AI로 고객을 사로잡은 G마켓의 비밀ㅣ김선호 G마켓 AI Product팀 리드
김선호 G마켓 AI Product팀 리드
AI로 고객을 사로잡은 G마켓의 비밀ㅣ김선호 G마켓 AI Product팀 리드
일자
상시
유형
아티클태그
이 아티클은 <AI 시대, 인재로 거듭나기> 시리즈의 5화입니다.
“AI를 선택한 순간부터 단지 연구를 위한 기술 연구가 아닌, 실제 유저 입장에서 AI가 활용되는 모습을 꼭 보고 싶었습니다.” 의료정보학을 전공했던 그는 AI 기술을 비즈니스화해 실제 서비스에 적용할 수 있는 이커머스 분야로 뛰어들었다. 그리고 현재 AI 기술을 활용해 고객에게 어떻게 더 편리한 쇼핑 경험을 제공할 수 있을지 고민하며 즐겁게 일하고 있다.
“AI를 선택한 순간부터 단지 연구를 위한 기술 연구가 아닌, 실제 유저 입장에서 AI가 활용되는 모습을 꼭 보고 싶었습니다.” 의료정보학을 전공했던 그는 AI 기술을 비즈니스화해 실제 서비스에 적용할 수 있는 이커머스 분야로 뛰어들었다. 그리고 현재 AI 기술을 활용해 고객에게 어떻게 더 편리한 쇼핑 경험을 제공할 수 있을지 고민하며 즐겁게 일하고 있다.
(현) 김선호 G마켓 AI Product Team Lead (🔗링크드인)
연구로 그치지 않는, 삶에 활용되는 서비스를 위해
Q. 의료정보학을 전공하셨다고 들었는데 어떤 계기로 현재 일 하고 계신 분야인 이커머스 도메인에 관심을 갖게 되셨나요?
A. 처음부터 이커머스에 관심 있던 건 아니었어요.(웃음) 의료정보학을 연구하며 느꼈던 가장 큰 회의감은 연구가 얼마나 가치 있고, 미래에 어떻게 활용될 수 있을지 추상적인 장밋빛 미래를 이야기해야만 다음 과제를 진행할 수 있다는 점이었어요. 연구가 잘 진행되지 않아도 연구 결과를 포장해서 이야기해야 하다 보니, 박사 과정까지만 수료하고 의료정보학 연구는 중단했죠. 첫 직장에서 근무하던 중 우연히 ‘이베이 코리아(현 G마켓)’에서 B2C Product를 개발할 수 있는 AI Engineer 채용 공고를 봤어요. AI 기술을 서비스화해 제품으로로 개발할 수 있다는 점에 이끌려 한치의 망설임도 없이 당시 이베이코리아에 입사해 지금까지 일하고 있습니다.
Q. 이커머스 분야에서 대표적으로 활용되는 AI 기술인 추천 시스템은 어떤 기술인가요?
A. 추천 시스템은 온라인이 발전한 시점부터 크게 발전하기 시작한 기술입니다. 이커머스 발전 초창기, 아마존(Amazon)에서 추천 시스템으로 좋은 성과를 내기 시작하며 점차 많은 관심을 받기 시작했는데요. 추천 시스템도 그간 많은 발전이 있었지만 아래와 같이 크게 두 가지 관점으로 분류할 수 있습니다.
협업 필터링 모델(Collaborative Filtering, CF)으로 대표되는 사용자 기반 추천 시스템은 사용자들 간의 유사성을 기반으로 관심사를 예측하는 방법입니다. 비슷한 취향을 가진 사용자들은 특정 아이템에도 비슷한 선호도를 가질 것이라는 가정 하에 사용자와 아이템 간의 상호 작용 데이터를 활용합니다. 예를 들어 R&B 음악 장르를 좋아하는 사람들이 SF 영화에 높은 선호도를 보인다면 R&B를 좋아하는 사용자에게 영화 <트랜스포머(Transformers)>를 추천해 줄 수 있죠.
반면 콘텐츠 기반 필터링 모델(Content-based Filtering)로 대표되는 콘텐츠 기반 추천 시스템은 콘텐츠 간 유사성 또는 연관성을 기반으로 추천해주는 방법입니다. 예를 들어, 어떤 사용자가 ‘아이브, 에스파, 오마이걸’ 등 최근 활동하는 여자 아이돌 노래를 계속 감상했다면, 이 콘텐츠를 바탕으로 다른 여자 아이돌 ‘뉴진스’의 노래도 추천해 줄 수 있습니다.
Q. 그렇지만 실제 산업 분야에서 추천 시스템 기술을 활용하는 것이 쉽지 않다면서요?
A. 맞아요. 같은 추천 시스템 모델을 개발하더라도 서비스와 고객 특성, 노출 영역에 따라 전부 다르게 나타나기 때문이에요. 고객 반응을 살펴보면서 이유를 분석하고 모델을 튜닝하거나 노출 방법을 다르게 바꿔보거나 UX적 요소의 변화를 가미하는 등 다양한 시도가 필요해요. 개인적으로는 유튜브가 추천 시스템 기술을 잘 활용한다고 생각해요. 왜냐하면 음악을 좋아하는 유저에게 주로 음악 영상을 추천하면서도 중간중간 맛집, 스포츠 등 다양한 분야의 카테고리 영상 또한 골고루 보여주고 있기 때문이에요. 즉 ‘필터 버블(Filter Bubble : 유저가 맞춤형 콘텐츠로 인해 소셜미디어 안에서 특정 분야의 정보만 클릭, 소비하게 되는 현상)’을 최대한 막으며 다른 장르의 콘텐츠를 추천해주고 있어요. 이처럼 비즈니스 환경에서 적절한 추천 시스템을 개발하기 위해 온라인에서 고객들의 반응을 지속적으로 살펴보며 실험해나가는 방법밖에 없기 때문에, 추천 시스템 모델을 개발만 한다고 해서 비즈니스 문제를 잘 해결할 수 있는 건 아니에요.
Q. 이커머스 분야에서 추천시스템 외에도 또 어떤 AI 기술들이 활용되나요?
A. 이커머스 환경에서는 추천 시스템 외에도 유저 편의성과 플랫폼 유지를 위한 다양한 AI 모델이 활용됩니다. 대표적으로 AI가 적용되는 네 가지 분야를 말씀드릴게요.
✔️ 카탈로그 구축
여러 셀러가 동일한 상품을 올렸을 경우, 그 상품들이 서로 같다는 사실을 인지하기 쉽지 않을 수 있습니다. 이때 AI를 활용해 상품의 유사성을 확인합니다.
✔️ 탄력적인 가격 운영
이커머스 분야에서는 흔히 사용되는 소비자 유인책 중 하나인 ‘다이내믹 프라이싱(Dynamic Pricing)’ 기술을 활용합니다. 개인 취향과 구매 의사 등 소비자와 관련된 빅데이터를 AI가 분석해 가격을 설정합니다. 원래 가격이라면 구매하지 않았을 고객에게 AI를 통해 조금 더 낮게 책정된 가격을 노출시키며 제품을 구매하도록 유도합니다.
✔️ 광고 비딩 최적화
키워드 광고, 네이버 노출 광고 등 다양한 광고를 세팅할 때 상이한 유저의 활동을 고려해 구매 최적화를 위한 가장 적합한 비딩 금액을 책정하며 광고를 운영하는데요. 커머스 환경에서 광고 세트의 볼륨과 CPI(Consumer Price Index)를 예측하는 것 외에도 플랫폼 별 최적 일일 예산까지 예측해 시행착오를 줄일 수 있습니다.
✔️ 고객 이탈률(Churn Rate) 예측
이커머스 플랫폼 내 고객 이탈률을 예측하는 방법입니다. 각 이탈 지점마다 타깃 마케팅 예측이 가능한 AI 모델을 활용해 어떤 마케팅 활동을 할지 고민하고 이탈 고객을 붙잡는 시도를 하고 있습니다.
연구로 그치지 않는, 삶에 활용되는 서비스를 위해
Q. 의료정보학을 전공하셨다고 들었는데 어떤 계기로 현재 일 하고 계신 분야인 이커머스 도메인에 관심을 갖게 되셨나요?
A. 처음부터 이커머스에 관심 있던 건 아니었어요.(웃음) 의료정보학을 연구하며 느꼈던 가장 큰 회의감은 연구가 얼마나 가치 있고, 미래에 어떻게 활용될 수 있을지 추상적인 장밋빛 미래를 이야기해야만 다음 과제를 진행할 수 있다는 점이었어요. 연구가 잘 진행되지 않아도 연구 결과를 포장해서 이야기해야 하다 보니, 박사 과정까지만 수료하고 의료정보학 연구는 중단했죠. 첫 직장에서 근무하던 중 우연히 ‘이베이 코리아(현 G마켓)’에서 B2C Product를 개발할 수 있는 AI Engineer 채용 공고를 봤어요. AI 기술을 서비스화해 제품으로로 개발할 수 있다는 점에 이끌려 한치의 망설임도 없이 당시 이베이코리아에 입사해 지금까지 일하고 있습니다.
Q. 이커머스 분야에서 대표적으로 활용되는 AI 기술인 추천 시스템은 어떤 기술인가요?
A. 추천 시스템은 온라인이 발전한 시점부터 크게 발전하기 시작한 기술입니다. 이커머스 발전 초창기, 아마존(Amazon)에서 추천 시스템으로 좋은 성과를 내기 시작하며 점차 많은 관심을 받기 시작했는데요. 추천 시스템도 그간 많은 발전이 있었지만 아래와 같이 크게 두 가지 관점으로 분류할 수 있습니다.
- 사용자 기반 추천 시스템
- 콘텐츠 기반 추천 시스템
협업 필터링 모델(Collaborative Filtering, CF)으로 대표되는 사용자 기반 추천 시스템은 사용자들 간의 유사성을 기반으로 관심사를 예측하는 방법입니다. 비슷한 취향을 가진 사용자들은 특정 아이템에도 비슷한 선호도를 가질 것이라는 가정 하에 사용자와 아이템 간의 상호 작용 데이터를 활용합니다. 예를 들어 R&B 음악 장르를 좋아하는 사람들이 SF 영화에 높은 선호도를 보인다면 R&B를 좋아하는 사용자에게 영화 <트랜스포머(Transformers)>를 추천해 줄 수 있죠.
반면 콘텐츠 기반 필터링 모델(Content-based Filtering)로 대표되는 콘텐츠 기반 추천 시스템은 콘텐츠 간 유사성 또는 연관성을 기반으로 추천해주는 방법입니다. 예를 들어, 어떤 사용자가 ‘아이브, 에스파, 오마이걸’ 등 최근 활동하는 여자 아이돌 노래를 계속 감상했다면, 이 콘텐츠를 바탕으로 다른 여자 아이돌 ‘뉴진스’의 노래도 추천해 줄 수 있습니다.
Q. 그렇지만 실제 산업 분야에서 추천 시스템 기술을 활용하는 것이 쉽지 않다면서요?
A. 맞아요. 같은 추천 시스템 모델을 개발하더라도 서비스와 고객 특성, 노출 영역에 따라 전부 다르게 나타나기 때문이에요. 고객 반응을 살펴보면서 이유를 분석하고 모델을 튜닝하거나 노출 방법을 다르게 바꿔보거나 UX적 요소의 변화를 가미하는 등 다양한 시도가 필요해요. 개인적으로는 유튜브가 추천 시스템 기술을 잘 활용한다고 생각해요. 왜냐하면 음악을 좋아하는 유저에게 주로 음악 영상을 추천하면서도 중간중간 맛집, 스포츠 등 다양한 분야의 카테고리 영상 또한 골고루 보여주고 있기 때문이에요. 즉 ‘필터 버블(Filter Bubble : 유저가 맞춤형 콘텐츠로 인해 소셜미디어 안에서 특정 분야의 정보만 클릭, 소비하게 되는 현상)’을 최대한 막으며 다른 장르의 콘텐츠를 추천해주고 있어요. 이처럼 비즈니스 환경에서 적절한 추천 시스템을 개발하기 위해 온라인에서 고객들의 반응을 지속적으로 살펴보며 실험해나가는 방법밖에 없기 때문에, 추천 시스템 모델을 개발만 한다고 해서 비즈니스 문제를 잘 해결할 수 있는 건 아니에요.
Q. 이커머스 분야에서 추천시스템 외에도 또 어떤 AI 기술들이 활용되나요?
A. 이커머스 환경에서는 추천 시스템 외에도 유저 편의성과 플랫폼 유지를 위한 다양한 AI 모델이 활용됩니다. 대표적으로 AI가 적용되는 네 가지 분야를 말씀드릴게요.
✔️ 카탈로그 구축
여러 셀러가 동일한 상품을 올렸을 경우, 그 상품들이 서로 같다는 사실을 인지하기 쉽지 않을 수 있습니다. 이때 AI를 활용해 상품의 유사성을 확인합니다.
✔️ 탄력적인 가격 운영
이커머스 분야에서는 흔히 사용되는 소비자 유인책 중 하나인 ‘다이내믹 프라이싱(Dynamic Pricing)’ 기술을 활용합니다. 개인 취향과 구매 의사 등 소비자와 관련된 빅데이터를 AI가 분석해 가격을 설정합니다. 원래 가격이라면 구매하지 않았을 고객에게 AI를 통해 조금 더 낮게 책정된 가격을 노출시키며 제품을 구매하도록 유도합니다.
✔️ 광고 비딩 최적화
키워드 광고, 네이버 노출 광고 등 다양한 광고를 세팅할 때 상이한 유저의 활동을 고려해 구매 최적화를 위한 가장 적합한 비딩 금액을 책정하며 광고를 운영하는데요. 커머스 환경에서 광고 세트의 볼륨과 CPI(Consumer Price Index)를 예측하는 것 외에도 플랫폼 별 최적 일일 예산까지 예측해 시행착오를 줄일 수 있습니다.
✔️ 고객 이탈률(Churn Rate) 예측
이커머스 플랫폼 내 고객 이탈률을 예측하는 방법입니다. 각 이탈 지점마다 타깃 마케팅 예측이 가능한 AI 모델을 활용해 어떤 마케팅 활동을 할지 고민하고 이탈 고객을 붙잡는 시도를 하고 있습니다.
G마켓이 이커머스 환경에서 AI를 활용하는 방법
Q. G마켓에서는 유저들의 사용 편의성을 돕기 위해 어떻게 AI를 적용하고 있나요?
A. G마켓 모바일 홈 사례를 예로 설명드릴게요. 모바일 홈은 G마켓 앱을 처음 열었을 때 만나는 화면입니다. 그간 모바일 홈에서는 유사한 성향의 고객들을 그룹으로 묶고, 각 그룹별로 콘텐츠를 다르게 구성하는 방법을 활용해 왔습니다. 식품류를 좋아하는 고객군에게 식품 위주의 제품을 보여주는 방식이 여기에 해당됩니다.
ⓒG마켓 뉴스룸
군집별로 추천하다보면 군집 내에서도 각 개인의 세밀화 된 니즈들을 발견하게 되고, 이를 더 정밀하게 추천해줄 수 있는 초개인화 방식에 주목하게 됩니다. 한 예로, 모바일 홈에서 G마켓이 주력으로 미는 ‘데일리 특가 딜 상품’을 AI 알고리즘 기반으로 각 고객이 최근 구입하거나 구경한 상품, 페이지 체류 시간, 검색 빈도 등을 파악해 배치합니다. 이 방법은 고객당 클릭 횟수 40% 이상, 클릭한 전체 상품 수 2배 이상 증가시켰습니다.
Q. 실제 비즈니스에 AI 모델을 적용하기 위해서는 단지 모델의 높은 성능뿐만 아니라, 비즈니스적인 여러 요소를 고려해야 한다고 들었는데요.
A. AI 모델의 성능은 결국 실제 비즈니스에서의 성과로 평가되어야 합니다. 비즈니스 성과라 함은 매출, 수익 외에도 클릭, 동선 이탈 등 다양한 UX Metrics(메트릭스 : 업무 수행 결과를 보여주는 계량적 분석)도 있는데 현업에서는 AI 모델을 개선하면서 그러한 지표의 정확성과 성능이 개선되고 있는지 종합적으로 고려하면서 개발해야 합니다.
Q. 혹시 현실적인 비용 문제로 인해 높은 성능의 AI 모델을 적용하지 못하고 타협해야 했던 경우도 있으셨나요?
A. 모델 성능의 평가로 높은 비즈니스 지표를 기대할 수 있으나 AI 모델을 구동하는 데 큰 비용이 예상되면 경량화(모델 정확도 등의 성능 손실을 최소화하면서, 연산 속도나 메모리 사용량 등을 줄여 모델의 전반적인 효율성을 높이는 기법)도 함께 고민합니다.
그후 오프라인 테스트(실제 상용 서비스에 과거 특정 시점의 데이터와 AI 모델을 적용해 어떤 AI 모델의 성능이 우수한지 평가하는 사전 시뮬레이션)를 거쳐 가장 적합하다고 판단되는 AI 모델을 선정하는거죠. 실제 운영되고 있는 서비스에서 A/B Test를 수행하기 전 미리 성능을 추론해볼 수 있기 때문에 실 서비스에서 경험 비용을 줄이고 성능이 보장된 AI 모델만 상용화 된 서비스에 적용할 수 있다는 장점이 있습니다. 하지만 오프라인 테스트는 실 서비스 환경에서의 지표는 동일하다고 가정할 수 없기 때문에, A/B Test는 필수적으로 진행해야 합니다.
Q. 혹시 일반적으로 사람들이 생각하는 AI(eg. ChatGPT)와 이전부터 존재하던 AI(기존 딥러닝 분야)가 각각 이커머스 환경에서 적용될 때 성능 혹은 기능적인 측면에서의 차이점도 있나요?
A. ChatGPT에서 사용되는 LLM도 결국 딥러닝의 한 분야인데, LLM이 워낙 관심을 많이 받게 되다보니 기존 AI와 LLM의 적용을 분리해서 생각하는 것 같아요. 물론 성능이나 기능 측면의 차이점도 있지만, 그보다는 추천 모델을 적용하는 방법론에 차이점이 있다고 이해하시는 편이 좋을 것 같습니다. 기존 딥러닝 방법론을 기반으로 하는 추천 모델과 LLM을 기반으로 하는 추천 모델의 활용 예시를 비교하면 더 쉽게 이해하실 거예요.
- 기존 딥러닝 방법론 : 정해진 선택지 내에서의 예측 방법론에 초점을 둔 추천 시스템
1번부터 7번까지의 상품이 존재한다고 가정할 때, 딥러닝은 7번(특정) 상품을 현재 이커머스 서비스를 이용하는 고객에게 가장 적합한 상품이라고 예측하고 추천합니다. 즉, 기존 고객들의 구매 또는 행동 데이터를 학습해 다음 반응을 예측하는 데 활용하는 방법론입니다.
- LLM 방법론 : 고객에게 계속 적합한 상품을 추천해주는 생성론적 방법론에 초점을 둔 추천 시스템
예를 들어, 캠핑 용품을 보고 있는 고객에게 냄비, 라면 등 캠핑 연관 제품을 연이어 추천하는 데 활용할 수 있습니다. 즉 LLM이 갖는 언어적 맥락을 이해하는 능력을 활용한 추천을 구현하는 데 유리하다고 할 수 있습니다.
Q. 이렇게 전사적인 관점에서 AI를 도입하고 선호 님께서 근무하시는 AI 전담 조직과 같은 팀이 원활하게 운영되기까지 쉽지 않았을 것 같은데요?
군집별로 추천하다보면 군집 내에서도 각 개인의 세밀화 된 니즈들을 발견하게 되고, 이를 더 정밀하게 추천해줄 수 있는 초개인화 방식에 주목하게 됩니다. 한 예로, 모바일 홈에서 G마켓이 주력으로 미는 ‘데일리 특가 딜 상품’을 AI 알고리즘 기반으로 각 고객이 최근 구입하거나 구경한 상품, 페이지 체류 시간, 검색 빈도 등을 파악해 배치합니다. 이 방법은 고객당 클릭 횟수 40% 이상, 클릭한 전체 상품 수 2배 이상 증가시켰습니다.
Q. 실제 비즈니스에 AI 모델을 적용하기 위해서는 단지 모델의 높은 성능뿐만 아니라, 비즈니스적인 여러 요소를 고려해야 한다고 들었는데요.
A. AI 모델의 성능은 결국 실제 비즈니스에서의 성과로 평가되어야 합니다. 비즈니스 성과라 함은 매출, 수익 외에도 클릭, 동선 이탈 등 다양한 UX Metrics(메트릭스 : 업무 수행 결과를 보여주는 계량적 분석)도 있는데 현업에서는 AI 모델을 개선하면서 그러한 지표의 정확성과 성능이 개선되고 있는지 종합적으로 고려하면서 개발해야 합니다.
Q. 혹시 현실적인 비용 문제로 인해 높은 성능의 AI 모델을 적용하지 못하고 타협해야 했던 경우도 있으셨나요?
A. 모델 성능의 평가로 높은 비즈니스 지표를 기대할 수 있으나 AI 모델을 구동하는 데 큰 비용이 예상되면 경량화(모델 정확도 등의 성능 손실을 최소화하면서, 연산 속도나 메모리 사용량 등을 줄여 모델의 전반적인 효율성을 높이는 기법)도 함께 고민합니다.
그후 오프라인 테스트(실제 상용 서비스에 과거 특정 시점의 데이터와 AI 모델을 적용해 어떤 AI 모델의 성능이 우수한지 평가하는 사전 시뮬레이션)를 거쳐 가장 적합하다고 판단되는 AI 모델을 선정하는거죠. 실제 운영되고 있는 서비스에서 A/B Test를 수행하기 전 미리 성능을 추론해볼 수 있기 때문에 실 서비스에서 경험 비용을 줄이고 성능이 보장된 AI 모델만 상용화 된 서비스에 적용할 수 있다는 장점이 있습니다. 하지만 오프라인 테스트는 실 서비스 환경에서의 지표는 동일하다고 가정할 수 없기 때문에, A/B Test는 필수적으로 진행해야 합니다.
Q. 혹시 일반적으로 사람들이 생각하는 AI(eg. ChatGPT)와 이전부터 존재하던 AI(기존 딥러닝 분야)가 각각 이커머스 환경에서 적용될 때 성능 혹은 기능적인 측면에서의 차이점도 있나요?
A. ChatGPT에서 사용되는 LLM도 결국 딥러닝의 한 분야인데, LLM이 워낙 관심을 많이 받게 되다보니 기존 AI와 LLM의 적용을 분리해서 생각하는 것 같아요. 물론 성능이나 기능 측면의 차이점도 있지만, 그보다는 추천 모델을 적용하는 방법론에 차이점이 있다고 이해하시는 편이 좋을 것 같습니다. 기존 딥러닝 방법론을 기반으로 하는 추천 모델과 LLM을 기반으로 하는 추천 모델의 활용 예시를 비교하면 더 쉽게 이해하실 거예요.
- 기존 딥러닝 방법론 : 정해진 선택지 내에서의 예측 방법론에 초점을 둔 추천 시스템
1번부터 7번까지의 상품이 존재한다고 가정할 때, 딥러닝은 7번(특정) 상품을 현재 이커머스 서비스를 이용하는 고객에게 가장 적합한 상품이라고 예측하고 추천합니다. 즉, 기존 고객들의 구매 또는 행동 데이터를 학습해 다음 반응을 예측하는 데 활용하는 방법론입니다.
- LLM 방법론 : 고객에게 계속 적합한 상품을 추천해주는 생성론적 방법론에 초점을 둔 추천 시스템
예를 들어, 캠핑 용품을 보고 있는 고객에게 냄비, 라면 등 캠핑 연관 제품을 연이어 추천하는 데 활용할 수 있습니다. 즉 LLM이 갖는 언어적 맥락을 이해하는 능력을 활용한 추천을 구현하는 데 유리하다고 할 수 있습니다.
Q. 이렇게 전사적인 관점에서 AI를 도입하고 선호 님께서 근무하시는 AI 전담 조직과 같은 팀이 원활하게 운영되기까지 쉽지 않았을 것 같은데요?
ⓒ신세계그룹 뉴스룸
A. AI 구루 ‘앤드류 응(Andrew Ng)’도 AX(AI Transformation) 어려움을 이야기할 때 기술 도입의 어려움보다 조직 내 공감대를 더 중요한 문제로 꼽습니다. 위 그림은 G마켓에서 진행해왔던 AI 관련 기술들을 어떻게 범주화할지 고민하며 그린 그림입니다. AI 프로젝트들을 진행하면 할수록 단순히 기술 개발에서의 고민에서 벗어나 전사적 관점에서 여러 비즈니스 부서가 함께 전략적으로 토론하며 합의된 기준을 세우는 지표 설정의 중요성을 조직적으로 절감하고 있습니다.
나아가 합의된 지표를 설계하기 위한 이해관계자들과의 논의 속에서 데이터 리터러시((Data Literacy)가 충분히 성숙되어야 합니다. AI 기술이 비즈니스에 적용된다고 해서 모든 문제가 해결되는 것이 아니므로, 전면적인 기술 도입을 하기 전에 충분한 실험과 데이터 분석 과정을 통해 조직적인 지식을 축적하는 과정이 중요하다는 점을 개발 부서 외 구성원들도 인식할 수 있어야 합니다.
A. AI 구루 ‘앤드류 응(Andrew Ng)’도 AX(AI Transformation) 어려움을 이야기할 때 기술 도입의 어려움보다 조직 내 공감대를 더 중요한 문제로 꼽습니다. 위 그림은 G마켓에서 진행해왔던 AI 관련 기술들을 어떻게 범주화할지 고민하며 그린 그림입니다. AI 프로젝트들을 진행하면 할수록 단순히 기술 개발에서의 고민에서 벗어나 전사적 관점에서 여러 비즈니스 부서가 함께 전략적으로 토론하며 합의된 기준을 세우는 지표 설정의 중요성을 조직적으로 절감하고 있습니다.
나아가 합의된 지표를 설계하기 위한 이해관계자들과의 논의 속에서 데이터 리터러시((Data Literacy)가 충분히 성숙되어야 합니다. AI 기술이 비즈니스에 적용된다고 해서 모든 문제가 해결되는 것이 아니므로, 전면적인 기술 도입을 하기 전에 충분한 실험과 데이터 분석 과정을 통해 조직적인 지식을 축적하는 과정이 중요하다는 점을 개발 부서 외 구성원들도 인식할 수 있어야 합니다.
비즈니스 지표를 떼고 AI를 바라보면 안 되는 이유
Q. 선호 님께서는 팀 문화에 적극적인 관심을 가지고 계신 팀장님이신 것 같아요. 어떤 계기로 팀 문화에 관심을 가지게 되셨고, 선호 님은 팀원분들과 어떻게 일하고 계신가요?
A. 팀 문화에 관심을 갖게 된 건 이전 회사에서 유럽으로 연구 과제를 발표하러 갔던 때였어요. 통상적으로 국내에서는 정부 과제를 평가받는 자리에 가면 그간의 연구 내용을 발표하는데요. 평가하는 위원들이 점수를 내며 이를 계속 진행할 과제로 결정할지 단 2시간 내로 결정합니다. 그러나 유럽에서는 너무 달랐어요. 2박 3일 동안 위원들과 ‘어떻게 하면 이 과제를 더욱 가치있게 만들 수 있을지’ 토론했습니다. 단순히 평가와 검수를 거쳐 연구 진행 여부를 결정하는 데 그치지 않고, 과제 존재 가치를 높이기 위해 피드백을 나누며 최종 결과물에 좋은 시너지를 만들어내는 과정을 직접 경험하고 놀랐어요,
그때를 계기로 팀에서 건설적인 회의 문화를 만드는 일이 결과에 얼마나 중요한 영향을 끼치게 되는지 깨달았어요. 그래서 저는 팀원들에게 업무를 분배할 때 수직적 할당이 아닌, 팀원들과 이야기를 나누며 팀원마다 어떤 일을 하고 싶은지 질문합니다. 그리고 그 일들과 팀에 주어진 역할들을 잘 매칭할 수 있는 방법을 함께 고민하고요. 이 과정에서 팀원들은 내적 동기를 갖고 일할 수 있으면서도 주어진 업무의 맥락과 중요성을 이해할 수 있게 됩니다. 그 결과는 회사(조직)와 팀원 모두에게 선순환으로 이어지게 되고요.
Q. AI Product Team 리더로서, 팀원을 새로 뽑는다면 어떤 기준에서 팀원을 뽑을 것 같으세요?
A. 첫 번째, 추상적으로 표현하면 능동적인 사람과 함께 일하고 싶어요. 어떤 일을 하고 싶은지 질문했을 때 앞으로 어떻게 커리어를 쌓아나가고 싶은지 능동적으로 고민하고 결정할 수 있는 분이면 좋습니다. 두 번째, 방향성이 갑자기 바뀌더라도 유연하게 대처할 수 있는 분이에요. 특히 대다수의 AI 조직에서는 이와 같은 성향의 분을 찾는 것 같아요. 왜냐하면, 이미 서비스 개발을 시작했지만 실제 적용에는 다른 방법을 써야 할 때가 있기 때문이에요. 서비스 기획부터 개발 과정에서 적합하다고 고려했던 AI 모델과 다른 AI 모델을 적용해야 할 때 예상했던 방향으로 흘러가지 않아 답답함을 느낄 수도 있는데요. 이때 어떻게 방향 설정을 바꿔야 하는지 빠르게 고민하고, 조금 더 창의적으로 AI 모델을 결합해 새로운 방식을 도입하는 즉각적인 대처 방안을 떠올려야 하죠. 그래서 변화에 유연하게 대처하고 언제든 새로운 솔루션을 고민할 수 있는 분이 필요해요.
Q. 전사적으로 AI Transformation 도입을 고민하고 계시는 엔지니어분께 조언해주고 싶은 말씀이 있으시다고 하셨죠?
A. 결국 AI 모델 성능보다 비즈니스 지표를 연계해 AI 모델을 다시 살펴봐야 한다는 말을 전하고 싶어요. 최신 ‘SOTA(States of the Arts, 현재 최고 수준의 결과를 가진 AI 모델)’ 기술을 활용해 AI 기반 추천 시스템을 개발해보는 것도 개발자 입장에서는 충분히 재미있을 수 있고 기술 트렌드 측면에서도 커리어에 도움될 수 있다고 생각해요. 하지만, 기업에서는 기술과 현실적인 비즈니스 이해 관계 간의 간극을 맞추고 가장 적합한 밸런스를 맞춘 절충점을 찾는 눈이 중요합니다. 그 안목을 키우는 것이 고연차가 될수록 훨씬 필요해져요.
Q. 만약 이커머스 분야가 아닌 다른 분야에서 일 해볼 기회가 생긴다면 어떤 분야에서 일 해보고 싶으신가요?
A. 조직적으로 데이터 활용 가치와 방법론을 잘 이해하고 있는 환경이라면 분야에 크게 상관 없이 도전해 보고 싶어요. 거창하게 이야기하면 ‘디지털 전환(Digital Transformation)’, 데이터와 AI 기술이 실제적인 가치를 만들 수 있는 전략적인 차원에서 힘을 실어주고 조직의 데이터 관점에서 수준을 높이는 일을 해보고 싶습니다. 조직의 데이터 리터러시를 높이기 위한 사내 데이터들이 있는데, 실제로 쿼리를 짜고 활용함으로써 비개발 직군의 구성원도 데이터에 쉽게 접근할 수 있는 방법을 전사적으로 전파하는 데 관심 있습니다. 데이터와 AI 기술이 조직 적재적소에서 잘 활용될 수 있게 도움을 주는 역할을 하려고 노력하고 있고, 앞으로도 계속 해나가고 싶어요.
Q. 마지막으로 선호 님에게 ‘AI Product 개발 전략 업무’가 주는 의미는 무엇인가요?
A. AI 제품(Product)을 개발한다는 건 비즈니스와의 적용점을 찾아 실제 가치 생산의 증명을 보여주는 과정이라 성취감을 느껴요. 업무를 수행하면 여러 문제를 마주하게 되는데 하나의 문제를 먼저 해결하기 위한 적정 기술을 찾고, 이 기술을 고도화하면서 발생하는 새로운 비즈니스적 마찰을 중재하는 일의 균형을 고민하고 있어요. 팀원들에게 기술적 호기심을 충족시켜줌과 동시에 이를 비즈니스적으로 활용하기 위한 단계적인 전략을 세우며 새로운 업무 기회를 찾고 있고요.
