당신의 스마트폰이 영상, 포스트, 스토리와 같은 콘텐츠가 가득 차 있는 마법 같고 끝없는 뷔페라고 상상해 보세요. 이 뷔페에는 매우 바쁜 보이지 않는 요리사가 음식을 내어주고 있습니다. 수년 동안 이 요리사는 당신이 이전에 무엇을 먹었는지만을 바탕으로 당신의 취향을 추측하며 어둠 속에서 일해 왔습니다. 만약 당신이 고양이 사진 앞에서 머뭇거렸다면, 요리사는 당신이 고양이를 천 마리 더 보고 싶어 한다고 가정합니다. 만약 당신이 요리 레시피를 지나쳤다면, 요리사는 당신이 요리를 싫어한다고 생각합니다. 이것을 "수동적 랭킹(passive ranking)"이라고 부릅니다. 이는 추측하는 데는 유능할지 모르지만, 당신의 말을 들을 수 없기 때문에 종종 빗나가는 경우가 많습니다. 요리사는 당신이 정말로 그 고양이를 보고 싶었던 것인지, 아니면 그저 고양이를 쓰다듬으려고 잠시 멈춘 것인지 알지 못합니다.

최근 대규모 언어 모델(LLM)이라는 새로운 종류의 기술이 등장했습니다. 이들을 똑똑하고 수다스러운 비서라고 생각해 보세요. 이들은 당신이 무엇을 클릭했는지뿐만 아니라, 당신이 무엇을 말하는지까지 이해할 수 있습니다. 이들은 당신의 목소리를 듣고, 메시지를 읽으며, 당신의 기분 속에 담긴 미묘한 차이까지 이해할 수 있습니다. 추천 시스템을 구축하는 과학자들의 큰 질문은 이것입니다. "이 수다스러운 비서가 주방을 맡을 수 있도록 가르칠 수 있을까? 우리가 '사실 오늘은 고양이는 지겨우니, 우주에 관한 사실들을 가져다줘'라고 말하면, 요리사가 즉시 메뉴를 바꿀 수 있게 할 수 있을까?" 이것이 바로 "대화형 추천(conversational recommendation)"의 과제입니다. 즉, 당신의 취향을 추측하는 시스템에서 당신의 주문에 귀를 기울이는 시스템으로 넘어가는 것입니다.

"피드를 형성하라(Shape Your Feed)" 시스템: 경청하는 요리사

연구 논문에서 메타(Meta)의 연구진은 **Shape Your Feed (SYF)**라는 새로운 시스템을 소개합니다. 그들은 요리사가 단순히 추측하는 것이 아니라, 당신의 직접적인 지시에 따라 듣고, 배우고, 실시간으로 메뉴를 조정하는 디지털 주방을 만들었습니다. SYF는 사용자가 "싫어요"를 누를 때까지 기다리는 수동적인 시스템 대신, 사용자를 대신해 행동할 수 있는 지능적인 비서처럼 움직이는 "에이전트형(agentic)" 시스템입니다.

연구진은 수다스러운 AI와 전통적인 추천 엔진을 결합함으로써, 훨씬 더 당신만의 피드처럼 느껴지는 피드를 만들 수 있다는 것을 발견했습니다. 사용자가 시스템과 대화를 나누거나 스마트 버튼을 사용하여 원하는 바를 정확히 말할 수 있을 때, 시스템이 적절한 콘텐츠를 보여주는 능력이 훨씬 더 좋아진다는 것을 입증했습니다.

마법이 일어나는 방식: 3단계 흐름의 주방

SYF 시스템은 주방에서 각기 다른 역할을 수행하는 세 부분의 팀처럼 작동합니다.

1. 인지 흐름 (귀와 뇌)
이곳은 시스템이 당신의 말을 듣는 곳입니다. 당신은 "요리 영상을 더 보고 싶지만 매운 음식은 빼줘"라고 타이핑하거나, 목소리로 "정치 이야기는 덜 보여줘"라고 말하거나, "이 주제는 지겨워"라고 적힌 스마트 버튼을 누를 수 있습니다. 인지 흐름은 이러한 무질서하고 인간적인 지시사항을 명확하고 조직화된 "시맨틱 프로필(Semantic Profile)"로 변환합니다. 이것은 요리사가 당신의 두서없는 주문을 바탕으로 깔끔한 쇼핑 목록을 작성하는 것과 같습니다. 시스템은 당신의 기록을 기억하므로, 만약 당신이 어제 "정치 금지", 오늘 "기술 더 많이"라고 말했다면 그에 따라 목록을 업데이트합니다. 심지어 당신이 대화하는 동안에도 새로운 "재료"(영상이나 포스트)를 조용히 찾아 나섭니다.

2. 서빙 흐름 (플레이팅과 서빙)
목록이 준비되면 서빙 흐름이 바통을 이어받습니다. 이 단계는 시스템이 보통 보여주는 방대한 양의 콘텐츠(후보군)를 살펴보고 정렬하기 시작합니다. 시스템은 요리사의 새로운 쇼핑 목록을 사용하여 다음 작업을 수행합니다:

• 추가: 당신의 새로운 관심사에 맞는 신선한 아이템을 끌어옵니다.
• 가지치기: 당신이 금지한 규칙(예: 금지한 정치 포스트)을 위반하는 항목을 제거합니다.
• 재순위 지정: 당신이 요청한 것들이 맨 위에 오도록 접시를 다시 배치합니다.
  결정적으로, 이 과정은 매우 빠르게 일어납니다. 시스템은 단순히 추측하는 것이 아니라, 당신의 새로운 요청이 순위를 얼마나 변화시켜야 하는지 결정하기 위해 스마트한 점수 산정 방식을 사용합니다. 이는 당신의 명시적인 주문과 시스템이 기존에 알고 있던 당신의 취향을 조화시켜, 작은 변화를 요청했다고 해서 당신이 좋아하는 콘텐츠를 모두 잃지 않도록 보장합니다.

3. 자기 진화 흐름 (맛을 보는 사람)
이 부분은 시스템이 시간이 지남에 따라 점점 더 똑똑해지게 만드는 요소입니다. 시스템은 당신에게 음식을 대접한 후, 당신이 어떻게 행동하는지 관찰합니다. 당신이 새로운 요리 영상을 먹었나요? 아니면 기술 포스트를 버렸나요? 또한 시스템은 "판사" AI 팀을 사용하여 자신의 결정이 좋았는지 확인합니다. 만약 시스템이 실수를 했다면, 그것으로부터 배웁니다. 연구진은 **직접 선호도 최적화(DPO)**라는 기술을 사용했는데, 이는 요리사가 완벽한 맛을 낼 때까지 엄격한 음식 평론가와 함께 연습하는 것과 같습니다. 이 루프를 통해 시스템은 단순히 명령을 한 번 따르는 것에 그치지 않고, 매번 명령을 따를 때마다 더 발전하게 됩니다.

연구 결과: 증거는 맛에 있다

연구진은 단순히 시스템을 구축한 것에 그치지 않고, 실제로 효과가 있는지 테스트했습니다.

오프라인 테스트 (연습 게임)
먼저, 포스트가 사용자의 요청과 일치하는지 결정하는 부분인 "정렬 점수(alignment scoring)" 모듈을 테스트했습니다. 그들은 몇 가지 예시만을 바탕으로 추측하는 기존 방식과 새로운 시스템을 비교했습니다.

• 기존의 "퓨샷(few-shot)" 방식은 결정의 약 **83.84%**를 맞혔습니다.
• "판사" AI와 함께 훈련하고 실제 사용자 데이터로 정교화된(SFT + DPO) 새로운 시스템은 결정의 **98.85%**를 맞혔습니다.
• 또한 이 작업은 매우 빠르게 수행되어, 리스트의 아이템을 점수 매기는 데 단 323밀리초밖에 걸리지 않았습니다. 이는 휴대폰이 느려지지 않을 만큼 충분히 빠른 속도입니다.

온라인 테스트 (실제 식사)
그 후, 미국과 캐나다의 실제 사용자들에게 몇 달 동안 SYF를 배포했습니다. 사용자들을 두 그룹으로 나누었는데, 한 그룹은 기존의 정적인 시스템을 사용했고, 다른 그룹은 새로운 "Shape Your Feed" 시스템을 사용했습니다.

• 사용자들은 새로운 컨트롤에 만족했습니다: 기존의 정적인 버튼과 새로운 "컨텍스트 인식 피드백 필(Context-Aware Feedback Pills, 보고 있는 내용에 따라 변하는 스마트 버튼)" 사이에서 선택권을 주었을 때, **76.02%**의 사용자가 더 똑똑한 새 버튼을 선택했습니다.
• 싫어하는 콘텐츠가 줄었습니다: 새로운 시스템은 사용자가 거부하거나 싫어하는 포스트의 수를 성공적으로 줄였습니다. "포스트 건너뛰기(Post Dismiss)" 비율은 1.70% 감소했고, "포스트 싫어요(Post Dislike)" 비율은 2.74% 감소했습니다. 이는 시스템이 사용자가 원하지 않는 것을 걸러내는 데 더 효과적이었음을 의미합니다.
• 새로운 발견: 사용자들이 새로운 관심사를 탐색하는 빈도가 높아졌으며, "관심사 소비(Interest Consumption)"가 0.16% 증가했습니다. 이는 시스템이 단순히 무언가를 숨기는 것이 아니라, 사용자가 실제로 좋아할 만한 새로운 것을 찾도록 돕고 있음을 시사합니다.

이것이 의미하는 바

이 논문은 우리가 과거의 클릭을 바탕으로 단순히 추측하는 시스템에서 벗어날 수 있음을 보여줍니다. 우리의 말을 이해하고 행동할 수 있는 AI 계층을 추가함으로써, 우리는 훨씬 더 개인적이고 덜 답답한 피드를 만들 수 있습니다. 연구진은 이러한 접근 방식이 현실 세계에서도 잘 작동하며, 사용자를 더 행복하게 만들고 넘겨버려야 하는 콘텐츠의 양을 줄여준다는 것을 발견했습니다.

하지만 저자들은 이 시스템이 당신이 목소리를 내는 것에 의존한다는 점을 주의 깊게 언급했습니다. 만약 당신이 시스템에 원하는 바를 말하지 않는다면, 시스템은 예전의 수동적인 추측 방식으로 돌아갑니다. 그들은 향-후 버전이 더욱 능동적이어야 한다고 제안합니다. 예를 들어, 사용자가 지루함을 느끼기도 전에 먼저 질문을 던져, 피드백을 주는 것을 어려워하는 사람들을 돕는 방식입니다. 하지만 현재로서는, Shape Your Feed는 경청하는 추천 시스템이 더 잘 작동한다는 것을 증명하고 있습니다.