비즈
인문
자기계발
Trend
Briefing
  브랜드를 감춰라
저   자 : 윌리엄 에이머먼(역:최경남)
출판사 : 쌤앤파커스
출판일 : 2021년 06월

  • 브랜드를 감춰라


    출현

    디지털 마케팅과 알고리즘

    광고 시장의 진화

    1994년에 출현한 온라인 디스플레이 광고(온라인에서 이미지나 동영상 등 시각 요소를 활용한 광고 형태.-옮긴이)는 언젠가 기계가 인터넷의 광고의 배치를 자동화할 수 있다는 새로운 가능성을 보여주었다. 초기 광고 배치는 광고주가 이메일이나 전화 그리고 호화로운 점심 접대 등 전통적인 방법으로 웹 사이트 소유주와 협상하는 직접적인 방식으로 진행되었다.


    현재의 온라인 광고 사업은 더 이상 회의를 겸한 점심 식사 자리에서 진행되는 설득에 의해 좌우되지 않는다. 거대한 규모의 애드 익스체인지(ad exchange, 여러 애드 네트워크 사이의 온라인 광고 거래 플랫폼.―옮긴이)의 등장으로 지난 10년간 온라인 광고 시장은 자동화되었다. 이 같은 변화 속에 매체사와 광고주는 이 교환이라는 개념을 수용했다. 그 이유는 기술 발전으로 내셔널 브랜드(전국 규모로 유통되는 브랜드.-옮긴이)를 광고주로 유치할 여력이 없는 소규모 지역 매체와도 연결해 주는 역할을 했기 때문이다. 역으로, 내셔널 브랜드는 광범위한 지역 매체사와의 광고 거래를 통합 운영하는 데 애드 익스체인지를 활용할 수 있었다.


    이 수요-공급 시장에서 기업이 어느 쪽에 위치하든 이러한 거래를 가능하게 하는 플랫폼을 개발했다. SSPs(supply-side platforms, 공급자 플랫폼.-옮긴이)에서는 매체사들이 여유 광고 영역을 현금화할 수 있도록 돕고, DSPs(demand-side platforms,수요자 플랫폼.-옮긴이)에서는 광고주가 원하는 소비자에게 광고가 도달할 수 있는 보다 효율적인 여유 광고 영역을 찾도록 돕는다. 이런 과정을 통해 SSPs와 DSPs가 함께 온라인 광고 산업에 자동화된 효율성을 가져왔고, 프로그래밍된 알고리즘은 광고 거래에 참여하는 중개인, 애드 네트워크와 나란히 경쟁하기 시작했다. 이것은 후에 프로그래매틱 광고(programmatic advertising, 프로그래매틱이란 program과 automatic의 합성어이다. 자동화된 프로그램을 이용한 디지털 광고를 뜻한다.-옮긴이)로 자리를 잡는다.


    실시간 광고 경매

    놀랍게도 프로그래매틱 광고 시장에서는 200밀리초(1밀리초는 1,000분의 1초이다.-옮긴이)도 걸리지 않는 시간 내에 거래 결정이 내려진다. 이것이 어떻게 가능한지 이해하기 위해서는 먼저 디지털 애드 익스체인지를 구현한 기술이 무엇인지 이해해야 한다. 우선 공급측에 있는 매체사들을 광고 공간을 경매에 내놓는 대형 경매 전문 기업이라고 생각하자. 수요측에 있는 입찰자들은 매체사들로부터 광고 공간을 구매하고자 하는 광고주들이다. 이 사이에 모든 입찰을 통제하고 입찰 막바지에 망치를 두드리며 낙찰자를 결정하는 경매인, 즉 애드 익스체인지가 있다. 마치 유체 평형을 추구하는 물처럼 광고는 최저의 가격으로 최고의 트래픽을 추구한다. 인적, 물적 네트워크와 전화 통화, 스프레드시트를 통해 광고를 경매 처분하는 프로세스는 시간이 많이 소요되고 힘들다. 애드 익스체인지는 광고 역사에 있어 가장 큰 변화를 가져온 혁신, 즉 RTB(real-time bidding, 실시간 입찰.-옮긴이)로 이어졌다.


    주식 거래처럼 RTB는 광고를 눈에 보이는 상품으로 바꾼다. 즉 웹 이용자에게 광고가 노출되는 횟수가 상품이 되는 것이다. 어떤 이용자가 웹 페이지에 접속하면 알고리즘은 이 이용자에 대한 정보를 거대한 경매에 입찰하는 수많은 잠재적 광고주들의 니즈와 연결해주고 아주 짧은 순간 사이 낙찰된 광고가 곧바로 해당 웹 페이지에 게시되도록 한다. 알고리즘은 실시간으로 가격을 정하고 광고를 집행한다. 매체사, 광고주, 소비자는 거대한 광고 집행 메커니즘의 구성 요소가 된다.


    설득의 방정식

    사람들이 특정한 방식으로 행동하도록 설득하는 데 필요한 역량의 이면에는 일련의 법칙이 존재한다. 마케터와 광고주는 자신의 제품을 구매하거나 서비스를 이용하도록 설득하려는 목적으로 이러한 법칙을 규칙적으로 사용한다.


    설득의 기술이 사실은 기술이 될 수 없다는 점에 대해 살펴보는 데서 시작하자. 설득은 구체적 원칙으로 압축할 수 있는 과학이다. 유튜브에 게시된 영상 중에 ‘설득의 과학’이라는 제목의 영상이 있었다. 이 영상은 누군가를 설득할 가능성을 높이는 데 사용할 수 있는 강력한 기법의 이면에 있는 과학에 대해 이야기하고 있었다. 성공적인 설득을 위해 기억해야 할 것은 다음과 같다.


    * 대가성 : 일반적으로 자신이 뭔가를 받았을 때 화답해야 한다는 강박을 느낀다.

    * 희소가치 : 일반적으로 흔치 않다고 인식하는 것들을 탐낸다. 특히 기회를 놓쳤다는 두려움을 느낄 때 더 그렇다.

    * 권위 : 일반적으로 종종 권위를 가진 사람들이 그들에게 기대한다고 믿는 것을 한다.

    * 일관성 : 일반적으로 다른 사람에게 약속한 무언가에 대해 일관성 있게 행동해야 한다는 강박을 느낀다.

    * 애호: 일반적으로 자신과 유사한 사람, 자신과 관련이 있는 사람에게 더 우호적으로 반응한다.

    * 일치 : 일반적으로 자신과 같은 사람을 흉내 낸다.


    과거에 자신의 생일을 기념해 선물을 준 사람의 생일이 다가오면 선물을 줘야 한다는 부담, 즉 대가성을 경험한다. 옛말에도 있듯이 “뿌린 대로 거둔다.” 혹시 더 많은 저녁 식사 자리에 초대를 받고 싶은가? 그렇다면 저녁 식사 자리를 먼저 더 많이 제공하면 된다. 마케터도 이를 알고 있다. 여러분도 어떤 상품이나 서비스의 이벤트 내용이 담긴 이메일을 받아 본 적이 있는가? 이러한 선물을 보내는 마케터는 대가성을 통해 다시 돌려받을 것을 기대한다. 한번 사용해보고 구매하라는 의미이다!


    희소가치는 사실상 홈쇼핑의 근간을 이루고 있다. “주문 마감 시간이 얼마 남지 않았습니다!”, “지금도 많은 분이 주문하고 계십니다!” 여러분도 이러한 멘트를 한 번쯤은 들었을 것이다. 재고는 한정되어 있고, 지금 구매하지 않으면 일생에 한 번 있는 기회를 놓치게 될 것이라고 느끼게 된다. 사람들은 공급이 부족하다고 믿으면 필요하지 않은 것을 구매해야 한다는 부담을 느낄 수 있다.


    권위는 마케팅과 미디어 환경의 도처에서 두드러진 역할을 한다. 닥터 오즈와 닥터 필(미국의 유명 TV 프로그램 사회자들.-옮긴이)은 너무나 익숙한 얼굴이 되어서 권위 있는 인물로 캐리커처로까지 표현되기도 했다. 이들이 진짜 의사가 맞는가? 그런데, 그것이 중요한가? 이들은 사람들에게 조언을 하고 지지를 표현하면서 순전히 개성의 힘을 통해 일반 대중을 설득할 수 있다. 이들은 자신들이 지닌 설득력이 거부할 수 없는 것이라는 권위를 대중과 함께 조심스럽게 쌓아왔다.


    일관성은 또 하나의 중요한 요소다. 우리는 어릴 때부터 일관적인 것이 보상을 안겨줄 것이라고 배운다. 이는 우리가 삶에서 잊지 않는 교훈이다. 따라서 누군가에게 무엇을 할 것이라고 말하면 그것을 끝까지 해야 한다는 부담을 느낀다. 설문지를 작성하겠다고 약속한 사람은 결국 작성하게 될 가능성이 높다. 그게 인간의 속성이다.


    사람들을 좋아하는 것을 더 신뢰한다. 누군가에게 호감을 가지면 그가 요청한 일을 더 쉽게 수락하는 경향을 보인다. 어떤 방식으로든 자신이 누군가와 연관된다면 그들은 설득에 성공할 가능성이 커진다. 내가 새로 산 셔츠가 좋아 보인다고 말하거나, 같은 음악을 듣거나, 내 반려견과 같은 종류의 반려견을 키운다고 한다면 제법 친해질 수 있다. 결국 그들의 제안을 더 잘 수용하고 그들을 화나게 하는 일은 피할 것이다.


    일치는 십 대 시절을 겪은 모든 이들이라면 익숙할 것이다. 학교에서 볼 수 있는 모든 또래 모임의 핵심에는 주변 사람과 비슷해지고 싶다는 욕망이 존재한다. 사람들이 뭔가를 하고 있다면 분명 이유가 있기 마련이다. 그래서 함께 해야 한다는 생각을 하게 된다. 일치는 틀림없이 선조들에게 있어 매우 유용했던 생존본능이었을 것이고 현재까지도 꽤 잘 지속되고 있다.


    사방에서 수집되는 데이터

    학습하는 기계

    우리는 이제 새로운 기계 학습의 시대에 접어들었다. 나의 대학원 교수진 중 한 분의 표현을 빌리면, “전적으로 새로운 통계학의 분야”가 탄생했다고 할 수 있다. 구글의 컴퓨터 과학자인 조지 달은 한 인터뷰에서 기계 학습을 다음과 같이 설명했다. “이성적으로 생각해 보자. 기계 학습은 비선형 회귀(nonlinear regression)이다.” 이는 수집된 데이터를 모델에 연결하는 그저 통계적인 분석 유형의 하나이다.


    이제는 결론을 도출하기 위해 많은 데이터를 수집해 분석하기보다 목표와 핵심 성과 지표를 추진하는 과정에서 실시간으로 수집되는 데이터를 바탕으로 지속적 개선이 가능하다. 이는 상호 작용에 관한 것으로, 단 1초도 안 되는 시간에 확보할 수 있는 최신 가용 정보를 바탕으로 새로운 통찰력, 예측, 처방을 만드는 것에 관한 문제이다. 기계는 실시간으로 입력된 각기 다른 데이터를 기반으로 학습을 한다. 이제 우리는 은유의 거울을 통과해 통계의 왕국에 들어섰다. 여기에서 기계는 느긋하게 앉아 과거에 무슨 일이 일어났는지 추세를 파악하는 것보다 학습을 하고 복잡한 알고리즘에 기반해 미래에 어떤 실험을 수행할지 결정한다. 앞에서 예로 든 항공기의 유지 및 보수에 대한 내용에서 보았듯, 뭔가가 실패할 것이라고 예측하는 것과 실패하기 전에 그 문제를 해결하는 것은 전혀 다른 문제이다.


    이는 마케팅과 광고 영역에 극적 영향력을 미쳤다. ‘알고리즘이 데이터를 분석하고 학습에 기반한 미래 의사 결정을 하는 것’으로 정의할 수 있는 기계 학습의 능력 덕분에 우리는 어떤 메시지가 잠재 고객이 의도한 방식으로 행동하도록 설득하는 데 효과적일지 실시간으로 판단할 수 있다. 캠페인을 집행하고, 결과를 측정하고, 결론을 내린 다음 캠페인을 다시 집행할 때까지 기다리지 않아도 되는 것이다. 이 모든 것은 기계가 마케팅 목표를 달성하는 것에 매진하는 과정에서 신속하게 실험을 수행하고 알고리즘에 실험 결과를 반영하면서 실시간으로 일어나고 있다. 이 분야의 유명한 전문가인 워싱턴 대학교의 페드로 도밍고스 박사는 이렇게 말했다. “기계 학습은 결코 무에서 유를 창출할 수 없다. 기계 학습이 하는 일은 적은 것에서 더 많이 얻어내는 것이다.”


    알고리즘의 기초

    알고리즘에 대한 교과서적 정의는 다음과 같다. “입력을 출력으로 바꾸어 놓는 연속적인 컴퓨팅 과정이다.” 다음과 같이 정의하기도 한다. “간단히 말하면 ‘그리고’, ‘또는’, ‘그러나’와 같은 진술로 다음 단계에서 무엇을 해야 하는지 컴퓨터에 전달하는 것이다. 이를 수학으로 생각해보라. 꽤 단순하게 출발하지만, 확장되면 무한하게 복잡해진다.” 아이들에게 코딩을 가르쳐주는 교육 플랫폼 웹 사이트인 틴커에서는 다음과 같이 표현한 바 있다. “문제를 풀거나 과업을 완수하기 위한 상세한 단계별 명령어 집합 또는 공식이다. (중략) 가장 일반적인 방식으로 생각하면 알고리즘은 컴퓨터 작업과 관련된 것뿐만 아니라 도처에 있다. 음식을 만들기 위한 레시피도 알고리즘이고 셔츠나 바지를 접는 과정도 알고리즘이다.”


    나는 여기서 수학과 관련해 전문적으로 깊게 파고들 것은 아니지만, 알고리즘을 이해하고 싶다면 어떤 유형의 결과를 찾느냐에 따라 다르기는 해도 수학이 크게 관여된다는 사실을 아는 것이 중요하다. 페이스북에 광고를 집행하는 것이나 구글에 관련된 뉴스를 전달하는 것 같은 작업을 위한 AI를 프로그래밍할 때 선택할 수 있는 많은 알고리즘 카테고리가 존재한다.


    데이터 사이언티스트가 어떤 유형의 알고리즘이 목적에 가장 잘 부합하는지 결정할 때 다음과 같은 변수에 기반해 결정을 내린다.


    * 데이터의 크기, 품질, 본질

    * 컴퓨터 가용 시간

    * 과제의 긴급성

    * 데이터 활용 의도


    알고리즘을 정의하는 특성 중 하나는 지도 학습 여부이다. 데이터가 일련의 기준으로 분류되어 있거나 예시로 프로그래밍되어 있는지, 혹은 전혀 분류되지 않은 데이터를 알고리즘이 스스로 분류하도록 해 지도 학습이 필요하지 않은지 살펴야 한다. 지도 학습 알고리즘의 좋은 예는 의사 결정 나무로 이것을 통해 알고리즘 내에 여러 가용한 옵션을 배치한다. 비 지도 학습 알고리즘에는 큰 데이터 세트 내에서 패턴을 찾으라는 과제가 부여될 수도 있다. 그리고 이 두 알고리즘 사이 어딘가에 위치하는 준 지도 학습 알고리즘도 있다.


    기계 학습에 대한 또 다른 중요한 유형의 알고리즘은 강화 학습으로 최상의 결과를 얻는 방법을 배우기 위해 시행착오 방식을 채택하도록 설계된 알고리즘을 일컫는다. 일론 머스크에 의해 시작된 오픈 AI는 HER(Hindsight Experience Replay)라고 불리는 오픈소스 알고리즘을 공개했다. 예를 들어 HER는 자전거 페달을 밟기 전에 받침대를 올리는 것을 잊는 것 같이 과거의 실패를 통해 학습하게끔 되어 있는 알고리즘으로 성공 못지않게 실수를 통해서도 많은 것을 학습한다.


    예측은 궁극적인 목표가 아니다. 마케터가 정말로 필요한 것은 바람직하지 않은 결과를 피하고 긍정적 결과를 증대시킬 수 있는 조치를 취할 수 있는 처방적 알고리즘이다.



    통합

    심리 공학과 마케팅 전략

    넷플릭스가 영화 추천 알고리즘에서 데이터를 어떻게 활용하는지 한번 생각해 보자. 한 보고서는 추천을 제대로 하는 것이 고객의 이탈을 감소시키는 데 도움을 주어 새로운 고객을 확보하는 데 소비할 수도 있었던 예산을 매년 10억 달러의 이상 절약해준다고 한다. 추천 엔진은 이용자가 대체로 감지할 수 없는 일종의 타깃 중심, 데이터 주도, 개인 맞춤형 광고를 제시한다.


    마케터가 핵심적으로 이해해야 하는 것은, AI가 소비자들이 온라인에서 선택할 수 있는 어지러울 정도로 많은 선택지를 탐색하는 데 기본적으로 사용하는 필수 요소가 되고 있다는 점이다. 이는 알렉 사 같은 음성 기반 디지털 개인 비서에 관해서는 더욱 그렇다. 소비자는 어떤 브랜드의 상품을 구매할지 결정하기 위해 이러한 개인 비서에게 점점 더 의존하게 될 것이다. 아이비 비즈니스 스쿨의 니라지 다와르 교수가 『하버드 비즈니스 리뷰』에서도 언급했듯, “소비자의 충성은 신뢰할 수 있는 브랜드에서 신뢰할 수 있는 개인 비서로 옮겨갈 것이다.”


    미디어 비즈니스의 변화

    우리는 예전 미디어 비즈니스 모델이 붕괴하고 있는 현장에서 서 있다. 실시간 입찰과 광고 배치는 ‘잘 모아둔 소비자 집단을 판매한다’는 기존의 개념을 파괴하고 있다. 보이지 않는 브랜드는 동시에 수천 개의 웹 사이트에 광고를 집행할 수 있고, 어떤 종류든 원하는 타깃 집단을 실시간으로 모을 수 있기 때문에 매체사로서는 더 이상 사람들을 모으고 쥐고 있는 것이 의미가 없게 되었다. 매체사는 대형 광고 거래소에서 진행되는 거래에 참여하지 않고 남아 있는 광고 영역을 비울 수도 있게 된다. 또는 할인된 가격으로도 광고를 받아들이거나 지난 수년 동안 요구했던 광고비보다 훨씬 낮은 금액을 받을 수도 있다.


    결과적으로 21세기의 매체사는 존재의 의의를 유지하고 매출을 올리기 위해 적어도 3가지의 취할 수 있는 방법이 있다.


    * 시선을 사로잡는다 : 손실을 피하기 위한 첫 번째 방법은 관심 끄는 것이다. 이를 위해서는 많은 사람이 주목하게 만들어야 한다. 이러한 전략을 채택한 매체사는 더 이상 일관성 있게 콘텐츠를 모으고 제공하지 않는다. 그저 사람들의 더 많은 관심이 중요하기 때문이다. 유명인의 소식, 자극적이고 우스운 영상, 그 외 어떤 것이든 시선을 끌 수만 있다면 콘텐츠가 될 수 있다. 야후!가 좋은 사례이다.

    * 최대한 많은 데이터를 축적한다 : 이용자에 대해 더 많은 정보를 얻게 되면 웹 트래픽의 가치도 상승한다. 이를 논리적으로 결론 지으면 이용자에 대해 가장 많은 정보를 축적한 사이트는 자신들의 광고 영역과 데이터를 가장 많이 판매할 수 있다. 이용자에 대해 엄청난 양의 정보를 가지고 있는 구글이나 페이스북의 광고 영역은 훨씬 더 높은 가치가 있다.


    * 세밀하게 타깃팅할 정보를 확보한다 : 『로스앤젤레스 타임스』의 웹 사이트는 이용자의 온라인 활동 내역과 주소 정보를 연결한 것 같이 다른 곳에서는 구하기 힘든 구체적인 정보를 가지고 있다. 기술 미디어 웹 사이트인 씨넷의 다운로드닷컴은 이용자가 어떤 소프트웨어를 사용하는지 파악하고 있고, 아마존은 이용자가 무엇을 구매하는지 알고 있다. 이러한 웹 사이트는 그동안 수집한 정보를 광고주 맞춤형으로 제공한다.


    초 개인화

    본질적으로 심리 공학은 맞춤형 정보와 개인적인 차원의 상호 작용을 제공한다. 딱 맞는 정장을 입기 위해 런던의 유명한 양복점을 방문하는 것처럼 이제 마케터는 특정인에게 광고 캠페인을 맞춤형으로, 심지어는 실시간으로 노출하기 위해 AI에 점점 더 의지하게 될 것이다. 고객을 타깃팅할 때 심리 공학을 활용할 수 있는 영역 중 일부에 대해 이야기해보자.


    광고 타깃팅

    광고 타깃팅은 본 것, 클릭한 것, 구매한 것을 포함한 이용자의 과거 행동에 바탕을 두고 맞춤형 광고를 노출하는 것이다. 이제 기업은 이용자가 유사한 광고에 어떤 반응을 보였는가에 기반해 어떤 스타일이나 디자인의 광고가 얼마나 효과를 거둘 수 있을지 예측할 수 있는 분석 알고리즘을 사용한다. 이미 링크드인은 이용자의 프로필 정보에 기반해 개인화된 광고를 노출하고 있다. 예를 들어 관리자급 경력이 있는 이용자는 일정 수준 이상의 전문가 집단으로 타깃팅될 수 있다.


    개인 맞춤형 메시지와 콘텐츠

    이메일이 사라지지는 않을 것이다. 한 시장 조사 연구 보고서는 전 세계 이메일 계정의 수가 약 50억 개에 이르며, 매일 1,000억 건의 비즈니스 이메일이 전송되고 있다고 추정했다. 점차 사라지고 있는 것은 누군가는 이메일을 받고 반응을 보일 것이라는 희망으로 대량 스팸 메일을 발송하는 ‘발사 후 망각’ 식의 접근법이다.


    이 때문에 이메일 클릭, 구매 내역, 기록이 남겨진 온라인 상의 활동 내역 같은 데이터를 활용해 AI가 개인화된 이메일 양식을 생성하는 서비스를 제공하는 기업이 탄생하고 있다. 이용자가 어떤 웹 사이트에서 이곳저곳을 클릭하며 이동했거나, 장바구니에 상품을 담았거나, 무언가를 구매했다면 남은 구매 절차를 완료하도록 유도하거나 추가 구입 가능성이 있는 상품을 추천하기 위한 개인화된 이메일이 발송될 수 있다. 기업은 자연어 처리 기술의 개선 덕분에 상황에 따라 맞춤형 이메일에 사용할 광고 문구를 AI에 더욱 의존하게 될 것이다.


    상품 추천

    일단 이용자가 원하는 웹 사이트를 찾아 접속하게 되면 이 웹 사이트의 목표는 접속한 이용자의 소비를 유도하는 것으로 옮겨간다. 웹 사이트에 접속 후 이용자가 탐색하는 아주 짧은 시간 내에 맞춤형 추천을 할 수 있는 AI 솔루션을 제공하는 기업도 있다.


    브랜드는 이제 AI를 통해 ‘이 상품도 좋아하실 것 같아요’ 같은 추천 옵션을 한 단계 더 고도화할 수 있다. 레콤비라는 기업은 상품 조회나 구매 정보를 활용하는 알고리즘으로 잠재 고객에게 실시간으로 초당 최대 500개에 달하는 추천 상품 목록을 정리할 수 있다고 밝혔다. 만약 누군가가 신발을 본다면 추천 엔진이 그 신발에 어울리는 하의, 상의, 모자 등 다른 상품도 제안할 수 있다.


    동적 웹 사이트

    동적 웹 사이트는 재방문 이용자에게 여러 가지 다른 웹 사이트 구성을 제시하고 맞춤형 추천으로 채워진 웹 페이지로 유도할 수 있다. 이제는 수천 곳에 달하는 웹 사이트에서 실험한 것을 바탕으로 이용자를 유인하고 고객으로 전환할 수 있는 것으로 입증된 레이아웃을 사용하면서도 사진과 색 조합 등을 포함해 좁은 타깃 집단에 맞추어진 웹 페이지를 자동으로 구축하는 AI 서비스를 제공하는 기업도 존재한다.


    상호 소통 챗봇

    챗봇은 이용자의 웹 사이트 내 행동 이력에 온전히 접근할 수 있는 동시에 개별 이용자와 상호 작용을 할 수 있는 역량을 갖추고 있다. 챗봇은 이용자와 상호 작용 시간이 지날수록 브랜드가 이용자에 대해 수집해온 다른 데이터와 결합하게 된다. AI와 기계 학습 솔루션을 개발하는 기업인 마인드타이탄의 최고 기술 책임자 마커스 리퍼스는 “챗봇은 수백만 종류에 이르는 고객의 데이터에 접근할 수 있다. 또한 챗봇은 패턴을 발견하고, 반복되는 문제를 알아내며, 특정 이용자가 겪는 어려움을 야기하는 것이 무엇인지 예측할 수도 있다”라고 말한 바 있다. 또한 챗봇에 대해 이렇게도 평가했다. “이러한 과정은 챗봇을 인간 고객 서비스 담당자보다 더 똑똑하게 만든다.”


    알고리즘의 사회학

    건강 데이터와 알고리즘

    조지아 대학교의 연구진은 결핵의 확산을 추적하기 위해 사람들의 휴대폰에서 수집한 데이터를 이용하는 것을 고려하고 있다. 지리적 위치 데이터는 사람들이 어디로 이동하고, 각 위치에서 얼마나 긴 시간을 보내는지 확인하는 데 활용될 수 있다. 이 데이터는 질병이 지역 사회에서 어떻게 전파되는지 단서를 제공한다. 이 데이터는 특정 질병의 확산에 취약할 수 있는 지역을 겨냥해 감염된 사람을 치료하고, 어떻게 확산을 억제할 수 있는지 교육하는 데 활용될 수도 있다. 이는 개인 건강과 지역 사회의 보건 관리에 도움이 될 수 있도록 사람들을 설득할 때 심리 공학을 적용할 수 있는 미래의 영역일 수 있다.


    의료 기업과 AI 기업의 파트너십도 특정 약물이 환자의 회복에 어떤 영향을 미치는지 예측하게 돕는다. 현재 제약사는 임상 실험 지원자에 대해 일정한 수, 일정한 유형의 실험만 시행할 수 있도록 법률의 제약을 받고 있다. 광고 업계에서 다양한 메시지를 테스트하기 위해 사용하는 것과 유사한 동적 학습 알고리즘을 활용함으로써 연구자는 가용한 환자 데이터로 무수히 많은 가상 실험을 할 수 있게 되었고, 이를 통해 새로운 연구 기회가 열리고 있기도 하다. AI로 구동되는 시스템이 인체와 DNA에 대한 더 많은 정보를 수집할수록 복용하는 약물을 개인 맞춤형으로 조정할 수 있는 가능성도 높아진다. 이것은 약물과 치료가 개인의 상황과 건강 상태에 맞추어 조정된, (개인 맞춤 광고와 다르지 않은) 개인 맞춤 의료의 시대로 이끌고 있다.


    * * *


    본 도서 정보는 우수 도서 홍보를 위해 저작권자로부터 정식인가를 얻어 도서의 내용 일부를 발췌 요약한 것으로, 저작권법에 의하여 저작권자의 정식인가 없이 무단전재, 무단복제 및 전송을 할 수 없으며, 원본 도서의 모든 출판권과 전송권은 저작권자에게 있음을 알려드립니다.