1. 문제점
- 회사에서 필요한 캐릭터 제작에 시간이 많이 걸려 디자이너 업무량 과중
- 디자이너에게 컨셉 전달·피드백 주고받는 과정이 복잡해 의사소통 비용 과다
- 반복 작업으로 인한 디자인 리소스 병목 및 비용 상승

2. 프로젝트 목표
- 사내 자체 플랫폼에서 텍스트 입력만으로 브랜드 일관성 유지된 이미지를 즉시 생성
- LoRA/DreamBooth 기반 맞춤형 스타일 파인튜닝 기능 제공
- UI를 통한 간편한 프롬프트 입력 → 이미지 출력 워크플로우 완성

3. 주안점
- 브랜드 가이드라인 준수를 위한 파인튜닝 데이터 품질 관리
- 실시간 응답성 확보(추론 지연 ≤1초)로 UX 최적화
- 디자이너 커뮤니케이션 최소화를 위한 직관적 프롬프트 가이드 제공
- 확장성 고려한 모델 로드·캐싱 전략 및 서버 비용 효율화

1) 배경
- 디자인 리소스 병목
기존 템플릿 기반 이미지 제작 → 디자이너 의존도 높아 빠른 시각 자료 제작 어려움
- 스타일 일관성 부족
외부 서비스 활용 시 브랜드 가이드라인과 어긋나는 결과 다수 발생
- 반복 제작 비용
소량 수정에도 매번 디자이너 검토 필요 → 평균 3일 소요, 비용 발생

2) 과정
- 2024.05: 요구사항 정의 & 데이터 수집
- 브랜드 자산(로고, 컬러 팔레트, 샘플 이미지) 정리
- 내부 디자이너 인터뷰 및 UI/UX 구상
- 2024.06: 파인튜닝 파이프라인 구축
- Kohya 스크립트 활용해 LoRA 기법으로 브랜드 이미지 1,000장 학습
- Diffusers 기반 스크립트 자동화
- 2024.07: 모델 최적화 및 배포 준비
- PyTorch→ONNX→TensorRT INT8 변환
- AWS EC2 GPU 인스턴스에 Docker 컨테이너 배포
- 2024.08 – 09: UI 개발 및 통합
- React로 프롬프트 입력 폼, 스타일 프리셋 선택 UI 구현
- 실시간 이미지 생성 미리보기 및 다운로드 기능 개발
- 이미지 히스토리 저장 및 S3 연동
- 2024.10: 테스트·튜닝·런칭
- 내부 베타 테스트(디자이너·마케터 대상) → 사용자 피드백 반영
- 응답 속도·품질 점검, 안정화 후 정식 론칭

3) 기술적 이슈
- 파인튜닝 데이터 편중
- 적은 샘플로 브랜드 스타일 완벽 반영 어려움 → 과적합 우려
- 추론 지연
- 기본 모델 추론 시 4초 이상 소요, UX 불만 발생
- 메모리 리소스
- 여러 LoRA 모델을 동시에 로드할 때 GPU 메모리 초과

4) 해결 방안
- 데이터 증강
- Color jitter, 랜덤 크롭, 스타일 믹스업 적용 → LoRA 학습 데이터 1,000→5,000장으로 확장
- TensorRT INT8 최적화
- ONNX로 변환 후 INT8 양자화 적용 → 추론 속도 4s→0.7s 단축
- 모델 로드 온디맨드
- 사용자가 선택한 스타일 모델만 동적으로 로드
- LRU 캐시 정책 도입 → 메모리 초과 없이 3개 스타일 동시 지원

5) 정량적 지표 & 성공 사례
- 이미지 제작 시간 85% 단축
- 평균 3일 → 10분 이내
- 브랜드 일관성 점수 95% 달성
- 내부 디자인팀 평가(100점 만점 기준)
- 월간 사용자 120명 달성
- 디자이너 30명, 마케터 90명 활발 사용
- 서버 비용 40% 절감
- GPU 인스턴스 1대 운영으로 외부 서비스 대비 비용 효율화
- 디자인 리소스 병목
기존 템플릿 기반 이미지 제작 → 디자이너 의존도 높아 빠른 시각 자료 제작 어려움
- 스타일 일관성 부족
외부 서비스 활용 시 브랜드 가이드라인과 어긋나는 결과 다수 발생
- 반복 제작 비용
소량 수정에도 매번 디자이너 검토 필요 → 평균 3일 소요, 비용 발생