※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1816호(2017. 9. 29. 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1787호(2017. 3. 15 발행)에 기고한 원고입니다. 

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

실시간주차정보 센서 vs 기계학습 방식.pdf

[요 약]

[본 문]

ž 주차장 관리는 전통적으로 사물인터넷(IoT)의 전문 분야 중 하나로, 설치된 센서를 통해 차량의 주차 유무를 파악해 전반적인 혼잡 상황을 파악함

Ø 주차 관리 및 혼잡 정보를 발신하는 것은 행정부문의 책임이기도 한데, 따라서 최근 스마트 시티 구축에 나서려는 국가와 도시들은 대체로 센서 기술을 이용해 주차와 차량 관련 정보를 집약, 분석, 제공하려는 시도를 하고 있음

Ø 미국 캘리포니아주 샌프란시스코시의 경우도 주차장에 IoT를 적용하여 혼잡도를 파악하는 ‘SF Park(SF 파크)’라는 실증 실험을 진행하고 있음

Ø 샌프란시스코 시가지에 있는 노상 주차장에는 주차 미터기(Parking Meter)가 설치되어 있는데, 이용자들은 주차 후 동전이나 카드, 앱으로 요금을 지불하게 되어 있음

Ø 주차와 동시에 주자 미터기의 센서가 작동하여 차의 유무를 감지하며, 주자 미터기에 연결된 IoT 전용 네트워크인 ‘시그폭스(Sigfox)’를 통해 주차 공간의 혼잡 정보가 집약됨

ž 샌프란시스코시는 계획대로 IoT 주차 관리 시스템이 완성되면 주차 혼잡 정보를 실시간으로 알 수 있게 될 것으로 기대하고 있으나, 이 작업은 쉽지 않은 일이라는 지적도 있음

Ø 전문가들은 주차 미터기가 주차 여부를 제대로 감지 할 수 있는가 하는 문제가 있기 때문에, 계획대로 주차 혼잡도 정보가 제대로 파악될 수 있을지를 관심 있게 지켜보고 있음

Ø 반면 주차 시간이 아직 남아 있는 상태에서 자동차를 빼는 사람도 있을 텐데, 이 경우에도 주차 중이라고 판단될 가능성이 있음

Ø 이런 이유 때문에 실시간으로 정확한 주차 공간 정보를 파악하는 것은 어려운 작업이며, 현재 실험 중인 주차 미터기 시스템에 보완이 필요하다는 의견이 적지 않음

ž 이에 비해 구글은 접근 방식을 바꿔 센서를 사용하지 않고 알고리즘의 파워를 통해 혼잡 상황을 파악하고 시설을 관리한다는 아이디어를 구현하고 있음

Ø 구글은 소프트웨어를 통해 차량의 흐름을 ‘기계학습(Machine Learning)’으로 분석해 혼잡 상황을 정확히 추정하려고 하는데, 이러한 아이디어는 지난 달부터 시작된 구글 지도의 주차장 혼잡 상태 표시 서비스에 반영되어 있음

Ø 주차장 혼잡도는 ‘수월(easy), 보통(Medium), 한정(limited)’의 셋 중 하나로 표시되며, ‘수월’이나 ‘보통’의 경우 ⓟ가 파란색으로 표시되는데, 이는 주차 공간을 찾기가 어렵지 않아 제 시간에 출발해도 괜찮음을 의미함

Ø 반면, 주차장 상태가 ‘한정(Limited)’일 경우 ⓟ는 붉은색으로 표시되는데, 이는 말 그대로 주차 공간이 한정되어 있어 주차 장소를 찾는데 시간이 걸릴 수 있다는 뜻이므로, 이용자는 주차에 걸리는 시간을 감안해 출발 시간을 조정하는 등의 판단을 할 수 있음

Ø 구글 지도는 주차가 어려울 경우 전철로 이동하는 것이 좋겠다는 등의 대안을 제시하고 있는데, 구글에 따르면 이 주차 정보 서비스를 시작한 이후 실제로 전철로 이동하는 루트의 검색 건수가 급증했다고 함

ž 구글에 따르면 이 서비스를 위해 주차 공간을 파악하는데 ‘크라우드 소싱(crowd sourcing)’과 ‘기계학습’이라는 두 기법을 사용 중이라고 함

Ø 구글은 이 새로운 서비스의 구조를 ‘기계학습을 이용한 주차의 어려움 예측(Using Machine Learning to predict parking difficulty)’이라고 이름 붙여 발표하였음

Ø 크라우드 소싱과 기계학습이라는 두 가지 적용 기술 중 크라우드 소싱은 사용자의 다양한 데이터를 집약하여 이용하는데 사용되고 있으며, 기계학습은 여러 가지 요인을 고려하여 주차 패턴을 분석하는데 사용된다고 함

ž 크라우드 소싱으로 집약되는 데이터에는 사용자의 위치 정보, 체류 정보, 주차장 찾기까지 걸린 시간 정보 등이 포함됨

Ø 주차 혼잡도 정보 제공 서비스를 위해 구글은 구글 지도에서 모은 사용자 위치 정보를 이용하고 있는데, 구글은 일찍부터 사용자 동의 하에 입수한 사용자의 위치 데이터를 이용해 다양한 서비스를 전개하고 있음

Ø 또한 구글 지도는 상점과 레스토랑의 ‘혼잡 시간(Popular Time)’ 및 ‘방문 지속시간(Visit Duration)’ 정보도 제공하고 있는데, 이들은 모두 유용한 정보 도구로서 이미 생활의 일부로 이용되고 있음

Ø 이들 데이터 외에도 구글 지도에서는 사용자에게 ‘주차장을 찾기까지 시간이 얼마나 걸렸습니까?’라는 질문을 보내고 답변을 집약한 후 주차장 찾기의 난이도를 산출한다고 함

Ø 구글은 이를 위한 기법 중 신뢰도가 높은 ‘지상 실측자료(Ground Truth)’ 방법을 사용해 데이터를 수집한다고 하는데, 지상 실측자료는 원격탐사자료를 분석하고 해석하는데 뒷받침이 될 수 있는 자료로 지상에서 직접 측정하고 확인한 보조자료 및 기준 자료를 의미함

ž 그러나 이 크라우드 소싱 방법만으로는 주차장의 정체를 정확히 추정할 수 없는데, 차를 주차하는 패턴의 수가 많고 이러한 요인을 고려할 필요가 있기 때문

Ø 예를 들어, 자동차를 사유지에 주차하는 이용자가 많다면 주차 소요 시간은 짧을 것인데 알고리즘은 이를 주차 여유 공간이 있는 것으로 오인할 가능성이 있음

Ø 또한 이용자가 택시나 버스로 이동한 경우도 주차 소요 시간이 걸리지 않으므로 알고리즘은 주차 공간이 있는 것으로 오인할 가능성이 있으며, 이처럼 주차 공간을 판정하는 데 크라우드 소싱 방식으로는 한계가 있는 것임

Ø 반면, 이용자가 목적지에 도착하여 그대로 시설에 들어갔을 경우에는 주차장이 있었다고 판단할 수 있는데, 구글은 이러한 특징량을 파악하여 알고리즘에 반영하였음

Ø 이 밖에도 목적지의 특수한 조건이나 주차장의 위치에 따라 달라지는 요인도 고려할 필요가 있었다고 하며, 주차 시간과 주차 날짜에 따라 달라지는 조건 등을 도입하였음

Ø 또한 과거의 통계 정보도 이용하였는데, 이런 방식으로 구글은 최종적으로 20개의 모델을 분석하였고 이를 이용하여 알고리즘을 교육했다고 함

ž 앞서 언급한 기계학습 기술이 바로 이 20개 모델의 분석에 사용되었는데, 기계학습의 다양한 방법 중에서도 ‘로지스틱 회귀분석(Logistic Regression)’이 사용되었음

Ø 로지스틱 회귀분석은 변수간 인과관계를 분석하기 위한 통계학의 대표적인 기법으로서, 영향을 주는 변수가 연속형(3개 이상의 값)이고 영향을 받는 변수가 범주형(0과 1의 두 값)일 때 변수 사이의 인과관계를 추정하는 것임

Ø 로지스틱 회귀분석으로 알고리즘을 교육하여 변수를 입력하면 어떤 사항에 대해 그 결과를 예상할 수 있는데, 이 경우에는 운전자의 운행 데이터를 입력하면 주차장을 찾기가 쉬울지 어려울 지를 예측할 수 있음

Ø 이 기법으로 샌프란시스코 도심 주차장의 혼잡을 예측하면 [그림 4]와 같이 시가지를 구획으로 나누어 각 주차장의 정체를 표시하게 되는데, 짙을 수록 혼잡이 심함을 나타냄

Ø 상단은 월요일, 하단은 토요일을 나타내며, 왼쪽은 오전 8시 오른쪽은 오후 9시의 표준적인 혼잡 정보를 표시하는데, 월요일 아침은 상업 지역의 주차장이, 토요일 밤은 관광 명소 지역의 주차장이 붐비는 것을 알 수 있음

ž 전문가들은 구글이 딥러닝(Deep Learning) 기술 부문에서 세계를 선도하고 있음에도 불구하고, 과감히 기계학습 기술을 주차 예측에 적용한 것에 관심을 표시하고 있음

Ø 이런 설명은 신경망은 그 내용이 블랙 박스이기 때문에 작동방식을 이해하기 어렵다는 인공지능 연구의 최신 이슈를 잘 보여주는 것이기도 함(주간기술동향 1778호 최신ICT이슈 ‘답은 맞는데 풀이과정을 알 수 없는 인공지능을 믿어야 할까?’ 참조)

[그림 5] 블랙박스처럼 알 수 없는 신경망

Ø 비단 구글만이 아니라 최근 다른 인공지능 연구 기업들에서도 기계학습을 재검토하려는 움직임이 확산되고 있는데, 신경망 전성 시대가 도래하고 있긴 하지만 오랜 세월에 걸쳐 축적된 기술을 개량하고 잘 이용하려는 시도도 병행하려는 것임을 알 수 있음

Ø 물론 기계학습에 재주목하는 것과 동시에 신경망이라는 블랙박스를 열어 구조를 해명하려는 연구도 더욱 본격적으로 전개될 것임

Ø 구글의 주차장 혼잡 예측 모델을 통해 유추해 본다면 AI 연구의 관점에서 올해의 큰 테마는 기계학습의 개량과 신경망의 해명이라 할 수 있음

ž 아무튼 주차장 혼잡 정보 예상 서비스를 놓고 미국에서는 센서와 알고리즘의 싸움이 시작되었으며, 둘 중 누구의 손이 올라 갈지를 두고 많은 이들이 흥미롭게 지켜보고 있음

Ø 구글과 SF 파크의 노력은 현재 미국 전역에서 전개되고 있는 스마트 시티 개발의 모델 케이스로 주목받고 있으며, 따라서 둘 중 어느 쪽이 경쟁에서 이길 것인지에 대해 지역 주민들뿐만 아니라 전국적인 관심이 높아지고 있는 상황

Ø 물론 수십 조 개의 센서를 활용해 데이터를 수집, 분석하려는 시도에 비해 알고리즘은 보다 비용효과적일 수 있다는 점에서 양자가 대립 구도로 규정되고 있기는 하나, 기술의 정확도 면에서 센서와 알고리즘은 물론 상호 보완적으로 접목될 가능성도 높을 것임

※ 다음 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1763호(2016. 9. 14 발행)에 기고한 원고입니다. 

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

소프트웨어로 정의되는 인간, 유전자 규명으로 건강장수 구현.pdf

[ 요 약 ]

[ 본 문 ]

※ 다음 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1760호(2016. 8. 24 발행)에 기고한 원고입니다. 

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

인공지능 이용 광고카피 작성시스템 퍼사도(Persado).pdf

[ 요 약 ]

◈ 미국의 벤처기업 '퍼사도(Persado)'는 기계학습과 자연언어처리 기술을 이용해 소비자 행동을 고무하는 메시지를 생성하는 시스템을 개발, 서비스하고 있음

• 이 시스템은 "인지적 콘텐츠 플랫폼(Cognitive Content Platform)"이라 부르는 알고리즘을 이용해 사람의 마음을 움직이는 콘텐츠를 생성한다고 함

• 퍼사도의 기능은 주로 웹사이트나 메일, 페이스북 등에 삽입되는 캠페인 메시지를 생성할 때 사용된다고 하는데, 이미 많은 기업에서 사용하고 있음

• 퍼사도는 ‘퍼사도 엔터프라이즈(Persado Enterprise)’와 ‘퍼사도 고(Persado Go)’라는 서비스 상품을 제공 중인데, 퍼사도 엔터프라이즈는 풀 스펙의 플랫폼이며, 퍼사도 고는 기능을 보다 단순화 한 버전임

• 최근에는 검증된 파트너에 한해 퍼사도 시스템을 기업의 내부 워크플로우와 통합하는‘퍼사도 커넥트(Persado Connect)’를 출시했는데, 페이스북, 어도비, 오라클, 세일즈포스닷컴, 더블클릭 등 유수의 기업이 연계하고 있음

• 퍼사도의 활용 사례를 보면, 가령 여행사들이 보통 '기간 한정, 저렴한 항공편 지금 예약하세요'와 같은 광고 메시지를 내보내는 것에 비해, 퍼사도는 ‘나 자신에게 일생에 남을 여행을 선물해 보세요. 지금 출발할까요'와 같은 카피를 만들어 내고 있음

• 위의 사례만 보면 퍼사도가 훨씬 친근감 있는 표현을 구사함을 알 수 있으며, 퍼사도는 실제로 사람이 만든 광고 메시지에 비해 AI가 생성한 메시지를 사용했을 때 전환율(상품을 구매하는 비율)이 평균 49.5% 증가했다는 자체 통계를 내세우고 있음

• 마이크로소프트, 메트라이프, 버라이즌, 씨티은행 등 퍼사도를 이용하고 있는 약 100 개의 기업들이 퍼사도를 이용해 총 10억 달러 이상의 매출을 증대시켰다는 주장

• 인공지능이 인간보다 더욱 매력적인 메시지를 창작해 낼 수 있다는 가능성을 인정받아, 퍼사도는 올해 4월 골드만삭스로부터 3천만 달러를 투자 받았음

[표 1] 퍼사도를 이용한 카피의 재작성 사례

<자료> Persado

◈ 퍼사도의 인지적 콘텐츠 플랫폼에는 우선 마케팅 메시지와 관련된 대규모 데이터베이스와 메시지에 사용된 어휘를 분석하기 위한 ‘사전(ontology)’이 자리잡고 있음

• 퍼사도는 광고 메시지를 통계 기법에 따라 생성한다고 하는데, 수많은 사례에 대한 학습을 통해 전환율을 높일 수 있는 단어의 배열을 생성하는 것이라고 함

• 알고리즘은 마케터들이 주로 사용하는 카피라이팅 약 100만 단어와 문구를 축적해 메시지가 각 사용자에게 제공하는 감정을 분석한 후, 메시지 형식, 문장의 구조, 감정적인 단어의 행위 유발에 따른 마케팅 소구 등을 기반으로 점수화 하게 되며, 이를 토대로 메시지를 작성한 다음 최적화하여 23개 언어로 번역하게 됨

• 퍼사도는 우선 말을 세 가지 범주로 분류하는데, 첫번째 ‘서술(Descriptive)’ 범주에는 묘사와 설명을 하는 단어와 문장들이 속하며, 두번째 ‘감정(Emotional)’ 범주에는 소비자의 감정에 호소하는 언어들이 속하고, 세번째 ‘기능(Functional)’ 범주에는 '버튼을 클릭하세요' 등과 같이 다른 행위들과 이어지는 행위와 관련해 설명하는 말들이 포함됨

• ‘감정’ 범주로 구분되는 말들은 다시 ‘감정적 언어(Emotional Language)’라 불리는 트리 구조로 분류되는데, 크게 ‘긍정적(Positive)’과 ‘부정적(Negative)’으로 분류되며, 그 아래 다시 소분류들이 이어짐

• 가령 ‘긍정적(Positive)’ 범주 아래에는 기쁨(Joy), 성취(Achievement), ‘격려(Encourage)’ 등의 소분류가 있음

• 이런 분류 체계는 ‘감정의 사전(Ontology of Emotion)’이라 불리며, 어휘의 의미와 함께 다른 어휘와의 관계를 보여주는데, 사전은 약 25만 단어로 구성되어 있다고 함

<자료> Persad

[동영상] 퍼사도 작동 방식

◈ 인지적 콘텐츠 플랫폼은 정의된 ‘감정적 언어’를 이용해 메시지를 생성하는데, 이 알고리즘은 기계학습을 통해 강화됨

• 퍼사도는 ‘감정적 언어’ 분류 체계를 사용하여 콘텐츠를 생성하는데, 단어 퍼즐을 풀 듯 단어를 조합하여 메시지를 생성한다고 함

• ‘감정적 언어’ 체계에서 동일하게 긍정적 분류에 속하는 말들이라고 해도 그 효과는 크게 다른데, 가령 ‘고급스러움(Exclusivity)’은 크게 도움이 되는 쪽으로 작용하지만, ‘흥분(Excitement)’은 반대로 마이너스 작용을 함

• 퍼사도는 수많은 벤치마크를 통해 효과를 분석함으로써 문자열을 최적화 해 나가게 되는데, 이 때문에 단어 퍼즐을 푸는 듯이 메시지를 생성한다고 하는 것임

• 퍼사도는 과거의 캠페인에서 쓰였던 메시지 샘플을 수집한 후, 이것들을 시스템으로 수정, 편집한 다음 반복해서 효과를 검증해 나가는 방식, 즉 생성된 메시지의 효과를 측정하고 기계학습 기법으로 기능성을 계속 높여 나가는 방식을 채택하였음

◈ 이처럼 퍼사도는 ‘감정’ 카테고리로 분류되는 말을 유효하게 조합하는 기법을 통해 사람의 마음을 움직이는 메시지를 생성하는데, 그 효과는 많은 캠페인에서 입증되고 있음

• 아메리칸 익스프레스(American Express)의 경우 배너 광고의 카피를 퍼사도를 이용해 수정하였는데, 퍼사도로 카피를 만들면서 소비자의 클릭 비율이 약 3배 가량 늘었다고 하며, 전환율 역시 약 2.5 배가 되었다고 함

• 언뜻 보면 기존에 카피라이터가 작성한 카피와 퍼사도가 작성한 카피 사이에 큰 차이는 없어 보이지만, 벤치마크에서는 이처럼 크게 차이가 났음

• 퍼사도가 사용한 ‘곧 종료(Ends Soon)’라는 말이 긴장감을 부추기고 소비자에게 구매를 서두르게 한 것이라 해석할 수는 있지만, 퍼사도 시스템은 정확하게 전환율이 높아진 이유까지는 해명할 수 없다고 하며, 이 점은 아직까지 AI 역량의 한계이기도 함

◈ 퍼사도는 광고 캠페인뿐 아니라 다양한 분야에서 활용 방식을 개발하고 있는데, 그 중 하나가 디지털 헬스케어 분야에서 병원과 환자간 효과적 의사 소통하는 방법의 개발임

• 오바마케어의 목표에 따라 미국 의료기관들은 환자를 치료하는 일뿐만 아니라 질병관련 표준 치료 프로세스를 확립하고, 치료 효과를 높이며 비용을 낮추는 방향으로 업무를 개선하는 방안을 연구하고 있음

• 이러한 연구를 ‘임상경로 개발(Clinical Pathway)’이라 부르는데, 퍼사도와 의료기관들은 우선 당뇨병이나 고혈압 환자의 치료에 시범사업을 시작하고 있음

• 의사는 환자에게 치료를 위한 지도를 함에 있어, 어떻게 환자를 납득시킬 것인가 하는 부분에서는 퍼사도의 기술을 활용하게 됨

• 가령 당뇨환자가 온라인 사이트에서 식사 지도를 받을 때, 어떤 순서의 단어 배열이 환자를 보다 잘 설득하고 실제 행동으로 이어지게 하는지를 연구하고 있음

• 또한 복약 지도에도 활용이 되는데, 가령 환자에게 약을 복용하라는 메시지로는 ‘4시가 되었습니다. 처방한 약을 복용하세요’ 등이 일반적이지만, 퍼사도는 ‘할아버지, 약 먹을 시간이에요. 당신 가족들은 당신이 건강하기를 원해요’라는 메시지를 생성함

• 이처럼 미국 의료기관들은 환자를 의사가 자의적인 방식으로 이끌게 하는 것이 아니라, 환자가 건강한 생활을 하도록 촉진하기 위해 어떻게 설명해야 하는지에 대한 연구를 퍼사도와 공동으로 수행하고 있음

• 최근 헬스케어 분야의 주요 컨셉인 ‘계량화 된 자아(Quantified Self)', 즉 소비자가 웨어러블 기기 등을 통해 신체 데이터를 수집하고 이를 건강 유지를 위해 활용하려는 움직임에도 퍼사도를 이용할 수 있음

• 애플워치 등의 웨어러블 기기에도 건강 관리를 위해 메시지가 표시되지만, 소비자의 대부분은 이를 기분 좋게 받아들이고 있지 않음

• 디스플레이에 ‘일어날 시간입니다’와 같은 메시지가 표시되더라도 이 메시지를 보고 행동에 옮기는 사람은 많지 않은데, 이 점에 관련해 퍼사도는 이용자의 동기를 높여 주는 메시지는 어떻게 작성되어야 할 것인지를 연구하고 있음

◈ 이 밖에 금융기관, 공공 서비스 기관 등도 퍼사도에 관심을 보이고 있는데, 주로 고객관리 관점에서 사용자의 지불을 효과적으로 이끌어 내는데 목적이 있음

• 금융기관들은 퍼사도의 활용에 대해 높은 관심을 보이고 있는데, 매일매일의 트랜잭션에 대한 메시지를 퍼사도로 생성하여 더 많은 유동성을 이끌어 내기를 기대하고 있음

• 위성 라디오 업체인 시리우스 XM은 이용자들이 요금을 지체 없이 납부하도록 유도하기 위해 전달하는 메시지를 퍼사도로 만들고 있음

• 요금 납부가 늦어지면 가령 전기 회사의 경우 현재 ‘전기 중단’과 같은 위협적 메시지를 보낼 뿐이나 이를 기분 좋게 받아들일 소비자는 없음

• 반대로 카드 결제가 연체되었을 때 카드회사가 ‘바쁘신 것은 알겠지만..’이라고 말해주면 조금이나마 기분이 편해질 수 있을 것임

• 이처럼 소비자에게 지불을 촉구하는데 어떤 문자 배열이 최적인지 알아내기 위해 퍼사도는 아메리칸 익스프레스 등과 공동으로 개발을 진행하고 있음

◈ 또한 다른 사람의 환심을 사기 위해 퍼사도를 활용하기도 하는데, 데이트 앱 서비스에서 활용되고 있으며, 최근에는 정치 캠페인과 선거 운동에서 활용도 점쳐지고 있음

• 미국에서는 데이트 상대를 찾는 앱이 폭넓게 사용되고 있는데, 위험한 것들도 있지만 대부분의 앱은 만남 상대를 찾기 위한 유용한 도구로 일상생활에 자리잡고 있음

• 틴더(Tinder)처럼 젊은이들 사이에 폭발적으로 확산된 앱도 있는데, 퍼사도는 틴더 앱의 기능으로 포함되어 남자가 여자를 초대할 때의 메시지 작법에 대해서 조언하고 있음

• 여성에게 ‘오늘밤 밖에 나가고 싶지 않아?’라고 해서는 안되고, ‘오늘은 야외에서 어울리기에 멋진 날이군요?’라는 식으로 말하라고 지도해 주는데, 얼마나 효과가 있는지 벤치마크 결과는 공개되어 있지 않지만, 퍼사도는 새로운 활용 모델이 될 것으로 기대하고 있음

• 선거에서 유권자에게 전달하는 메시지의 생성에도 퍼사도가 사용되고 있는데, 선거는 이미 SNS나 메일, 메시징 등 디지털 싸움이 되고 있기 때문

• 유권자 모임 등 캠페인 활동에 참여를 촉진하기 위해, 또한 자원봉사 활동 참가자를 모집하기 위해 퍼사도가 사용되고 있는데, 퍼사도는 어떤 단어의 배열이 효과적인지 그 결과까지 검증해 주고 있음

• 미국은 현재 민주, 공화 양당의 대통령 후보가 정해지고 본격적인 선거전이 시작되었는데, 양 진영의 선거 캠프에서 유권자에게 전달하는 메시지를 퍼사도와 같은 인공지능으로 만들고 있을 가능성도 배제할 수 없음

◈ 최근 관심이 높아지고 있는 퍼사도의 기술을 행태주의 마케팅(Behavioral Marketing)으로 볼 것인지, 심리학(Psychology)으로 볼 것인지에 논란이 계속되고 있음

• 전자는 소비자의 행동에 따른 광고 기법을 의미하는데, 소위 타겟팅 광고에서 골프 뉴스를 보고 있으면 골프 제품의 광고가 표시되는 방식이며, 후자는 심리학에서 소비자의 심리를 이해하고 광고를 전달하는 방법을 가리킴

• 메시지를 받은 소비자가 어떻게 생각할 것인지에 대해 퍼사도는 파악할 수 없으며, 다만 퍼사도는 소비자가 특정 메시지를 받으면 그것에 어떻게 반응하는지를 경험적으로(결과적으로) 파악하고 있음

• 퍼사도는 행태주의 마케팅과 심리학의 경계에 서 있는 회사로 자리매김 할 수도 있고, 또한 퍼사도를 말을 엔지니어링 하는 기업으로도 정의할 수 있을 것임

◈ 그러나 기술의 성격이 무엇이냐 보다 중요한 것은, 이미 미국 시장의 큰 흐름은 텍스트를 사람이 직접 작성하는 방식에서 알고리즘을 통해 생성하는 방식으로 바뀌고 있다는 점

• 알고리즘은 이미 주가 정보나 스포츠 경기 결과처럼 단순 사실 전달이 목적인 스트레이스성 기사 작성에 활용되고 있는데, 인터넷 미디어에서만 실험적으로 진행되는 것이 아니라, 포브스 등 유수의 미디어들도 적극적으로 도입하고 있음

• 퍼사도는 여기서 한발 더 나아가 사람의 감정에 어필해야 하는 메시지 작성에 알고리즘을 이용한 것이고, 보다 주목할 것은 알고리즘이 인간 카피라이터보다 효과적인 메시지를 생성할 수도 있다는 점

• 이 때문에 시장에서는 이제 인공지능이 카피라이터의 일자리도 빼앗는 것이 아니냐는 위기감도 나오고 있음

• 다른 한편에서는 퍼사도는 어디까지나 인간의 창작 활동을 지원하는 도구에 불과하다는 의견도 내놓고 있기도 함

• 인간이 쓴 글을 퍼사도가 다듬어 손질할 수도 있고, 아니면 그 반대로 활용할 수도 있을 것이며, 현재 글을 쓸 때 맞춤법 검사기를 돌려보는 것처럼, 앞으로는 워드 프로세서로 쓴 글을 퍼사도가 첨삭하는 식으로 이용할 수도 있다는 것

• 인간을 대체할 것이라거나 인간의 도구가 될 것이라거나, 어느 쪽도 일리가 있는 의견이지만, AI가 꾸준히 인간의 일에 근접해 들어오고 있다는 것은 확실해 보임