비즈니스 문제를 AI 문제로 완화하는 방법

AI 조직은 비즈니스 문제를 그대로 푸는 대신, 먼저 최적화 가능한 AI 문제로 바꾼다. 복잡한 비즈니스 목표는 직접 풀기 어렵기 때문에, 더 단순한 목표로 완화(relaxation) 하고 그 가정이 현실에서 맞는지 검증하는 방식이 핵심이다.

대표적인 예가 Lasso regression이다. 원래의 (\ell_0) 희소성 제약은 조합 최적화라서 풀기 어렵지만, 이를 (\ell_1) 정규화로 바꾸면 볼록 문제가 되어 훨씬 다루기 쉬워진다. 다만 두 해가 항상 같은 것은 아니고, mutual incoherence condition이나 restricted isometry property 같은 가정이 맞아야 원래 문제와 거의 같은 해를 기대할 수 있다.

같은 논리가 비즈니스에도 적용된다. 장기 매출을 바로 최대화하는 대신, 먼저 DAU, PUR, ARPPU로 분해하고, 다시 리텐션과 아하 모멘트 같은 더 작은 지표로 쪼갠다. 아자르 추천 시스템 사례에서는 장기 매출 최대화 문제를 여러 단계의 가정을 거쳐, 결국 유저 간 대화 시간 예측 문제로 바꾸어 풀었다.

전개는 대략 이렇게 진행된다.

• 장기 매출을 day N의 revenue로 근사한다.
• revenue를 DAU × PUR × ARPPU로 나눈다.
• DAU를 리텐션과 inflow로 설명하고, 다시 리텐션을 아하 모멘트로 연결한다.
• 각 틱의 매칭을 maximum weight matching 문제로 보고, 이를 탐욕 알고리즘으로 근사한다.
• 최종적으로는 두 유저의 대화 시간 예측기를 학습하는 문제로 귀결된다.

이 접근의 장점은 디버깅 가능성이다. 실제로 이 사례에서는 리텐션은 최고치를 기록했지만 PUR이 하락했고, 그 원인은 Assumption 2가 깨졌기 때문으로 해석됐다. 이후 장기 매출을 purchase-user 수 중심으로 다시 분해해 문제를 재정의하자 비즈니스 지표가 개선됐다.

핵심은 가정을 숨기지 않는 것이다. 비즈니스 문제를 AI 문제로 바꿀수록 더 풀기 쉬워지지만, 그만큼 기술 부채도 쌓인다. 어떤 가정이 깨졌는지, 어디를 다시 완화해야 하는지 명시적으로 관리해야 비로소 AI 최적화가 실제 비즈니스 임팩트로 이어진다.