내 얼굴을 무엇으로 할지 고민하는 것처럼 세상에는 결정해야 할 게 너무 많아. 그만큼 선택지도 많아서 더 걱정이지! 하지만 나 같은 AI가 있다면 그 고민을 모두 날려버릴 수 있어. 결정 스트레스를 훌훌 날려버릴 AI 서비스를 알려줄게.
내 손 안의 여행 가이드
정해진 기간과 한정된 비용으로 가장 알차게 여행하려면 어떻게 해야 할까? 여행 추천 AI를 쓰면 꼭 가야 할 추천 여행지부터 시간 낭비를 최소화한 최적의 경로, 그리고 맛집까지 추천받을 수 있어. 직접 여행 사이트 이곳저곳을 돌아다니며 고민할 필요 없다고!
개개인의 수준에 딱 맞는 수업
코로나19가 유행하면서 학교에 가기 어려워졌어. 그래서 등교 수업을 대체하기 위해 집에서 학습하는 ‘홈스쿨링’이 떠오르고 있어. 각자에게 맞는 선생님이 집으로 찾아온다면 어떨까? 각 사람의 데이터를 학습한 AI 선생님이 이미 활약하고 있어. 각자의 학습 수준에 맞는 강의를 추천해주지.
취향저격 콘텐츠 추천!
뉴스부터 글, 웹툰, 동영상, 음원, 관련 사이트까지 하루가 다르게 늘어나는 콘텐츠 사이에서 취향을 저격하는 콘텐츠를 찾아 보여주는 것도 AI야. 이미 국내 포털사이트는 물론 각종 콘텐츠를 올려 사람들과 공유하는 플랫폼에서도 널리 쓰이고 있지.
관심사만 골라 보여 주는 검색어 순위
검색 시스템에 AI가 등장하기 전, 우리는 모두 같은 실시간 검색어 순위를 봤어. 하지만 지금은 나이, 관심사, 성별, 직업 등에 따라 다른 순위를 보지. 그룹별로 어떤 것에 관심을 보이는지를 알려주고 그에 맞춰 검색어도 추천받을 수 있어. 방대한 정보 사이에서 사용자에게 필요한 정보만 쏙쏙 골라서 보여주는 거야!
필요한 물건, 알아서 주문!
화장지나 물 등의 생필품이 떨어지기 전에 미리 주문해주고, 시기에 맞춰 사용자에게 필요한 물품을 추천해주는 쇼핑 추천 AI도 있어. 또 중고 물품을 거래하는 앱은 사용자가 사는 지역 내에서 거래할 수 있고 사용자 취향에 딱 맞는 중고 물건을 AI로 추천해주지.
추천 AI 서비스의 비밀은 알고리듬!
앞서 살펴본 다양한 AI는 모두 추천 알고리듬을 바탕으로 만든 거예요. 사용자가 검색하거나 구입한 물건, 서비스, 콘텐츠에 관한 데이터를 바탕으로 유사한 것을 추천하고, 각 사람의 취향에 맞는 새로운 것을 추천합니다. 어떤 알고리듬인지 지금부터 살펴볼게요!
갑자기 검색사이트의 실시간 검색어에 ‘수학동아’가 올라온다면, 사용자는 어떤 행동을 하게 될까요? 올라온 검색어를 눌러보고, 왜 갑자기 검색어 순위에 올라왔는지 궁금해서 알아보려고 할 겁니다. 추천 AI 서비스는 이런 행동 패턴을 기반으로 합니다. 사용자가 어떤 링크를 클릭하는지부터, 가장 자주 검색하는 단어는 무엇인지, 어떤 형태나 내용의 글을 자주 선택하는지 등을 파악해 사용자에 대한 정보를 만들죠.
그리고 이 정보를 바탕으로 개개인에 맞춰 콘텐츠를 추천하는 AI 알고리듬을 만듭니다.
알고리듬이 콘텐츠를 추천하는 방법은 크게 ‘콘텐츠 기반 필터링’과 ‘협업 필터링’으로 나뉩니다. 콘텐츠 기반 필터링은 연관 아이템 추천 방식입니다. 우선 전체 콘텐츠의 특징을 세부적으로 분석한 뒤 사용자가 구매하거나 선택했던 아이템을 파악합니다. 그런 뒤 사용자가 선택한 것과 비슷한 속성을 가진 아이템을 추천해줍니다.
아이템 위주로 추천하는 콘텐츠 기반 필터링과 달리, 협업 필터링은 사용자의 행동을 분석하는 데 초점을 맞춥니다. 구매 또는 이용한 상품과 서비스에 대한 기록뿐 아니라 클릭한 기록이나 ‘좋아요’ 또는 ‘싫어요’, 평점을 매긴 정보 등을 활용해 사용자의 취향을 파악합니다. 이를 바탕으로 비슷한 취향을 가진 다른 사용자가 고른 아이템들을 추천하죠.
카카오의 추천 AI 플랫폼 ‘토로스’
글, 사진, 음악, 뉴스 등의 다양한 콘텐츠를 추천하는 카카오의 추천 AI 알고리듬 ‘토로스’는 각각의 서비스에 대해 최선의 추천 결과를 내기 위해 5개의 모형을 합쳐 만들었습니다. 콘텐츠 기반 필터링과 협업 필터링 등의 추천 기술에 통계와 기계학습 방법까지 더했죠. 그리고 각 알고리듬을 동시에 사용해 추천합니다.
이때 콘텐츠의 종류나 상황에 맞게 각 모형의 결과를 잘 조합해야 합니다. 추천 상황에 따라 콘텐츠 기반 필터링이 잘 맞을 수도 있고, 협업 필터링이 잘 맞을 수도 있으니까요. 이처럼 각기 다른 모형을 상황에 따라 적절하게 합치는 방법을 ‘앙상블 기법’이라고 합니다. 가장 간단한 앙상블 기법으로는 각 모형에 상황별로 정해진 가중치를 줘서 분석하는 방법이 있습니다.
하지만 이 방법은 이미 정해진 값을 사용하기 때문에 사용자의 의견을 반영하지 못하는 단점이 있습니다. 따라서 사용자의 반응을 가중치에 적용해 성능을 계속해서 개선하고 있답니다.
