프레젠테이션 슬라이드를 디자인할 때는 전체 덱의 테마뿐 아니라 페이지 단위의 세밀한 레이아웃까지 개인 취향에 맞춰야 하는 경우가 많다. 리우톈츠, 둥쯔한, 장린쥔 등과 마이크로소프트 연구진이 함께 참여한 연구팀은 현재의 AI 에이전트 기반 슬라이드 생성 방법들이 이런 페이지 수준의 세밀한 디자인 조정에 취약하다고 지적했다. 기존 템플릿에 의존하거나 사용자가 장황한 지시문을 직접 입력해야 하는 방식으로는 사용자의 숨겨진 디자인 의도를 포착하지 못해, ‘페이지 수준 슬라이드 개인화(PSP)’ 문제가 여전히 풀리지 않은 채 남아 있다는 것이다.
연구진은 이 문제를 해결하기 위해 PSP를 ‘역계획(inverse planning)’ 문제로 재정식화했다. 사용자가 실제로 파워포인트나 빔(Beamer) 같은 특정 실행 도구를 어떻게 다루는지에 대한 사전 지식을 가정하지 않고도 디자인 의도를 학습하는 방식을 제안한 것이다. 다만 이런 실행 도구에 대한 통제권을 포기하면 문제 자체를 종단간(end-to-end)으로 최적화하기 어려워지는 딜레마가 생긴다.
이를 해결하기 위해 연구진은 ‘SPIRE’라는 원칙에 기반한 프레임워크를 제안했다. SPIRE는 깨끗한 슬라이드의 시각적 구조를 의도적으로 훼손한 뒤, 이를 다시 복원(디노이징)하도록 하는 검증 가능한 과제를 만들어낸다. 이 과정에서 두 개의 에이전트가 강화학습(RL)을 통해 실행 가능한 디자인을 협업하며 다듬어가도록 학습시킨다. 연구진은 구조적 디노이징이 PSP 문제에 대한 일관된 대리 과제(surrogate)가 될 수 있음을 증명했으며, 이런 다중 에이전트 구성이 강화학습에서 정책 경사(policy gradient)의 분산을 엄밀하게 줄여준다는 점도 함께 입증했다고 밝혔다.
연구진은 폭넓은 실험을 통해 SPIRE의 우수성을 확인했다고 밝혔다. 다만 논문 초록에는 구체적인 정량 비교 수치는 제시되지 않았다.
이 연구는 슬라이드 자동 생성 AI가 단순히 보기 좋은 템플릿을 채워 넣는 수준을 넘어, 사용자가 명시적으로 말하지 않은 세부적인 디자인 취향까지 추론해내는 방향으로 발전하고 있음을 보여준다. 프레젠테이션뿐 아니라 다양한 창작 도구에서 사용자의 암묵적 의도를 읽어내려는 이런 접근은, 생성형 AI 기반 오피스 도구 전반의 개인화 경쟁에서 중요한 기술적 이정표가 될 것으로 전망된다.
