또 다른 베리에이션을 생성하는 것은 어떤 베리에이션에 더 많은 공을 들일지 결정하는 것보다 쉬운 경우가 많습니다. ComfyUI 그래프는 다양한 이미지, 편집본, 썸네일, 비디오 연출을 만들어낼 수 있지만, 오디언스에 대한 의사결정은 그래프 외부에서 이루어집니다. 파일을 내보내고, 리서치 브리프를 작성하고, 결과를 수집한 다음, 그에 맞는 원본을 다시 찾아야 합니다.
Minds는 이러한 워크플로우에 집중도 높은 선호도 질문을 직접 통합합니다. 단 하나의 Minds · Audience Preferences 노드가 여러 대안을 입력받고, 검토 가능한 Study 초안을 준비하며, 승인 후 이를 실행하여 그래프 내에 응답을 표시합니다. 선택된 원본 이미지나 비디오는 저장 단계나 후속 처리 단계로 곧바로 이어질 수 있습니다.
이 예시의 크리에이티브 판단은 축구 경기의 열기와 병에 초점을 맞춘 Share a Coke 장면을 비교합니다. QA용 Mind 네 개가 두 번째 이미지인 광고 B를, 한 개가 광고 A를 선택했습니다. 80%와 20%라는 비율은 Mind 다섯 개로 진행한 이 통합 확인의 결과입니다. 워크플로 캡처에는 캠페인 입력과 저장된 원본이 남아 있어 무엇을 보고 선호했는지 추적할 수 있으며, 광고 성과 예측으로 해석하지 않습니다. 캠페인 출처: Coca-Cola football, Share a Coke.
결과 위에 포인터를 놓고 마우스 휠이나 트랙패드의 두 손가락 동작으로 스크롤하면 분석 요약과 하단 컨트롤에 도달합니다. 그래프는 움직이지 않습니다. 이 세로로 긴 문서용 캡처에서는 결과 전체를 한 번에 보여 줍니다.
Minds는 상업용 합성 리서치를 위한 엔드투엔드 플랫폼입니다. 재사용 가능한 Mind, Audience, Study를 통해 정성적 연구와 정량적 연구를 연결합니다. PRISM은 각 Mind의 기반이 되는 추론, 인퍼런스 및 소스 모델링 엔진으로, 범위가 지정된 방향성 리서치를 위해 공개 소스 맥락과 허용된 리서치 입력을 활용합니다.
더 넓은 플랫폼 차원에서는 개방형 탐색, 설문조사, MaxDiff를 포함한 정량적 방법론을 지원합니다. 이번 ComfyUI 연동은 연결된 시스템 내에서 집중도 높은 범주형 선호도 테스트를 제공합니다. 이는 지정된 목적에 대해 특정 오디언스 집단이 제공된 대안 중 어떤 것을 선호하는지 즉각 판단해야 할 때 유용합니다. 그래프 수준의 선택을 넘어선 연구 방법론이 필요한 경우에는 기능 가이드에서 광범위한 리서치 방식을 확인할 수 있습니다.
일반적인 ComfyUI 필드를 통해 질문과 입력을 수집하는 동안, 결과 위젯은 노드 내에 바로 임베드됩니다. 응답을 시각적으로 확인하고 구조화된 출력을 라우팅에 활용할 수 있습니다. 일상적인 작업 경로를 위해 별도의 기획 노드, 승인 노드, 랭킹 노드를 따로 둘 필요가 없습니다.
대량 생성을 시작하기 전에 의사결정 기준을 명확히 정의하세요. "어떤 이미지가 가장 좋은가요?"라는 질문은 목적을 불분명하게 만듭니다. "이 제품 페이지의 오프닝 비주얼로 어떤 이미지를 선호하십니까?"라는 질문은 구체적인 용도와 선호 기준을 제시합니다. 두 버전 모두 측정된 전환율 상승을 입증하지는 않지만, 두 번째 질문이 검토하기에 훨씬 더 명확한 의사결정 기준을 제공합니다.
결과를 유의미하게 활용할 수 있도록 대안 간의 비교 가능성을 유지하세요. 모든 후보군에서 제품, 소구점, 비주얼 스타일, 게재 위치를 동시에 변경하면, 선호도 조사를 통해 어떤 종합 패키지가 선택되었는지는 알 수 있지만 그 원인을 분리해낼 수는 없습니다. 이것도 여전히 유용할 수 있지만, 수정된 헤드라인 하나나 오프닝 컷 하나를 테스트하는 것과는 다른 작업입니다.
적절한 Audience를 선택하고, 그 기반(grounding)과 준비 상태를 점검하며, 비교 전반에 걸쳐 시청 맥락을 일관되게 유지하세요. Mind 가이드에 응답자 기반이 설명되어 있습니다. 연관성 있는 이름의 오디언스 집단이라고 해서 자동으로 대표성이 확보되거나, 크리에이티브 선호도 비율을 시장 예측치로 안전하게 사용할 수 있는 것은 아닙니다.
생성된 두 이미지 시안을 images와 images_b에 연결한 다음, labels_json에 라벨을 지정하세요. Audience에게 특정 이미지가 우세하기를 바란다는 힌트를 주지 말고, 제품과 게재 위치를 객관적으로 설명하세요. 그런 다음 명시된 용도에 대해 어떤 시안을 선호하는지 질문합니다.
유용한 결과물은 다음 크리에이티브 액션으로 이어집니다. 한 시안을 선택해 추가 디벨롭을 진행하거나, 분석 결과에서 반복적으로 나타난 우려 사항을 조사하거나, 근소한 차이를 보인 후보군을 다음 비교를 위해 유지할 수 있습니다. 응답 데이터는 분포도와 함께 읽어야 합니다. 선호되는 심미성과 신뢰할 수 있는 제품 설명은 서로 연관된 크리에이티브 질문이지만, 상호 대체 가능한 측정 지표는 아닙니다.
더 명확한 수정본 테스트를 위해서는 기본 제안 내용과 맥락을 동일하게 유지하고, 의도한 크리에이티브 요소만 변경하세요. 여러 요소를 한 번에 변경했다면, 한 요소의 영향만을 분리해냈다고 주장하기보다는 전체 시안에 대한 선호도로 결과를 설명해야 합니다. 팩의 광고 선택 예제는 그래프 구조를 제공하며, 설치 가이드에서는 실제 미디어와 Audience를 연결하는 방법을 설명합니다.
썸네일은 제목과 함께, 특정 크기로, 특정 피드나 인터페이스 환경에서 노출됩니다. 질문에 관련 맥락을 포함하고 적절한 렌더링 크기로 후보군을 제시하세요. 의사결정이 가독성에 달려 있다면, 자극물에는 Audience가 판단해야 할 텍스트와 구도가 온전히 담겨 있어야 합니다.
설명된 비디오에 대해 어떤 썸네일을 선호하는지와 같이 명확히 한정된 질문을 던지세요. 그 결과로 나온 선호도 점유율을 "클릭률"로 바꿔 부르지 마세요. 이 노드는 합성 범주형 응답을 기록할 뿐이며, 라이브 피드에서 모집된 실제 패널에게 썸네일을 보여주고 클릭수를 측정한 것이 아닙니다.
선호된 방향을 활용하여 다음 이터레이션을 준비할 수 있습니다. 응답에서 모호함이나 오해의 소지가 있는 기대감이 지적된다면, 후보군을 수정한 뒤 새 테스트를 시작하세요. 팀이 첫 번째 비교와 수정된 자료를 구분할 수 있도록 이전 Study 참조 정보를 보관하세요.
표시된 대로 이미지 대안을 사용하여 패키징 디자인 방향을 테스트하세요. 제품 카테고리와 디자인을 평가해야 하는 상황을 명시하세요. 라벨은 중립적으로 유지하고, 눈에 보이는 문구가 실제로 테스트하려는 문구와 일치하는지 확인하세요.
이미지는 제시된 시각적 연출에 대한 질문을 뒷받침할 수 있습니다. 하지만 소재의 물리적 질감, 패키지를 여는 경험, 실제 제품의 성능까지 입증할 수는 없습니다. 이러한 측면이 중요하다면 이미지 선호도를 감각 테스트로 취급하기보다, 더 넓은 리서치 프로세스에 적절한 근거를 추가해야 합니다.
패키징 이터레이션의 경우 원본 크리에이티브와 변경된 버전을 모두 보존하세요. 그래프는 선호된 원본 이미지를 반환할 수 있으며, 저장된 Study는 리서치 맥락을 보존합니다. 이를 통해 라벨 없는 승자 막대그래프 스크린샷만 남기는 것보다 의사결정을 훨씬 쉽게 설명할 수 있습니다.
네이티브 VIDEO 입력은 실제 클립을 수용합니다. 어댑터는 업로드를 위해 이를 MP4로 인코딩하며, 다운스트림 선택을 위해 원본 VIDEO 객체를 유지합니다. 해당 객체에 포함된 오디오도 그대로 보존됩니다. 따라서 가상의 편집본에 대한 서면 설명 대신 완성된 연출물에 기반해야 하는 질문에 적합합니다.
이 캡처 화면은 오디오가 포함된 짧은 2초짜리 픽스처 두 개를 보여줍니다. QA Mind 중 3명이 Video A를, 2명이 Video B를 선택하여 60%/40%의 결과가 나왔습니다. 이 테스트에는 승인된 실행, 결과 렌더링, 네이티브 비디오 저장이 포함되었습니다. 이는 테스트된 ComfyUI 환경에서 이러한 숏폼 비디오 경로가 정상 작동했음을 입증하는 것이지, 모든 롱폼 비디오 포맷이나 길이에 대한 호환성을 증명하는 것은 아닙니다.
Audience가 사운드를 켠 상태로 클립을 고려해야 하는지, 그리고 선호도가 어떤 용도에 관한 것인지 명시하세요. 제품 소개에 대한 질문은 오프닝 훅에 대한 질문과 다릅니다. 최종 의사결정에 실제 시청 시간이나 주목도 데이터가 필요하다면 해당 근거를 별도로 수집하세요. 비디오 가이드에서 포트, 제한 사항, 후보군 순서, 오디오 고려 사항을 자세히 다룹니다.
원본 크리에이티브와 제안된 수정본을 연결하세요. 명확한 이름을 붙이고, 두 시안에 대해 동일한 사용 목적을 설명하며, 집중도 높은 선호도 질문을 던지세요. 나중에 동료가 비교 내용을 이해할 수 있도록 변경된 사항을 기록해 두세요.
여러 요소를 수정했다면 응답은 수정본 전체에 대한 것입니다. 더 나은 결과가 나왔다고 해서 어떤 편집이 변화를 이끌어냈는지 스스로 특정할 수는 없습니다. 다음 의사결정에서 이러한 구분이 필요하다면 다른 비교를 설계하거나 더 광범위한 Minds 워크플로우를 활용하여 특정 이슈를 조사하세요.
자료, 질문, 라벨, 맥락, Audience 또는 스터디 언어를 변경한 후에는 New test를 누르세요. 이렇게 하면 새로운 요청 식별자가 생성되고 새로운 검토가 요구됩니다. 다른 수정본에 이전 승인을 재사용하면 크리에이티브와 저장된 리서치 간의 연결성이 훼손됩니다.
동일한 크리에이티브가 서로 다른 타깃층을 대상으로 할 수 있는 경우, 준비된 여러 Audience를 선택하세요. 응답은 각 Audience의 분포를 분리하여 유지합니다. 의견 차이는 유용할 수 있습니다. 한 시안이 특정 집단의 요구에 더 잘 부합하는 반면, 다른 집단은 다른 방향을 선호할 수 있기 때문입니다.
타당한 리서치 설계 없이 이러한 결과를 합산하여 단일 승자를 만들지 마세요. 이 노드는 여러 Audience가 존재하고 네이티브 선택을 진행해야 할 때 의도적으로 selection_audience_id를 요구합니다. 해당 그래프 브랜치를 제어할 순위 기준이 되는 포함된 Audience를 하나 선택하세요. 다른 Audience 결과도 계속해서 검토할 수 있습니다.
세그먼트별로 서로 다른 크리에이티브 처리가 필요한 것으로 나타나면, 이러한 방향을 명시적인 의사결정으로 디벨롭하세요. 노드는 Audience 이름에서 시장 규모 가중치를 임의로 추론하지 않으며, 한 테스트에서 더 많은 수의 Mind가 참여했다고 해서 자동으로 인구 가중치 규칙이 적용되는 것은 아닙니다.
직접 제어하는 ComfyUI 서버에 공식 ComfyUI-Minds 팩을 설치하고, 해당 서버의 Python 환경에서 요구 패키지를 설치한 후 서버를 재시작하세요. 서버 프로세스에 MINDS_API_KEY가 주입되도록 자격 증명 관리자를 설정합니다. API 키는 공유되는 워크플로우 JSON이나 일반 입력 위젯 외부에 보관해야 합니다.
팩의 예제 중 하나를 로드하거나 Minds · Audience Preferences를 추가하세요. 미디어를 연결하고, 고유한 라벨을 지정하고, 준비된 기존 Audience ID를 입력한 뒤, 질문과 맥락을 작성합니다. 이 노드는 assets_json을 통해 호스팅된 이미지/비디오 참조 및 라벨이 지정된 텍스트 콘셉트도 지원합니다. 이러한 입력은 연결되지 않은 네이티브 미디어 대신 선택된 참조나 콘셉트를 생성합니다.
저장된 초안을 준비하려면 한 번 큐에 등록하세요. 질문, 대안, 선택된 Audience, 언어를 검토합니다. 초안을 승인한 다음, 승인된 리서치를 실행하기 위해 다시 큐에 등록하세요. 노드는 필수 검토 및 완료된 결과가 나올 때까지 다운스트림 출력을 차단 상태로 유지합니다.
이 검토 과정은 뒤바뀐 라벨 순서, 무관한 Audience, 또는 질문에서 누락된 시청 조건을 포착하는 데 유용한 체크포인트입니다. 또한 저장된 리서치가 수정된 계획을 암묵적으로 수용하는 대신 요청된 질문과 정확히 일치하도록 보장합니다.
차트를 확인하기 전에 임베디드된 질문과 Audience를 먼저 읽으세요. 결과 분석과 개별 응답을 면밀히 검토합니다. 결과가 뒷받침하는 바에 따라 방향을 결정하세요. 다듬을 방향을 선택하거나, 숏리스트를 유지하거나, 혼란을 주는 요소를 조사하거나, 추후 검증 테스트를 준비할 수 있습니다.
원본 네이티브 자료로 작업을 계속하려면 selected_images 또는 selected_videos를 호환되는 저장 또는 처리 노드에 연결하세요. 숏리스트를 뽑으려면 top_k를 설정합니다. 커트라인에서 동률인 항목은 계속 포함되므로 지정한 숫자보다 많은 후보가 반환될 수 있습니다. 어댑터는 첫 번째 입력을 자의적으로 선택하는 대신 동률을 유지함으로써 순위의 불확실성을 보존합니다.
다른 단계에서 Study 및 실행 참조, Audience별 순위, 정확한 크리에이티브 매핑이 필요한 경우 results_json을 사용하세요. 구조화된 결과는 신뢰도를 null로 남겨두며, 임의의 통계적 구간을 생성하거나 선호도를 캠페인 성과로 바꾸어 부르지 않습니다. 결과 및 문제 해결 레퍼런스에 필드와 출력 차단 케이스가 문서화되어 있습니다.
로컬 폴링 시간이 초과되었을 때 리서치가 아직 실행 중이라면, 변경되지 않은 워크플로우를 큐에 등록하여 저장된 실행을 재개하세요. 실제 리서치가 변경된 경우에는 New test를 사용하세요. 이러한 구분을 통해 네트워크 중단을 중복 리서치 생성의 이유로 삼거나, 새로운 크리에이티브를 변경 없는 재시도로 처리하는 오류를 방지할 수 있습니다.
ComfyUI는 생성된 미디어가 프로덕션 그래프 내에서 네이티브 상태를 유지해야 할 때 유용합니다. 리서치 기획, 광범위한 탐색, 에이전트 주도 시퀀스가 주된 작업인 경우에는 대화형 워크플로우가 더 편리할 수 있습니다. ChatGPT 가이드, Claude 가이드, 연동 개요, MCP 개요에서 이러한 옵션을 설명합니다.
이 모든 진입점은 더 광범위한 Minds 리서치 플랫폼과 연결됩니다. 집중도 높은 크리에이티브 선호도 실행은 Audience 생성, 정성적 탐색, 설문조사, 지원되는 정량적 방법론, 비교 및 내보내기를 포함하는 전체 라이프사이클의 한 단계가 될 수 있습니다. 필요한 경우 실제 패널 관찰, 라이브 성과 측정, 물리적 테스트 등을 포함하여 의사결정에 적합한 근거를 유지하세요.
검토 기반의 첫 비교를 실행하려면 ComfyUI 설정 가이드부터 시작하세요. 모션과 사운드는 비디오 가이드를, 노드가 반환한 결과를 검토하려면 결과 레퍼런스를 참조하세요. 목표는 추적 가능한 크리에이티브 의사결정입니다. 올바른 타깃 집단, 실제 자료, 명확한 질문, 그리고 다음 행동을 안내하는 결과가 그것입니다.
