알아가는 즐거움

부천에 있는 성북동 생돈까스집에 저녁을 먹으러 갔다. 익히 들은 대로 대기줄이 길었다. 네 팀 정도가 앞에 있었고, 기다리는 동안에도 우리 뒤에 계속 사람들이 와서 붙었다. 돈까스 1인분의 가격은 7,000원, 양은 무척 많았으나 맛이 특출난 정도는 아니었다.

줄 서 있는 사람들을 물끄러미 바라보다가, 이들이 자발적인 가게 홍보 외에도 다른 실질적인 효과를 만들어낼 것 같다는 생각이 들었다. 일단 영업시간 동안 식당의 가동률(회전률?)을 높여주지 않는가. 밥을 먹으면서 머릿속으로 간단하게 계산기를 두드려봤다. [계속 읽기]

예전에는 맞춤형(customization)이라고 불렀던 것 같다. 언제부터인가 개인화(personalization)라는 용어가 그 자리를 대체했지만, 말만 그럴싸하지 마땅한 응용은 없다는 푸념이 따라다녔다. 그러나 이제는 개인화가 너무 잘 되어서 무섭다는 말이 나오고 지나친 개인화의 사회적 부작용을 우려하는 책이 출판되는 걸 보면 기술의 발전 속도는 정말 빠르구나 싶다. 이것이 지난 몇 년 동안 보아온 개인화에 대한 단편적인 소감이다.

LiFiDeA님이 쓴 검색 개인화에 대한 글을 읽고, 그동안 개인화에 대해 막연히 가지고 있던 생각을 적어본다. 개인화의 의미는 상당히 포괄적으로 정의할 수 있겠으나 여기서는 검색과 추천이라는 분야로 한정했다. [계속 읽기]

내용을 읽어보지 않아도 제목만으로 느낌이 오는 책이 있다. 서점 나들잇길에 우연히 만난 <모든 일에 마감일을 정하라>도 그런 책 중 하나다.

경험상, 외부 상황에 의해서든 스스로 뜻에 의해서든 일을 언제까지 끝내겠다고 명시화해두는 것은 분명히 효과가 있다. 미적거리며 마냥 일을 미루는 걸 방지하면서도 사소한 문제에 빠져 하염없이 늘어지지 않도록 막아준다. 그리고 적당한 수준의 제약은 긴장감과 상상력을 자극하여 창의적인 문제 해결을 요구하고 유도한다.

입버릇처럼 너무 바쁘다고 투덜거리지만 정작 시간이 너무 많으면 오히려 일이 잘 안된다는 건 내게 흥미로운 현상이다. 그런데 어디 시간뿐일까. [계속 읽기]

허전한 주말 밤 허기를 달래려고 통닭을 시켜먹은 지도 어언 2년. 한 군데서 자꾸 시키면 좀 민망해서 여러 군데 라운드로빈 방식으로 주문하다 보니 집에 쿠폰이 거의 30개 정도나 쌓였었다. 10개 모인 것들은 최근에 다 소진시키기는 했지만 아직도 쿠폰이 두세 개만 있어서 애매한 곳들이 좀 있다.

퇴근하고 집에 들어가는 길에 바람이 냉랭했다. 쿠폰 제도에 깔린 상술에 새삼 심술이 났다. 건방지게 쿠폰 따위로 자유로운 경제인인 나의 선택을 구속하려 하다니. 게다가 10장에 한 마디를 더 주니까 통닭 가격의 10%. 고작 쿠폰 한 장의 가격이 천 원이 넘는다는 얘기 아닌가. “차라리 가격을 천 원 내려라.” 라고 말해봤자 그들은 들은 체도 안 하겠지. 그래서 생각해봤다. 요 쿠폰을 어떻게 얌체같이 잘 활용할 수 있을지. [계속 읽기]

기계학습, 통계적 추론(Statistical Inference)을 공부하다 보면 언젠가는 Bias-Variance Tradeoff라는 개념을 만나게 된다. 사실, 아무리 기를 써도 피할 수 없다 :) Bias의 사전적 의미는 “편이”, “선입견”, “편견”, “성향”, “치우침”, Variance는 “변화”, “편차”, “분산”이다. 기계학습의 문맥에서 이들의 의미는 ‘학습 모형이 입력 데이터에 얼마나 의존하는가’라고 이해하면 쉬울 것 같다. Bias가 높다 / 낮다는 말의 의미를 혼동하기 쉬운데, 내가 찾아낸 헷갈리지 않는 설명은 이렇다.

Bias, 즉 선입관이 크면, (좋게 말해서) 줏대가 있고 (나쁘게 말해서) 고집이 세기 때문에 새로운 경험을 해도 거기에 크게 휘둘리지 않는다. 평소 믿음과 다른 결과가 관찰되더라도 한두 번 갖고는 콧방귀도 안 뀌며 생각의 일관성을 중시한다. (High Bias, Low Variance) 반대로 선입관이 작으면, (좋게 말하면) 사고가 유연하고 (나쁘게 말하면) 귀가 얇기 때문에 개별 경험이나 관찰 결과에 크게 의존한다. 새로운 사실이 발견되면 최대한 그걸 받아들이려고 하는 것이다. 그래서 어떤 경험을 했느냐에 따라서 최종 형태가 왔다갔다한다. (High Variance, Low Bias) [계속 읽기]