서평 “링크 – 알버트 바라바시”

책 정보 (네이버 책)

이 책은 복잡계 네트워크의 권위자가 자기가 밝혀낸 새로운 사실들에 대해 대중이 이해하기 쉬운 방식으로 풀어낸 개론서이다

네트워크의 위상구조를 밝혀내는 시도가 이 책이 쓰여진 2000년대 초부터 각광 받았기 때문에 현재도 많은 연구가 이루어지고 있는 분야이다.

기존의 과학적 연구는 어떤 요소를 더 이상 나누어지지 않을 때까지 잘게 나누어 가장 작은 단위의 성질을 파악하는 단계였다면, (원자의 성질을 알아낸다던지)
네트워크적인 발상은 요소 자체의 특징은 단순화하고 요소와 요소간의 상호작용이 몇 개나 있는지, 어떤 요소 (이하 “노드”)가 가장 상호작용 (이하 “링크”)이 활발한지에 대해 연구한다.

책은 유전 구조, 단백질 화합물, 웹, 기업의 이사진 등 다양한 네트워크에 대해 다루고 있고, 놀랍게도 모두 동일한 위상구조를 띄고있다고 말한다.

옛날의 학자들은 네트워크가 정적이고 랜덤하게 연결되어있다고 생각했는데 반해, 저자는 현실속의 네트워크가 1에서 시작하여 계속 증가하고, 이런 동적인 속성이 핵심이라고 정의한다.

증가하는 과정속에서 처음 있던 노드가 나중에 생긴 노드보다 연결될 가능성이 더 높아지고, 이로인해 타 노드보다 월등히 많은 링크를 보유한 극소수의 허브가 탄생하게 된다. 허브의 개수와 허브가 보유한 링크의 개수는 멱함수 분포를 따른다.

이로인해 대부분의 노드가 없어져도 네트워크에 큰 혼란을 주지 않아서 견고한 반면, 거꾸로 허브 몇 개만 없어져도 큰 혼란이 오는 구조가 생긴다. 이런 구조는 물질 보다 연결에 기대는 조직형태, 위계적 질서보다 수평적인 조직형태에서 더욱 뚜렷하게 발견된다.

수평적인 구조일수록 리소스를 소수가 독식하게 되며, 원래 자연의 설계부터가 불평등한 구조라는 생각이 흥미로웠다. 평등함이란 건 인간이 만든 판타지이고, 적어도 서로간의 차이를 줄이려고 노력하기 때문에 훌륭한게 아닐까 하는 생각이 들었다.

우버 같이 한계비용을 낮추는 서비스가 많아질 수록 고객은 편하지만 불평등은 심화되며, 고용은 불안정해지는게 사실이다.

어쨋든 이 책을 처음 고른 이유대로 원론적인 내용을 이해하고나니 온라인 마케팅을 위해서 필수적인 요소들이 무엇인지, 커머스에서 큰 손이 누구인지를 알 수 있었다.

1) 네트워크에서 가장 유리한 사람/기업은 그 일을 오랫동안 해온 사람이다. 일찍 진입한 사람일수록 링크가 멱함수 분포를 띄기 때문에 많고, 향후 많아질 기회도 더 크게 주어진다. 그래서 사업 초기엔 매출도 안나고 맨땅에 머리박는 것이다. 이 구덩이에서 빠져나오는 유일한 방법은 고객이 먼저 찾이오기 전까지 열심히 초기 사용자를 의도적으로 모으는 것이다.

2) 오직 적합성 (높은 바이럴 계수, 구매의도가 있는 고객에게 접근)이 더 높은 경우에만 전술한 법칙을 거스를 수 있다.

오래된 기업은 전술한 막강한 어드밴티지에도 불구하고, 후술한 내용으로 인해 망하는 것이지 경쟁에 의해 망하는 것이 아니다. 대부분은 많은 불안신호들을 무시하여 자멸한다.

큰 매출을 내기 위해서는,
1) 이미 많은 링크를 보유한 사람이나 기업과 제휴한다.
2) 타겟하는 고객군과 일치하는 곳과 제휴한다. (살 사람이 있는곳에 판다)
1+2를 동시에 만족하지 않은 곳에 마케팅하거나 제휴하는 경우 필패한다.

Netflix Links : 개괄부터 분석까지

unnamed

최근 한국을 포함한 130여개국에 진출한 넷플릭스에 대해 알아보고 싶은 분들을 위한 링크입니다.

넷플릭스에 대한 특징을 정리하면 크게 3가지인데요.

  • 자체 컨텐츠 제작 (넷플릭스 오리지널 시리즈)
  • 특징적인 사내 문화
  • 데이터에 기반한 정교한 의사결정

아래 링크들을 보시면 이해할 수 있습니다.

 

1. 넷플릭스에 대한 대략적인 설명이 담긴 위키
https://namu.wiki/w/%EB%84%B7%ED%94%8C%EB%A6%AD%EC%8A%A4

2. 가장 유명한 오리지널 시리즈인 “하우스 오브 카드” 위키
https://namu.wiki/w/%ED%95%98%EC%9A%B0%EC%8A%A4%20%EC%98%A4%EB%B8%8C%20%EC%B9%B4%EB%93%9C

3. “하우스 오브 카드”에 대한 기사
http://news.donga.com/3/all/20140613/64256323/1

4. 넷플릭스 오리지널 시리즈에 대한 소개 (추천)
http://outstanding.kr/%EC%95%A0%ED%94%8C-%EB%84%B7%ED%94%8C%EB%A6%AD%EC%8A%A4-%EC%9C%A0%ED%8A%9C%EB%B8%8C-%EC%99%9C-%EC%98%A4%EB%A6%AC%EC%A7%80%EB%84%90-%EC%8B%9C%EB%A6%AC%EC%A6%88%EC%9D%BC%EA%B9%8C/

5. 넷플릭스 최근 성공의 배경
http://outstanding.kr/7500%EB%A7%8C-%EB%AA%85-%EC%9C%A0%ED%98%B9%ED%95%9C-%EB%84%B7%ED%94%8C%EB%A6%AD%EC%8A%A4%EC%9D%98-%ED%82%A4%EC%9B%8C%EB%93%9C/

6. 넷플릭스 역사적 배경과 기술적 해석 (추천)
http://nter.naver.com/naverletter/textyle/110357?category=1232

7. 넷플릭스의 성공비결은 기업문화 (추천)
https://sungmooncho.com/2010/06/05/netflix/

8. 실리콘밸리에서 가장 중요한 문서 “자유와 책임”
https://www.slideshare.net/mobile/watchncompass/freedom-responsibility-culture

스타트업이 가장 하기 쉬운 실수

내겐 구현을 애타게 기다리는 아이디어들이 있다.

개 중에는 4년 묵은 친구부터 어제 쓴 것까지 스케일이 다양한데,

여러가지 아이디어를 내보는건 분명히 좋은거지만

실제로 해보니 아이디어 하나를 내도 제대로 시장성을 검증해보고 써야한다는 생각이 들기 시작했다. 양보다 질!

 

그냥 사용자가 듣기에 Fancy한 아이디어랑 시장이 보증하는 아이디어 사이의 간극은 크다.

이번에 머리로 아는 것과 경험으로 안다는 건, 여자를 보는 것과 여자로 하루만 살아보는 것과의 괴리감과 비슷하다는 걸 느꼈다. (분명 멋진일이겠지)

 

유저를 만나서 설명해주고 쓸거냐고 물어보는 고전적인 방식은 틀렸다. 유저는 착한사람이기 때문에 안 써도 쓴다고 절반은 뻥을 치기 마련이다. 그리고 유저가 피노키오가 아니더라도 자기도 이게 필요한지 잘 모른다.

 

서비스가 돈이 되는지 알아내는 방법은 생각보다 쉬웠다. B2C는 사용료를 지금 달라고 했을때 지갑을 여는 시늉이라도 해야 “보이지 않는 손”과 가까운 것이다.

반면 B2B는 의외로 유저테스트가 쉬운데, 대부분 1분만 들으면 아이디어가 후진지 계약까지 갈지 판단을 척척 잘해주신다.

 

그러니 개발이 전체 프로세스 중 가장 고민할 점도 많고 중요한 문제지만, 역설적으로 가장 늦게해야 하는 과제여야만 하는 것이다.

비즈니스 로직을 충분히 확립한 뒤에 구두나 유선으로 처리할 수 있는 상태를 만들고 개발을 하는게 맞다. (SNS, 커뮤니티 제외)

스타트업의 최고의 실수는 돈이 없는 것도, 잘못된 팀원을 만나는 것도 아닌 쓸모없는 걸 만드는 것이니까.

Jeremy Howard: 컴퓨터 학습이 가져올 훌륭하고도 끔찍한 잠재적효과

이 강의를 보고 딥러닝 (Deep learning)에 더 관심을 가지게 되었다. 2015-1학기에 듣고 있는 인공지능 수업에서도 한동안 침체기였던 AI가 하드웨어의 발전 (GPU를 이용한 Multi-core 연산)과 알고리즘의 점진적인 개선으로 인해 2010년대를 기점으로 티핑포인트를 맞았다고 했다.

이런 내용은 Ray Kurzweil이 제안한 기술적 특이점과도 맥락을 함께하는데, 이는 마치 인류의 진보가 산업시대 이전으로 회귀할 수 없는 것 처럼, 정보화 사회에서 회귀할 수 없는 특정한 지점을 이야기하는 것이다. 기술적 특이점 이후에는 기술 발전이 인간에 의해서가 아니라 기계 스스로 이룩하게 되기 때문에, 오랜기간동안 선형적으로 증가하는 것처럼 보였던 기술이 멱등적으로 증가하게 된다는 내용이다.

이 내용을 소재로 쓴 Ted Chiang의 멋진 SF 단편 “인류 과학의 진화”도 있다. 소설의 내용은 두 과학자가 보내는 서신이다. 기술의 진보를 인간이 설계한 AI가 대행하는 시대에서 AI의 발전 속도가 너무 빠르다보니, 인간은 무슨 기술인지 이해하지도 못한 채 나노 기술 등의 것들을 일방적으로 수용하는 상황에 이른다. 그래서 과학자는 예전처럼 자연현상을 밝히는 것이 아니라, AI가 알려준 기술들 중 원리를 알아내고 싶은 분야를 정해서 해석하는 역할만 수행하게 된다. Ted Chiang은 허황된 판타지라고 느껴지기 보다 정말 있을 법한 일처럼 느껴지도록 현재와의 개연성을 잘 부여하는 작가라고 생각한다. 그래서 이 10페이지가 채 안되는 단편이 크게 다가왔던 것 같다.

잠시 왜 Deep Learning이 기술적 특이점과 연관관계가 있는지 생각해보자. 이전까지의 기계학습은 대부분 데이터에 기반한 지도학습 (Supervised Learning. 인간의 개입이 있는 학습)이였다고 볼 수 있다. 일부 비지도학습 (Unsupervised Learning. 라벨링 되지 않은 것을 기계가 스스로 찾는 것)도 존재했으나 초보적인 수준의 군집화 알고리즘을 제공했고, 정확도도 인간이 수동으로 하는 것에 비해서 떨어졌기 때문에 컴퓨터가 제공할 수 있는 것은 빠른 속도 뿐이였다.

하지만 인간의 뇌를 모방한 인공신경망 알고리즘의 발전으로, Deep learning이 강력한 툴로 부상하게 되었다. 이는 “연산”이 아니라 “경험”을 빠르게 할 수 있는 컴퓨터를 만들 수 있다는 점에서 상황이 크게 달라졌다. 이제 컴퓨터는 “최적해”를 찾는 것이 아니라 무작위적인 경험을 통해 “인사이트”를 얻는다.

이미테이션 게임이라는 영화를 보면, 주인공인 앨런 튜링이, “인간은 인간의 생각을 하고 기계는 기계의 생각을 가진다”라고 하는 장면이 있다. 그렇기 때문에 인간은 기계가 생각하지 못한다고 단정할 수 없다고 튜링머신을 변호하는데, 사실 개인적으로는 이런게 수사적인 표현일 뿐이라고 느껴졌었다. 인간이 사용하는 도구가 인간과 사고하는 방식이 근본적으로 다르다면 아무리 영리하더라도 효용성이 없기 때문이다.

하지만, 인공지능 교수님 말대로 컴퓨터가 빠른 계산기를 넘어, 문제 해결이 가능한 툴로써 발전된다면 응용할 수 있는 영역은 무궁무진하다.

아래에 “생각”에 대한 나의 견해가 있다.

인간은 스스로 생각을 만든다고 여길지 모르지만, 사실 일생동안 경험적인 것들 중 좋았던 것들을 취사선택하여 ‘생각’으로 만든다. 이런 경험적인 방식이 생물이 진화하는 방식이고 인간도 이러한 굴레를 벗을 수는 없다.

그렇기 때문에 “경험”을 빠르게 시뮬레이션 할 수 있는 기계가 탄생한다는 것은 여러 사람이 일생동안 경험할 수 있는 것을 찰나에 해볼 수 있다는 것과 같은 의미이다. 그렇기 때문에 신경망을 기계로 옮긴 Deep Learning이 기술적 특이점의 서막을 여는 것이 될 수 있다고 생각한다.

영상에서는 특정 Domain의 전문지식이 전혀 없는 사람도 단순한 라벨링과 Deep Learning을 통해서 그 동안 전문가들이 하지 못했던 것을 해결했다고 나온다. 강연자는 앞으로 사람이 할 일을 기계로 대체하는 것이 더욱 가속화되면서 “문제해결”에 특화된 직종인 전문직과 서비스업도 창의성이 없다면 위험해 질 것이라고 예견한다. 어쩌면 제2의 러다이트 운동이 나타날지도 모른다.

개인의 측면에서 데이터를 이용한 자동화 된 문제해결 방식을 남들보다 빨리 받아들이는 것이 큰 경쟁력이 될 것라고 생각한다. 경험을 전수하는 비용이 0에 가까워진 사회에서 기존의 보편적 교육이 의미를 가질지도 의문이다. 지금도 이미 공개된 정보를 많이 암기하고 있는 것은 의미가 없는 사회가 되어버렸으니 말이다.