온라인 마켓플레이스에서 제품 이미지는 소비자의 의사결정에 강력한 영향을 미칩니다. 멀티모달 대조 학습 (Multimodal Contrastive Learning)에 의해 강화된 생성형 AI (Generative AI)는 텍스트 프롬프트 (Text Prompt)와 밀접하게 일치하는 이미지를 출력할 수 있습니다. 그러나 기존의 생성형 AI 모델들은 마켓플레이스의 성과를 직접적으로 최적화하지는 못합니다. 이는 의미론적 정렬 (Semantic Alignment)만으로는 이미지가 판매될 것임을 보장할 수 없기 때문에 발생하는 중요한 격차입니다. 이러한 한계를 해결하기 위해, 우리는 소비자 수요를 새로운 유틸리티 인식 InfoNCE 손실 함수 (Utility-Aware InfoNCE loss)에 통합하는 '유틸리티 인식 멀티모달 대조 학습 (Utility-aware multimodal contrastive learning)' 프레임워크를 제안합니다. 이 유틸리티 인식 목적 함수를 최적화하면 생성이 의미론적으로 일관되면서도 수요를 증진시키는 이미지로 유도됩니다. 이러한 효과는 학습된 이미지-텍스트 표현 공간 (Image-text representation space)이 수요 중심의 시각적 단서 (Visual cues)를 향해 이동함으로써 직접적으로 발생하며, 우리는 제안된 목적 함수의 이론적 경계 (Theoretical bound)를 통해 이를 검증합니다. Amazon 및 Airbnb에서의 다운스트림 애플리케이션 (Downstream applications) 적용 결과, 우리 방법으로 생성 및 편집된 제품 이미지는 텍스트-이미지 일관성 (Text-image consistency)을 유지하면서도 수요를 높이고 충실도 (Fidelity)를 보존하는 측면에서 최첨단 (State-of-the-art) 모델들보다 뛰어난 성능을 보였습니다. 특히, 우리의 유틸리티 인식 프레임워크는 미학 (Aesthetics) 및 독특함 (Uniqueness)과 같은 속성에 대해 역 U자형 (Inverse U-shaped) 수요 패턴을 보존하며, 충실도와 의미론적 일관성을 유지하면서 수요 기반 성능을 향상시킵니다. 인간 대상 실험 (Human-subject experiments)을 통해 상업적 효과를 추가로 검증했습니다. 생성형 AI 기술이 계속 진화함에 따라, 우리의 유틸리티 인식 구성 요소는 신규 생성 모델에 유연하게 내장되어 직접적인 상업적 활용도를 높일 수 있습니다.