월스트리트 투자가들이 시장을 이길 수 있는 가장 확실한 방법이 있다. 우수 정보를 남들보다 먼저 얻는 것이다. 예를 들어, 미국 자동차 제조업체들은 특정 모델, 판매 지역, 연간 실적에 대한 세부적인 ‘월간’ 출하량과 판매량을 발표한다. 숫자에 따라 주가가 출렁인다. 만약 어느 월스트리트 투자가가 매일 ‘일간’ 숫자에 접근할 수 있다면 어떨까? 또한, 주요 정유 공장의 더 정확한 판매 데이터를 당일로 얻을 수 있다면 어떨까?

'오비탈 인사이트(Orbital Insight)'는 이런 데이터를 제공하는 샌프란시스코 기반 회사이다. 위성, 드론, 풍선을 사용해 관심 지역의 항공 사진을 찍고 그 데이터를 처리하여 월스트리트 투자가 및 기타 고객(정부, 군(軍), 농사업자)에게 판매한다. 지리 공간 데이터를 분석할 때 기계 학습(ML)을 여러 모로 사용한다.

위성 카메라는 미국 내 4700개의 월마트 주차장에 주차된 고객의 차량 수와 방문한 고객 수를 추적한다. 주차장을 보는 것은 쉽다. 위성 시간을 구입하면 된다. 어려운 부분은 차량과 고객을 세는 것이다. 위성 카메라는 지구 표면에서 160-2000km 위에 떠있으니까, 1평방미터는 1픽셀로 캡처된다. 사람이나 차는 이 카메라 사진에서 약 1~2픽셀 정도로 작기 때문에 거의 보이지 않으니 셀 수가 없다. 그러나 '움직임'을 기록하면 점의 '경로'를 추적할 수 있다. 추적과 계산은 훈련된 AI가 오비탈에서 수행한다. 이런 식으로 고객은 물론, 매장에 들어가는 직원 수까지 세어낼 수 있다. 직원들은 별도의 문을 통해 매장에 들어가야 하기 때문이다. 기계의 도움 없이 인간의 눈으로는 합리적인 시간 내에 이를 세는 것이 불가능하다.

오비탈의 다른 ‘비전 데이터+ML’ 응용 사례는 주요 정유 회사의 원통형 탱크에 저장된 석유량을 추정하는 것이다. 위성은 위에서 탱크의 이미지를 찍는데, 내부를 볼 수가 없으니 석유량을 측정할 수 없다. 그러나 흥미롭게도, 대부분의 석유 회사는 원유를 '부유식(浮游式) 지붕'이 있는 탱크에 저장한다. 이 지붕은 탱크 내부의 유면에 따라 상하로 움직이도록 설계됐다. 이런 부유식 지붕은 석유와 지붕 사이의 공간을 최소화해 대기 중으로의 휘발성 화합물의 증발을 줄인다.

오비탈의 AI 엔지니어들은 이러한 흥미로운 관행을 적극적으로 활용했다. 원통형 탱크의 상단 링은 지붕에 그림자를 드리우며, 오비탈은 주어진 시간과 위치에서 그림자의 모양을 측정하여 탱크 내부에 남아 있는 석유량을 추정할 수 있다. 그림자를 부피 추정치로 변환하는 작업은 ML을 통해 수행한다. 또 항구에 들어오는 유조선을 추적하여 매일 순유출량을 파악하고 판매량을 계산할 수 있다. 이 정보를 얻은 투자자들은 석유 회사의 주가나 원유 선물 가격을 더 잘 예측할 수 있다. 이 모델은 2015년경에 개발됐으니 생성AI 이전의 AI이다. 아마도 시키기만 하면, 새로운 AI 역시 이 작업을 훌륭하게 해 낼 것이다.

이 사례의 핵심은 ‘관찰과 통계 집계의 기계화’다. 구태여 고상한 위성이 아니더라도, 많은 관찰 가능한 데이터가 인터넷에 존재한다. 로체스터 대의 ‘제보 루오’ 교수팀은 인스타그램에 개제된 사진을 통해 젊은이들의 음주 행태에 대해, 설문 조사보다 더 정확한 집계를 할 수 있었다. AI를 써서 사진에 나온 인물의 성별, 나이, 인종을 추정하고 같이 사진에 나타난 주류와 제품명까지 조사할 수 있었다. 그들은 익명 설문조사에 솔직히 답하기는 꺼려해도, 인스타그램에 웃는 얼굴로 술자리를 자진 공개하길 즐기고 있었다. 아마도 술기운이었던 같다.

이번에는 ‘언어 데이터+ML’의 예를 보자. SNS에 개제된 ‘대화’에는 대중의 솔직한 의견과 관심이 반영되어 있다. 일반인들은 내 회사나 제품에 대해 어떻게 생각하나? 이때도 설문조사보다는 페이스북, 틱톡, 인스타그램, 링크트인, 위쳇이나 X 같은 SNS의 솔직한, 어쩌면 너무 솔직한, 대화가 더 진실에 가깝다. 수십억 줄의 SNS 대화를 읽고 통계 집계하는 3자 서비스를 '소셜 리스닝(social listening)'이라 부르며, 이 카테고리에는 수많은 상용 제품이 있다. 대부분은 AI, 즉 LLM의 언어 능력을 사용한다.

한 사용 예를 들자. 이어폰 제조업체 A는 고품질 헤드폰을 전세계에 공급한다. 일부 제품의 가격은 1200 달러 이상이었다. 이들은 소셜 리스닝 제품에게 다음 같은 질문을 던졌다. 첫째, 일반인들은 헤드폰을 얼마나 자주 언급하나? 또 언제? (답은 금요일 그리고 방학 직전). 둘째, 우리 제품은 헤드폰 카테고리에서 얼마나 자주 언급되나? 누가 우리보다 앞섰나? (답은 ‘비츠 by Dr. Dre’)

셋째, 우리 제품에 대해 뭐라고 말하나? 좋게 말한 비율은 얼마인가? 이 조사에서 A사는 다소 놀라운 사실을 발견했다. 조사 전 까지만 해도, 판매량이 작은 것은 당연히 ‘높은 가격’ 때문이라 생각했다. 허나 SNS에서 가장 자주 언급되는 것은 ‘잦은 고장’이었다. 또 80% 정도만이 긍정적 평가를 줬다. 이러한 sentiment analysis(감정분석)을 하는 데는 LLM의 언어 인식력이 필수다.

“둘이 쓰고 듣다가 하나가 죽어도 모른다”란 말의 뜻이 “긍정”이라는 것을 알아채야 한다. 전화 여론 조사에 비교해, 소셜 리스닝의 단점은 응답자가 젊은 연령층에 편중된다는 것이고, 장점은 솔직한 정보, 그리고 빠른 답이다. 질문을 낸지 1-2분 만에 답을 얻을 수 있다. 마치 답이 앉아서 질문을 기다리고 있었던 것 같다. 생각해 보면, 세상에 수많은 답들이 여러분의 질문을 기다리고 있는 지 모른다. 새로운 AI의 새로운 선물(膳物)이다.