[Tech Planet 2016 (1)] 세상 어디에나 있는 커머스와 기술의 만남

지난 10월 17일 SK Planet의 Tech Planet 행사가 개최 되었습니다. 올해를 맞이하여 5회차가 된 이번 행사는 코엑스 그랜드볼룸에서 그 어느 때보다 큰 규모로 진행되었습니다. 세상 어디에나 있는 커머스(Commerce Everywhere)라는 주제하에, SK Planet의 주요 담당자 및 Alibaba, IBM, Google, Facebook 등 글로벌 업체의 연사로 구성된 총 24개의 세션이 펼쳐졌습니다. IoT/ Big Data/ AI/ Chatbot/ VR 등 최근 화두가 되고 있는 토픽이자 커머스의 기반 기술로 활용될 수 있는 기술에 대한 동향을 파악할 수 있는 좋은 시간이었습니다. 본 행사를 통해 로아컨설팅 연구원들이 습득하고 온 내용 중 인상적이었던 부분을 이번 컬럼에서 일부 공유하고자 하며, 총 2회에 걸쳐 연재될 예정입니다.

Opening Keynote: 기술이 이끄는 Commerce 경험의 혁신(이상호 CTO, SK Planet)

이상호 CTO는 온라인 쇼핑이 처음 시작된1994과 현재를 비교하며 키노트를 시작했다. 당시 기술적 한계로 소비자의 구매여정을 온라인으로 옮기는 것이 불가능했다면, 현재는 상세보기, 360도 View 등 오프라인과 유사한 수준의 UX를 구현하는 것이 가능해 지면서 온라인과 오프라인의 경계가 허물어졌다. 이에 따라 이커머스 시장의 규모가 매우 급격한 성장세를 나타내고 있다. 2013년 38.5조였던 온라인 쇼핑 거래액이 2015년에는 53.9조 규모로 성장하였으며, 그 중 모바일 쇼핑 거래액의 비중이 17%에서 45%로 성장하는 등 모바일로의 전환 또한 급진적으로 나타나고 잇다. 또한 향후 이커머스가 나아가야 할 방향은 Zero Effort Commerce가 될 것이며, 이를 구현하기 위한 3가지 핵심 기술로 검색, 추천, 챗봇을 언급하기도 했다. 여기서 Zero Effort Commerce란 소비자의 노력을 최소화하는 Seamless한 쇼핑 경험을 제공하는 것을 의미하는데, eBay에서 2014년부터 제시해온 미래형 쇼핑 서비스에 대한 컨셉이기도 하다.

1. 검색

소비자들의 온라인 구매 횟수가 증가함에 따라, Short head의 상품뿐만 아니라 Long tail에 있는 상품을 구매하는 경우가 발생한다. 11번가의 경우 2009년 800만 개이던 상품수가 2016년 6월 기준으로 5,600만 개를 기록하는 등 폭발적인 증가 추세를 보여주고 있다. 이렇게 넘쳐나는 상품의 홍수 속에서 Long tail상품 검색이 편리하게 제공되면, 소비자는 해당 사이트에 대한 강력한 신뢰를 형성하게 된다. 이미지 기반 유사 스타일 검색 역시 검색 기능을 강화할 수 있는 좋은 방법이라고 할 수 있다. 11번가의 경우 고객이 이미지를 찍으면 이를 인식하여 의미 있는 텍스트를 추출하고, 해당 정보를 통해 현재 확보중인 인벤토리에서 유사상품을 찾아주는 이미지 검색 기능을 10월 말~11월 초 도입할 예정이다.

2. 추천

또한, 상품 수가 많아질 수록 개인화된 추천의 중요성이 커진다. 11번가의 경우 메인 화면의 오더링을 사용자 맞춤 추천으로 바꾼 이후 클릭률과, 구매 전환율이 각각 10%와 6.2%로 증가한 것으로 나타났다.

3. 챗봇

챗봇으로 대표되는Conversational commerce가 중요한 이유는, 소비자가 검색창보다 대화형 인터페이스에 자신의 Intention정보를 더 많이 제공하기 때문이다. 기업은 챗봇을 통해 소비자에 대한 정보를 더 많이 추출할 수 있게된다. 11번가는 2개월 전부터 대화형 컨시어지 서비스를 출시하여 1.4%이던 구매전환율을 9.0%로 향상시켰다. 향후 모바일 고객센터에 챗봇을 도입하여, 구매 후 질의사항에 응답하는 것에서 시작해 최종적으로는 구매 과정에서 구매자의 궁금증에 응답할 수 있도록 개발, 연구 중이다.

이상호 CTO는 현재 모든 커머스 기업이 상기 3가지 핵심기술을 강화하기 위해 노력중인만큼, 소비자의 선호를 얻어내기 위해 완성도를 확보하는 것이 가장 중요하다고 강조했다. 소비자들은 완성도를 퍼센트로 판단하는 것이 아니라, 완성도가 있다/없다 둘 중 하나로만 판단하기 때문에, 완성도에 대한 임계점 이상의 제품을 개발하여 소비자에게 인정받는 것이 핵심이라는 것이다.

Keynote 1.  Large-scale Robust Online Matching with Its applications in Alibaba (Rong Jin / VP, Alibaba Group)

Alibaba 의 Rong Jin은 이커머스 플랫폼의 핵심 과제는 소비자를 판매자 및 제품과 효과적으로 연결시켜주는 것이라며, 소비자의 Needs와 판매자/제품 사이의Matching을 이커머스의 Key Problem으로 꼽았다.

Matching의 구성요소는 Agent, Task, Award로, 제약조건이 없는 상황에서는 Award가 가장 큰 Task에 Agent를 배정하면 되므로 Matching이 매우 간단하지만, 현실에서는 예산의 한계, Agent가 한 번에 수행할 수 있는 Task 수의 제한, 특정 Task를 수행할 수 있는 Agent 수의 제한 등 제약상황이 있기 때문에 Matching에 어려움이 발생한다. Alibaba는 Robust Online Matching 기술을 통해 제약상황을 반영하고, 최적화된 매칭을 제공하고 있다. Robust Online Matching이 적용된 사례로는 Alibaba 의 Ask All 앱이 언급되었다. Alibaba는 Ask All앱을 통해 소비자가 구매에 대해 최종 결정을 내리기 전에 발생할 수 있는 모든 의심을 질문할 수 있게 한 뒤, 유저 중 이에 대답할 수 있는 최적의 Agent를 Matching해 주고 있으며, Robust Online Matching기술을 통해 질문 응답률을 20%가량 끌어올리고 있다.

Rong Jin은 또한 현재 AI가 급부상하고 있지만, 기계로부터 최대한의 역량을 끌어내는 것에만 집중하는 점을 AI의 한계로 언급하며, 이에 대한 보완으로 Matching기술의 중요성을 강조했다. Alibaba 는 Matching을 통해 5,000만 명의 유저를 활용, 단순히 AI만 활용할 때보다 훨씬 거대한 Collaborative Intelligence 플랫폼을 구축하고 있다는 것이다.

Keynote 2. Cognitive Computing with Multilingual Watson (Salim Roukos / Sr. Manager, IBM Watson Fellow)

IBM의 Salim Roukos는 Watson을 소개하기에 앞서 Cognitive Computing에 대해 설명하며 강의를 시작했다. 기존의 컴퓨터는 소프트웨어를 통해 룰을 입력하는 방식으로 작동하기 때문에 예상한 정보값과 조금이라도 어긋나면 아무것도 할 수 없게 되는 반면, Cognitive 시스템은 룰을 작성하는 대신 다량의 데이터를 입력하기 때문에 변화하는 정보에 대처할 수 있으며, 지속적인 트레이닝이 가능하다.

Roukos는 Cognitive Computing에 자연어 처리 능력이 핵심적인 역할을 수행한다고 강조했다. 인간의 지식은 대부분 텍스트 형태로 저장되어있기 때문에, 자연어 처리 능력이 있어야 시스템을 학습시키기가 수월하기 때문이다. 예를 들어 Watson Healthcare의 경우, 매일 8만 건의 의학 논문을 학습하고 있는데, 이를 통해 어떤 인간 의사보다도 빠르게 전문지식을 습득하여. 더 정확한 치료법을 추천할 수 있다.

IBM은 자사의 클라우드 플랫폼인 Bluemix를 기반으로 Watson Service API를 제공하고 있는 중이다. 자연어 분석 시스템인 Natural Language Classifier(NLC)가 소개되었는데 NLC의 핵심은 질문자의 의도(Intention)를 파악하는 것으로, IBM은 딥러닝을 통해 NLC에 질문 맥락을 학습시킴으로써 이를 구현하고 있다. 예를 들어 답을 얻고자 하는 내용을 여러 가지 문장 형태로 구성하여 질문하게 되지만, 결과적으로 얻고자 하는 답이 같은 것임을 파악하게끔 하는 것이다. 비밀번호를 잊어버려서 알고 싶은 경우 “새 비밀번호를 얻으려면 어떻게 해야 하나?”라고 단도 직입적으로 묻는 사람이 있다면, “비밀번호를 잊어버렸어요”라고 하거나 혹은, “비밀번호가 기억이 안나요” 라고 말하는 사람도 있는 식이다.

개발자들이 Watson에 도메인을 학습시키는데 사용되는 Watson Knowledge Studio도 소개되었다. Watson Knowledge Studio는 텍스트를 입력하면 색깔 별로 단어의 속성을 분류, 도메인에 대해 학습시키는 기능을 한다. Roukos가 강연 중 시연한 내용에서는 Watson이 Article 상의 내용을 단어 단위로 Break down하고 웹에 있는 정보 링크를 연결하여 꼬리에 꼬리를 무는 방식으로 학습하는 과정이 소개되었다.

Roukos는 최대한 많은 사용자 경험을 확보해 기능을 향상시키는 데 다중 언어 지원도 중요한 요소라고 강조하였다. 현재 Watson Knowledge Studio는 9개의 언어를 지원하며 SK와의 파트너십을 통해 한국어 지원을 준비하고 있다. 최근 CBS의 인기 프로그램인 60 minutes에서 Artificial Intelligence를 주제로 Watson이 언급된 영상을 시청할 것을 권하며 강의를 마무리 했다.

http://www.cbsnews.com/videos/artificial-intelligence/

AWS IoT를 통한 로보틱스 (Markku Lepisto / Principal Technology Evangelist, Amazon Web Services)

최근 제품 경쟁력 확보의 핵심은 속도 개선에 있다. 기업들은User Application의 차별화에 집중하면서 그 이하의 것은 AWS 플랫폼을 통해 자동화 함으로써 속도 향상이 가능하다는 점이 강의 초반 강조되었다. 특히, AWS IoT는 X509 certification를 통해 최고수준의 보안을 확보해 IoT를 구현하기 위한 최적의 조건을 마련했다고 한다. AWS IoT을 이용한 상용화 사례로는 GE의 Predix와 Philips Hue등이 언급되었다.

무엇보다 현장에서 AWS를 활용한 로보틱스 기술이 직접 시연된 부분이 흥미로웠다. IoT 디바이스의 SDK와 AWS SDK를 이용해 클라우드 상에 디바이스의 가상화 버전인 Shadow를 형성하고, 이 Shadow에 명령을 내릴 수 있다. 해당 명령과 작동 정보는 모두 AWS 서버로 전송되어 저장된다. 시연을 통해 누구나 디바이스를 매우 쉽게 클라우드와 연결할 수 있다는 점이 강조되었다. 시연에 활용된 로봇은 스피로(sphero)라는 이름의 구(sphere) 형태 로봇으로, 인텔의 에디슨(Edison) 모듈이 적용되어 스피로를 전후좌우로 이동하도록 하거나 컬러를 바꾸도록 명령하는 장면이 실시간으로 연출되었다. 또한 라즈베리 파이 2(Raspberry Pi 2)를 통해서는 스피로에 음성(Voice)을 부여하기도 했다. 스피로가 즉석에서의 명령을 통해 강연 단상을 질주하며 귀엽게Go Go Go!를 외치는 장면은 매우 인상적이었다. 스피로에 알렉사(Alexa)를 추가 적용하여 음성으로 명령하는 것 또한 가능했다.

Visual search at SK Planet(나상일 / 매니저, SK플래닛)

기존의 Visual search는 단순 배경의 Single object를 인식하는 데는 적합하지만, 실제 판매자들이 DB에 업로드 하는 복잡한 배경의 Multi object 이미지를 인식하는 데는 적합하지 않다. 또한 유사상품에 대한 정의가 주관적이라는 점도 문제점으로 언급되었다. SK Planet은 실제 DB에서의 상용화를 목표로 이 같은 문제점을 개선시키려 노력하였다.

먼저 Multi object 검색이 가능하도록 Detection 기술을 적용하였다. 또한 딥러닝을 통한 특징 추출 방식인 Deep feature를 적용, Low-level Feature, Mid-level Feature, High-level Feature 로 나누어 여러 단계로 Feature를 추출함으로써 야외에서 촬영한 것처럼 복잡한 배경에서도 인식 가능하도록 인식률을 높였다 마지막으로 누구나 유사성을 느낄 수 있는 유사상품 추천 기능을 위해 Attribute classifier를 도입, Great Category/Fashion Category /Gender / Silhouette / Collar / Sleeve length 등 패션 전문가들의 도움을 받아 Categorize 된 광범위한 Dataset를 구축한 뒤 이를 Attribute classifier에 머신 러닝 시킴으로써 유사상품 추천 기능을 향상시켰다.

(2부에서 계속됩니다.)