Daily News Korea

[태그:] 알고리즘

  • AI 쇼핑 추천 알고리즘, 이렇게 작동한다 — 검색창 뒤에서 벌어지는 일들

    AI 쇼핑 추천 알고리즘, 이렇게 작동한다 — 검색창 뒤에서 벌어지는 일들

    쿠팡에서 검색창을 두드리자마자 원하던 제품이 딱 첫 줄에 있었던 경험. 우연이 아니다. 클릭 한 번, 스크롤 한 번 — 그 모든 흔적이 AI 데이터로 쌓인다. 그 AI는 지금도 검색 결과를 실시간 재배열하고, 창고 재고를 조정하고, 가격을 바꾸고 있다. 쉬지 않고.

    소비자 눈에는 그냥 쇼핑몰이다. 근데 뒤에서 돌아가는 구조는 5년 전과 완전히 달라졌다. 쿠팡, 네이버쇼핑, 무신사, 아마존 — 규모를 막론하고 AI 없이 경쟁하는 리테일러는 이제 거의 없다.

    검색창 뒤에서 무슨 일이 벌어지나

    상품 검색 결과는 더 이상 단순 키워드 매칭이 아니다. AI는 검색어를 입력한 사람의 구매 의도(intent)를 읽는다. 그 판단에 쓰이는 지표가 이 네 가지다.

    • 클릭률(CTR): 같은 검색어에서 어떤 상품이 더 많이 클릭되는지
    • 구매 전환율: 클릭 후 실제 구매로 이어지는 비율
    • 이탈률: 상세 페이지에 들어갔다가 바로 나간 비율
    • 재구매율: 같은 상품을 다시 사는 고객 비율

    이 네 가지를 실시간으로 학습해 상위 노출 순위를 조정한다. “운동화”를 쳐도 20대 남성과 50대 여성에게 뜨는 첫 화면이 다른 이유가 여기 있다. 같은 검색어, 완전히 다른 결과다.

    AI 추천이 돌아가는 3가지 방식

    추천 알고리즘은 크게 세 가지 방식이 섞여서 굴러간다.

    ① 협업 필터링 (Collaborative Filtering)
    나와 구매 패턴이 비슷한 다른 고객들이 산 것을 추천한다. “이 상품을 본 사람들은 이것도 봤어요”가 대표적인 예다. 데이터가 쌓일수록 정확도가 올라간다. 데이터가 많은 플랫폼이 유리한 이유이기도 하다.

    ② 콘텐츠 기반 필터링 (Content-Based Filtering)
    상품 자체의 속성 — 카테고리, 소재, 색상, 브랜드, 가격대 — 을 분석해 내가 과거에 관심 보인 것과 유사한 제품을 연결해준다. 신규 사용자에게도 바로 적용된다는 게 협업 필터링과 다른 점이다.

    ③ 딥러닝 하이브리드
    앞의 두 방식을 합치면서 자연어 처리(NLP)와 이미지 인식까지 더한다. 상품 이미지를 분석해 시각적으로 유사한 제품을 추천하는 기능이 여기에 해당한다. 솔직히 요즘은 이 세 번째 방식이 메인이다.

    재고와 물류까지 바꾸는 AI

    소비자 눈에는 잘 안 보이지만, AI가 가장 크게 바꿔놓은 영역은 공급망(Supply Chain)이다.

    • 수요 예측: 계절, 날씨, SNS 트렌드, 검색량 급증 데이터를 종합해 특정 상품의 수요를 미리 계산한다. 여름 장마 전에 제습기 재고를 늘리는 결정, 이제는 사람이 아니라 AI가 한다.
    • 다이나믹 프라이싱: 실시간 경쟁사 가격, 재고 수준, 수요 변화에 따라 가격을 자동으로 조정한다. 아마존은 하루에도 수백만 번 가격을 바꾼다. 수백만 번이다.
    • 물류 경로 최적화: 어느 창고에서 어떤 경로로 배송하면 비용이 최소화되는지를 AI가 실시간으로 계산한다.

    MIT 테크 리뷰가 전한 바에 따르면, 리테일 AI의 핵심 가치는 소비자 접점의 화려한 기능보다 이런 백엔드 최적화에서 더 크게 나타나고 있다. 이게 좀 과한 주장처럼 들릴 수 있는데, 실제 물류비 절감 수치를 보면 수긍이 간다.

    소비자 입장에서 실제로 달라진 것들

    AI 쇼핑 시대에 달라진 소비자 경험은 생각보다 촘촘하다.

    • 개인화 할인: 같은 앱을 써도 쿠폰이 다르게 뜬다. AI가 이탈 가능성이 높은 고객에게 더 공격적인 할인을 자동 제공하는 방식이다.
    • 검색어 교정 및 의도 해석: “가볍고 따뜻한 패딩”처럼 속성 기반 검색도 이해한다. 오타 자동 수정과 동의어 처리도 여기서 이뤄진다.
    • 시각 검색: 길거리에서 본 옷 사진을 올리면 유사 상품을 찾아주는 기능. 네이버 쇼핑렌즈, 카카오 쇼핑, 핀터레스트 등에서 이미 서비스 중이다.
    • 리뷰 요약: 수백 개 리뷰를 AI가 읽고 “장점: 배송 빠름, 착용감 좋음 / 단점: 사이즈 작음” 식으로 자동 요약한다. 리뷰를 끝까지 읽을 이유가 없어진 셈이다.

    셀러라면 지금 알아야 할 알고리즘 친화 전략

    온라인에서 상품을 판매하고 있다면, AI 알고리즘이 상품을 어떻게 평가하는지 이해하는 게 경쟁력의 핵심이다.

    • 상품명에 검색 키워드 정확히 넣기: AI는 상품명, 속성, 태그를 분석한다. “운동화”보다 “남성 런닝화 쿠션 가벼운 270″처럼 구체적일수록 노출에 유리하다.
    • 이미지 품질: AI가 이미지를 인식해 카테고리 분류와 유사 상품 연결에 활용한다. 배경이 깔끔하고 해상도가 높은 이미지가 알고리즘 점수를 올린다.
    • 리뷰 관리: 리뷰 수와 평점은 여전히 강력한 랭킹 신호다. 구매 후 리뷰 요청 자동화 도구를 활용하는 게 현실적으로 효율적이다.
    • 반품률 낮추기: 반품률이 높으면 알고리즘이 노출을 줄인다. 상세 페이지의 사이즈 정보와 소재 설명을 정확하게 써야 하는 이유다.

    다음 수순 — 에이전틱 쇼핑의 등장

    지금까지 AI가 “추천”하는 역할이었다면, 다음 단계는 AI가 직접 구매하는 에이전틱 커머스(Agentic Commerce)다.

    “다음 주 캠핑에 필요한 것 사줘”라고 말하면, AI 에이전트가 예산과 취향을 고려해 장바구니를 채우고 결제까지 끝낸다. 아마존의 ‘Buy for Me’, 구글의 쇼핑 에이전트 실험이 이 방향을 가리키고 있다.

    소비자가 검색 결과를 직접 보지 않고 AI에게 쇼핑을 위임하면, 플랫폼들이 의존하던 광고 모델 자체가 흔들린다. AI가 광고 상품을 추천에서 배제할 수도 있기 때문이다. 리테일 업계가 이 변화에 어떻게 적응하느냐가 향후 몇 년의 핵심 과제다.

    AI 쇼핑 알고리즘은 소비자에게 더 정확한 탐색 경험을, 셀러에게는 새로운 경쟁 규칙을, 플랫폼에게는 비즈니스 모델 재편 압력을 동시에 안기고 있다. 쇼핑이라는 행위는 같아 보여도, 뒤에서 작동하는 구조는 완전히 다른 시대로 넘어왔다.

    출처: MIT Tech Review AI

    관련 기사

  • 슈퍼마리오가 NP-hard 문제라고? P vs NP와 알고리즘 복잡도 제대로 이해하기

    슈퍼마리오가 NP-hard 문제라고? P vs NP와 알고리즘 복잡도 제대로 이해하기

    슈퍼마리오 레벨을 클리어하는 게 수학적으로 NP-hard 문제와 동치라는 논문이 있다. MIT를 비롯한 여러 대학 연구자들이 실제로 증명해냈다. 황당하다고 느끼는 게 정상이다. 근데 이 발견이 컴퓨터 과학에서 수십 년째 아무도 못 풀고 있는 최대 난제와 직결된다. P vs NP 문제다.

    복잡도란 ‘어려움의 등급’이다

    컴퓨터 과학에서 ‘복잡도(complexity)’는 코드가 복잡하냐의 문제가 아니다. 입력 크기가 커질수록 시간과 자원이 얼마나 빠르게 늘어나는지를 보는 개념이다.

    100개짜리 리스트를 정렬하는 건 빠르다. 그 알고리즘으로 1,000,000개를 정렬하면? 성능 차이가 선형적(O(n))이냐 기하급수적(O(2^n))이냐에 따라 실제로 쓸 수 있는 알고리즘인지 아닌지가 완전히 갈린다. 이론이 아니라 현실 얘기다.

    여기서 두 클래스가 나온다.

    • P (Polynomial time): 다항식 시간 안에 풀 수 있는 문제. 컴퓨터가 빠르게 답을 낸다.
    • NP (Nondeterministic Polynomial time): 답이 주어지면 다항식 시간에 검증은 되는데, 직접 푸는 건 아직 느린 문제들.

    핵심 질문이 바로 이거다. P = NP인가? 즉, “답 확인이 빠른 모든 문제는 풀기도 빠른가?” 아직 아무도 모른다. 밀레니엄 수학 7대 난제 중 하나고, 증명하면 상금이 100만 달러다. 수십 년째 빈 봉투다.

    NP-hard, 이게 가장 무거운 등급이다

    NP-hard는 NP에 속하는 모든 문제보다 최소한 같거나 더 어려운 문제들을 묶은 클래스다. 교과서에 단골로 나오는 예시가 셋 있다.

    • 외판원 문제(Travelling Salesman Problem): n개 도시를 전부 한 번씩 방문하는 최단 경로 찾기
    • 배낭 문제(Knapsack Problem): 무게 제한이 있는 배낭에 가치 합계를 최대로 담는 물건 선택
    • SAT 문제: 논리식을 참으로 만드는 변수 조합 찾기

    공통점은 하나다. 입력이 조금만 커지면 완전 탐색(brute force)으로는 우주 나이보다 오래 걸린다. 그래서 실전에서는 근사 알고리즘이나 휴리스틱으로 버틴다. 완벽한 답이 아니라 “충분히 괜찮은 답”을 구하는 방식이다.

    슈퍼마리오가 NP-hard인 이유

    MIT를 비롯한 여러 대학 컴퓨터 과학자들이 슈퍼마리오 브라더스 레벨 클리어 가능성 판단 문제가 NP-hard임을 수학적으로 증명했다. 접근법이 꽤 기발하다. 레벨을 논리 회로로 변환하는 방식이다.

    마리오가 특정 경로를 지나는지 여부를 AND 게이트, OR 게이트처럼 표현하는 구조가 성립한다. 파이프, 적, 블록의 배치가 논리 연산을 수행하도록 설계되면, 그 레벨을 클리어하는 방법을 찾는 게 SAT 문제를 푸는 것과 구조적으로 같아진다. 솔직히 처음 이 논문을 봤을 때 “이게 진짜 연구야?” 싶었는데, 엄연한 수학적 증명이다.

    결국 임의의 슈퍼마리오 레벨이 클리어 가능한지 판단하는 알고리즘은 이론상 NP-hard다. 사람은 직관과 경험으로 빠르게 풀어내는 것처럼 보이지만, 컴퓨터가 보편적으로 처리하기엔 구조 자체가 극도로 어렵다. 마리오만이 아니다. 테트리스, 포켓몬, 젤다의 전설 시리즈도 같은 분석을 받았다.

    그래서 현실에서 뭐가 달라지나

    “게임이 NP-hard면 나한테 무슨 상관이야”라고 생각할 수 있다. 생각보다 파장이 있다. 세 가지만 짚는다.

    첫째, AI 게임 플레이어 개발 난이도를 설명해준다. 구글 딥마인드가 알파고로 바둑을 정복했지만, 슈퍼마리오처럼 복잡한 레벨 구조의 게임에서 AI가 고전하는 이유 중 하나가 이 계산 복잡도 구조다. 모든 경우를 탐색할 수 없으니, 강화학습으로 근사치를 찾는 방식을 쓸 수밖에 없다.

    둘째, 레벨 디자인 자동화에 이론적 한계가 있다. AI로 게임 레벨을 자동 생성하는 기술이 발전하고 있지만, 최적 레벨인지 검증하는 것 자체가 NP-hard다. 완전 자동화에는 벽이 있다는 뜻이다. 이건 좀 아이러니하다 — 만들 수는 있어도 최적인지 확인하기가 더 어렵다.

    셋째, 알고리즘 교육에서 강력한 도구가 된다. 추상적인 P/NP 개념을 게임으로 설명하면 체감 속도가 다르다. 코딩 교육에서 게임 기반 학습 효과가 꾸준히 연구로 나오는 것도 이 맥락이다.

    P vs NP를 파고 싶다면, 이 순서로

    흥미가 생겼다면 진입 경로가 몇 가지 있다. 수준별로 골라도 된다.

    • 《Introduction to the Theory of Computation》 by Michael Sipser — 계산 이론의 교과서. 복잡도 이론을 처음부터 체계적으로 다룬다.
    • Scott Aaronson의 블로그 ‘Shtetl-Optimized’ — MIT 교수가 직접 운영하며, 계산 복잡도를 일반인도 따라갈 수 있게 풀어쓴다.
    • Coursera의 ‘Algorithms’ 시리즈(Stanford) — Tim Roughgarden 교수 강의로, 복잡도 이론 파트가 포함돼 있다.
    • 코딩테스트 플랫폼(BOJ, LeetCode) — NP-hard 문제를 직접 근사적으로 풀어보는 게 체감상 가장 빠르다. 이론보다 손이 먼저다.

    수학 배경이 없어도 개념 이해는 된다. 증명까지 파고들려면 이산수학과 집합론 기초가 있으면 좋지만, “왜 어떤 문제는 컴퓨터로도 빠르게 못 푸는가”라는 감을 잡는 데는 진입 장벽이 높지 않다. 일단 시작해보면 안다.

    게임 속에 수학이 숨어 있었다

    어린 시절 거실에서 조이스틱을 잡으며 무의식적으로 다루던 구조 속에, 수십 년째 전 세계 수학자들이 매달려 있는 문제가 숨어 있었다. 이상한 얘기 같지만 사실이다.

    P vs NP 문제가 풀리지 않는 한, 슈퍼마리오 레벨 클리어 가능성을 판단하는 알고리즘은 이론상 완벽하게 효율적일 수 없다. 그 사실이 오히려 게임을 더 흥미로운 연구 대상으로 만든다. 컴퓨터 과학의 핵심 개념들이 게임, 퍼즐, 일상 문제에서 영감을 받아 발전해 온 건 우연이 아니다. 좋은 문제는 늘 의외의 곳에 있었다.

    출처: MIT Tech Review AI

    관련 기사