📔 시나브로 독서 [첫 인공지능. 보통사람이 알아야 할 인공지능 기초!, 이애리] 🔖 발췌 우리가 가장 자주 만나는 인공지능이 있다면 아마 추천 서비스일 거예요. 추천 서비스는 사용자가 검

📔 시나브로 독서 [첫 인공지능. 보통사람이 알아야 할 인공지능 기초!, 이애리] 🔖 발췌 우리가 가장 자주 만나는 인공지능이 있다면 아마 추천 서비스일 거예요. 추천 서비스는 사용자가 검색하기도 전에 사용자 맞춤 상품을 제공하고 기업 입장에서는 구매할 확률이 높은 소비자를 찾아주는 시스템입니다. 실제로 전자 상거래 사이트 아마존은 매출의 35%가 추천 서비스로 발생한다고 합니다. 유튜브 사용자의 시청 기간 중 70%가 추천 영상을 보았고, 넷플릭스 역시 사용자 중 75%는 추천 영화를 선택해서 시청한다고 합니다. 이런 추천 시스템은 크게 2가지 원리로 동작합니다. 콘텐츠 기반 필터링 (content-based filtering)과 협업 필터링 (collaborative filtering)입니다. 콘텐츠 기반 필터링은 콘텐츠의 특성을 파악해 그러한 특성을 가진 다른 콘텐츠를 추천해주는 방식입니다. 예를 들어 넷플릭스에서 액션 영화를 많이 보는 사람에게는 액션 영화를 추천해 주는 기능을 생각하면 됩니다. 협업 필터링은 사용자 기반(user-based) 필터링과 아이템 기반(item-based) 필터링으로 나뉩니다. 사용자 기반 필터링은 취향이 비슷한 사용자 A,B가 있을 때, A가 소비한 상품 또는 서비스를 B에게도 추천하는 시스템입니다. 아이템 기반 필터링은 사용자가 이전에 소비했던 상품과 연관성이 높은 다른 상품을 추천하는 방식입니다. "이 상품을 구입한 고객이 oo도 샀어요"라고 추천하는 경우가 여기에 속합니다. 협업 필터링은 사용자 데이터를 기반으로 동작하기 때문에 서비스 사용자의 데이터가 많으면 많을수록 서비스의 신리도도 올라간다는 장점이 있습니다. 반대로 서비스 사용자의 데이터가 적으면 그만큼 추천 시스템의 정확도가 떨어진다는 단점도 있죠. 기업입장에서도 데이터 부족은 소수 인기 상품만 추천되는 쏠림 현상이 벌어져 새로 출시하는 상품을 선보일 기회가 줄어드는데, 이처럼 데이터 부족으로 기능이 제대로 동작하지 않는것을 가리켜 콜드 스타트(cold start)라고 합니다. 그러나 콜드 스타트는 사용자 데이터가 아닌 상품 자체를 데이터화 하는 방법으로 극복할 수 있습니다. 예를 들어 웨이브(OTT) 플랫폼은 사용자가 어떤 영화를 선택하면 그 영화가 같은 장르, 같은 배우가 출연한 영화, 같은 감독이 연출한 영화 등의 목록이 함께 뜹니다. 이처럼 추천 서비스는 편리한 시스템이지만, 스스로 선택한 것이 아니기에 필터 버블(filter bubble)이 발생합니다. 극단적인 예로 우연히 한쪽 성향의 인터넷 뉴스를 읽으면 연달아 뜨는 추천기사를 따라가다 보면 한쪽으로 치우친 시각으로 기사 속을 헤매게 됩니다. 그래서 고정 관념이나 편견이 강화되기도 하고 의도하지 않은 차별을 만들기도 하죠. 왜곡된 세계 속에서 콘텐츠 제공자의 의도에 휘둘릴 수도 있습니다. 실제 2014 발표된 라는 논문에 따르면 다른 사람의 감정이 자신의 감정에 영향을 미친다는 것, 즉 소셜 네티워크를 통한 전염이 실제로 일어난다는 것을 밝혔습니다. 판단은 늘 사용자 자신의 몫임을 잊어서는 안 되겠습니다.