Meta, 인과 추론으로 AI 인프라 투자 증분 수익 귀속 방법론 공개

Meta Analytics 팀이 **인과 추론(causal inference)**을 활용해 AI 인프라 지출의 사업적 가치를 정량화하는 방법론을 발표했다. 대규모 광고 시스템에서 인프라는 직접 수익을 창출하지 않지만, 모델 개선 속도와 비용을 최적화하는 핵심 자원이다. 그러나 인프라는 다수 팀이 공유하는 자원이므로 무작위 배정이 불가능해 기존 A/B 테스트로는 기여도를 귀속할 수 없다는 구조적 한계가 있었다.

관측 데이터 기반 인과 추론 적용

연구팀은 개별 모델 런칭 제안을 분석 단위로 삼고, 인프라 기능 채택 여부에 따른 **평균 처리 효과(ATT, β₁)**를 추정했다. 이는 selection-on-observables 가정에 기반해 혼란 변수를 통제함으로써, 채택으로 인한 인과적 증분 수익을 계산하는 방식이다. 학습 데이터 파이프라인부터 모델 프로덕션까지 ML 스택 전반의 7개 인프라 플랫폼을 공통 기준으로 평가하여, previously 비교 불가능했던 투자들을 정량화했다.

사용량과 실제 가치의 괴리

사례 연구에서 사용량 기반 지표는 오해를 불러일으킬 수 있음을 입증했다. 모든 모델이 사용하는 플랫폼 A는 사용량이 높지만, 조건화 분석 결과 증분 기여도는 낮았다. 반면 소수 팀만 사용하는 트레이닝 확장성 플랫폼 B는 사용량이 낮았으나, 컴퓨팅 용량과 모델 복잡도 등을 통제했을 때 A보다 상당한 증분 매출을 창출했다. 이는 투자 우선순위를 '선택 효과'가 아닌 '인과적 기여도' 중심으로 재배치해야 함을 시사한다.

신뢰성 확보 및 데이터 요건

추정치의 신뢰도는 혼란 변수(confounding factors) 통제에 달려 있다. GPU 할당량, 팀 규모, 계절성, 모델 크기 등을 정밀하게 통제해야 상향 편향을 제거할 수 있다. 이를 위해 기술적으로 적용 불가능한 비채택 사례를 제외하고, 다중 플랫폼 동시 사용 시 이중 계산을 조정하는 등 robustness 절차를 거쳤다. 성공적인 도입을 위해서는 반사실 그룹(counterfactual group) 존재, 런칭 단위 채택 추적, 수익 귀속, 혼란 변수 정보 통합이라는 4가지 데이터 요건이 필수적이다.