[AI 비법 노트] 3. 오늘의집 ML엔지니어 단체 인터뷰AI가 대세라는 말, 이제는 너무 흔한 말입니다. 그만큼 우리 서비스에 적용해야 한다는 생각도 누구나 하죠. 문제는 기술의 정체를 잘 모른다는 겁니다. 남들은 만능열쇠로 쓴다는데, 정작 우리 회사는 갈 길이 멀어 보입니다. 어디서, 어떻게 시작해야 할지 감도 안 잡힙니다. 그래서 준비했습니다. 잘 나가는 기업들의 AI 기능 관련 실무자들을 만나, 요즘IT 에디터가 열심히 별표 쳐 가며 받아 적었습니다. 어디에도 없는 AI 비법 노트, 요즘IT 독자들한테만 공유합니다. 여러분에게 “오늘의집”은 무슨 앱인가요? 다른 집의 인테리어를 구경할 ‘콘텐츠’ 앱일 수도, 인테리어 정보를 얻고 나눌 ‘커뮤니티’ 앱일 수도, 내게 필요한 인테리어 소품을 살 ‘커머스’ 앱일 수도 있을 것입니다. 어쩌면 그 모두일 수도 있고요. 그렇다면 이토록 여러 정체성을 가진 앱의 홈 화면은 어떤 모습일까요? 오늘의집 홈 화면 <출처: 오늘의집 앱 캡처> 바로 “피드(Feed)”입니다. 흔히 인스타그램 같은 SNS에서 접할 수 있는 형식이죠. 이 피드에는 사람들이 직접 올린 게시글(content)과 반응(community), 추천 상품(commerce)들이 공존합니다. 또 다른 특징은 무엇일까요? 피드를 구성하는 요소가 “사용자 맞춤형 추천” 기반으로 구성된다는 것입니다. 내가 보는 피드와 옆자리 동료가 보는 피드가 모두 다르다는 뜻이죠. 오늘의집은 2024년, 메뉴와 콘텐츠를 나열해 제시하던 홈 화면을 지금의 1-그리드 피드 형태로 업데이트했습니다. 그 결과, 콘텐츠 활성화 사용자(Content Active Users)는 28.6%, 진입자당 콘텐츠 조회 수(Content Views)는 무려 88.2%가 올랐습니다. 피드 형식의 성공에는 다양한 유저 행동을 이해하고, 맞춤형 콘텐츠를 관심 순서에 맞게 배치한 “추천” 기술이 압도적인 영향력을 끼쳤습니다. 이러한 추천 시스템을 비롯해 맞춤형 광고, 3D방꾸미기 AI 서비스 등을 만들어 내고 있는 오늘의집 ML 엔지니어들을 만나고 왔습니다. 이들은 어떻게 AI로 오늘의집을 바꿔 나가고 있을까요? 도미닉(Dominic): 오늘의집 TLM. 3년 반을 오늘의집에서 근무하며 추천 시스템 전반의 커뮤니케이션, 설계, 실험, 개선을 담당하고 있습니다.현(Hyeon): 오늘의집 추천팀 ML 엔지니어. 도메인에 구애받지 않고 추천에 필요한 모든 업무를 합니다. 지금은 광고팀과 함께 개인화 광고 최적화 작업을 수행하고 있습니다.준형(Junhyung): 오늘의집 확장 현실(XR)팀 ML 엔지니어. 생성형AI와 컴퓨터 비전 관련 업무를 합니다. 요즘은 가구와 소품을 3D 환경에서 미리 볼 수 있는 기능, 3D 방꾸미기에 AI를 접목할 방법을 고민하고 있습니다.왼쪽부터 오늘의집 ML엔지니어 도미닉, 현, 준형 <촬영: 요즘IT>Chapter 1. AI로 ‘추천’ 잘하려면 어떻게 해야 하나요?유튜브, 스포티파이, 넷플릭스의 공통점이 무엇일까요? 글로벌 콘텐츠 플랫폼이자 AI 기반 ‘추천’을 아주 잘 쓴 테크 기업이라는 점입니다. 추천이 없었다면 이들은 지금의 자리에 없었을 겁니다. 그만큼 추천은 AI 하면 떠오르는 가장 기본적인 기능이지만, 가장 강력한 기능이기도 합니다. 문제는 그렇게 ‘잘’ 하기가 어렵다는 점입니다. Q. 오늘의집에서 ‘AI 추천 시스템’을 대표적으로 활용하는 곳은 어디일까요?도미닉: 지난해, 오늘의집 홈에 1-그리드 피드(1-grid feed)를 개발해 론칭했어요. 이 피드로 유저의 피드백을 즉각 반영할 수 있는 추천 환경을 만들기 위해 집중했죠. 유저가 보내는 시그널을 이해하고, 맞춤형 추천을 만든 다음, 가장 관심 있어 할 순서로 랭킹을 매기는 추천 시스템을 구축한 거예요. 기존에는 “당신은 이런 것을 좋아할 것이다” 정도로 끝나던 추천이 이제는 선택에 따라 움직이는 ‘실시간 개인화 추천’ 시스템이 된 거죠. Q. 콘텐츠와 상품을 피드에 추천할 때는 무엇을 고민하고 반영했나요?도미닉: 추천을 할 때는 다양한 유저 상황을 최대한 신경 쓰고 있어요. 처음 들어온 유저도, 앱을 잘 써오던 유저도 모두 만족하도록 추천하는 것이 가장 중요하죠. 그래서 피드에는 여러 추천 방식을 모두 적용해 봐요. 콘텐츠 중심으로 추천하기도 하고 유저 선호도 중심으로 추천하기도 하고요. 상황과 지면에 따라 다르기에 초기 단계부터 모든 시도가 가능하도록 디자인했어요. 지금도 꾸준하고 반복적인 실험으로 가장 나은 추천 방식을 찾고 있죠. 사실 ‘오늘의집’이라는 제품이 좀 독특하거든요. 3C(content, community, commerce)라는 표현을 많이 쓰는데, 콘텐츠와 커머스가 섞여 있는 특이한 서비스예요. 그래서 이들 사이 조화를 잘 이룬 추천 구조도 집중할 포인트였어요. 이를테면 핀터레스트처럼 콘텐츠 중심인 앱은 콘텐츠 소비가 늘어나는 데에 목적을, 쿠팡 같은 이커머스는 상품 구매가 늘어나는 데에 우선 중점을 두고 추천하면 되거든요. 하지만 저희는 이 두 가지 목적 사이에서 균형을 잡는 것이 필요했어요. 그래서 선을 지키며 모든 영역에서 적합한 추천을 만드는 데 집중했죠. <촬영: 요즘IT> 현: 이를테면, 추천을 할 때는 유저가 만든 콘텐츠를 많이 활용하는데요. 그래서 이미지 퀄리티 지표를 중요하게 반영하기도 해요. 품질이 떨어지는 사진은 추천에서 모두 제외하는 거죠. 화질이 얼마나 좋은지, 초점이 잘 잡혀 있는지, 혹시 불쾌감을 느끼지 않을지 필터링하는 거예요. 최근에는 이런 기본 필터링을 넘어 유저가 좀 더 “영감을 받을 사진”을 상단에 올리려고 노력하고 있는데, 내부에서는 이 작업을 ‘감도를 높인다’고 표현하기도 해요. 더 알아보기. 기본적인 ‘추천 시스템’ 이해하기‘AI 추천 시스템’은 데이터에서 패턴을 찾아 관심 있을 내용을 추천합니다. 취향을 분석한 다음, 추천할 만한 것들을 골라내는 단계를 ‘필터링’이라고 하는데요. 일반적인 두 가지 필터링 유형을 소개합니다. 협업 필터링: 사용자들 사이 유사성을 기반으로 추천하는 방식입니다. 유저가 ‘검정 가죽 소파’에 좋아요를 눌렀다면, 똑같은 상품에 ‘좋아요’를 누른 다른 사용자가 구매한 ‘검정 스툴’을 추천하는 거죠.콘텐츠 기반 필터링: 콘텐츠의 특성(feature)에 초점을 두고 추천하는 방식입니다. ‘검정 가죽 소파’에 좋아요를 누른 유저에게 이번에는 그 소파를 만든 회사의 ‘초록 스툴’을 추천하는 거죠. 물론 이는 단순한 예시로, 필터링의 세계는 아주 복잡하며 선택지도 많습니다. 도메인마다, 서비스마다 효율도 다르고요. 오늘의집처럼 최대한 많은 추천 방식을 써보며 실험해야 하는 이유죠. Q. 오늘의집 ML 팀에서는 추천을 잘하기 위해 또 무엇을 고민했나요?도미닉: 최근에 신경 쓰는 건 빠르게 새로운 추천을 전달하는 일이에요. 특히 피드의 경우에는 유저가 어떠한 동작을 했을 때, 그에 대한 변화가 바로 나타나는 것이 사용자 경험에 무척 중요하거든요. 지표로 봐도 유저의 행동을 반영한 추천이 성과가 잘 나오는 편이고요. 데이터 플랫폼 팀에서 만든 인프라를 거쳐 실시간으로 유저 로그를 받아 추천 엔진에 적용하려 노력하고 있습니다. 다만 반영 시점을 잘 잡는 것도 중요하게 봐요. 추천 경험에서 중요한 하나는 ‘추천의 다양성’이에요. 그런데 유저의 실시간 행동을 고려한 것들로만 추천을 채우면 다양성이 크게 떨어져요. 또, 생각보다 인테리어 취향은 크게 달라지지 않더라고요. 그래서 지금 당장 관심 있는 상품과 유저의 기본 취향을 조화롭게 바라보는 것이 중요해요. 지금 당장이 아닌, 최근 일주일 유저가 한 행동을 기반으로 콘텐츠를 보여주면 다른 추천 풀이 나와요. 더 롱텀으로 가면 카테고리와 토픽처럼 그룹 단위 관심도를 활용하고요. 다양한 조합을 해보며 실험 결과를 바탕으로 결정하죠. 오늘의집 실시간 추천 시스템 아키텍처 <출처: 버킷플레이스> Chapter 1. 3줄 요약① 오늘의집은 지난해 실시간 맞춤형 추천 기반 피드로 홈 화면을 업데이트하며 성장② 피드에서 콘텐츠와 상품을 추천하는 방식은 꾸준하고 반복적인 실험으로 검증③ 맞춤형 추천에서 중요한 것은 빠른 사용자 피드백 반영과 다양성 사이 균형“어디서부터 시작해야 할 지”“기존 시스템에 통합할 수 있을 지”“투자 대비 실적을 낼 수 있을 지” 많은 기업들이 AI에 관심을 가지지만, 걱정이 앞서 도입을 망설입니다. 하지만 AI를 도입한 기업 10곳 중 8곳은 기대했던 효과를 얻었다고 합니다. 어떻게 하면 우리 회사에 딱 맞는 AI를 찾을 수 있을까요?국내 1위 IT프로젝트 플랫폼 위시켓이 ‘문제 진단-맞춤 솔루션 제안-개발사 연결’까지 전 과정을 도와드립니다.지금 무료 컨설팅을 신청하고 우리 회사에 ‘가장 효과적인’ AI 솔루션을 추천 받으세요Chapter 2. 추천할 때도, 성과를 볼 때도, ‘데이터’가 전부입니다이처럼 추천을 잘하려면 데이터가 잘 흘러야 합니다. 빠르게 데이터를 반영하고 적용할 수 있어야 좋은 추천이 나오죠. 문제는 “추천을 잘하고 있다”는 말이 아주 추상적인 표현이라는 겁니다. 좋은 추천이 나가고 있다는 건 어떻게 알 수 있을까요? 그 해답도 마찬가지 ‘데이터’에서 찾아야 합니다. Q. 서비스가 추천을 잘하고 있는지, 정말 성과를 내고 있는지는 어떻게 확인하면 좋을까요?도미닉: 결국 저희는 데이터를 보는 사람들이기 때문에 다시 지표로 모든 것을 봐요. 개인적으로 유저의 반응은 ‘지표로 측정할 수 있다’라고 생각하는 편이기도 하고요. 우선 지표에서는 콘텐츠 사이드와 커머스 사이드를 구분하고 있어요. 콘텐츠 쪽에서는 콘텐츠 조회 유저 수, 콘텐츠 활성화 유저 비율(CAU/DAU, Content Active Users / Daily Active Users) 등을 메인 지표로 삼아요. 커머스 쪽에서는 구매 전환율(CR) 등을 메인으로 보고요. 이때 두 영역의 핵심 지표들은 일종의 ‘가드레일’이에요. 다른 지표를 올리기 위한 실험에 침범당하면 안 될 지표인 거죠. 그렇게 가드레일을 해치지 않으며 조금씩 각 사이드의 지표를 올리는 것이 기본 방향성이에요. 아직은 끌어 올릴 공간이 남아 있다고 보고 있고요. 실험을 할 때는 단기적으로 사용자 행동의 변화가 있었는지, 이러한 단기 지표를 좀 더 포커싱해요. 물론 지표 반응이 한 번에 달라지지 않기도 하죠. 하지만 연 단위 장기 추세를 살피며 변화를 쌓아가다 보면 유저들이 좋아하는 방향성을 찾을 수 있다고는 생각해요. Tip. 오늘의집 ML 팀이 고객의 문제를 전달받는 방법지표로 성과를 측정하는 ML팀에도 고객 반응은 중요합니다. 경영진이 설정한 핵심 지표(OKR)와 고객들의 정성 의견 사이에서 균형을 이루며 문제를 찾아 나가야 하죠. 이들 사이 균형은 어떻게 조율할까요? 도미닉: 핵심 지표는 OKR 기준으로 설정해요. 경영진에서 설정한 목표를 바탕으로 프로젝트가 생기고, 그 안에서 세부 지표를 고민하는 편이죠. 또, 같이 일하는 PO들이 많은 역할을 해 주세요. 추천, XR, 플랫폼 등 ML팀 각 영역마다 담당 PO가 있는데, 기능이 필요할 때면 PO 분들을 통해 요청이 많이 들어와요. 주요 프로젝트와 요청들 사이에서 우선순위를 조정하며 결과물을 전달하려고 하죠. <촬영: 요즘IT> 이처럼 추천에도, 성과 점검에도 오늘의집은 데이터를 중심으로 움직입니다. 이 근간에는 공들여 만든 데이터 파이프라인 시스템을 활용하죠. 그렇다면 AI 시스템의 기반이 되는 모델과 인프라는 어떻게 갖춰 나가고 있을까요? Q. 오늘의집은 AI 모델을 어떻게 구축하고 활용하나요?현: 추천을 할 때는 주로 자체 구축한 모델을 활용해요. 때로는 상황에 맞게 오픈 소스를 활용하기도 하죠. 다만 외부 API나 오픈소스는 아무리 초기 비용이 적다 해도 커스텀에 적합하지 않아서요. 그래서 무게 중심을 자체 구축에 많이 두는 편이에요. 그렇게 한 번 만들어 둔 시스템을 추천이 필요한 다른 영역으로 확장 시켜요. 결국 관리도 저희가 해야 하고 무언가 모델을 덧붙인다 해도 기존 시스템 위에 돌아가는 것이 훨씬 편리하니까요. 준형: 추천을 중심으로 얘기를 많이 했지만, XR에서는 외부 리소스를 우선으로 구현하고 있어요. 외부 API 활용을 가장 선호하고, 그다음 오픈 소스, 자체 구축 순이죠. 이미 서비스에 올라가 적극적으로 쓰이는 추천과 달리, 기능을 테스트하며 목표를 빠르게 전환할 필요성이 있어서 더욱 그렇죠. 다만 아무래도 XR 도메인에서 쓰는 모델은 무거운 경향이 있어 학습과 서빙에 비용이 많이 들거든요. 그런 만큼 서빙 비용을 줄이는 것에도 관심이 많아요. 현재는 큐 기반의 시스템을 구축해 불필요한 인스턴스 비용이 나가지 않게 하고 있죠. 더 나아가서는 AWS의 Inferentia나 허깅페이스의 제로GPU(ZeroGPU) 프로젝트처럼, 더 저렴한 기술도 눈여겨 보는 중이에요. Q. 구축한 모델을 서비스에 안정적으로 연결하는 일도 중요한데요. 오늘의집은 이 업무를 어떻게 해결하고 있을까요?도미닉: 내부 개발팀에게는 모델을 주로 API 형태로 제공하고 있어요. 초기에 API 스펙까지 싱크를 맞춘 다음, 이에 맞춰 모델을 활용할 수 있게 전달하는 편이죠. 그래서 ML팀 단위로도 단순히 모델 구축뿐만 아니라 다양한 개발 작업에 참여하도록 권장하고 있어요. AI 영역에서 엔드 투 엔드 엔지니어로 성장할 수 있도록요. 현: ML 엔지니어로 일하다 보니, 결국 모든 영역에 다 참여하게 되더라고요. 모델만 만들 때도 있고, API 만드는 데 들어가기도 했죠. API 만드는 일은 처음에는 어렵기는 했는데, 주변의 도움을 받고 하다 보니 괜찮아졌어요. 결국 모든 작업을 해봐야 다시 모델을 만들 때도 도움이 되더라고요. Tip. 오늘의집 ML 팀이 학습하는 방법오늘의집 ML 조직은 크게 XR, 추천, 검색, 플랫폼으로 나뉘어 있습니다. 플랫폼이 제공하는 서비스 인프라 위에 각각 전문성을 바탕으로 AI 기능을 얹고 있죠. 이들 엔지니어는 어떻게 서로 지식을 공유하며 성장하고 있을까요? 도미닉: ML 엔지니어의 성장을 위해 두 가지 정도를 진행해요. 하나는 오하우스 퀄리티 세션으로, 엔지니어가 배운 것을 공유하는 시간이에요. 직접 진행한 프로젝트의 성공이나 실패담, 외부 콘퍼런스나 논문에서 학습한 내용의 요약을 발표하죠. 다른 하나는 러닝 아워라고, 정규 근무 중 각자 하고 싶은 공부를 하는 시간이에요. 그 시간에 공부한 내용은 간단히 적어서 공유하고요. Chapter 2. 3줄 요약① 추천의 성과는 콘텐츠 사이드/커머스 사이드로 나눠 지표 중심으로 검증② 추천 모델은 자체 구축, XR의 비전/생성 모델은 외부 API 중심으로 활용③ 구축한 모델은 플랫폼 인프라 내에서 API 형태로 제공하며 적용Chapter 3. 오늘의집이 AI로 ‘사용자 경험’을 개선하는 방법오늘의집을 찾는 고객은 다양합니다. 고생해서 꾸민 우리 집을 자랑하고 싶은 사람, 예쁜 집을 보고 내 공간을 꾸밀 영감을 받고 싶은 사람, 이사 가기 앞서 필요한 물건을 사려는 사람 등이죠. 하지만 중요한 고객이 하나 더 있습니다. 바로 ‘셀러’, 즉, 오늘의집에서 물건을 판매하는 사람들이죠. 플랫폼에는 이들 역시 중요한 고객입니다. Q. 오늘의집을 찾는 또 다른 고객, 셀러들을 위한 추천도 이뤄지고 있을까요?현: 추천 피드와 엮어 광고 영역에서도 새로운 도전을 하고 있어요. 오늘의집에는 유저들이 직접 꾸며 올린 ‘상품 스타일링샷’ 이미지가 있어요. 이 스타일링샷을 광고에 적극적으로 활용하는 건데요. 광고주가 광고할 상품을 고르면, 유저가 가장 선호할 스타일링샷을 찾아 피드에 보여주며 광고를 집행하는 거죠. 미리 만들어둔 소재가 아니라요. 아주 멋진 얘기는 아니지만, 광고는 추천 팀에서 처음 진행하다 보니 피처를 모두 새로 만들어 시간이 많이 들어갔어요. 또 마케팅 활용 동의가 필요했기에 법무팀 검토를 받은 데이터셋으로 완전히 시스템을 새로 구축해야 하기도 했고요. 도미닉: 추천은 유저와 셀러를 연결하는, 플랫폼의 역할을 가장 잘 나타낼 중요한 기능이라고 생각해요. 유저에게는 본인의 취향에 적합한 상품과 콘텐츠를, 셀러에게는 상품에 더 큰 관심을 가질 유저를 연결해 주죠. 오늘의집을 찾는 핵심 사용자 모두에게 가치를 준다고 보고 있습니다. 오늘의집 홈 피드 내 광고 화면 <출처: 오늘의집 앱 캡처> AI는 이처럼 다양한 고객의 ‘사용자 경험’을 개선하는 방법으로 쓰입니다. 그 방법은 단순히 추천만 있는 것이 아니죠. 요즘 주목받는 생성형 AI와 LLM 기술을 접목하는 연구 역시 오늘의집에서 활발하게 이뤄지고 있습니다. Q. 다른 측면에서 사용자 경험을 올리기 위해 AI 기능을 연구하는 분야가 있을까요?준형: XR팀에서는 생성 모델을 서비스에 적용할 방법을 많이 고민하고 있어요. “#ai야내방을바꿔줘 챌린지”처럼 이미지 생성 모델을 적용하는 이벤트를 진행하기도 했고요. 특히, 요즘은 3D방꾸미기 서비스에 AI 기능을 접목해 유저 경험을 개선하는 방법을 고민하고 있죠. 특히 방꾸미기에 쓸 3D 모델이 부족하다는 고객 피드백이 많은데요, 이를 해결할 AI 기반 3D 모델링을 최우선 과제로 생각하고 있어요. 또, 도면을 업로드하면 이를 인식해서 그에 맞는 방을 만들어 주거나, 방 사진을 분석하고 사진 속 가구를 AI가 대신 배치해 줌으로써 유저가 빠르게 방을 꾸미도록 도울 수도 있죠. 공간 기반 가구 추천이나 자동 재배치 기능처럼 유저가 방을 꾸미기에 편한 여러 기능을 함께 검토하고 있어요. 물론 아직 AI 기능이 본격적으로 들어가지는 않았지만, 사용자가 쉽고 편하고 빠르게 방을 꾸며 상상을 실제로 바꿀 수 있다면, 모든 가능성을 열어두고 시도하고 있어요. 오늘의집 XR팀의 생성 모델 기반 서비스 관련 이미지들 <출처: 버킷플레이스> Q. LLM의 등장으로 AI 기반 사용자 경험을 다시 정의되는 듯해요. 오늘의집은 LLM을 어떻게 사용하나요?도미닉: LLM이 잘할 수 있는 영역들부터 접근하고 있어요. 가장 먼저 고민하는 건 키워드에 다양하게 접근할 방법인데요. 예를 들어 사용자가 ‘부드러운 이불’을 검색했다고 할게요. 이를 반영한 피드를 만들려면 ‘부드러운’이란 키워드를 적용할 수 있어야 하는데요. 상세 설명에 직접 쓰여 있지 않다고 해도, ‘부드러운’이란 값을 적용할 항목을 뽑아내는 건 LLM이 잘하는 일이라고 생각해요. 또, 이미지와 텍스트의 연결을 강화할 수도 있죠. 어떠한 이미지를 보고 텍스트로 잘 설명하는 LLM이 있다면, 텍스트 중심으로 추천해도 적합한 이미지를 연결할 수 있는 거죠. 다양성을 고려할 때 도움이 되지 않을까 싶어요. 다만 AI 기능의 개선과 확장에 있어서는 기술 자체에 제한을 두지 않아요. 무엇보다 유저를 더 많이 이해하는 방향을 가장 큰 줄기로 잡고 있어요. 유저의 반응을 어떻게 이해해야 할지 찾아내는 것이 핵심이라고 생각합니다. 여기에서 출발해 같이 볼만한, 관심 있을 법한, 구매해 볼만한 것을 집요하게 찾아내 제공하려고 합니다. 더 알아보기. 오늘의집 ML 엔지니어들은 어떤 AI 툴을 쓸까?도미닉: 아이디에이션에 ChatGPT를 많이 쓰게 되는 것 같아요. 혼자 생각하다 보면 사고의 방향이 한 방향으로 흐르기 마련인데, ChatGPT가 당연하면서도 중립적인 의견을 많이 줘서 큰 도움이 됩니다.현: 기존에는 코파일럿을 활용하다가 최근에 커서(Cursor)로 넘어갔습니다. 여러 파일을 동시에 추가할 수 있어서 좋아요.준형: 아이디에이션이나 간단한 코딩에는 ChatGPT, 코파일럿을 쓰고 있습니다. 쉽게 해결되지 않는 코드의 경우에는 클로드(Claude)를 쓰고 있어요. Chapter 3. 3줄 요약① 플랫폼의 또 다른 고객인 셀러를 위한 AI 맞춤형 광고를 개발해 도입② 3D방꾸미기 서비스를 중심으로 이미지 생성형 AI 기능 역시 테스트 진행중③ “AI 기능의 개선과 확장에 있어 가장 중요한 건 ‘유저를 더 많이 이해하는 것’”AI 추천과 맞춤형 광고, 3D방꾸미기의 AI 기능까지. 이토록 복잡하고 어려운 시스템을 만들어 내는 이유는 무엇일까요? 문득 궁금해졌습니다. 인터뷰를 정리하다 보니 엔지니어들이 여러 차례 말한 답변이 눈에 들어왔습니다. “유저에 집중해 더 나은 ‘사용자 경험’을 만들기 위한 것”이라고요. 어쩌면 기술 도입 자체가 목적이 아닌, 사용자 경험을 올리려다 보니 기술을 도입하게 되었을 뿐은 아닐까요. 그 길에 추천과 생성, 그런 AI 기술이 놓여 있었던 것입니다. AI는 흔히 새로운 사용자 경험을 만들어 낸다고 합니다. 다만 이 새로움에는 반드시 ‘고객에게 좋은’이란 수식어가 붙어야 하지 않을까요? ©️요즘IT의 모든 콘텐츠는 저작권법의 보호를 받는 바, 무단 전재와 복사, 배포 등을 금합니다.