[그것이 알고 싶다] 넷플릭스에도 사용된 기술, 머신러닝

[그것이 알고 싶다] 넷플릭스에도 사용된 기술, 머신러닝: 김효빈 / 기사승인 : 2021-01-30 09:10:31

최근, 코로나19 때문에 일명 ‘집콕 생활’이 익숙해지면서 온라인 동영상 서비스(이하 OTT) 시장이 지속해서 성장하고 있다. OTT 시장의 대표주자인 ‘넷플릭스’는 지난 19일(현지 시각), 실적 발표 도중 “지난해 전 세계 유료 가입자가 2억 366만 명으로 집계되었다”라며, “2020년 4분기에만 회원이 약 850만 명이 증가하였다”고 덧붙였다.

이처럼 넷플릭스는 코로나19로 인한 현대인의 집콕 생활을 책임지고 있다. 하지만, 일부 이용자는 넷플릭스를 이용하며 의문을 가지기도 한다. 넷플릭스에서 제시하는 ‘추천 콘텐츠’가 개인의 취향에 딱 들어맞기 때문이다.

추천 콘텐츠 서비스는 이용자의 취향, 성향에 맞춰 이용자가 관심을 가질만한 콘텐츠를 추천해, 지속해서 넷플릭스를 이용하게끔 만드는 서비스이다. 실제로 넷플릭스 전체 영화 시청의 75%가 추천을 통해 이루어진다고 발표될 정도로, '추천 콘텐츠'는 넷플릭스 열풍의 주요 요인 중 하나라고 할 수 있다.

여기서 잠깐, 그렇다면 넷플릭스는 어떻게 개인의 취향에 딱 들어맞는 콘텐츠를 추천해 줄 수 있는 것일까?

요즘은 기계도 공부해요, 머신러닝

넷플릭스의 추천 알고리즘에는 ‘머신러닝(Machine Learning)’이라는 기술이 사용된다.
머신러닝은 ‘컴퓨터 과학 중 인공지능의 한 분야로 컴퓨터에 명시적인 프로그램 없이 학습할 수 있는 능력을 부여하는 연구 분야’를 뜻한다. 즉, 데이터를 기반으로 알고리즘을 통해 기계가 스스로 학습하고 이를 바탕으로 예측하여 판단이나 결정을 출력해내는 기술인 것이다. 학습의 기반이 되는 데이터의 양이 많을수록 머신러닝의 정확도와 신뢰도는 높아진다.

머신러닝으로 만든 연결고리, 알고리즘
위에서 언급한 머신러닝을 이용해 추천 알고리즘을 만들어 낼 수 있다. 추천 알고리즘은 크게 ‘협업 필터링’과 ‘내용 기반 필터링’, 두 가지 방법으로 나뉘어 진다.

협업 필터링은 유저들의 행동 정보를 분석해 얻은 기호 정보에 따라 해당 유저와 비슷한 성향의 사람들이 기존에 좋아했던 항목을 추천해 관심사들을 자동으로 예측하는 방법이다. 이는 대상의 구체적 특성을 분석할 필요가 없는 직관적인 방식이나 기존 정보가 필수적으로 필요하다는 점에서 유저의 수가 많은 경우 효율적으로 이루어질 수 없다는 단점이 있다.

한편, 내용 기반 필터링은 대상 자체를 분석해 추천을 구현하는 방식으로 유저의 특성을 비교해 사용자가 선호할 만한 콘텐츠를 제공하는 기술이다. 데이터를 분석한 프로파일과 사용자의 선호도를 추출한 프로파일을 추출해 유사성을 계산하여 선호할 만한 상품을 제공하는 것이다. 이는 새로 시작할 때의 곤란함은 없으나 다양한 형식의 대상을 추천하기는 어렵다는 단점이 있다.

취향 존중? 맡겨만 둬. 넷플릭스의 모델 기반 협력 필터링
넷플릭스의 추천 알고리즘 방식을 한 단어로 이야기해보자면, 앞서 언급한 방법들에 기반해 이를 고도화한 ‘모델 기반 협력 필터링(Model-based Collaborative Filtering algorithm)’이라고 할 수 있겠다.

넷플릭스는 내용 기반 필터링의 방식을 사용하여 영상을 섬세하게 분류할 수 있도록 태그화한다. 이와 더불어 협업 필터링을 좀 더 발전시켜 활용하고 있다. 우선 기본적으로 사용자의 인구 통계적 정보는 제외하고 시청기록, 좋아요, 시청 시간대, 영상시청 기기, 등의 정보를 수집하고 분석해, 비슷한 시청 형태를 보인 이용자끼리 분류하는 것이다.

이를 통해, 수집된 데이터를 입력해 머신러닝 기술을 이용하면 추천 콘텐츠가 나타나게 된다. 실제로 넷플릭스를 처음 이용할 때는 태그를 바탕으로 알고리즘이 취향에 맞는 콘텐츠를 제공해주지만, 이용자가 서비스를 더 많이 사용할수록 머신러닝 때문에 더 정확한 결과가 나오게 된다.

이처럼 머신러닝은 우리가 자주 사용하는 넷플릭스의 서비스에도 활용되고 있다. 주변에서도 쉽게 찾아볼 수 있는 머신러닝은 OTT 서비스 뿐만 아니라 IT 업계, 마케팅, 금융계 등 다양한 방면에서 이용되고 있다. 계속해서 해당 기술들이 발전하고 있는 요즘, 우리는 이 기술들이 어떠한 방향으로 어떻게 성장해나갈지 주목하는 것이 필요해 보인다.