인공지능 트렌드#04 스포티파이는 인공지능을 어떻게 활용했을까?

인공지능과 데이터 산업의 발전에 따라 기업들은 인공지능을 자사 산업에 적극 활용하고 있습니다. 특히, 플랫폼 비즈니스 기업들은 인공지능을 도입하면서 새로운 방향으로 발전해나가고 있는데요. 이들이 어떠한 방식으로 인공지능을 활용하고 있는지 알려드릴게요.

취향저격 플레이리스트 맛집 스포티파이

“노동요 플레이리스트

방구석 예술가 Isfp의 방에서 흘러나오는 노래

연희동 카페, 산미 좋은 드립커피를 마시며

나 다시 돌아갈래! 0n년생 추억팔이 케이팝 플레이리스트”

이게 다 무엇인지 아시나요? 하나하나 음악을 찾아보던 때와 달리, 요즘에는 상황에 맞는 노래를 큐레이팅 해주는 플레이리스트가 큰 인기를 끌고 있죠! 

스포티파이는 음악 스트리밍 앱으로 이용자의 취향을 저격하는 개인 맞춤형 음원 및 아티스트 추천 서비스로 유명합니다. 공부할 때, 피크닉할 때, 운동할 때, 운전할 때 등 이런 상황에 적합한 플레이리스트 뿐만 아니라, 편집샵 플레이리스트와 같이 특정 상황에 있는듯한 느낌을 주는 플레이리스트까지 수 만개의 플리가 존재합니다. 스포티파이는 2013년 최초로 인기차트가 아닌 AI를 기반으로 음악을 추천해주는 혁신적인 시스템을 도입했는데요. 어떻게 음악추천시스템에 인공지능을 도입했는지 지금부터 자세히 알려드릴게요😉

#1 스포티파이: 인공지능과 머신러닝의 대활약

스포티파이는 매주 월요일, ‘주간 추천 플레이리스트’를 사용자에게 추천해줍니다. 

“스포티파이는 비싸지만 내가 듣고 싶은 노래를 너무 잘 추천해줘” 스포티파이 이용자들이 항상 하는 말이죠. 

스포티파이의 음악 전문가들이 직접 노래를 선곡해서 플레이리스트를 제작할 수도 있지만, 스포티파이의 모든 사용자들을 위해 일일히 선곡하는 것은 사실상 불가능하겠죠? 이 문제를 해결하기 위해 스포티파이는 알고리즘을 실행해요. 

이용자들의 음악추천시스템을 개발하고, 이 과정에서 머신러닝을 사용합니다. 좀 더 자세히 알아볼까요?

이용자의 온라인 행위를 분석할 때는 협업 필터링(Collaborative Filtering)모델, 자연어처리(NLP)모델과 오디오 분석(Audio Analysis) 모델을 사용합니다. 

🤔 협업 필터링 모델이 뭔데? 

💁‍♂️ CF라고도 불리는 협업 필터링 모델은 추천시스템에서 가장 많이 쓰이는 모델로 유저-아이템 간의 상호작용 데이터를 다루는 기술이야. “이 노래를 좋아했던 사람은 어떤 노래를 좋아할까?”에 대한 질문을 해결할 수 있어. 비슷한 취향을 가진 사람들은 어떠한 곡에 대해 비슷한 선호도를 가질 것이라고 예상할 수 있지.

🤔 자연어처리 모델은 뭐야?

💁‍♂️ 사람들의 온라인 행동(뉴스, 블로그 등에 나타난 코멘트나 SNS의 좋아요 표시 등)을 분석하는 모델이야. 

🤔 그럼, 오디오분석 모델은?

💁‍♂️ 스포티파이가 보유한 음악들의 장르, 음조(Tunes), 조성(Key) 등을 분석하고 비슷한 음악들을 분류하는 모델이야. 

즉, 스포티파이는 이 세 기술을 통해 수백만 개의 데이터로 구성된 2개의 벡터(User Vector, Song Vector)로 거대행렬을 만들고 이를 분류하는 알고리즘을 사용하는 것이죠. 이것이 바로 개인화된 추천리스트의 비법이랍니다! 

스포티파이의 큐레이션 시스템은 기술을 통해 모은 모든 정보를 통합하여 개별 이용자를 위한 추천 플레이리스트를 생성합니다. 어떤 순서로 플레이리스트가 생성되는지 알아볼까요?

먼저, 특정 음악을 선택하거나, 플레이리스트를 생성하는 등의 청취자의 행위 데이터를 분석하고 웹 스크래핑, 스코어링 하여 의미있는 특징을 변수화하고 이용자 벡터(User Vector)를 생성해요. 보유 음악들은 장르, 빠르기, 재생시간 등의 개별 특징을 나타내는 변수를 생성하여 이를 행렬로 만들고, 인자분석을 통해 주요 변수를 추린 후 곡 벡터(Song Vector)를 생성합니다. 

*인자분석이란? 결과값에 강한 영향을 주는 변수를 식별하는 방법을 말해요! 

다음으로, 만들어진 이용자 벡터와 곡 벡터를 각각 행과 열로 하는 수백만 개의 관측값을 갖는 행렬을 구성해요. 그후, 분류 알고리즘을 적용해 유사성 높은 벡터들을 그룹화합니다. 마지막으로, 그룹 공통 리스트에서 빠져있는 곡을 다른 이용자의 추천리스트에 추가하거나, 새로운 음악의 속성들을 분석하여 개인화된 Weekly Playlist에 추가하는 방법으로 개인화 추천 플레이리스트를 구성하는 것이죠! 

#2 스포티파이: 성과

스포티파이는 이러한 기술 덕분에 충성고객을 만들 수 있었어요. 기존 음악 스트리밍 기업들과는 차별화된 머신러닝 기반 기술로 더욱 완벽한, 취향에 맞는 음악을 이용자에게 추천해줄 수 있었기 때문이죠. 이는 바로 락인(Lock-in) 효과를 불러 일으킵니다. 스포티파이에 이탈하여 다른 음악 앱을 가입해도 지금까지 쌓았던 행동 데이터가 없기 때문에 내 마음에 쏙! 드는 음악을 추천받기 힘드니까요. 

스포티파이에서 활용 중인 행동 데이터를 이용한 협업필터링은 크라우드웍스에서 사용되고 있는 인력매칭 기술과 매우 유사한데요! 크라우드웍스에서는 36만명 크라우드워커의 행동데이터와 플랫폼에서의 작업 이력을 기반으로 프로젝트에 가장 적합한 인력을 추천하고 고객사의 조건을 만족하는 작업자 선정 과정을 통해 프로젝트를 진행하고 있습니다. 이러한 독특한 HR매칭 기술 덕분에 크라우드웍스에서는 최적의 인력으로 가장 효율적인 데이터 가공이 가능하죠. 마음을 읽는 듯한 스포티파이의 플레이리스트 추천을 연상시키는 크라우드웍스의 HR매칭 기술이 궁금하시다면, 언제든 문의주세요!    

다음에도 재밌는 사례들로 찾아뵙겠습니다. 😚