변수, 관여도
AI/UX에서 변수란 무엇이고, 특정 변수가 얼마나 결과에 작용하는가?
AI를 UX Design의 도구로 활용하려면 '변수'라는 것을 '잘' 알아야 합니다. '잘' 알려면 독립변수, 종속변수, 매개변수라는 개념 이해와 더불어 변수가 어떻게 데이터나 알고리즘과 상관있는 지도 알아야 합니다. 변수와 데이터/알고리즘간의 관계는 이전에 올린 '와인 가격 예측' 글을 읽어보시면 어렵지 않게 아실 수 있을 겁니다.
변수(variables)
- 속성(attibute)들의 '논리적'인 집합.(논리적으로 그 집합의 정체를 정의할 수 있어야 한다는 말임)
- 변수는 값(values), 범주(category)를 갖음
- 독립변수(y =f(x)에서 x에 해당하는 변수)
- 종속변수(y =f(x)에서 y에 해당하는 변수)
- 매개변수(독립-종속변수 사이의 함수관계를 정의하기 위해서 사용되는 보조변수)
- 변수의 반대말로 상수(constant number)라는 게 있음
※ 예시: 날씨(독립변수)가 더우면 사람들의 옷차림(종속변수)이 달라진다. 그 사람의 스타일(매개변수)도 옷차림에 영향을 미친다.
이번에는 방향을 돌려서 UX를 바라보겠습니다. UX Design이 아닌 User Expereience를 말이죠. AI가 우리의 기대만큼 '잘' 작동하기 위해서는 우리가 원하는 결과(종속변수)에 영향을 미치는 작용(독립변수, 매개변수)들을 잘 파악하고 있어야 합니다. 앞으로 AI가 발전하면 할수록 이 부분의 중요성은 더욱 부각될 것입니다.
실제 존재하는 경험 가운데에서 '변수'란 과연 무엇일까요?
우리가 원하는 결과(종속변수)
1. 지하철에서 집까지 가는 1시간동안 볼만한 콘텐츠를 찾고 싶다
2. 다음주 휴가를 위해 멋진 수영복을 갖고 싶다
3. 주말 저녁에 친구와 같이 어디를 갈지 고민이다
사람들은 지하철에서 집까지 가는 동안 볼만한 콘텐츠를 찾을 때 자신이 평소 구독중인 채널, 본인만의 선호하는 장르, 현재의 기분(좋다 나쁘다?), 지하철내 혼잡도(너무 많으면 긴 영상을 보기 어려움) 등이 변수로 작용한다
거기에 영향을 미치는 작용(독립변수, 매개변수)
1 = 구독중인 채널, 선호하는 장르, 현재의 기분(정서적 상태), 지하철내 혼잡도
2 = 본인 체형, 휴가지 유형, 선호하는 스타일, 현재 갖고 있는 수영복, 눈여겨 본 트랜드
3 = 계절, 날씨, 내 취향, 친구의 취향, 이전에 함께 했던 활동, 만나는 주기
2018년 HCI학회에서 발표했을 때, 저는 대중교통 길찾기 서비스를 예시로 들었습니다.
사람들이 대중교통 길찾기 서비스에서 원하는 것은 크게 4가지(예상 도착시간, 총 소요시간, 교통수단별 추천 경로, 시간대별 도착시간)이라고 가정했습니다.
거기에 영향을 미친는 독립변수와 제한적이나마 영향을 미치는 매개변수는 다음과 같은 것들이 있다고 가정할 수 있습니다.
물론 위 도식은 실제 데이터가 들어간 것이 아닌, 논리적인 함수 관계만을 도식화한 것입니다. 실제 이게 작동하기 위해서는 영향요소와 결과간에 어떤 관계가 있는 지를 밝혀야겠죠. 데이터 트레이닝을 통해서 말이죠.
만약, 여러 독립변수 중에서 날씨, 그 중에서도 비가 얼마나 내려야 사람들의 길찾기 경로 안내에 대한 '니즈'가 달라질까요?
강수량이 어느 임계점 이하일 때에는 별로 영향을 미치지 않을 것입니다. 그러나 소나기와 같이 비가 많이 내릴 때에는 '이동시 쾌적성'을 중시할 가능성이 올라가죠. 그러다가 폭우와 거센 바람이 동반한다면 '안전 중시' 확률이 급속도로 올라가겠죠. 조금 늦게 도착하더라도 어찌됐든 집에만 무사히 갔으면 좋겠다는 식으로 말이죠.
그러나 위 모델은 각 사용자들의 실제 데이터에 따라서 달라질 수 있습니다. 실제로도 어떤 사람들은 날씨에 영향을 거의 안받지만 어떤 사람들은 날씨에 따라서 민감하게 교통수단 및 경로를 변경하니까요. 이 부분에서 머신러닝의 장점인 '학습'이 빛을 발할 수 있습니다.
위 내용들을 정리하면 다음과 같습니다.
관여도(involvement), 변수의 크기를 나타내는 정도
처음 C를 배울때 포인터, 변수, 배열이라는 개념을 익히느라 고생한 적이 있습니다. 한번 익히고 나니 두고 두고 도움이 되긴 했지만 말이죠. UX에 있어서의 변수도 마찬가지입니다. UX 관점에서 변수라는 것이 어떻게 상호작용하는 지를 익힐 필요가 있습니다.
'그 경험에서 어떤 변수가 개입될까?'
'사용자들이 어떤 결과를 기대할까?'
'각 변수가 결과에 미치는 영향을 어느 정도일까'
관여도는 사용자가 특정 대상에 대해서 중요하다고, 관심있다고, 자신과 관련되어 있다고 지각하는 정도를 말합니다. 그 사용자를 설명할 정도로 지속불변하는 성격(지속적 관여)도 있구요, 상황에 따라서 변화되기도 합니다. 대상에 대한 우려(risk)가 관여도의 일부분을 차지하기도 하고, 감정적인 측면에서 판단되기도 합니다.
관여도는 크기로 나타내는데, 마케팅에서는 흔히 저관여, 고관여로 구분하곤 합니다. 그러나 AI/UX 설계에서는 좀 더 정량화된 수치로 해당 변수가 결과에 얼마나 미치는 지를 반영해야 하기 때문에 단순히 저관여/고관여로만 나타낼 수 없습니다.
각 변수들은 결과에 다른 영향을 미치기도 하지만, 각 독립변수 혹은 매개변수들끼리 상호 영향을 주고받기도 합니다. 이 부분은 데이터 학습(training) 과정에서 가장 중요한 테스크입니다. 처음 설계시에 결과와 영향요소를 밝히는 게 중요한 역할이었다면 모델을 학습시킬 때에는 각 변수들의 관여도가 얼마나 영향을 미치고, 상호 교환(trade-off) 관계에 있는 지를 알아야 합니다.
