대규모 디지털 라이프스타일 코칭을 위한 프라이버시 설계 기반 적응형 그룹 할당

디지털 라이프스타일 코칭 시스템은 사용자 행동과 참여도가 진화함에 따라 동료 지원 (peer support)을 개인화해야 하는 동시에, 개인 식별 정보 (PII) 및 민감한 건강 정보 (sensitive health information)가 분석 및 AI 파이프라인으로 유출되는 것을 방지해야 합니다. 이는 실질적인 긴장 관계를 형성합니다. 즉, 개인화에는 종단적 연결 가능성 (longitudinal linkability)이 필요하지만, 프라이버시 엔지니어링 (privacy engineering)에는 최소화, 분리 및 통제된 재식별 (re-identification)이 필요하기 때문입니다. 본 논문에서는 프라이버시를 보호하는 라이프스타일 코칭을 위해 이해관계자 중심의 아키텍처이자 적응형 동료 그룹 할당 방법론인 PRISM-Coach를 제안합니다. PRISM-Coach는 각 사용자를 Identity (식별), Operational (운영), Learning (학습), Coaching (코칭)이라는 네 가지 제한된 뷰 (bounded views)로 분리하며, 각 뷰는 서로 다른 접근 제어 및 리스크 프로필을 가집니다. 이러한 분리를 기반으로, 시스템은 금고 기반의 통제된 신원 복구 (vault-based controlled identity restoration), 코치의 역량 및 안정성 제약 조건 하에서 적격한 동료 그룹에 사용자를 할당하는 프라이버시 제약 컨텍스츄얼 밴딧 (privacy-constrained contextual bandit), 그리고 외부 AI 서비스로 가공되지 않은 PII나 PHI (개인 건강 정보)를 전송하지 않고 비식별 요약 및 메시지 초안을 생성하는 Human-in-the-loop 코칭 어시스턴트를 사용합니다. 우리는 상용으로 배포된 라이프스타일 코칭 플랫폼에 PRISM-Coach를 구현하였으며, 약 2,800명 사용자의 3년간의 텔레메트리 (telemetry) 데이터와 앱 내 요구사항 평가 설문조사를 통해 이를 평가했습니다. 인구 집단 수준에서 일일 체크인 준수율 (adherence)은 0.35에서 0.68로 증가하였고, 참여도는 기준선 대비 1.35로 상승했습니다. 매칭된 19주 비교 기간 동안, AI 기반 워크플로우는 정적 그룹화 (static grouping) 방식의 0.48 대비 0.74의 준수율을 달성하였으며, 평균 체중 감량 또한 3.1 kg 대비 5.2 kg으로 더 높게 나타났습니다. 설문 결과, 82%가 긍정적인 인지적 이익을 보고하였고, 투명성 공개 이후 92%가 프라이버시 신뢰도가 향상되었다고 답했습니다. 이러한 결과는 PRISM-Coach가 일상적인 웰니스 분야에서 프라이버시 설계 기반 (privacy-by-design) 적응형 학습 시스템을 위한 실질적인 청사진임을 입증합니다.