 제안됐다. 핵심은 준수 규칙과 개인화 조건을 프롬프트에 계속 덧붙이는 대신, 문구와 관련 정보를 구조화해 검색 단계에서 걸러 제공하는 방식이다. 연구진은 이 구조를 적용한 사내 도구 ‘컴포저(Composer)’의 운영 사례를 공개했다.¹

컴포저는 골든 데이터 모델(Golden Data Model·GDM)을 기반으로 한다. GDM에는 4개 의약품의 광고·의학 문구 1,867개가 담겼다. 각 문구에는 근거 자료, 대상 독자, 자료 유형, 사용 이력뿐 아니라 ‘매치 텍스트 변형(Match Text Variant·MTV)’ 연결 정보와 6개 항목으로 구성된 품질 점수 ‘6C’가 붙는다. LLM은 사용자의 요청만 보고 문구를 만드는 것이 아니라, 제품과 독자층 등 조건에 맞춰 검색된 구조화 정보를 생성 맥락으로 받는다.

연구진이 6개 제품·독자층 조합에서 평가한 결과, GDM을 이용한 맥락 처리 파이프라인은 기존 방식보다 의도한 적응증 반영률을 29%, 콘텐츠 유형 일치율을 62%, 목표 독자층 일치율을 67% 높였다. 6C 품질 점수는 86%, 기존 문구 재사용률은 34% 개선됐다. 배포 기간의 운영 로그에서는 주간 API 비용도 29.5% 줄었다. 데이터 정제와 문구 간 그래프 연결, 품질 점수화에 먼저 투자함으로써 생성 품질과 비용을 함께 다룬 셈이다.

이 사례가 보여주는 방향은 규칙을 더 긴 프롬프트로 옮기는 것보다, 검색 전에 사용할 수 있는 문구를 데이터 차원에서 정리하고 제한하는 편이 대규모 운영에 적합하다는 것이다.

다만 논문은 이 수치를 실제 배포 과정에서 얻은 ‘설명적 배포 근거’로 제시한다. 초록에는 규제 위반률이나 사실 오류율을 별도로 측정한 결과가 제시되지 않았다. 따라서 이 체계가 규제 준수를 완전히 보장한다고 단정하기보다는, 준수와 개인화를 관리하는 신호를 프롬프트에서 구조화된 검색 맥락으로 옮겼을 때의 개선 사례로 보는 편이 정확하다.

읽기 목록은 이 브라우저에 저장됩니다.