이미지가 AI로 생성되었는지 확인하는 방법: 2026년 가이드

지금 여러분이 보고 있는 이미지도 아마 수많은 편집자, 기자, 발행인들이 매일 겪는 것과 같은 반응을 불러일으킬 것입니다. 인상적이고 깔끔하며 감정적으로 절묘하게 조율되어 있지만, 신뢰하기에는 어딘가 지나치게 매끄럽다는 느낌 말입니다.

이 반응은 중요한 의미를 가집니다. 이미지가 AI로 생성되었는지 확인하는 방법을 배운다는 것은 이상한 손가락이나 뒤죽박죽인 글자 같은 몇 가지 옛날식 단서를 외우는 일이 아닙니다. 최신 이미지 생성 모델이 언뜻 보기에 앞뒤가 맞고 피드에서 설득력 있게 보이는 장면을 만들어낼 때도 통하는 검증 습관을 기르는 일입니다.

신뢰할 수 있는 검토는 여러 단계로 이루어집니다. 먼저 이미지를 시각적으로 살펴보고, 그다음 출처와 맥락을 확인합니다. 더 엄격한 검증이 필요하다면 메타데이터, 역방향 이미지 검색, 간단한 포렌식 기법으로 넘어갑니다. 도구는 도움이 되지만, 판단을 대신하는 것이 아니라 프로세스 안에서 활용될 때 가장 효과적입니다.

이미지 검증의 필요성이 커지는 이유

요즘 검증하기 가장 어려운 이미지는 대개 엉성한 이미지가 아닙니다. 오히려 믿기 힘들 정도로 완벽하게 마무리된 이미지들입니다. 피부는 깨끗하고, 조명은 영화 같으며, 배경에는 지저분함도, 걸리는 부분도, 일반적인 시각적 잡음도 없습니다. 즉흥적으로 찍은 사진이라면 이 정도의 매끄러움은 멈춰서 의심해볼 만한 신호입니다.

이러한 변화는 사람들이 의심스러운 이미지에 대해 이야기하는 방식에서도 드러납니다. 1,000개 이상의 사용자 댓글을 분석한 2025년 레딧 분석에 따르면, 응답자의 38%가 즉흥적으로 찍은 사진에서 AI를 나타내는 가장 강력한 신호로 '부자연스러운 매끄러움'과 '환경적 지저분함의 부재'를 꼽았습니다. 이는 기존 조언을 유용하게 보완하는 결과입니다. 문제는 눈에 보이는 실수만이 아닙니다. 현실 세계의 조건과는 동떨어진 느낌을 주는 시각적 완벽함 역시 문제입니다.

기자와 발행인 입장에서 이는 다른 신뢰 실패 사례들과 같은 위험 범주에 속합니다. 가짜 이미지는 좀처럼 혼자 다니지 않습니다. 대개 긴급함, 공유를 부추기는 사회적 압박, 혹은 의심을 낮추도록 설계된 서사와 함께 등장합니다. 그렇기 때문에 소셜 엔지니어링 공격을 이해하는 것도 도움이 됩니다. 이미지는 미끼일 뿐이고, 조작은 대개 그 주변을 둘러싼 프레이밍에 숨어 있습니다.

기존 체크리스트가 통하지 않는 이유

초기 AI 이미지는 대체로 명백한 오류로 정체가 드러나곤 했습니다. 하지만 오늘날에는 많은 합성 이미지가 빠르게 스크롤하며 보는 정도로는 걸러지지 않습니다. 즉, 검증은 '이상한 손을 찾아내기'에서 '이 장면 전체가 실제 사진처럼 행동하는가'로 옮겨가야 합니다.

우선 무엇이 AI 생성 미디어로 분류되는지 이해하는 것이 유용한 출발점입니다. 정지 이미지에 집중하기 전에 더 넓은 범주를 먼저 파악하고 싶다면 AI 생성 콘텐츠에 대한 이 개요가 좋은 입문 자료가 될 것입니다.

실용적인 원칙: 이미지가 모든 중요한 측면에서 흠잡을 데 없어 보이면서 자연스러운 순간을 찍은 사진이라고 주장한다면, 그 '완벽함' 자체를 검증이 필요한 증거로 취급하세요.

첫 번째 점검: 시각적 단서 체크리스트

어떤 도구를 열기 전에, 먼저 원래 크기로 이미지를 살펴본 다음 확대해서 보세요. 명백한 가짜를 걸러내고 애매한 경우를 더 깊은 검토 대상으로 표시하는 데는 여전히 사람의 눈으로 하는 검토가 가장 빠른 방법입니다.

노스웨스턴 대학교의 맷 그로(Matt Groh)가 이끈 연구는 AI 이미지에서 반복적으로 나타나는 인공물(아티팩트)을 다섯 가지 범주로 분류했습니다. 이 연구에 따르면, 해부학적으로 말이 안 되는 부분이 초기 생성 모델 결과물의 70% 이상에서 나타났고, 지나치게 번들거리는 피부 같은 스타일적 인공물은 DALL-E 2 같은 모델이 만든 이미지의 65%에서 나타났습니다 (노스웨스턴 켈로그 분석). 정확한 모델은 발전했지만, 검토 논리 자체는 여전히 유효합니다.

해부학적 특징부터 확인하기, 특히 손과 치아

손은 해부학적 구조, 원근감, 사물과의 상호작용이 결합되어 있어 여전히 수동 검토에서 가장 유용한 확인 지점 중 하나입니다. 손가락 개수만 세지 마세요. 손가락이 어떻게 구부러지는지, 관절이 어디에 위치하는지, 손가락 끝이 사람이 쥐고 있는 물체를 제대로 감싸고 있는지 살펴보세요.

흔한 오류는 손가락이 컵, 운전대, 휴대폰, 난간 등과 접촉할 때 나타납니다. 이런 접촉 부위에서 AI 시스템은 종종 가림(occlusion) 처리 논리를 흐릿하게 만듭니다. 손가락이 물체 속으로 녹아드는 것처럼 보이거나, 손에 가려진 부분이 말이 안 되거나, 관절과 손톱이 사라지기도 합니다. 이 문제는 손과 사물 상호작용 오류에 대한 이 분석에서 명확하게 설명되어 있습니다.

다음의 빠른 손 점검법을 활용하세요:

• 쥐는 방식의 논리: 누군가 머그컵을 들고 있다면, 손잡이나 컵 가장자리를 감싼 손가락 하나하나를 따라갈 수 있나요?
• 관절 위치: 관절이 자연스럽게 정렬되어 있나요, 아니면 손가락 하나가 고무처럼 구부러지나요?
• 가려진 부분의 해부학: 손의 일부가 물체 뒤에 가려져야 할 때, 이미지가 그럴듯한 겹침을 보여주나요?

치아와 눈도 똑같이 자세히 살펴봐야 합니다. 간격이 고르지 않거나, 형태가 중복되거나, 얼굴의 나머지 부분과 어울리지 않는 비대칭이 있는지, 혹은 동공이 그럴듯하게 원형을 이루지 못하는지 확인하세요.

다음으로 텍스트, 로고, 간판을 살펴보기

이미지 안에 포함된 텍스트는 여전히 사실성을 검증하는 가장 빠른 방법 중 하나입니다. 도로 표지판, 라벨, 상점 간판, 유니폼 번호, 포장지, 메뉴판 등은 이미지 생성기가 언어를 실제로 이해했는지, 아니면 시각적으로 흉내만 냈는지를 자주 드러냅니다.

다음을 확인하세요:

• 깨진 글자: 언뜻 단어처럼 보이지만 자세히 보면 무너지는 문자들.
• 왜곡된 로고: 익숙한 로고와 비슷해 보이지만 실제로는 일치하지 않는 브랜드 표시.
• 맥락 불일치: 깔끔한 제품 사진인데 포장에는 뜻 모를 글자가 적혀 있는 경우.

실제 사례를 들어보면, 잘 꾸며진 카페 장면은 확대해서 글자 비슷한 조각들로 가득한 메뉴판을 보기 전까지는 그럴듯해 보일 수 있습니다. 신뢰할 만한 단서 하나가 전반적으로 설득력 있어 보이는 구도 전체를 뒤집을 수 있습니다.

그럴듯해 보이는 이미지도 아주 작은 사실적 디테일에서 무너질 수 있습니다. 확대해서 보는 순간, 많은 합성 이미지는 사진다움을 잃고 '짜깁기된' 느낌을 드러내기 시작합니다.

피부, 원단, 물, 배경 질감을 확인하기

최신 AI는 대체로 큰 구도는 잘 맞추지만 작은 표면 디테일에서는 실수를 저지릅니다. 질감 점검이 효과적인 이유는 실제 카메라 사진에는 보통 불규칙성이 담겨 있기 때문입니다. 피부에는 모공, 잔머리, 고르지 않은 색 전환이 있습니다. 원단에는 결, 이음매, 당겨진 흔적이 있습니다. 물과 모래는 깔끔하게 반복되지 않습니다.

많은 이미지가 '지나치게 완벽한' 느낌을 드러냅니다. 피부, 옷, 나무 표면, 또는 배경에서 반복되는 패턴을 확대해서 살펴보세요. 에어브러시로 다듬은 듯한 매끈함, 플라스틱 같은 광택, 반복되는 질감 타일, 혹은 디테일이 뭉개지지 않고 또렷해져야 할 부분에서 오히려 흐릿해진 부분을 찾으세요. 이러한 질감과 패턴 오류는 AI 이미지의 질감 이상 현상에 대한 이 가이드에 잘 정리되어 있습니다.

간단한 현장 체크리스트가 도움이 됩니다:

영역	실제 사진에서 보통 나타나는 특징	의심스러운 이미지에서 자주 나타나는 특징
피부	모공, 고르지 않은 광택, 잔머리	밀랍 같은 매끈함, 그려 넣은 듯한 질감
원단	바느질 자국, 짜임, 당겨져 생긴 주름	뭉개진 섬유, 반복되는 짜임 패턴
물이나 유리	불규칙한 디테일, 자연스러운 왜곡	지나치게 매끈한 표면, 이상한 반사
배경 초목	불규칙한 잎과 깊이감	뭉쳐진 반복, 흐물흐물한 가장자리

조명, 그림자, 반사를 검토하기

조명 오류가 항상 극적으로 드러나는 것은 아닙니다. 때로는 피사체는 제대로 표현되었지만 주변 환경이 잘못된 경우도 있습니다. 얼굴은 한쪽에서 빛을 받고 있는데 벽에 드리운 그림자는 다른 방향을 가리킬 수 있습니다. 반사가 기본적인 기하학을 무시할 수도 있습니다. 광택 나는 테이블 표면이 위치가 맞지 않는 물체를 비출 수도 있습니다.

배경 렌더링도 중요합니다. 일부 AI 이미지는 카메라 광학 특성과 맞지 않는 방식으로 서로 다른 선명도를 섞어 놓습니다. 면도날처럼 또렷한 얼굴과, 정상적인 심도 표현을 따르지 않는 이상하게 흐릿하거나 지저분한 배경이 함께 나타날 수 있습니다. 이런 불일치는 브리태니커 백과사전의 AI 이미지 아티팩트 개요에서 반복적으로 등장하는 단서입니다.

게재를 위해 이미지를 검토할 때 저는 보통 단도직입적인 질문 하나를 던집니다. 만약 이것이 카메라로 찍힌 사진이라면, 광원은 정확히 어디에 있었을 것이며, 모든 표면이 그 사실과 일치하는가?

자동화된 AI 이미지 탐지기 활용하기

수동 검토만으로도 많은 것을 잡아낼 수 있지만, 모든 것을 잡아내지는 못합니다. 자동화된 탐지기는 픽셀 패턴, 압축 흔적, 숨겨진 통계적 특징 등 육안으로는 확실하게 볼 수 없는 이미지 구조를 분석하여 또 하나의 검증 계층을 더해줍니다.

전문적인 워크플로우에서는 탐지기의 결과를 '판결'이 아니라 증거로 취급합니다. 이 구분은 중요합니다. 탐지기는 확률적 신호를 제공할 수 있지만, 그 이미지가 게재, 라벨링, 또는 상급 검토로 넘어가기에 적합한지는 여전히 사람이 판단해야 합니다.

탐지기가 실제로 살펴보는 것

유용한 탐지기는 단순히 '이상한 손가락을 찾는' 수준에 머물지 않습니다. 생성 파이프라인과 이미지 처리 과정이 남긴 패턴을 검사합니다. 일부 시스템은 압축 불일치와 같은 포렌식 신호에 의존하며, 다른 시스템은 합성 이미지 생성과 관련된 흔적을 분류합니다.

인물 사진이나 프로필 사진을 다룬다면, 전문 헤드샷을 위한 AI 이미지 탐지에 대한 이 분석이 사용 사례에 따라 검토 기준이 어떻게 달라지는지를 보여주는 실용적인 사례입니다. 잘 다듬어진 헤드샷은 속보 이미지나 목격자가 찍었다고 주장하는 사진과는 다른 기대치를 요구합니다.

탐지기가 도움이 되는 부분과 그렇지 않은 부분

탐지기의 가장 큰 가치는 일관성입니다. 파일을 빠르게 검토하고, 의심스러운 결과물을 상급 검토 대상으로 표시하며, 대규모 콘텐츠 품질 검사를 지원할 수 있습니다. 이는 수동 검토만으로는 규모를 감당할 수 없는 뉴스룸, 마켓플레이스, 교육, 출판 파이프라인에서 유용합니다.

하지만 특수한 경우에는 신뢰성의 공백이 존재합니다. 2025년 동료 심사를 거친 연구에 따르면, 인간 예술가는 AI가 생성한 이미지와 사람이 만든 예술 작품을 구분하는 데 있어 특히 '사람이 오분류한' 결과물에서 머신러닝 모델보다 훨씬 뛰어난 성능을 보였습니다. 이는 탐지기가 약하다는 뜻이 아닙니다. 전문적인 소재는 여전히 훈련된 사람의 눈에서 이점을 얻는다는 의미입니다.

검증 참고 사항: 탐지기 점수와 여러분의 시각적 검토 결과가 서로 다르다면, 억지로 결론을 내리지 마세요. 상급 검토로 넘기세요. 이런 충돌이야말로 신중한 검토가 가장 중요해지는 지점입니다.

여러 서비스를 비교하고 싶은 독자라면, 최고의 AI 이미지 탐지기 모음이 유용한 출발점이 될 것입니다.

탐지기 워크플로우가 실제로 어떻게 진행되는지 보고 싶다면, 간단한 시연 영상이 도움이 됩니다:

디지털 포렌식 라이트를 활용한 고급 검증

이미지가 중요한 사안이라면, 겉모습만으로 판단하지 말고 한 단계 더 나아가세요. 의미 있는 포렌식 작업을 하기 위해 완전한 실험실 장비가 필요한 것은 아닙니다. 몇 가지 간단한 점검만으로도 그 파일이 신뢰할 만한지, 주의가 필요한지, 아니면 거부해야 하는지 판단할 수 있습니다.

역방향 이미지 검색을 먼저 수행하기

역방향 이미지 검색은 출처에 관한 기본적인 질문에 빠르게 답해줍니다. 이 이미지가 이전에 등장한 적이 있는가? 다른 맥락에서 먼저 게재된 적이 있는가? 현재 캡션이 오래된 파일이나 합성으로 재구성된 이미지를 재활용하고 있는 것은 아닌가?

이는 극적인 이미지가 출처에 대한 정보 없이 등장했을 때 특히 유용합니다. 만약 다른 주장과 함께 사용된 이전 버전이 존재한다면, 여러분은 그 파일의 신뢰성에 대해 이미 중요한 사실을 알아낸 것입니다.

다음 세 가지 질문에 답해보세요:

1. 이 이미지가 처음 등장한 곳은 어디인가
2. 동일한 사건이나 주장과 함께 사용되었는가
3. 다른 크롭이나 버전에서 편집 흔적이 드러나는가

메타데이터는 도움이 되지만, 없다고 증거가 되는 것은 아니다

메타데이터 점검이 유용한 이유는 실제 카메라로 촬영한 파일에는 기기 정보나 소프트웨어 이력 같은 촬영 및 처리 흔적이 남아 있는 경우가 많기 때문입니다. 다만 결론이 과장되는 경우도 많습니다. EXIF 데이터가 없다고 해서 그 이미지가 AI로 생성되었다는 증거가 되지는 않습니다. 소셜 플랫폼은 메타데이터를 항상 제거하며, 편집 소프트웨어도 이를 없앨 수 있습니다.

메타데이터가 잘 해내는 역할은 어떤 이야기를 뒷받침하거나 약화시키는 것입니다. 누군가 어떤 파일이 손대지 않은 휴대폰 사진이라고 주장하는데 메타데이터가 여러 편집 단계를 거쳐 내보내졌음을 보여준다면, 그 모순은 중요한 의미를 가집니다. 만약 현장에서 촬영했다는 사진에 의미 있는 흔적이 전혀 없다면, 그 자체만으로 그 파일을 유죄로 판정할 수는 없지만, 다른 증거에 대한 기준을 더 높이게 됩니다.

ELA와 파일 수준의 불일치 점검

오류 수준 분석(Error Level Analysis), 보통 ELA로 줄여 부르는 이 방법은 비교적 접근하기 쉬운 포렌식 기법 중 하나입니다. 쉽게 말하면, 이미지의 각 영역이 서로 대비해 어떻게 압축되는지를 살펴보는 방법입니다. 조작되거나 합성된 이미지의 일부는 압축 과정에서 다르게 반응하기 때문에 눈에 띌 수 있습니다.

포토리얼리스틱 이미지 탐지에 관한 동료 심사 연구에 따르면, 오류 수준 분석과 합성곱 신경망(CNN)을 결합한 기술적 탐지 방법은 AI 이미지와 실제 카메라 사진을 구분하는 신뢰할 수 있는 이진 판별 체계를 제공하며, ELA 패턴만으로도 높은 정확도를 보였습니다.

이것이 기자가 ELA를 마법의 손전등처럼 다뤄야 한다는 뜻은 아닙니다. 신중하게 사용한다면 ELA가 유효한 포렌식 단서라는 의미입니다.

ELA에게 '진짜냐 가짜냐'를 단독으로 판단해달라고 요구하지 마세요. 대신 더 좁은 질문을 던지세요. '이 파일에 추가적인 검토를 정당화할 만큼 다르게 반응하는 영역이 있는가?'

5분 만에 끝내는 기술적 점검 루틴

빠르면서도 체계적인 검토가 필요할 때, 저는 조사관과 기자를 위한 검증 지침을 바탕으로 간추린 절차를 사용합니다:

• 최대한 확대해서 살펴보기: 피부, 하늘, 벽 등 넓은 표면에서 자연스러운 무작위성이 있는지, 아니면 수학적으로 균일한 질감인지 확인하세요.
• 직선의 기하학적 구조 확인하기: 지붕선, 창틀, 테이블 모서리를 머릿속으로 연장해보세요. 실제 장면은 대체로 원근감을 깔끔하게 유지합니다.
• 반사를 검토하기: 유리, 거울, 광택 있는 금속, 물은 주변 사물과 일치해야 합니다.
• 수학 기반 검증 도구를 활용하기: AI 생성 콘텐츠 탐지에 관한 GIJN 가이드는 숨겨진 수학적 특징을 분석하고 위조 확률이 **70%**를 넘으면 추가 조사를 권장하는 TrueMedia.org를 포함한 워크플로우를 소개합니다.

이것이 '디지털 포렌식 라이트'인 이유는 고급 도구가 필요하지 않으면서도 검토의 체계성을 높여주기 때문입니다. 단순한 직감을 기록으로 남는 검토로 바꿔줍니다.

출처와 맥락 검증하기

픽셀이 깨끗해 보인다고 해서 의심스러운 이미지가 신뢰할 만한 이미지로 바뀌지는 않습니다. 누가 그것을 게시했는지, 어디에 처음 등장했는지, 그리고 어떤 이야기를 뒷받침하는 데 사용되고 있는지도 알아야 합니다.

출처의 질에 따라 입증 책임의 기준이 달라진다

익명 계정에서 나온 비범한 이미지는 추적 가능한 편집 절차를 갖춘 유명 매체를 통해 배포된 평범한 이미지보다 훨씬 더 엄격한 검토를 거쳐야 합니다. 그렇다고 주요 매체가 절대 틀리지 않는다는 뜻은 아닙니다. 출처가 신뢰의 출발점을 바꾼다는 의미입니다.

저는 보통 다음과 같은 순서로 출처의 맥락을 검토합니다:

• 계정 이력: 프로필이 오랫동안 자리 잡고 있으며, 일관되고 신뢰할 만한가요?
• 게시 패턴: 이 계정이 출처가 빈약한 지나치게 감정적이거나 지나치게 다듬어진 이미지를 많이 게시하나요?
• 서사적 압박: 이 이미지가 분노, 긴급함, 혹은 진영 논리를 확인시키려는 목적으로 사용되고 있나요?

이 작업을 대규모로 수행하는 팀에게는 수집 방식이 중요합니다. 여러 사이트에 걸친 반복적인 게시 행태를 분석하거나, 이미지에 대한 주장이 처음 어디서 퍼졌는지 파악하려 한다면, 추출과 집계를 위해 만들어진 도구가 도움이 될 수 있습니다. LLM Scrape API는 여러 출처에 걸친 재게시, 주변 텍스트, 게시 패턴을 비교해야 할 때 더 폭넓은 맥락 수집을 지원할 수 있습니다.

이미지가 그럴듯해 보여도 맥락이 가짜를 드러낼 수 있다

설득력 있는 이미지라도 근거가 약한 주장과 함께 있다면 여전히 근거가 약한 항목입니다. 캡션이 검증할 수 있을 만큼 구체적인지 확인하세요. 신뢰할 수 있는 매체, 원 목격자, 또는 다른 시각 자료가 같은 사건을 뒷받침하는지 확인하세요. 다른 각도의 사진, 관련 영상, 지역 보도 자료를 찾아보세요.

규제 맥락도 중요합니다. 특정 상황에서 합성 이미지를 게재하거나 배포한다면, 공개 의무에 대한 기준이 점점 엄격해지고 있습니다. 팀에서 라벨링과 투명성에 관한 정책을 마련하고 있다면 딥페이크 공개 규정에 대한 이 개요가 유용할 것입니다.

이미지는 증거의 절반에 불과합니다. 나머지 절반은 누가 그것을 사용하고 있는지, 언제부터 사용하기 시작했는지, 그리고 그것을 통해 여러분이 무엇을 믿기를 바라는지입니다.

책임감 있는 검증 마인드셋 기르기

가장 뛰어난 검토자는 단 하나의 단서에 의존하지 않습니다. 약한 신호들을 차곡차곡 쌓아 확신할 수 있는 판단에 이릅니다. 잘 다듬어진 얼굴과 이상한 손동작만으로도 의심하기에는 충분할 수 있습니다. 여기에 깨진 간판 글자, 출처 불명, 탐지기 경고, 일치하지 않는 메타데이터까지 더해지면 그 판단은 훨씬 더 확고해집니다.

이러한 단계적 접근이야말로 이미지가 AI로 생성되었는지 확인하는 방법에 대한 실용적인 답입니다. 먼저 눈으로 확인하고, 맥락으로 넘어가며, 사안의 중요도가 크다면 포렌식 점검으로 격상하세요. 도구를 워크플로우에 포함시키되, 최종 판단을 무비판적으로 도구에게 맡기지는 마세요.

실제로 효과가 있는 방법

좋은 검증 마인드셋은 대체로 다음과 같은 모습을 띱니다:

• 결정을 서두르지 않기: 이미지가 설득력 있다고 해서 곧바로 게재하지 마세요.
• 단서를 기록하기: 정확한 이상 징후, 출처 문제, 또는 포렌식상의 우려를 기록해두세요.
• 의심과 결론을 구분하기: 어떤 파일은 확실히 가짜인 것이 아니라 '아직 검증되지 않은' 상태일 뿐입니다.
• 확신을 연기하기보다 단서를 축적하기: 소소한 단서 여러 개가 하나의 극적인 추측보다 더 신뢰할 만합니다.

여기에는 윤리적인 측면도 있습니다. 검증은 정확성 그 이상을 보호합니다. 독자를 조작으로부터, 취재원을 왜곡된 표현으로부터, 그리고 발행인을 공개 없이 합성 미디어에 신뢰성을 부여하는 일로부터 보호합니다.

이미지를 자주 다룬다면, 목표는 과민해지는 것이 아니라 체계적으로 되는 것입니다. 대부분의 실수는 사람들이 시각적 그럴듯함에서 곧바로 사회적 확신으로 건너뛸 때 일어납니다. 체계적인 워크플로우는 그 비약을 가로막습니다.

---

더 깊은 검토에 앞서 빠른 검증 단계를 원한다면, Humantext.pro의 무료 즉석 확인 기능을 사용해보세요. 이미지의 품질과 진위 검증 워크플로우에 AI 확률 신호를 더할 수 있는 실용적인 방법입니다.