Index
1. Executive Summary
2024년 패션 산업의 성장 동력은 ‘생성형 AI를 어떻게 잘 활용하는가’에 달려 있을 것.
2024년 패션 산업은 급변하는 국제 정세와 기후위기, 기술 혁신, 소비자 행동 변화 영향으로 패러다임 전환이 가속화 되고 있다.
이러한 변화는 기존 패션 비즈니스 모델을 재고하고 새로운 전략을 도입해야 함을 시사하고 있다.
패러다임 전환의 여러 요소 중, Open AI의 등장이 불러 일으킨 기술 혁신은 패션을 포함한 다양한 산업에서 판도를 바꾸는 기술로 부상하고 있다.
생성형 AI는 디지털 고객 경험 향상, 더 나은 비즈니스 의사결정, 지속 가능한 경쟁 우위 구축을 가능하게 하는 상당한 잠재력 보유 하고 있다.
이런 생성형 AI는 패션 산업이 제품 개발, 콘텐츠 생성, 재고 관리, 마케팅, 고객 경험 개선 등 비즈니스 전 영역에 접근하는 방식에 혁신을 가져오고 있다.
2. 2023년 국내 패션 산업 Trend Review
2-1. 오프라인 리테일 채널의 약진
경험은 오프라인에서 확장된다. 오프라인 팝업스토어 시대의 개막!
•
신세계: 신세계강남 국내최초 연매출 3조원 돌파; 매출 핵심은 VIP, MZ 겨냥한 전문관 도입과 점포 리뉴얼
•
롯데: 롯데백화점 2조원 매장 2개 보유(잠실점, 본점). 본점은 강북 상권 최초로 올해 매출 2조원 돌파 전망
•
현대: 더현대서울 최단기간 연매출 1조원 돌파. K-컬처 팝업과 온라인 기반 브랜드의 ‘백화점 1호 매장’ 전략이 외국인 매출 확대로 연결
•
무신사 : 성수동 부동산 매입해 신사옥 건설, 무신사 테라스, 스퀘어 성수, 엠프티, 무신사 스탠다드 등 다양한 매장 오픈. & 29CM: 리빙 셀렉숍 ‘티티알에스’ 오픈, ‘이구성수’서 팝업 상시 운영 등
◦
높은 소비력 바탕으로 대구, 부산 지역 주요 상권도 관심 얻는 추세 (무신사·리복, 동성로에 첫 플래그십 스토어 오픈 등)
•
한섬: 성수에 ‘이큐엘 그로브’, ‘톰지’ 오픈
•
삼성물산 패션부문: 팝업 전용 공간 ‘스테이지35’ 오픈
•
성수 팝업, 월별 추산으로 50~100개 (일부는 매장 비용 한 주에 2억원 이상)
•
외국인 관광객 돌아오며 올 2분기 서울 6대 상권 공실률 10%로 회복 (한남·이태원 상권이 가장 낮은 공실률(10.0%))
•
성수·한남이 사랑받는 동시에, 인근의 신당동, 신용산, 송정동 등 ‘위성동네’들도 올 한 해 주목(트렌디한 F&B 앵커 테넌트를 중심으로 상권 형성)
2-2. 이머징(Emersing) 브랜드의 급부상
SNS 기반, 꾸준한 고객 소통을 통해 명확한 브랜드아이텐티티를 다져온 이머징(Emersing) 브랜드들의 급성장
•
‘3마’ 중 마뗑킴·마리떼프랑소와저버 올해 매출 1000억원 달성 전망 & 마르디메크르디 800억원 확실시 → 외국인 팬덤 기반으로 해외로도 확장
•
여성복, 남성복, 캐주얼, 잡화 등 전 종목에서 이머징 브랜드가 인기 → 무신사, 대명 화학 등 대형 자본이 뒷받침
•
온라인 채널 통해 차근히 입지를 쌓아 온 브랜드들이 주요 백화점에 입점, 업계 전면에 부상 (SIE, Orr, RECTO 등)
•
오프라인 매출은 '하고하우스' 등 편집숍 11개 점을 포함해 전체 40%를 차지 / 성수동 플래그십스토어와 더현대 서울점은 지난달 각각 10억 원의 매출을 기록
•
고성장 요인 : 소셜미디어(SNS)를 적극 활용 → 고객 양방향 소통을 통한 반응 생산 & 온라인을 통한 한정판 마케팅 등 기발한 전략으로 빠른 시간 내 압축 성장 가능
◦
첫번째 글로벌 시장 진출지로 일본을 타겟, 도쿄 시부야의 파르코 백화점 3층에서단독 팝업스토어를 성황리에 종료.
◦
SMB 수준의 브랜드였던 ‘마뗑킴’은 21년도 HAGO LnF투자&인큐베이팅 이후 재무 구조 및 매출 개선. (전문경영인 체제 전환)
◦
현재 창립자 대표직 사임 후 (보유 지분 유지) , HAGO하우스 브랜드 단독 운영 체제 돌입
2-3. 중고 시장 활성화
경기 불황, ESG 지속 가능성, 소유 보다 경험에 가치를 둔 소비관 등 다양한 요인이 복합 작용하여 중고 & 리셀 시장 활성화
•
패션 브랜드에게는 리세일 가격을 방어하기 위한 제품의 품질과 브랜드를 관리하는 일이 더욱 더 중요한 과제가 될 것.
•
2022년 중고의류시장은 28%의 성장을 기록했으며, 2024년 전체 의류 시장 규모의 10%를 차지할 것으로 예상. 또한 2027년까지 시장 가치가 약 3,500억 달러에 이를것으로 전망. 이는 전체 의류 시장 성장률 보다 3배나 더 빠른 성장 속도. (출처 : 미국 최대 온라인 중고 패션 플랫폼 ‘Thredup’의 ‘Resalereport 2023’)
•
미국 Z세대 소비자들이 중고 의류를 선택하는 5가지 이유 중 하나는 ‘지속가능성’이며, Z세대 47% 소비자들은 지속가능하지 않은 의류 브랜드에서 옷을 사고 싶지 않다고 답변. (21년 대비 11%p 증가 수치)
•
국내 : 거대 IT 플랫폼을 주축으로 중고 시장 확대
◦
네이버 : 북미 최대 중고 패션 플랫폼 포시 마크 인수 & 한정판 거래 리셀 플랫폼 “KREAM” 기업가치 1조원 달성
◦
오프라인 리테일 채널 : 현대 백화점 , 롯데백화점 , 신세계 등 중고 거래 상설 매장 및 팝업 스토어 진행. (세컨드 부티크, 럭스 어게인 등)
•
해외 : 전통적 패션 업계와 유통업계 또한 중고 패션 시장 선순환 효과에 주목하여 중고 시장에 진출.
◦
구찌(케링그룹), 버버리(PLC), 스텔라매카트니 등 명품브랜드의 중고 시장 진출. (각각의 모기업이 고객의 제품을 되사들여 이를 재판매 or 사들인 제품을 타 중고 플랫폼으로 판매)
◦
미국 삭스피프스애비뉴, 영국 셀프리지스 등 고급 백화점의 중고 명품 매장 신설
3. 2024년 패션 산업 Outlook
그동안 패션산업은 디자이너, 스타일리스트, 트렌드 예측 분석가들의 직관과 전문 지식에 의존하여 다가올 다음 시즌의 트렌드를 예측해왔다.
하지만 최근 인공 지능(AI)과 머신 러닝 기술이 등장하면서 패션 업계는 패션 트렌드를 예측하고 분석하는 방식의 패러다임 변화를 경험하고 있다.
인공지능 AI 툴은 미래 트랜드 예측을 위해 데이터 중심의 객관이고 효율적인 의사 결정 방식을 제공함으로써 패션 업계 패러다임 혁신을 일으키고 있다.
유의미한 인공지능 AI 활용은 패션 브랜드와 유통업체는 제품 공급에 대해 전략적인 의사 결정을 내릴 수 있을 뿐만 아니라, 점점 더 혼잡해지는 시장에서 경쟁 우위를 선점 할 수 있는 로드맵을 제시해 줄 것이다.
Threats in 2024 : 장기화 되는 인플레이션, 기후 위기, 지정학적 위기 (국제 분쟁 등) etc.
Uncertain of Global economy (Fragmented Future , Climate Urgency)
In 2024, the global economic outlook will likely continue to be unsettled. As new and ongoing financial, geopolitical and other challenges weigh heavily on consumer confidence, fashion markets in the US, Europe andChina are facing differing headwinds, requiring suppliers, brands and retailers to bolster contingency planning, among other measures.
2024년에도 글로벌 경제 전망은 계속 불안정할 것으로 예상되며, 금융, 지정학적, 기타 새로운 문제들이 소비자 신뢰에 큰 영향을 미치면서 미국, 유럽, 중국의 패션 시장은 다양한 역풍에 직면하고 있어 공급업체, 브랜드, 리테일러는 비상 계획을 강화하는 등 여러 가지 조치를 취해야 합니다.
Key themes for 2024
Theme 06. Gen AI’s Creative Crossroad
After generative AI’s breakout year in 2023, use cases are emerging across creative industries, including fashion. Capturing the value of this transformative technology in 2024 will require fashion players to look beyond automation and explore its potential to augment the work of human creatives.
2023년 Gen AI가 획기적인 발전을 이룬 이후, 패션을 비롯한 크리에이티브 산업 전반에서 활용 사례가 등장하고 있습니다. 2024년에 이 혁신적인 기술의 가치를 포착 하려면 패션 업계는 자동화를 넘어 인간 크리에이티브의 작업을 보강할 수 있는 잠재력을 탐구해야 합니다.
[출처: The State of fashion 2024 - BOF (The Business of Fashion), Mckinsey&company]
3-1. Business : Gen AI, ‘극 효율주의’ 추구를 통한 불확실성 해소
1) Gen AI 산업의 Value Chain과 비즈니스 모델
Key Point : 도메인 특성을 반영한 ‘생성 AI 전략’ 필요
•
비즈니스 스케일과 목적, 도메인 특성에 따라 AI 개발과 도입 방향을 (Private LLM (sLLM) 개발 or 온프레미스 AI 인프라 or App/Service 구독 등) 전략적으로 설정 할 수 있어야 할 것.
•
해외 및 국내 빅테크 기업이 주도한 AI 최전방 산업 (FM / LLM 및 Infra 구축) 을 필두로,각 산업 별 App/Service의 경쟁 출현 원년이 될 것.
•
또한 세분화 되고 있는 시장 수요와 각 산업 군 특성을 반영한 LLM, sLLM 비즈니스는 더욱 다각화 될 것으로 예상.
Gen AI 산업의 Value Chain
•
◦
AI App&Service의 근간 (FM API 연동 → App&Service 제공)
◦
LLM 등, 레이블이 지정되지 않은 광범위한 데이터 셋에 대해 훈련된 인공지능 모델 (Goolgel 의 BERT, Open AI 의 Chat GPT 등)
◦
[텍스트/이미지/오디오 등 다양한 형태의 데이터] → Foundation Model (Muti model)→ Task (결과물)
•
Infra (Computer HW & Cloud platforms)
◦
HW : 인공 지능 연산을 위한 GPU, CPU, 반도체 칩
◦
AI 클라우드 플랫폼 : 클라우드 시스템과 API로 오픈 소스 형 LLM 파운데이션 모델 연동하여 Infra 구축.
•
Application & Service (* 핵심 : NPL (자연어) - to - Something)
[그림 1] Mckinsey, Exploring opportunities in the generative AI value chain, 2023.04
[그림 2] AI Intelligence Value chain (출처 : Spear investment)
Gen AI 비즈니스 모델
Private LLM 개발
•
B2B 생성형 AI 시장은 ‘Public LLM’과 ‘Private LLM’ 으로 분류 할 수 있음.
•
GPT, BERT, PaLM, LaMDA, DALL-E 같은 FM(Foundation Model)을 엔비디아(NVIDIA) SuperPOD 같은 강력한 GPU 기반 컴퓨팅 인프라를 기반으로 직접 훈련과 데이터셋 최적화를 통해 Private LLM Model을 개발하고 내재화 하는 접근법.
•
따라서 인력, 예산, 내부 데이터셋을 충분히 갖춘 대기업에 적합한 전략.
•
하지만, 챗GPT 출시 이후 국내외에 걸쳐 수많은 오픈 소스형 LLM이 등장, 선택의 폭이 넓어 졌다고 볼 수 있겠지만, 여전히 일부 기업들은 자체 LLM 구축의 필요성을 체감.
◦
기업 별로 추구하는 목적과 운영하는 서비스에 맞게 LLM을 미세조정(파인튜닝) 등 여러 가지 실험을 자유롭게 하는 환경이 필요하기 때문.
◦
또한 대다수의 LLM은 영어 기반으로 해외에서 개발된 것이기 때문에, 한국어에 최적화 된 LLM이 비교적 빈약한 상황.
국내 대기업 주도, Private LLM 개발 현황
국내 Private LLM 개발 스타트업
sLLM(small Large Language Model, 소형 언어 모델)
•
챗GPT, Bard와 같이 우리가 흔히 사용하고 있는 LLM은 특정한 목적과 분야(domain)에 집중한 맞춤형 모델이 아닌 범용 모델에 기반.
•
하지만 자체 LLM을 개발하는 것은 매우 어려운 실정.
◦
꾸준히 지적되고 있는 가장 큰 단점 : 방대한 양의 데이터 & 고성능 컴퓨팅 리소스 & 천문학적인 비용 소요
•
반면 sLLM은 훈련에 요구되는 데이터, 시간, 비용이 상대적으로 적다는 것이 강점
•
sLLM은 파인 튜닝 (미세 조정)이 가능하다는 LLM의 특성을 기반하여 도메인 맞춤형 모델로 업데이트 가능.
◦
특정 산업과 영역에 맞게 설계되고 최적화된 버티컬 AI(Vertical AI)로 활용하기에는 sLLM이 적합
◦
훈련을 위한 소요 비용이나 시간을 절감할 수 있기 때문에, 다른 애플리케이션과의 통합 사용에서도 가볍고 유연한 점이 장점
◦
또한, 기업이 기존 보유한 데이터 활용하여 맞춤형으로 구축하기 수월하고 효율성이 좋다는 이점이 있음.
•
최근에는 버티컬 시장 별로 LLM이 적용되면서 오히려 LLM 사이즈가 큰 모델을 사용하는 것이 비효율적인 경우도 있기 때문에 고객 별, 시장 별로 적합한 사이즈의 sLLM을 사용하는 추세. (통신사, 금융사, 제조업체 등 도메인 특성에 따라 필요한 특화 AI 모델이 다름. )
국내 sLLM 개발 스타트업
sLLM(small Large Language Model, 소형 언어 모델)과 서버를 융합한, 온프레미스 AI
•
경량화된 언어 모델인 sLLM에 기업 내부 자체 서버를 연동
◦
데이터를 외부망에 연계하지 않고 내부 자체 망에 연동해 활용코자 하는 ‘프라이빗 AI’의 형태로, 내부에서 파인 튜닝을 할 수 있는 모델
◦
보안에 민감한 기업들이 내부 데이터 유출에 대한 고민 없이 온프레미스에서 프라이빗 클라우드를 구축하려는 니즈를 충족
▪
오픈AI처럼 파운데이션 모델의 가중치를 공개하지 않는 블랙박스 방식의 모델의 폐쇄성에 대한 우려를 불식
▪
기업은 초기 투자나 지속적인 서비스 이용 요금 부담 없이 모델 탐색, 데이터 준비, 훈련/파인튜닝 과정을 온프레미스 환경에 마련
2) Gen AI를 통한, 패션 산업 Value Chain 디지털 트랜스포메이션
Key Point : 데이터 분석을 기반으로 한 Value Chain 전반에 ‘Gen AI’를 도입하여, 총체적 비용(시간, 자원, 비용) 절약
- Value Chain 디지털 전환 시, 점진적인 ESG 가치 달성 가능. (ex. 데이터 분석을 통한 데드 스탁 감소 등)
•
지금까지 * Gen AI 산업 Eco-System과 비즈니스 모델을 살펴 봤다면, 패션 산업 Value Chain 단계 별, Gen AI 솔루션 적용 현황과 사례를 파악.
•
글로벌 패션 인공지능 시장은 2019년 2억 2,800만 달러(약 2,912억원) 규모에서 2024년까지 연평균 40.8% 성장해 12억 6,000만 달러(약 1조 6,090억 원) 규모로 확대될 것으로 전망. (출처 : 2024’ 리서치앤마켓 (Research and Markets)리포트)
•
23년을 원년으로 ‘생성형 AI’는 다양한 산업군에 점진적으로 적용 되고 있는 추세이며, 패션 산업 또한 Value-Chain 디지털 트렌스포메이션 강화를 위해 ‘생성형 AI’ 도입을 가속화 할 것으로 전망.
◦
“디자인ㆍ개발(패턴/샘플) - 생산(제조공정) - 물류ㆍ유통 - 마케팅ㆍ고객 대응(CS) 등” 의 모든 가치 사슬의 혁신을 통한 경쟁력 강화 및 시장 개척을 위해 속도감 있는 디지털 전환이 필요.
◦
생성형 AI는 기본적인 산업 Value Chain 외, 기타 영역에도 접목되는 추세로 확장 가능성은 무한함.
▪
AI를 활용한 가품 감별 솔루션, ‘마크비전’ 도입 - ‘LVMH’, ‘랄프로렌 코리아’, ‘젠틀몬스터’, ‘디스이즈네버댓’ 등
▪
IP 크리에이티브 및 저작권 보호 등
3) 패션 산업 Value-Chain 단계 별, Gen AI 솔루션 적용 사례
(1) 제품 디자인 & 소재 개발 자동화
(2) 제품 생산 & 물류 관리 체계화
(3) 마케팅
(4) 온&오프라인 유통 채널 기능 강화
3-2. Brand Positioning: 대화형 Gen AI가 변화 시킬 미래의 쇼핑 경험, 브랜드 아이덴티티 강화
Key Point : 대체 불가능한 브랜드로 포지셔닝하기 위한 브랜드아이덴티티 강화 필요.
- 대화형 AI와 더욱 다각화 되고 있는 개인의 취향을 기반으로 미래의 소비 패턴의 변화 예상.
- 커머스 플랫폼들은 AI를 통해 유저 데이터를 분석, 가장 적합한 상품을 추천하는 솔루션을 도입 중.
- 양방향 소통이 가능한 대화형 AI 챗봇의 형태로 고도화 되고 있고, 제품 추천 시 경쟁력, 차별성을 갖추기 위해 브랜드 대표 키워드와 이미지를 강화할 필요가 있음.
1) ‘대화형 AI’와 ‘초 개인화’ 가 변화 시킬 미래 소비 패턴
브랜드아이덴티티, 브랜드의 진정성이 중요해 지는 이유
•
시대 흐름에 따라 마케팅은 변화한다.
기능성 제품에서 고객 중심으로 발전했고, 시대가 변화함에 따라 브랜드 가치관 중심에서 브랜드와 개인의 정체성을 일치 시키는 마케팅으로 변화하였다. (참고 : 필립 코틀러 - 마켓 4.0 )
이제 사람들은 더 이상 물건이나 서비스가 좋다고만 해서 움직이지는 않는다. 구매를 통해 브랜드의 가치관을 지지한다는 메시지를 던지고, 어떤 콘텐츠를 소비하는가를 통해 내 취향을 세상에 드러낸다.
내가 소비하는 브랜드와 콘텐츠를 곧 나의 정체성과 연결한다. 따라서 브랜딩에서도 진정성과 투명성이 중요해졌다.
브랜드의 진정성은 소비자에게 주입식으로 전달되는 것이 아니라 그 브랜드가 추구하는 가치에 따라 어떤 행보를 선택했는지, 어떤 이야기가 쌓였는지 그 과정을 통해 ‘발견’되는 것이다
브랜드 오리지널리티, 대화형 Gen AI, ‘초개인화 - 가치 소비’의 상관 관계
•
CSC(International Council of Shopping Centers)의 보고서에 따르면 미국 Z세대(’97~’12년 출생자)의 85%가 소셜미디어가 제품 구매 및 선택에 영향을 미친다고 답했으며, 응답자의 45%가 구매에 영향을 주는 소셜미디어로 틱톡과 인스타그램을 꼽음.
•
소셜미디어 및 인플루언서를 통한 제품 구매 결정 비중 증가에 따라, ’23년 미국 인플루언서 마케팅 비용은 전년대비 23.4% 증가한 61억 6천만 달러로 추정.
•
한편, 세일즈포스(Salesforce)의 최근 보고서에 따르면 설문에 응답한 쇼핑객의 17%가 제품 구매 아이디어를 얻기 위해 생성형 AI를 활용한다고 답변.
•
생성형 AI , 그 중 텍스트 기반의 대화형 ChatGpt는 ‘초 개인화’ 맥락과 상응하는 ‘가치 소비’ 특성과 결합하여 미래의 소비 문화의 많은 부분을 변화 시킬 것 이다.
생성형 AI가 실생활에 빠르게 침투하며, 앞으로 우리는 다음과 같은 소비 패턴을 익숙하게 느끼게 될 지도 모른다.
Q : ” ~~~~ 스타일의 가방을 사고 싶은데, 어떤 브랜드의 제품을 구매해야할까? 몇가지 제품을 추천해줘 “
A : “물론이죠! ~~~~ 한 느낌의 가방을 찾고 계시다면, 다음과 같은 제품들을 고려해보실 수 있습니다 “
1. A 사 - ㅇㅇㅇ
- 이 가방은 ~~~한 디자인으로 유명하며, A 브랜드의 아이코닉한 제품 중 하나입니다. 다양한 크기와 소재로 제공되어 여러 스타일에 어울리고, 시그니처 로고와 체인 스트랩이 특징적입니다.
즉, 새롭게 다가올 흐름에 대비해 브랜드들은 고유의, Edge있는 브랜드오리지널리티를 확립해야할 것이다.
2) 커머스 플랫폼, 대화형 AI 에이전트 도입 사례
커머스 플랫폼, 대화형 AI 에이전트 도입 사례
4. 결론 & 시사점
오픈 AI, 뉴 노멀 (New Normal)을 대비한 패션 산업 차별화 전략 필요
•
기술의 혁신은 일상의 변화→사회의 변화→ 산업 구조 변화를 야기하며, 기업은 변화와 혁신을 단행 해야만 함.
•
오픈 AI가 만들어내는 새로운 생태계와 이 생태계가 야기할 뉴 노멀 (New-Normal) 플랫폼의 태동 가능성에 주목할 필요가 있음.
◦
GPT’ Bulider (생산) → GPT’ Store(유통) → GPT’s(소비)
◦
GPT’s 소비 방식
▪
GPT’s 동일 생태계 내 사용
▪
기존에 사용했던 OS(App/Web)에 GPT’s를 호출해 사용 (ex. MS, Window 코파일럿)
▪
Gen AI 전용 SW/HW 탄생
•
현재까지 Gen AI는 기존의 모바일 OS 중심 플랫폼 생태계에서 단순 3rd party 플러그인 정도의 기술로 활용되고 있지만, 점차 확장 되어 가고 있는 Gen AI 생태계는 독자적인 플랫폼을 형성할 수 있는 가능성을 시사.
•
따라서, 급변하고 있는 기술 혁신의 흐름에 패션 산업은 독자적인 포지셔닝을 구축하기 위해 선제적인 비즈니스 전략을 강구해야 할 것.
패션 산업 특성을 기반한 AI 전문 인력 확보의 중요성
•
AI 리터리시 역량의 중요성
◦
AI는 생산성 증진을 위한 도구로 바라보아야 하며 유의미한 프롬프트 입력, 결과값 분별 능력 등의 AI 리터리시 역량이 더욱 중요해 질 것임.
▪
AI를 통한 상품 추천 관점에서 본다면, 인공지능은 학습하는 데이터의 특성을 반영하기 때문에 학습 데이터가 일부 사용자, 상품, 특정 상황에 치우쳐있다면, AI의 추천이나 예측도 편향될 우려가 있음.
•
AI 알고리즘은 내부 로직을 외부에서 확인하기 어려운 특성 때문에 편향이 발생할 수 있으며, 출력 값이 종종 환각(할루시네이션)을 일으키고 잘못된 결과를 생성할 수 있음. (* 할루시네이션 : 틀린 답을 맞는 답인 것처럼 말하는 현상)
1) 주로 젊은 세대의 구매 패턴 만을 학습한 AI는 고령 사용자들의 취향이나 필요성을 정확하게 반영하지 못할 수 있음.
2) 일부 추천 시스템이 '롱테일' 현상을 초래하여 자주 구매되는 인기 상품만을 계속해서 추천하게 된다면, 상품 추천 다양성이 감소될 수 있음.
(* 오버 슈팅 현상 : 과도한 최적화로 인해 사용자가 원하지 않는 결과를 초래)
▪
AI를 통한 제품 디자인 관점에서 본다면, 인공지능은 창의성을 대체할 수 있지만 역설적으로 데이터 의존적일 수 밖에 없다는 점.
•
[방대한 양의 데이터 수집 - 수집 된 데이터 패턴 분석 - 데이터를 새롭게 조합 - 결과물 생성] 의 방식으로 작동하는 AI는 창의적 활동에 특화 되어 있음.
•
즉, 인공지능은 학습해야할 데이터셋과 정확한 명령어가 없다면 “창의적” 결과물을 도출할 수 없으며, 인공지능은 데이터에 의존적이라는 역설점이 존재.
•
미래 AI 시대에 패션 디자이너는 AI와 상호 작용하면서 적절한 데이터를 선별하여 생성 결과물을 평가/개선하는 역할로 변화할 것.
•
패션 산업 특성화 AI 디지털 융합 인재 양성 및 확보
◦
패션 산업은 시장 내 경쟁력 제고를 위해 적극적인 AI 전문 인적 자원 확보 전략을 강구해야 할 것이며, 자체 DT 속도를 고려하여 점진적으로 조직 체질 개선을 목표로 해야할 것.
◦
AI의 자원이 될 적절한 데이터를 선택하고 AI가 만들어낸 결과에서 직관적으로 우수한 것을 선별해 낼 수 있는 디지털 인재의 안목과 통찰력은 기업의 차별성을 형성하는 중요한 역할을 할 것.
패션 산업에 최적화 된 AI 데이터 파이프라인 구축
•
사업 군 전 영역에 걸쳐 데이터 기반의 의사결정을 하기 위한 디지털 커뮤니케이션 환경 조성이 필요함.
•
대/내외적으로 고객 데이터를 체계적으로 수집하고 관리하는 데이터 파이프라인을 구축하는 것이 중요.
•
모델의 성능을 꾸준히 모니터링하고, 새로운 데이터와 기술적인 발전에 대응하기 위한 지속적인 훈련과 업데이트가 필요.
•
다양한 고객군 대상으로 균형 잡힌 순도 높은 데이터셋을 구축하고, 공정성 및 다양성 관련 지표를 평가하여 모델이 편향성을 가지지 않도록 지속적으로 학습 데이터를 조정해야 함.
cf. 참조
참조
국내외 기업 리스트