구글의 UXer들이 AI를 디자인에 적용하는 방법 #1
Human-Centered Machine Learning (HCML)
We are during transitioning from
'Mobile-first' to 'AI-first'
구글은 일찍이 'AI-first'를 슬로건으로 내걸고 모바일 시대에서 AI 시대로의 도약을 목표로 막대한 돈을 AI에 투자하고 있다. 기술적으로는 AI를 발전시킨다는 의미가 명확한데 (i.e. 풍부한 양질의 데이터 확보, 이를 토대로 정교한 인식 및 예측 모델 개발), 디자인적으로는 어떨까?
모바일 시대에서는 화면 구조부터 시작해 다양한 디자인 컴포넌트를 어떤 플로우로 어떻게 배치할지가 중요한 UX 디자인 포인트였다. 그러나 AI가 등장하면서 모든 스크린 상의 디자인 컴포넌트를 한번에 집어삼켜버렸다. (가령 '불꺼줘' 한마디면 어떤 스크린도 볼 필요 없이 시스템이 작동한다) 물론 아직까지 AI 기술이 성숙한 단계가 아니기 때문에 스크린을 통한 보완이 필요하고, 또 어떤 면에서는 시각적 요소에 AI를 녹이는 것이 사용자 경험의 질을 높이는 방법일 수 있다.
하지만 명백한 것은 AI 기술이 발전하면 할수록 여러 뎁스의 스크린은 불필요해질 것이라는 것, 그리고 기존 모바일 시대의 UX 디자인 방법은 변화가 필요하다는 것이다. 그렇다면 어떻게? 어떤 방법으로? 무엇이 달라져야 할까?
Human-Centered Machine Learning
AI 시대를 선도하고 있는 구글인 만큼, 이에 대해서도 구글은 답을 찾아가고 있는 듯하다. 구글의 UXer들이 찾은 키워드는 바로 ‘인간-중심의 머신러닝(Human-Centered Machine Learning, HCML)'이다. 용어에서 알 수 있듯 기존 '인간-중심 디자인(Human-Centered Design, HCD)' 패러다임에 머신러닝을 접목한 것이다. 즉, 사용자 중심의 디자인 접근 방식은 유지하되, 머신러닝 기술만의 특성을 반영한 방법론이라고 볼 수 있겠다. Human-
구글의 UX 커뮤니티에서는 AI와 UX팀이 협력하여 개발한 HCML이라는 새로운 방법론을 적극 시도하고 있다고 한다. 구글에서 이를 적용하기 위한 구체적인 가이드라인을 블로그 글을 통해 공유하고 있는데, 핵심 내용 위주로 정리하면 다음과 같다.
7 Steps to stay focused on User
when designing with ML
첫째, 머신러닝이 해결할 문제가 무엇인지 찾아주리라 기대하지 말 것 (Don’t expect Machine learning to figure out what problems to solve) 머신러닝은 강력한 툴이지만, 인간의 니즈까지 발굴하진 못한다. 여전히 문제에 대한 정의는 UX 디자이너가 해야 한다. 인간을 중심에 두지 못하고 기술에만 초점을 맞춘 AI 시스템은, 미미한 또는 존재하지도 않는 문제를 해결하는 데 그칠 것이다.
둘째, 머신러닝이 유일한 해결책인지 고민해볼 것 (Ask yourself if ML will address the problem in a unique way) 머신러닝이 아니더라도 '스마트한' 또는 '개인화된' 솔루션을 만들 수 있는 방법은 많다. 문제의 해결책이 꼭 머신러닝이어야 하는지 의문을 던져볼 필요가 있다. 이를 확인하기 위한 방법은 다음과 같다.
(1) 머신러닝을 적용한 해결책을 아이디에이션한다. 머신러닝이 할 수 있는 일을 떠올릴 때, 이 문제를 인간 전문가라면 어떻게 해결할지 상상해본다.
(2) 그림와 같은 2x2 플롯에 각 아이디어의 User Impact와 ML Impact가 어느 정도일지 표시해본다.
(3) User Impact와 ML Impact가 가장 큰 우상단의 아이디어를 우선순위에 놓고 구체화한다.
셋째, 개인 샘플이나 위저드 방식으로 프로토타입을 만들어볼 것 (Fake it with personal examples and wizards) 머신러닝 시스템은 완성도를 높여 테스트하려면 오랜 시간이 걸리기 때문에 기존과 다른 프로토타이핑 방식이 필요하다. 이 때 쓸 수 있는 방법은 테스트 참가자의 데이터를 미리 받고 이를 활용해 개인화된 시스템처럼 느끼게 하거나, 사람에 의해 작동되지만 참가자들에게는 자동화된 시스템처럼 보이도록 하는 방식(Wizard of Oz)을 사용하는 것이다. 이런 테스팅 방식을 통해 인터랙션 디자인을 정교화할 수 있다.
넷째, 시스템 오류가 사용자에게 어떤 영향을 줄지 따져볼 것 (Weigh the costs of false positives and false negatives) 머신러닝 시스템은 본질적으로 예측 모델이기 때문에 오류가 발생할 수 있다. 이 때 오류가 사용자에게 주는 영향은 어떤 종류의 오류냐에 따라 달라진다. (예를 들어 시스템이 실수로 사람을 괴물로 분류했을 때와 괴물을 사람으로 분류했을 때 사용자가 언제 기분이 나빠질지 생각해보자)
따라서 그림과 같은 오차 행렬(confusion matrix) 표를 만들어 발생 가능한 오류의 종류와, 이 오류가 미칠 영향에 대해 고민해볼 필요가 있다.
이는 예측 결과를 보여주는 방식, 즉 틀린 답을 포함하더라도 유사 답을 모두 제시해 사용자의 선택지를 넓힐지, 확실히 맞는 답 위주로만 보여줘 정확도를 높일지 선택하는 문제와 연결된다.
다섯째, 사용자-시스템 간 공동학습과 적응을 고려할 것 (Plan for co-learning and adaptation) 가치있는 머신러닝 시스템은 사용자의 멘탈 모델에 맞춰 발전한다. 따라서 사용자와 시스템 간 적응과 학습을 고려하여 긴 기간을 두고 제품을 개발해야 한다. 또한 사용자가 긍정적인 방향으로 시스템을 발전시킬 수 있도록 피드백 시스템의 인터랙션 요소를 정교하게 디자인해야 한다.
여섯째, 알맞는 라벨을 통해 알고리즘을 학습시킬 것 (Teach your algorithm using the right labels) 머신러닝 모델은 라벨링된 데이터를 토대로 만들어진다. 그런데 모델의 목표가 흥미로운 컨텐츠를 찾아주는 등 주관적인 무언가를 예측하는 것이라면, 라벨링이 아주 어려워진다. 이 때 활용할 수 있는 좋은 방법은 예측하고자 하는 특정 분야의 전문가를 섭외하여 알고리즘을 학습시키도록 하는 것이다. 구글에서는 이들을 'Content Specialist'라고 부르며, 아예 머신러닝 모델의 '선생님'으로 팀에 합류시키기도 한다고 한다.
일곱째, UX팀의 범위를 확장시킬 것 (Extend your UX family, ML is a creative process) 엔지니어와의 협업과 관련해서, 머신러닝에는 무수한 접근 방식이 존재하기 때문에 UX 디자이너가 기존과 같이 특정 개발 방향을 제시하는 것은 좋은 방법이 아니다. 오히려 엔지니어들이 창의성을 최대한 발휘할 수 있도록 영감을 주는 것이 중요하다. 머신러닝을 적용했을 때 결과물이 사용자에게 얼마나 놀라운 경험을 가져다줄지 다양한 방식으로 보여주는 것이다.
As UXers, our responsibility is
to stay Human-Centered
결론적으로, 구글에서 제시한 ‘인간-중심의 머신러닝(Human-Centered Machine Learning, HCML)'에서 핵심은 '인간-중심'이다. 어떤 기술적 패러다임이 도래하더라도, UX 디자이너는 사용자를 중심에 두고 최고의 가치와 경험을 제공할 방법을 찾는 것이 본질적 역할임을 잊지 말아야 할 것이다.
개인적으로 구글의 가이드라인은 AI 시대에 UX 디자이너로서 나아갈 방향성을 고민하던 내게 하나의 이정표가 되어주었다. 더 자세한 내용을 알고 싶다면 원문(https://medium.com/google-design/human-centered-machine-learning-a770d10562cd)을 읽어보거나, 이 글을 작성한 두 저자가 직접 HCML에 대해 설명하는 동영상(https://www.youtube.com/watch?v=cNW89xkMYLo)을 참고하면 좋을 것 같다.
다음 글에서는 구글에서 AI를 적용한 구체적인 제품의 사례 위주로 정리해보고자 한다.
