Gen AI 사용한 편집 워크플로

솔루션 개요

콘텐츠 팀은 급변하는 뉴스 환경에서 매력적이고 신뢰할 수 있는 콘텐츠를 제작해야 한다는 점점 더 많은 압박을 받고 있습니다. 기존의 방법은 수작업 조사, 소스 검증, 도구 관리 에 소비되는 시간으로 인해 콘텐츠 제작보다 크리에이티브에 대한 피로와 기회를 놓치는 경우가 많습니다. MongoDB 사용하면 생성형 AI 와 MongoDB의 적응형 데이터 인프라를 결합하여 편집 작업을 최적화할 수 있습니다. 이러한 기능을 테스트할 수 있도록 복제할 수 있는 솔루션인 콘텐츠 랩 데모를 제공합니다.

콘텐츠 랩 데모는 편집 워크플로를 간소화하고 다음을 수행할 수 있습니다.

• 다양한 콘텐츠 수집 및 구조화: 이 데모는 다양한 소스의 대용량 비구조화 및 반구조화 콘텐츠를 효율적으로 처리하여 주제, 산업 및 소스 메타데이터 별로 동적으로 구성합니다.

• AI 기반 검색 및 드래프팅 지원: 임베딩 모델과 MongoDB Atlas Vector Search는 원본 콘텐츠를 검색 가능한 구조화된 데이터로 변환합니다. 이 조합을 통해 인기 급상승 주제의 시맨틱 검색이 가능하고 콘텐츠 초안 작성을 자동화하여 크리에이티브의 피로도를 줄일 수 있습니다.

• 콘텐츠 신뢰성 향상: 이 데모는 소스 URL을 캡처하고 저장한 다음 주제 추천에 직접 포함됩니다. 외부 검색 에이전트와의 통합은 상황에 맞는 정보를 통해 콘텐츠 제안을 더욱 풍부하게 합니다.

• 개인화 및 워크플로 효율성 향상: 이 데모는 사용자의 프로필을 처리하여 개인화된 쓰기 제안을 제공하고 버전 관리 및 재사용을 위해 초안을 저장합니다. MongoDB의 유연한 스키마 워크플로를 중단하지 않고 진화하는 프로필 데이터, 초안 형식, 새로운 콘텐츠 유형에 쉽게 적응함으로써 이를 가능하게 합니다.

클릭하여 확대

그림 1. 사용자 여정 흐름도

이 데모에서는 통합 저장 솔루션, 실시간 인사이트, 자동화된 콘텐츠 지원을 통해 MongoDB 편집 팀이 편집 팀의 복잡성을 줄이고, 콘텐츠 품질을 향상시키며, 프로덕션을 가속화하는 데 어떻게 도움이 되는지 보여줍니다. 퍼블리셔에게 아이디어에서 출판까지의 명확한 경로를 제공합니다.

참고 아키텍처

콘텐츠 랩 데모는 Gen AI 와 MongoDB의 유연한 데이터 인프라를 결합하여 편집 운영을 간소화하는 AI 기반 게시 도구를 제공합니다. 이 아키텍처는 다음을 위한 microservices 로 설계되었습니다.

• 다양한 콘텐츠 수집 처리

• AI 기반 검색 및 초안 작성 촉진

• 콘텐츠 신뢰성 향상

• 개인화 및 워크플로 효율성 지원

클릭하여 확대

그림 2. 콘텐츠 랩 데모의 상위 수준 아키텍처

이 아키텍처는 다음 구성 요소를 사용합니다:

• 사용자 인터페이스(UI): 사용자는 주제 제안, 초안 도구, 초안 관리 등의 기능을 제공하는 UI를 통해 시스템과 상호 작용.

• 백엔드 서비스: 이러한 마이크로 서비스는 다음을 포함하여 데모의 다양한 기능을 처리하다 .

  • 콘텐츠 분석 및 제안 백엔드: 이 서비스는 뉴스와 Reddit 데이터를 처리하여 Cohere-embed 와 같은 임베딩 모델을 통해 콘텐츠를 시맨틱 벡터로 변환합니다. 그런 다음 이러한 벡터를 Atlas Vector Search 로 처리하여 실시간 주제 제안을 제공할 수 있습니다. microservices 에는 다음과 같은 주요 구성 요소가 있습니다.

    • 스케줄러 및 오케스트레이션: 이 서비스는 수집, 임베딩 생성 및 주제 제안 워크플로를 매일 자동화합니다.

    • 역할: 이 서비스는 시맨틱 검색 및 조회를 사용하여 쓰기 비서 microservices 서비스에 대한 다운스트림 쓰기 지원 및 개인화 제공합니다.

    아래에서 이 microservices 에 대한 높은 수준의 개요 다이어그램을 찾을 수 있습니다.

    

    클릭하여 확대

    그림 3. 콘텐츠 및 제안 백엔드 의 상위 수준 아키텍처

  • 쓰기 어시스턴트 백엔드: 이 서비스는 초안 개요, 교정, 콘텐츠 수정, 채팅 완료를 포함한 게시 도구를 제공합니다. 이 연장은 Amazon Web Services 기반을 통해 Atronic Claude와 같은 LLM 을 사용합니다.

• MongoDB Atlas: Atlas 프라이머리 데이터 저장 역할을 하며, 효율적인 처리 및 조회를 위한 시맨틱 검색 기능, 데이터베이스 저장, 집계 파이프라인을 제공합니다.

데이터 모델 접근 방식

이 데모에서는 다음 문서 모델 디자인 및 컬렉션을 사용하여 콘텐츠를 저장 .

콘텐츠 랩 데모에는 5개의 주요 컬렉션이 있습니다.

• userProfile

• reddit_posts

• news

• suggestions

• drafts

userProfile 컬렉션 개별 사용자 기본 설정을 저장하여 개인화된 AI 기반 제안을 맞춤 설정합니다. 이러한 기본 설정에는 다음이 포함됩니다.

• persona: 사용자가 선택할 수 있는 작성자 유형입니다.

• tone: 사용자가 원하는 톤( 예시: 캐쥬얼, 포멀 또는 세미 포멀)을 선택할 수 있습니다.

• styleTraits: 작성자의 사전 정의된 특성입니다.

• sampleText: 작가의 예시 문장입니다.

이 스키마 자주 함께 액세스하는 데이터가 함께 저장된다는 MongoDB 설계 원칙을 따르므로 쓰기 어시스턴트가 사용자 추천을 빠르게 조회 할 수 있습니다. 샘플 문서 아래에 나와 있습니다.

{
  "_id": {
    "$oid": "6862a8988c0f7bf43af995a8"
  },
  "persona": "The Formal Expert",
  "userName": "Mark S.",
  "tone": "Polished, academic, appeals to professionals and older readers",
  "styleTraits": [
    "Long, structured paragraphs",
    "Formal language with rich vocabulary",
    "Analytical, often includes references or citations"
  ],
  "sampleText": "This development represents..."
}

reddit_posts 및 news 컬렉션은 해당 API에서 수집한 원시 데이터를 저장 . 이러한 문서는 시맨틱 검색 활성화 하는 콘텐츠의 의미를 숫자로 표현한 임베딩으로 더욱 강화됩니다.

suggestions 컬렉션 에는 처리된 reddit_posts 및 news 데이터에서 제안된 주제가 포함되어 있습니다. UI 이러한 문서를 쉽게 찾아 주제 선택에 사용할 수 있습니다. 샘플 문서 아래에 나와 있습니다.

{
  "_id": {
    "$oid": "686fb23055303796c4f37b7e"
  },
  "topic": "Backlash against generative AI",
  "keywords": [
    "algorithmic bias",
    "data privacy",
    "AI regulation",
    "public trust"
  ],
  "description": "As generative AI tools like ChatGPT proliferate, a growing public backlash highlights concerns over their negative impacts and the need for stronger oversight.",
  "label": "technology",
  "url": "https://www.wired.com/story/generative-ai-backlash/",
  "type": "news_analysis",
  "analyzed_at": {
    "$date": "2025-07-10T12:29:36.277Z"
  },
  "source_query": "Viral social media content"
}

마지막으로 drafts 컬렉션 사용자의 초안을 저장합니다. 각 초안은 추천 주제 와 연결되어 있어 쉽게 조직 하고 조회할 수 있습니다. 이 모델은 편집 워크플로의 지속성, 버전 관리 및 콘텐츠 재사용성을 보장합니다.

솔루션 빌드

다음 단계에 따라 이 데모를 복제할 수 있습니다.

주요 학습 사항

• MongoDB의 유연한 스키마로 데이터 모델 조정: MongoDB 사용하면 다운타임이나 복잡한 마이그레이션 없이 컬렉션에 사용자 지정 메타데이터, 요약, 버전 기록 등 기존 필드를 원활하게 추가하거나 기존 필드를 조정할 수 있습니다.

• 의미 있는 발견을 위한 Atlas Vector Search 통합: MongoDB 사용하면 다양한 API의 임베딩을 해당 컬렉션에 저장 다음 유사성 쿼리를 실행 관련 주제를 몇 초 만에 발견할 수 있습니다.

• 콘텐츠 소스를 추적하여 편집자 신뢰 보장: MongoDB 사용하면 소스 URL과 메타데이터 추천 항목과 함께 저장 출처를 쉽게 확인하고 초안의 신뢰성을 유지할 수 있습니다.

• 파이프라인 자동화하여 아이디어의 지속적인 스트림 유지: MongoDB 사용하면 뉴스를 스크랩하고, 임베딩을 프로세스 , 최신 주제 추천을 보장하는 제안을 생성하는 일일 작업을 예정 할 수 있습니다.

작성자

• Aswin Subramanian 마헤스와란, MongoDB

• Felipe Trejos, MongoDB

자세히 알아보기

• Atlas Vector Search 시맨틱 검색 강화하고 실시간 분석 가능하게 하는 방법을 알아보려면 Atlas Vector Search 페이지를 방문하세요.

• MongoDB 미디어 운영을 어떻게 혁신하고 있는지 학습 AI 기반 미디어 개인화: MongoDB 및 벡터 검색 문서를 읽어보세요.

• MongoDB 최신 미디어 워크플로를 지원하는 방법을 알아보려면 미디어 및 엔터테이먼트용 MongoDB 페이지를 방문하세요.