시각·언어 통합 모델
Vision-Language Model
한 줄 정의
이미지와 텍스트를 함께 이해하도록 학습된 모델로, AI가 우리 제품 사진·로고·매대 이미지까지 분석한다는 사실의 기술적 배경입니다.
자세히 알아보기
VLM은 이미지 인코더와 언어 모델을 결합해, 사진을 본 상태에서 자연어로 답하거나 추론할 수 있게 만든 모델입니다. GPT-4o의 비전 기능, Claude의 이미지 이해, Gemini, Qwen-VL 같은 것들이 모두 이 범주에 속합니다. 멀티모달 모델 중에서도 '이미지 + 텍스트' 조합을 가장 활발하게 쓰는 형태라고 보면 됩니다.
마케팅 관점에서 의미 있는 포인트는 두 가지입니다. 하나는 'AI가 우리 브랜드의 시각 자산을 직접 해석한다'는 사실, 다른 하나는 '시각 검색·이미지 기반 질문이 새로운 인입 경로가 된다'는 사실입니다. 사용자가 매대 사진을 찍어 'XX 제품 어디서 살 수 있어?'라고 묻는 흐름이 점점 자연스러워지고 있습니다.
현장에선 alt 텍스트, 이미지 파일명, 캡션, 패키지 위 텍스트 가독성 같은 요소가 새 의미를 갖습니다. VLM이 사진에서 글씨를 읽고 그걸 단서로 답을 만들기 때문에, '시각 자산 자체가 콘텐츠'라는 인식이 필요합니다.
관련 용어
멀티모달 모델
텍스트뿐 아니라 이미지·오디오·비디오 같은 여러 형식의 입력을 함께 이해하고 다룰 수 있는 LLM을 가리킵니다.
LLM멀티모달 검색
텍스트뿐 아니라 이미지·음성·비디오까지 입력으로 받아 답을 찾아주는 검색 방식으로, '사진 찍어 묻는' 사용자 행동이 만든 새로운 인입 채널입니다.
LLM임베딩
텍스트·이미지 같은 데이터를 의미를 보존한 채 숫자 벡터로 바꾼 결과로, 시멘틱 검색·벡터 DB·RAG의 출발점입니다.
LLMLLM
방대한 텍스트 데이터로 학습돼 사람의 언어를 이해하고 생성하는 대규모 신경망 모델로, ChatGPT·Claude·Gemini의 기반이 됩니다.
LLMRAG
LLM이 답하기 전에 외부 문서나 검색 결과를 가져와 근거로 활용하는 구조로, ChatGPT Search·Perplexity 같은 AI 검색 답변의 핵심 기법입니다.