# ActiveLLM, 라벨링할 32개를 LLM이 고른다면

ActiveLLM의 LLM 기반 예제 선택과 후속 분류기 분리 구조, 32개 예제 실험의 성과·예외·평가 한계를 분석합니다.

Source: https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection

HOME / NEWS & INSIGHTS NEWS & INSIGHTS ActiveLLM, 라벨링할 32개를 LLM이 고른다면 ActiveLLM의 LLM 기반 예제 선택과 후속 분류기 분리 구조, 32개 예제 실험의 성과·예외·평가 한계를 분석합니다. 인공지능 2026.11.12 게시 IPLEX 13분 읽기 학습 데이터가 부족할 때는 예제를 더 모으는 일만큼, 무엇부터 읽고 정답을 붙일지 정하는 일이 중요합니다. 수천 개의 문장 중 사람이 32개만 검토할 수 있다면 어떤 문장을 고르는 것이 좋을까요? 오늘 살펴볼 ActiveLLM은 이 선택 작업에 대규모 언어모델을 활용합니다. ActiveLLM의 핵심은 선택용 LLM이 라벨링할 예제를 고르고, 그 예제로 별도의 분류기를 학습시키는 역할 분담입니다. 1. 첫 학습 데이터를 고르는 일이 어려운 이유 능동학습은 아직 정답이 없는 데이터 가운데, 사람이 라벨을 붙였을 때 학습에 도움이 될 예제를 먼저 고르는 방법입니다. 예를 들어 문장의 감정을 긍정과 부정으로 분류한다면, 모든 문장에 정답을 붙이기보다 모델이 배우기 좋은 문장을 우선 검토하는 것입니다. 같은 라벨링 예산을 어떻게 배분할지가 주요 관심사입니다. 전통적인 접근에서는 현재 분류기가 가장 확신하지 못하는 예제를 고르기도 합니다. 그러나 시작 단계에는 분류기를 제대로 학습시킬 정답 데이터 자체가 부족합니다. 아직 내용을 잘 모르는 학생에게 자신이 가장 헷갈리는 문제를 정확히 골라 보라고 요구하는 셈입니다. 초기 판단이 부정확하면 이후 데이터 선택도 흔들릴 수 있습니다. 이런 출발점의 어려움을 콜드스타트라고 합니다. ActiveLLM 연구진은 이미 다양한 언어 지식을 학습한 LLM을 예제 선택에 활용하면, 아직 학습이 충분하지 않은 분류기에 첫 선택을 맡기는 부담을 줄일 수 있다고 보았습니다. 이 비유에서 LLM은 문제를 골라 주는 조력자이고, 실제 과제를 학습하는 학생은 별도의 분류기입니다. 2. 논문 기본 정보와 읽을 때의 기준 논문 제목은 “ActiveLLM: Large Language Model-Based Active Learning for Textual Few-Shot Scenarios”입니다. 저자는 Markus Bayer, Justin Lutz, Christian Reuter이며, 논문에 기재된 소속은 독일 다름슈타트 공과대학교의 PEASEC입니다. 이 글의 작성자인 김용덕 변리사와 실제 논문 연구진은 구별됩니다. 최종 논문은 Transactions of the Association for Computational Linguistics(TACL) 제14권, 1–22쪽에 2026년 1월 게재되었습니다. DOI는 10.1162/tacl.a.63입니다. arXiv 식별자는 2405.10808이지만, 여기서는 프리프린트 대신 최종 학술지판의 본문과 결과를 기준으로 합니다. 원문에는 CC BY 4.0 이용허락이 명시되어 있습니다. 여기서 few-shot은 소수의 예제로 후속 분류기를 학습하는 상황입니다. LLM 입력창에 몇 가지 예시를 넣고 바로 답을 받는 방식과 구분해야 합니다. 3. 예제를 고르는 모델과 분류하는 모델을 나누다 Bayer·Lutz·Reuter(2026), Figure 1, CC BY 4.0. 예제 선택용 LLM과 선택된 데이터로 학습하는 후속 분류기의 역할을 구분한 구조. 그림의 핵심은 선택용 모델과 최종 분류기가 같을 필요가 없다는 점입니다. 선택용 LLM에는 비라벨 예제와 선택 지시가 전달됩니다. LLM이 고른 예제에 라벨이 부여되면, BERT나 RoBERTa 같은 후속 분류기를 그 데이터로 학습시킵니다. 선택용 LLM이 최종 분류기의 내부 확률이나 파라미터를 직접 읽는 구조는 아닙니다. 이 구분은 활용 시점을 이해하는 데도 중요합니다. 데이터 선정 단계에서는 큰 모델의 언어 이해 능력을 빌리지만, 이후 학습된 분류기를 사용할 때마다 반드시 같은 LLM을 다시 호출해야 하는 것은 아닙니다. 다만 연구가 실제로 평가한 것은 특정 분류 과제와 모델의 조합입니다. 모든 작업을 작은 모델로 대체할 수 있다는 결론으로 확대할 수는 없습니다. 또한 연구진은 LLM이 고른 예제에 기존 데이터셋의 정답을 붙이는 방식으로 사람 주석자를 모사했습니다. 따라서 이 결과는 사람의 주석 오류를 없앴다는 증거도, LLM의 자동 라벨이 사람보다 정확하다는 증거도 아닙니다. 선택의 질과 정답 라벨의 질은 서로 다른 문제입니다. 4. 실제 처리 과정을 순서대로 따라가기 후보를 제시하고, 선택한 뒤, 정답을 붙여 학습한다 첫째, 아직 라벨을 사용하지 않은 후보 예제를 준비합니다. 논문의 주요 설정에서는 LLM이 처리할 수 있는 범위에서 후보 200개 또는 100개를 제시합니다. 전체 데이터셋이 수만 건이라도 그 모든 문장을 한꺼번에 입력하는 것은 아닙니다. 무엇을 후보 묶음에 담느냐도 실제 운영에서는 고려할 요소가 됩니다. 둘째, 능동학습의 역할과 골라야 할 예제 수, 출력 형식을 프롬프트로 알려 줍니다. 셋째, LLM이 후보 가운데 선택한 예제의 번호를 반환합니다. 넷째, 선택된 예제에 정답 라벨을 부여합니다. 마지막으로 이 라벨링된 데이터로 후속 분류기를 학습하고, 별도로 마련된 평가 데이터에서 성능을 측정합니다. 이때 ‘후보 200개’와 ‘선택 32개’를 구분해야 합니다. 200개는 LLM이 비교할 목록의 크기이고, 32개는 실제로 라벨링하여 분류기 학습에 사용하는 예제 수입니다. 같은 32개를 학습하더라도 어떤 200개를 보여 주었는지, 그 안에서 무엇을 골랐는지에 따라 결과가 달라질 수 있습니다. 5. 프롬프트는 자세할수록 좋을까 Bayer·Lutz·Reuter(2026), Figure 2, CC BY 4.0. 역할, 후보 예제, 선택 수와 출력 형식을 기본으로 조언·추론 지시·라벨링 가이드라인을 비교한 프롬프트. 연구진은 선택 전략에 관한 조언, 단계적으로 생각하라는 지시, 예제마다 이유를 설명하라는 지시, 라벨링 가이드라인의 포함 여부를 비교했습니다. 이는 하나의 긴 프롬프트에 모든 설명을 넣은 결과가 아니라, 지시의 구성을 바꾸며 실제 분류 성능이 어떻게 달라지는지 살펴본 실험입니다. CTI 데이터셋에서 후보 300개 중 32개를 고른 실험의 무작위 선택 F1은 0.6781이었습니다. 추가 조언 없이 간단한 단계별 사고 지시를 사용한 B2 설정은 0.7214였지만, 예제마다 이유를 설명하도록 한 B3 설정은 0.6271로 낮았습니다. 더 길고 자세한 설명을 요구하는 것이 항상 더 좋은 선택으로 이어지지는 않았습니다. 라벨링 가이드라인까지 넣은 C2 설정은 0.7329로 해당 비교에서 가장 높았습니다. 다만 일반적인 공개 데이터셋에는 이런 가이드라인이 함께 제공되지 않는 경우가 많습니다. 연구진은 이후 범용 평가에서 가이드라인과 추가 선택 조언을 제외하고 간단한 단계별 사고 지시만 포함한 B2를 사용했습니다. 이 결과는 목표·선택 수·출력 형식을 명확하게 하고 실제 성능을 확인할 필요성을 보여 줍니다. 다만 출력된 선택 이유가 LLM 내부의 실제 판단 과정을 그대로 보여 준다고 단정할 수는 없습니다. 6. 실험은 어떤 조건에서 진행됐나 프롬프트 개발에는 사이버 위협 정보 데이터셋 CTI를, 일반적인 문장 분류·문장 관계 판별에는 GLUE 과제를 사용했습니다. 평가는 CTI·AG News의 테스트셋과 GLUE의 검증셋에서 수행했습니다. 프롬프트 구성 비교는 데이터 순서 5가지와 후속 모델의 초기값 5가지를 조합한 25회 평균입니다. 이후 주요 실험은 하나의 데이터 순서에서 모델 초기값을 달리한 5회 평균을 보고합니다. 주요 GLUE 결과표는 BERT-base에 선택된 32개 예제를 학습시킨 정확도이며, CTI의 프롬프트 비교에서 사용한 F1과 다른 지표입니다. 후보 수를 바꾼 CTI 실험에서는 50·100·200·300·400개 후보를 제시했을 때 평균 F1이 각각 0.7120·0.7438·0.7695·0.7214·0.6632였습니다. 선택 수는 모두 32개입니다. 200개가 이 실험에서 가장 좋았지만, 이를 모든 모델에 적용되는 고정 최적값으로 볼 수는 없습니다. 전통적 능동학습과의 비교 조건도 완전히 같지는 않습니다. 기존 전략은 전체 후보 데이터에 접근하며 모델 학습과 선택을 반복하는 반면, ActiveLLM은 일부 후보만 보고 32개를 한 번에 선택합니다. 따라서 결과는 각 방법의 실제 구성 전체를 비교한 것이며, 선택 알고리즘 하나만 바꾼 동일 조건 실험으로 표현하지 않는 편이 정확합니다. 7. 주요 결과: 큰 개선과 함께 남는 예외 Bayer·Lutz·Reuter(2026), Table 3, CC BY 4.0. 선택한 32개 예제로 학습한 BERT-base의 GLUE 정확도, 5회 평균. 후보 수 100·200과 선택 수 32를 구분해서 읽어야 합니다. SST-2에서 17.11%포인트 높아진 정확도 감정 분류 과제 SST-2에서 무작위 선택의 정확도는 56.03%, 후보 200개를 사용한 ActiveGPT4는 73.14%였습니다. 차이는 17.11%포인트(%p)입니다. 이를 ‘17.11%의 상대 향상’이라고 쓰면 서로 다른 계산을 혼동하게 됩니다. 이 결과는 같은 32개 학습 예제라도 선택 방식에 따라 성능 차이가 커질 수 있음을 보여 줍니다. WNLI에서는 후보 200개를 사용한 Mistral Large가 52.96%를 기록해 무작위 선택 35.77%보다 17.19%p 높았습니다. 그러나 모든 모델과 과제에서 개선된 것은 아닙니다. GPT-4o의 RTE는 48.88%로 무작위 50.83%보다 낮았고, Gemini Ultra의 SST-2는 49.08%로 무작위 56.03%보다 낮았습니다. GPT-3.5의 QNLI는 55.11%로 무작위와 같았습니다. 따라서 이 논문의 결과를 ‘LLM으로 고르면 항상 좋아진다’고 요약하는 것은 적절하지 않습니다. 특정 조건에서 큰 개선이 나타났다는 점과 모델·과제별 예외가 존재한다는 점을 함께 읽어야 합니다. Table 3의 CoLA 열도 이 논문에서는 정확도로 제시되므로, 다른 GLUE 자료의 지표와 이름만 보고 직접 비교하면 안 됩니다. 기존 few-shot 방법과 결합하면 어떤가 Bayer·Lutz·Reuter(2026), Figure 5, CC BY 4.0. ActiveGPT4 단독과 기존 few-shot 방법, 두 방법의 결합 비교. CTI는 F1, SST-2·AG News는 정확도이며 구현 모델도 다릅니다. CTI의 ADAPET 비교에서는 ActiveGPT4 단독이 76.95, ADAPET이 59.31, 결합형이 75.95였습니다. 이는 F1을 100점 척도로 나타낸 값이며, 단독 방식과 ADAPET의 차이는 17.64 F1점입니다. SST-2의 PERFECT 비교에서는 정확도가 각각 73.14%, 48.85%, 53.10%로 제시되어, 단독 방식과 PERFECT의 차이는 24.29%p였습니다. 두 경우 모두 결합형이 기존 few-shot 방법보다는 높지만 ActiveGPT4 단독보다 낮습니다. AG News에서는 SetFit이 79.57%, 결합형이 81.09%로 1.52%p 높아진 반면, ActiveGPT4 단독은 67.33%였습니다. 결합의 이점과 단독 선택의 이점이 과제마다 다르게 나타난 것입니다. 이 도표의 ADAPET·SetFit 조건은 BERT-base, PERFECT 조건은 원 구현이 지원하는 RoBERTa-Large를 사용합니다. 서로 다른 과제·지표·구현 조건을 묶은 비교이므로, 모든 막대가 동일한 분류기 조건에서 나온 것으로 해석하거나 세 과제의 숫자를 하나의 순위로 합쳐서는 안 됩니다. 8. 선택 시간을 줄였지만 비용이 사라진 것은 아니다 전통적 능동학습은 선택 과정에서 분류기를 반복 학습해야 하므로 시간이 들 수 있습니다. 논문의 Table 4는 32개를 선택하기까지 6회 능동학습 반복에 소요된 기존 전략들의 시간을 분 단위로 제시합니다. BALD의 QQP 실험은 48시간 실행 후에도 결과를 얻지 못해 값이 없다고 표시되어 있습니다. 이는 정확도가 0이라는 뜻이 아닙니다. 연구진은 ActiveLLM이 선택 단계의 반복 모델 학습을 생략하고 일부 후보만 검토하여 수초 수준의 질의 시간을 얻었다고 설명합니다. 그러나 동일 조건의 LLM별 전체 지연과 API 비용을 정밀하게 나란히 제시한 표는 아닙니다. 이 자료만으로 몇 배의 비용 절감이나 특정 배수의 속도 향상을 계산하는 것은 어렵습니다. 비용 측면에서는 큰 모델을 데이터 선택 단계에 배치한다는 점이 중요합니다. 실제 적용에서는 LLM 호출 비용, 입력 길이, 데이터 전송 조건과 후속 분류기의 사용량을 함께 고려해야 합니다. 9. 예제가 늘어날 때와 실제 적용에서의 한계 Bayer·Lutz·Reuter(2026), Figure 7, CC BY 4.0. ActiveGPT4가 고른 초기 50개를 기존 능동학습에 제공한 SST-2 실험. LC·PE의 개선이 EKM·BALD에서 동일하게 재현되지는 않았습니다. 회당 25개씩 최대 300개까지 고르는 확장 실험에서는 ActiveGPT4의 이점이 대체로 약 100개 이하의 구간에서 두드러졌고, 이후에는 무작위 선택과 비슷해졌습니다. 앞서 선택한 예제의 번호를 다시 알려 주는 방식은 이력을 유지하면서 프롬프트 길이를 줄이는 대안으로 평가되었습니다. 또 다른 실험에서는 ActiveGPT4가 고른 첫 50개를 기존 전략의 초기 학습셋으로 사용했습니다. LC와 PE는 기존의 초기화 방식보다 좋아졌습니다. 그러나 EKM과 BALD에서는 같은 개선 효과가 재현되지 않았습니다. 초기 데이터 선정을 돕는 용도로 유망하더라도 모든 전략의 성능을 일괄적으로 올리는 도구는 아닙니다. 이 연구는 주로 BERT 계열 분류기를 대상으로 합니다. 생성형 모델의 모든 학습 상황으로 일반화할 근거는 부족합니다. 프롬프트도 주로 GPT-4를 기준으로 설계했으므로 다른 LLM에 각각 최적화된 비교라고 보기는 어렵습니다. 공개 벤치마크가 사전 학습 데이터에 포함되었을 가능성도 완전히 배제할 수 없습니다. 긴 후보 문장을 많이 넣으면 지시를 놓치거나 선택 성능이 낮아질 수 있습니다. 같은 200개라도 문장 길이에 따라 토큰 수는 크게 달라집니다. 채팅 서비스의 숨은 지시문과 모델 버전·설정도 재현성에 영향을 줄 수 있습니다. 그리고 선택 단계에서 원문을 LLM에 전달하므로, 이후 분류기를 따로 운용하더라도 입력 데이터의 기밀성 문제까지 해결되는 것은 아닙니다. 10. 변리사 관점에서 보는 기술적 구성과 효과 기술적 과제는 정답 데이터가 거의 없는 초기에 학습 가치가 높은 예제를 고르는 것입니다. 이에 대한 해결수단은 지시를 수행하는 LLM에 후보 예제와 선택 조건을 제공하고, 반환된 예제 식별자를 라벨링 및 후속 분류기 학습에 연결하는 구성입니다. 분석의 초점은 이 단계들이 어떤 정보를 주고받는지에 두어야 합니다. 기존 분류기의 불확실도에 의존하는 접근과 구별되는 부분은 선택용 LLM과 학습 대상 모델의 분리입니다. 여기에 후보 묶음의 크기, 출력 번호 형식, 이전 선택 이력의 재안내가 결합됩니다. 다만 각각의 요소가 단독으로 모든 성능 개선을 설명한다고 할 수는 없습니다. 실험에서는 프롬프트와 모델, 데이터 조건이 함께 작용합니다. 확인된 기술적 효과는 특정 소수 예제 분류 조건에서 무작위 선택보다 높은 성능을 얻고, 일부 기존 능동학습 전략의 초기 성능을 개선한 것입니다. 이 사실을 근거로 선택과 학습의 역할 분담을 의미 있는 설계 방향으로 해석할 수 있습니다. 11. 마무리 ActiveLLM은 데이터가 부족한 상황에서 학습할 예제의 수뿐 아니라 예제의 선택 방식이 중요하다는 점을 보여 줍니다. LLM에 최종 분류 전체를 맡기는 대신, 먼저 읽고 라벨링할 예제를 고르는 역할을 부여하고 별도의 분류기를 학습시키는 구조가 핵심입니다. SST-2에서 보고된 17.11%p의 개선은 이러한 선택이 작은 학습셋에서도 큰 차이를 만들 수 있음을 보여 주는 한 사례입니다. 동시에 성능이 낮아진 조합과 예제가 늘어난 뒤 이점이 줄어든 결과도 함께 보아야 합니다. 이 연구에서 얻을 수 있는 설계상의 시사점은 큰 모델을 어디에 배치할지, 선택한 데이터를 어떤 학습 과정에 연결할지 세밀하게 구분하는 데 있습니다. 초기 데이터 선정의 가치를 보여 주되, 그 효과를 확인한 모델·과제·예산의 범위 안에서 해석할 때 논문의 기여가 가장 분명해집니다. 분석 대상 논문 · ActiveLLM (TACL 2026) AI 기술·특허 업무 살펴보기 이 글은 표시된 게시일을 기준으로 작성된 자료입니다. 개별 사안에 대한 검토는 상담을 통해 안내합니다. 관련 업무 상담 ↗ 전체 글 보기 ON THIS PAGE 1. 첫 학습 데이터를 고르는 일이 어려운 이유 2. 논문 기본 정보와 읽을 때의 기준 3. 예제를 고르는 모델과 분류하는 모델을 나누다 4. 실제 처리 과정을 순서대로 따라가기 후보를 제시하고, 선택한 뒤, 정답을 붙여 학습한다 5. 프롬프트는 자세할수록 좋을까 6. 실험은 어떤 조건에서 진행됐나 7. 주요 결과: 큰 개선과 함께 남는 예외 SST-2에서 17.11%포인트 높아진 정확도 기존 few-shot 방법과 결합하면 어떤가 8. 선택 시간을 줄였지만 비용이 사라진 것은 아니다 9. 예제가 늘어날 때와 실제 적용에서의 한계 10. 변리사 관점에서 보는 기술적 구성과 효과 11. 마무리 TALK TO IPLEX 우리 기업에 맞는 IP 전략이 필요하다면 기술과 사업의 상황에 맞춰 필요한 업무를 함께 살펴봅니다. ↗ 상담 문의 최근 글 직무발명 보상금 시효, 언제부터 계산할까 ↗ 이전 글 Lost in the Middle 논문 쉽게 읽기: 긴 입력에서 근거 문서의 위치가 중요한 이유 ↗ 함께 읽을 인사이트 인공지능 2026.11.19 마트료시카 임베딩 논문 쉽게 읽기｜벡터 앞부분으로 찾고 전체로 다시 비교하는 이미지 검색 NeurIPS 2022 마트료시카 표현 학습의 여러 길이 공동 학습과 단계별 이미지 검색, ImageNet-1K 실험의 정확도·계산량을 살펴봅니다. ↗ 본문 읽기 인공지능 2026.11.18 바이트댄스 AI 자동 자막 특허｜오디오 트랙별로 받아쓰고 겹치는 자막을 정리하는 원리 바이트댄스 US11837234B2의 트랙별 음성인식과 자막 시간 조정 원리를 살펴보고 CapCut의 공개 편집 절차와 구별합니다. ↗ 본문 읽기 인공지능 2026.11.17 애플 AI 문자 인식 특허｜사진 속 전화번호와 웹 주소를 선택하는 원리 Apple US12001642B2의 문자 위치·유형 감지와 선택 동작을 분석하고 Live Text 및 VisionKit의 공개 설명과 구별합니다. ↗ 본문 읽기

- https://www.iplexlaw.co.kr/
- https://www.iplexlaw.co.kr/%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-%EB%B0%8F-%EB%89%B4%EC%8A%A4/category/ai
- https://aclanthology.org/2026.tacl-1.1/
- https://www.iplexlaw.co.kr/ko/ai-patents
- https://www.iplexlaw.co.kr/%EC%97%B0%EB%9D%BD%ED%95%98%EA%B8%B0
- https://www.iplexlaw.co.kr/%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-%EB%B0%8F-%EB%89%B4%EC%8A%A4
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-0
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-1
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-2
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-3
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-4
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-5
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-6
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-7
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-8
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-9
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-10
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-11
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-12
- https://www.iplexlaw.co.kr/ko/blog/activellm-few-shot-example-selection#article-1954-ko-13
- https://www.iplexlaw.co.kr/%EC%97%B0%EB%9D%BD%ED%95%98%EA%B8%B0
- https://www.iplexlaw.co.kr/ko/blog/brunch-case-1955
- https://www.iplexlaw.co.kr/ko/blog/lost-in-the-middle-evidence-position
- https://www.iplexlaw.co.kr/ko/blog/matryoshka-prefix-vector-image-retrieval
- https://www.iplexlaw.co.kr/ko/blog/matryoshka-prefix-vector-image-retrieval
- https://www.iplexlaw.co.kr/ko/blog/bytedance-track-based-caption-timing
- https://www.iplexlaw.co.kr/ko/blog/bytedance-track-based-caption-timing
- https://www.iplexlaw.co.kr/ko/blog/apple-recognized-text-contextual-actions
- https://www.iplexlaw.co.kr/ko/blog/apple-recognized-text-contextual-actions
