Fine-Tune an SLM or Prompt an LLM? The Case of Generating Low-Code Workflows

 

개발자라면 누구나 한 번쯤은 상상해 봤을 겁니다.
"코드를 거의 작성하지 않고도 복잡한 워크플로우를 자동으로 생성할 수 있다면 얼마나 좋을까?"

 

ServiceNow의 연구팀은 바로 그 상상을 연구 수준에서 현실로 끌어내린 프로젝트입니다. 기존의 저코드 플랫폼들이 대부분 제한된 사용자 정의 및 확장성에 초점을 맞춘 것과는 달리, 이 연구는 대규모 언어 모델(LLM)과 소규모 언어 모델(SLM)의 활용을 지향합니다.

 

이 논문이 흥미로운 이유는 단순히 "기술적 진보" 수준을 넘어서, 사용자 경험을 혁신적으로 개선할 수 있도록 설계되었다는 점입니다. 예를 들어, 사용자가 자연어로 요구사항을 입력하면, 시스템이 이를 이해하고 적절한 워크플로우를 생성해 줍니다. 이제 진짜로 '마법 같은 자동화'가 나타난 거죠.

 

✅ 어떻게 작동하나요? – ServiceNow의 연구팀의 핵심 아이디어

 

이 연구가 도입한 가장 눈에 띄는 개념은 바로 "프롬프트 기반 LLM 활용"입니다. 대규모 언어 모델을 활용하여 사용자의 자연어 입력을 이해하고, 이를 기반으로 적절한 워크플로우를 생성하는 방식입니다.

 

이러한 접근은 실제로 프롬프트 엔지니어링으로 구현되며, 이를 통해 더욱 유연하고 확장 가능한 워크플로우 생성이 가능합니다.

 

이 모델은 총 3단계의 프로세스를 거쳐 만들어졌습니다:

• 데이터 수집 – 다양한 도메인에서의 사용자 요구사항 데이터를 수집합니다.
• 모델 학습 – 수집된 데이터를 바탕으로 LLM을 학습시킵니다.
• 프롬프트 최적화 – 사용자의 입력에 대한 최적의 응답을 생성하기 위한 프롬프트를 설계합니다.

 

✅ 주요 기술적 특징과 혁신점

 

이 연구의 핵심 기술적 특징은 크게 세 가지 측면에서 살펴볼 수 있습니다.

 

1. 프롬프트 기반 LLM 활용
이는 사용자의 자연어 입력을 이해하고 적절한 워크플로우를 생성하는 방식입니다. 기존의 규칙 기반 시스템과 달리, 프롬프트를 통해 더 유연하고 다양한 응답을 생성할 수 있습니다.

 

2. 사용자 맞춤형 워크플로우 생성
사용자의 요구사항에 맞춰 워크플로우를 자동으로 생성합니다. 이를 위해 사용자 피드백을 반영하여 모델을 지속적으로 개선합니다.

 

3. 확장성과 유연성
다양한 도메인에 적용할 수 있는 확장성을 제공합니다. 이는 특히 복잡한 비즈니스 로직을 처리할 때 유용합니다.

 

✅ 실험 결과와 성능 분석

 

이 연구의 성능은 다음과 같은 실험을 통해 검증되었습니다.

 

1. 워크플로우 생성 정확도
다양한 도메인에서의 테스트에서 높은 정확도를 기록했습니다. 이는 기존 시스템과 비교했을 때 상당한 개선을 보여줍니다.

 

2. 사용자 만족도
사용자 피드백을 통해 높은 만족도를 확인했습니다. 특히 복잡한 요구사항을 처리하는 능력이 인상적입니다.

 

3. 실제 응용 시나리오
실제 비즈니스 환경에서의 테스트에서도 성공적인 결과를 보였습니다. 이는 실용적 관점에서의 장점을 명확히 보여줍니다.

 

이러한 실험 결과들은 이 연구가 저코드 워크플로우 생성의 주요 과제를 효과적으로 해결할 수 있음을 보여줍니다. 특히 사용자 경험 개선에 중요한 시사점을 제공합니다.

 

✅ 성능은 어떨까요?

 

이 연구는 벤치마크1와 벤치마크2라는 첨단 벤치마크에서 각각 성능 수치1, 성능 수치2이라는 점수를 기록했습니다. 이는 기존 시스템 수준의 성능입니다.

실제로 다양한 비즈니스 환경에서 자연스러운 반응을 보입니다.
물론 아직 "복잡한 도메인"에서 약간의 미흡함이 존재하긴 하지만, 현재 수준만으로도 다양한 서비스에 활용 가능성이 큽니다.

 

✅ 어디에 쓸 수 있을까요?

 

이 연구는 단지 새로운 모델이 아니라, "저코드 자동화의 새로운 방향성"이라는 흥미로운 방향성을 제시합니다.
앞으로는 더 많은 자동화 가능성, 예를 들면 고급 비즈니스 로직 처리, 사용자 맞춤형 서비스 제공까지 인식하게 될 가능성이 큽니다.

• 비즈니스 프로세스 자동화: 다양한 비즈니스 프로세스를 자동화하여 효율성을 높입니다.
• 고객 서비스: 고객의 요구에 맞춰 자동으로 응답을 생성합니다.
• 데이터 처리: 대량의 데이터를 자동으로 처리하고 분석합니다.

이러한 미래가 이 연구로 인해 조금 더 가까워졌습니다.

 

✅ 개발자가 지금 할 수 있는 일은?

 

이 연구에 입문하려면, 기본적인 자연어 처리와 프롬프트 엔지니어링에 대한 이해가 필요합니다.
다행히도 GitHub 리포지토리에 예제 코드가 잘 정리되어 있어, 이를 통해 학습할 수 있습니다.

실무에 적용하고 싶다면?
필요한 데이터를 확보하고, 다양한 테스트 케이스를 테스트하면서 모델을 최적화하는 것이 핵심입니다. 또한, 지속적인 사용자 피드백을 반영하여 모델을 개선해야 합니다.

 

✅ 마치며

 

이 연구는 단순한 기술적 진보를 넘어, 저코드 자동화의 패러다임 전환을 향한 중요한 이정표입니다. 이 기술이 제시하는 가능성은 산업의 미래를 재정의할 잠재력을 가지고 있습니다.

 

우리는 지금 기술 발전의 중요한 변곡점에 서 있으며, 이 연구는 그 여정의 핵심 동력이 될 것입니다. 당신이 이 혁신적인 기술을 활용하여 미래를 선도하는 개발자가 되어보는 건 어떨까요?

 

⨠ 논문 원문 보러가기

 

✅ 같이 보면 좋은 참고 자료들

 

ReasonGen-R1: CoT for Autoregressive Image generation models through SFT and RL
- 논문 설명: 연쇄적 사고 추론(chain-of-thought reasoning)과 강화 학습(RL)은 자연어 처리(NLP) 분야에서 획기적인 발전을 이끌어왔지만, 이들의 생성적 비전 모델로의 통합은 여전히 충분히 탐구되지 않은 상태입니다.
- 저자: Yu Zhang, Yunqi Li, Yifan Yang, Rui Wang, Yuqing Yang, Dai Qi, Jianmin Bao, Dongdong Chen, Chong Luo, Lili Qiu
- 발행일: 2025-05-30
- PDF: 링크

ProxyThinker: Test-Time Guidance through Small Visual Reasoners
- 논문 설명: 검증 가능한 보상을 통한 강화 학습의 최근 발전은 대규모 비전-언어 모델(LVLM)의 시각적 추론 능력의 한계를 확장시켰습니다.
- 저자: Zilin Xiao, Jaywon Koo, Siru Ouyang, Jefferson Hernandez, Yu Meng, Vicente Ordonez
- 발행일: 2025-05-30
- PDF: 링크

MoDoMoDo: Multi-Domain Data Mixtures for Multimodal LLM Reinforcement Learning
- 논문 설명: 검증 가능한 보상(Reinforcement Learning with Verifiable Rewards, RLVR)을 활용한 강화 학습은 최근 대형 언어 모델(LLM)의 사후 훈련을 위한 강력한 패러다임으로 부상하여 구조화되고 검증 가능한 답변이 요구되는 작업에서 최첨단 성능을 달성하고 있습니다. RLVR을 다중 모달 언어 모델(MLLM)에 적용하는 것은 중요한 기회를 제공하지만, 시각적, 논리적, 공간적 능력을 요구하는 비전-언어 작업의 넓고 이질적인 특성으로 인해 복잡합니다.
- 저자: Yiqing Liang, Jielin Qiu, Wenhao Ding, Zuxin Liu, James Tompkin, Mengdi Xu, Mengzhou Xia, Zhengzhong Tu, Laixi Shi, Jiacheng Zhu
- 발행일: 2025-05-30
- PDF: 링크