추천 시스템이란 무엇입니까?

추천 시스템이란 무엇입니까?

추천 시스템은 머신 러닝 및 데이터 필터링 기법이라는 AI 하위 세트를 사용하여 제안을 합니다. AI 추천 시스템이 제대로 작동하면, 과거의 선택, 피드백, 참여도를 기반으로 사용자가 원하는 콘텐츠 유형을 정확하게 예측합니다.

Netflix, Amazon, eBay 및 대부분의 소셜 미디어 플랫폼은 방문자가 대량의 콘텐츠를 정렬하여 관심 있을 가능성이 높은 특정 항목을 찾는 데 도움이 되는 추천 시스템을 갖추고 있습니다. 추천자와 같은 인공 지능 솔루션은 현대의 일상 생활에서 흔히 볼 수 있으며, 거의 당연한 것으로 여겨질 정도입니다. 그러나 최적의 효과를 얻으려면 상당한 양의 데이터, AI 모델 교육, 컴퓨팅 성능이 필요합니다.

잠재고객은 추천 시스템이 있다는 사실을 인지하지 못한 채 추천 시스템을 사용하는 경우도 있습니다. 수십만 편의 영화 중 하나를 선택하는 것은 이겨내기 어려운 도전일 수 있지만, 100개 중 하나를 선택하는 것은 결정의 어려움을 줄여줍니다. 추천 내용이 정확하고 시스템이 즉각 반응하면, 무엇을 소비할지 결정하는 프로세스가 원활하게 진행됩니다.

추천 시스템의 이점

사용자가 소셜 미디어 플랫폼 같은 곳에서 참여를 계속하거나, 구독이나 구매를 지속하기를 원하는 기업은 AI 추천 시스템을 배포하여 이러한 목표를 달성하는 데 도움을 받을 수 있습니다. 어떤 경우에는 추천 시스템이 식료품점의 충동 구매를 위한 진열대와 같은 역할을 하기도 합니다. 또 어떤 경우에는 자동차 대리점에서 타이어 보호 서비스를 별도로 제공하는 것처럼 서비스를 추가로 제공하는 것과 더 비슷합니다.

의사 결정이 어렵기 때문에, 사용자는 이점을 누리기도 합니다. 사용자가 원하는 것을 잘 알고 있더라도, 원하지 않는 모든 항목을 선별하는 것은 어려울 수 있습니다. '코미디' 영화 카탈로그를 검색하면 다양한 옵션이 제공됩니다. 추천 시스템은 사용자가 선택권을 좁혀 자신에게 가장 매력적인 것을 찾는 데 도움이 됩니다.

또한 추천자는 사용자가 다른 방법으로 발견하지 못했던 새로운 콘텐츠를 발견하도록 지원할 수 있습니다. Pandora와 Spotify 같은 음악 스트리밍 서비스는 가입자의 선호도에 따라 종종 새로운 콘텐츠를 찾기도 하는 플랫폼의 예입니다.

추천 시스템은 어떻게 작동합니까?

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

• 분류: 이 단계에서 컴퓨터 비전과 자연어 처리(NLP)는 다양한 콘텐츠 요소를 식별하고 분류하는 데 사용됩니다.
• 재현율 및 유사성 검색: 다음으로, 항목 또는 객체는 유사한 기능별로 분류됩니다.
• 순위: 마지막으로, 폭 넓은 딥 러닝 모델은 관련성에 따라 항목 또는 개체를 정렬합니다.

이러한 3가지 단계는 정확하고 관련성 높은 결과를 제공하고 추천뿐만 아니라 추천을 제공한 회사에 대해 사용자가 불만을 갖는 위험을 줄이는 데 필요합니다.

추천 시스템의 유형

추천 시스템은 끝없이 맞춤 구성할 수 있으며, 특정 사용 사례에 맞게 긴밀히 조정해야 합니다. 일반적으로 추천 시스템은 세 가지 범주로 나뉩니다.
 

• 협업 필터링: 협업 데이터 필터링 추천 시스템에는 많은 사용자의 선호 정보가 필요합니다. 시스템 패턴 인식: 이 영화를 좋아하는 사람들은 이 영화의 다른 영화도 좋아하는 경우가 많습니다. 그런 경우 첫 번째 영화를 좋아하는 사람들에게 다른 영화를 추천합니다.
  마찬가지로, 두 명의 사용자가 공통된 아이템을 두 가지 이상 보유하고 있다면, 추천 시스템은 한 사람이 높은 평가를 했거나 구매한 아이템을 비슷한 관심사를 가진 다른 사람에게 추천할 수 있습니다.
• 콘텐츠 기반 필터링: 콘텐츠 기반 데이터 필터링은 새로운 가구나 가전제품처럼 자주 구매하지 않는 비싼 아이템을 사용자가 조사하는 경우처럼 정보가 더 적은 상황에서 유용합니다. 추천 시스템은 비슷한 크기, 비슷한 기능 또는 비슷한 가격 범위의 아이템을 제안할 수 있습니다.
  앞에서 예로 들었던 영화를 다시 말하자면, 사용자가 두 편의 액션 영화를 시청한 경우, 추천 시스템은 해당 카테고리의 다른 타이틀을 제안할 수 있습니다.
• 하이브리드 필터링: 협업 및 콘텐츠 기반 데이터 필터링을 모두 사용하는 추천자는 두 가지 유형의 요소를 모두 제공하며, 위치, 시간대 및 기타 데이터와 같은 컨텍스트 정보를 포함하여 더 정확하고 유용한 추천을 제공합니다.

좋은 추천자 시스템은 어떻게 만들어집니까?

추천 시스템의 비즈니스 목표는 반복적인 사용입니다. 사용자가 받은 추천이 자신의 선호도와 거의 일치하는 '좋은' 추천이라고 인식하는 경우가 더 많을수록 시스템을 재방문하고 재사용할 가능성이 더 높아집니다. 좋은 추천 시스템의 특성은 다음과 같습니다.
 

• 정확성: 제안은 사용자에 맞게 맞춤화되어야 합니다. 이는 간단히 좋아요 또는 싫어요 같은 피드백 시스템을 통합하여 달성할 수 있습니다. 피드백은 AI의 학습을 강화하고 확장합니다.
• 반응성: 사용자는 인내심이 부족하여 추천을 기다리지 않습니다. 로드 시간이 빠르고 원활하지 않으면, 사용자는 그냥 떠납니다.
• 비용 효율성: 비즈니스 관점에서 추천 시스템에 대한 투자와 이와 관련된 지속적인 운영 비용은 사용자 참여, 판매 또는 그 외 비즈니스 성과 증가와 균형을 이루어야 합니다.

추천 시스템 사용 사례

추천 시스템은 디지털 분야에 널리 보급되어 있습니다. 거의 모든 전자 상거래 소매업체는 일종의 추천 시스템을 갖추고 있으며, 대부분의 사람들은 이것이 무엇인지 인식하지도 못한 채 원활하게 사용합니다. Amazon은 일찍부터 추천 시스템을 도입한 기업으로, 추천 없이 새로운 제품을 발견하는 것은 매우 어려울 수 있습니다.

Netflix에도 광범위하고 끊임없이 진화하는 추천 시스템이 있습니다. 실제로 Netflix는 2007년부터2009년까지 정확성이 단 10%라도 더 높은 추천 시스템을 구축하는 팀에 상을 수여했습니다. 승자는 예측을 제공하기 위해 함께 작동하는 107가지 다양한 모델로 구성된 파이프라인을 만들었습니다.¹

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

맞춤형 머천다이징

대부분의 주요 리테일 브랜드는 맞춤형 머천다이징 추천 시스템을 갖추고 있습니다. 이러한 기능은 몇 가지 다른 방식으로 작동할 수 있습니다.

예를 들어, 사용자가 eBay에서 목록을 검색하면 '관련 항목 탐색' 추천 시스템이 유사한 목록을 제시하고 제안에 대한 피드백을 주는 옵션도 함께 제공합니다. 의류 소매업체인 Old Navy는 '고객이 마음에 드는 추천'과 '착장' 추천을 모두 제공합니다.

AI 알고리즘 기반 추천 시스템이 점점 더 보편화됨에 따라 새로운 방식으로 사용되고 있습니다. 은행에서는 추천 시스템을 사용하여 고객 저축 및 지출 행동에 따라 계좌 유형, 서비스 또는 혜택을 안전하게 제시하고 교육 분야에서는 추천자를 통해 학생이 지원할 대학을 결정하는 데 도움을 줄 수 있습니다.

맞춤형 콘텐츠

사용자는 일반적으로 하루 종일 추천 시스템과 원활하게 상호 작용하며, 특히 미디어와 엔터테인먼트를 소비할 때 그렇습니다. Google은 추천 시스템을 사용하여 사용자에게 광고를 게재합니다. Meta는 Instagram Explore 페이지, Facebook Reels, 사용자가 해당 플랫폼에서 볼 수 있는 주요 피드를 포함한 제품 전반에서 추천 시스템을 사용합니다.

Amazon과 Netflix는 모두 머신 러닝과 방대한 양의 데이터를 사용하여 맞춤형 콘텐츠를 추천합니다. 사용자 시청 정보, 검색 기록 데이터, 등급, 날짜, 시간, 사용된 장치 유형이 모두 다계층 하이브리드 추천 엔진에 통합됩니다.

현재 인기 있는 콘텐츠만이 아닌 맞춤형 추천은 훨씬 더 깊이 있는 참여와 탐색을 유도하고, 관련성이 더 높은 결과를 얻기 위해 추가 데이터를 제공할 수 있습니다.

추천 시스템의 과제

추천자는 조직과 사용자 모두에게 유용하지만, 잠재적인 도전 과제도 있습니다. 추천 시스템을 구축하기 시작할 때부터 어려움을 인식하면 나중에 문제를 피할 수 있는 기회를 갖게 됩니다. AI 추천 시스템과 관련되어 알려진 과제 중 몇 가지를 소개합니다.
 

• 데이터 희소성: 프로세스 초기에 많은 품목이나 제품이 평가되지 않았거나, 새로운 사용자이기 때문에 추천 시스템에 정보가 많지 않을 수 있습니다. 예를 들어, Netflix는 새로운 사용자에게 자신이 본 영화를 평가하도록 요청합니다. 좋아요 또는 싫어요 같은 기본 피드백 메커니즘은 시작점을 제공하는 데 도움이 될 수 있습니다.
• 콜드 스타트 문제: 새로운 사용자와 새로운 항목에는 유사한 과제가 있습니다. 사용자의 선호도 또는 항목에 대한 데이터가 충분하지 않은 경우, 추천 시스템은 정확하고 유용한 추천을 제공할 수 없습니다. 예를 들어, 사용자가 새로운 냉장고를 쇼핑하면서 처음 본 소매 사이트를 방문한다고 가정해 보십시오. 사이트의 추천 시스템에는 현재 검색 이외에 사용자가 찾고 있는 것에 대한 아무런 정보도 없습니다.
• 확장성: 비교적 적은 양의 데이터에서 수백만 명의 사용자와 항목으로 확장하려면 사용의 균형을 맞추고 결과 도출의 시간을 단축하기 위해 신중하게 계획된 기술 인프라가 필요합니다.
• 과적합 및 다양성: 이 두 가지 과제는 서로 연관되어 있으며, 둘 다 가장 인기 있는 항목을 너무 자주 추천합니다. 추천 시스템이 과적합하면, 훈련 데이터가 모델에 너무 잘 맞고 새로운 정보가 쉽게 통합되지 않습니다. 동일한 제품을 반복해서 추천하면, 제안 다양성의 부족이 나타나고 사용자는 떠날 수도 있습니다. 엔트로피 및 참신함과 같은 메트릭을 사용하여 추천의 다양성 측정에 도움이 될 수 있습니다.
• 알고리즘의 지나친 의존: 추천자가 점점 더 일반적이고 일상생활의 일부가 됨에 따라 사람들은 너무 자주 이를 사용하여 결정을 내리고 필터 버블이나 에코 챔버를 사용할 수 있습니다. 이는 특히 미성년자와 같이 소셜 미디어 플랫폼을 사용하는 더 취약한 사람들에게 문제가 될 수 있습니다.
• 개인정보 보호: 추천 시스템은 브라우저 및 구매 기록과 같은 사용자의 데이터에 액세스할 수 있어야 하며, 이로 인해 개인정보 보호 문제가 발생할 수 있습니다. AI 솔루션을 구현하는 기업은 데이터 보안 및 개인정보 보호 위험을 인식하고 보안 솔루션을 구현하여 사용자 및 비즈니스 데이터를 보호해야 합니다. 또한 기업은 AI가 안전하고 신뢰할 수 있으며 윤리적인 방식으로 사용되고 있는지 확인하기 위해 책임감 있는 AI 관행을 인식해야 합니다.

추천 시스템의 미래

생성형 AI, 더 정확한 데이터 필터링, 필터링할 데이터의 양 증가, 향상된 머신 러닝 및 대규모 언어 모델(LLM)은 사용자와 기업 모두에게 추천 시스템이 잘 작동하도록 지속적으로 개선하고 있음을 의미합니다. 추천 시스템을 아직 구현하지 않은 기업의 경우 효과적인 추천을 맞춤화하고 교육하는 도구에 더 쉽게 접근하고 있습니다.