AI를 다룬다 : PM/PO가 새롭게 익혀야 할 것들
글ㅣ김영욱 SAP 시니어 프로그램 매니저
AI를 다룬다 : PM/PO가 새롭게 익혀야 할 것들
일자
상시
유형
아티클태그
이 아티클은 <AI를 다룬다> 시리즈의 1화입니다.
✍ 오늘의 아티클
✍ 오늘의 아티클
- AI는 프로덕트를 책임지는 PM/PO가 주목할 기술 혁신 중 하나입니다. 새롭게 등장하는 AI 기술에 놀라고 흉내내는 것만으로는 시장에서 이기는 제품을 만들 수 없습니다.
- PM/PO가 반드시 알아야 할 AI의 구성 요소는 무엇일까요. AI 구성 요소 3가지에 주목하고, AI를 익히고, 운영하여 주도하는 방법을 알아봅시다.
- AI 시대에 PM/PO의 목표 설정은 어떤 기준으로 되어야 할까요. 올바른 목표 설정을 위한 질문을 던져봅니다.
2022년 말부터 시작된 AI 기술 혁명이 세상을 삼키는 분위기입니다. 아직 대부분의 소프트웨어 프로덕트⠂서비스 사용자에게 AI는 챗GPT와 자율 주행 자동차가 가장 대표적인 서비스로 이해될 수 있지만, 현실은 이미 우리 생활 곳곳에 들어와 있습니다. 유튜브 영상 리스트 순서와 그 소개 썸네일, 휴대폰에서 글을 쓸 때 다음 단어를 추론하기와 은행에서 사용하는 신용 대출 알고리듬까지 AI의 힘을 빌리고 있습니다.
가장 대중적인 AI의 상업적 활용 사례는 온라인 광고입니다. 기업이 신문이나 잡지에 광고를 게재하는 데 비싼 비용을 지불하던 시대는 끝났습니다. 그 비용과 시장이 AI를 기반으로 한 개인 맞춤형 광고로 대체되고 있습니다. 이커머스도 마찬가지입니다. 검색부터 결제에 이르기까지 모든 쇼핑 경험은 AI를 기반으로 합니다. 그 외에 스팸 및 사기 탐지, 내용의 편향 판단과 같이 보이지 않는 부분에서도 사이트를 안전하게 이용할 수 있도록 AI가 동작합니다.
기업의 리더뿐만 아니라 프로덕트를 실제 기획하고 만들어 내는 PM/PO에게 AI는 프로덕트의 핵심이고, 그 자체가 기업의 지속가능성을 책임지게 되었습니다. 현재 새롭게 등장하는 AI기술에 대해 놀라고 흉내 내는 것만으로는 시장에서 이기는 제품을 만들 수 없습니다. 기존의 업무 방법과 기술에 덧붙여 AI를 운영하고, 관리하고, 주도하는 방법을 새롭게 알아야 합니다.
이 글에서는 PM/PO가 AI 프로덕트를 다룰 때 반드시 알고 있어야 할 AI의 구성요소 3가지를 설명합니다.
가장 대중적인 AI의 상업적 활용 사례는 온라인 광고입니다. 기업이 신문이나 잡지에 광고를 게재하는 데 비싼 비용을 지불하던 시대는 끝났습니다. 그 비용과 시장이 AI를 기반으로 한 개인 맞춤형 광고로 대체되고 있습니다. 이커머스도 마찬가지입니다. 검색부터 결제에 이르기까지 모든 쇼핑 경험은 AI를 기반으로 합니다. 그 외에 스팸 및 사기 탐지, 내용의 편향 판단과 같이 보이지 않는 부분에서도 사이트를 안전하게 이용할 수 있도록 AI가 동작합니다.
기업의 리더뿐만 아니라 프로덕트를 실제 기획하고 만들어 내는 PM/PO에게 AI는 프로덕트의 핵심이고, 그 자체가 기업의 지속가능성을 책임지게 되었습니다. 현재 새롭게 등장하는 AI기술에 대해 놀라고 흉내 내는 것만으로는 시장에서 이기는 제품을 만들 수 없습니다. 기존의 업무 방법과 기술에 덧붙여 AI를 운영하고, 관리하고, 주도하는 방법을 새롭게 알아야 합니다.
이 글에서는 PM/PO가 AI 프로덕트를 다룰 때 반드시 알고 있어야 할 AI의 구성요소 3가지를 설명합니다.
그림 1. 사용자 시청 경험에 따라 클릭 확률이 높은 다양한 썸네일을 생성하는 넷플릭스
AI의 구성요소 3가지
PM/PO가 프로덕트를 기획하고 개발을 진행할 때 명확하게 이해하고 있어야 할 AI의 세 가지 구성 요소입니다.
1. 알고리듬에 적합한 목표 설정
첫째 요소는 목표(Objective)입니다. 이때 PM/PO는 알고리듬을 이용해 달성하고자 하는 적합한 목표를 파악하고 선택하는 역할을 해야 합니다.
예를 들어 알고리듬을 사용해 주식 시장 성과를 예측하는 것부터 수면 습관을 알아내는 것이 목표입니다. 목표를 올바르게 설정하지 않으면 무엇을 어디까지 할 수 있는지를 알 수 없습니다. 또한 그 목표를 지나치게 단순화하면 알고리듬이 원래 의도한 행동을 하지 못합니다. 즉 목표 정의에 따라 결과를 크게 바꿀 수 있다는 점을 이해해야 합니다. 목표 설정에는 여러 어려움이 있는 만큼, 반복적인 시도와 많은 실험이 필요합니다.
광고를 예로 들어 보죠. 기본적으로 알고리듬은 소비자가 가장 흥미를 느낄 만한 광고를 결정합니다. 광고 알고리듬의 목표는 개인 관련성을 높이는 것입니다. 광고가 성공하려면 광고 자체의 품질보다 실제로 광고 소비자가 그 관련성을 느껴야 합니다. 꽤 간단해 보이는 목표지만 주의하지 않으면 이런 목표가 오히려 부정적인 영향을 미칠 수 있습니다. 가끔 여러분들은 소셜 미디어를 사용하면서 때때로 광고가 나를 듣고 보는 것 같다고 느낀 적이 있을 겁니다. 그 이유는 AI 알고리듬의 목표와 경험 데이터의 연결에 있습니다. 소셜미디어의 리타겟팅 광고(Retargeting Ads)가 그런 경우에 해당합니다.
어느 날 저는 아내와 저녁 식사를 하면서 딸을 위한 생일 선물에 대해 이야기합니다. 그날 저녁, 아내는 딸이 좋아하는 특정 브랜드의 ‘스웨터’를 검색합니다. 그 브랜드 사이트에서는 아내의 인스타그램 프로필과 연결되는 코드를 설정합니다. 그 결과, 인스타그램은 이제 아내가 그 브랜드의 스웨터에 관심이 있다는 것을 알게 되고 자매 서비스인 페이스북에도 연결을 합니다, 그 후 인스타그램, 페이스북에 로그인했을 때 광고 알고리듬은 남편인 저도 그 스웨터에 관심이 있을 것이라고 판단합니다. 소셜미디어는 우리가 결혼했고 부부가 같은 관심의 선물을 구매할 것을 예측하고 있기 때문입니다. 그 결과 온갖 비슷한 브랜드의 스웨터 광고를 보게 됩니다. 그런데 저는 그 스웨터에 대한 이야기는커녕 그 브랜드에 관심이 있다는 이야기를 어디에도 한 번도 한 적이 없습니다.
이런 경험들 한 번쯤 있으시죠? 광고 알고리듬의 목표는 매우 관련성이 높고 친밀하게 되어 있지만, 동시에 불편한 기분이 들기도 합니다. 그렇기 때문에 AI의 목표를 올바르게 정의하는 것이 중요합니다. 궁극적으로 목표의 결과가 예상치 못한 심각한 부작용을 초래할 수 있기 때문입니다.
AI의 구성요소 3가지
PM/PO가 프로덕트를 기획하고 개발을 진행할 때 명확하게 이해하고 있어야 할 AI의 세 가지 구성 요소입니다.
1. 알고리듬에 적합한 목표 설정
첫째 요소는 목표(Objective)입니다. 이때 PM/PO는 알고리듬을 이용해 달성하고자 하는 적합한 목표를 파악하고 선택하는 역할을 해야 합니다.
예를 들어 알고리듬을 사용해 주식 시장 성과를 예측하는 것부터 수면 습관을 알아내는 것이 목표입니다. 목표를 올바르게 설정하지 않으면 무엇을 어디까지 할 수 있는지를 알 수 없습니다. 또한 그 목표를 지나치게 단순화하면 알고리듬이 원래 의도한 행동을 하지 못합니다. 즉 목표 정의에 따라 결과를 크게 바꿀 수 있다는 점을 이해해야 합니다. 목표 설정에는 여러 어려움이 있는 만큼, 반복적인 시도와 많은 실험이 필요합니다.
광고를 예로 들어 보죠. 기본적으로 알고리듬은 소비자가 가장 흥미를 느낄 만한 광고를 결정합니다. 광고 알고리듬의 목표는 개인 관련성을 높이는 것입니다. 광고가 성공하려면 광고 자체의 품질보다 실제로 광고 소비자가 그 관련성을 느껴야 합니다. 꽤 간단해 보이는 목표지만 주의하지 않으면 이런 목표가 오히려 부정적인 영향을 미칠 수 있습니다. 가끔 여러분들은 소셜 미디어를 사용하면서 때때로 광고가 나를 듣고 보는 것 같다고 느낀 적이 있을 겁니다. 그 이유는 AI 알고리듬의 목표와 경험 데이터의 연결에 있습니다. 소셜미디어의 리타겟팅 광고(Retargeting Ads)가 그런 경우에 해당합니다.
어느 날 저는 아내와 저녁 식사를 하면서 딸을 위한 생일 선물에 대해 이야기합니다. 그날 저녁, 아내는 딸이 좋아하는 특정 브랜드의 ‘스웨터’를 검색합니다. 그 브랜드 사이트에서는 아내의 인스타그램 프로필과 연결되는 코드를 설정합니다. 그 결과, 인스타그램은 이제 아내가 그 브랜드의 스웨터에 관심이 있다는 것을 알게 되고 자매 서비스인 페이스북에도 연결을 합니다, 그 후 인스타그램, 페이스북에 로그인했을 때 광고 알고리듬은 남편인 저도 그 스웨터에 관심이 있을 것이라고 판단합니다. 소셜미디어는 우리가 결혼했고 부부가 같은 관심의 선물을 구매할 것을 예측하고 있기 때문입니다. 그 결과 온갖 비슷한 브랜드의 스웨터 광고를 보게 됩니다. 그런데 저는 그 스웨터에 대한 이야기는커녕 그 브랜드에 관심이 있다는 이야기를 어디에도 한 번도 한 적이 없습니다.
이런 경험들 한 번쯤 있으시죠? 광고 알고리듬의 목표는 매우 관련성이 높고 친밀하게 되어 있지만, 동시에 불편한 기분이 들기도 합니다. 그렇기 때문에 AI의 목표를 올바르게 정의하는 것이 중요합니다. 궁극적으로 목표의 결과가 예상치 못한 심각한 부작용을 초래할 수 있기 때문입니다.
그림 2. 페이스북 리타겟팅 광고 동작 원리
2. 알고리듬 선택과 개선을 위한 요소
두 번째, 알고리듬(Algorithm)입니다. 다양한 사용 사례에 사용되는 다양한 유형의 AI 알고리듬이 있습니다. 알고리듬은 어떻게 학습하나요? 예를 들어, 넷플릭스의 영화 추천 알고리듬 유형과 테슬라의 자율 주행에 사용되는 알고리듬 유형은 전혀 다릅니다.
PM/PO에게 머신 러닝 알고리듬의 주요 유형을 이해하는 것은 매우 중요합니다.
· 지도 학습 알고리듬 (supervised learning algorithm)
이 알고리듬은 관찰 데이터를 특정 레이블로 분류할 수 있을 때 사용합니다. 즉, 결과를 어떻게 담을지 미리 알고 있다는 뜻입니다. 예를 들어, 이메일을 스팸과 스팸이 아닌 것으로 분류한다고 가정합니다. 또는 고양이의 품종에 따라 사진을 분류할 수 있습니다.
· 비지도 학습 알고리듬 (unsupervised learning algorithm)
두 번째는 비지도 학습 알고리듬입니다. 미리 정의된 분류가 없으며 특정 패턴을 식별해 관찰한 내용을 분류하는 것이 목표입니다. 예를 들어 고양이의 경우, 고양이의 모양과 털 색깔을 기준으로 같은 고양이 종을 그룹화할 수 있지만 어떤 종류인지는 알 수 없습니다. 이러한 유형의 알고리듬은 최근 매우 인기가 있습니다. 아마존 쇼핑이나 유튜브, 넷플릭스의 추천 서비스는 모두 비지도 학습 알고리듬을 사용해 사용자의 취향을 파악하고 추천을 제안합니다.
· 강화 학습 알고리듬 (reinforcement learning algorithm)
세 번째 유형은 강화 학습 알고리듬입니다. 이 알고리듬은 시행착오를 통해 학습합니다. 행동을 취하고 그 결과를 반복적으로 학습합니다. 이러한 알고리듬은 주로 로봇 공학, 게임 또는 내비게이션(예: 자율 주행 자동차)에 사용됩니다. 가장 유명한 사례는 이세돌을 이긴 알파고(AlphaGo)입니다.
2. 알고리듬 선택과 개선을 위한 요소
두 번째, 알고리듬(Algorithm)입니다. 다양한 사용 사례에 사용되는 다양한 유형의 AI 알고리듬이 있습니다. 알고리듬은 어떻게 학습하나요? 예를 들어, 넷플릭스의 영화 추천 알고리듬 유형과 테슬라의 자율 주행에 사용되는 알고리듬 유형은 전혀 다릅니다.
PM/PO에게 머신 러닝 알고리듬의 주요 유형을 이해하는 것은 매우 중요합니다.
· 지도 학습 알고리듬 (supervised learning algorithm)
이 알고리듬은 관찰 데이터를 특정 레이블로 분류할 수 있을 때 사용합니다. 즉, 결과를 어떻게 담을지 미리 알고 있다는 뜻입니다. 예를 들어, 이메일을 스팸과 스팸이 아닌 것으로 분류한다고 가정합니다. 또는 고양이의 품종에 따라 사진을 분류할 수 있습니다.
· 비지도 학습 알고리듬 (unsupervised learning algorithm)
두 번째는 비지도 학습 알고리듬입니다. 미리 정의된 분류가 없으며 특정 패턴을 식별해 관찰한 내용을 분류하는 것이 목표입니다. 예를 들어 고양이의 경우, 고양이의 모양과 털 색깔을 기준으로 같은 고양이 종을 그룹화할 수 있지만 어떤 종류인지는 알 수 없습니다. 이러한 유형의 알고리듬은 최근 매우 인기가 있습니다. 아마존 쇼핑이나 유튜브, 넷플릭스의 추천 서비스는 모두 비지도 학습 알고리듬을 사용해 사용자의 취향을 파악하고 추천을 제안합니다.
· 강화 학습 알고리듬 (reinforcement learning algorithm)
세 번째 유형은 강화 학습 알고리듬입니다. 이 알고리듬은 시행착오를 통해 학습합니다. 행동을 취하고 그 결과를 반복적으로 학습합니다. 이러한 알고리듬은 주로 로봇 공학, 게임 또는 내비게이션(예: 자율 주행 자동차)에 사용됩니다. 가장 유명한 사례는 이세돌을 이긴 알파고(AlphaGo)입니다.
그림 3. AWS 내 머신러닝 프로세스 예
위의 3가지 알고리듬 유형에 덧붙여 PM/PO가 알고리듬 자체를 학습하고 개선할 수 있는 두 가지 요소가 있습니다.
첫 번째 요소는 피쳐(Features)입니다. 이는 제품의 외형이나 기능을 설명하는 일반적인 제품 기능을 이야기하고 있는 것이 아닙니다. 알고리듬 피쳐는 알고리듬이 학습하고 개선하는 데 도움이 되는 변수입니다. 더 나은 알고리듬을 구축하는 데 도움이 되는 개인화 요소라고 생각할 수 있습니다. 예를 들어 쿠팡 검색 알고리듬 피쳐에는 가격, 브랜드 또는 배송비가 될 수 있습니다. 이러한 요소는 모두 쿠팡 사용자가 사이트에서 쇼핑을 할 때 구매 결정에 영향을 줄 수 있습니다.
두 번째는 알고리듬의 제약 조건(constraints)입니다. PM/PO는 알고리듬의 유연성을 제한하는 규칙에 대해 전략적인 결정을 내려야 합니다. 예를 들어, 건강 식단을 설계하는 알고리듬을 구축하는 경우 채식주의자를 분별하고, 고혈압이 있는 사용자에게는 소금을 피하도록 하는 규칙을 만들어야 하고 알레르기가 있는 사용자의 식단에 주의를 기울여야 합니다.
예를 들어 인스타그램 피드를 업데이트할 때는 다음과 같은 피쳐와 제약 조건을 관련성 알고리듬에 구축해야 합니다. 피쳐의 경우 사용자가 공유한 사람이 관련성이 있다고 생각할 수 있습니다. 또한 주제 자체, 콘텐츠 유형 또는 게시 소스를 살펴볼 수도 있습니다. 이런 피드의 업데이트를 위해서는 수백 개가 넘는 피쳐가 포함되어 있습니다. 제약 조건의 경우, 사용자가 알지 못하는 사람의 콘텐츠가 표시되지 않도록 나와 팔로우 관계에 있는 사람의 업데이트만 표시하는 규칙을 만들 수 있습니다. 이렇게 알고리듬이 더욱 최적의 목표값을 얻을 수 있는 2가지 요소를 적절히 제공해야 합니다.
3. 더 많은, 더 좋은 데이터
세 번째는 데이터입니다. AI는 과거와 실시간의 데이터에서 학습하며, 이런 데이터가 알고리듬이 목표를 달성할 수 있도록 합니다. 예를 들어 주식 시장 성과를 예측하려면 금리 인상이나 일기 예보 등 다양한 데이터 소스가 필요합니다. 데이터는 AI 알고리듬을 구동하는 연료입니다.
AI 목표를 결정한 다음 알고리듬 기능을 동작시키면 첫 번째 설정이 완료되었지만, 데이터가 없으면 AI는 제대로 성장하지 못합니다. AI는 패턴을 찾기 위해 예제를 통해 학습합니다. 이러한 예는 과거의 예일 수도 있고 실시간 예일 수도 있습니다.
예를 들어 넷플릭스의 AI 알고리듬이 추천할 영화를 결정할 때는 과거 사용자 경험에서 사용할 수 있는 모든 데이터를 활용합니다. 사용자가 본 영화를 기반으로 할 수도 있고, 순위를 매긴 방법, 해당 영화를 다 보았는지 여부 등을 통해 학습할 수도 있습니다. 또한 나와 나이, 성별이 비슷한 다른 사람들이 선택한 영화를 통해 학습할 수도 있습니다. 알고리듬이 학습할 수 있는 데이터가 많을수록 더 나은 추천을 볼 수 있습니다. 이런 이유로 넷플릭스를 처음 사용할 때 AI 알고리듬이 시작될 수 있도록 몇 편의 영화나 드라마에 순위를 매기라는 메시지가 표시됩니다. 사용자가 하는 모든 상호 작용은 알고리듬에 데이터로 피드백됩니다. 알고리듬이 학습할 수 있는 데이터가 많을수록 그리고 그 데이터가 양질일수록 알고리듬이 더 좋아집니다. 이는 기업이 더 나은 제품을 만드는 데 도움이 되며, 더 많은 사용자를 해당 제품으로 유도하게 되고, 이는 다시 더 많은 데이터를 생성합니다.
위의 3가지 알고리듬 유형에 덧붙여 PM/PO가 알고리듬 자체를 학습하고 개선할 수 있는 두 가지 요소가 있습니다.
첫 번째 요소는 피쳐(Features)입니다. 이는 제품의 외형이나 기능을 설명하는 일반적인 제품 기능을 이야기하고 있는 것이 아닙니다. 알고리듬 피쳐는 알고리듬이 학습하고 개선하는 데 도움이 되는 변수입니다. 더 나은 알고리듬을 구축하는 데 도움이 되는 개인화 요소라고 생각할 수 있습니다. 예를 들어 쿠팡 검색 알고리듬 피쳐에는 가격, 브랜드 또는 배송비가 될 수 있습니다. 이러한 요소는 모두 쿠팡 사용자가 사이트에서 쇼핑을 할 때 구매 결정에 영향을 줄 수 있습니다.
두 번째는 알고리듬의 제약 조건(constraints)입니다. PM/PO는 알고리듬의 유연성을 제한하는 규칙에 대해 전략적인 결정을 내려야 합니다. 예를 들어, 건강 식단을 설계하는 알고리듬을 구축하는 경우 채식주의자를 분별하고, 고혈압이 있는 사용자에게는 소금을 피하도록 하는 규칙을 만들어야 하고 알레르기가 있는 사용자의 식단에 주의를 기울여야 합니다.
예를 들어 인스타그램 피드를 업데이트할 때는 다음과 같은 피쳐와 제약 조건을 관련성 알고리듬에 구축해야 합니다. 피쳐의 경우 사용자가 공유한 사람이 관련성이 있다고 생각할 수 있습니다. 또한 주제 자체, 콘텐츠 유형 또는 게시 소스를 살펴볼 수도 있습니다. 이런 피드의 업데이트를 위해서는 수백 개가 넘는 피쳐가 포함되어 있습니다. 제약 조건의 경우, 사용자가 알지 못하는 사람의 콘텐츠가 표시되지 않도록 나와 팔로우 관계에 있는 사람의 업데이트만 표시하는 규칙을 만들 수 있습니다. 이렇게 알고리듬이 더욱 최적의 목표값을 얻을 수 있는 2가지 요소를 적절히 제공해야 합니다.
3. 더 많은, 더 좋은 데이터
세 번째는 데이터입니다. AI는 과거와 실시간의 데이터에서 학습하며, 이런 데이터가 알고리듬이 목표를 달성할 수 있도록 합니다. 예를 들어 주식 시장 성과를 예측하려면 금리 인상이나 일기 예보 등 다양한 데이터 소스가 필요합니다. 데이터는 AI 알고리듬을 구동하는 연료입니다.
AI 목표를 결정한 다음 알고리듬 기능을 동작시키면 첫 번째 설정이 완료되었지만, 데이터가 없으면 AI는 제대로 성장하지 못합니다. AI는 패턴을 찾기 위해 예제를 통해 학습합니다. 이러한 예는 과거의 예일 수도 있고 실시간 예일 수도 있습니다.
예를 들어 넷플릭스의 AI 알고리듬이 추천할 영화를 결정할 때는 과거 사용자 경험에서 사용할 수 있는 모든 데이터를 활용합니다. 사용자가 본 영화를 기반으로 할 수도 있고, 순위를 매긴 방법, 해당 영화를 다 보았는지 여부 등을 통해 학습할 수도 있습니다. 또한 나와 나이, 성별이 비슷한 다른 사람들이 선택한 영화를 통해 학습할 수도 있습니다. 알고리듬이 학습할 수 있는 데이터가 많을수록 더 나은 추천을 볼 수 있습니다. 이런 이유로 넷플릭스를 처음 사용할 때 AI 알고리듬이 시작될 수 있도록 몇 편의 영화나 드라마에 순위를 매기라는 메시지가 표시됩니다. 사용자가 하는 모든 상호 작용은 알고리듬에 데이터로 피드백됩니다. 알고리듬이 학습할 수 있는 데이터가 많을수록 그리고 그 데이터가 양질일수록 알고리듬이 더 좋아집니다. 이는 기업이 더 나은 제품을 만드는 데 도움이 되며, 더 많은 사용자를 해당 제품으로 유도하게 되고, 이는 다시 더 많은 데이터를 생성합니다.
그림 4. 넷플릭스가 시청 경험 데이터를 사용하는 경우
PM/PO의 목표 설정을 위한 질문 습관
PM/PO로서 적합한 목표를 정의하고 최적의 알고리듬을 적용하는 것은 중요하면서도 어려운 일입니다. 올바른 목표를 결정하기 위해서는 사용자 결과에 대해 심도 있게 생각하는 습관이 필요합니다. 항상 데이터를 사용하여 가설을 검증하고 인과 관계와 상관 관계를 혼동하지 않도록 주의해야 합니다.
올바른 목표를 신중하게 결정하기 위해서는 다음 두 가지 질문에 답하는 습관을 가지길 추천합니다.
첫째, 장기적으로 무엇을 달성하고자 하는가? 즉, 알고리듬이 성공한다면 최종 결과는 어떤 모습일지를 설계하는 것입니다. 한 가지 중요한 팁을 드리자면, 최종 결과는 대개 여러 가지 결과의 조합으로 이루어집니다. 목표도 마찬가지입니다. 강력한 AI 제품의 목표는 일반적으로 복합적인 목표입니다. 쿠팡과 같은 커머스 사이트는 사이트 클릭 수에만 최적화해서는 안 됩니다. 일반 구매로는 충분하지 않고, 반품이 없는 구매가 더 중요할 수 있습니다. 때에 따라서는 프리미엄 멤버십 구독이 더 중요한 최적화 목표일 수도 있습니다. 이렇게 올바른 목표를 탄력적으로 결정하는 것은 쉽지 않습니다. 하지만 올바른 접근 방식은 항상 지속적인 제품/서비스를 위해고민하고 실험을 계속하는 것입니다.
두 번째는 알고리듬이 목표를 성공적으로 달성했다면 의도치 않은 사이드이펙트를 살피는 것입니다. 일반적으로 너무 단순한 목표는 의도하지 않은 부정적인 결과를 초래할 수 있습니다. 소셜 네트워크의 경우 같은 비슷한 종류의 피드만 보여주는 필터 버블로 인한 편견을 만들 수 있습니다. 소셜미디어의 초기에는 클릭수보다 바이럴 활동, 즉 서로의 게시물에 좋아요를 누르거나 댓글을 달거나 다시 공유하는 것이 중요한 목표가 됩니다. 그렇게 하면 더 가치 있는 참여로 이어져 친구를 더 많이 확보할 수 있다고 믿었기 때문입니다. 하지만 가짜 친구와 스팸이라는 새로운 문제가 발생했습니다. 그 후에는 바이럴 활동보다는 양질의 참여에 더 집중하는 목표가 중요해집니다. 친구들이 피드 전체 내용을 읽고 있는가? 그에 따라 양질의 댓글을 작성하고 있는가와 같이 사이트 전체에서 서로 더 많이 상호 작용하고 있는가라는 가치 있는 목표에 집중하게 됩니다. 따라서 AI 목표를 고려할 때는 장기적인 품질 결과를 위해 최적화하고 의도하지 않은 모든 부정적인 부작용에 주의해야 합니다.
마무리 : 학습과 경험이 결국 성공의 지름길
짧은 글을 통해 AI가 실제로 어떻게 동작하는지에 대해 더 많은 경험을 쌓을 수 있는 동기를 부여받으셨기를 바랍니다. 가장 중요한 것은 AI가 여러분의 업무에 얼마나 중요한지, 그리고 제품과 기업의 지속 가능성에 얼마나 큰 영향을 미칠 수 있는지 이해하셨기를 바랍니다. 이 글을 마무리하면서 다음의 두 가지를 제안드립니다.
첫째, AI 이해를 깊게 하기 위한 학습을 멈추지 마십시오. 데이터 분석에 대한 지식도 큰 도움이 됩니다.
둘째, 새로운 제품을 경험할 때마다, 이 제품에서 AI가 어떤 역할을 하는지 살펴보십시오. 이런 기능의 목표는 무엇이고, 어떤 유형의 알고리즘이 사용되었는지, 어떤 피쳐와 제약 조건이 적용되었을까를 살펴보는 것은 AI의 직관력과 이해력 강화에 큰 도움이 됩니다.
여러분들의 땀과 노력에 응원의 박수를 보내 드립니다.
▶ <AI를 다룬다> 시리즈 / 영욱 님 인터뷰 보러 가기
글 | 김영욱 SAP 프로덕트 엔지니어링 시니어 프로그램 매니저
한국에서 컴퓨터 공학을 전공 후, 프랑스 파리로 이주하여 현재 SAP의 클라우드 ERP 그룹의 시니어 프로그램 매니저로 근무 중입니다. 책 <프로덕트 매니지먼트>의 저자이고, 정부기관과 기업에 자문과 강연, 고정 필진으로 활동중 입니다. 브런치 매거진 <PM은 체질보다 어드벤쳐>에 정기적으로 글을 씁니다.
발행일 2024.01.15
PM/PO의 목표 설정을 위한 질문 습관
PM/PO로서 적합한 목표를 정의하고 최적의 알고리듬을 적용하는 것은 중요하면서도 어려운 일입니다. 올바른 목표를 결정하기 위해서는 사용자 결과에 대해 심도 있게 생각하는 습관이 필요합니다. 항상 데이터를 사용하여 가설을 검증하고 인과 관계와 상관 관계를 혼동하지 않도록 주의해야 합니다.
올바른 목표를 신중하게 결정하기 위해서는 다음 두 가지 질문에 답하는 습관을 가지길 추천합니다.
첫째, 장기적으로 무엇을 달성하고자 하는가? 즉, 알고리듬이 성공한다면 최종 결과는 어떤 모습일지를 설계하는 것입니다. 한 가지 중요한 팁을 드리자면, 최종 결과는 대개 여러 가지 결과의 조합으로 이루어집니다. 목표도 마찬가지입니다. 강력한 AI 제품의 목표는 일반적으로 복합적인 목표입니다. 쿠팡과 같은 커머스 사이트는 사이트 클릭 수에만 최적화해서는 안 됩니다. 일반 구매로는 충분하지 않고, 반품이 없는 구매가 더 중요할 수 있습니다. 때에 따라서는 프리미엄 멤버십 구독이 더 중요한 최적화 목표일 수도 있습니다. 이렇게 올바른 목표를 탄력적으로 결정하는 것은 쉽지 않습니다. 하지만 올바른 접근 방식은 항상 지속적인 제품/서비스를 위해고민하고 실험을 계속하는 것입니다.
두 번째는 알고리듬이 목표를 성공적으로 달성했다면 의도치 않은 사이드이펙트를 살피는 것입니다. 일반적으로 너무 단순한 목표는 의도하지 않은 부정적인 결과를 초래할 수 있습니다. 소셜 네트워크의 경우 같은 비슷한 종류의 피드만 보여주는 필터 버블로 인한 편견을 만들 수 있습니다. 소셜미디어의 초기에는 클릭수보다 바이럴 활동, 즉 서로의 게시물에 좋아요를 누르거나 댓글을 달거나 다시 공유하는 것이 중요한 목표가 됩니다. 그렇게 하면 더 가치 있는 참여로 이어져 친구를 더 많이 확보할 수 있다고 믿었기 때문입니다. 하지만 가짜 친구와 스팸이라는 새로운 문제가 발생했습니다. 그 후에는 바이럴 활동보다는 양질의 참여에 더 집중하는 목표가 중요해집니다. 친구들이 피드 전체 내용을 읽고 있는가? 그에 따라 양질의 댓글을 작성하고 있는가와 같이 사이트 전체에서 서로 더 많이 상호 작용하고 있는가라는 가치 있는 목표에 집중하게 됩니다. 따라서 AI 목표를 고려할 때는 장기적인 품질 결과를 위해 최적화하고 의도하지 않은 모든 부정적인 부작용에 주의해야 합니다.
마무리 : 학습과 경험이 결국 성공의 지름길
짧은 글을 통해 AI가 실제로 어떻게 동작하는지에 대해 더 많은 경험을 쌓을 수 있는 동기를 부여받으셨기를 바랍니다. 가장 중요한 것은 AI가 여러분의 업무에 얼마나 중요한지, 그리고 제품과 기업의 지속 가능성에 얼마나 큰 영향을 미칠 수 있는지 이해하셨기를 바랍니다. 이 글을 마무리하면서 다음의 두 가지를 제안드립니다.
첫째, AI 이해를 깊게 하기 위한 학습을 멈추지 마십시오. 데이터 분석에 대한 지식도 큰 도움이 됩니다.
둘째, 새로운 제품을 경험할 때마다, 이 제품에서 AI가 어떤 역할을 하는지 살펴보십시오. 이런 기능의 목표는 무엇이고, 어떤 유형의 알고리즘이 사용되었는지, 어떤 피쳐와 제약 조건이 적용되었을까를 살펴보는 것은 AI의 직관력과 이해력 강화에 큰 도움이 됩니다.
여러분들의 땀과 노력에 응원의 박수를 보내 드립니다.
▶ <AI를 다룬다> 시리즈 / 영욱 님 인터뷰 보러 가기
글 | 김영욱 SAP 프로덕트 엔지니어링 시니어 프로그램 매니저
한국에서 컴퓨터 공학을 전공 후, 프랑스 파리로 이주하여 현재 SAP의 클라우드 ERP 그룹의 시니어 프로그램 매니저로 근무 중입니다. 책 <프로덕트 매니지먼트>의 저자이고, 정부기관과 기업에 자문과 강연, 고정 필진으로 활동중 입니다. 브런치 매거진 <PM은 체질보다 어드벤쳐>에 정기적으로 글을 씁니다.
발행일 2024.01.15