LLM 분류 및 감정 분석 프롬프트 완벽 가이드

LLM을 활용한 텍스트 분류와 감정 분석 프롬프트 작성법을 실무 중심으로 학습합니다. 라벨 정의부터 신뢰도 점수, 멀티 라벨 분류까지 단계별로 익혀봅니다.

---

목차

1. 라벨 정의와 예제
2. 애매한 경우 처리
3. 판단이 어려우면 → NEUTRAL
4. 신뢰도 점수 요청
5. 실습: 멀티 라벨 분류기
6. 실습: 감정 분석 시스템

---

1. 라벨 정의와 예제

김개발 씨는 고객 리뷰 분석 프로젝트를 맡았습니다. "이 리뷰들을 긍정, 부정으로 분류해야 하는데, LLM에게 어떻게 시키지?" 선배 박시니어 씨가 다가와 말합니다.

"분류 작업에서 가장 중요한 건 명확한 라벨 정의예요."

라벨 정의는 분류 작업에서 AI가 어떤 카테고리로 나눌지 명확하게 알려주는 것입니다. 마치 도서관 사서에게 "소설은 A구역, 에세이는 B구역"이라고 알려주는 것과 같습니다.

각 라벨마다 구체적인 예제를 제공하면 LLM의 분류 정확도가 크게 향상됩니다.

다음 코드를 살펴봅시다.

# 고객 리뷰 감정 분석 예제
prompt = """
다음 고객 리뷰를 분류해주세요.

라벨 정의:
- POSITIVE: 만족스럽거나 칭찬하는 내용 (예: "정말 좋아요!", "배송이 빨라요")
- NEGATIVE: 불만족하거나 비판하는 내용 (예: "품질이 별로예요", "환불하고 싶어요")
- NEUTRAL: 객관적인 사실만 기술 (예: "오늘 받았어요", "파란색입니다")

리뷰: "{review_text}"

분류 결과 (POSITIVE/NEGATIVE/NEUTRAL):
"""

김개발 씨는 입사 3개월 차 주니어 개발자입니다. 오늘 팀장님께 새로운 프로젝트를 받았습니다.

"고객 리뷰 5만 건을 분석해서 긍정, 부정으로 나눠주세요." 손으로 하나하나 읽을 수는 없으니 LLM을 활용하기로 했습니다. 처음에는 간단하게 "이 리뷰를 긍정인지 부정인지 판단해줘"라고 물어봤습니다.

그런데 결과가 들쭉날쭉했습니다. "배송이 늦었지만 제품은 좋아요"라는 리뷰를 어떨 때는 긍정으로, 어떨 때는 부정으로 분류했습니다.

선배 개발자 박시니어 씨가 다가와 코드를 살펴봅니다. "아, 여기가 문제네요.

라벨을 제대로 정의하지 않아서 생긴 혼란이에요." 그렇다면 라벨 정의란 정확히 무엇일까요? 쉽게 비유하자면, 라벨 정의는 마치 요리 레시피와 같습니다.

"맛있게 만들어줘"라고만 하면 요리사마다 다른 음식을 만들겠죠? 하지만 "간장 2스푼, 설탕 1스푼, 마늘 3쪽"이라고 구체적으로 알려주면 누가 만들어도 비슷한 맛이 나옵니다.

이처럼 라벨 정의도 AI에게 정확한 분류 기준을 알려주는 역할을 합니다. 라벨 정의가 없던 시절에는 어땠을까요?

개발자들은 단순히 "긍정인지 부정인지 판단해줘"라고만 물어봤습니다. LLM은 자기 나름대로 기준을 세워서 판단했습니다.

문제는 그 기준이 매번 달라질 수 있다는 점이었습니다. 더 큰 문제는 경계선상의 애매한 케이스를 어떻게 처리할지 모호하다는 것이었습니다.

바로 이런 문제를 해결하기 위해 명확한 라벨 정의와 예제가 등장했습니다. 라벨 정의를 사용하면 일관성 있는 분류가 가능해집니다.

또한 예제를 통한 학습 효과도 얻을 수 있습니다. 무엇보다 개발자의 의도를 정확히 전달할 수 있다는 큰 이점이 있습니다.

위의 코드를 한 줄씩 살펴보겠습니다. 먼저 프롬프트 시작 부분에서 "다음 고객 리뷰를 분류해주세요"라고 명확한 작업 지시를 합니다.

이 부분이 핵심입니다. 다음으로 각 라벨마다 정의와 예제를 제공합니다.

"POSITIVE: 만족스럽거나 칭찬하는 내용"처럼 개념 설명과 함께 "예: 정말 좋아요!"처럼 구체적인 예시를 보여줍니다. 마지막으로 변수로 실제 리뷰를 넣고 결과 형식을 지정합니다.

실제 현업에서는 어떻게 활용할까요? 예를 들어 쇼핑몰 서비스를 개발한다고 가정해봅시다.

매일 수천 건의 리뷰가 쌓이는데, 이를 자동으로 분류해서 부정 리뷰는 즉시 CS팀에 전달하고 긍정 리뷰는 마케팅 자료로 활용할 수 있습니다. 많은 기업에서 이런 패턴을 적극적으로 사용하고 있습니다.

하지만 주의할 점도 있습니다. 초보 개발자들이 흔히 하는 실수 중 하나는 예제를 하나만 제공하는 것입니다.

이렇게 하면 LLM이 그 예제에만 과적합되어 다양한 케이스를 제대로 처리하지 못할 수 있습니다. 따라서 각 라벨마다 2-3개의 다양한 예제를 제공해야 합니다.

다시 김개발 씨의 이야기로 돌아가 봅시다. 박시니어 씨의 설명을 들은 김개발 씨는 고개를 끄덕였습니다.

"아, 그래서 결과가 들쭉날쭉했군요!" 라벨 정의를 제대로 하면 더 정확하고 일관성 있는 분류 시스템을 만들 수 있습니다. 여러분도 오늘 배운 내용을 실제 프로젝트에 적용해 보세요.

실전 팁

💡 - 각 라벨마다 최소 2-3개의 다양한 예제를 제공하세요

• 경계선상의 애매한 케이스도 예제에 포함하면 정확도가 높아집니다

---

2. 애매한 경우 처리

김개발 씨가 분류 시스템을 돌려봤더니 이상한 결과가 나왔습니다. "배송은 느렸지만 제품은 만족해요"라는 리뷰가 긍정으로 분류되기도 하고 부정으로 분류되기도 했습니다.

박시니어 씨가 말합니다. "애매한 케이스를 어떻게 처리할지 명확히 알려줘야 해요."

애매한 경우 처리는 여러 감정이 섞여 있거나 판단하기 어려운 텍스트를 어떻게 분류할지 명확한 규칙을 제공하는 것입니다. 마치 심판에게 "동점일 때는 이렇게 판정하라"는 규칙을 알려주는 것과 같습니다.

명확한 처리 규칙을 제공하면 LLM이 일관성 있게 판단할 수 있습니다.

다음 코드를 살펴봅시다.

# 애매한 케이스 처리 규칙 포함
prompt = """
다음 리뷰를 분류해주세요.

라벨 정의:
- POSITIVE: 전반적으로 만족하는 내용
- NEGATIVE: 전반적으로 불만족하는 내용
- MIXED: 긍정과 부정이 혼재된 경우
- NEUTRAL: 감정 표현이 없는 객관적 사실

애매한 케이스 처리 규칙:

---

3. 판단이 어려우면 → NEUTRAL

김개발 씨는 라벨 정의를 추가한 후 다시 분류를 돌려봤습니다. 대부분은 잘 작동했지만, 문제가 생기는 케이스들이 있었습니다.

"배송은 늦었지만 제품은 좋아요", "가격 대비 괜찮은 것 같기도 하고 아닌 것 같기도 하고"처럼 애매한 리뷰들이었습니다. 어떤 때는 이런 리뷰를 긍정으로 분류했다가, 같은 패턴의 다른 리뷰는 부정으로 분류하는 일이 벌어졌습니다.

결과의 일관성이 떨어졌습니다. 박시니어 씨가 다시 코드를 살펴봤습니다.

"아, 애매한 케이스를 어떻게 처리할지 알려주지 않았네요. LLM이 혼란스러워하고 있어요." 그렇다면 애매한 경우 처리는 왜 필요할까요?

쉽게 비유하자면, 이것은 마치 축구 심판의 규칙집과 같습니다. "오프사이드인지 애매할 때는 어떻게 판정하나요?" 이런 경계선 상황에 대한 명확한 규칙이 없다면 심판마다 다른 판정을 내릴 것입니다.

하지만 "의심스러우면 공격수에게 유리하게 판정"이라는 규칙이 있다면 일관성 있는 판정이 가능합니다. 애매한 케이스 처리 규칙이 없으면 어떤 일이 벌어질까요?

첫째, 같은 패턴의 텍스트가 매번 다르게 분류될 수 있습니다. "배송은 늦었지만 제품은 좋아요"를 어떨 때는 긍정, 어떨 때는 부정으로 판단합니다.

둘째, 혼합 감정을 표현하는 텍스트를 제대로 처리하지 못합니다. 실제로 고객 리뷰의 20-30%는 긍정과 부정이 섞여 있는 경우가 많습니다.

바로 이런 문제를 해결하기 위해 명확한 처리 규칙이 필요합니다. 처리 규칙을 제공하면 일관성 있는 분류가 가능해집니다.

또한 MIXED라는 새로운 라벨을 추가함으로써 혼합 감정을 정확히 포착할 수 있습니다. 무엇보다 판단 기준을 명확히 제시함으로써 LLM이 확신을 가지고 분류할 수 있습니다.

위의 코드를 자세히 살펴보겠습니다. 기존 라벨 정의에 MIXED라는 새로운 카테고리를 추가했습니다.

이것이 핵심입니다. 긍정도 부정도 아닌 중간 지대를 명시적으로 만들어준 것입니다.

다음으로 "애매한 케이스 처리 규칙" 섹션에서 구체적인 판단 기준을 제시합니다. "긍정과 부정이 모두 있으면 MIXED"처럼 명확한 if-then 규칙을 제공합니다.

실제 프로젝트에서는 어떻게 활용할까요? 쇼핑몰 리뷰 분석 시스템을 만든다면, MIXED로 분류된 리뷰는 별도로 관리할 수 있습니다.

예를 들어 "제품은 좋은데 배송이 느려요"라는 리뷰는 제품팀에는 긍정 신호로, 물류팀에는 개선 과제로 전달할 수 있습니다. 이렇게 세밀한 분류가 가능해집니다.

주의할 점이 있습니다. 너무 많은 규칙을 만들면 오히려 혼란스러울 수 있습니다.

3-5개 정도의 핵심 규칙만 명확하게 제시하는 것이 좋습니다. 또한 규칙들이 서로 모순되지 않도록 주의해야 합니다.

김개발 씨는 MIXED 라벨과 처리 규칙을 추가한 후 다시 테스트했습니다. 이번에는 일관성 있는 결과가 나왔습니다.

"이제 이해가 되네요. 애매한 케이스도 명확히 알려줘야 하는구나!" 애매한 경우를 어떻게 처리할지 미리 정의하면 훨씬 안정적인 분류 시스템을 만들 수 있습니다.

실무에서는 이런 경계선 케이스가 생각보다 많으니 꼭 고려하세요.

실전 팁

💡 - MIXED나 UNCERTAIN 같은 중간 카테고리를 만들면 정확도가 높아집니다

• 처리 규칙은 3-5개 정도로 간단명료하게 유지하세요

---

3. 신뢰도 점수 요청

분류 시스템이 잘 작동하기 시작했지만, 김개발 씨는 또 다른 고민에 빠졌습니다. "이 분류 결과를 얼마나 믿어야 하지?" 박시니어 씨가 모니터를 가리키며 말합니다.

"신뢰도 점수를 함께 받으면 그 문제가 해결돼요."

신뢰도 점수는 LLM이 자신의 분류 결과에 대해 얼마나 확신하는지 수치로 표현하는 것입니다. 마치 일기예보에서 "강수확률 80%"라고 알려주는 것처럼, AI도 "이 분류는 90% 확신합니다"라고 알려줄 수 있습니다.

신뢰도가 낮은 결과는 사람이 재검토하도록 하면 정확도를 크게 높일 수 있습니다.

다음 코드를 살펴봅시다.

# 신뢰도 점수를 포함한 분류
prompt = """
다음 리뷰를 분류하고 신뢰도 점수를 함께 제공해주세요.

라벨: POSITIVE, NEGATIVE, MIXED, NEUTRAL

리뷰: "{review_text}"

다음 형식으로 답변해주세요:
분류: [라벨]
신뢰도: [0-100 사이의 점수]
이유: [판단 근거를 한 문장으로]

예시:
분류: POSITIVE
신뢰도: 85
이유: "정말 좋아요"라는 명확한 긍정 표현이 있음
"""

김개발 씨의 분류 시스템은 이제 꽤 잘 작동했습니다. 하지만 팀장님이 질문을 던졌습니다.

"이 결과들을 믿고 바로 고객에게 자동 응답을 보내도 될까요?" 김개발 씨는 확신이 서지 않았습니다. 어떤 분류는 확실해 보이지만, 어떤 것은 애매해 보였습니다.

박시니어 씨가 조언을 해줬습니다. "LLM에게 신뢰도 점수도 함께 달라고 요청해보세요.

그러면 어떤 결과를 믿어야 할지 알 수 있어요." 그렇다면 신뢰도 점수란 무엇일까요? 쉽게 비유하자면, 이것은 마치 일기예보의 강수확률과 같습니다.

"내일 비가 올 것입니다"라고만 말하는 것보다 "강수확률 80%입니다"라고 알려주면 우산을 챙길지 말지 더 잘 판단할 수 있습니다. 마찬가지로 "이 리뷰는 긍정입니다 (신뢰도 95%)"와 "이 리뷰는 긍정입니다 (신뢰도 45%)"는 전혀 다른 의미입니다.

신뢰도 점수가 없으면 어떤 문제가 생길까요? 모든 분류 결과를 동일하게 신뢰해야 합니다.

명확한 케이스도, 애매한 케이스도 똑같이 취급됩니다. 하지만 실제로는 **"정말 좋아요!"**와 **"뭐...

그냥 그래요"**를 분류할 때의 확신도가 다를 수밖에 없습니다. 전자는 명확하지만 후자는 애매합니다.

바로 이런 불확실성을 정량화하기 위해 신뢰도 점수를 함께 요청합니다. 신뢰도 점수를 받으면 스마트한 후처리가 가능해집니다.

예를 들어 신뢰도 70% 이상인 결과만 자동 처리하고, 그 미만은 사람이 재검토하도록 할 수 있습니다. 또한 시스템의 성능을 모니터링하는 데도 유용합니다.

평균 신뢰도가 낮다면 프롬프트를 개선해야 한다는 신호입니다. 위의 코드를 분석해보겠습니다.

핵심은 출력 형식을 명확히 지정한 부분입니다. "분류", "신뢰도", "이유" 세 가지를 요청합니다.

특히 "신뢰도: 0-100 사이의 점수"라고 범위를 명확히 지정해서 일관된 형식의 답변을 받습니다. 그리고 예시를 제공해서 원하는 형식을 정확히 보여줍니다.

실무에서는 어떻게 활용할까요? 고객 서비스 자동화 시스템을 만든다면, 신뢰도 80% 이상의 부정 리뷰에는 자동으로 사과 메시지를 보내고, 80% 미만은 상담사가 직접 확인하도록 할 수 있습니다.

이렇게 하면 자동화의 효율성과 사람의 정확성을 동시에 얻을 수 있습니다. 주의할 점도 있습니다.

LLM의 신뢰도 점수가 항상 정확한 것은 아닙니다. 때로는 틀린 답에 높은 신뢰도를 부여하기도 합니다.

따라서 신뢰도 점수를 맹신하지 말고 참고 지표로 활용해야 합니다. 실제 데이터로 검증해서 적절한 임계값을 찾는 것이 중요합니다.

김개발 씨는 신뢰도 점수를 추가한 후 시스템을 다시 돌려봤습니다. "정말 좋아요!"는 신뢰도 95%, "뭐 그냥 그래요"는 신뢰도 40%로 나왔습니다.

"이제 어떤 결과를 믿어야 할지 알겠어요!" 신뢰도 점수를 함께 활용하면 더욱 스마트한 분류 시스템을 만들 수 있습니다. 완전 자동화와 사람의 검토를 적절히 조합하는 하이브리드 방식을 시도해보세요.

실전 팁

💡 - 신뢰도 70-80% 이상만 자동 처리하고, 미만은 사람이 검토하는 하이브리드 방식이 효과적입니다

• 판단 이유도 함께 받으면 디버깅과 개선에 도움이 됩니다

---

4. 실습: 멀티 라벨 분류기

김개발 씨는 새로운 요구사항을 받았습니다. "리뷰에서 제품, 배송, 가격 등 여러 주제를 동시에 추출해주세요." 하나의 라벨만 선택하던 기존 방식으로는 불가능했습니다.

박시니어 씨가 말합니다. "멀티 라벨 분류를 사용하면 돼요."

멀티 라벨 분류는 하나의 텍스트에 여러 개의 라벨을 동시에 부여하는 것입니다. 마치 한 권의 책에 "소설", "로맨스", "베스트셀러"라는 여러 태그를 동시에 붙이는 것과 같습니다.

고객 리뷰처럼 여러 주제가 한꺼번에 언급되는 경우에 매우 유용합니다.

다음 코드를 살펴봅시다.

# 멀티 라벨 분류 프롬프트
prompt = """
다음 리뷰에서 언급된 모든 주제를 찾아주세요.

가능한 라벨:
- PRODUCT_QUALITY: 제품 품질에 대한 언급
- DELIVERY: 배송에 대한 언급
- PRICE: 가격에 대한 언급
- CUSTOMER_SERVICE: 고객 서비스에 대한 언급
- PACKAGING: 포장에 대한 언급

리뷰: "{review_text}"

형식:
라벨: [해당하는 모든 라벨을 쉼표로 구분]
각 라벨별 감정: [POSITIVE/NEGATIVE/NEUTRAL]

예시:
리뷰: "제품은 좋은데 배송이 너무 느려요"
라벨: PRODUCT_QUALITY, DELIVERY
PRODUCT_QUALITY: POSITIVE
DELIVERY: NEGATIVE
"""

프로젝트가 점점 복잡해졌습니다. 팀장님이 새로운 요구사항을 들고 왔습니다.

"고객 리뷰를 분석할 때 긍정/부정만 알아서는 부족해요. 제품이 좋은지, 배송이 빠른지, 가격이 적절한지 따로따로 알아야 해요." 김개발 씨는 고민에 빠졌습니다.

"제품은 좋은데 배송이 느려요"라는 리뷰는 긍정일까요, 부정일까요? 둘 다 아니었습니다.

제품에 대해서는 긍정, 배송에 대해서는 부정이었습니다. 박시니어 씨가 해결책을 제시했습니다.

"멀티 라벨 분류를 사용하세요. 하나의 리뷰에 여러 라벨을 붙일 수 있어요." 그렇다면 멀티 라벨 분류란 무엇일까요?

쉽게 비유하자면, 이것은 마치 음식점 리뷰와 같습니다. "맛 5점, 서비스 3점, 분위기 4점"처럼 여러 항목을 각각 평가합니다.

단순히 "이 식당 좋아요/별로예요"로만 평가하는 것보다 훨씬 유용한 정보를 얻을 수 있습니다. 마찬가지로 여러 측면을 동시에 평가하면 훨씬 풍부한 인사이트를 얻을 수 있습니다.

기존의 단일 라벨 분류는 어떤 한계가 있었을까요? "제품은 최고인데 배송이 엉망이에요"라는 리뷰를 생각해봅시다.

긍정으로 분류하자니 배송 불만을 놓치게 되고, 부정으로 분류하자니 제품 만족도를 놓치게 됩니다. 결국 중요한 정보를 잃어버리는 문제가 발생합니다.

실제로 고객 리뷰의 40% 이상이 여러 주제를 동시에 언급합니다. 바로 이런 한계를 극복하기 위해 멀티 라벨 분류가 필요합니다.

멀티 라벨 분류를 사용하면 주제별로 세밀한 분석이 가능해집니다. 제품팀은 제품 관련 피드백만, 물류팀은 배송 관련 피드백만 볼 수 있습니다.

또한 각 주제별 감정까지 파악할 수 있어서 어느 부분이 강점이고 어느 부분이 약점인지 명확히 알 수 있습니다. 위의 코드를 자세히 분석해보겠습니다.

먼저 가능한 모든 라벨을 명시적으로 나열합니다. PRODUCT_QUALITY, DELIVERY처럼 의미가 명확한 이름을 사용합니다.

다음으로 "해당하는 모든 라벨을 쉼표로 구분"이라고 명시해서 여러 개를 선택할 수 있음을 알려줍니다. 마지막으로 각 라벨별 감정까지 요청해서 세밀한 분석이 가능하도록 합니다.

실무에서는 어떻게 활용할까요? 이커머스 플랫폼을 운영한다면, 제품 담당자는 PRODUCT_QUALITY 라벨만 필터링해서 제품 개선 포인트를 찾을 수 있습니다.

물류 담당자는 DELIVERY 라벨의 부정 리뷰를 모아서 배송 문제를 파악할 수 있습니다. CS팀은 CUSTOMER_SERVICE 관련 불만을 즉시 확인할 수 있습니다.

팀별로 필요한 정보만 추출해서 사용할 수 있는 것입니다. 주의할 점이 있습니다.

라벨을 너무 많이 만들면 LLM이 혼란스러워합니다. 5-10개 정도의 핵심 라벨만 사용하는 것이 좋습니다.

또한 라벨 간의 경계가 명확해야 합니다. "제품 품질"과 "제품 디자인"처럼 구분이 애매하면 일관성이 떨어집니다.

김개발 씨는 멀티 라벨 분류를 적용했습니다. "제품은 좋은데 배송이 느려요"라는 리뷰가 정확히 분석되었습니다.

PRODUCT_QUALITY는 POSITIVE, DELIVERY는 NEGATIVE로 나왔습니다. "이제 각 팀이 필요한 정보를 정확히 얻을 수 있겠어요!" 멀티 라벨 분류를 사용하면 단순한 긍정/부정을 넘어 훨씬 풍부한 인사이트를 얻을 수 있습니다.

여러 측면을 동시에 평가해야 하는 경우 꼭 시도해보세요.

실전 팁

💡 - 라벨 개수는 5-10개 정도로 제한하면 정확도가 높아집니다

• 각 라벨별 감정까지 함께 받으면 더 세밀한 분석이 가능합니다

---

5. 실습: 감정 분석 시스템

김개발 씨는 이제 단순 긍정/부정을 넘어 더 세밀한 감정 분석이 필요해졌습니다. "기쁨, 분노, 실망, 놀람 같은 구체적인 감정을 파악하고 싶어요." 박시니어 씨가 말합니다.

"감정 분석 시스템을 제대로 만들어봅시다."

감정 분석 시스템은 텍스트에서 구체적인 감정 상태를 파악하는 것입니다. 마치 사람의 표정에서 기쁨, 슬픔, 화남, 놀람을 구별하는 것처럼, 텍스트에서도 세밀한 감정을 추출합니다.

단순 긍정/부정을 넘어 고객의 진짜 감정을 이해하면 더 적절한 대응이 가능합니다.

다음 코드를 살펴봅시다.

# 세밀한 감정 분석 시스템
prompt = """
다음 고객 리뷰의 감정을 분석해주세요.

감정 카테고리:
- JOY: 기쁨, 만족, 즐거움 (예: "너무 좋아요!", "최고예요!")
- ANGER: 화남, 짜증 (예: "화나네요", "어이없어요")
- DISAPPOINTMENT: 실망, 아쉬움 (예: "기대했는데 별로네요")
- SURPRISE: 놀람, 예상 밖 (예: "생각보다 훨씬 좋네요!")
- FEAR: 불안, 걱정 (예: "품질이 걱정되네요")
- NEUTRAL: 감정 표현 없음

리뷰: "{review_text}"

다음 형식으로 답변:
주감정: [가장 강한 감정]
부감정: [있다면 추가 감정들]
강도: [0-100, 감정의 강도]
키워드: [감정을 나타내는 핵심 단어들]
"""

프로젝트가 성공적으로 진행되면서 더 고급 기능이 요구되었습니다. 마케팅팀에서 요청이 들어왔습니다.

"긍정 리뷰라고 다 같은 긍정이 아니에요. '기쁨'과 '놀람'은 다르거든요.

감정을 더 세밀하게 분석해줄 수 있나요?" 김개발 씨는 새로운 도전에 직면했습니다. 단순히 좋다/나쁘다를 넘어서, 고객이 정확히 어떤 감정을 느끼는지 파악해야 했습니다.

박시니어 씨가 조언했습니다. "심리학에서 사용하는 기본 감정 모델을 참고해보세요.

기쁨, 슬픔, 화남, 놀람, 두려움 같은 카테고리로 나누는 거죠." 그렇다면 감정 분석 시스템은 왜 필요할까요? 쉽게 비유하자면, 이것은 마치 의사가 환자를 진찰하는 것과 같습니다.

"아프다"는 말만 들어서는 제대로 치료할 수 없습니다. "어디가 어떻게 아픈지" 정확히 파악해야 적절한 처방을 내릴 수 있습니다.

마찬가지로 "긍정적이다"만 알아서는 부족합니다. 기쁨인지, 놀람인지, 안도감인지에 따라 마케팅 전략이 달라져야 합니다.

단순 긍정/부정 분류의 한계는 무엇일까요? "와, 생각보다 훨씬 좋네요!"와 "만족스럽습니다"는 둘 다 긍정이지만 전혀 다른 감정입니다.

전자는 놀람 + 기쁨이고, 후자는 조용한 만족입니다. 전자는 SNS에 공유될 가능성이 높지만, 후자는 그렇지 않습니다.

이런 차이를 파악하지 못하면 마케팅 기회를 놓칠 수 있습니다. 바로 이런 세밀한 인사이트를 얻기 위해 감정 분석 시스템이 필요합니다.

감정 분석 시스템을 구축하면 고객 경험을 깊이 이해할 수 있습니다. 화난 고객에게는 즉각 사과와 보상을, 놀란 고객에게는 리뷰 공유를 유도하는 식으로 맞춤형 대응이 가능해집니다.

또한 제품별 감정 패턴을 분석해서 어떤 제품이 기쁨을 주고 어떤 제품이 실망을 주는지 파악할 수 있습니다. 위의 코드를 단계별로 살펴보겠습니다.

먼저 심리학적으로 검증된 기본 감정들을 라벨로 사용합니다. JOY, ANGER, DISAPPOINTMENT 등은 전 세계적으로 통용되는 감정 카테고리입니다.

다음으로 각 감정마다 구체적인 예시를 제공해서 LLM이 정확히 구분하도록 돕습니다. 마지막으로 주감정뿐 아니라 부감정과 강도까지 요청해서 복합적인 감정 상태를 파악합니다.

실제 비즈니스에서는 어떻게 활용할까요? 고객 서비스 팀은 ANGER 감정이 감지된 리뷰를 최우선으로 처리할 수 있습니다.

마케팅 팀은 SURPRISE + JOY 조합의 리뷰를 찾아서 광고 소재로 활용할 수 있습니다. 제품 개발팀은 DISAPPOINTMENT가 많은 제품의 어떤 부분이 문제인지 키워드를 분석할 수 있습니다.

각 팀이 필요한 감정 데이터를 활용하는 것입니다. 주의해야 할 점들이 있습니다.

첫째, 감정은 문화권마다 표현 방식이 다릅니다. 한국어에서 "그냥 그래요"는 종종 부정적 의미이지만, LLM이 이를 NEUTRAL로 오해할 수 있습니다.

따라서 한국어 특유의 표현을 예시에 포함시켜야 합니다. 둘째, 하나의 텍스트에 여러 감정이 섞여 있을 수 있으므로 주감정과 부감정을 함께 추출하는 것이 중요합니다.

김개발 씨는 감정 분석 시스템을 완성했습니다. "생각보다 훨씬 좋네요!"라는 리뷰가 정확히 분석되었습니다.

주감정은 SURPRISE, 부감정은 JOY, 강도는 85로 나왔습니다. "이제 고객의 진짜 마음을 이해할 수 있겠어요!" 팀장님이 결과를 보고 만족스러워했습니다.

"이제 우리도 고객 감정을 제대로 파악할 수 있겠네요. 잘했어요, 김개발 씨!" 김개발 씨는 뿌듯함을 느꼈습니다.

단순히 긍정/부정만 판단하던 초기 시스템에서 출발해서, 이제는 고객의 복잡한 감정까지 이해하는 시스템을 만들어낸 것입니다. 세밀한 감정 분석을 통해 고객을 더 깊이 이해하고, 상황에 맞는 적절한 대응을 할 수 있습니다.

단순 분류를 넘어 감정의 깊이까지 파악해보세요.

실전 팁

💡 - 감정 강도(0-100)를 함께 받으면 긴급도를 판단하는 데 유용합니다

• 감정을 나타내는 키워드도 함께 추출하면 왜 그런 감정인지 이해하기 쉽습니다
• 한국어 특유의 감정 표현(예: "그냥 그래요", "별로...")을 예시에 포함하세요

---

이상으로 학습을 마칩니다. 위 내용을 직접 코드로 작성해보면서 익혀보세요!