[출처 : 한국일보 결정비용 뭘 먹지, 뭘 입지.. 결정 스트레스 훌훌 턴 값은? 기사 중]

 얼마 전 재미있는 기사를 읽었습니다. 한국일보의 ‘[결정비용] 뭘 먹지, 뭘 입지… 결정 스트레스 훌훌 턴 ‘값’은?’ 이라는 제목의 이 기사는 정보화 사회에 접어든 현대인이 ‘결정피로’로 인한 스트레스를 ‘결정비용’을 지불함으로써 해소할 수 있다는 것이었는데요. 고민하고 결정하는 대신 랜덤 배송, 랜덤음악 재생, 코디 제안 서비스를 이용한다는 내용이었습니다.

 이 글을 쓰고 있는 저 역시도 매 순간 선택에 대한 비용을 지불하는 게 나은 지 의문이 들 때가 많습니다. 가령 이어폰이 고장이 나게 되면 하루 종일 손에서 휴대전화를 놓지 않고 이어폰의 종류를 검색을 합니다. 그러다 종류가 너무 많으면 ‘아 그냥 누가 정해줬으면 좋겠다’ 라는 생각을 하다가 결국 한 제품을 선택하게 됩니다. 그런데 오랜 시간 고민해서 고른 상품 보다 좋거나 싼 제품을 보게 된다면, 고민하며 보내 버린 시간이 너무 아깝게도 느껴졌습니다. 고민에 대한 결정을 또 고민하게 되는 것 역시 ‘결정피로’의 한 예가 아닐까요?

[출처 : 강남 맛집 오빠랑 검색결과 캡쳐]

 ‘결정피로’의 시대를 살고 있는 요즘, 우리는 모두 ‘추천’이라는 키워드에 목말라 있습니다. 한동안 ‘맛집’이라는 키워드가 뜨고 있을 때 진정한 맛집을 검색하는 방법 중 하나는 ‘맛집’이라는 키워드가 아닌 ‘오빠랑’을 붙여서 검색해보라는 우스갯소리가 있었습니다. 상업적인 블로그 리뷰어의 등장으로 진정한 정보를 찾을 수는 없게 되자 나온 꿀팁이었죠. 요즘은 이 키워드로 사용되고 있으니 넘쳐나는 정보에 따른 피로도가 엄청 납니다.

 정보화 시대에 접어들었지만 여전히 입소문으로 맛집을 찾을 때가 더 많은 걸 보면 참으로 아이러니 합니다. 그러고 보면 ‘추천 시스템’의 등장도 어쩌면 방대한 정보 속에서 ‘최소 비용으로 최대의 만족’을 얻으려는 인간의 심리가 뒷받침 된 것 같습니다.

추천 시스템의 등장

 추천 시스템은 크게 ‘협업 필터링’과 ‘콘텐츠 필터링’으로 나눌 수 있습니다. 그 중 대표적인 추천 시스템 방법인 협업 필터링을 더 자세히 알아보도록 하겠습니다.

[출처 :Deconstructing Recommender Systems by JOSEPH A. KONSTAN, JOHN RIEDL  /  OCTOBER 2012]

협업 필터링은 collaborative filtering 이라 하며 많은 사용자들로부터 얻은 기호 정보(taste information)를 바탕으로 사용자들의 관심사를 자동으로 예측하게 해주는 방법입니다. 협업 필터링의 기본 접근 방식은 기존의 사용자들의 정보를 통해 미래의 선택을 예측한다는 가정아래에 말이죠.

[출처 : 멜론 ‘For U’ 서비스 화면 캡쳐]

 이러한 추천 시스템의 대표적인 예는 ‘아마존’의 상품추천, ‘넷플릭스’의 영화추천, ‘페이스북’의 친구 추천이 있습니다. 우리나라의 유료 디지털 음원 스트리밍 서비스인 ‘멜론’ 역시 사용자가 자주 듣는 음악 데이터를 기반으로 선곡을 해줍니다. 좋아하는 장르와 특정가수를 즐겨찾기 하게 되면 이를 그룹핑하고, 반복 재생하는 음악을 카운트를 세어 멜론이 가진 자체 추천 시스템 알고리즘으로 ‘이 유저는 이런 노래도 좋아하겠구나?’라는 예측하여 추천하는 셈이죠.

 하지만 이런 추천 시스템 알고리즘에도 맹점이 있습니다. 학부시절, 파이썬 협업 필터링을 통한 추천 시스템 알고리즘으로 학교 주변 카페 추천 프로그램을 만든 적이 있었는데요. 데이터 기반의 추천 시스템이다 보니 단순 입소문 보다 정확한 취향 저격 까페를 추천해 줄 수 있었지만 개발자인 제가 데이터를 조작한다면 추천 결과를 얼마든지 조작할 수 있다는 것입니다.

[출처 : 테이스팀]

 물론 이런 단점을 보완하고자 나온 서비스도 있습니다(이용자의 불편함은 곧 사업 기회라고 하지요). 블록체인을 활용한 맛집 큐레이션 서비스 ‘테이스팀’인데요. 테이스팀은 이용자가 맛집을 추천하고, 다수의 추천을 받은 추천자에게 보상을 제공함으로써 맛집 정보에 신뢰를 부여하고 있습니다. 나중에 기회가 된다면 스팀 서비스와 함께 간략히 다루어 볼까 합니다.

[출처 : 네이버 DEVIEW 2017 ]

 지난해 ‘DEVIEW(네이버 개발자 컨퍼런스)’에서도 인공지능 콘텐츠 추천 시스템 AiRS(에어스, AI Recommend Ststem) 개발기를 발표했습니다. 이 외에도 상품 추천 시스템 ‘AiTEMS(에이아이템즈’), 장소 추천 시스템 AiRSPACE(에어스페이스)라는 AI 기반 솔루션들을 선보였는데요. 네이버의 여러 플랫폼을 통해 얻어진 이용자 개인의 행동 데이터를 기반으로 관심사 혹은 취향을 분석해 적합한 결과를 추천해 주는 인공지능 추천 시스템입니다. 이는 빅 데이터 기반으로 나의 모든 생활과 습관이 데이터로 남고, 이를 패턴화하여 미래의 행동을 예측 가능하게 한다는 것인데요. 편리함과 동시에 조금은 무서운 느낌이 드는 것은 어쩔 수 없는 것 같습니다.

[출처 : 이수시스템 Japan IT Week 참관, 마케토 국내판매 파트너사 ‘네오다임’ 홈페이지 촬영]

 Japan IT Week 2018에서도 이를 증명하듯 ‘AI’를 활용한 솔루션을 내세운 온라인 마케팅 대행사가 많았습니다. 하지만 앞 서 소개 드린 사례들에 비하면 아쉬운 부분이 많았습니다. ‘AI’라는 거대한 키워드를 앞세우긴 했지만 과학적인 접근을 통해 얻어진 정교한 데이터가 아니라 DM(Direct Message)을 통해 얻어진 데이터(다수에게 스팸처럼 뿌려서 얻은 데이터)이므로, 모집단이나 특정 그룹에 대한 데이터 정확성을 보장하기 어렵기 때문이죠. 그러나 일본의 온라인 마케팅 시장 역시 ‘빅데이터’와 ‘AI’의 상관관계가 중요하다고 느낀 것은 분명해 보였습니다.

 1990년대부터 시작한 추천 시스템은 최신 기술들이 더해지며 더욱 탄탄한 데이터의 수집이 가능해 졌고, 이를 바탕으로 여러 서비스로 확대되고 있습니다. ‘빅 데이터’를 기반으로 보다 정교해진 추천 시스템, 그리고 이러한 추천 시스템을 학습하는 ‘AI’ 로봇. 예측하기 어려운 미래에 살고 있는 우리로서는 우리의 과거 행적을 통해 보다 최선의 선택을 하며 불안하지 않게 살아가고 있는지도 모르겠습니다.

오늘의 점심 메뉴, 어떻게 결정하셨는지요?

– 출처 및 참고기사 –

‘[결정비용] 뭘 먹지, 뭘 입지… 결정 스트레스 훌훌 턴 ‘값’은?

http://www.hankookilbo.com/v/d7c65b551eac48e596d8011696014dce

맛집 검색에서 실패하지 않는 6가지 방법

https://www.huffingtonpost.kr/sehoi-park/story_b_8607532.html

‘검색의 시대’ 지고 ‘추천의 시대’ 뜬다

https://news.samsung.com/kr/?p=355958

칼럼 : 추천 시스템 분석 – 어떻게 아마존과 넷플릭스가 당신의 취향을 예상하는가?

http://blog.kthdaisy.com:8080/recommendation_system_kthdaisy/

출처: 위키백과 – 협업 필터링

https://ko.wikipedia.org/wiki/%ED%98%91%EC%97%85_%ED%95%84%ED%84%B0%EB%A7%81