기업은 매일 수많은 소비자 리뷰를 수집하지만, 이를 제품 개선과 경영 의사결정에 활용하기 위해서는 정확도뿐 아니라 비용, 처리속도, 데이터 거버넌스, 의사결정의 신뢰성을 함께 고려해야 합니다. 본 랩에서는 노트북·소비자전자제품 리뷰를 대상으로 Aspect-Based Sentiment Analysis(ABSA)를 연구합니다. ABSA는 리뷰의 긍정·부정 여부를 넘어, 어떤 제품 속성에 어떤 의견과 감성이 표현되었는지를 분석하는 방법입니다. 다음과 같은 질문을 다룹니다. - 소비자들은 어떤 제품 속성에 가장 불만을 느끼는가? - 상용 LLM API와 자체 파인튜닝 모델은 같은 결과를 내는가? - 모델의 정확도 차이가 제품 개선 우선순위를 바꾸는가? - 어느 규모부터 API보다 자체 모델 운영이 경제적인가? - 서로 다른 모델의 합의는 실제로 신뢰할 수 있는가? 현재 Amazon Laptop-ACOS 데이터셋을 활용해 Qwen3-8B 모델을 QLoRA로 파인튜닝하고, Gemini API 및 프롬프트 기반 모델과 비교하고 있습니다. 구조화된 추출 성능, 비용, 처리량, 속성별 불만 순위의 일치도를 함께 분석합니다. 현재 파인튜닝 모델은 약 45 F1의 성능을 보이며, 최근 태스크 특화 모델들과 경쟁 가능한 결과를 얻었습니다. 또한 모델의 추출 성능 차이가 실제 제품 개선 우선순위의 차이로 이어질 수 있음을 확인하고 있습니다. 6개월 동안 관련 문헌 리뷰, 공개 데이터 기반 분석 파이프라인 구축, 논문 작성과 투고를 목표로 합니다. 장기적으로는 소비자 리뷰 분석을 제품전략·서비스 개선·고객경험관리로 확장하고, 재현 가능한 코드와 분석 결과를 공개합니다.