2019년 3월 3주차 - "몽고DB 사태로 본 오픈소스 라이선스의 재구성" 등

1. 인스타그램, 미국서 온라인쇼핑 시범 운영.."앱내 결제기능 추가"

 

지난 19일부터 미국 인스타그램 사용자들은 인스타그램 앱에서 '체크아웃' 기능을 통해 H&M, 나이키, 자라 등 20여 개 브랜드 상품을 구매할 수 있습니다. 

기존의 인스타그램 앱에서는 '쇼핑 태그'가 붙어 있는 제품 사진을 클릭하여 제품 정보를 확인할 수 있었지만 결제를 할 수는 없었습니다. 결국 구매를 위해서는 해당 상품을 판매하는 웹사이트로 이동해야 했는데, 신규 앱에 '체크아웃' 기능이 추가되면서 상품 선택, 주문, 결제, 배송 정보 확인, 반품, 그리고 주문 취소까지 모두 앱 안에서 할 수 있게 되었습니다.

구매를 위해 다른 앱으로 이동하지 않고 같은 플랫폼 안에서 처리가 이루어지는 것이 별 것 아닌 것 같아도, 이 과정에서 많은 소비자들이 구매를 포기합니다. 인스타그램에 따르면 매달 1억 3천명 이상이 상품 정보를 확인하기 위해 제품을 클릭하는 것으로 나타났으며, 꾸준히 수치가 증가하고 있다고 합니다. 체크아웃 기능의 도입은 지금까지 구매를 포기했던 소비자들의 구매를 이끌어낼 수 있으리라는 점에서 인스타그램의 새로운 수익구조가 될 수 있지 않을까 기대가 됩니다. 

 

---

2. 몽고DB 사태로 본 오픈소스 라이선스의 재구성

 

2018년 10월 5주차 뉴스클리핑에서 몽고DB의 오픈소스 라이선스 변경에 대한 내용을 다룬 바가 있습니다. 몽고DB는 기존의 AGPL(Affero General Public License)에서 오픈소스로 인정되지 않는 SSPL(Server Side Public License)로 라이선스를 변경하였고, 클라우드 서비스 기업들이 자사 서비스를 상용 서비스로 재포장하는 것을 막았습니다.

그동안 몽고DB는 SSPL을 오픈소스 라이선스로 인정받기 위해 노력해왔습니다. SSPL을 개정하고, 오픈소스 이니셔티브(Open Source Initiative, OSI)에 오픈소스 라이선스 심사 요청을 하는 등 오픈소스 커뮤니티의 강하고 일관적인 반대를  누그러뜨리고자 했습니다. 그러나 더 이상 이를 인정받기 위해 불필요한 시간과 노력을 낭비하지 않도록 OSI의 심사대상에서 SSPL을 철회한다고 밝혔습니다.

몽고DB 커뮤니티 에디션은 계속 SSPL로 제공되며, 그 자체로는 오픈소스가 아니지만 대부분 사용자에게 오픈소스의 자유를 그대로 허용합니다. 이는 오픈소스라는 것의 의미를 재정의하고 다시 생각해보게 만듭니다.

오픈소스 라이선스라 함은 '소스가 공개되어 사용, 복제, 배포, 수정할 수 있지만, 원 저작자의 라이선스 규칙에 따라야 함'을 의미합니다. 이는 개발자의 소스 소유권을 인정하면서도 공유를 통한 지식의 확장을 고취하고자 함입니다. 그러나 실제로 개발자들은 서비스를 무료로 사용하는 것에 관심이 있지, 서비스를 관할하는 라이선스가 구체적으로 무엇인지에는 관심이 없습니다. 오픈소스의 정의와 OSI 라이선스의 승인은 분명히 중요하지만, 이미 오픈소스의 의미는 변화하고 있는 것일지도 모릅니다. 몽고DB가 SSPL을 OSI 심사대상에서 철회한 것이 이 변화의 흐름을 대변하고 있다고 볼 수 있습니다. 앞으로 오픈소스 진영이 어떻게 변화해 갈지 귀추가 주목됩니다. 

 

---

3. 어떻게 아마존과 넷플릭스가 당신의 취향을 예상하는가?

 

요즘은 대부분의 온라인 쇼핑몰에서 추천 시스템을 사용합니다. 대표적으로 아마존의 상품 추천과 넷플릭스의 영화 추천을 예로 들 수 있습니다.

이 기업들이 고객에게 적절한 추천을 제공하기 위해서 사용하는 대표적인 알고리즘이 '협업 필터링'입니다. 협업 필터링은 유사점을 분류하는 방식으로 크게 두 가지 방식으로 분류됩니다.

• User-User Algorithm

두 사용자가 선호하는 공통된 아이템을 기반으로 얼마나 많이 일치하는지 거리를 수치화하는 방법을 사용합니다. 

아래와 같이 두 영화(스타워즈와 타이타닉)에 대한 네 사용자의 평점을 좌표상에 표현해 봅시다.

클라우디아가 스타워즈에 4.5점, 타이타닉에 4점의 평점을 주었을 때, 가장 유사한 사용자는 점 간 거리가 가장 가까운 안네입니다.(이 거리 측정방법은 '항공경로의 길이'로 이 외에도 점 간 거리를 측정하는 여러 방법이 존재합니다)

• Item-Item Algorithm 

오늘날 대부분 추천시스템은 사용자 기반 대신 아이템 간 거리를 사용하는 아이템 기반을 활용합니다.

상품 X를 좋아하는 사람들이 상품 Y도 좋아한다면, 상품 X와 상품 Y는 가깝다고 볼 수 있습니다. 

 

물론 위 언급한 내용들은 아주 기본적인 것으로, 실제로 넷플릭스나 아마존은 훨씬 더 복합적인 알고리즘을 사용합니다. 위 두 가지 방식은 아래와 같은 문제점을 가지고 있기 때문입니다. 

• 비율의 일관성 : 사용자의 취향은 고정적이지 않으므로 축적된 데이터라 할지라도 재측정 시 값이 변할 수 있다.
• 유사 아이템 추천 : 동일한 아이템이 아닌 유사한 아이템을 기반으로는 적용할 수 없다. 

 

따라서 이는 추천 알고리즘의 기본적인 배경지식입니다. 그러나 실제 추천 알고리즘의 근간이 되는 지식이기도 합니다. 

 

+ TMI 

현재 넷플릭스에서 사용하는 알고리즘은 협업 필터링을 기반으로 이를 고도화한 '모델 기반 협업 필터링(Model-based Collaborative Filtering algorithm)'이라고 합니다.