[제14편: 인공지능과 알고리즘 - 유튜브는 어떻게 내 취향을 귀신같이 알까?]

 안녕하세요! 브로올리 연구소장입니다. 데이터 여행이 어느덧 막바지에 다다랐네요. 오늘은 우리 삶을 지배하고 있다고 해도 과언이 아닌 존재, 바로 **'알고리즘(Algorithm)'**에 대해 이야기해보려 합니다.

유튜브를 켰을 뿐인데 내가 사고 싶던 물건 광고가 나오고, 평소 관심 있던 주제의 영상이 끝도 없이 이어지는 경험 다들 있으시죠? "내 스마트폰이 내 말을 도청하나?" 싶을 정도로 소름 돋는 이 기술 뒤에는 정교한 데이터 학습의 원리가 숨어 있습니다.


알고리즘이란 쉽게 말해 **'문제를 해결하기 위한 단계별 절차'**입니다. 라면 끓이는 법(물 끓이기 -> 스프 넣기 -> 면 넣기)도 하나의 알고리즘이죠. 하지만 현대의 인공지능 알고리즘은 사람이 규칙을 정해주는 단계를 넘어, 스스로 데이터 속에서 패턴을 찾아냅니다.

1. 당신이 남긴 '디지털 발자국'의 힘

인공지능은 우리가 웹상에 남긴 모든 행동을 데이터로 먹고 삽니다.

  • 어떤 영상을 끝까지 봤는가? (시청 지속 시간)

  • 어떤 뉴스에서 '좋아요'를 눌렀는가? (선호도)

  • 특정 상품 페이지에서 얼마나 머물렀는가? (관심도)

이런 수천 가지의 데이터 포인트들이 모여 여러분만의 **'디지털 페르소나'**를 만듭니다. 알고리즘은 이 데이터를 바탕으로 "A를 좋아한 사람은 보통 B도 좋아하더라"라는 통계적 확률을 계산해 다음 콘텐츠를 추천합니다.

2. 협업 필터링: "나와 닮은 사람을 찾아서"

추천 알고리즘의 핵심 기술 중 하나는 **협업 필터링(Collaborative Filtering)**입니다. 예를 들어, 브로올리 연구소장이 '통계'와 '경제' 기사를 즐겨 읽는데, 사용자님도 똑같이 '통계'와 '경제' 기사를 읽었다면 알고리즘은 우리 둘을 '비슷한 취향 그룹'으로 묶습니다. 그러다 제가 새로 나온 '데이터 시각화' 기사를 읽으면, 알고리즘은 사용자님께도 "당신과 비슷한 사람이 이 글을 읽었어요!"라며 슬쩍 추천해주는 방식이죠.

3. 필터 버블(Filter Bubble)의 위험성

하지만 알고리즘이 마냥 고마운 존재만은 아닙니다. 알고리즘은 우리가 보고 싶어 하는 것, 동의하는 것만 계속 보여주는 경향이 있습니다. 이를 **'필터 버블'**이라고 합니다.

자신의 생각과 일치하는 정보 속에만 갇히게 되면 편견이 강화되고, 세상의 다양한 관점을 놓치게 됩니다. 데이터가 추천해주는 '편안한 세상'이 사실은 우리를 좁은 생각의 틀 안에 가두는 감옥이 될 수도 있다는 뜻입니다.

4. 브로올리 연구소의 제안: 알고리즘 길들이기

인공지능의 노예가 되지 않고 알고리즘을 현명하게 이용하려면 가끔은 '데이터 일탈'이 필요합니다.

  • 검색 기록 삭제: 가끔은 알고리즘이 나를 파악하지 못하게 리셋해 보세요.

  • 반대 의견 찾아보기: 의도적으로 내가 평소에 보지 않던 주제나 반대 성향의 글을 클릭해 보세요. 알고리즘의 추천 범위를 넓힐 수 있습니다.

  • 알고리즘의 의도 파악: "왜 나에게 이 광고를 보여줄까?"를 생각해보면 내 소비 패턴이 객관적으로 보입니다.

데이터는 우리를 이해하려고 노력하지만, 우리를 정의할 수는 없습니다. 알고리즘의 추천을 참고하되, 마지막 선택의 클릭은 여러분의 주체적인 의지여야 합니다.

✅ 14편 핵심 요약

  • 알고리즘은 사용자의 행동 데이터를 분석해 패턴을 찾아내는 논리적 절차다.

  • 협업 필터링은 나와 비슷한 취향을 가진 타인의 데이터를 활용해 맞춤 정보를 제공한다.

  • 필터 버블 현상을 경계하고, 다양한 정보에 의도적으로 노출되는 태도가 데이터 시대의 생존법이다.

다음 편 예고: 드디어 시리즈의 마지막입니다! 지금까지 배운 모든 내용을 종합하여, 현실 세계의 왜곡된 데이터와 가짜 뉴스를 단숨에 잡아내는 **'데이터 리터러시 실전 체크리스트'**를 완성해 봅니다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

[제6편: %와 %p의 한 끗 차이 - 뉴스가 숫자를 부풀리는 방식]

 안녕하세요! 브로올리 연구소장입니다. 오늘은 뉴스 기사나 경제 뉴스를 볼 때 가장 많이 헷갈리지만, 모르면 무조건 손해를 보는 숫자 이야기를 가져왔습니다. 바로 **퍼센트(%)**와 **퍼센트포인트(%p)**의 차이입니다. "그게 그거 아니야?"라고 생각하실 수 있지만, 이 글자를 어떻게 쓰느냐에 따라 체감 수치가 수십 배나 차이 날 수 있거든요. 숫자의 마법을 부리는 교묘한 편집의 기술, 함께 알아볼까요? 우리는 매일 "취업률 3% 상승", "금리 0.5%p 인상" 같은 말을 듣습니다. 그런데 왜 어떤 때는 %를 쓰고, 어떤 때는 %p라고 할까요? 이 둘을 혼동하면 누군가 의도적으로 정보를 왜곡할 때 아주 쉽게 속아 넘어가게 됩니다. 1. 퍼센트(%)는 '변화의 비율'입니다 퍼센트는 원래 있던 값에서 얼마나 변했는지를 나타내는 비율 입니다. 예를 들어, 작년 실업률이 10%였는데 올해 11%가 되었다고 가정해 봅시다. 여기서 "실업률이 1% 올랐다"고 말하면 통계적으로는 틀린 표현입니다. 원래 10이었던 값에서 1만큼 증가한 것이니, 실제로는 **10%가 증가(10의 10%는 1)**한 것입니다. 즉, "실업률이 작년 대비 10% 상승했다"라고 말하는 것이 퍼센트의 올바른 사용법입니다. 2. 퍼센트포인트(%p)는 '단순한 차이'입니다 반면 퍼센트포인트는 퍼센트로 표시된 수치끼리 단순히 뺄셈을 한 차이 를 말합니다. 앞선 예시에서 11%와 10%의 차이는 단순하게 1이죠? 이때 단위를 %p라고 씁니다. 즉, "실업률이 작년보다 1%p 상승 했다"라고 말해야 정확합니다. 3. 왜 뉴스는 이 둘을 교묘하게 섞어 쓸까? 이제부터가 중요합니다. 정보를 전달하는 쪽에서 상황을 부풀리거나 축소하고 싶을 때 이 단위를 이용합니다. 상황 A (성과를 자랑하고 싶을 때) : 우리 회사 점유율이 1%에서 2%로 올랐습니다. "점유율이...
자세한 내용 보기

[제1편: 평균의 함정 - 왜 나의 월급은 평균보다 낮을까?]

이미지
 안녕하세요, 브로올리 연구소입니다. 우리는 일상에서 '평균'이라는 단어를 정말 많이 사용합니다. "평균 수입", "평균 수명", "평균 성적" 등 평균은 복잡한 데이터를 단 하나의 숫자로 요약해주는 아주 편리한 도구처럼 보이죠. 하지만 통계학에서 평균은 때때로 진실을 가장 교묘하게 가리는 '가면'이 되기도 합니다. 1. 빌 게이츠가 동네 술집에 들어오면 생기는 일 상상해 봅시다. 어느 동네 술집에 평범한 직장인 10명이 모여 있습니다. 이들의 연봉 평균이 5,000만 원이라고 가정하죠. 그런데 갑자기 연봉이 수천억 원인 빌 게이츠가 이 술집으로 걸어 들어옵니다. 그 순간, 이 술집 안에 있는 사람들의 '1인당 평균 연봉'은 수십억 원으로 껑충 뛰어오릅니다. 하지만 술집에 있던 기존 직장인들의 지갑 사정은 변한 게 없습니다. 이것이 바로 평균의 함정 입니다. 극단적인 값(아웃라이어) 하나가 전체의 모습을 심각하게 왜곡하는 것이죠. 2. 우리가 진짜 봐야 할 숫자는 '중앙값'입니다 통계 데이터를 볼 때 평균(Mean)보다 더 믿음직한 경우가 많은 숫자가 바로 **중앙값(Median)**입니다. 중앙값은 데이터를 크기순으로 쭉 나열했을 때 딱 중간에 위치하는 값을 말합니다. 앞서 말한 술집 사례에서 평균은 빌 게이츠 때문에 왜곡되었지만, 중앙값은 여전히 5,000만 원 근처에 머뭅니다. 뉴스에서 "우리나라 근로자 평균 소득이 000만 원이다"라는 기사를 보고 "나는 왜 저거밖에 안 되지?"라고 자괴감이 든다면, 대개 그 통계는 소수의 고소득자가 평균을 끌어올렸기 때문일 확률이 높습니다. 이럴 때는 평균 대신 '중앙값'이나 가장 많은 사람이 해당하는 값인 '최빈값'을 찾아보는 지혜가 필요합니다. Shutterstock 탐색 3. 평균적인 사람은 존재하지 않는다 1940년대 미국 공군에서는 조종...
자세한 내용 보기

[제5편: 기저율의 오류 - 양성 판정을 받아도 무서워할 필요 없는 이유]

 만약 여러분이 아주 드문 희귀병 검사를 받았는데, 의사 선생님이 "양성(병이 있음)입니다"라고 말했다면 어떨까요? 하늘이 무너지는 기분이겠죠. 하지만 통계적으로 따져보면, 여러분이 실제로 그 병에 걸렸을 확률은 의외로 10%도 안 될 수 있습니다. 어떻게 이런 일이 가능할까요? 1. '기저율'이 도대체 뭐길래? 기저율(Base Rate)은 쉽게 말해 **'원래 그 일이 일어날 확률'**을 뜻합니다. 예를 들어 그 희귀병이 인구 1,000명당 1명만 걸리는 병이라고 칩시다. 여기서 기저율은 0.1%입니다. 아주 낮죠. 2. 정확도 99% 검사기의 함정 자, 이제 정확도가 99%인 아주 훌륭한 검사기가 있다고 해봅시다. 1,000명을 검사하면 어떤 일이 벌어질까요? 진짜 환자(1명) : 정확도가 99%이니 당연히 '양성'이라고 나옵니다. 건강한 사람(999명) : 정확도가 99%니까, 반대로 1%의 실수 를 합니다. 즉, 건강한 999명 중 약 10명(1%)에게는 "당신 병에 걸렸어요!"라고 오답(위양성)을 내놓습니다. 결과적으로 검사기가 '양성'이라고 외친 사람은 총 11명(진짜 1명 + 가짜 10명)입니다. 그런데 이 중에서 진짜 환자는 단 1명 뿐이죠. 즉, 양성 판정을 받아도 내가 진짜 환자일 확률은 1/11, 약 9% 밖에 안 되는 겁니다. 3. 왜 우리는 숫자에 속을까? 사람의 뇌는 구체적인 정보(99%의 정확도)에는 예민하게 반응하지만, 전체적인 배경 정보(0.1%라는 낮은 발병률)는 무시하는 경향이 있습니다. 이를 '기저율 무시'라고 부릅니다. 이건 일상에서도 자주 일어납니다. 예를 들어 "내 친구는 아주 조용하고 책 읽기를 좋아해. 이 친구는 도서관 사서일까, 아니면 회사원일까?"라고 물으면 많은 사람이 '사서'라고 답합니다. 하지만 현실적으로 회사원의 수가 사서보다 수천 배 많기 때문에(높은 기저율), ...
자세한 내용 보기