대규모 언어모델(LLM)은 텍스트를 기반으로 개별 차트나 그래프를 생성하는 데 뛰어난 능력을 보여왔습니다. 그러나 여러 개의 시각화가 데이터 흐름을 공유하고 상호작용하는 복합 다중 뷰 시각화(Coordinated Multi-View Visualization, CMV)를 생성하는 것은 여전히 난제로 남아 있었습니다. 각 뷰(view) 간의 데이터 변환, 시각적 인코딩, 상호작용 조정이 긴밀하게 연결되어 있어, 한 부분의 오류가 전체 시스템을 무효화하는 문제가 발생하기 때문입니다.
최근 발표된 연구 'Crystalis'는 이러한 CMV 생성의 구조적 정확성 문제를 해결하기 위한 새로운 프레임워크를 제시합니다. Crystalis는 쿼리 중심의 CMV 모델링을 기반으로, CMV를 세 가지 구성 요소(데이터, 시각화, 상호작용)와 세 가지 추상화 수준(요구사항, 사양, 실행 가능한 객체)에 걸쳐 의존성 그래프로 분해합니다. 이 구조 위에서 '점진적 핵 생성(progressive nucleation)'과 '의미론적 어닐링(semantic annealing)'이라는 두 가지 메커니즘이 작동합니다. 점진적 핵 생성은 요구사항부터 실행 가능한 객체까지 각 쿼리를 수직적으로 생성하며, 의미론적 어닐링은 각 수준에서 쿼리 간의 수평적 일관성을 논리적 검사를 통해 강제합니다.
이 프레임워크를 다섯 가지 최신 LLM에 적용하여 12가지 태스크 벤치마크를 수행한 결과, Crystalis는 최대 75%의 종단간(end-to-end) 성공률을 달성했습니다. 이는 동일한 기반 모델을 사용한 기존 에이전트 기반 코딩 방식의 8.3% 성공률을 크게 뛰어넘는 수치입니다. 12명의 전문가를 대상으로 한 사용자 연구에서도 이러한 분해 및 반복적 개선 워크플로우의 유용성이 확인되었습니다. 이 연구는 LLM이 복잡한 시각화 시스템을 안정적으로 생성할 수 있음을 보여주며, 데이터 분석가나 개발자가 더욱 정교하고 상호작용적인 대시보드를 쉽게 만들 수 있는 가능성을 열었습니다.