안녕하세요, 브랜딩팀 인턴 한철희입니다.

지난주에는 위픽레터에 쌓인 방대한 글들을 AI에게 읽게 하여 정해진 기준에 따라 분류하고, 이를 그래프로 시각화하는 작업을 했습니다. 그래프를 통해 우리 매체에 어떤 종류의 글이 많고 부족한지 한눈에 파악할 수 있었고, 이를 기반으로 부족한 콘텐츠를 보강하거나 불필요한 부분을 덜어낼 수 있는 데이터를 마련했습니다.

이번 주에는 지난주에 분석한 데이터를 바탕으로, 새로운 글이 올라오면 알아서 분류하고 콘텐츠를 재생산하는 자동화 시스템을 고도화하는 데 집중했습니다.

첫 번째로는 메일로 보도자료가 수신되면 AI가 내용을 읽고 요약하여 노션에 자동으로 정리해 주는 기능을 구현했습니다. 실무에서는 보도자료가 텍스트 형식이 아닌 PDF나 첨부파일로 오는 경우가 많다는 점을 고려하여, 첨부파일을 자동으로 저장하고 내용을 추출해 읽어내도록 구현함으로써 문제를 해결했습니다. 또한, 같은 시간에 여러 통의 메일이 쏟아질 경우 시스템이 하나만 처리하고 나머지는 누락시키는 문제가 발생했는데, 이는 실무 자동화에서 치명적인 결함이 될 수 있어 데이터를 순차적으로 처리하는 배치 로직을 도입하고 동시 실행 제어 설정을 최적화하여 데이터 수신 성공률 100%의 안정성을 확보했습니다. 추가로 제목에 ‘보도자료’나 ‘출시’라는 키워드가 들어간 메일만 선별적으로 처리하도록 하여 효율성도 높였습니다.

두 번째로는 구글 검색 시 위픽레터가 상단에 노출될 수 있는 전략적인 콘텐츠 생성 방법을 고민했습니다. 밈이나 성수 팝업 같은 키워드는 트래픽은 많지만, 우리 회사의 실질적인 이익으로 이어지기는 어렵다고 판단했습니다. 그래서 광고주들이 실제로 검색할 법한 키워드를 고민하여, 해당 키워드가 포함된 전문적인 글을 AI가 작성하도록 했습니다. 정보 수집 단계에서는 일반적인 크롤링 대신 퍼플렉시티(Perplexity)를 연동하여 더 정확하고 최신성이 반영된 정보를 빠르게 수집하도록 했습니다. 이 과정에서 2000자가 넘어가는 긴 글을 작성할 때 AI가 멈추는 기술적 문제가 있었는데, 긴 텍스트를 AI가 처리 가능한 단위로 자동 분할하여 작성하게 하고 나중에 이를 다시 하나로 매끄럽게 통합하는 로직을 통해 해결했습니다. 글의 마지막에는 자연스럽게 우리 회사를 소개하는 문구를 넣어 광고주들의 관심을 유도하도록 설계했으며, 이 모든 과정은 키워드와 프롬프트만 바꾸면 언제든 재사용할 수 있도록 만들었습니다.

세 번째로는 위픽레터 내의 레거시 데이터를 정리했습니다. 전체 4900여 개의 글 중 약 1400여 개의 글에 태그가 붙어있지 않은 것을 확인했는데, 이를 사람이 일일이 읽고 태그를 다는 것은 비효율적이기에 API를 활용했습니다. AI가 태그 없는 글들을 찾아 읽고, 문맥에 맞는 태그를 자동으로 설정하도록 하여 검색 편의성을 높였습니다.

지난주에는 방대한 양의 글을 AI에게 학습시키느라 작업 속도에 아쉬움이 있었지만, 이번 주에는 분류된 데이터를 바탕으로 실무에 즉시 적용 가능한 다양한 자동화 모델을 직접 구현해 볼 수 있어 매우 뜻깊었습니다. 무엇보다 AI를 활용해 단순 반복 업무 시간을 획기적으로 절약하고, 그 시간을 더 가치 있는 일에 투자할 수 있다는 점을 체감했습니다.

다음 주에는 아직 작성되지 않은 메모들이 들어있는 파일에서 유의미한 키워드를 추출하여 완성된 형태의 글을 작성하는 자동화 시스템을 구현해 볼 예정입니다.