:quality(75))
AI: 실제 지능!
AI 모델은 정말 정확할까요? 실제 사람의 의사 결정을 예측하기 위해 주의 집중 예측 모델과 시선추적을 사용할 때의 어려움을 알아보세요.
:quality(75))
AI는 또한 그 세계의 중심에 있는 사람에 대한 맥락도 필요로 합니다.
그들은 무엇에 주의를 기울이고 있을까요?
그들은 무엇을 간과했을까?
특정 시점에서 그들에게 어떤 정보가 중요한가?
과제나 환경과 상호작용할 때 그들의 주의력은 어떻게 변화하는가?
시선추적은 이러한 인간적인 차원의 정보를 더해줄 수 있습니다.
시선 움직임을 시선 방향과 주의력 지표로 변환함으로써, 시선추적 은 다음과 같은 데이터를 제공할 수 있습니다. AI 모델이 이 분석하여 주의력, 행동 및 인지 처리, 이를 통해 AI 시스템이 사람들이 주변 세계와 어떻게 상호작용하는지에 대한 더 심층적인 이해를 구축할 수 있도록 돕습니다.
시선추적과 AI가 결합되면, 단순히
단순히 주변 환경을 인지하는 것 이상의 기능을 수행하는 시스템에 새로운 가능성을 열어줍니다. 또한 그 환경 속에 있는 사람까지 고려할 수 있습니다.
:quality(75))
AI 시스템은 점점 더 다중 모달화되고 있습니다. 단일 유형의 정보에만 의존하는 대신, 텍스트, 음성, 이미지, 동영상, 오디오, 센서 데이터 등의 입력 정보를 결합하여 더 복잡한 상황을 이해합니다.
시선추적은 또 다른 유형의 입력 방식인 ‘시각적 주의’를 추가합니다.
AI 기능이 탑재된 스마트 글래스를 생각해 봅시다. 카메라는 시스템이 착용자의 시야 내에 있는 사물, 사람, 텍스트를 인식하는 데 도움을 줄 수 있습니다. 마이크는 음성으로 묻는 질문을 포착할 수 있습니다. 그 밖의 센서들은 움직임과 주변 환경에 대한 정보를 제공할 수 있습니다.
"이에 대해 좀 더 자세히 설명해 주시겠어요?"
한 번에 여러 개체가 화면에 표시될 수 있습니다. 사용자가 어디를 보고 있는지 파악하면, 시스템이“이것”이 무엇을 가리키는지를 판단하는 데 도움이 되는 추가적인 단서를 제공할 수 있습니다.
하지만 그 가치는 단순히 한 지점을 바라보는 것을 넘어섭니다.
안구 움직임 정보를 찾거나, 글을 읽거나, 작업을 수행하거나, 이벤트에 반응하거나, 주의력을 전환할 때 시선추적을 통해 이러한 패턴을 측정할 수 있게 되며, 이를 통해 AI 시스템이 활용할 수 있는 다른 정보를 보완해 줄 수 있는 데이터가 생성됩니다.
시선추적은 시선 위치, 고정, 사카드, 눈 깜빡임, 그리고 동공 크기과 같은 신호를 측정합니다.
이러한 측정 결과만으로는 누군가가 무엇을 생각하고 있는지, 혹은 왜 무언가를 바라보는지 자동으로 알 수 없습니다. 그 의미는 사람, 과제, 환경에 따라 달라집니다. 그러한 맥락이 중요합니다.
어떤 대상 쪽을 흘끗 쳐다보는 것은 관심을 나타내거나 시각적 탐색의 일부일 수 있으며, 시선 행동의 변화는 특정 과제를 수행하는 맥락에서 고려할 때 의미 있는 신호가 될 수 있습니다. 이는 모두 상황에 따라 달라집니다.
바로 이 지점에서 다중 모달 AI가 특히 중요해집니다.
언어 처리는 누군가가 말하는 내용에 대한 정보를 제공할 수 있습니다. 컴퓨터 비전은 주변 환경에 무엇이 존재하는지에 대한 정보를 제공할 수 있습니다. 시선추적은 그 사람이 시각적으로 환경에 어떻게 반응하는지에 대한 정보를 제공할 수 있습니다. 그 밖의 센서들은 움직임, 행동 또는 주변 상황에 대한 추가 정보를 제공할 수 있습니다.
이러한 신호들을 종합하면, AI 시스템이 맥락을 더 효과적으로 해석하는 데 도움이 될 뿐만 아니라, 일부 응용 분야에서는 사용자에게 어떤 내용이 관련이 있는지, 또는 사용자가 다음에 무엇을 하려는지 더 잘 이해하는 데 기여할 수 있습니다.
:quality(75))
시선추적과 AI 간의 관계는 한 방향뿐만 아니라 여러 방향으로 작용합니다.
일부 응용 분야에서 시선추적은 AI 시스템에 대한 또 다른 실시간 입력 수단이 됩니다.
누군가가 어디에 주의를 기울이고 있는지 파악하면 모호함을 줄이고, 환경의 어느 부분이 현재 관련이 있는지에 대한 정보를 얻을 수 있습니다.
이는 AI가 사람과 상호작용하거나, 변화하는 상황에 대응하거나, 여러 신호를 동시에 해석해야 할 때 유용할 수 있습니다.
다른 응용 분야에서는 AI가 시선추적 데이터 자체를 분석합니다.
눈의 움직임은 복잡하고 연속적인 데이터를 생성합니다. 기계 학습 모델은 대규모 데이터 세트에서 수동으로는 감지하기 어려운 패턴을 식별할 수 있습니다.
이를 통해 시선추적 데이터를 바탕으로 사람들이 어떻게 읽고, 배우고, 작업을 수행하며, 제품과 상호작용하거나 다양한 환경에 반응하는지에 대한 통찰력을 얻을 수 있습니다.
이 두 가지 접근 방식은 광범위한 응용 분야를 열어줍니다.
스마트 글래스는 인간의 맥락이 왜 중요한지를 잘 보여줍니다.
카메라는 착용자의 시야 내에 무엇이 있는지 파악할 수 있습니다. 시선추적 기능을 통해 현재 착용자의 주의를 끄는 부분에 대한 정보를 추가로 얻을 수 있습니다.
음성 및 기타 맥락 정보와 결합될 경우, 주의 정보는 AI 비서가 사용자의 명시적인 입력 없이도 요청을 해석하는 데 도움이 될 수 있습니다.
예를 들어, 시선 추적은 사용자가 어떤 제품에 대해 알고 싶어 하는지, 어떤 문장을 번역하고 싶어 하는지, 또는 어떤 대상이 사용자의 명령과 관련이 있는지를 파악하는 데 도움이 될 수 있습니다.
시선추적만으로는 모든 상황을 파악할 수 없습니다. 이는 AI 시스템이 상황을 이해하는 데 도움이 될 수 있는 또 다른 단서를 제공합니다.
시선추적은 이미 가상현실 및 혼합/가상현실에서 이미 널리 활용되고 있다.
시선 기반 상호작용을 지원하며, 시선 중심 렌더링, 훈련, 평가 및 사용자 행동 분석을 지원합니다.
시선 데이터를 AI와 결합하면, 몰입형 환경 내에서 사용자가 수행하는 행동에 맞춰 적응하는 시스템 개발에 기여할 수 있습니다.
어떤 응용 분야는 사용자가 과제를 어떻게 수행해 나가는지 파악하기 위해 시선과 손 동작, 말, 또는 기타 행동을 함께 활용할 수 있습니다. 훈련 시스템은 시각적 주의 패턴을 여러 신호 중 하나로 활용하여 초보자와 숙련자의 숙련도를 구분하고, 기술 개발 과정에서의 진척도를 측정할 수 있습니다.
이러한 맥락에서, 시선추적은 디지털 환경 내 사용자 행동에 대한 보다 포괄적인 이해를 돕는 데 기여합니다.
:quality(75))
다음에 대해 로봇과 지능형 기계가 사람들과 함께 일하는 경우, 인간의 주의력을 이해하는 것 또한 필수적인 맥락을 제공할 수 있습니다.
사람들 간의 협업은 은 대개 명시적으로 표현되지 않는 신호에 의존합니다. 우리는 상대방이 어디를 바라보고 있는지, 무엇을 향해 손을 뻗고 있는지, 혹은 무엇에 주의를 기울이고 있는지 알아차립니다.
로봇은 본래 이러한 단서를 파악할 수 없습니다.
시선추적은 시각적 주의에 대한 정보를 제공하며, 이 정보는 컴퓨터 비전 및 기타 센서와 결합되어 시스템이 현재 어떤 대상이나 영역이 관련성이 있는지, 그리고 시스템과 사용자가 함께 작업을 수행할 때 사용자의 의도가 무엇인지 파악하는 데 도움이 될 수 있습니다.
이를 통해 사람과 기계 간의 상호작용이 더 안전하고 조화롭게 이루어질 수 있습니다. 사람과 기계 간의 상호작용을 , 모든 동작이 명시적인 명령으로 시작해야 하거나 모든 작업이 엄격하게 스크립트화될 필요 없이 가능합니다.
아이 트래킹과 AI 분야에서 시선추적과 AI 가 제공하는 가장 중요한 기회 중 일부는 기기 제어와는 거의 관련이 없습니다.
오히려 AI는 시선추적 데이터에서 의미 있는 패턴을 도출하는 데 도움을 줄 수 있습니다.
:quality(75))
눈의 움직임은 사람이 글을 읽고 처리하는 방식에 대한 상세한 정보를 제공해 줄 수 있다.
기계 학습은 이러한 눈의 움직임을 분석하여 방대한 데이터 세트 전반에 걸친 패턴을 찾아낼 수 있으며, 이를 통해 개발자들이 읽기 능력 평가 도구와 더욱 개인화된 학습 지원 도구를 개발하는 데 도움을 줄 수 있습니다.
Tobii 고객 예를 들어, Lexplore는 예를 들어, Tobii Pro Fusion 아이 트래커 과 머신러닝을 결합하여 학생들이 읽는 동안의 시선 움직임을 분석하고, 이러한 패턴을 읽기 능력에 대한 정보로 변환합니다.
안구 운동에는 신경학적 및 인지적 과정과 관련된 정보가 담겨 있을 수 있다.
2025년에 발표된 다음 분야의 체계적 문헌고찰 『Alzheimer’s & Dementia: Diagnosis, Assessment & Disease Monitoring』 에 게재된 2025년 체계적 문헌고찰은 알츠하이머병, 경도 인지 장애 및 관련 치매 환자들을 대상으로 시선추적 기술을 활용한 71편의 연구를 분석했다. 포함된 연구 중 6편은 시선추적 측정치를 활용하여 환자군과 건강한 대조군을 구분하는 기계 학습 모델을 개발했다. 이 모델들은 시각적 탐색, 자유 시선 관찰, 사카디크 과제 등의 과제에서 도출된 특징들을 기반으로 했다.
이러한 응용 분야에서 AI는 한 번의 시선만으로 누군가의 의도를 추론하는 데 사용되지 않습니다. 대신, 기계 학습을 통해 수동 분석만으로는 파악하기 어려울 수 있는 복잡한 시선추적 데이터 전반에 걸친 패턴을 식별합니다.
AI 모델은 입력되는 정보의 질에 따라 그 성능이 좌우됩니다.
다음과 같은 경우 시선추적 데이터가 이러한 입력 요소 중 하나가 될 때, 측정 품질 역시 중요합니다.
정확하고 신뢰할 수 있는 시선 데이터는 패턴을 파악하고, 행동을 비교하며, 사용자의 행동에 반응해야 하는 시스템을 구축하는 데 더 탄탄한 기반을 마련해 줍니다.
데이터가 수집되는 맥락 또한 중요합니다.
시선 움직임은 수행 중인 과제, 환경, 개인, 사용 중인 기기 등의 요인에 따라 달라집니다. 비슷한 시선 행동이라도 교실, 주행 중인 차량, 가상 훈련 환경, 또는 임상 평가 현장에서는 서로 다른 의미를 가질 수 있습니다.
그렇기 때문에 시선추적은 단독으로 해석되기보다는 상황을 더 폭넓게 이해하는 과정의 일부가 될 때 가장 큰 효과를 발휘합니다.
:quality(75))
AI가 점점 더 많은 기기, 제품, 서비스에 적용됨에 따라, 사람들이 주변 세계와 어떻게 상호작용하는지를 이해하는 것이 점점 더 중요해질 것입니다.
시선추적 기술은 인간의 주의력을 측정 가능하게 함으로써 이러한 관점을 제공할 수 있습니다. 이 기술은 해당 순간의 맥락을 파악하고 대규모 데이터 세트 전반에 걸친 패턴을 밝혀냄으로써, AI 시스템과 이를 개발하는 사람들에게는 다른 방법으로는 포착하기 어려웠을 정보를 얻을 수 있게 해줍니다.
이러한 추가적인 맥락은 사람들이 주변 세상을 어떻게 바라보고, 주의를 기울이며, 상호작용하는지에 대한 이해를 바탕으로 더 나은 AI 시스템을 개발하는 데 도움이 될 수 있습니다.
시선추적을 활용하여 연구, 제품 또는 교육 프로그램을 개선할 수 있는 방법에 대해 알아보시려면 당사의 영업 전문가에게 문의해 주십시오.
:quality(75))
AI 모델은 정말 정확할까요? 실제 사람의 의사 결정을 예측하기 위해 주의 집중 예측 모델과 시선추적을 사용할 때의 어려움을 알아보세요.
:quality(75))
시선추적 기술이 1인칭 영상에 인간의 주의력 데이터를 어떻게 더하여, 월드 모델, 로봇 공학 및 체화형 AI를 위한 훈련 데이터를 풍부하게 만드는지 알아보세요.
:quality(75))
AI 시대에 시선추적을 통해 사람의 데이터를 포착하는 것은 사람이 현실을 보는 방식, 의식과 무의식이 어떻게 현실을 만들어내는지 깊이 파고들어야 하기 때문에 중요합니다.
:quality(75))
토비는 20년 넘게 시선추적 혁신의 선두에 서 왔습니다. Tobii의 R&D 노력은 머신 러닝, AI, 첨단 센서 분야에서 획기적인 발전을 이끌어 왔으며, 인간 행동을 이해하는 방식을 재정의하는 제품을 만들어냈습니다.
:quality(75))
이 가이드는 시선추적을 통해 팀이 사용자가 무엇을 알아차리고, 정보를 처리하는 방식과 AI 경험에서 불확실성이 나타나는 부분을 이해하는 데 어떻게 도움이 되는지 보여줍니다.