추천시스템의 만족도: Beyond Accuracy

추천시스템의 만족도: Beyond Accuracy

추천시스템은 Prediction뿐만 아니라 Discovery의 기능 또한 중요하다. 예를 들어, '트랜스포머'를 재밌게 본 사람에게 '트랜스포머2'를 추천해주는 것은 Prediction이라고 할 수 있고 '리얼스틸'이나 '퍼시픽림'을 추천해주는 것은 Discovery이다. 즉, 유저 자신도 모르는 취향을 발굴하는 것이 Discovery인데 이는 단순히 navigation step을 줄여주는 것을 넘어서 exploration을 높여주어 사용자의 만족도를 높여준다.

이처럼 최근에는 '정확도'를 넘어서 유저에게 최적의 사용 경험을 제공하기 위한 노력이 계속 되고 있다.

이외에도, '추천의 이유'를 알 수 있는 것은 사용자에게 더 나은 사용 경험을 제공하며, '설명 가능한 인공지능(XAI)'에 대한 연구가 이루어지고 있는 동시에 추천 이유를 수치적으로 나타내려는 시도 또한 지속적으로 있어왔다.

추천은 다양한 Downstream task 중에서도 특히 실사용자와 밀접한 문제를 풀고자 하는 기술인만큼 UI/UX에 대한 철저한 검증과 테스트 또한 필요하다. 유명한 OTT 업체인 넷플릭스에서는 기존 단순히 추천 리스트를 보여주는 방식에서 벗어나 영상 미리보기를 크게 제공하거나 추천의 이유를 다양하게 나누어서 제공하는 등 UI/UX에 변화를 주었고, 이는 결과적으로 매출의 성장을 유도하였다.

AI 모델 외적인 시스템 성능도 굉장히 중요한 이슈라고 할 수 있는데, 아무리 좋은 모델이어도 추천에 시간이 너무 오래 걸린다거나, 유저의 행동데이터가 수집될 때마다 매번 새롭게 모델을 학습시켜줘야 한다면 이는 결코 좋은 서비스가 될 수 없을 것이다.