정보 검색 시스템으로 데이터 관리 강화

특정 작업을 처리할 최적의 인재를 찾고 있는 부서 책임자라고 가정해 보겠습니다. 방대한 회사 데이터로 최적의 인재를 찾는 것은 거의 불가능하며, 특히 시간에 민감한 작업의 경우 더욱 그렇습니다.

게다가 모든 사람에게 특정 분야에 대한 충분한 지식이 있는지 물어볼 여유가 있는 사람이 있을까요?

하지만 시스템에 '누가 [작업]을 가장 많이 배정받았나요? '라고 간단히 물어보고 실제 데이터를 기반으로 즉각적이고 정확한 답변을 얻을 수 있다면 어떨까요? 이것이 바로 정보 검색 시스템이 하는 일입니다.

이러한 시스템은 산더미처럼 쌓인 데이터를 샅샅이 뒤져 필요한 정보를 정확히 찾아냅니다.

이제 이러한 아이디어를 글로벌 데이터베이스로 확장하면 방대한 양의 데이터를 정리하여 몇 초 만에 가장 관련성 높은 답변을 찾을 수 있도록 도와주는 IR 시스템이 있습니다. 이 가이드에서는 다양한 정보 검색 모델과 그 작동 방식, 그리고 IR 시스템에서 AI 기술의 역할에 대해 살펴봅니다.

### ⏰ 60초 요약

정보 검색(IR) 시스템은 대규모 데이터 수집에서 관련 정보를 찾는 데 도움을 주며, 필요한 정보를 찾기 위해 데이터를 선별하는 가상 비서처럼 기능합니다

iR 시스템에는 데이터베이스, 인덱서, 검색 인터페이스, 쿼리 프로세서, 검색 모델, 순위/채점 메커니즘 등 주요 구성 요소가 있습니다

📌 네 가지 주요 IR 모델이 사용됩니다: 부울(AND/OR/NOT 연산자 사용), 벡터 스페이스(문서를 벡터로 표현), 확률론적(통계적 접근법 사용), 용어 상호의존성(용어 간 관계 분석)

머신러닝 및 자연어 처리는 패턴 인식, 결과 순위, 문맥 이해를 개선하여 IR 시스템을 향상시킵니다

데이터 프라이버시, 확장성, 대규모 데이터 세트 처리 시 데이터 품질 유지 등 주요 과제 해결

정보 검색(IR)이란 무엇인가요?

정보 검색(IR)은 간단히 말해 디지털 라이브러리, 데이터베이스 또는 인터넷 아카이브와 같은 대규모 데이터 모음에서 올바른 정보를 찾는 것을 의미합니다.

산더미 같은 데이터를 샅샅이 뒤져서 필요한 정보를 정확히 찾아주는 가상 비서가 있는 것과 같습니다

표면적으로는 사용자가 특정 정보를 검색하기 위해 키워드나 구문을 사용해 쿼리를 입력합니다. 그 뒤에서는 고급 기술과 알고리즘이 검색 문자열을 분석하여 관련 데이터와 일치시킵니다

IR 시스템은 하나의 답변만 식별하는 대신 쿼리와 관련성이 서로 다른 여러 개의 오브젝트를 제공합니다. 또한, 모든 곳에서 사용되며 다양한 용도로 활용되고 있습니다(곧 자세히 설명할 예정입니다 🔔).

전문가 팁: 작업에 가장 숙련된 사람을 찾고 싶으신가요? 정보 검색 시스템에 '영업 보고서 분석 1분기 및 2분기 작업 할당'과 같은 특정 용어를 입력하세요. 이렇게 하면 관련 없는 데이터를 빠르게 걸러내고 누가 가장 많이 처리했는지 정확히 파악할 수 있습니다.

다양한 필드에서의 IR 활용 사례 ###

의료부터 이커머스까지, IR 시스템은 데이터를 관리하고 분류하기 위해 다양한 필드에서 사용되고 있습니다. 다음은 몇 가지 예시입니다 👇

헬스케어

의료 분야에서 IR 시스템은 의료 기록과 연구 논문 데이터베이스를 스캔하여 의사와 연구자가 가장 관련성이 높은 정보를 찾을 수 있도록 도와줍니다. 그 결과, 질병 진단 속도를 높이고, 치료 옵션을 식별하며, 관련 피드백을 통해 가장 관련성이 높은 연구를 찾을 수 있습니다.

고객 서비스

정보 검색 기술을 통해 고객 지원을 더 빠르고 정확하게 처리할 수 있습니다. 예를 들어, 상담원은 '환불 정책'과 같은 사용자 쿼리를 회사 시스템에 입력하여 즉각적인 답변을 가져오기 위해 노력할 수 있습니다.

정보 검색 기반의 AI 챗봇과 헬프 데스크는 한 단계 더 나아가 사람의 개입 없이 실시간 솔루션을 제공합니다. 그렇기 때문에 몇 초 만에 질문에 대한 답을 얻을 수 있는 경우가 많습니다!

이커머스 플랫폼

IR 시스템을 사용하면 온라인 쇼핑이 쉬워집니다. 데이터베이스를 분석하고 고객 행동을 매치하여 고객이 좋아할 만한 제품을 추천합니다.

예를 들어, Amazon은 IR을 사용하여 검색 기록과 이전 구매를 기반으로 항목을 제안하여 고객이 필요한 것을 정확하게 찾을 수 있도록 도와줍니다.

정보 검색 시스템의 ## 구성 요소

이제 정보 검색이 무엇이며 어떻게 작동하는지 알게 되었습니다. 이제 IR 시스템의 주요 구성 요소를 자세히 살펴보겠습니다. →

1. 데이터베이스

모든 것은 데이터베이스로부터 시작됩니다. 데이터베이스는 텍스트 문서, 이메일, 웹 페이지, 이미지, 비디오 등 서로 관련된 데이터 포인트의 모음입니다. 사용자가 지정된 쿼리를 입력하면 IR 시스템은 이러한 데이터베이스 일치 항목을 검색하여 사용자의 요구에 가장 적합한 정보를 검색합니다.

2. 인덱스

시스템이 검색하기 전에 인덱서는 데이터를 정리합니다. 검색 속도를 높이기 위해 도서관 카탈로그를 준비하는 것과 같습니다. 인덱서는 문서를 처리합니다:

• 토큰화: 문장을 단어나 구(토큰이라고 함)로 나누는 것처럼 콘텐츠를 더 작은 단위로 쪼개기
• 어간화: 단어를 기본 양식으로 단순화(예: 'running'을 'run'으로)
• 단어 제거 중지 : 기본 쿼리에 집중하기 위해 '및', '또는', 'the'와 같은 필러 단어 건너뛰기
• 키워드 추출: 텍스트의 주요 키워드 식별
• 메타데이터 추출: 저자, 발행일 또는 제목과 같은 추가 세부 정보 가져오기

3. 검색 인터페이스

검색 인터페이스는 IR 시스템의 게이트웨이 역할을 합니다. 여기에서 간단한 키워드 또는 더 자세한 필터를 사용하여 쿼리를 입력할 수 있습니다. 사용자 친화적으로 설계되어 정보 액세스 요구 사항을 쉽게 전달하고 원하는 관련 결과를 얻을 수 있습니다.

4. 쿼리 프로세서

'검색'을 누르면 쿼리 프로세서가 대신 처리합니다. 인덱서 섹션에 나열된 기술을 적용하여 입력을 구체화합니다. 또한 'AND', 'OR', 'NOT'과 같은 불린 연산자도 처리하여 쿼리를 더 스마트하게 만듭니다.

5. 검색 모델

여기서 마법이 일어납니다. 시스템은 검색 모델을 사용해 주어진 쿼리를 인덱스된 문서와 비교합니다. 이러한 방법은 쿼리를 저장된 데이터와 일치시키는 방법을 결정합니다. 몇 가지 일반적인 이름은 다음과 같습니다:

• 부울 모델
• 벡터 스페이스 모델
• 확률적 모델
• 그리고 더 많은... (나중에 설명)

6. 순위 및 채점

일치 가능성이 있는 문서가 발견되면 시스템은 관련성에 따라 순위를 매깁니다. 각 문서는 TF-IDF(용어 빈도-역문서 빈도) 또는 기타 알고리즘을 사용해 점수를 매깁니다. 이렇게 하면 가장 관련성이 높은 결과가 맨 위에 표시됩니다.

7. 프레젠테이션 또는 디스플레이

마지막으로 결과가 표시됩니다. 일반적으로 시스템은 스니펫, 필터 또는 정렬 옵션과 같은 추가 기능이 포함된 텍스트 문서의 순위가 매겨진 목록을 표시하므로 가장 관련성이 높은 문서를 쉽게 선택할 수 있습니다. 그러나 표시되는 결과의 수는 기본 설정, 쿼리 또는 시스템 설정에 따라 달라질 수 있습니다.

🔍알고 계셨나요? 기존의 정보 검색 시스템은 구조화된 데이터베이스와 기본적인 키워드 매칭에 크게 의존했습니다. 그 결과는? 주요 관련성 및 개인화 문제가 발생했습니다.

바로 이때 최신 AI 기술이 텍스트 검색을 혁신했습니다:

• 머신 러닝(ML): 사용자 행동의 패턴을 학습하고 시간이 지남에 따라 검색 결과를 개선하는 IR 시스템 지원
• 심층 신경망: 이미지나 비디오와 같은 비정형 데이터를 처리하고 복잡한 관계를 파악할 수 있는 알고리즘
• 자연어 처리(NLP): 시스템이 쿼리의 의미와 맥락을 이해하여 이미지 인식 및 감정 분석을 지원함으로써 정보 액세스를 더욱 다양하게 만듭니다

정보 검색 모델 ## 정보 검색 모델

관련 문서를 찾는 과정을 간소화하는 다양한 IR 시스템이 있습니다. 가장 널리 사용되는 시스템을 살펴봅시다:

1. 설정 이론과 불린 모델

부울 모델은 가장 간단한 정보 검색 기법 중 하나입니다. 작동 원리는 다음과 같습니다:

• 그리고: 쿼리의 모든 용어가 포함된 문서를 검색합니다. 예를 들어, '고양이와 개'를 검색하면 검색 엔진에서 두 단어가 모두 멘션된 문서가 반환됩니다
• OR: 쿼리에 있는 용어 중 모든 용어가 포함된 문서를 찾습니다. '고양이 또는 개'의 경우 고양이, 개 또는 둘 다에 대해 멘션이 있는 문서를 검색합니다
• NOT: 특정 용어가 포함된 문서를 제외합니다. 예시: 'cat AND NOT dog'은 고양이는 멘션되지만 개는 멘션되지 않은 문서를 반환합니다

이 모델은 2D 매트릭스가 생성되는 '단어 가방' 개념을 사용합니다. 이 매트릭스에서:

• 열은 문서를 나타냅니다
• 행은 쿼리의 용어를 나타냅니다

각 셀에는 1(용어가 있는 경우) 또는 0(없는 경우)의 값이 할당됩니다.

via

AIML.com

✅ Pros

• 이해하기 쉽고 구현하기 쉬움
• 쿼리 용어와 정확히 일치하는 문서 검색

❌ 단점

• 부울 모델은 관련성에 따라 문서 순위를 매기지 않으므로 모든 결과가 똑같이 중요하게 취급됨
• 정확한 용어 일치에 초점을 맞추기 때문에 쿼리의 의미나 맥락에 따라 결과가 달라질 수 있음

2. 벡터 스페이스 모델

벡터 스페이스 모델은 문서와 쿼리를 모두 다차원 공간에서 벡터로 표현하는 대수 모델입니다. 작동 방식은 다음과 같습니다:

1. 행은 용어, 열은 문서인 용어-문서 매트릭스가 생성됩니다

2. 사용자의 검색어를 기반으로 쿼리 벡터가 형성됩니다

3. 시스템은 코사인 유사도라는 측정값을 사용하여 쿼리 벡터가 문서 벡터와 얼마나 일치하는지를 결정하는 숫자 점수를 계산합니다

via

데이터 사이언스 센트럴

정보 검색 시스템으로서 문서는 이 점수에 따라 순위가 매겨지며, 가장 높은 순위의 문서가 가장 관련성이 높은 문서가 됩니다

✅ 장점

• 일부 용어만 일치하더라도 항목 검색 가능
• 다양한 용어 사용과 문서 길이에 따라 다양한 문서 유형을 수용 가능

❌ 단점

• 어휘와 문서 컬렉션이 클수록 유사성 계산에 리소스 집약적임

3. 확률론적 모델

이 모델은 확률을 사용해 문서가 쿼리와 얼마나 관련성이 있는지 추정하는 통계적 접근 방식을 취합니다. 다음 사항을 고려합니다:

• 문서 내 용어의 빈도
• 용어가 함께 발생하는 빈도(동시 발생)
• 문서 길이 및 쿼리 용어의 총 개수

시스템은 검색 프로세스를 확률론적 이벤트로 취급하여 관련성에 따라 저장된 문서의 순위를 매깁니다. 이 접근 방식은 기본적인 용어의 존재 여부를 넘어 데이터 오브젝트를 평가함으로써 깊이를 더합니다.

✅ 장점

• 신뢰성 분석 및 부하 흐름 평가 등 다양한 애플리케이션에 잘 적용 가능

❌ 단점

• 데이터 관계에 대한 가정에 의존하여 잘못된 결과를 초래할 수 있음

4. 용어 상호 의존성 모델

단순한 모델과 달리 용어 상호 의존성 모델은 용어의 빈도뿐만 아니라 용어 간의 관계에 초점을 맞춥니다. 이 모델은 단어와 구문이 서로 어떻게 연관되어 있는지 분석하여 결과 정확도를 향상시킵니다.

두 가지 접근 방식 중 하나를 사용합니다:

• 내재적 모드: 텍스트 자체 내에서 관계를 탐색합니다
• 초월적 모드: 외부 데이터 또는 문맥을 고려하여 관계를 유추합니다

이 방법은 동의어나 문맥에 따른 구문과 같이 의미의 뉘앙스를 포착하는 데 특히 유용합니다.

✅ 장점

• 용어 관계를 고려하여 언어의 뉘앙스를 포착합니다
• 용어 의존성과 문맥을 이해하여 검색 성능 향상

❌ 단점

• 용어 관계를 정확하게 모델링하려면 광범위한 데이터가 필요하며, 항상 이용 가능하지 않을 수 있음

이상입니다! 이상은 일반적으로 사용되는 정보 검색 시스템 중 몇 가지이며, 각각의 장단점이 있습니다.

➡️ 자세히 보기: 4 스포트라이트 검색 대안 및 경쟁사

정보 검색과 데이터 쿼리 비교

이 두 용어는 거의 동일해 보이지만 작동 방식은 다릅니다. 따라서 IR과 데이터 쿼리를 나란히 놓고 목적, 사용 사례 및 예시 측면에서 어떻게 겹치는지 살펴보겠습니다:

정보 검색에서 머신 러닝과 NLP의 역할

IR 시스템은 방대한 양의 정보를 샅샅이 뒤져 원하는 것을 정확히 찾아내는 데이터 보물찾기꾼과 같습니다. 하지만 ML과 NLP가 힘을 합치면 이러한 시스템은 더 스마트하고, 더 빠르고, 훨씬 더 정확해집니다.

ML을 IR 시스템의 두뇌라고 생각하면 됩니다. 🧠

사용자가 정보를 검색할 때마다 시스템이 학습하고 적응하며 결과를 개선할 수 있도록 도와줍니다. 작동 원리는 다음과 같습니다:

• 패턴 파악: ML은 사용자가 무엇을 클릭하고, 무엇을 무시하고, 무엇을 가장 오래 읽는지 연구합니다. 그런 다음 이 지식을 사용하여 다음 번에 가장 관련성이 높은 결과를 표시합니다
• 순위 결과: ML은 정보를 검색하고 순위를 매깁니다. 즉, 가장 유용하고 가장 좋은 결과가 검색 상단에 표시됩니다
• 시간에 따른 적응: 모든 쿼리에서 ML은 더 나은 성능을 발휘합니다. 트렌드를 파악하고, 이해도를 높이며, 가장 까다로운 질문도 쉽게 처리합니다

예를 들어, 오늘 '최저가 노트북'을 검색하고 특정 결과와 상호 작용하는 경우, 나중에 '저렴한 노트북'을 검색할 때 ML은 유사한 옵션의 우선 순위를 지정하는 방법을 알게 됩니다. AI와 ML을 결합함으로써 웹 검색 엔진은 다음에 필요한 것이 무엇인지까지 예측할 수 있습니다.

이제 NLP에 대해 이야기해 보겠습니다. 이는 사용자가 입력하는 단어뿐만 아니라 사용자가 의미하는 바를 IR 시스템이 이해하는 데 도움이 됩니다. 간단히 말해서

• 문맥 이해: NLP는 사용자가 '재규어'라고 말할 때 동물 또는 자동차를 의미할 수 있다는 것을 알고 나머지 쿼리를 기반으로 이를 파악합니다
• 복잡한 언어를 처리합니다: 쿼리가 단순('저렴한 항공편')하든 세부적인('500달러 미만의 도쿄행 직항편')이든, NLP는 시스템이 올바른 결과를 이해하고 전달할 수 있도록 합니다

NLP와 IR을 함께 사용하면 검색이 마치 나를 '알아듣는' 사람과 대화하는 것처럼 직관적으로 느껴집니다. 즉, 스크롤링과 좌절감이 줄어들고 "와, 이게 바로 내가 원하던 것이었구나!"라고 느끼는 순간이 늘어납니다.

정보 검색에서 ClickUp의 역할 ClickUp 은 '내 일을 위한 모든 것 앱'으로, IR 모델을 통해 데이터 관리를 강화합니다.

그 내장 AI 는 사용자의 쿼리를 고유하게 식별하고 결과를 일치시켜 지능형 기술을 한 단계 더 발전시킵니다.

그리고 더 좋은 점은 ClickUp의 연결 검색 를 사용하면 필요한 모든 것을 손끝에서 '즉시' 손쉽게 찾을 수 있습니다. 즉

• 무엇이든 검색하세요: 이메일을 뒤적거리는 것을 좋아하고지식 관리 시스템 를 뒤져 중요한 파일을 찾는 것을 좋아하시나요? 연결 검색 옵션을 사용해 몇 초 만에 파일을 찾으세요. 더 좋은 방법은 연결된 앱에서 파일을 검색하고 모든 것을 한곳에서 액세스하는 것입니다

ClickUp의 연결 검색을 사용하여 모든 것을 검색하고 몇 초 만에 파일을 찾을 수 있습니다

• 즐겨찾기 앱 연결하기:ClickUp에는 최고의 통합 기능이 있습니다 google 드라이브, Slack, Dropbox, Figma 등과 같은 타사 앱으로 검색 기능을 확장합니다

즐겨 찾는 앱을 통합하고 파일에 쉽게 액세스하고 관리하세요

• 결과 정의 : 더 많이 사용할수록 사용자가 찾고있는 것을 더 잘 이해하여 사용자에게 맞는 결과를 제공합니다
• 원하는 방식으로 검색: 연결 검색에 액세스하고pDF 파일을 빠르게 검색 작업 공간 어디에서나 검색할 수 있습니다. 예를 들어, 지휘 센터, 전역 작업 막대 또는 데스크탑에서 검색을 시작할 수 있습니다
• 맞춤형 검색 명령어 만들기: 연결된 바로 가기, 나중에 사용할 텍스트 저장 등과 같은 맞춤형 검색 명령어를 추가해 워크플로우를 간소화하세요

무엇보다 지루한 작업을 자동화할 수 있는 방법이 있다면 어떨까요? 더 빨리 일하고 더 많은 일을 완료됨 더 많은 일을 하고 싶으신가요? ClickUp Brain 내장된 AI 어시스턴트가 이를 실현합니다. 스마트하고 빠르며 언제나 도움을 줄 준비가 되어 있는 데이터 관리를 위한 최고의 비서입니다.

요약하자면 👇

• 올인원 지식 허브: 더 이상 이메일과 메시지에 의존해 업데이트를 확인하지 마세요. 작업, 문서, 사람에 대해 궁금한 점이 있으면 무엇이든 물어보고 ClickUp Brain이 내부 및 연결된 앱의 컨텍스트를 기반으로 답변을 지도화해 줍니다

ClickUp Brain에 내 일에 대해 무엇이든 물어보고 즉각적인 통찰력을 얻으세요

• 필요한 것을 더 빠르게 찾으세요: ClickUp Brain은 고급 IR 시스템처럼 지능적으로 결과의 순위를 매깁니다. 관련 파일의 우선순위를 지정하고 관련 작업을 제안하며 데이터에 숨겨진 업무량을 발견하는 데 도움을 줍니다
• 작업 자동화: Brain은 보고서 생성이나 마감일 추적을 자동화합니다AI 도구. 모든 것을 추적하면서 더 중요한 결정을 내릴 수 있는 시간을 확보해주는 개인 비서입니다

ClickUp으로 워크플로우를 자동화하고, 보고서를 요약하고, 작업을 손쉽게 간소화하세요

• 문맥 인식 검색: 자연어 처리(NLP)를 사용하면 쿼리가 복잡하거나 모호하더라도 사용자의 질문을 이해합니다. 예를 들어, '1분기 영업팀 보고서'를 검색하면 작업과 관련된 정확한 보고서가 표시됩니다

➡️ 자세히 보기: 업무 관리 시스템이란 무엇이며 어떻게 구현할 수 있을까요? 정보 검색의 과제와 향후 방향 ## 정보 검색의 과제와 향후 방향

정보 검색의 세계는 방대한 양의 데이터를 이해하는 것이 핵심이지만, 가장 진보된 IR 시스템도 그 과정에서 몇 가지 난관에 직면하게 됩니다.

이 필수 과학 분야의 미래를 형성하고 있는 흥미로운 트렌드와 일반적인 과제를 살펴보세요:

• 데이터 프라이버시 및 보안: IR 모델이 사실적인 결과를 제공하려면 민감한 데이터에 액세스해야 하는 경우가 많습니다. 그러나 사용자 데이터를 보호하는 것은 정보 검색 리소스에 있어 결코 쉬운 일이 아닙니다
• 확장성 및 성능: 사용자가 대규모 데이터 세트를 검색할 때, 증가하는 콘텐츠 수집을 처리하는 것은 가장 강력한 검색 모델조차도 압도할 수 있습니다. 문제는 검색 결과의 연관성을 손상시키지 않으면서 효율적인 검색을 보장하는 것입니다
• 데이터 품질 및 문맥 이해: 모호한 쿼리나 제대로 정리되지 않은 메타데이터는 불일치를 초래하여 시스템이 사용자의 의도를 고유하게 식별하기 어렵게 만들 수 있습니다

iR 기술의 새로운 트렌드와 발전 ### IR 기술의 새로운 트렌드와 발전

많은 장애물에도 불구하고 최근 기술 발전으로 더 스마트하고 효율적인 시스템을 구축할 수 있게 되었습니다.

최신 정보 검색 시스템은 이제 그래프 기반 분석과 같은 고급 방법을 사용하여 숫자와 텍스트, 문맥, 메타데이터, 데이터 포인트 간의 관계를 해석합니다.

이는 사용자에게 어떤 의미일까요? 특히 연구 및 데이터 집약적인 산업과 같은 필드에서 보다 정밀한 텍스트 검색과 상세한 분석이 가능합니다.

시맨틱 웹 기술과 결합하여 검색 문자열과 사용자 의도에 중점을 둡니다. 이러한 시스템은 리터럴 매칭을 넘어 정보 검색 프로세스에서 복잡한 사용자 쿼리에 대해서도 관련성이 높은 문서를 가져오기 위해 노력합니다.

예를 들어, '원격 근무의 이점'을 검색하면 시스템이 연결 관계를 이해하기 때문에 생산성, 정신 건강, 일과 삶의 균형과 관련된 결과를 제공할 수 있습니다.

ClickUp의 데이터 관리로 신속하게 문서 검색하기

중요한 문서 하나를 찾기 위해 수많은 파일, 앱, 도구를 샅샅이 뒤지는 일은 지칠 대로 지쳤습니다. 연구원, 학생, IT 전문가 또는 데이터 과학자로서 검색된 문서를 분석하려고 하면 정보 과부하로 인해 난리가 난다고 상상해 보세요.

하지만 ClickUp을 사용하면 더 이상 정보를 찾는 데 시간을 낭비하지 않아도 됩니다

모든 작업을 한곳에 모아주는 올인원 솔루션이기 때문입니다. 연결 검색 및 ClickUp Brain과 같은 기능을 사용하면 데이터가 어디에 있든 상관없습니다. ClickUp을 사용하면 데이터를 쉽게 찾고, 관리하고, 조치를 취할 수 있습니다.

'놀라운'을 할 수 있는데 왜 '그저 그런'에 만족할까요? ClickUp 무료 체험하기 를 통해 워크플로우가 어떻게 대담하고 효율적이며 완전히 멈출 수 없는 것으로 변모하는지 확인하세요!