AI 요약
우병오 박사는 칼럼을 통해 유튜브와 넷플릭스 같은 글로벌 플랫폼들이 '나보다 나를 더 잘 아는' 초개인화된 세계를 구축하는 AI 추천 알고리즘의 원리를 설명했습니다. 알고리즘은 사용자의 명시적 피드백(좋아요 등)과 암묵적 피드백(시청 시간, 검색 기록 등)을 원재료로 삼아 학습을 진행합니다. 추천 시스템의 중심축은 집단 지성을 활용하는 '협업 필터링(CF)'과 아이템 고유 속성을 분석하는 '콘텐츠 기반 필터링(CBF)'으로 나뉩니다. 유튜브는 시청 시간을 가중치로 둔 수학적 기법인 '가중 로지스틱 회귀'를 사용해 플랫폼 체류 시간을 늘립니다. 또한, 넷플릭스는 거대언어모델(LLM) 기반의 개인화 아트워크로 사용자 경험을 높였고, 아마존과 쿠팡은 정교한 구매 유도 알고리즘으로 매출 증대를 실현하고 있습니다. 그러나 이러한 AI 추천은 사용자가 선호하는 정보에만 갇히게 만드는 '필터 버블'이라는 부작용도 야기하고 있습니다.
핵심 인사이트
- Llama 3.1 8B 도입 효과: 넷플릭스는 최신 거대언어모델(LLM)을 초개인화 아트워크 기술 고도화에 활용해 사용자 참여도를 3~5% 향상시켰습니다.
- 아마존의 추천 매출 비중: 세계 최대 전자상거래 기업인 아마존의 전체 매출 중 무려 **35%**가 개인 맞춤형 추천 시스템을 통해 발생하고 있습니다.
- 가중 로지스틱 회귀 모델: 유튜브는 단순 클릭률이 아닌 '시청 시간'을 가중치($w$)로 학습하는 수학적 기교를 부려 사용자의 장시간 체류를 유도합니다.
- 디지털 흔적의 중요성: 사용자가 무심코 남긴 클릭, 검색 기록, 미세한 시청 정지 및 되돌려보기 시점 등 **암묵적 피드백(Implicit Feedback)**이 취향 파악의 핵심 열쇠입니다.
주요 디테일
- 협업 필터링(CF)의 한계: 나와 성향이 비슷한 '취향 쌍둥이'를 매칭하여 예상치 못한 추천(세렌디피티)을 가능하게 하지만, 초기 데이터가 없는 신규 사용자에게 작동하기 힘든 '차가운 시작(Cold Start)' 문제를 겪습니다.
- 콘텐츠 기반 필터링(CBF)의 특징: 타인의 행동 데이터에 구애받지 않고 사용자가 과거 시청한 영상의 키워드(예: 액션, 폭발 등)를 분석하여 정합성 높은 추천을 제공하나, 추천 범위가 지나치게 좁아질 수 있습니다.
- 수집 데이터 범주 삼총사: AI 시스템은 최적의 결과를 내기 위해 사용자 데이터(시청 기록, 구매 내역), 콘텐츠 데이터(장르, 메타데이터), 맥락 데이터(접속 시간대, 기기 종류, 위치 정보)를 결합하여 분석합니다.
- 초개인화 아트워크: 넷플릭스는 로맨스 선호자에게는 로맨틱한 분위기의 포스터를, 액션 선호자에게는 폭발적인 액션 씬 포스터를 보여주며 사용자 취향에 맞춰 시각적 요소를 완전히 차별화합니다.
- 필터 버블의 위험성: AI가 맞춤형 정보만 편식하도록 유도하면서 사용자가 새로운 정보로부터 고립되고 편향된 가치관에 갇히는 현상이 부작용으로 대두되었습니다.
향후 전망
- '보정(Calibration)' 기술의 부상: 정보 편식을 유발하는 '필터 버블' 문제를 해소하고 사용자에게 다양한 시각을 제공하기 위해, 플랫폼들은 추천 결과의 다양성을 넓히는 '보정' 기술 개발에 힘을 쏟을 것으로 보입니다.
- LLM 기반 추천의 정교화: 넷플릭스의 선례처럼 향후 커머스, OTT, SNS 등 전 산업군에서 거대언어모델(LLM)을 접목해 맥락을 더 깊이 이해하는 정교한 개인화 기술이 확산될 것입니다.
출처:naver_ai