AI로 '인맥 지도' 그리기, 기성품 대신 조립 키트가 나온 이유

우리는 모두 수많은 관계망 속에서 살아갑니다. 학창 시절 점심시간에 누구와 함께 밥을 먹는지, 직장에서는 어떤 부서 사람들과 주로 커피를 마시는지, 사회관계망서비스(SNS)에서는 누구의 글에 '좋아요'를 누르는지를 떠올려 보면 쉽습니다. 이런 관계의 점들을 모으면 거대한 그물, 즉 네트워크가 됩니다. 이 네트워크 안에서 자연스럽게 형성되는 무리, 즉 '공동체'를 찾아내는 것은 오랜 난제였습니다.

최근 인공지능 분야에서 이 문제를 푸는 새로운 접근법을 담은 논문 한 편이 발표되었습니다. 단순히 더 정확한 알고리즘 하나를 개발한 것이 아니라, 여러 기존 기술을 체계적으로 조합하고 평가하는 '틀(프레임워크)'을 제안한 연구입니다. 자극적인 제목에 휘둘리지 말고, 논문은 정확히 읽어야 합니다. 이 연구가 왜 중요한지, 그리고 우리가 무엇을 경계해야 하는지 차근차근 짚어보겠습니다.

1. AI는 '우리 무리'를 어떻게 찾아낼까: 세 단계 요리법

AI가 네트워크 속에서 공동체를 찾아내는 과정은, 마치 처음 이사 간 대단지 아파트에서 주민들의 성향을 파악하는 과정과 비슷합니다. 수천 세대가 사는 아파트에서 누가 누구와 친하고 어떤 그룹이 있는지 한눈에 알기란 불가능합니다. 이때 우리는 보통 세 단계를 거칩니다. 이 논문이 제안한 프레임워크도 정확히 이 방식을 따릅니다.

첫째, 개별 주민의 특징을 파악해 서로 얼마나 비슷한지 점수를 매깁니다. '노드 유사성(Node Similarity)' 측정 단계입니다. 예를 들어 '301호는 4인 가족에 어린 자녀가 둘', '802호는 강아지를 키우는 1인 가구', '1501호는 은퇴한 노부부' 같은 정보를 파악합니다. 그리고 301호와 비슷한 자녀 구성의 501호는 높은 유사성 점수를, 전혀 다른 특성의 802호와는 낮은 점수를 줍니다. 이 단계는 관계의 기본 재료를 손질하는 과정입니다.

둘째, 이 복잡한 관계 정보를 AI가 이해하기 쉬운 '지도'로 변환합니다. '그래프 표현 학습(Graph Representation Learning)' 단계입니다. 아파트의 몇 동 몇 호라는 복잡한 주소 대신, 주민들의 특징을 바탕으로 가상의 평면 위에 점을 찍는다고 상상해 봅시다. '어린 자녀가 있는 집'은 지도의 왼쪽 위에, '반려동물이 있는 집'은 오른쪽 아래에, '등산을 즐기는 집'은 중앙에 모이도록 점을 배치합니다. 이렇게 하면 서로 비슷한 주민들이 지도상에서 가까운 거리에 위치하게 됩니다. 복잡한 관계의 그물망을 AI가 계산하기 쉬운 좌표 값(벡터)으로 바꾸는 이 과정이 표현 학습의 핵심입니다. 쉽게 말해, 사람 사이의 '관계'를 컴퓨터가 알아볼 수 있는 '거리'로 치환하는 것입니다.

셋째, 완성된 지도 위에서 본격적으로 무리를 짓습니다. '계층적 클러스터링(Hierarchical Clustering)' 단계입니다. 지도 위에 가까이 모여 있는 점들을 작은 동그라미로 묶습니다. 그다음, 그 작은 동그라미들을 다시 더 큰 동그라미로 묶습니다. 이 과정을 반복하면 '301동 1-2라인 부모 모임' 같은 작은 공동체부터 '2단지 반려동물 산책 클럽', 나아가 '아파트 전체 등산 동호회' 같은 거대한 공동체까지 나무 구조처럼 층층이 찾아낼 수 있습니다. 하나의 그룹에만 속하는 것이 아니라, 여러 층위의 그룹에 동시에 속하는 현실을 잘 반영하는 방식입니다.

이 세 단계를 순서대로 거치면 복잡하게 얽힌 관계 속에서 의미 있는 공동체들을 발견할 수 있습니다. 논문의 기여는 이 세 단계 각각에 사용할 수 있는 수많은 기존 '부품'들을 체계적으로 분류하고, 어떤 조합이 어떤 상황에서 가장 효과적인지를 실험으로 증명했다는 데 있습니다.

2. 완제품이 아닌 '조립 키트'를 파는 이유

이 연구의 가장 중요한 지점은 '최고의 알고리즘'이라는 완제품을 자랑하는 대신, 다양한 부품을 조합할 수 있는 '조립 키트' 혹은 '공구함'을 제시했다는 사실입니다. 연구진은 첫 번째 단계(유사성 측정)에 쓸 수 있는 14개 방식, 두 번째 단계(표현 학습)에 쓸 수 있는 13개 모델, 세 번째 단계(무리 짓기)에 쓸 수 있는 2가지 방식을 조합해 총 364가지(=14 × 13 × 2)의 파이프라인을 만들었습니다. 그리고 이 조합들을 가상의 데이터와 실제 네트워크 데이터에 모두 적용해 성능을 꼼꼼히 비교했습니다.

이는 마치 '세상에서 가장 맛있는 김치찌개 레시피'를 발표하는 대신, '돼지고기·참치·꽁치 등 다양한 주재료와 신김치·겉절이 등 김치의 숙성도, 그리고 멸치육수·사골육수 등 국물 종류를 어떻게 조합했을 때 어떤 맛이 나는지'에 대한 방대한 비교 실험 보고서를 내놓은 것과 같습니다. 어떤 조합이 특정 상황에서 좋은 성능을 보인다는 결과(예: Wasserman-Faust 계수와 상호 정보량 기반 조합)를 제시하긴 했지만, 그보다 중요한 것은 '상황에 맞는 최적의 레시피를 직접 찾을 수 있는 방법론' 자체를 정립했다는 점입니다.

이러한 접근은 인공지능 연구가 점점 성숙하고 있음을 보여주는 신호입니다. 초창기 연구들이 저마다 '내 방법이 최고'라고 외치는 각개전투의 시대였다면, 이제는 어떤 무기가 어떤 전장에서 유용한지를 체계적으로 분석하고 공유하는 '병법서'를 쓰는 단계로 나아가고 있는 셈입니다. 이는 재현성과 일반화를 중시하는 과학의 본령에 더 가까운 태도입니다.

3. 흔한 오해: '절대 지도'는 없다

이런 기술이 등장하면 사람들은 종종 두 가지 환상에 빠지곤 합니다. 하지만 우리는 메커니즘과 예언을 구분해야 합니다. 이 기술이 할 수 있는 것과 할 수 없는 것을 명확히 알아야 합니다.

첫 번째 오해는 '이 AI가 내가 속한 진짜 공동체를 알려줄 것'이라는 기대입니다. 이 기술은 당신을 '학생', '자녀', '게임 동호회 회원' 중 하나의 정체성으로 규정하지 않습니다. 오히려 계층적 클러스터링을 통해 당신이 이 모든 공동체에 여러 겹으로 소속되어 있음을 보여줍니다. 우리가 현실에서 다양한 역할을 동시에 수행하는 것처럼 말입니다. 공동체는 고정불변의 실체가 아니라 분석의 관점과 척도에 따라 다르게 그려지는 유동적인 개념입니다. 이 프레임워크는 절대적인 '정답'을 주는 것이 아니라, 다양한 관점의 '지도'를 여러 장 그려주는 도구에 가깝습니다.

두 번째 오해는 '공동체 지도를 통해 미래를 완벽히 예측할 수 있을 것'이라는 믿음입니다. 가령 특정 상품의 유행이나 선거 결과를 예측하는 것이죠. 이는 지도를 수정 구슬로 착각하는 것과 같습니다. 이 기술은 현재까지 축적된 데이터를 바탕으로 관계의 '구조'를 매우 정밀하게 그려낼 뿐입니다. 이 지도를 바탕으로 미래에 대한 합리적 '추정'은 할 수 있겠지만, 사람들의 변덕스러운 마음이나 외부의 돌발 변수까지 예측하지는 못합니다. 전염병 확산 경로를 분석할 때도, 이 지도는 '어떤 공동체를 통해 바이러스가 빠르게 퍼질 위험이 큰가'를 알려줄 뿐, 내일 갑자기 슈퍼 전파자가 나타날지 여부는 예언할 수 없습니다. 지도는 현재를 이해하는 도구이지, 미래를 보장하는 약속이 아닙니다.

4. 한계는 명확하다: 비싼 계산 비용과 데이터의 덫

물론 이 프레임워크에도 명백한 한계가 존재합니다. 칭찬에 앞서 한계부터 보는 것이 연구를 정확히 읽는 자세입니다.

가장 큰 문제는 '계산 비용'입니다. 쉽게 말해, 컴퓨터가 이 일을 하는 데 너무 많은 시간과 에너지가 든다는 뜻입니다. 수백만, 수십억 개의 점과 선으로 이루어진 거대 네트워크(예: 전 세계 페이스북 이용자 관계망)를 분석하기 위해 364가지 조합을 모두 시험하는 것은 현실적으로 불가능에 가깝습니다. 논문에서도 수만 개 노드 수준의 비교적 작은 네트워크로 실험을 진행했습니다. 따라서 이 기술은 트위터에서 실시간으로 여론 동향을 분석하는 등의 속도가 중요한 일보다는, 시간을 들여 정확한 구조 파악이 중요한 연구(예: 신약 개발을 위한 단백질 상호작용 분석)에 우선적으로 적용될 가능성이 높습니다.

또 다른 근본적인 한계는 '데이터의 질'에 의존한다는 점입니다. '쓰레기가 들어가면 쓰레기가 나온다(Garbage In, Garbage Out)'는 데이터 과학의 오랜 격언이 여기서도 똑같이 적용됩니다. 만약 분석의 기반이 되는 데이터 자체가 편향되거나 불완전하다면, AI는 그저 편향된 지도를 정교하게 그려낼 뿐입니다. 예를 들어 SNS 데이터는 '친구 맺기'나 '좋아요' 같은 긍정적 관계만 기록하는 경우가 많습니다. '싫어하는 관계'나 '어쩔 수 없이 맺는 관계'는 데이터에 없습니다. 이런 반쪽짜리 데이터로 공동체를 분석하면 현실과는 동떨어진 낙관적인 그림만 얻게 될 수 있습니다.

연구진은 프레임워크가 모듈형이라 나중에 더 빠르고 효율적인 부품이 개발되면 언제든 교체할 수 있다고 말합니다. 이는 타당한 주장이지만, 데이터 자체의 한계는 알고리즘 개선만으로 해결할 수 없는 문제입니다. 결국 좋은 분석은 좋은 데이터에서 출발한다는 기본 원칙을 잊어서는 안 됩니다.

5. 역사 속 평행선: '만능 칼'에서 '공구함'으로

이러한 변화는 비단 AI 분야에서만 일어나는 현상이 아닙니다. 과학과 기술의 역사를 돌이켜보면 '만능 해결책'을 찾으려는 시도에서 출발해, 점차 다양한 도구를 상황에 맞게 사용하는 '도구상자(toolbox)' 접근법으로 발전해 온 사례를 쉽게 찾을 수 있습니다.

통계학의 역사가 대표적입니다. 초기 통계학자들은 데이터의 분포나 종류에 상관없이 적용할 수 있는 강력한 단일 분석 기법을 찾으려 했습니다. 그러나 연구가 깊어지면서 데이터의 특성(정규분포를 따르는지, 표본의 크기는 어떤지 등)에 따라 적합한 통계 기법이 모두 다르다는 것을 깨닫게 되었습니다. 오늘날 데이터 과학자들은 R이나 파이썬 같은 프로그래밍 언어를 이용해 수많은 통계 라이브러리(도구)들을 불러와, 마치 공구함에서 스패너와 드라이버를 꺼내 쓰듯 문제에 맞는 분석 도구를 조합해 사용합니다.

의학에서도 마찬가지입니다. 과거에는 많은 질병을 단 하나의 원인균이나 문제로 설명하려는 경향이 강했습니다. 하지만 지금 우리는 고혈압이나 당뇨 같은 만성질환이 유전, 식습관, 운동, 스트레스 등 수많은 요인이 복합적으로 작용한 결과임을 압니다. 따라서 치료 역시 단 하나의 '특효약'에 의존하기보다 운동 요법, 식이 요법, 약물치료 등 다양한 방법을 환자의 상태에 맞게 '조합'하는 방향으로 나아갑니다.

이번 공동체 탐지 프레임워크 연구는 AI 분야 역시 이러한 '성숙의 길'을 걷고 있음을 보여주는 이정표입니다. '내 칼이 가장 날카롭다'고 외치는 대신, '이 나사에는 이 드라이버가, 저 볼트에는 저 스패너가 적합하다'는 체계적인 사용 설명서를 만든 것입니다. 이는 덜 화려해 보일지 몰라도, 과학적으로는 훨씬 더 견고하고 유용한 진보입니다.

6. 그래서 우리는 무엇을 보아야 하는가: 데이터 주권의 문제

이 기술이 성숙해질수록 우리는 기술 자체의 성능을 넘어, 그 결과물이 만들어 낼 사회적 파급력에 주목해야 합니다. 특히 '누가 이 지도를 그리고, 누가 그 지도를 소유하는가'의 문제는 앞으로 더욱 중요해질 것입니다.

• 정부나 거대 기업이 이 기술을 사용해 사회를 들여다본다고 상상해 봅시다. 선거 기간에 특정 정치 성향을 가진 공동체를 정확히 식별해 맞춤형 메시지를 집중적으로 살포하거나, 반대로 정부에 비판적인 목소리를 내는 집단을 조기에 발견해 감시하고 와해시키는 데 악용될 수 있습니다. 이는 이미 부분적으로 현실화되고 있는 '디지털 감시 사회'의 기술적 토대가 될 수 있습니다.

• 상업적으로는 소비자의 취약점을 파고드는 데 쓰일 수 있습니다. 예를 들어 '경제적으로 불안정하면서 충동구매 성향이 강한 사람들'의 공동체를 찾아내 고금리 대출 상품이나 사행성 게임 광고를 집중적으로 노출하는 식입니다. 이는 단순한 맞춤형 광고를 넘어, 착취에 가까운 행위로 이어질 수 있습니다.

결국 이 강력한 '지도'의 통제권, 즉 '데이터 주권'의 문제가 핵심으로 떠오릅니다. 우리 개개인의 관계 데이터가 모여 만들어진 지도를 누가, 어떤 목적으로 사용할 수 있도록 허락할 것인지에 대한 사회적 합의가 필요합니다. 기술 개발은 막을 수 없지만, 기술의 사용 방향은 우리가 결정해야 합니다. 이 프레임워크가 제시하는 모듈형 설계는, 역설적으로 우리에게 기술의 각 단계를 감시하고 통제할 수 있는 '틈'을 보여주기도 합니다. 어떤 데이터 수집(유사성 측정)을 허용하고, 어떤 종류의 그룹핑(클러스터링)을 금지할지 등에 대한 윤리적 가이드라인을 이 프레임워크의 구조에 맞춰 논의해 볼 수 있을 것입니다.

새로운 기술의 등장은 언제나 가능성과 위험을 함께 가져옵니다. 중요한 것은 흥분하거나 공포에 질리는 대신, 그 작동 원리를 정확히 이해하고 우리가 통제해야 할 지점이 어디인지를 냉정하게 살피는 자세입니다. 이 조립 키트는 이제 막 우리 손에 주어졌습니다. 어떤 결과물을 만들어 낼지는 이제 우리의 손에 달려 있습니다.

독자가 던질 법한 질문들

Q. 그래서 이 기술로 당장 제 페이스북 친구 관계를 분석해볼 수 있나요?

A. 이론적으로는 가능하지만 현실적으로는 어렵습니다. 페이스북 같은 거대 기업은 자신의 데이터를 외부 연구자가 쉽게 접근하도록 허용하지 않습니다. 또한, 개인용 컴퓨터로 실행하기에는 계산량이 너무 많을 수 있습니다. 이 연구는 주로 기업이나 대형 연구 기관 수준에서 특정 목적을 위해 활용될 가능성이 높습니다. 개인의 관계망을 분석해주는 서비스가 등장할 수는 있겠지만, 이는 서비스 제공자가 데이터를 확보하고 분석한 결과를 보여주는 형태일 것입니다.

Q. 364가지나 조합해서 테스트했다는 게 대단해 보이긴 하는데, 결국 가장 좋은 조합 하나만 쓰면 되는 것 아닌가요?

A. 그렇지 않습니다. 연구에서도 특정 조합이 '여러 시나리오에서' 우수했다고 했을 뿐, '모든 경우에' 최고라고 하지는 않았습니다. 네트워크의 종류(예: 매우 촘촘한 관계망, 듬성듬성한 관계망)나 분석 목적(예: 작은 동아리 찾기, 거대한 이념 집단 찾기)에 따라 최적의 조합은 얼마든지 달라질 수 있습니다. 이 연구의 핵심은 정답을 하나 알려주는 것이 아니라, 각자의 문제에 맞는 정답을 찾는 '방법'을 체계적으로 제시했다는 데 있습니다.

Q. 이런 기술이 악용될 소지는 없나요? 특정 집단을 감시하거나 여론을 조작하는 데 쓰일 수도 있을 것 같습니다.

A. 매우 날카롭고 중요한 지적입니다. 기술 자체는 중립적이지만, 사용하는 사람의 의도에 따라 강력한 통제 도구가 될 수 있습니다. 특정 정치 성향의 커뮤니티를 식별해 선거 광고를 집중하거나, 사회적 소수자 그룹을 색출하는 데 악용될 수 있습니다. 그렇기 때문에 이 기술의 개발과 함께 데이터 접근 권한과 활용 윤리에 대한 사회적 논의가 반드시 병행되어야 합니다. 기술의 힘이 강해질수록, 그 힘을 통제할 사회적 장치에 대한 고민도 깊어져야 합니다.