추천 시스템이란 무엇입니까?

추천 시스템은 머신 러닝 및 데이터 필터링 기술로 알려진 AI 하위 집합을 사용하여 제안합니다. 제대로 작동하면 AI 추천 시스템이 과거의 선택, 피드백 및 참여를 기반으로 사용자가 원하는 콘텐츠 유형을 정확하게 예측합니다.

Netflix, Amazon, eBay 및 대부분의 소셜 플랫폼에는 방문자가 다량의 콘텐츠를 정렬하여 관심 대상이 될 만한 특정 항목을 찾도록 지원하는 추천 시스템이 있습니다. 추천 도구와 같은 AI 솔루션은 현대의 일상생활에서 흔히 볼 수 있으며, 거의 당연한 것으로 간주됩니다. 하지만 최적의 효과를 발휘하려면 상당한 양의 데이터, AI 모델 교육 및 컴퓨팅 전력이 필요합니다.

잠재 고객은 인지하지 못한 채 추천 시스템에 의존하는 경우가 있습니다. 수십만 편의 영화 중에서 시청할 한 편의 영화를 선택하는 것은 쉽지 않은 도전일 수 있지만, 100편의 영화 중에서 한 편의 영화를 선택하면 결정의 어려움을 줄일 수 있습니다. 권장 사항이 정확하고 시스템이 반응할 경우, 사용할 대상을 결정하는 과정이 수월해집니다.

추천 시스템의 이점

소셜미디어 플랫폼과 같이 사용자들의 참여를 유지하거나, 계속해서 구독하거나 구매를 원하는 기업의 경우, AI 추천 시스템을 배포하는 것이 이러한 목표를 달성하는 데 도움이 될 수 있습니다. 경우에 따라 추천 시스템은 식료품점의 충동 구매 진열대처럼 작동합니다. 다른 경우에는 자동차 대리점에서 타이어 보호와 같은 추가 기능을 제공하는 것과 유사합니다.

의사 결정을 내리는 것이 어렵기 때문에 사용자는 혜택을 누릴 수 있습니다. 사용자가 자신이 원하는 것이 무엇인지 잘 알고 있더라도, 원하지 않는 모든 항목을 선별하는 것은 어려울 수 있습니다. “코미디” 장르를 찾기 위해 영화 카탈로그를 검색하면 방대한 영화와 함께 다양한 옵션이 표시됩니다. 추천 시스템은 사용자가 선택의 범위를 좁혀 가장 마음에 드는 것을 찾도록 지원합니다.

또한 추천 도구는 사용자가 다른 방법으로는 발견하지 못했을 수도 있는 신규 콘텐츠를 발견하도록 지원할 수 있습니다. Pandora 및 Spotify와 같은 음악 스트리밍 서비스는 가입자가 자신의 선호도에 따라 신규 콘텐츠를 찾기 위해 종종 사용하는 플랫폼의 예입니다.

추천 시스템은 어떻게 작동합니까?

AI 추천 시스템은 복잡하며 여러 AI 모델, 머신 러닝 프로세스 및 데이터 분석 워크플로를 사용합니다. 대부분의 워크플로는 다음과 같은 세 가지 일반적인 단계를 포함합니다:

• 분류: 이 단계에서는 컴퓨터 비전 및 자연어 처리(NLP)가 콘텐츠의 다양한 요소를 식별하고 분류하는 데 사용됩니다.
• 리콜 및 유사성 검색: 다음으로, 항목 또는 개체는 유사한 특징으로 분류됩니다.
• 순위 지정: 마지막으로, 와이드 러닝 및 딥 러닝 모델은 관련성을 기준으로 항목이나 대상을 정렬합니다.

이러한 세 단계는 정확하고 관련성 높은 결과를 제공하고 추천뿐만 아니라 이를 제공한 시스템을 소유한 회사에 대해 사용자가 좌절할 위험을 줄여줍니다.

추천 시스템 유형

추천 시스템은 지속적으로 사용자 지정 가능하며 특정 사용 사례에 맞게 맞춤 설정해야 합니다. 일반적으로 추천 시스템은 세 가지 광범위한 범주로 분류됩니다:

• 협업 필터링: 협업 데이터 필터링 추천 시스템은 많은 사용자의 선호 정보를 필요로 합니다. 시스템은 이 영화를 좋아하는 사람들이 종종 다른 영화도 좋아한다는 패턴을 인식합니다. 그런 다음 첫 번째 영화를 좋아하는 사람들에게 다른 영화를 추천합니다.
  마찬가지로, 두 명의 사용자가 공통으로 두 개 이상의 품목을 가지고 있는 경우 추천 시스템은 한 사람이 높게 평가하거나 유사한 관심이 있는 다른 사람이 구매한 품목을 권장할 수 있습니다.
• 콘텐츠 기반 필터링: 콘텐츠 기반 데이터 필터링은 사용자가 신규 가구나 가전 기기와 같이 자주 구매하지 않는 더 큰 티켓 품목을 검색하는 경우와 같이 사용 가능한 정보가 적은 상황에 유용합니다. 권장 시스템은 유사한 크기, 유사한 기능 또는 비슷한 가격대의 품목을 제안할 수 있습니다.
  이전 영화 예제를 사용하여 사용자가 두 개의 액션 영화를 시청한 경우, 추천 시스템은 해당 카테고리에 속한 다른 타이틀을 제안할 수 있습니다.
• 하이브리드 필터링: 협업과 콘텐츠 기반 데이터 필터링을 모두 사용하는 추천 도구는 두 가지 유형의 요소를 제공하며, 때로는 위치, 시간 및 기타 데이터 등과 같은 상황별 정보를 포함하여 보다 정확하고 유용한 추천을 제공합니다.

좋은 추천 시스템이란 무엇일까요?

추천 시스템의 비즈니스 목표는 반복 사용입니다. 사용자가 자신의 선호에 근접한 ‘양호’라는 의미로 받아들이는 추천 내용을 더 자주 인식할수록 시스템을 다시 방문하여 재사용할 가능성이 더 많아집니다. 우수한 추천 시스템의 특성은 다음과 같습니다:

• 정확성: 제안은 사용자를 위해 맞춤화해야 합니다. 이것은 단순한 추천 또는 비추천과 같은 피드백 시스템을 통합하여 달성할 수 있습니다. 피드백은 AI 학습을 강화하고 확장합니다.
• 반응성: 사용자는 인내심이 부족하고 추천을 기다려주지 않습니다. 로드 시간은 빠르고 마찰이 없어야 합니다. 그렇지 않으면 사용자는 떠나고 말 것입니다.
• 비용 효율성: 비즈니스 관점에서 볼 때, 추천 시스템 및 지속적인 관련 운영 비용에 대한 투자는 사용자 참여, 판매 또는 기타 비즈니스 성과 증가로 균형을 맞춰야 합니다.

권장 시스템 사용 사례

디지털 세계에서 추천 시스템은 보편화되어 있습니다. 거의 모든 전자상거래 소매업체는 일종의 추천 시스템을 가지고 있으며, 대부분의 사람들은 추천 시스템이 무엇인지 깨닫지 못한 채 원활하게 사용합니다. Amazon은 얼리 어답터였으며, 추천 없이 신규 제품을 찾는 것이 상당히 어려울 수 있습니다.

Netflix는 또한 광범위하고 끊임없이 진화하는 추천 시스템을 보유하고 있습니다. 실제로 2007년부터 2009년까지 Netflix는 단 10% 더 정확한 추천 시스템을 구축할 수 있는 팀에 상금을 제공했습니다. 수상자들은 함께 작동하여 예측 결과를 제공하는 107개의 다른 모델로 구성된 파이프라인을 만들었습니다.¹

AI 추천 시스템의 두 가지 주요 용도는 eBay나 Amazon과 같은 맞춤형 머천다이징과 Facebook 또는 LinkedIn과 같은 소셜 미디어 플랫폼과 같은 맞춤형 콘텐츠입니다.

맞춤형 머천다이징

대부분의 주요 소매 브랜드는 맞춤형 머천다이징 추천 시스템을 보유하고 있습니다. 이는 두 가지 다른 방식으로 작동할 수 있습니다.

예를 들어, 사용자가 eBay에서 목록을 탐색할 때 “관련 품목 탐색” 추천 시스템은 유사한 목록을 제공하며 제안에 대한 피드백을 제공할 수 있습니다. 의류 소매점 Old Navy는 "고객이 좋아함" 추천 도구와 "착용하기" 추천 도구를 모두 제공합니다.

AI 알고리즘 기반 추천 시스템이 더 일반화됨에 따라, 새로운 방식으로 사용되고 있습니다. 은행 업계에서는 추천 시스템을 사용하여 고객 저축 및 지출 행동을 기반으로 계좌 유형, 서비스 또는 제안을 안전하게 제안할 수 있으며, 교육 업계에서는 추천 구도가 학생들이 지원할 대학을 결정하도록 지원할 수 있습니다.

맞춤형 콘텐츠

사용자는 하루 내내 특히 미디어와 엔터테인먼트를 사용할 때 추천 시스템과 원활하게 상호 작용합니다. Google은 사용자에게 광고를 제공하기 위해 추천 시스템을 사용하지만, Meta는 Instagram 탐색 페이지, Facebook Reels 및 사용자가 이러한 플랫폼에서 보는 메인 피드를 포함한 자사 제품 전반에 추천 시스템을 사용합니다.

Amazon과 Netflix는 모두 머신 러닝과 방대한 양의 데이터를 사용하여 맞춤형 콘텐츠를 추천합니다. 사용자 조회 정보, 검색 기록 데이터, 평점, 날짜, 시간 및 사용 장치 유형은 모두 다층 하이브리드 추천 엔진에 통합됩니다.

현재 인기가 있는 것만이 아닌 맞춤형 추천은 훨씬 더 깊은 참여와 탐색을 리드해 낼 수 있으며, 훨씬 더 관련성이 높은 결과를 위한 추가 데이터를 제공할 수 있습니다.

추천 시스템의 문제

추천 도구는 조직과 사용자 모두에게 유용하지만, 잠재적인 문제도 존재합니다. 추천 시스템을 구축하는 시작 시점부터 문제를 인식하면 나중에 문제를 피할 수 있는 기회를 얻을 수 있습니다. 다음은 AI 추천 시스템과 관련된 알려진 문제 중 일부입니다:

• 데이터 희소성: 초기 단계에서 많은 품목이나 제품이 등급을 받지 못했거나 신규 사용자일 수 있으므로, 추천 시스템은 추천 정보를 많이 보유하지 못할 수 있습니다. 예를 들어, Netflix는 신규 사용자에게 본 영화를 평가하도록 요청합니다. 추천 또는 비추천 또는 별 등급과 같은 기본적인 피드백 메커니즘은 시작점을 제공하는 데 도움이 될 수 있습니다.
• 콜드 스타트 문제: 신규 사용자와 품목은 유사한 문제를 안고 있습니다. 사용자의 선호도 또는 품목에 대한 데이터가 충분하지 않을 경우, 추천 시스템은 정확하고 유용한 추천을 제공할 수 없습니다. 예를 들어, 사용자가 새 냉장고를 구매하려고 전에 한 번도 보지 못한 소매 제품 사이트를 방문한다고 상상해 보십시오. 사이트 추천 시스템은 사용자가 현재 검색 이외에 무엇을 찾고 있는지에 대한 정보를 가지고 있지 않습니다.
• 확장성: 상대적으로 적은 양의 데이터에서 수백만 명의 사용자 및 품목으로 확장하려면 균형 있게 사용하고 결과 도출 시간을 가속화하는 신중하게 계획된 기술 인프라가 필요합니다.
• 과적합 및 다양성: 이 두 가지 문제는 관련이 있으며, 둘 다 가장 인기 있는 품목이 지나치게 자주 추천되는 결과를 낳습니다. 추천 시스템이 과적합한 경우, 교육 데이터가 모델에 너무 잘 적합하며, 새로운 정보가 쉽게 통합되지 않습니다. 동일한 제품이 반복적으로 추천될 경우, 제안 다양성이 부족해 사용자의 참여가 중단될 수 있습니다. 평가 기준 및 신규성과 같은 평가 기준을 사용하여 추천 다양성을 측정하는 것이 도움이 될 수 있습니다.
• 알고리즘 과의존성: 추천 메시지가 더 일반화되고 일상생활의 일부가 됨에 따라, 사람들은 추천 메시지를 너무 자주 사용하여 결정을 내리 필터 버블 또는 에코 챔버를 경험하게 될 수 있습니다. 이는 소셜미디어 플랫폼을 사용하는 미성년자와 같이 더 취약한 사람들에게 특히 문제가 됩니다.
• 개인정보 보호: 추천 시스템은 브라우저 및 구매 내역과 같은 사용자 데이터에 액세스할 수 있어야 하며, 이로 인해 개인정보 보호 문제가 야기될 수 있습니다. AI 솔루션을 구현하는 기업은 데이터 보안 및 개인정보 보호 위험을 인식하고 보안 솔루션을 구현하여 사용자 및 비즈니스 데이터를 보호해야 합니다. 또한 기업은 AI를 안전하고 신뢰할 수 있으며 윤리적인 방식으로 사용할 수 있도록 책임 있는 AI 관행을 인식해야 합니다.

추천 시스템의 미래

생성형 AI, 더 정밀한 데이터 필터링, 필터링할 데이터의 양 증가, 머신 러닝 및 대규모 언어 모델(LLM) 향상 등은 사용자와 기업 모두를 위한 추천 시스템을 지속적으로 개선합니다. 추천 시스템을 아직 구현하지 않은 기업의 경우, 효과적인 추천 도구를 맞춤화하고 교육하는 도구에 더 쉽게 액세스할 수 있습니다.