비즈니스 문제를 AI 문제로 정렬하는 방법: 최적화와 완화 전략

AI 조직의 본질: 효용 함수 최적화

AI 조직은 비즈니스 문제를 AI 문제로 정렬하여 해결합니다. 본질적으로 모든 문제는 효용 함수(또는 손실 함수)를 최적화하는 문제로 귀결되며, AI는 수학적 해를 통해 비즈니스 문제를 풀어냅니다.

문제 해결의 핵심: 완화(Relaxation)

• 볼록 완화 (Convex Relaxation): 직접 풀기 어려운 비볼록(non-convex) 문제를 풀기 쉬운 볼록(convex) 문제로 변환하는 기법. Lasso Regression이 대표적인 예시로, l0 제약을 l1 정규화 항으로 완화하여 조합 최적화 문제를 볼록 문제로 변환합니다.
• AI 문제로의 치환: 복잡한 비즈니스 문제를 직접 해결하는 대신, AI 문제로 완화하여 접근합니다. 예를 들어, 비즈니스 지표 개선이라는 목표를 '분류기 학습'이라는 AI 문제로 바꾸어 풉니다.

"잘 완화한다"는 것의 의미

1. 유사성: 완화된 문제의 해가 원래 문제의 해와 충분히 유사해야 합니다.
2. 가정 명시: 두 문제의 유사성을 보장하기 위한 가정을 명시적으로 세워야 합니다.
3. 지속적 검증: 세운 가정이 현실에서 타당한지 A/B 테스트 등으로 검증해야 합니다.

비즈니스 문제 완화 사례: 추천 시스템

목표: 장기 매출 극대화

1. 1단계 완화: 장기 매출 → 특정 시점($N$일 후) 매출 (Assumption 1: 정상 상태 도달 가정)
2. 2단계 완화: 매출 → DAU × PUR × ARPPU (Assumption 2: DAU 변화 시 PUR, ARPPU 불변 가정)
3. 3단계 완화: DAU → D1 리텐션 (Assumption 3, 4: Carrying capacity 가설, inflow 고정 가정)
4. 4단계 완화: 리텐션 → 아하 모멘트 (Aha Moment) 달성 (Assumption 5, 6: 리텐션과 특정 사용자 경험(X분 채팅) 간의 연관성 가정)
5. 5단계 완화: X분 채팅 사용자 수 → 총 대화 시간 최대화 (Assumption 7, 8: 특정 경험과 총 대화 시간의 상관관계, 틱별 독립성 가정)
6. 6단계 완화: 총 대화 시간 최대화 → 최대 가중치 매칭 (Maximum Weight Matching) 문제 (Assumption 9: 탐욕 알고리즘 적용)

최종적으로는 '대화 시간 예측기'를 만드는 AI 문제로 치환됩니다.

가정 검증 및 재정의

• 리텐션 상승, PUR 하락: 초기 가정(Assumption 2)이 깨져 PUR 하락 발생.
• 문제 재정의: 장기 매출 → purchase-user 수 × ARPPU 로 분해하여 '구매자 리텐션' 문제로 접근.
• 결과: 비즈니스 지표 유의미한 개선 확인.

결론: 기술 부채로서의 가정 관리

• 디버깅 용이성: 명시적 가정을 통해 문제 발생 시 원인 파악 용이.
• 지속적 모니터링: 가정이 유효한지, 비정상성(non-stationarity)에 따른 변화는 없는지 지속적 관리 필요.
• 기술 부채: 가정을 제거할수록 더 견고한 시스템 구축 가능 (예: 강화학습 활용).
• 핵심: 비즈니스 문제 해결을 위한 AI 문제 정의는 '가정'을 설정하고 '단순화'하는 과정이며, 이 가정들을 지속적으로 관리하고 검증하는 것이 중요합니다.