글
5월, 2017의 게시물 표시
추천 게시물
럽스타(Luv Star)와 Live 챗팅 서비스
- 공유 링크 만들기
- X
- 이메일
- 기타 앱
작성자:
dckorea
-
이 글은 2017.05.16 옛 블로그(태터툴즈)에 게시했던 글을 웹 아카이브에서 복원한 것입니다.
럽스타(LuxStar)란 서비스를 오늘(2017.5.16) 시작한다. 럽스타는 3월 중순부터 시작한 것 같으니 2개월 걸렸다. 서비스는 안드로이드폰에서 SBS앱을 받아 설치하면 된다. SBS 서비스에 사진 찍는 기능을 추가해 팬덤에 바탕을 둔 서비스로 진화시켜 나갈 계획이다. 사진을 찍으면 아래처럼 공유할 수 있고, 관련 영상을 최신순으로 볼 수 있다. (현재 안드로이드폰에서만 됨)
올초 라스베가스 CES에 갔다 밤에 일이 없어 포켓몬고를 하면서 서비스컨셉을 잡았다. 방송 출연자가 특정좌표에 가면 나타나는 서비스이다. GPS / Location base! 처음에는 촬영장을 중심으로 서비스 시나리오를 잡았다.
- 프로그램 촬영장소에 가면 그곳에서 프로그램을 촬영한 star(텔런트)가 나온다.
- Location Event : 촬영장소 --> offline 참여 / O2O or T2O(TV to On/Offline)
- Time Event : 방송시간 --> 약속시청 / 방송시간에 맞춰 앱을 켜면 전세계 어디서나 사진을 함께 찍을 수 있다. 그 시간엔 전세계에서 볼 수 있도록 SBS 앱에서 <인기가요>를 무료로 서비스한다.

이런 서비스를 만들어보자는 생각은 작년(2016) 10.1일에 속초에 갔을 때 했다. 그땐 SBS 소속으로 할 수 있는 여건은 아니었다. AR, VR 열풍이기는 했지만 .. 속초에서 포켓몬고를 하면서 "우리식"으로 하면 현재의 LuvStar 같은 걸 만들 수 있겠네, 재밌겠네, 정도의 생각을 하면서 가족과 사진을 찍으면서 놀았다.

그 다음은 1월말 회사에서 동료들과 모여서 이런 저런 이야기를 하면서 현재의 형상을 만들었다. 난이도가 높은 요구는 모두 뒤로 미루고 쉽고, 빠르게 해 볼 수 있는 것만 추렸고, 한 2개월이면 만들 수 있겠다는 답이 나왔다. 그런 후 스크럼조직을 만들고 ... 빠르게 서비스를 만들기 위해서 추린 일들이다.
- 특정 프로그램을 선정 : <런닝맨> 등을 검토하다가 <인기가요>로 정했다. 왜냐하면 초기 팬덤 등에 대한 고려와 위치선정 문제 때문이다.
- 위치 선정 : <인기가요>는 전국에 있는 학교(초등하교에서 대학교)에서 관련 스타이미지를 호출해 사진을 찍고 놀 수 있다.
- 전세계 서비스 오픈 : <인기가요> Live를 온라인으로 전세계에서 볼 수 있고, 그 시간에는 어디서나 사진을 찍고 놀 수 있다.
- 콘텐츠 큐레이션 : 사진을 찍은 star의 최신 콘텐츠가 자동으로 업데이트 되고, 스마트미디어렙에서 제공받은 다른 방송사들의 관련 클립도 함께 볼 수 있다. 좋아하는 star 중심으로 추천되는 듯한 느낌의 서비스를 제공하게 된다.
- 저작권 / 카니벌라이제이션 이슈 : 음악 프로그램은 대부분이 유튜브 등으로 공개되어 full-VOD 중심의 소비가 없고, 클립 중심으로, 팬 중심 소비가 주이다.
이런 내용들이 들어가 있는 LuvStar 스크린샷이다.
![]() | ![]() | ![]() |
<인기가요> 이외에 한국에서 개최되는 <U-20 월드컵 대회> 응원 프로모션과 contents fellowing service도 함께 진행된다. LuvStar는 사용자 본인이 사진을 찍어야 서비스가 제대로 활성화된다. (그래서 앱을 상당기간 동안 apple phone 이용자는 사용할 수 없다.) 아니면 서비스 페이지로 들어갈 수 있는 방법은 친구가 사진을 찍어 facebook에 공유한 페이지가 있으면 해당 [star+친구의 럽스타] 페이지를 들어가 볼 수 있다. (제일 위 사진 참고)
인기가요, U-20 월드컵 이후에 런닝맨, 신규 드라마, 맛집(SBS 생방송투데이, 백종원의 3대천왕 등) 콘텐츠가 업데이트 되고, KLPGA, 프로야구 등으로 확대를 준비하고 있다. 이런 콘텐츠들은 실제 프로그램과 관련된 장소에서 star와 인증샷을 함께 찍으면서 관련 contents fellowing이 진행된다. 예를 들면 골프장에 가면 KLPGA 출전 선수들이 주변에 나오고, 좋아하는(응원하는) 선수를 골라 사진을 찍으면 된다. (아직 준비 중)
------
이번 오픈하는 버전은 Round 1이고 동료들과 끊임없이, 잘될 때까지 지속적인 업데이트를 진행할 예정이다. 개인 이용자들이 contents fellowing을 하는 star 중심으로 PC 서비스까지 펼치면 '대충'의 서비스 형상이 만들어질 것 같다. 할 일은 폰 가지고 놀다가 캡쳐 잡아 코멘트와 함께 해쉬태그(#sbs서비스)를 입혀 facebook 저장해 두고 틈틈이(시간날 때마다) 동료들과 이야기하며 정한다. 픽사 멤버들이 가르쳐준 방식이다. (픽사의 일하는 방식에 대해서는 이 글 맨 아래 책을 읽어볼 것)

우리가 얼마나 빨리 이용자들의 행동패턴을 찾고, 거기에 맞춰 개인화된 서비스를 만들고, 그 서비스의 갯수(양)이 어느 정도까지 확대할 수 있는가가 포인트가 될 것 같다. 인공지능이 대수인가!* 수만가지 툴(서비스)를 만들고 어떤 이용자에게 그가 처한 상황에서 가장 원하는 것에 근접한 것을 제공하는 것이라 생각한다. (누구는 이런 걸 생태계라고 이야기하고, 누구는 플랫폼 지대를 통한 전유/착취라고 한다.) 우리가 이야기 하는 지점에서 문제는 intelligence 이전에 수만개의 서비스/알고리즘이 만들어져야 한다는 것이다. 인간의 역사에서는 진화과정에서 만들어진 심적 메커니즘일 게다. 우린 수 많은 길 중에 (방송 동영상) 콘텐츠에 최적화된 서비스를 만드는 것이 목표이다.
"니코마스 윤리학(Nicomachen Ethics; Book III. 3, 1112b)에서 아리스토텔레스는 이 주제를 좀 더 설명하면서 일종의 알고리즘 하나를 제시한다.
우리가 숙고하는 것은 목적이 아니라 수단이다. 치료할 것인지 아닌지를 의사가 숙고하지는 않듯이 ... 설득할 것인지 아닌지를 연사가 숙고하지는 않듯이 ... 그들은 목적을 당연한 것으로 여기고, 어떤 수단으로 그 목적을 어떻게 달성할 것인지, 그럼으로써 최선의 결과를 쉽게 얻을 수 있을 것인지 고려한다. 그들은 수단으로 목적을 달성할 수 있을 때만 그 목적을 어떻게 달성할 것인지, 그리고 구체적으로 어떤 수단을 사용할 것인지 고려한다. 그러한 과정을 제1원인(first cause)에 도달할 때까지 반복한다. ... 그리고 분석의 마지막 요인은 그 다음 분석의 첫 요인이 되곤 한다. 만일 불가능에 부딪히면, 이를테면 돈이 필요한 데 돈을 구하지 못한다면, 검색을 포기한다. 그러나 가능해 보이는 일이라면 시도한다.아리스토텔레스의 이 알고리즘은 2천3백 년 후에 Newell과 Simon이 자신들의 GPS(범용 문제 해결자 ; General Problem Solver) 프로그램에서 구현했다. 이를 요즘은 회귀계획시스템(regression planning system)이라고 부른다." (출처 : <인공지능 현대적 접근방식 1>, p.9)
우린 가능해 보이는 일을 찾았고, '설득하거나 숙고하지 않고' 실행할 것이다. 요즘 동료들과 함께 체화하려고 하는 Lean Startup과도 일맥상통한다. 설득과 숙고는 우리 몸 속에 체화되어 있다.
![]() |
인공지능 1 : 현대적 접근방식 - ![]() 스튜어트 러셀.피터 노빅 지음, 류광 옮김/제이펍 |
-----
럽스타 서비스와 함께 Live 챗팅, U20 월드컵 사이트도 함께 시작한다. 목표가 정해지면 지치지않고 될 때까지 ... 라이브 채팅은 PC 온에어 창에서 먼저 써볼 수 있다. 앱은 조만간 오픈하다. 다듬는 중이다. 첫발을 떼었으니 '분석의 마지막 요인이 그 다음 분석의 첫요인'이 되는 것처럼, 첫발이 다음 발을 이끌 것이다.
※ 라이브 채팅은 채팅 프로그램 편성이 되어야 활성화됨. 아무 때나 볼 수 없다고 .. ㅜ.ㅜ
-----
* 지능(intelligence)를 갖는다는 것이 의미하는 바가 무엇일까? 동물생태학과 진화심리학, 그리고 전기에서 후기로 넘어가는 비트겐슈타인의 언어게임 이론을 보면 지능은 논리적이라기 보다는 경험적이고, "인간적(세계 내에서 환경과 상호작용하면서 진화된 인간)"이다. 논리와 계산의 문제가 아니라는 것. 1차, 2차 AI가 실패한(어려웠던) 이유를 보면 알 수 있다. 그리고 지능은 성공보다 실패의 결과이고, 이런 의미에서 '실패가 성공의 어머니이다'. 실패(새로운 경험)를 두려워할 때 진화란 없다. (아래 관련글을 볼 것)
more..
"1950년대 말부터 60년대 말까지 인공지능은 추론, 탐색위주의 1차 AI붐의 시대를 구가했다. 추론과 탐색위주의 논리연산은 최종상태를 상정하고 최초의 입력에서 마지막 결과까지 하나의 논리적 흐름으로 수행된다. 이 시스템은 각 단계를 충분히 잘게 나누면 어떤 복잡한 문제도 해결할 수 있다는 것을 전제하고 있다. 이런 인지도식을 계산주의라고 한다. 계산주의 인지도식으로 구현된 인공지능은 수학문제의 증명 같은 어려운 문제를 척척 해결 했다. 그러나 계단을 올라간다거나 목욕타월을 꺼낸다거나 하는 일상적인 문제에서는 무능하기 짝이 없었다. 복잡한 문제를 충분히 잘게 쪼개어서 논리연산으로 해결한다는 이 도식은 복잡도가 늘어남에 따라 연산에 걸리는 시간이 거의 지수적으로 늘어나기 때문이었다.
흔히 모라벡의 역설로 알려진 이 문제는 연산불가능성 때문에 발생한다. 일명 “순회세일즈맨 문제”인데, 세일즈맨이 판매를 위해서 A, B, C 세집을 방문해야 한다고 하자. 그는 어떤 경로를 잡아야 최소한의 발품을 팔게 될 지를 대충 가늠하고 방문 순서를 잡을 것이다. 하지만 이를 컴퓨터로 결정한다면 모든 가능한 경로를 다 계산해 보고 가장 적은 수치를 찾는다. 이 경우는 3!, 여섯 가지 경로를 모두 계산하면 최적의 경로를 결정할 수 있다. 그러나 세일즈맨이 방문해야 될 집이 늘어날수록 계산해야 하는 경우의 수는 지수적으로 증가하게 된다. 가령, 방문해야 될 집이 30집이라면 30! ≈ 2.65×10³² 번의 계산을 수행해야 한다. 이정도의 계산은 테라급 컴퓨터로 계산해도 약 8×10¹²년, 우주의 나이인 100억년보다 800배정도 더 긴 시간이 걸린다. 논리적으로는 계산이 가능할 지라도 실질적으로는 계산이 불가능한 셈이다.
사실 연산의 속도는 여태까지 대단한 발전이 있었다. IC집적도의 지수적인 증가, CPU의 병렬처리, GPU 등이 개발되었고, 양자정보이론에 따르면 0과 1의 이산적 선택 뿐 아니라 동시적 선택도 가능하다. 이는 연산속도의 비약적인 증가에 기여할 것으로 기대된다. 그렇다면 향후에는 연산속도의 문제가 해결될 수 있을까? 그렇게 낙관적이지 않다. 일명 폰노이만 병목현상 때문이다. 컴퓨터에서 프로그램과 데이터는 메모리에 기록되는 것이다. 명령을 수행하는 것은 CPU인데 자신의 명령이 무엇인지 알기 위해서 그리고 입력데이터와 출력 데이터를 기록하기 위해서 데이터버스가 메모리와 CPU 간을 왔다 갔다 해야만 한다. CPU의 연산속도가 아무리 빠르더라도 데이터버스의 속도가 전체 연산속도를 결정하게 된다. 이 현상은 캐쉬 메모리를 늘리고 CPU를 병렬화한다고 해도 없어질 수가 없는 연산의 정체현상이다. 이런 한계 때문에 70년대 인공지능의 연구는 깊은 침체기를 맞이했다.
80년대 2차 AI 붐을 일으킨 것은 전문가시스템(expert system)이다. 인간의 경험적 지식을 컴퓨터에 입력해서 현실의 문제를 풀자는 시도다. 이것은 추론 탐색과는 전혀 다른 시도로 논리보다는 축적된 경험을 중시하는 것이다. 그러나 전문가 시스템의 경우 고도의 전문지식으로 한정된 분야는 그럭저럭 성과를 발휘했지만 좀 더 넓은 범위의 문제를 다루려고 하면 곧 한계에 부딪치고 말았다. 범위가 넓어짐에 따라, 지식의 양도 양이지만 서로 모순적인 지식들도 증가하게 되는데, 이들을 어떻게 처리할 것인가에 대한 해결책이 없기 때문이었다. 이로써 인공지능 연구는 다시 혹독한 시간을 겪게 된다.
1,2차 AI 붐과 그 실패가 의미하는 것은 무엇일까? 추론, 탐색의 경우는 인식을 인식주체의 독자적인 활동으로 상정했기 때문은 무한대의 계산시간을 감당할 수 없었다. 반면 전문가 시스템은 무한대에 이르는 지식의 양과 그 모순적인 관계들을 감당할 수 없었다. 이것이 단지 기술적인 난제에 불과할까? ....
... (현재) 딥러닝의 성공요인을 말해본다면 논리추론이 가지고 있던 추상성을 극복했기 때문이라고 할 수 있다. 학습은 수많은 경험들에 기반 한 것이고 수많은 실패를 통해 마침내 하나의 해를 창안하는 것이다. 학습알고리듬의 핵심메커니즘인 오류역전파는 바로 수없는 실패와 재시도를 의미한다. 딥러닝은 이런 과정들을 통해 각 층위마다 특징을 포착하고 그것을 자원으로 삼아 다시 상위의 특징을 포착하는 일련의 과정을 거친다. 이런 식으로 한다면 데이터만 있으면 로봇이 학습하지 못할 것이 없고, 대부분의 인간 노동을 로봇이 대체할 수 있는 날은 멀지 않아 보인다. 그런데 정말 인간의 활동이 사라졌을까?
인공지능이 유기체(특히 인간)의 능력을 모사한다는 목표가 있는 한 유기체의 활동은 사라질 수 없다. 인공지능이 큰 성과를 내고 있는 이유는 인간 혹은 그와 연계된 유기체들의 활동으로부터 학습하기 때문이다. 그들의 활동이 더 이상 데이터로 주어지지 않는다면 컴퓨터는 학습할 수 없고 그의 능력은 신장되지 않는다. 혹자는 컴퓨터끼리 상호간의 학습이 가능하지 않느냐고 반문할 것이다. 하지만 그들이 학습이라는 동일한 메커니즘을 가지는 한 그것은 이미 학습된 데이터들을 교차시켜서 재활용하는 것일 뿐이다. 학습이라는 것 자체가 자신의 경계밖에 있는 낯선 것들에 익숙해지는 과정이라는 안다면, 학습에 전제되어 있는 것은 필연적으로 자신이 아닌 낯선 것들이고, 인공지능 로봇에게 가장 낯선 것은 유기체들이라는 것을 어렵지 않게 알 수 있다.
그러니까 오늘날의 인공지능은 독자적으로 존재하는 것이 아니라 그들 인공지능과 연계된 유기적 신체들과 함께이다."
최유미, <자율자동차와 무인자동화의 환상> (2017.5. 맑스 코뮤날레, 인공지능시대의 생산과 자본 세션 발표자료)
흔히 모라벡의 역설로 알려진 이 문제는 연산불가능성 때문에 발생한다. 일명 “순회세일즈맨 문제”인데, 세일즈맨이 판매를 위해서 A, B, C 세집을 방문해야 한다고 하자. 그는 어떤 경로를 잡아야 최소한의 발품을 팔게 될 지를 대충 가늠하고 방문 순서를 잡을 것이다. 하지만 이를 컴퓨터로 결정한다면 모든 가능한 경로를 다 계산해 보고 가장 적은 수치를 찾는다. 이 경우는 3!, 여섯 가지 경로를 모두 계산하면 최적의 경로를 결정할 수 있다. 그러나 세일즈맨이 방문해야 될 집이 늘어날수록 계산해야 하는 경우의 수는 지수적으로 증가하게 된다. 가령, 방문해야 될 집이 30집이라면 30! ≈ 2.65×10³² 번의 계산을 수행해야 한다. 이정도의 계산은 테라급 컴퓨터로 계산해도 약 8×10¹²년, 우주의 나이인 100억년보다 800배정도 더 긴 시간이 걸린다. 논리적으로는 계산이 가능할 지라도 실질적으로는 계산이 불가능한 셈이다.
사실 연산의 속도는 여태까지 대단한 발전이 있었다. IC집적도의 지수적인 증가, CPU의 병렬처리, GPU 등이 개발되었고, 양자정보이론에 따르면 0과 1의 이산적 선택 뿐 아니라 동시적 선택도 가능하다. 이는 연산속도의 비약적인 증가에 기여할 것으로 기대된다. 그렇다면 향후에는 연산속도의 문제가 해결될 수 있을까? 그렇게 낙관적이지 않다. 일명 폰노이만 병목현상 때문이다. 컴퓨터에서 프로그램과 데이터는 메모리에 기록되는 것이다. 명령을 수행하는 것은 CPU인데 자신의 명령이 무엇인지 알기 위해서 그리고 입력데이터와 출력 데이터를 기록하기 위해서 데이터버스가 메모리와 CPU 간을 왔다 갔다 해야만 한다. CPU의 연산속도가 아무리 빠르더라도 데이터버스의 속도가 전체 연산속도를 결정하게 된다. 이 현상은 캐쉬 메모리를 늘리고 CPU를 병렬화한다고 해도 없어질 수가 없는 연산의 정체현상이다. 이런 한계 때문에 70년대 인공지능의 연구는 깊은 침체기를 맞이했다.
80년대 2차 AI 붐을 일으킨 것은 전문가시스템(expert system)이다. 인간의 경험적 지식을 컴퓨터에 입력해서 현실의 문제를 풀자는 시도다. 이것은 추론 탐색과는 전혀 다른 시도로 논리보다는 축적된 경험을 중시하는 것이다. 그러나 전문가 시스템의 경우 고도의 전문지식으로 한정된 분야는 그럭저럭 성과를 발휘했지만 좀 더 넓은 범위의 문제를 다루려고 하면 곧 한계에 부딪치고 말았다. 범위가 넓어짐에 따라, 지식의 양도 양이지만 서로 모순적인 지식들도 증가하게 되는데, 이들을 어떻게 처리할 것인가에 대한 해결책이 없기 때문이었다. 이로써 인공지능 연구는 다시 혹독한 시간을 겪게 된다.
1,2차 AI 붐과 그 실패가 의미하는 것은 무엇일까? 추론, 탐색의 경우는 인식을 인식주체의 독자적인 활동으로 상정했기 때문은 무한대의 계산시간을 감당할 수 없었다. 반면 전문가 시스템은 무한대에 이르는 지식의 양과 그 모순적인 관계들을 감당할 수 없었다. 이것이 단지 기술적인 난제에 불과할까? ....
... (현재) 딥러닝의 성공요인을 말해본다면 논리추론이 가지고 있던 추상성을 극복했기 때문이라고 할 수 있다. 학습은 수많은 경험들에 기반 한 것이고 수많은 실패를 통해 마침내 하나의 해를 창안하는 것이다. 학습알고리듬의 핵심메커니즘인 오류역전파는 바로 수없는 실패와 재시도를 의미한다. 딥러닝은 이런 과정들을 통해 각 층위마다 특징을 포착하고 그것을 자원으로 삼아 다시 상위의 특징을 포착하는 일련의 과정을 거친다. 이런 식으로 한다면 데이터만 있으면 로봇이 학습하지 못할 것이 없고, 대부분의 인간 노동을 로봇이 대체할 수 있는 날은 멀지 않아 보인다. 그런데 정말 인간의 활동이 사라졌을까?
인공지능이 유기체(특히 인간)의 능력을 모사한다는 목표가 있는 한 유기체의 활동은 사라질 수 없다. 인공지능이 큰 성과를 내고 있는 이유는 인간 혹은 그와 연계된 유기체들의 활동으로부터 학습하기 때문이다. 그들의 활동이 더 이상 데이터로 주어지지 않는다면 컴퓨터는 학습할 수 없고 그의 능력은 신장되지 않는다. 혹자는 컴퓨터끼리 상호간의 학습이 가능하지 않느냐고 반문할 것이다. 하지만 그들이 학습이라는 동일한 메커니즘을 가지는 한 그것은 이미 학습된 데이터들을 교차시켜서 재활용하는 것일 뿐이다. 학습이라는 것 자체가 자신의 경계밖에 있는 낯선 것들에 익숙해지는 과정이라는 안다면, 학습에 전제되어 있는 것은 필연적으로 자신이 아닌 낯선 것들이고, 인공지능 로봇에게 가장 낯선 것은 유기체들이라는 것을 어렵지 않게 알 수 있다.
그러니까 오늘날의 인공지능은 독자적으로 존재하는 것이 아니라 그들 인공지능과 연계된 유기적 신체들과 함께이다."
최유미, <자율자동차와 무인자동화의 환상> (2017.5. 맑스 코뮤날레, 인공지능시대의 생산과 자본 세션 발표자료)
![]() |
픽사 이야기 - ![]() 데이비드 A. 프라이스 지음, 이경식 옮김/흐름출판 |





