2026 AI·SW중심대학 디지털 경진대회 : SW부문

안녕하세요! 필기·지식을 개념 지도로 잇는 AI 학습 에이전트로 참여한 PiecePool 팀입니다 😊

항상 코디에 고민이 많은 저로써 굉장히 흥미로운 주제였어요.
에이전트가 새 옷 감지 → 후보 62점 → 아우터 교체 → 84점 채택까지 판단 과정을 활동 로그로 그대로 보여주는 부분이 제일 인상 깊었어요. 보통 추천은 결과만 툭 던지는데, MOODai는 왜 이 코디인지 사고 과정을 열어서 보여주니까 신뢰가 확 붙더라고요. 저희도 AI가 내린 결론의 근거를 투명하게 보여주는 걸 중요하게 보고 있어서 이 설계가 특히 반가웠어요!
추천을 한 번 하고 끝내는 게 아니라, 실제 착장 기록을 피드백으로 받아 TPO별 채택률로 쓸수록 내 취향에 수렴한다는 학습 루프도 좋았어요.
궁금한 것도 하나 있는데, 지금 가상 피팅은 이미지 합성(2D)이잖아요. 여기서 소재의 질감이나 내 체형에 따라 옷이 실제로 어떻게 떨어지는지까지 시뮬레이션처럼 보여주면 진짜 입어본 느낌이 날 것 같은데 — 혹시 그런 방향도 구상 중이신지, 아니면 어떻게 풀어가실 생각이신지 살짝 궁금해요!

시간 되시면  저희 PiecePool 프로젝트에도 의견 한 번 남겨주시면 감사하겠습니다 :) 우수한 대회 성적  받으시길 응원할게요, 화이팅!! 🔥

안녕하세요! WaveHome 서비스로 참여한 RADAI팀입니다.
평소 외출할 때 어떤 옷을 입을지 고민하느라 시간이 오래 걸리는 편이라, 해당 서비스가 실제로 있다면 정말 유용할 것 같다고 느꼈습니다. 직접 옷을 입어보지 않고도 가상 피팅을 통해 착용 모습을 미리 확인할 수 있다는 점도 인상 깊었습니다!
코디는 체형, 색상, 스타일, 상황 등 고려해야 할 변수가 상당히 많을 것 같은데, 코디 분석 결과의 점수는 어떤 기준과 방식으로 산출하셨는지 궁금합니다.
좋은 결과 있으시길 바랍니다!

안녕하세요! 이번 대회에 함께 참여 중인 장애인 대상 지도 서비스 팀, '준준티비'입니다.

사용자가 매일 아침 마주하는 "오늘 뭐 입지?"라는 아주 구체적이고 일상적인포인트를 AI 에이전트 기술로 깔끔하게 해결하려는 기획이 정말 매력적입니다. 특히 에이전트의 워크플로우를 '인지-기억-추론-행동-학습'이라는 인공지능의 핵심 메커니즘에 맞추어 정교하게 설계하신 점이 무척 돋보입니다. 옷 사진 등록부터 날씨 API(Open-Meteo)와 개인 캘린더 일정을 유기적으로 연동해 선제적으로 주간 코디 플랜을 제안하는 시나리오는 단순히 명령에 답하는 기능을 넘어선 진정한 '자율형 에이전트'의 정석을 보여주는 것 같습니다.

더불어 기술적 디테일에서도 깊은 감명을 받았습니다. 조건에 미달하는 코디 조합이 발생했을 때 처음부터 다시 프로세스를 돌리는 것이 아니라, 원인을 진단해 문제 아이템만 콕 집어 교체하는 '자기 수리 루프(Self-Correction Loop)' 설계는 리소스 효율성과 사용자 만족도를 모두 극대화한 영리한 접근이라고 생각합니다. 또한, 사용자의 실제 착장 기록을 캘린더를 통해 자연스러운 피드백 신호로 수집하고 이를 다음 추천에 지속해서 반영하는 선순환 구조는 쓰면 쓸수록 똑똑해지는 개인화 서비스의 본질을 정확히 짚어냈습니다. 백그라운드 조합 생성부터 가상 피팅, 캘린더 착장 기록으로 이어지는 사용자 흐름(UX) 역시 직관적이고 완성도가 높아 당장 서비스로 출시되어도 손색없을 만큼 훌륭한 프로젝트라고 느꼈습니다. 덕분에 많은 자극과 배움을 얻고 갑니다!

실례가 되지 않는다면, 저희 '준준티비'의 장애인 대상 지도 프로젝트에도 귀중한 피드백과 따뜻한 코멘트 한마디 남겨주시면 정말 큰 힘이 될 것 같습니다! 남은 대회 기간 동안모두 파이팅해서 좋은 결과 얻기를 진심으로 응원하겠습니다!

안녕하세요! 방 구조와 생활 취향을 3D 배치로 연결하는 AI 인테리어 에이전트 RoomFit 팀입니다.

정성스럽게 준비하신 자료 잘 보았습니다. 옷장을 관찰하고 코디를 계획하는 개인 스타일링 에이전트라는 방향이 정말 인상적이었고, 새 옷 감지부터 후보 점수 비교, 아우터 교체 후 최종 채택까지의 판단 과정을 활동 로그로 보여준 점이 특히 좋았습니다. 결과만 보여주는 추천이 아니라 왜 그런 코디가 나왔는지까지 확인할 수 있어서 신뢰도가 더 높게 느껴졌습니다.

또 실제 착장 기록을 피드백으로 받아 TPO별 채택률을 쌓아가는 학습 루프도 사용자 취향에 점점 수렴하는 구조라서 실용적으로 보였습니다. 현재는 2D 합성을 선택하셨다고 하셨는데, 소재 질감이나 체형에 따른 표현을 어떤 방식으로 더 보완해나가실지도 궁금했습니다.

저희 RoomFit은 실제 공간과 생활 맥락을 이해해 배치 가능한 가구와 공간 구성을 제안하는 3D 인테리어 AI Agent를 준비하고 있습니다. 분야는 다르지만, 사용자 맥락을 이해하고 그 과정을 투명하게 설명해준다는 점에서 많이 공감했습니다.

좋은 프로젝트 잘 보았습니다. 저희 RoomFit에도 시간 되실 때 한번 들러주시면 정말 감사하겠습니다. 좋은 결과 있으시길 진심으로 응원하겠습니다!

안녕하세요! 학생 프로필 연동 기반의 선제적 학사 일정 관리 AI Agent, hoBIT-AX 팀입니다.

MOODai 프로젝트를 흥미롭게 잘 봤습니다! 단순히 날씨에 맞는 옷을 추천하는 수준이 아니라, 사용자의 옷장, 일정, 날씨, 체형, 착장 이력까지 함께 고려해 개인화된 코디를 제안하는 점이 인상 깊었습니다. 특히 슬라이드에서 인지(Perception) → 기억(Memory) → 추론(Reasoning) → 행동(Action) → 학습(Learning)으로 이어지는 AI Agent 구조를 명확하게 설계하신 부분이 이해하기 쉬웠고, 실제 착장 기록을 다음 추천에 반영하는 학습 루프도 서비스가 사용할수록 더 똑똑해질 것 같아 기대되었습니다.

한 가지 궁금한 점이 있습니다. 슬라이드를 보니 추론 단계에서 70점 이상이면 바로 채택하고, 70점 미만이면 자기 수리(Self-Correction) 루프를 통해 일부 아이템만 교체하는 구조로 이해했는데요. 이때 어떤 아이템을 먼저 교체할지 우선순위는 어떤 기준으로 결정하는지 궁금했습니다. 예를 들어 색상 조합, TPO, 날씨, 사용자의 선호도 등 여러 요소가 동시에 영향을 줄 텐데, 어떤 기준을 가장 중요하게 반영하셨는지 여쭤보고 싶습니다.

저희도 학생마다 필요한 학사 정보와 일정이 달라지는 문제를 해결하기 위해 프로필 기반 RAG와 AI Agent를 활용한 hoBIT-AX를 개발하고 있습니다. 사용자의 프로필과 상황을 바탕으로 개인화된 정보를 제공하고, 사용 기록을 다음 추천에 반영한다는 점에서 비슷한 고민을 하고 있어 더욱 흥미롭게 살펴봤습니다.

좋은 프로젝트 잘 봤습니다! 시간 괜찮으시면 저희 hoBIT-AX 프로젝트에도 한 번 방문하셔서 의견 남겨주시면 감사하겠습니다. 이번 대회에서도 좋은 결과 있으시길 응원하겠습니다!