패션디자인 교육에서의 이미지 생성형 AI 적용을 위한 탐색적 연구 : Sketch-to-Image 방법을 활용하여

본 연구에서는 패션디자인 산업에 특화된 이미지 생성형 AI, ‘마인드프린트’를 활용하여 탐색적 사례연구를 진행하였다. 마인드프린트는 Diffusion model을 바탕으로RLHF(Reinforcement learning from human feedback)는 인간의 피드백을 통해서 학습을 강화하는 방법으로 디자이너들의 피드백을 통해 만들어진 정교한 이미지 생성 모델이다. 미드저니나 달리와 같은 외부 API를 사용하는 대신, 자체 개발한 AI 이미지 생성 모델을 보유하고 있다. 마인드프린트는 패션 산업에 특화된 맞춤형 솔루션을 제공하기 위해 상업적인 패션 이미지 및 데이터를 학습시켰기 때문에, 디자인 결과물의 다른 AI 도구에 비해 생산 가능성과 실용성이 높다. 뿐만 아니라, 여타 AI 도구들이 이미지 생성 시마다 일관성을 유지하는 것이 어려움에 반해 마인드프린트는 변인을 통제하는 이미지 생성이 가능하다<Fig. 1>. 이는 여러 자극물에 대한 결과물을 비교 분석해야 하는 본 연구에 적합한 요소이며, 향후 패션디자인 프로세스에 적용도 효과적이라고 할 수 있다. 따라서 본 연구의 탐색적 연구 도구로 선정하였다.

<Fig. 1>

‘MindPrints' Sketch-to-Image Feature

특히, 여타 이미지 생성형 AI 모델과 차별화된 마인드프린트의 기능 중 하나는 프롬프트를 입력할 필요 없이 간단한 스케치를 업로드하면, 이미지를 생성해주는 'Sketch to Image' 기능이다<Fig. 1>. 새로운 기술의 사용 방법이 간단한 경우, 사용자의 자기효능감이 높아져 AI에 대한 사용 의도에 긍정적 영향을 줄 것으로 예상되므로, 간단하게 활용가능한 'Sketch-to-Image' 기능을 사용하여 패션디자인 프로세스 중 초기 단계인 ‘디자인 스케치’와 후기 단계인 ‘디자인 모델링’에 맞춰 제작된 자극물이 어떤 결과물을 생성하는지 적용하였다.

자극물은 재킷+스커트 조합의 ‘디자인1(D1)’과 재킷+바지 조합의 ‘디자인2(D2)로 구성하였다. 먼저, 디자인 스케치 단계의 자극물은 D1과 D2를 각각 연필로 그린 핸드 드로잉과 일러스트레이터 프로그램으로 그린 디지털 드로잉으로 채색을 하지 않고 동일한 디자인으로 제작되었다. 핸드 드로잉 자극물 D1, D2는 'H-D1', 'H-D2'로, 디지털 드로잉 자극물 D1, D2는 'D-D1', 'D-D2'로 명명하였다. 두 번째 디자인 모델링 단계의 자극물은 컬러와 문양이 적용된 결과물의 비교 분석을 위해 D1과 D2에 각각 컬러, 사실적 문양, 추상적 문양을 적용한 디지털 드로잉 자극물을 제작하였다. 지정 변수를 제외한 다른 요소가 미치는 영향을 통제하기 위해 디지털 드로잉의 동일한 스케치를 사용했다. 자극물은 디자인 스케치 단계 4개, 그리고 디자인 모델링 단계 6개로, 총 10개를 제작하였다.

자극물은 마인드프린트의 ‘Sketch-to-Image’에 입력되어 새로운 이미지가 생성되었으며, 생성된 이미지 중 디자인에 오류가 있거나 유사한 디자인을 제외하고 가장 적합하다고 판단되는 디자인을 각 자극물별로 3개씩 추출하여 비교하였다.

각 자극물에 의해 생성된 이미지 분석은 패션디자인 요소인 실루엣, 컬러, 아이템, 소재, 디테일로 세분화하여 분석하였는데, 각각의 분류 기준은 Lee and Lee(2017)의 의복의 조형 요소 분류를 참고하였다. 실루엣은 의복의 외형을 기준으로 H, A, Y, X, 벌크, 그리고 비정형 실루엣으로 구분하였고, 컬러는 시각적으로 판별되는 기준으로 빨강(R), 주황(YR), 노랑(Y), 연두(GY), 초록(G), 청록(BG), 파랑(B), 남(PB), 보라(P), 자주(RP), 흰색(W), 회색(GR), 검정(BK), 그리고 실버(S)와 골드(GL) 같은 특수색으로 분류하였다. 세부적인 컬러는 톤으로 구분하였는데, v(vivid), s(strong), b(bright), lt(light), p(pale), ltg(light grayish), sf(soft), g(gray), d(dull), dp(deep), dk(dark), dkg(dark grayish)로 나누었다. 아이템은 형태별로, 아우터, 상의, 스커트, 바지, 드레스로 구분하고, 소재는 직물과 편물, 레이스, 펠트, 울과 퍼, 기타직물 그리고 가죽을 기준으로 광택과 두께도 고려하였다. 디테일은 길이, 네크라인/칼라, 암홀/소매, 포켓, 벨트, 스티치를 주요 분류로 정하고, 개더, 파이핑, 프릴 등의 기타 요소로 분석하였다.

심층 면담은 2024년 7월에 포커스 그룹 인터뷰(FGI) 방식으로 진행되었다. 심층 면담에 참여한 전문가는 패션 관련 전공 박사 수료 이상, 교육경력 3년 이상의 5인으로 구성하였다. 또한, 산업체와의 연계성이 높은 마인드프린트에 대한 평가를 위해 교육경력과 함께 산업체 경력이 있는 전문가를 선정하였다.

심층 면담 참여자의 표본 특성은 다음과 같다.

<Table 1>

Sample Characteristics of In-Depth Interview Participants

교사의 AI의 지속적인 사용 의도에 영향을 미치는 요소들에 대한 선행연구(Bai et al., 2021; Wang et al., 2021) 결과를 토대로, 패션디자인 교수자의 사용 용이성에 대한 인식과 불안감, 유용성에 대한 인식, 흥미, 자기효능감 등의 변화는 AI의 사용 의도에 영향을 가져올 것으로 가정하였다. 이 영향을 분석하기 위해 심층 면담은 2단계로 나누어 진행하였다.

1차 인터뷰 문항은 마인드프린트 결과를 보기 전, 교수자의 생성형 AI에 대한 인식과 태도를 알아보기 위한 질문으로 구성하였다. 2차 인터뷰 문항은 마인드프린트 결과를 보면서 진행한 것으로, 사용이 간편하고, 실용성과 완성도 높은 결과물이 교수자의 생성형 AI에 대한 태도와 사용 의도에 변화를 가져 올 수 있을지 1차 심층 면담 내용과 비교 분석을 위한 질문으로 구성되었다. 결과에 대한 개방성 부여를 위해 반구조화된 질문지를 사용하였고, 사용 용이성과 불안감, 유용성, 흥미, 자기효능감 등을 판단할 수 있는 방향으로 추가 질문을 진행하였다. 심층 면담에 사용된 질문 문항은 다음과 같다.

<Table 2>

Questions Used for In-Depth Interview

AI가 생성한 이미지 결과<Table 3>를 핸드 드로잉과 디지털 드로잉으로 나누어 패션디자인 요소별로 분석한 결과는 다음과 같다.

(1) 실루엣

실루엣은 H-D1과 H-D2, D-D1, 그리고 D-D2 모두 주로 X자형 실루엣을 나타내 차이 없이 생성되어 패션디자인 요소 중에서 핸드 드로잉과 디지털 드로잉의 차이가 가장 낮았다.

(2) 컬러

컬러는 핸드 드로잉이 디지털 드로잉에 비해 다양한 색상 팔레트를 생성하는데 강점을 보였다. H-D1은 골드를 주조색, 검정을 강조색으로 사용하거나, 주조색 검정에 v톤의 빨강을 강조색, 그리고 ltg 청록을 단일색으로 생성하였다. H-D2는 검정과 골드, 그리고 v톤의 빨강의 단일색이 나타났다. 반면, 디지털 드로잉은 D-D1, D-D2 모두 검정과 골드만 생성했다. 단, 검정과 골드 안에서 주조색과 강조색의 변화는 존재했다.

(3) 아이템

아이템은 핸드 드로잉보다 디지털 드로잉이 자극물에 충실한 결과를 보였다. H-D1은 자극물과 유사한 아우터(2개)와 스커트(2개), 혹은 드레스(1개)로 생성되었다. H-D2는 자극물 중 가장 높은 아이템 다양성을 보였는데, 아우터 형태 드레스(2개), 자극물과 전혀 다른 드레스(1개)가 생성되었고, 자극물의 바지가 다리로 인식되었다. 한편, D-D1은 AI 결과물에 원본 디자인이 가장 충실했다. D-D2는 원본과 다른 드레스 디자인(2개), 그리고 원본인 재킷과 바지 조합을 읽어낸 디자인(1개)로, 디지털 드로잉에서도 생성형 AI의 바지 인식률이 상대적으로 낮았다.

(4) 소재

소재도 핸드 드로잉이 디지털 드로잉에 비해 종류와 광택, 두께 면에서 다양성을 가진 소재를 생성했다. H-D1과 H-D2의 소재는 직물(woven), 그리고 가죽, 반짝이 소재 등이 사용되었다. 광택은 고광택에서 무광까지 고르게 분포되었고, 두께도 두꺼운 소재부터 얇은 것까지 다양했다. D-D1과 D-D2는 직물 소재만 사용되었고, 광택은 중간 광택과 무광이 주를 이루었다. 두께감은 모두 동일했다.

(5) 디테일

핸드 드로잉을 기반으로 생성된 결과물은 분석 요소 중 디테일 변형이 가장 활발했는데, 디지털 드로잉은 원본 자극물에 대한 높은 수준의 충실도를 유지했다. H-D1은 자극물 칼라의 변형과 삭제, 어깨 부분 절개, 스케치의 절개선이 벨트로 변형되거나, 포켓이 무늬로 변형 되는 등 광범위한 부분에서 변형된 디테일이 생성되었다. H-D2 역시 칼라와 네크라인 변형, 여밈 및 절개선 변형, 비대칭 디자인 등 자극물에 없던 다양한 디테일이 생성되었는데, 쇄골을 표현했던 연필 선이 디자인 디테일로 변형되기도 했다<Fig. 2>. D-D1은 칼라의 사이즈와 위치, 그리고 네크라인 등은 원본과 유사한 대칭형 디자인을 보였고, D-D2도 단추가 등장하거나 어깨 장식 부분 디테일이 응용되었으나 변화가 크지 않고, 여밈이나 네크라인, 절개선 등도 원본과 유사했다.

<Fig. 2>

Comparison of AI Results

실루엣에서 X자형의 안정적인 결과를 보인 것을 제외하고, 핸드 드로잉과 디지털 드로잉은 동일한 디자인이라도 생성된 결과물의 차이를 보였다.

컬러에서 핸드 드로잉은 다양한 색상 팔레트 생성에 강점을 보였다. 색상은 빨강(R), 연두(GY), 검정(BK), 골드(GL) 등이 나타났고, 강력한 v톤부터 부드러운 ltg까지 폭넓은 범위의 톤도 나타났다. 이는 손으로 그린 선의 불규칙성이 AI가 다양한 색을 생성하는 데 기여했음을 시사한다. 한편, 디지털 드로잉은 색상이 제한적으로 나타나 BK, GL만 생성되고, 톤도 p톤에 집중되어 있다. 이는 디지털 도구가 제공하는 정밀성과 제한적인 자유도가 색상 표현에 영향을 미쳤음을 시사한다.

핸드 드로잉의 아이템은 아우터(4개), 상의(2개), 스커트(3개), 드레스(2개) 등으로 나타났는데, 자극물에 없던 새로운 조합이 등장하여 디자인 아이디어 확장에 기여할 가능성을 보여주었다. 반면, 디지털 드로잉은 아우터(6개), 상의(3개), 스커트(1개), 바지(1개)로 나타나 자극물과 유사한 조합이 많았다. 이는 디지털 도구가 자극물의 구조적 요소를 충실히 반영했음을 보여준다. 또한 핸드 드로잉에서 가장 활발한 변형이 나타난 디테일은 길이 변경(2건), 네크라인(6건), 소매 및 어깨(6건), 포켓(3건), 벨트(2건) 등 광범위한 변동성을 보인 반면, 디지털 자극물은 변형이 있어도 자극물과 유사한 형태를 유지하거나 단순한 변화를 보였다.

세부적인 분석 결과는 아래 <Table 4>와 같다. 이러한 결과는 핸드 드로잉 선의 불규칙성과 우연성이 생성형 AI의 자유도를 높여 다양성을 이끌어내고, 디지털 드로잉이 가지고 있는 균일한 선의 정확성이 자유도를 낮춰 다양성이 줄어든 것으로 유추된다. 이는 핸드 드로잉의 인체에 그려진 선이 디자인 디테일로 변형되거나, 핸드 드로잉에서 다리로 인식되던 자극물의 바지가 디지털 드로잉에만 등장하는 것 등을 통해 알 수 있다.

<Table 4>

Comparative Analysis of AI-Generated Images: Hand Drawing vs. Digital Drawing in Design Sketch Stage

결론적으로, 다양성 면에서는 핸드 드로잉이, 정확성 면에서는 디지털 드로잉이 강점을 나타냈다. 따라서 동일한 AI 도구도 일괄된 방법보다 목적에 맞는 방법을 세밀하게 선택해야 한다. 즉, 초기 디자인 탐색 및 브레인스토밍 단계에서는 광범위한 창의적 옵션을 생성하는 능력이 발휘되는 손으로 그린 스케치를 사용하는 것이 좋다. 일관성과 초기 디자인 준수가 우선시되는 후기 단계에는 디지털로 생성한 스케치를 사용해 정확하고 구체적인 프로토타입을 제작함으로써 효율성을 극대화할 수 있을 것이다.

(1) 디자인 요소 - 컬러

D1 자극물에 컬러값 회색 RGB(150,150,150)와 분홍색 RGB(141,97,107), 그리고 짙은 분홍색 RGB(109,29,63)를 지정하고, D2에 회색 RGB(150,150,150)와 분홍색 RGB(141,97,107), 짙은 회색 RGB(69,68,67), 그리고 밝은 회색 RGB(242,242,242)를 지정했을 때, 컬러를 정확하게 구현한 결과물(1개)을 생성하였고, 나머지 결과물 2개에서는 색상 구현 정확도가 67%, 50%로 나타났다. D2의 결과물 중 체크무늬가 추가된 디자인이 생성되었지만, 동일 색상 안에서 변형되었다. 컬러를 제외한 나머지 요소들 - 실루엣, 아이템, 소재, 디테일에 있어서 대부분 80% 이상의 정확도(Precision Score: 원본 자극물 대비 일치율)를 보였다<Table 5>. 바지의 색상을 지정하자, 디자인 스케치 단계에서 인식이 어려웠던 바지에 대한 인식률도 높아졌다. 따라서, 마인드프린트에서 컬러를 지정했을 때, 소재와 그림자, 음영 등을 반영한 실사와 같은 결과물을 조건에 맞춰서 생성하기 때문에 디자인 모델링 단계에서 시간 단축과 예측 정확성을 높이는 데 도움을 줄 것으로 예상해 볼 수 있다.

<Table 5>

Results of Colors as Stimuli

(2) 디자인 요소 – 문양

① 사실적 문양의 적용

사실적 꽃문양 지정시, D1의 경우, 문양 크기, 색, 위치가 거의 정확하게 구현된 결과물(1개)가 생성되었고(문양 정확도 90%), 나머지 2개 결과는 문양의 위치나 크기는 유지되었으나 색에 변화가 각각 70% 정확도로 나타났다. 나머지 통제변인 - 실루엣, 아이템, 소재, 디테일 변형은 대부분 80% 이상 자극물을 구현했다<Table 6>. 어깨 부분에 패턴을 디자인한 D2는 실루엣과 소재, 아이템의 변화가 없는 결과물1도, 문양이 위치만 유지된 채, 입체적인 장식과 드레이핑 장식으로 변형되어 원본과 전혀 다른 디자인이 생성되었다(문양 정확도 30% 이하). 다른 결과물도 일치도가 전체적으로 낮았다<Table 6>.

<Table 6>

Results of a Realistic Pattern as a Stimulus

<Table 7>

Results of an Abstract Pattern as a Stimulus

② 추상적 문양의 적용

추상적 꽃문양 지정 시, D1은 문양 크기, 색, 위치가 거의 정확하게 구현된 결과물(3개)가 생성되었고(문양 정확도 90%), 나머지 통제변인 - 실루엣, 아이템, 소재, 디테일 변형은 60% 이상의 정확도를 구현했다. D2는 D1보다는 상대적으로 변화 양상이 뚜렷했는데, 문양이 충실하게 구현된 결과물(1개)외 나머지 결과는 입체적인 장식으로 변형되었고, 아우터 컬러가 전혀 다른 색으로 생성되었다.

디자인 모델링 단계에서는 지정된 요소를 충실히 구현하여 정확한 프로토타입을 생성하는 것이 중요하다. 마인드프린트에 컬러와 문양(사실적/추상적)을 지정한 탐색적 연구 결과, 색상면에서는 자극물 모두 3가지 이상의 색상 팔레트 지정에서 색을 100% 재현한 결과물을 1개 이상 생성하였다. 변인 외에 통제 변인도 일관되게 생성되어 모델링 단계에서 컬러 변형의 프로토타입 제작이 필요한 경우, 마인드프린트를 활용한다면 효율이 획기적으로 높아질 것이다.

문양의 경우에는 컬러와 다소 다르게, 자극물의 영향을 많이 받는 것으로 나타났다. D1은 사실적/추상적 문양 모두에서 90% 이상의 정확도를 보인 반면, D2는 1개의 결과물(문양 정확도 90%)을 제외하고 모두 30% 이하의 정확도를 보였다. 이러한 결과는 문양의 위치 차이에서 기인한 것으로 보인다. D2에서 어깨에 문양을 지정했을 경우, 사실적/추상적 문양 모두 입체적인 장식으로 변형했기 때문이다. 마인드프린트가 학습한 데이터에 그와 유사한 디자인이 많았을 것으로 예상된다. 따라서, 문양에 대한 모델링을 진행할 경우, 어깨부분의 변형은 더 명확하고 자세한 지침을 제약조건으로 작업할 필요가 있다.

(1) 생성형 AI에 대한 인식 차이: 사용 경험과 유용성에 대한 인식의 상관관계

생성형 AI에 대한 인식은 사용 경험에 따라 차이가 있었다. 경험이 많을수록 AI에 대한 신뢰도가 높았는데, 이는 AI의 유용성에 대한 인식에 긍정적인 영향을 주었다. 이는 교육 AI 도입을 위해서는 우선적으로 제도나 환경개선 등을 통해 반강제적, 의도적으로 교수자의 AI 사용률을 높일 필요가 있다는 것을 시사한다.

학교 정책 등 외부적 요인이나, 개인적인 관심에 의해 시작되는 교수자의 AI 사용 경험이 긍정적일 경우에, 지속적인 사용이라는 결과를 초래하고, 이는 유용성에 긍정적 영향을 끼친다. 하지만, 초기의 경험이 만족스럽지 않아 불안감이 높았던 경우, AI에 대한 부정적인 시각이 형성되고, 이는 사용을 중단시키는 결과를 가져왔다. 따라서 초기 경험은 복잡한 기능이나 다양한 활용법에 집중하기보다 흥미롭고 쉽고 유용한 방법에 접근해야 할 필요가 있다.

chatGPT 유료 버전을 사용하고 있어요. 유료 버전을 사용해야 Dall·E를 써서 이미지 생성을 할 수 있거든요...생성형 AI는 일단 굉장히 편리해요. 프롬프트 작성을 통해서 완성도 높은 사진을 몇 분 만에 보여준다는 면에서 마음에 들어요. (전문가A)

Copilot을 많이 사용하는 편이에요. 이미지 생성하는 것도 사용하긴 하는데, 그것보다는 대화형 ai를 더 많이 써요. 이것저것 물어보면 답변도 잘해주는데, 수업계획서 초안 잡을 때도 좋더라고요. (전문가B)

(2) 패션디자인 교육에서 이미지 생성형 AI의 현재 활용과 향후 사용 의도

이미지 생성형 AI의 현재 패션디자인 교육 활용도는 미미했지만, 추후 사용 의도는 긍정적으로 나타났다. You(2023)의 연구에서 전공과 관계없이 대다수 교수들이 AI의 교육 활용 비율이 낮았던 것처럼 본 연구에서도 1명만 수업에 활용했다. 개인적으로 AI 도구에 관한 관심을 두고 사용하는 경우에도, AI 도구가 아직은 부족한 수준이라고 생각하거나, 보조적인 수단으로써 사용이 좋을 것 같다는 의견이 대다수여서 AI의 유용성에 대한 인식이 부정적이고, 불안감이 높은 것을 알 수 있었다.

하지만, 전문가 모두 AI의 활용에 대해 그 방법은 막연하지만 향후 수업에 활용할 의사가 있음을 밝혔다. 하지만, AI 도구의 어려운 사용법은 자기효능감에 부정적인 영향을 가져와 사용 의도를 낮추는 것으로 나타났기 때문에, AI의 교육 활용을 위해서는 먼저, 유용성에 대한 인식을 높이고, 불안감을 낮추는 쉬운 교육 접목 방법에 관한 연구가 행해질 필요성을 다시 확인할 수 있었다.

AI 활용 의사는 당연히 있는데, 아직은 좀 부족한 것 같아요. 그리고 디자인 수업에서 활용하기에는 아직 잘 모르겠어요. 현업 VMD에서 AI를 사용하는 분의 말이, 기획하고 리서치 한 다음에 사람도 모크업(mock-up)을 만들고, AI로도 만들어서, 그 두 개를 모두 가지고 여러 사람이 모여서 회의를 한다고 하더라고요. AI를 활용은 하더라도, AI가 주체가 될 수는 없는 것 같아요. (전문가B)

Midjourney는 알아보니까 사용하기에 좀 어려운 것 같아서 아예 시작도 안했어요. (전문가B)

(3) 패션디자인 프로세스에서 생성형 AI의 최적 활용 : 디자인 스케치 단계의 시간 절약과 아이디어 발전

전문가들은 생성형 AI 툴이 디자인 스케치 단계에서 시간 절약과 효율성의 증가를 가져올 것으로 판단하였다. 패션디자인 프로세스에서 디자인 콘셉트 구체화 후, 디자인 스케치 단계에 활용되면 좋겠다는 공통 의견을 제시했다. 수작업에 의존하던 스케치에 AI를 활용하면, 시간 절약과 구체화 된 여러 디자인을 통해 아이디어 발전에도 도움이 될 수 있다고 했다. 이는 이 연구에서 디자인 스케치 단계에 생성형 AI 활용 실험을 시행한 설계의 타당성을 재확인해 준 결과이며, 전문가들은 AI 도구의 유용성을 효율성과 창의성 면에서 찾고 있음을 알 수 있었다.

디자인 콘셉트을 잡고 디벨롭(develope)시키는 과정에 AI가 활용되면 좋을 것 같아요. 디자인을 발전시키는 데 있어서 보조적인 역할로 도움을 줄 수 있을 것 같습니다. (전문가A)

디자인 콘셉트를 잡고 스케치를 10개 해오게 한 다음 그 중 마음에 드는 디자인을 골라 좀 더 발전시키는 방식으로 수업을 진행하는데, AI를 활용하면 이 과정에 드는 시간이 줄어들고 쉬워지지 않을까 하는 생각이 듭니다. (전문가B)

학생 본인이 가진 주제의 색감이나 실루엣을 디벨롭(develope)할 때, 도움을 받을 수 있을 것 같아요. 즉, 메인테마를 갖고 디자인을 발전시키는데 활용 가능하다 생각합니다.(전문가C)

(4) 패션디자인 교육에서 생성형 AI 활용을 위한 필수요소 : 프롬프트 작성 기술과 전공지식의 중요성

패션디자인 교육에 AI가 제대로 활용되려면, 선행 교육이 필요하고, 저학년보다는 고학년을 대상으로 하는 것이 더 바람직할 것으로 나타났다. 현재 수업에 AI 도구를 활용하고 있는 전문가A는 AI 도구를 활용하는 선행 학습의 필요성을 언급했다. 이는 입력된 프롬프트에 따라 결과물 차이가 크기 때문에 생성형 AI의 활용도를 높일 프롬프트 입력에 대한 전반적인 교육이 선행되어야 한다는 것이다. 이러한 필요성은 사용자가 원하는 정확한 결과를 위해 원하는 바를 정확하게 정의하는 프롬프트 작성 기술이 필요함을 강조한 Lee(2024)의 연구에서도 찾아볼 수 있다.

이뿐만 아니라, 정확한 프롬프트 작성을 위해서는 패션디자인 전공에 대한 이해도와 일정 수준의 학습이 선행되어야 함도 강조되었다. 구체적이고 의도를 내포한 프롬프트를 작성했을 때, 좀 더 구체적이고 세밀한 표현의 디자인 결과물을 얻을 수 있었던 Lee(2024)의 연구 결과에서도 볼 수 있다. 따라서, 저학년보다는 패션에 관한 용어와 기본 지식이 습득된 고학년을 대상으로 생성형 AI의 활용이 더 효과적이라는 예상을 할 수 있다.

정확하게 내가 원하는 바를 얻으려면, 프롬프트를 구체적으로 작성해야 하는데, 그러려면 결국 사전 지식이 필요할 수밖에 없어요. 패션 관련 용어, 원단 용어, 그리고 콘셉트를 설명하는 단어들 같은 것들에 관해 공부를 많이 해야 잘 활용할 수 있어요. (전문가A)

(5) 생성형 AI의 교육적 활용: 긍정적 영향과 잠재적 우려

교수자들은 이미지 생성형 AI의 유용성으로 단시간에 완성도 높은 다량의 결과물을 쉽게 얻을 수 있음을 언급했다. 하지만, 사용자 의도를 충분히 반영하지 못한 결과, 표절 문제, 결과물 완성도가 너무 높아 다양한 시도를 오히려 저해하거나, 손으로 그리면서 익히는 기본적인 효과들이 줄어들 수 있다는 불안감을 표했다. 이러한 결과는 Chung(2024), Zou et al.(2018)의 연구와도 결을 같이한다. 그리고 이 불안감은 AI에 대한 사용 경험이 낮을수록 더 커졌다. 결국, AI에 대한 교수자들의 인지된 유용성을 높이고 불안감을 낮추어야 사용에 대한 인식을 긍정적으로 바꿀 수 있다는 것을 알 수 있었다.

학생들이 AI 결과물에서 디벨롭(develope)을 멈춰버리는 경우가 있는데, 이런 부분은 단점이라고 생각합니다. (전문가A)

양적으로 풍부한 결과물을 얻을 수 있는 것이 가장 큰 장점이라고 생각하지만, 아직은 불완전한 측면이 많은 것 같습니다. 예를 들어 러닝이 잘못된 경우나 잘 안된 경우 내용을 전혀 모르는 것 같은 결과물이 나오기도 했습니다.(전문가B)

원하는 방향으로 주제를 끌어내는데 도움을 받을 수 있는 것과 어떤 틀에 갇혔을 때 다양한 선택지가 생긴다는 장점이 있다고 생각합니다. 다만 딥러닝을 통해 결과물이 나오기 때문에, 나의 의도를 왜곡할 수 있다는 단점이 존재한다고 생각합니다.(전문가C)

손으로 스케치를 그리고 지우고 하면서 스킬이 늘게 된다고 생각하는데 시간 단축과 더불어 그려나가는 과정에서 생기는 발전의 결여가 우려됩니다. (전문가D)

본인이 안하려고 하거나 다양한 시도를 하지 않게 될 수도 있어서 그런 부분이 걱정됩니다.(전문가E)

이미지 생성형 AI에 대한 전문가들의 인식과 태도에 대해 결과를 취합한 후, 본 연구의 탐색적 사례연구 결과물에 대한 평가를 요청하였고, 결과는 다음과 같다.

(1) 패션디자인 교육에서 마인드프린트의 가능성: 전문가들의 기술적 차별성 인식

마인드프린트의 '프롬프트 없이 스케치 업로드만으로 고품질 결과 생성' 기능은 기존 AI 도구와 차별화된다고 평가하였다. 이는 사용자가 복잡한 텍스트 프롬프트 작성 부담 없이 직관적으로 사용가능한 점에서 사용 용이성을 향상시키는 것으로 나타났다. 또한, 기대보다 높은 완성도의 마인드프린트 결과물로 생성형 AI에 대해 가지고 있던 불안감도 낮아짐을 보였다. Wang et al.(2021) 연구에서 불안감의 감소는 사용 의도에 긍정적인 영향을 미친 것과 마찬가지로 본 연구에서 전문가들도 마인드프린트 결과를 바로 수업에 활용가능 할 것으로 판단했다. 또한, 마인드프린트에 대한 높은 관심을 나타내면서, 사용 의도에 긍정적 영향을 미치는 흥미(Bai et al., 2021)도 증가했다.

우와. 결과물의 완성도가 생각했던 것보다 더 높네요. 이 정도로 나온다고 한다면 학교 수업에 바로 활용해도 될 것 같아요. 저도 쓸 수 없나요? (전문가A)

이미지만 업로드하면 이런 퀄리티의 결과가 나온다니 너무 편하네요. 프롬프트 작성도 안해도 되고. (전문가B)

생각보다는 결과물이 잘 나오는 것 같습니다. 제가 알고 있는 생성형 AI에서는 옷이 인체 위에 입혀져야 하는데 그런 부분에 대해서도 이해하고 있지 않은 것 같은 결과물들을 많이 봤었거든요. (전문가E)

(2) 마인드프린트의 확장된 활용: 디자인 스케치와 디자인 모델링 단계에서의 실용성 평가

마인드프린트는 아이디어 발상 단계에서 창의적 실험을 촉진할 것으로 평가받았다. 특히 스케치의 불규칙한 선을 재해석하는 것이 디자인 사고 확장에 기여 할 것으로 보았다. 또한, 모델링 단계 결과물의 컬러와 문양 구현 정확도에 기반하여 샘플링 단계에서 활용하면 효율성을 증대시킬 것으로 보았다. 이는 사전 인터뷰에서 디자인 스케치 단계 활용가능성만을 언급한 의견에서 변화한 결과이다. 이는 마인드프린트의 ‘Sketch-to-Image’ 기능이 프로세스 단계별 적절한 결과물을 생성했고, 이 결과물이 교수자들의 AI에 대한 인지된 유용성과 사용 용이성에 긍정적 효과를 가져왔다는 것을 의미한다.

옷으로 만들어보지 않고도 원단으로 만든 것을 보여줄 수 있다고 한다면 CLO보다 훨씬 더 간편하게 할 수 있을 것 같아요. CLO는 조금 수정하려면 시간도 오래 걸리고 다른 게 다 망가질 수도 있고 어려운데 이건 훨씬 쉬워서 활용도가 높을 것 같아요. (전문가A)

베리에이션(variation)을 해준다는 면에서 활용 가능 할 것 같습니다. 내가 생각하지 못한 디자인을 생각하게끔 한다는 점에서 더 많은 디자인을 경험해 볼 수 있겠네요. (전문가D)

원단문양을 생성할 때도 도움을 받을 수 있을 거라고 생각됩니다. (전문가E)

(3) 상업적 디자인 도구로서의 마인드프린트

전문가들은 마인드프린트 결과물에 대해서 높은 완성도와 함께 상업적인 디자인에 적합한 결과물로 AI 도구의 유용성을 평가했으며, 현업 디자이너에게 실제적인 도움이 되리라 판단했다. 따라서, 패션 산업과 연계된 교육을 염두에 둘 경우, 상업적인 디자인을 학습한 마인드프린트가 다른 생성형 AI 도구와 차별화되는 강점이 있음을 알 수 있다.

브랜드 입장에서 보면 상업적인 게 더 도움이 될 것 같기도 해요. 브랜드는 내 마음대로 하는 게 아니라, 명확한 스토리에 맞추는 능력이 필요한데, 이것을 어떻게 보면, 마인드프린트가 잡아줄 수도 있을 것 같아요. (전문가A)

브랜드에서 실장님이 테마를 정해주면, 디자이너들이 다양한 디자인을 하고, 그중에서 가장 괜찮은 것을 픽하는 거기 때문에 디자이너 A, B, C가 하는 일을 줄여줄 수 있을 거라고 생각됩니다. (전문가C)

(4) 기타 의견

마인드프린트 결과물은 완성도가 높고, 초기 단계의 디자인이나 디테일 등을 실제처럼 구현해 준다는 것은 장점으로 평가되었다. 한편, 아이디어를 발전시키는 데 시간과 노력을 줄여준다는 장점은 있지만, 결과물이 이미지이기 때문에, 실제 옷을 제작할 때는 캐드(CAD)나 클로(CLO) 등의 프로그램으로 다시 추가 작업이 필요하다는 것은 개선되면 좋을 것으로 언급되었다. 따라서 마인드프린트가 향후 다른 프로그램과의 호환이 가능해진다면, 그 활용도가 더욱 높아질 것으로 예상한다.

단순히 스케치를 보여주는 것에서만 끝나는 게 아니라 캐드 같은 프로그램과도 연계가 되서 옷 디자인을 해주고, 패턴도 그려주면 너무 좋겠어요. (전문가B)

AI 도구의 패션디자인 교육 활용에 대한 전문가 심층 면담 결과는 다음과 같이 요약할 수 있다.

첫째, 패션디자인 교육 전문가들은 AI 도구의 유용성을 인지하고 있으나, 막연한 불안감과 구체적 방법의 부재로 현재 수업에 활용하는 정도는 낮은 것으로 나타났다. 패션디자인 교육에서 AI 도구의 효용성을 효율성과 창의성에서 찾으면서도, AI의 불완전성과 윤리적 문제 등에 대한 인지된 불안감도 존재했다. 심층 면담 결과에 따르면, 기술적으로 뛰어난 AI 도구라 할지라도 사용자의 경험과 노출 정도가 지속적 사용 의도에 영향을 미치는 만큼 교수자에 대한 AI 도구의 자발적 또는 비자발적 노출이 필요함을 발견하였다.

둘째, 패션디자인 교육에 생성형 AI의 효율적 활용을 위해서는 기술 도입 여부의 핵심적 역할을 하는 교수자 중심의 교육과 노출뿐만 아니라, 학습자 중심 선행 교육의 필요성도 도출되었다. Cha and Im(2023)에서 영어 교수자들이 실제 수업에 생성형 AI의 구체적 활용 방법 모색을 어려워한 것처럼, 본 연구의 심층 면담에 참여한 전문가들도 막연한 적용안을 제시하는 것에 그쳤다. Cha and Im(2023)의 제안처럼 패션디자인 교육도 AI 적용 및 확대를 위해서는 교수자 중심의 AI 교육이 선행되어야 하며, 이는 학습자도 마찬가지다. 또한, 기술이 유용하더라도 사용하기 쉽지 않다면, 교수자는 기존 상태를 유지하거나 다른 옵션을 선택할 가능성이 크기 때문에(Teo, 2019), AI 기술의 도입에 있어서 추가로 학습해야 하는 시간과 부담을 줄여주고, 사용 용이성이 높은 AI 도구의 도입이 필요하다.

또한, 학습자 입장에서는 생성형 AI 사용 효율성을 위해서는 사용자 스스로 생성 결과의 옳고 그름에 관한 판단 능력과 정확한 프롬프트 작성 역량을 갖추고 있어야 하므로, 생성형 AI를 적용한 교육과정은 저학년보다는 전공에 대한 이해와 지식이 습득된 고학년에 더 적합할 것으로 생각한다.

셋째, 패션디자인 교육 전문가들이 판단한 마인드프린트의 Sketch to Image 결과물은 교수자들의 AI 도구에 대한 유용성과 사용 용이성, 흥미를 높이고, 불안을 낮춰, 사용 의도에 긍정적인 영향을 주는 것으로 나타났다. 또한, 패션디자인 프로세스 중, 디자인 스케치와 디자인 모델링 단계에 적합한 것으로 판단되었다. 전문가들은 상업적인 디자인 결과물을 생성하는 것으로 설계된 마인드프린트의 목적에 맞는 결과를 도출해 냈으며, 실무와 연계된 패션디자인 수업에 유용할 것으로 판단하였다.