Prof. Saeema Ahmed-Kristensen, DIGIT Lab 의 디렉터 – 인터뷰 시리즈

Professor Saeema Ahmed-Kristensen은 디자인 엔지니어링의 선도적인 학자이자 엑서터 대학교의 Associate Pro-Vice-Chancellor (Research & Impact)입니다. 그는 또한 디지털 혁신과 변혁에 중점을 둔 주요 상호 학제 연구 이니셔티브인 DIGIT Lab의 디렉터로도 활동합니다. 그의 연구는 디자인 창의성과 인지, 데이터 주도 및 디지털 디자인, 그리고 복잡한 엔지니어링 및 제품 개발에 고급 기술을 통합하는 것에 초점을 맞추고 있으며, 산업 협력, 정책 참여, 대규모 연구 프로그램을 통해 학술적 통찰력을 실제적인 영향을 미치도록 번역하는 데 강한重点을 두고 있습니다.

您的 경력은 케임브리지, DTU, 임페리얼 칼리지 런던, 로열 칼리지 오브 아트, 그리고 현재 엑서터 대학교를 거치면서 형성되었습니다. 디자인, 창의성, 디지털 기술의 역할에 대해 생각하는 것을 형성한 경험이나 전환점은 무엇입니까?

제 디자인 작업은 다양한 문화와 학문 분야를 거치면서 형성되었습니다. 브루넬에서 시작하여 기술, 인간 중심 디자인, 그리고 형태에 대한 이해를 결합한 몇 가지 과정을 거쳤습니다. 그것은 창의성과 혁신이密接하게 관련되어 있음을 초기에 가르쳐주었습니다.

케임브리지에서 공부하는 동안 제 생각을 더욱 넓히게 되었습니다. 대학 환경은 많은 학문 분야에 노출되어 혁신이 분야를 넘어서서 지식을 결합하는 데 의존함을 보여주었습니다. 제 박사 학위는 항공 우주 부문에 중점을 두고 엔지니어 디자이너가 정보를 찾고 사용하는 방식을 조사했습니다. 제가 사람들如何 접근하는지, 전문 지식이 어떻게 지원되거나 복제될 수 있는지, 그리고 인지, 컴퓨터 과학, 엔지니어링 디자인 사이의 교차점을 연구했습니다. 이러한 인간 중심의 관점은 지금까지 지속되어 왔습니다.

디지털 기술이 성장함에 따라 제 연구의 질문도 성장했습니다. IoT 데이터, AI, 고급 계산의 부상은 디자인을 인간 중심에서 사회 중심으로 이동시켰습니다. 이것은 엑서터 대학교에서 DIGIT Lab을 이끌고 LLM의 창의적 과정, 산업이 그들을 채택하는 데 직면하는 장벽, 데이터가 혁신을 어떻게 추동하는지에 중점을 둔 제 작업을 계속 형성합니다.

임페리얼 칼리지와 로열 칼리지 오브 아트에서 제가 디자인은 단순히 제품이나 서비스를 형성하는 것보다 더 많은 것을 의미한다는 것을 알게 되었습니다. 올바른 사람들, 프로세스, 문화가 있는 경우 디자인은 새로운 기술, 재료, 아이디어의 驅動力이 될 수 있으며 오늘과 내일의 글로벌 도전에 대처할 수 있습니다.

DIGIT Lab은 대규모 기존 조직 내의 디지털 변환에 중점을 두고 있습니다. 귀하의 관점에서 볼 때, 지도자들은 디지털 기술이 디자인, 혁신, 의사 결정에 미치는 영향에 대해 가장 많이 오해하는 것은 무엇입니까?

수십 년 동안 AI는 연구에서 발전했으며 특정 산업에서 채택되었습니다. 그러나 기술의 발전은 souvent적으로 기술적 전문 지식, 리더십의 이해, 가치 및 필요한 인프라에 대한 명확성으로 제한되었습니다. LLM 및 생성 도구와 같은 DALL·E의 부상으로 인해 AI는 더 접근성이 높아졌으며 훨씬 더 적은 전문 지식이나 설정이 필요합니다. 그러나 이것은 개인 정보 보호, 데이터 보안, 일반 목적 모델이 특정 도메인에 어떻게 적용되는지에 대한 새로운 질문을 제기합니다.

디자인 및 혁신에서 이러한 문제는 특히 명확합니다. 저희 연구는 인간과 AI가 생성한 12,000개 이상의 아이디어를 조사했으며, AI 아이디어는 유사한 개념 주변에 클러스터링되는 경향이 있음을 보여주었습니다. 이것은 제네릭 도구에 인간 전문 지식을 구축하거나 AI를 도메인에 적응시키거나 인간 창의성 및 의사 결정과 함께 AI를 사용하는 방법을 이해하는 필요성을 강조합니다.

귀하의 많은 연구는 디자인의 창의성과 인지에 대해 탐구합니다. 생성 AI가 아이디어, 개념, 반복을 대규모로 생성할 수 있는 상황에서, 귀하는 인간만이 갖는 창의성의 측면과 AI 주도 프로세스로 이동할 수 있는 부분을 어떻게 보십니까?

창의성은 항상 대안을 생성하는 것보다 더 많은 것을 의미했습니다. 그것은 의도, 문화적 의미, 디자인에 의해 생성되는 감정적 연결에 관한 것입니다. 저희 DIGIT Lab 설문조사에서 이것이 명확히 나타났습니다. 82%의 사람들이 인간 주도 또는 하이브리드 작업이 더 의미 있게 느껴진다고 말했으며, 71%의 사람들이 AI만의 디자인에 감정적으로 덜 연결되어 있다고 느꼈습니다. 많은 사람들이 AI 생성 작품을 “감정적으로 부족하다” (48%) 또는 “과도하게 완벽하다” (40%)라고 묘사했으며, 36%의 사람들이 그 영향이 빠르게 사라진다고 느꼈습니다. 이러한 반응은 제가 오랫동안 믿어온 것을 강조했습니다. 감정적 참여는 창의적 작업을 경험하고 가치 있게 하는데 필수적입니다.

인간과 AI 아이디어를 비교한 저희 연구에서도 인간 디자이너가 더 다양한, 새로운 아이디어를 생성하고 창의적 출력이 깊이와 의미를 갖는다는 것을 보여주었습니다. 창의적 전문가들은 아직 복제할 수 없는 기술을 가지고 있습니다. 디자이너는 아이디어를 생성하기 전에 문제를 이해해야 하며, LLM은 디자이너가 한 문제에서 다른 문제로 이동하는 데 도움이 될 수 있습니다. 인간 전문 지식을 AI 도구에 구축할 수 있다면, 그것은 또한 아이디어 평가를 지원할 수 있으며, AI가 인간의 창의적 기술을 더 잘利用할 수 있습니다.

체인-오브-사고 접근 방식은 LLM이 전문가의推論을 따를 수 있도록 지원합니다. 모든 경우에 인간의 감독이 결과를 해석하고 디자인 선택이 사용자의 실제 경험과 일치하는지 확인하는 데 필요합니다.

명확합니다. 우리는 인간과 AI가 서로 다른 강점을 기여한다는 것을 인정해야 합니다. 사람들이 일관되게 인간 또는 하이브리드 작업에 더 긍정적으로 반응하는 것은 단지 중심의 중력이 어디에 있는지를 보여줍니다. AI는 디자인 공간을 탐색하는 데 도움이 될 수 있으며, 패턴을 분석하고 구조화된 비평을 제공할 수 있지만, 평면성, 알고리즘적 완벽성, 감정적 거리 같은 인식은 AI가 여전히 인간의 판단이 필요함을 보여줍니다.

그것은 왜 제가 창의성의 미래를 근본적으로 협력적이라고 보는지입니다. AI는 가능성의 필드를 넓힐 수 있습니다. 디자이너는 공감, 문화적 이해, 의도라는 것을 제공합니다. 두 가지가 함께 일할 때, 인간의 판단이 방향을 설정하고 AI가 탐색을 풍부하게 하면, 창의적 과정은 더 엄격하고, 더 상상력 있고, 궁극적으로 더 인간적인 결과를 낳습니다.

귀하는 사용자 경험을 양적화하고 디자인 지식을 구조화하는 접근 방식을 개척했습니다. AI 시스템이 제품과 서비스를 생성할 때, 인간의 경험, 감정, 문화적 신호가 디자인 과정의 중심에 남아 있는지 어떻게 보장할 수 있습니까?

인간의 경험을 중심으로 하기 위해서는 지각과 감정에 대한 지식을 우리의 방법에 내장해야 합니다.

두 가지 주요 접근 방식이 있습니다. 첫 번째는 인간의 경험, 지각, 감정에 대한 풍부한 이해를 가능하게 하는 질적 데이터의 필요성을 인정합니다. 두 번째는 제가 집중한 것으로, 이러한 지식을 AI 시스템이 이해하고 사용할 수 있는 모델로 번역하는 것입니다.

이러한 모델은 사용자 경험, 인간의 지각, 디자인되는 제품 또는 시스템의 특성을 통합하여 인간의 반응과 전반적인 경험을 예측해야 하므로 개발하기 어렵습니다.

귀하는 복잡한 산업 – 항공 우주, 의료, 제조, 소비자 제품 – 와 함께 일합니다. 이러한 고위험 환경에서, 귀하는 AI 지원 디자인의 잠재력과 안전성, 추적 가능성, 신뢰성의 필요성을 어떻게 균형합니까?

고위험 분야에서 AI는 최종 권위자가 될 수 없습니다. 신뢰는 모든 단계에서 명확한 책임, 추적 가능성, 설명 가능성이 있음을 의미합니다. AI는 시뮬레이션, 최적화, 초기 탐색에서 강력한 지원 역할을 할 수 있지만, 특히 안전, 위험, 책임이 관련된 경우에는 인간의 판단이 반드시 필요합니다.

이러한 분야는 엄격한 안전 요구 사항으로 규제되며, 모든 데이터의 보안 처리를 요구합니다. 이러한 상황에서 프롬프트 또는 쿼리는 종종 지역 데이터를 사용하여 특이성과 관련성을 보장해야 하며, 이러한 분야의 조직에서 자체 AI 도구를 구축하고 유지하는 것이 일반적입니다.

저희의 더广泛한 연구는 하이브리드 시스템이 필수적임을 일관되게 보여줍니다. AI는 전문가의 판단을 보완해야지 대체해서는 안 됩니다. 인간의 감독은 특히 안전, 위험, 책임이 관련된 경우에 모든 임계적인 결정 지점에 내장되어야 합니다. 조직과 규제 기관이 AI를활용한 시스템을 신뢰하려면 모델이 어떻게 훈련되었는지, 어떤 데이터를 사용하는지, 출력이 어떻게 생성되는지에 대한 투명한 문서화가 필요합니다. 이러한 투명성 없이 신뢰는 기술의 발전과 상관없이 확대될 수 없습니다.

많은 조직은 AI를 제품 개발에 실험적으로 사용하는 것과 의미 있는 통합 사이의 간격에 어려움을 겪습니다. 팀이 실험에서 전략적 구현으로 이동하기 위해 귀하는 어떤 실제 단계를 권장합니까?

많은 조직은 명확한 전략적 목적 없이 AI를 채택하기 때문에 실험 단계에서 걸립니다. 첫 번째 실제 단계는 개발 프로세스에서 AI가 어떤 역할을 해야 하는지 명확히 하는 것입니다. 아이디어 생성, 테스트 가속, 평가 개선, 의사 결정 강화 등입니다. 이러한 명확성 없이 실험은 실제 비즈니스 및 디자인 결과와 분리된 채로 남아 있습니다.

팀은 올바른 기초를 갖추고 있어야 합니다. 즉, 실제 사용자 경험을 반영하는 높은 품질의 데이터에 투자해야 하며, 기술적 성능 지표만을 사용하는 것이 아니라 실제 사용자 경험을 반영하는 데이터를 사용해야 합니다. 또한 AI의 현재 한계, 특히 창의적이고 인간 중심의 판단에서 전문가의 감독이 필수적인 영역에서 현실적으로 생각해야 합니다.

많은 분야는 팀이 AI를 실험에서 더广泛한 채택으로 안내하는 프로세스를 안내하는 AI 정책을 개발하기 시작했습니다. 이러한 정책은 조직이 AI가真正로 가치를 추가할 수 있는 영역을 식별하는 데 도움이 되며, 동시에 인간이 필요한 곳에는 인간이 남아 있음을 보장합니다.

마지막으로, 조직은 실제 워크플로에 내장된 구조화된, 저위험성의 파일럿을 통해 진행해야 합니다. 이러한 파일럿은 디자이너, 엔지니어, 데이터 과학자, 분야 전문가가 함께 일하여 학습이 공유되고 전송 가능하도록 해야 합니다. AI는 일상적인 관행에 설계될 때 가치를 제공합니다. 분리된 실험 계층으로 처리되어서는 안 됩니다.

귀하는 지식의 구조화와 자동화를 위한 접근 방식을 개발한 경험이 있습니다. AI 시스템이 디자인 의도, 사용자需求, 컨텍스트를_reasoning하는 방식으로 실제 가치를 추가하는 데 얼마나 가까이 왔습니까?

일부 영역에서는 사용자 선호도를 예측하는 것이 상대적으로 간단합니다. 브라우징 기록이나 시청한 영화 또는 텔레비전 프로그램의 기록과 같은 데이터를 사용하여 추천을 할 수 있습니다. 이러한 영역은 쉽게 사용할 수 있는 데이터를 利用합니다.

반면에 제품 및 서비스 디자인의 핵심 도전은 사람들의 선택, 필요, 실제 경험에 대한 데이터가 쉽게 사용할 수 없다는 것입니다.

제 최근 연구는 LLM이 인간이 디자인 특징에 대해 어떻게 인식하고 반응하는지에 대한 모델을 제공할 때, 디자인 평가 작업을 지원하는 데 어떻게 사용할 수 있는지 조사했습니다. 그러나 현재 모델은 데이터의 패턴에 의존하며, 의미를 컨텍스트화할 수 없습니다. 이전 연구에서는 형태와 지각 사이의 연결을 보여주었으며, 형태의 작은 변화가 감정적 반응을 변경할 수 있으며, 이러한 미묘한 점은 AI가 인간의 지침이나 정교한 모델 없이 예상하기 어렵습니다. 따라서 AI의 의도에 대한推論은 개선되고 있지만, 여전히 인간의 전문 지식의 보완입니다.

AI가 디자인 사이클을 가속화함에 따라 – 아이디어 생성에서 프로토 타이핑까지 – 디자이너는 어떤 새로운 기술이 필요할까요? 대학과 조직은 다음 세대의 창의적 인재를 위한 훈련을 어떻게 재고해야 합니까?

디자이너는 인간의 지각과 AI 지원 도구 모두에 능숙해야 합니다. 형태, 재료, 비율이 감정적 반응을 형성하는 방식을 이해하는 것은 좋은 디자인의 기본입니다. 동시에 디자이너는 아이디어 생성과 평가를 지원하는 AI 시스템과 함께 일할 수 있어야 합니다. 즉, 도구를 사용하는 것뿐만 아니라, 도구가 무엇을 최적화하는지, 그리고 그 한계가 어디에 있는지 이해해야 합니다. AI가 디자인 워크플로에 더 많이 내장됨에 따라, AI의 출력을 해석하고 인간의 판단과 결합하는 능력은 가장 가치 있는 창의적 기술 중 하나가 될 것입니다.

AI가 디자인 사이클을 가속화함에 따라, 디자이너는 전통적인 공예 기술을 넘어서는 새로운 능력과 사고 방식을 필요로 할 것입니다. 디지털 기술이 어떻게 작동하는지, 다양한 유형의 데이터가 무엇을 (또는 무엇을) 나타낼 수 있는지, 디자인 전문 지식을 AI 리터러시와 어떻게 결합할 수 있는지 이해해야 합니다. 이는 실제 사용자 경험을 반영하는 높은 품질의 데이터와 함께 일하는 것을 의미하며, 기술적 성능 지표만을 사용하는 것이 아니라 실제 사용자 경험을 반영하는 데이터를 사용하는 것을 의미합니다. 또한 AI의 현재 한계를 이해하고, 창의적이고 인간 중심의 판단에서 인간의 전문 지식이 필수적인 영역에서 현실적으로 생각해야 합니다.

대학과 조직은 다음 세대의 창의적 인재를 위한 훈련을 재고해야 합니다. 일부 대학은 이미 디자인 프로그램에 데이터 과학을 통합하고 있습니다. 이는 중요한 단계이지만, 디지털 시대의 현실에 대처하는 디자인思考 방법이 여전히 필요합니다. 이러한 방법은 디자이너가 AI와 협력하고, 여러 분야를 넘나들고, 빠른 실험을 진행하면서 인간 중심의 감독을 유지하는 데 도움이 됩니다.

이 격차를 해결하는 것은 필수적입니다. 이것이 제가 동료인 Ji Han 박사와 함께 케임브리지 대학교 출판부에서 디지털 시대의 디자인思考에 관한 책을 쓰고 있는 이유입니다. 이 책은 디지털 시대의 현실에 대처하는 디자인思考 방법, 기술, 사고 방식을 제공합니다.

DIGIT Lab은 책임 있는 변화를 강조합니다. 귀하의 관점에서, AI가 산업 전반의 디자인 워크플로에 내장됨에 따라, 어떤 윤리적 또는 사회적 위험이 더 많은 주의를 필요로 합니까?

한 가지 예는 데이터의 윤리적 사용을 보장하는 것입니다. 즉, 데이터를 개발하고 AI 제품을 개발하는 데 사용하는 데이터에 대한 정보를 얻고, 데이터셋에 포함된 편향을 포함하여 투명성을 유지하는 것입니다. 예를 들어, 의료 시스템에 내장된 데이터셋은 전체 인구를 충분히 대표하는지, 대표되지 않는 그룹이 있는지, AI 시스템이 목적에 적합하고 포용적인지 확인하기 위해慎重하게 조사되어야 합니다. 사회적 관점에서, 종종 AI가 일자리를 대체할 것이라는 우려가 있습니다. 그러나, 인간의 전문 지식이 여전히 필수적인 영역과 AI를 사용하여 인간의 능력을 강화할 수 있는 영역을 이해하는 것이 중요합니다.

그러나, 더 깊은 윤리적 문제도 있습니다. 인간 데이터를 사용할 때, 개인 정보 보호, 편향, 투명성을 책임 있게 처리해야 합니다. DIGIT Lab 워크샵은 “데이터”, “인간”, “거버넌스”를 주요 도전 과제로 식별했으며, 더好的 데이터 캡처, 인간의 감독, 보안, 신뢰, 지적 재산권, 규제에 대한 명확한 정책의 필요성을 강조했습니다. 이러한 위험을 해결하는 것은 AI 시스템이 다양한 데이터에 기반하고, 인간의 판단이 임계적인 지점에 내장되고, 디자인 표준이 개인 정보 보호, 동의, 문화적 컨텍스트를尊重하는 것을 의미합니다.

귀하는 사용자 경험을 중심으로 제품을 맞춤화하는 데 데이터와 AI를 사용하는 방법에 대해 연구했습니다. 제품이 공장에서 출荷된 후 실시간 데이터에 따라 동적으로 진화하는 미래를 보십니까? 그렇다면, 디자이너는 그 세계를 준비하기 위해 어떻게 해야 합니까?

데이터 주도 디자인은 제품을 개인화, 맞춤화, 또는 사용자 행동에 적응시키는 데 사용될 수 있습니다. 그러면 제품은 “스마트” 시스템이 되어 사용 방법에 대한 데이터를 수집하고 IoT 연결성을 통해 통신합니다. 저희의 프레임워크에서는 사용자 지정 활동은 이러한 데이터를 사용하여 제품을 공장에서 출荷된 후 업데이트하고 적응시키는 것을 포함합니다. 예를 들어, 제스처 인식 모델을 인간-로봇 협력의 디지털 트윈에 연결하거나, 머신 러닝을 사용하여 사용자 지정 구성 요소를 생성하는 것을 포함합니다.

이러한 전환은 새로운 책임을 생성합니다. 디자이너는 어떤 인간 데이터, 행동, 피드백, 감정 데이터가 관련되어 있는지 결정해야 합니다. 또한 업데이트가 의도된 미적 및 감정적 특성을 보존하는지 확인해야 합니다. 마지막으로, 거버넌스는 중요합니다. 산업 워크샵은 데이터, 신뢰, 개인 정보 보호와 관련된 문제가 명확한 정책과 인간의 감독을 필요로 함을 강조했습니다. 제품을 잘 진화시키면 지속적인 가치와 반응성을 제공할 수 있지만, 의미나 윤리를 희생하지 않습니다.

앞으로, 귀하를 мотив하는 큰 연구 질문은 무엇입니까? 또한, 다음 몇 년 동안 AI, 창의성, 디자인 엔지니어링의 교차점에서 어떤 돌파구가 있을 것으로 보십니까?

많은 도전은 여전히 해결되지 않았습니다 – 제가 현재 작업 중인 몇 가지를 포함하여, 일반 목적의 생성 AI 도구를 특정 산업에서 채택하는 데 효과적으로 맞출 수 있는지 확인하는 작업이 포함됩니다.

섹터별로는 이것이 다르게 보일 수 있습니다. 제조业에서는 지역화된 모델을 사용하여 도메인 특정 지식을 훈련시키고, 강력한 개인 정보 보호 및 보안 조치를 취하는 것이 포함될 수 있습니다. 창의적 산업에서는 출력의 다양성을 ermög하고 인간과 AI의 더 의미 있는 협력을 ermög하는 것이 중점이 될 수 있습니다.

기술적 수준에서, 우리는 디자인 평가 작업을 지원하는 대규모 언어 모델을 실험하고 있습니다. 한 연구에서는 LLM이 인간 전문가와 더密接하게 일치하는 방식으로 새로운 아이디어와 유용성을 평가할 수 있음을 보여주었습니다. 관련 논문에서는 체인-오브-사고 프롬프팅과 다중 모델 집계를 사용하여 AI 평가를 더 신뢰할 수 있게 만듭니다. 우리는 또한 조직의 디지털 변환 요구 사항을 캡처하는 대화형 에이전트를 탐색하고 있으며, 챗봇이 구조화된 인터뷰를 효과적으로 수행할 수 있음을 보여주었습니다. 이러한 이니셔티브는 인간의 전문 지식을 보존하고, 더好的 결정과, 사용자와 윤리적으로 참여하는 미래를 가리킵니다.

감사합니다. 이 인터뷰는 매우 생각 깊고 통찰력이 풍부했습니다. DIGIT Lab의 ongoing research와 이니셔티브에 대해 더 배우고 싶은 독자는 엑서터 대학교의 DIGIT Lab을 방문할 수 있습니다.