관리자 패널에서 메뉴를 설정하세요

[마소캠퍼스] 넷플릭스의 알고리즘을 파헤치다

 

넷플릭스(Netflix)에서 사람들이 보는 TV 쇼와 영화의 80% 이상이 플랫폼의 추천 시스템을 통해 발견됩니다. 즉, 넷플릭스에서 볼 것을 선택하는 것은 기본적으로 알고리즘에 의해 만들어진 여러 가지 선택지 중에서 고르는 것입니다.

 

넷플릭스는 스트리밍할 수 있는 수천 개의 TV 프로그램을 제공하고, 각 사용자에게 작품을 추천해 줍니다. 넷플릭스를 사용한다면, 아마도 그들이 장르를 굉장히 세세하게 나눈다는 것을 알아차렸을 것입니다: 주인공이 왼손잡이인 로맨틱 드라마. 어떻게 그런 장르를 생각해낼 수 있을까요? 이미 사용하고 있는 거의 모든 플랫폼에서 추천을 받는 것이 익숙한 1억 명 이상의 가입자에게 좋은 추천을 하는 방법을 무엇일까요? 머신 러닝(Machine Learning), 알고리즘, 창의성입니다. 이것들은 시청자의 선입견을 깨트리고 처음에는 볼 생각도 안 한 쇼를 찾는데 도움을 주는 그들만의 비법입니다. 여전히 알고리즘이 무엇인지 알아내려는 사람들에게 설명하자면, 이것들은 기본적으로 넷플릭스에게 무엇을 해야 하는지를 알려주는 일련의 데이터베이스 기반 명령어입니다.

 

[마소캠퍼스]  넷플릭스의 알고리즘을 파헤치다.

 

추천 시스템은 여러 곳에서 수집된 데이터를 통합하는 기능을 합니다. 추천 작품 행은 사용자의 보기 습관에 맞게 조정됩니다. 덕분에 여러분의 어린 사촌들이 Peppa Pig를 보기 위해 여러분의 계정을 사용했는지를 알 수 있습니다. 이러한 경우, 알고리즘은 종종 머신 러닝을 용이하게 만들기 위해 사용됩니다. 머신 러닝을 기반으로 하는 넷플릭스와 같은 시스템은 자체 사용자로부터 학습한 대로 스스로 다시 고쳐 씁니다. TV 프로그램이나 영화를 볼 때마다 넷플릭스는 알고리즘을 알리고 새로 고치는 데이터를 수집합니다. 당신이 더 많은 것을 시청할수록, 알고리즘은 더 최신 상태가 됩니다.

 

수집된 데이터는 다면적이고 복잡합니다. 이는 단순히 사용자가 보고 있는 프로그램의 장르를 처리하고 그 혹은 그녀에게 드라마, 로맨스 또는 코미디를 추천하는 것보다 훨씬 많은 것을 포함합니다. 넷플릭스의 제품 혁신 부사장인 Todd Yellin은 2017년 Wired에게 다음과 같이 말했습니다. “우리가 그 프로필을 통해 보는 것은 다음과 같은 종류의 데이터입니다 – 사람들이 시청하는 것, 그 다음에 시청하는 것, 그 전에 시청한 것, 1년 전에 시청한 것, 최근에 시청한 것 그리고 하루 중 어느 시간대에 시청하는지 입니다.” 넷플릭스 경험은 순위, 검색, 유사성, 평점 등 다양한 머신 러닝 알고리즘에 의해 주도됩니다. 전체 카탈로그를 한번에 제공할 수 없기 때문에 그것을 편집해야 합니다. 대다수의 경우 품질과 취향은 일치하지 않기 때문에 넷플릭스는 Rotten Tomatoes, Pitchfork 또는 IMDb와 같은 역할을 할 수 없습니다. 사용자들을 잘 알고 각 개인에 알맞는 추천을 해주어야 합니다.

 

 

넷플릭스는 취향 그룹을 사용합니다. 각 시청자는 동시에 여러 그룹에 속하며, 이러한 점은 모든 화면 인터페이스 위에 어떤 추천이 뜨는지, 표시되는 장르 행 및 각 행의 구성 방법이 무엇인지에 영향을 미칩니다. 당신의 시청 패턴이 다른 사용자와 유사한 경우 넷플릭스는 그 다른 사용자의 행동에 따른 추천도 함께 제공합니다.

 

머신 러닝 알고리즘에 사용되는 태그는 전 세계적으로 동일합니다. 넷플릭스는 사람이 직접 TV쇼와 영화의 모든 부분을 분류하고 각자에게 태그를 달아 “시각적으로 아름다운 향수를 불러일으키는 드라마”나 “과소평가된 로맨틱 로드 트립 영화”와 같이 엄청나게 자세한 마이크로 장르를 만들었습니다.

 

여러분이 어떤 취향 그룹에 들어맞는지 확인하기 위해 이러한 각각의 데이터 요소들을 함께 모읍니다. 각 사용자의 화면이 채워지는 것은(왼쪽, 오른쪽 그리고 위에서 아래까지)는 자신이 속한 그룹을 기반으로 합니다.

 

 

 

 

왜 행을 사용할까요?

 

넷플릭스의 머신 러닝 엔지니어인 Chris Alvino는 회원들이 카탈로그의 큰 부분을 쉽게 탐색할 수 있도록 행을 선택했다고 설명합니다. 일관된 비디오 그룹을 한 줄로 제시하고, 각 행에 대해 의미 있는 이름을 제공하고, 행을 유용한 순서로 표시함으로써, 구성원들은 한 줄에 있는 영상 세트 전체가 그들이 보고 싶어하는 것을 포함할 가능성이 있는지 그 순간에 빠르게 결정할 수 있습니다. 이렇게 하면 구성원이 더 깊이 들어가 해당 테마에서 더 많은 영상을 찾거나 해당 영상을 건너뛰고 다른 행을 볼 수 있습니다.

 

각 디바이스에는 한 번에 표시되는 행의 수와 전체 페이지 크기를 제한하는 하드웨어 기능이 서로 다르기 때문에 넷플릭스는 모든 장치의 제약 조건을 알고 있어야 합니다.

 

 

각 행은 회원이 탐색할 수 있도록 해주는 고유하고 개인화된 카탈로그 일부을 제공할 수 있습니다. 넷플릭스의 과제 중 하나는 유용한 비디오 그룹을 만들어 카탈로그의 깊이를 강조하고 회원들이 관심 영역을 강화하면서도 새로운 취향을 찾을 수 있도록 돕는 것입니다. 추천은 신선하고 반응성이 뛰어나야 하지만 그와 동시에 안정적이어야 합니다. 그래야 사람들이 자신의 홈페이지에 친숙해지고 최근에 추천받은 비디오를 쉽게 찾을 수 있습니다.

 

 

 

 

이미지 하나에는 천 단어의 가치가 있습니다.

 

넷플릭스는 최근 예술작품을 기반으로 하는 새로운 추천 알고리즘을 구현했습니다. 이 알고리즘은 가입자에게 맞춤 제작된 독특한 이미지를 제공합니다. 이러한 이미지들은 당신이 넷플릭스에 계속 빠져있도록 특별히 설계되었습니다. 앞서 언급한 것과 동일한 데이터 요소를 많이 고려합니다.

 

Gopal Krishnan은 그의 기술 블로그 포스트에서 이 새로운 알고리즘에 대한 모든 것을 설명했습니다. 넷플릭스는 사용자가 쇼와 영화를 더 빠르게 즐길 수 있도록 검색하고 넷플릭스의 방대한 카탈로그에 압도되는 것을 막을 수 있도록 빅데이터와 창의성이 효과적으로 교차할 수 있는 프레임워크를 만들기 위해 노력해 왔습니다. 이러한 조사의 결과로 넷플릭스는 이제 각 사용자에게 가장 적합한 이미지를 파악하는 능력을 얻게 되었습니다.

 

90초 안에 사용자의 주의를 사로잡지 못하면 그 사람은 흥미를 잃고 다른 활동으로 옮겨갈 가능성이 크다는 말이 있습니다. 관심을 끌기 위해 주어진 시간이 너무 짧은 상황에서, 이미지는 사용자가 가능한 한 빨리 완벽한 콘텐츠를 발견하도록 하는 가장 효율적이고 흥미로운 방법이 됩니다.

 

 

넷플릭스는 카탈로그에 있는 여러 프로그램에 대해 이미지를 테스트하는 시스템을 구축하여 참여를 유도할 수 있는 강력한 이미지를 표시할 수 있도록 합니다. 많은 실험과 테스트를 통해, 넷플릭스는 특정한 범위의 감정을 보는 것은 실제로 사람들로 하여금 TV 쇼나 영화를 보도록 유도한다는 결론에 도달했습니다. 이는 복잡한 감정이 사용자들에게 콘텐츠의 톤이나 느낌에 대해 풍부한 정보를 전달하기 때문일 가능성이 높습니다. 실제로 얼마나 많은 구성원들이 테스트에서 이런 식으로 반응하는지 보는 것은 흥미롭습니다. 이것의 한 예는 밑의 Unbreakable Kimmy Schmidt의 두 번째 시즌에서 최근 우세했던 이미지(“우세했다는 것은 가장 많은 참여를 이끌어냈다는 의미입니다”)에서 확인할 수 있습니다.

 

 

이 우세한 이미지는 대다수의 넷플릭스 사용자에게 가장 적합한 이미지입니다. 하지만 그들은 훨씬 더 나아가서 취향과 선호도의 다양성을 고려하여, 쇼나 영화에서 각각의 사용자들에게 더 관련성이 높은 측면을 강조하기 위해 여러 다른 삽화를 합하기로 결정했습니다.

 

 

넷플릭스는 각 사용자의 피드에 어떤 이미지를 보여줄지 선택하기 위해 사용자가 어떤 다른 쇼와 영화를 시청했는지에 초점을 맞춥니다. 예를 들어, Uma Thurman이 출연한 영화를 많이 보는 회원은 Uma가 포함된 Pulp Fiction 삽화에 긍정적인 반응을 보일 것입니다. 한편, John Travolta의 팬은 삽화에 존이 등장할 때 Pulp Fiction을 보는 것에 더 관심을 가질지도 모릅니다.

 

 

이미지를 개인화하는 모든 시나리오가 명확하고 분명한 것은 아니지만, 각 사용자를 위한 삽화를 선택하고 넷플릭스 경험을 개선하기 위해 (그리고 당연히, 사용자들이 계속 몰아보기를 하게 만들기 위해) 데이터가 모든 작업을 수행합니다.

 

 

개인화된 페이지를 생성하는 것은 많은 요소들의 균형을 맞춰야 하는 어려운 문제이며 아마도 이것 또한 겨우 시작에 불과할 것입니다. 홈페이지를 개선할 수 있는 많은 잠재력이 있으며 넷플릭스가 실험할 확실한 몇 가지 측면이 있습니다.

 

기술에 관해서는, 아주 잘했습니다! 하지만, 더 많은 사용자들을 기쁘게 하고 그들이 계속 몰아보기를 하게 만들기 위해서 TV 쇼와 영화는 어떻게 만들어야 할까요? 우리는 매주 좋아하는 프로그램을 새로 찾을 수 있을까요? 드라마를 몰아보는 것이 우리의 뇌에 어떤 영향을 미칠까요? TV쇼를 계속 이어서 보는 것은 기분이 좋지만 – 왜 그럴까요? 모든 것은 균형을 잡는 게 전부일지도 모릅니다. 우리는 아직 모르지만 이는 확실히 정말 흥미로운 이슈입니다.

 

 



원문 URL: https://uxplanet.org/netflix-binging-on-the-algorithm-a3a74a6c1f59

원문 제목: Netflix: Binging on the Algorithm

작성자 및 작성일자:  Josefina Blattmann / Aug 2, 2018

머니매그넷(주) Since 2013
마소캠퍼스
- 온라인|원격평생교육시설 등록번호
: 제 원-509호

마소캠퍼스ICT평생교육원
- 오프라인|지식·인력개발사업 평생교육시설 등록번호
: 제 지-286호

강남캠퍼스: 서울시 서초구 강남대로 369 12층 (06621)
송도교육연구원: 인천광역시 연수구 송도과학로 32 송도테크노파크IT센터 S동 2003호 (21984),
전화 02-6080-2022, 팩스 02-6455-2021, 이메일 문의 cs@masocampus.com

사업자정보 264-81-13054
통신판매업번호 2014-서울강남-03465, 대표(개인정보책임자): 김진, 서비스 이용약관, 개인정보 처리방침, 사업자정보확인

마소캠퍼스 웹사이트는 크롬 브라우저에 최적화 되어 있습니다.

©MasoCampus. All rights reserved.