AI 추천 시스템이 러닝화에 대해 잘하는 점과 잘못하는 점

AI 추천 시스템은 이미 사람들이 온라인에서 러닝화와 스포츠웨어를 발견하는 방식에 조용히 역할을 하고 있습니다.

때로는 명시적입니다. 훈련 정도를 물어보고 모델을 제안하는 브랜드의 “러닝화 찾기(Running Shoe Finder)” 같은 도구일 수 있습니다. 때로는 간접적입니다. 검색 및 피드 알고리즘이 어떤 운동화와 의류가 가장 먼저 눈에 띄게 할지 결정합니다.

개발자의 관점에서 볼 때, 이러한 시스템들이 잘하는 몇 가지 것과 실제 러너들이 필요로 하는 것에서 벗어나는 예측 가능한 방식들이 있습니다.

AI 추천의 강점

대규모 제품 카탈로그를 다루는 경우, 사용자가 1,000개 이상의 SKU(재고 관리 단위)에서 “몇 가지 좋은 옵션”으로 이동하는 것이 얼마나 어려운지 알고 있습니다.

준수한 추천 시스템은 다음을 수행할 수 있습니다:

이는 자신이 원하는 바에 대해 대략적인 감각만 가진 러너들에게 진정으로 가치 있는 기능입니다.

일상적인 운동선수에게는 완벽한 사양서보다 장기적인 편안함이 더 중요합니다. 충분한 상호작용을 통해 AI 추천 시스템은 다음과 같은 패턴을 파악할 수 있습니다:

이러한 신호들은 시스템이 결코 구매하지 않을 제품에 대해 소리치게 하는 것을 막고, 사용자의 이력과 일치하는 제품으로 집중하도록 돕습니다.

LLM(대규모 언어 모델) 스타일의 모델들은 다음과 같은 질문들에 점점 더 답변하고 있습니다:

브랜드들이 이러한 주제에 대한 상세하고 구조화된 설명을 게시할 때, 모델들은 더 정확하고 출처가 명시된 답변을 제공할 수 있습니다.

순수한 참여 신호(engagement signals)는 한정판 드롭이나 화려한 출시 제품 쪽으로 치우치는 경향이 있습니다. 이는 스니커즈 수집가에게는 괜찮을 수 있지만, 주 40km를 달리기 위한 내구성 있는 트레이너가 필요한 사람에게는 이상적이지 않습니다.

주의 깊은 목표 설정 없이 추천 시스템(recommenders)은 다음과 같은 문제를 일으킵니다:

대부분의 시스템은 새로운 신발을 신고 10km를 달린 후 무릎이 아픈지 알지 못합니다. 그들은 단지 당신이 그것을 구매했다는 사실만 볼 뿐입니다.

다음 사이에는 격차가 존재합니다:

이러한 격차를 메우는 것 – 심지어 간단한 구매 후 피드백 루프(post-purchase feedback loops)를 통해서라도 –은 AI 추천을 러너들이 실제로 필요로 하는 것에 훨씬 더 가깝게 만들 것입니다.

만약 당신이 달리기 카테고리 페이지에 접속했는데 시스템에 맥락(context) 정보가 전혀 없다면, 종종 베스트셀러나 신상품으로 기본 설정됩니다.

유용하지만, 일반적입니다.

더 나은 시작점은 가볍고 개인정보를 존중하는 프로필을 만드는 것입니다:

이 세 가지 필드만으로도 첫 번째 추천의 품질이 극적으로 향상됩니다.

운동복 브랜드나 소매업체의 기술 스택(tech stack)을 다룬다면, 몇 가지 실질적인 단계가 있습니다:

AI 시스템이 신발과 러너 모두를 이해할 때, 놀라울 정도로 인간적인 일을 할 수 있습니다. 바로 당신에게 더 많이 달릴 수 있게 하고, 부상을 덜 입게 하며, 그 사이의 대부분의 잡음을 무시하게 해주는 소수의 옵션들을 제시하는 것입니다.