Towards welfare-oriented recommendations in activity-travel behavior

매일 사람들은 어디로 갈지, 무엇을 할지에 대해 수많은 선택을 내립니다. 저녁 식사를 위한 레스토랑을 고르는 것부터 어느 공원을 방문할지 결정하는 것까지, 이러한 결정은 결코 진공 상태에서 이루어지지 않습니다. 점점 더 많은 이들이 다른 사람들이 좋아했던 것이나 현재 인기 있는 것을 바탕으로 옵션을 제안하는 디지털 비서와 추천 시스템의 안내를 받습니다. 이러한 도구들은 삶을 더 편리하게 만들기 위해 설계되었지만, 한 가지 근본적인 가정을 바탕으로 작동합니다. 즉, 어떤 옵션이 인기가 많거나 높은 평점을 받는다면 개인 사용자에게도 좋은 선택이 될 것이라는 가정입니다. 그러나 이 가정은 일상생활의 중요한 숨겨 된 요소인 '그곳에 도달하는 비용'을 종종 간과합니다. 여행과 활동 계획의 세계에서 이동 시간, 연료비, 목적지에 도달하기 위해 필요한 노력은 실제적인 비용이며, 경험이 실망스러울 경우 환불받을 수 없는 것들입니다. 도시 반대편에 있는 높은 평점의 레스토랑은 화면상으로는 아주 좋은 아이디어처럼 보일 수 있지만, 만약 이동 시간이 극심한 교통 체증 속에서 한 시간이나 걸리고 식사가 그저 평범한 수준이라면, 사용자는 얻은 것보다 더 많은 것을 잃게 됩니다. 알고리즘이 추천하는 것과 실제로 개인에게 유익한 것 사이의 이러한 괴리는 현재 연구자들이 해결하려고 노력 중인 핵심적인 과제입니다.

연구팀은 이러한 디지털 제안을 바라보는 새로운 사고방식을 개발하여, 단순한 인기를 넘어 그들이 "사용자 복지(user welfare)"라고 부르는 개념으로 초점을 전환했습니다. 그들의 방식은 어떤 옵션이 가장 많이 클릭되거나 리뷰가 많은지를 묻는 대신, 더 개인적인 질문을 던집니다. "이 제안을 따르는 것이 사용자가 스스로 무언가를 선택했을 때보다 실제로 그를 더 나은 상태로 만드는가?" 이를 탐구하기 위해 연구진은 복잡한 컴퓨터 시뮬레이션, 즉 250명의 디지털 여행자로 구성된 가상 도시를 구축했습니다. 이 여행자들은 단순한 로봇이 아니었습니다. 그들에게는 뚜렷한 성격, 서로 다른 인내심 수준, 다양한 금액의 자산, 그리고 독특한 의사결정 방식이 부여되었습니다. 어떤 이들은 충동적이었고, 어떤 이들은 신중했으며, 또 어떤 이들은 기존의 습관을 고수하는 경傾向이 있었습니다. 이 시뮬레이션은 이 디지털 사람들이 60일간의 시뮬레이션 기간 동안 다양한 유형의 추천 시스템과 상호작용하도록 하여, 교통 체증, 변화하는 선호도, 그리고 잘못된 선택의 결과 등을 관찰하고 측정할 수 있는 현실적인 환경을 조성했습니다.

연구진은 가상 도시에서 다섯 가지 주요 접근 방식을 테스트했습니다. 첫 번째는 에이전트들이 알고리즘의 개입 없이 전적으로 자신의 선호에 따라 여가 영역과 장소를 선택하는 기준 조건(baseline)이었습니다. 두 번째는 오늘날 존재하는 시스템과 유사한 표준 시스템으로, 개인의 구체적인 비용을 걱정하지 않고 인기와 일반적인 관련성을 바탕으로 장소를 순위 매깁니다. 세 번째와 네 번째 접근 방식은 새로운 복지 지향적 시스템입니다. 이 중 하나는 '긍정적 효용(positive utility)' 필터를 사용했는데, 이는 안전 점검 역할을 했습니다. 시스템은 장소를 제안하기 전에, 활동의 즐거움이 이동 비용을 상쇄할 가능성이 있는지 계산했습니다. 만약 수학적 계산 결과 그 여정이 순손실이 될 가능성이 높다면, 시스템은 단순히 침묵하며 사용자가 스스로 선택하도록 내버려 두었습니다. 또 다른 새로운 접근 방식은 '후회 최소화(regret minimization)' 필터를 사용했습니다. 이 시스템은 추천된 옵션을 사용자가 스스로 찾을 수 있었던 최선의 대안과 비교했습니다. 만약 추천이 다른 선택을 했을 때보다 사용자를 더 좋지 않은 상태로 만들 가능성이 있다면, 시스템은 제안을 보류했습니다. 다섯 번째는 모든 사용자의 선호도를 완벽하게 알고 있는 가상의 '오라클(Oracle)' 시스템으로, 개선의 여지가 얼마나 남아 있는지를 측정하기 위한 상한선 역할을 했습니다.

시뮬레이션 결과는 복지 지향적 접근 방식의 명확한 우위를 보여주었습니다. 가상 도시에서 표준 시스템은 종-종 사용자들이 활동의 즐거움을 이동 비용이 갉아먹는 상황으로 몰아넣었습니다. 표준 시스템은 아무런 시스템이 없을 때보다 평균적인 경험을 약간 개선하기는 했지만, 여전히 사용자가 제안을 받지 않았을 때보다 오히려 상황이 나빠지는 상당한 수의 "나쁜 여행"을 초р 발생시켰습니다. 반면, 복지를 위해 필터링을 적용한 시스템들은 이러한 부정적인 경험을 극적으로 줄였습니다. 가능성이 낮은 경우에는 제안을 거부함으로써, 이 새로운 시스템들은 사용자들이 시간과 돈을 낭비하는 것으로부터 보호했습니다. 시뮬레이션은 시스템이 제안을 자제했을 때, 제안을 받은 사용자들이 자신의 선택에 훨씬 더 만족했다는 것을 보여주었습니다. 여행의 평균 만족도는 증가했고, 서로 다른 사용자들이 받는 대우의 불평등은 감소했습니다. 이 시스템은 단지 더 인기 있는 곳을 추천하는 것이 아니라, 적절한 사람에게 적절한 시간에 적절한 곳을 추천했습니다.

아마도 가장 놀라운 발견은 표준 시스템이 얼마나 많은 해를 끼치고 있었는가 하는 점일 것입니다. 시뮬레이션에 따르면, 표준 추천이 사용자의 하루를 스스로 선택했을 때보다 더 나쁘게 만든 경우가 거의 40%에 달했습니다. 이는 알고리즘이 사용자의 실제 결과보다 참여(클릭이나 방문)를 우선시하기 때문에 발생합니다. 새로운 복지 지향적 필터는 이러한 해악의 비율을 유의미하게 낮추어, 사용자가 더 나쁜 상황에 처하게 되는 비율을 약 31% 정도로 줄였습니다. 또한, 이 연구는 이러한 필터가 특정 유형의 여행자들에게 특히 도움이 된다는 것을 발견했습니다. 위험을 회피하거나 너무 많은 선택지에 압도되기 쉬운 사람들은 시스템의 절제로부터 가장 큰 혜-택을 받았습니다. 이들에게 알고리즘은 제품을 밀어붙이는 판매원이라기보다, 언제 침묵해야 하는지를 아는 사려 깊은 친구처럼 행동했습니다.

연구진은 또한 정교한 균형이 필요하다는 사실을 발견했습니다. 만약 시스템이 너무 엄격해져서 제안을 너무 자주 거부한다면, 그것은 더 이상 도움이 되지 않습니다. 시뮬레이션은 시스템이 가장 효과적인 특정 임계값을 식별했습니다: 즉, 나쁜 옵션은 걸러낼 만큼 엄격하면서도, 유용한 안내를 제공할 만큼 느슨한 지점입니다. 올바르게 조정되었을 때, 이러한 복지 지향적 시스템은 현재의 기술과 모든 사용자가 정확히 무엇을 원하는지 아는 완벽하고 이상적인 시스템 사이의 격차를 상당 부분 메울 수 있었습니다. 비록 이 연구가 실제 세계가 아닌 시뮬레이션 환경에서 수행되었지만, 그 논리는 검토 결과 타당합니다. 이 결과는 차세대 여행 및 활동 앱이 사용자가 무엇을 클릭할지 예측하는 데 더 똑똑해지는 것뿐만 아니라, 언제 말을 하고 언제 물러나야 하는지에 대해 더 원칙적이어야 함을 시사합니다. 사용자의 시간과 에너지를 회복할 수 없는 가치 있는 자원으로 취급함으로써, 이러한 시스템은 단순한 편의 도구에서 일상적인 의사결정의 진정한 파트너로 변모할 수 있습니다.