닉 나이트가 AI 데이터셋을 직접 만든다

인터넷 이미지를 무차별적으로 학습시키는 대신, 자신이 찍은 이미지로 AI를 훈련하는 창작자가 있다. SHOWstudio 창립자 닉 나이트는 모델과 의상을 직접 반복 촬영해 독자적인 데이터셋을 만들고 있다. 데이터의 양을 외부 인터넷에 맡기지 않고, 어떤 모델과 어떤 옷이 학습 재료가 되는지 자신이 관리하는 방식이다. AI 결과물의 출발점을 창작자가 통제하는 셈이다.

그가 겨냥하는 것은 기존 사진을 그럴듯하게 복제하는 도구가 아니다. 나이트는 스틸 이미지를 움직이는 이미지로 전환하며, 사진과 영화 사이에 놓인 새로운 이미지 매체를 실험한다. AI 이미지가 기존 작품의 직접 복사가 되어서는 안 된다고 보는 이유도 여기에 있다. 생성 기술의 새로움은 남의 결과물을 다시 만드는 데서가 아니라, 사진을 움직임으로 확장하는 표현 방식에서 찾아야 한다는 주장이다.

이 실험에서 데이터와 권리는 분리되지 않는다. 나이트는 패션 모델의 디지털 likeness, 즉 얼굴과 신체를 식별할 수 있는 디지털 초상에 대한 권리를 모델 본인이 가져야 한다고 강조한다. 누구의 이미지를 학습시키는지, 그 이미지를 어떤 결과물로 바꾸는지, 그리고 그 권리를 누가 갖는지가 AI 제작의 핵심 조건이라는 뜻이다.

출처 · The Business of Fashion, 「Nick Knight Is Building His Own AI」

60명 규모의 스튜디오를 운영하는 켈리 웨어스틀러는 AI를 별도의 미래 기술로 떼어놓지 않는다. 그는 이미지와 디자인 작업에 AI를 활용하며, 인테리어·건축·라이선싱·크리에이티브 디렉션·갤러리·뉴스레터로 넓어진 스튜디오의 작업 안에 이 도구를 배치하고 있다. AI를 디자인 감각을 대신하는 주체라기보다 여러 분야를 오가는 제작 과정의 한 도구로 쓰는 접근이다.

웨어스틀러의 디자인 감각은 어린 시절 가족과 함께 다닌 중고품점, 벼룩시장, 경매에서 자랐다. 색상과 타이포그래피, 가구를 직접 관찰하며 익힌 감각이 현재의 작업으로 이어진다. 그래서 그녀에게 패션과 인테리어는 분리된 산업이 아니라 자기표현이 이어지는 한 흐름이다. AI를 쓰더라도 판단의 기준은 도구 자체가 아니라 축적된 관찰과 선택에 남는다.

H&M Home과 선보인 협업은 이 감각을 대중 시장으로 옮긴 사례다. 패션과 홈을 아우르는 29개 제품 컬렉션을 통해, 대량 시장에서도 디자인과 품질을 구현할 수 있다고 말한다. 여기서 AI의 역할은 컬렉션의 숫자를 늘렸다는 데 있지 않다. 오랜 감각을 여러 매체와 제품으로 확장하는 스튜디오의 작업 속에 AI가 들어왔다는 점이 핵심이다.

출처 · The Business of Fashion, 「Kelly Wearstler on What Waiting Tables Taught Her About Design」

RealSnap의 클리어런스는 생성 이미지를 발행하기 전에 기존 이미지와의 유사도 위험 신호를 점검하는 기능이다. 쇼핑몰 상세컷 담당자와 브랜드 마케터는 검사 대상을 따로 모으고 검색 결과를 흩어져 확인하는 수고를 줄일 수 있다.

특히 이미지 버전이 잦은 소규모 브랜드 팀과 1인 셀러에게 맞는다. 검사 결과를 바탕으로 발행 전 검수와 수정 여부를 나누어 판단할 수 있기 때문이다.