정책 평가를 위한 LLM 강화 디지털 트윈: 숏폼 동영상 플랫폼 적용
LLM-Augmented Digital Twin for Policy Evaluation in Short-Video Platforms
숏폼 동영상 플랫폼은 플랫폼 정책, 창작자 인센티브, 사용자 행동이 공진화하는 폐쇄 루프(closed-loop) 인간 참여형(human-in-the-loop) 생태계이다. 이러한 피드백 구조로 인해 특히 장기 지평선(long-horizon) 및 분포적(distributional) 결과에 대한 반사실적(counterfactual) 정책 평가가 프로덕션 환경에서 어렵다. 플랫폼이 시스템에 유입되는 콘텐츠, 에이전트의 적응 방식, 플랫폼 운영 방식을 변화시키는 AI 도구를 배포함에 따라 이 문제는 더욱 심화된다. 본 논문에서는 숏폼 동영상 플랫폼을 위한 대규모 언어 모델(LLM) 강화 디지털 트윈을 제안한다. 이 시스템은 모듈식 4중 트윈 아키텍처(사용자, 콘텐츠, 상호작용, 플랫폼)와 재현 가능한 실험을 지원하는 이벤트 기반 실행 층으로 구성된다. 플랫폼 정책은 Platform Twin 내에 플러그인 가능한 컴포넌트로 구현되며, LLM은 통합 옵티마이저를 통해 라우팅되는 선택적·스키마 제약 의사결정 서비스(예: 페르소나 생성, 콘텐츠 캡셔닝, 캠페인 기획, 트렌드 예측)로 통합된다. 이 설계는 폐쇄 루프 다이내믹스를 유지하면서 선택적 LLM 도입을 허용하는 확장 가능한 시뮬레이션을 가능하게 하며, AI 기반 정책을 포함한 플랫폼 정책을 현실적인 피드백 및 제약 조건 하에서 연구할 수 있도록 한다.