본 논문은 교통, 의료, 로봇 공학 등의 분야에서 머신러닝 애플리케이션 성능에 중요한 영향을 미치는 훈련 데이터의 품질 향상을 위한 연구이다. 기존의 정확한 이미지 라벨링은 시간이 많이 걸리고 전문가의 지식이 필요하며 피드백이 제한적이라는 한계가 있다. 이를 해결하기 위해 본 연구는 대규모 언어 모델(LLM)을 활용한 스케치 기반 주석 접근 방식을 제시한다. 합성 데이터셋을 사용하여 스케치 인식 기능과 LLM 피드백 지표 간의 관계를 분석함으로써 LLM 지원 라벨링의 신뢰성과 해석성을 향상시키는 것을 목표로 한다. 또한 프롬프팅 전략과 스케치 변형이 피드백 품질에 미치는 영향을 조사한다. 주요 기여는 비전문가의 주석 작업을 단순화하고 확장성, 접근성, 설명 가능성 측면에서 LLM 기반 라벨링 도구를 발전시키는 스케치 기반 가상 비서이다.
