챕터별 상세
인간 큐레이션의 정의와 CODE 프레임워크
큐레이션은 단순한 콘텐츠 선택을 넘어 Capture(포착), Organize(조직), Distill(증류), Express(표현)의 과정을 거치는 창조적 행위이다. 전문 큐레이터는 이 과정에 Analysis(분석)를 더해 콘텐츠가 사용자에게 도달한 후의 반응을 살피고 루프를 완성한다. 머신러닝 모델이 데이터를 검색하고 순위를 매기는 과정은 큐레이션의 '조직'과 '증류' 단계를 자동화한 것과 유사하다. 인간은 여기에 제목, 설명, 아트워크와 같은 맥락을 부여하여 콘텐츠의 가치를 극대화한다.
CODE 프레임워크는 Tiago Forte가 제안한 지식 관리 방법론으로, 정보를 지식으로 전환하는 단계를 설명합니다.
알고토리얼(Algatorial): 알고리즘과 편집의 만남
알고토리얼은 Algorithm(알고리즘)과 Editorial(편집)의 합성어로, 두 영역의 장점을 결합한 추천 방식이다. 인간 큐레이터가 수천 개의 후보군을 선별하면, 알고리즘이 개별 사용자의 취향에 맞춰 그 안에서 다시 순위를 매긴다. 예를 들어 스포티파이의 '차 안에서 부르기 좋은 노래' 리스트는 편집자가 선정한 방대한 곡들 중에서 사용자마다 다른 15~20곡을 노출한다. 이 방식은 알고리즘의 개인화 능력과 인간의 문화적 감수성을 동시에 확보할 수 있게 한다.
Algatorial은 스포티파이 등 주요 스트리밍 플랫폼에서 인간의 편집 능력과 알고리즘의 확장성을 결합하기 위해 사용하는 전략적 용어입니다.
프록시 지표의 한계와 '놀라움과 즐거움'
클릭률(CTR)이나 시청 시간 같은 지표는 사용자의 실제 만족도를 나타내는 완벽한 수치가 아니라 프록시(Proxy) 지표에 불과하다. 사용자가 콘텐츠를 끝까지 시청했다고 해서 반드시 즐거웠던 것은 아니며, 단순히 수동적으로 소비했을 가능성도 존재한다. 진정한 추천의 목표는 사용자가 예상치 못한 콘텐츠에서 기쁨을 느끼는 'Surprise and Delight'를 제공하는 것이다. 이를 측정하기 위해 넷플릭스의 'Double Like'와 같은 명시적 피드백 수단이 도입되지만, 사용자 경험의 마찰을 줄이는 것과 균형을 맞춰야 한다.
프록시 지표(Proxy Metric)는 직접 측정이 어려운 목표(예: 행복, 만족)를 대신하여 측정하는 간접적인 지표를 의미합니다.
콜드 스타트 문제와 인간의 역할
신규 사용자나 신규 콘텐츠에 대한 데이터가 부족한 Cold Start Problem 상황에서 인간 큐레이터의 역할이 결정적이다. 알고리즘은 과거 데이터 없이는 예측이 불가능하지만, 인간은 외부 트렌드와 문화적 맥락을 이해하여 적절한 초기 추천을 수행할 수 있다. HBO나 Apple TV 등 타 플랫폼에서 유행하는 콘텐츠를 파악하여 자사 플랫폼의 데이터 부족을 메우는 방식이다. 또한 잘못된 메타데이터로 인해 알고리즘이 엉뚱한 추천을 할 때 이를 바로잡는 정제 작업도 인간의 몫이다.
콜드 스타트 문제(Cold Start Problem)는 추천 시스템이 새로운 사용자나 아이템에 대한 충분한 정보가 없어 적절한 추천을 하지 못하는 현상을 말합니다.
콘텐츠 홍수 시대의 발견과 필터 버블
생성형 AI와 제작 도구의 민주화로 콘텐츠의 양이 폭발적으로 증가하면서 '발견'의 난이도가 높아졌다. 알고리즘은 사용자가 좋아할 만한 익숙한 것만 추천하여 필터 버블(Filter Bubble)에 가두는 경향이 있다. 진정한 발견은 사용자를 이 버블 밖으로 끌어내는 '유익한 마찰(Good Friction)'을 제공하는 것이다. 큐레이션은 대중적인 인기 콘텐츠(Mass)와 개인의 취향(Individual) 사이의 균형을 맞추며 사용자가 새로운 영역을 탐험하도록 유도한다.
필터 버블(Filter Bubble)은 알고리즘이 사용자의 취향에 맞는 정보만 반복 제공하여 사용자가 특정 정보에만 고립되는 현상을 의미합니다.
미래의 추천 시스템: 시스템 사고와 대화형 AI
미래의 추천 시스템은 단순한 아이템 간의 유사성을 넘어 콘텐츠 사이의 서사적 연결(Narrative Connection)을 만드는 시스템 사고로 진화해야 한다. 현재의 추천은 파편화되어 있어 사용자의 사고를 분산시키는 경향이 있다. 대화형 AI(Generative AI)는 사용자가 자신의 선호를 더 구체적으로 표현하고 시스템과 상호작용하게 함으로써 개인화의 수준을 높일 수 있다. 다만 이를 위해서는 사용자가 자신의 데이터를 신뢰하고 맡길 수 있는 기술 기업의 윤리적 태도가 전제되어야 한다.
시스템 사고(Systems Thinking)는 개별 요소가 아닌 요소들 간의 관계와 전체적인 구조를 파악하는 사고방식을 뜻합니다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2025. 12. 27.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
