[러닝랩] 과학기술 혁신 리빙랩(생활실험실) 방법론 3.0 연구회

(수시 1차) 지능형 리빙랩 3.0 구축을 위한 데이터 구조화 및 AI (LLM) 로직 설계

▣ 일시 : 2026. 04. 24 12:00 ~ 16:00

▣ 장소 : 태화갤러리카페

▣ 주제 : 기존 리빙랩 2.0 워크북 데이터 구조화

▣ 참석자 : 연구회 참석자 총 5명 (강성일, 정종백, 김인수, 김선희, 안진용)

▣ 주요 내용

1. 학습개요

⚪ 주제: 기존 리빙랩 2.0 워크북 데이터 구조화

⚪ 핵심 키워드: 리빙랩 3.0, 워크북 데이터 구조화, AI 추천 알고리즘, 생성형 AI (LLM)

⚪ 활동 개요: 기존 리빙랩 2.0 워크북에 축적된 실전 데이터를 분석하여 AI 학습이 가능한 파라미터로 변환하고, 사용자 데이터를 기반으로 한 최적 활동 도출 알고리즘 로직 설계 방향을 논의함.

2. 학습 모임 내용

2.1 학습 목표

⚪ 기존 리빙랩 2.0 워크북 데이터의 구조화 및 파라미터화

⚪ AI-Assisted 리빙랩 알고리즘 로직 설계 기초 수립

⚪ 리빙랩 3.0 방법론 자동화를 위한 LLM 활용 방안 탐색

2.2 학습 내용

2.2.1 기존 리빙랩 2.0 워크북 데이터의 구조화 및 파라미터화

⚪ 내용: AI 학습용 기초 데이터셋 구축

⚪ 활동: 기존 리빙랩 2.0 워크북의 실전 데이터를 분석하여 AI 학습이 가능한 형태의 파라미터로 변환하였음. 또한, 리빙랩의 비전, 구체적 목표, 팀의 상황(구성원 수, 가용 예산 등)을 주요 입력 변수로 범주화함.

⚪ 학습 포인트: 각 데이터 항목별 연관 관계를 분석하여 AI 추천 알고리즘의 기초 로직 설계를 위한 기반을 마련함.

2.2.2 AI-Assisted 리빙랩 알고리즘 로직

⚪ 내용: 사용자 데이터 기반 단계별 활동 추천 체계 검토

⚪ 활동: 사용자 입력 데이터를 분석하여 리빙랩 단계별 최적 활동을 도출하는 알고리즘 로직 설계 방향을 논의함. 문제 탐색, 공동 창조, 현장 실증, 평가 등 각 프로세스별로 매칭될 수 있는 파라미터 값을 정의함.

⚪ 학습 포인트: 리빙랩 1.0, 2.0을 통해 축적된 성과를 3.0 (지능화) 수준으로 퀀텀 점프 시키기 위한 데이터 연동 전략을 수립함.

2.2.3 리빙랩 3.0 방법론 자동화를 위한 LLM 활용 방안 탐색

⚪ 내용: 생성형 AI(LLM) 기반의 지능형 플랫폼 개념 설계

⚪ 활동: 구조화된 워크북 데이터를 바탕으로 LLM이 맞춤형 가이드를 제공할 수 있도록 지원 플랫폼 프레임워크를 검토하고, 실제 수행자가 플랫폼을 통해 체계적으로 프로젝트를 운영할 수 있도록 서비스별 화면 설계(와이어프레임)와의 연계성을 논의함.

⚪ 학습 포인트: 향후 진행될 '최적 프롬프트 도출' 및 '성과 예측 로직' 설계를 위한 데이터 구조의 타당성을 검토함.

2.2.4 학습 마일스톤 점검 및 향후 추진 계획

⚪ 내용: 1단계 기본 학습 기간 목표 달성 현황 확인

⚪ 활동: 정기·수시 오프라인 모임을 통해 구성원의 전문성을 결집하고, 데이터 분석의 정밀도를 높이는 데 집중함.

⚪ 학습 포인트: 다음 학습 단계인 'AI/알고리즘 전문가 초청 자문 회의' 준비 및 관련 학술 자료 수집 계획을 수립함.

3. 학습 성과

⚪ 기존 리빙랩 2.0 워크북의 데이터를 AI 학습이 가능한 파라미터로 변환 및 범주화함.

⚪ 사용자 입력 데이터를 기반으로 리빙랩 프로세스별 최적 활동을 도출하기 위한 알고리즘 로직의 설계 방향과 파라미터 값을 정의함.

⚪ 생성형 AI 기반 지능형 플랫폼의 개념을 설계하고, 향후 프롬프트 및 로직 설계를 위한 데이터 구조의 타당성을 확인함.

⚪ 1단계 학습 목표 달성 현황을 점검하고, 다음 단계인 전문가 초청 자문 회의 계획을 구체화함.

ㅡ 학습활동사진