“컴퓨터가 보고 듣고 배울 수 있습니다. 미래로 오신 것을 환영합니다(David Waters).” 위 인용구가 표현했듯이 ‘컴퓨터가 인간처럼 스스로 생각하고 결정할 수 있다면?’이라는 컴퓨터 과학의 미래 비전에서 머신 러닝이 탄생했고 다양한 알고리즘이 개발됐으며 이제 인간의 두뇌에서 몇 가지 기능은 기계가 압도적으로 잘하는 세상이 됐다.

2006년 페이스북이 DNN(딥 신경망)으로 딥페이스 알고리즘을 개발하고 2016년 구글의 알파고가 이세돌 바둑기사와 세기의 대국을 펼쳤던 경이로운 사건은 역사가 됐고, 이제 클라우드와 AI 관련 업체들이 상용 제품을 앞다투어 내놓으면서 AI 시장이 무르익어 가는 분위기다.

노코드/오토 ML이나 인공지능 API가 출시되면서 데이터 과학자가 아니더라도 머신 러닝을 사용할 수 있게 됐다. 노코드/오토 ML에서는 모델을 만들 때 사용하는 파이선과 R 등의 프로그래밍 언어를 사용할 수 없는 현업이라도 코딩하지 않고 ML 모델을 만들 수 있다. 인공지능 API는 이미 만들어진 딥러닝의 예제 코드를 제공해 주는 것으로 Rest API의 코드를 개발자가 적절히 수정해 웹사이트에서 바로 사용할 수 있다.

점점 편리해지는 프로그래밍과 상용화된 머신 러닝 모델이 쏟아지는 세상이 되면서 패션 온라인몰에서도 상품추천이나 사이즈 제안 등의 ML(Machine Learning) 서비스가 많아진 것을 볼 수 있다. 이것은 패션업의 전문 노하우(Domain Knowledge)가 녹아 들어간 결과물일까?

데이터를 분석하는 ML 모델을 만드는데, ML 플랫폼의 사용법과 통계 지식만 익히면 되는지, 기계가 다 알아서 해주는 것인지 묻는다면, 그 대답은 아쉽게도 ‘No’다. 이번 글에서 인간이 할 일이라고 표현한 부분이 바로 비즈니스 전문 지식이다.

머신 러닝은 현란한 전문 용어(영어 코드)와 고급 수학식으로 설명되지만 하는 일은 많은 경우 분류(Classification)다. 따라서 기계가 분류를 잘할 수 있도록 문제를 논리적으로 정의하고 데이터를 연결하며(없으면 생성하고) 기계가 ML 모델로 결과를 내놓으면 여기서 어떤 결론을 도출할 수 있는지, 시사점(인사이트)이 무엇인지 결정하는 것이 인간이 할 일이다.

스타일리스트가 코디를 제안할 때는 머리부터 발끝까지, 언더웨어부터 아우터 · 슈즈에 이르기까지 토털 패션을 TPO에 맞춰, 고객의 체형에 맞으면서 취향을 담아서, 유행 룩을 고려해서 제안하는 것이 정석이다. 사이즈 분류에서도 표준 체형이 아닌 경우의 특이 체형에 대한 배려가 필요하다.

추천 알고리즘에 이러한 패션의 도메인 지식이 들어 있는지, 단순히 클릭한 상품과 같은 아이템을 찾고, 그 상품을 산 다른 구매자가 구입한 상품을 제시하는 알고리즘에 의한 것인지 반문해 봐야 할 시점이다. 상품은 정장 세트인데 재킷에 어울리는 바지가 추천되지 않거나 결혼식에 입고 갈 드레시한 원피스를 고르는데 스포티 룩이 많이 나온다면 패션 전문 노하우를 데이터에 담아 알고리즘에서 학습하도록 협업을 해야 한다.

ML 알고리즘 개발자가 아니라면 기계가 하는 일이 무엇인지만 알고 맡기면 된다. 가장 중요한 것은 데이터를 활용하려는 강한 의지를 갖는 것이다. 기계가 이해할 수 있도록 문제를 정의하고 데이터를 준비하는 설계 과정이다. 고급 연장은 상품으로 출시되는데 패션 현장의 노하우라는 핵심이 담기지 않는다면 제대로 된 데이터 활용이 아닐 것이고, 이 부분이 패션업 종사자가 습득해야 할 생존의 지식이다.


■ profile
•현 한국오라클 상무, 컨설턴트
•MIT 로지스틱스, SCM 공학석사
•FIT 패션바잉, 머천다이징 AAS
•서울대 의류학과 학사, 석사, 박사



이 기사는 패션비즈 2022년 5월호에 게재된 내용입니다.
패션비즈를 정기구독 하시면
매월 다양한 패션비즈니스 현장 정보와, 패션비즈의 지난 과월호를 PDF파일로 다운로드받아 열람하실 수 있습니다.
■ 패션비즈 정기구독 Mobile버전 보기
■ 패션비즈 정기구독 PC버전 보기