다른 졸업학년도의 대학원생들처럼 저도 올해 많은 시간을 Job Search에 투자했습니다. 처음에 Academic / Researcher Job을 찾는 것으로 시작하여, 나중에는 Industry / Engineering Job으로 구직의 폭을 넓혔습니다. 지난 2주간 A9 (아마존의 검색회사), Amazon, Microsoft, Google과 Facebook면접을 다녀오는 것으로 on-site인터뷰를 모두 마무리했습니다.


아직 최종 결과를 기다리고 있는 곳도 있지만, 만족스러운 오퍼를 이미 받았고, 최선을 다했다는 확신이 들기에, 지난 시간이 성공적이었다고 말해도 될 것 같습니다. 앞으로 몇 번의 포스팅을 통해 지난 6개월간의 여정을 정리해볼까 합니다. 아무래도 최근에 기술회사 면접을 다녀왔기에, 글의 초점이 그쪽에 맞춰질 것 같습니다. 오늘은 우선 '구직에 임하는 자세'에 대해 생각해 보겠습니다. 


Be a Learner, not a Shopper


지난 포스팅에서도 밝혔지만, 처음부터 Job Search를 직업 시장에 나가는 Shopper (혹은 Shoppee)보다는 대학원 시절 배움의 연장으로 생각하는 학습자(Learner)의 자세로 임하겠다는 생각이 있었습니다. 제가 생각하는 학습자의 자세는 매 순간 최종적인 '결과'보다는 과정에서의 '배움'을 소중히 하는 것입니다. 평생의 (적어도 몇년간의) 진로가 결정되는 구직 전선에서 '배움'을 운운하는 것은 굉장히 Naive한 태도로 보입니다. 구직은 다른 어떤 일보다도 '결과'가 명확하게 엇갈리는 일이니까요. 하지만, 지난 6개월을 돌이켜 보았을때, 이런 학습자의 태도는 가장 크게 도움이 되었던 요인이 아니었습니다. 


우선, (특히 박사 졸업생의) 구직은 대부분 장기전입니다. 저의 경우 작년 말 미국 내 교수직 지원을 시작으로, 올해 초 기업체 연구 개발직으로 지원의 폭을 넓혔습니다. 그 과정에서 좌절이 없었던 것은 아니지만, 결과에 연연하지 않겠다는 각오가 있었기에, 실패를 거울삼아 계속 뭔가를 배우고 개선해 나갈 수 있었습니다. 당장의 인터뷰 결과에 연연하기보다는, 학교 / 연구소 인터뷰 준비는 관련 분야의 논문을 읽는 기회로, 그리고 회사 인터뷰는 알고리즘 / 코딩 스킬을 연마하는 기회로 생각했습니다.


또한 '과정에서의 배움'을 중시했기에 처음에 비교적 난이도가 낮은 곳을 시작으로 꾸준히 더 어려운 곳을 공략했습니다. 효과적인 학습을 위해 가장 중요한 요소중 하나가 '적당한 난이도'라는 것을 감안하면, 이렇게 차근차근 Bar를 높였기 때문에 큰 부담없이 과정에서 계속 배워나갈 수 있지 않았나 합니다. 특히 Problem Solving이 주가 되는 기술 면접에서는 처음 몇개의 회사에서 쌓은 경험이 나중 인터뷰에 큰 도움을 주었습니다. 


'학습자의 태도'는 기술 면접 현장에서 최선의 결과를 얻어내는 데에도 효과적입니다. 나중에 좀더 자세히 쓰겠지만, IT 회사의 기술 면접은 알고리즘 / 시스템 디자인 등의 문제를 가지고 구직자의 문제 해결력을 평가하는 과정입니다. 이때 평가의 중심이 지식보다는 사고력, 결과보다는 해답에 이르는 과정이기에 지나치게 긴장을 하거나 사소한 실수에 좌절하는 것은 치명타가 됩니다. 이런 측면에서도 위에서 언급한대로 점점 난이도를 높여가며 각각의 인터뷰를 '배움의 기회'로 생각할 수 있었던 것이 저에게는 큰 도움이 되었습니다. 


요약하면 인터뷰 준비, 스케줄링, 그리고 현장에서까지 '학습자의 태도'를 가졌기에 과정에서 스트레스를 받기보다는 즐길 수 있었고, 또한 후회없이 실력을 발휘할 수 있었다고 생각합니다. 만약 처음부터 결과에 집착했다면 체계적인 인터뷰 스케줄을 짜는 것도, 또한 현장에서 마음편히 인터뷰에 임하는 것도 힘들었을 것이라고 생각합니다.


Be Proactive, not Passive


어떤 의미에서, 구직 과정은 지원자와 조직간의 긴 '헙상'입니다. 대부분의 경우 지원자가 조직에 지원하는 것으로 프로세스가 시작되기에, 이 과정에서 지원자는 조직이 부과하는 여러가지 Rule을 맞닥뜨리게 됩니다. 인터뷰 과정에서 중요했다고 생각되는 또 하나의 태도는 이처럼 주어진 Rule을 따르기 보다는 최대한 상황을 자신에게 유리하게 끌어가려고 노력했던 점입니다. 구체적인 설명은 저의 인터뷰 과정에서 생긴 에피소드를 소개하는 것으로 대신할까 합니다.


Google의 첫번째 전화인터뷰에서 있었던 일입니다. 다른 많은 회사들처럼 Google은 온라인 문서 공유 시스템을 사용하여 코딩 인터뷰를 진행합니다. 인터뷰 시작과 함께 사용할 언어를 정하는데, 인터뷰어가 대뜸 C를 사용하라고 했습니다. 저는 오래전에 C프로그래머로 일한 경력이 있지만, 대학원에서는 주로 Ruby / Python / R등의 스크립팅 언어를 사용해 왔고, 시간안에 문제를 해결해야 하는 인터뷰의 특성상 손에 익지도 않은 C코드를 짜는 것이 불리한 조건이라는 것은 자명했습니다. 이 상황에서 그냥 인터뷰가 시킨대로 하는 방법도 있었지만, 저는 인터뷰시 사용할 언어가 대부분의 경우 flexible하다는 것을 알았기에, Python으로 하겠다고 버텨서 인터뷰어를 다시 배정받을 수 있었습니다. 결국 두번째 인터뷰어와의 전화 면접을 무사히 통과할 수 있었습니다. 


또한, 대부분의 경우 언터뷰어와의 소통은 주어진 인터뷰 시간의 범위내에서 이루어지는 것이 보통입니다. 많은 경우 리쿠르터는 인터뷰 이전 / 이후에 인터뷰어의 이름 혹은 연락처를 알려주지 않으며, 또한 어떤 회사는 이를 정책화하기도 합니다. 하지만, 대부분의 경우 인터뷰어에게 직접 물어보면 연락처를 얻을 수 있습니다. 그리고 저는 인터뷰 내용에서 보충할 내용이 있는 경우 가능한 시속하게 Follow-up메일을 보냈습니다. 전화 면접시 시간내에 코딩을 끝내지 못한 경우가 있었지만, 인터뷰 직후 5분안에 이를 끝내서 바로 메일을 보냈고, 즉시 인터뷰어의 고맙다는 답장을 받았습니다. 

만약 위 상황에서 제가 저에게 부과된 '규칙'에 순응했다면 아마 다음 단계에 가보지도 못하고 탈락했을 겁니다. 이밖에도 저는 인터뷰가 끝난 후에 채용 담당 매니저와 추가 면담 시간을 요청하여 조금 더 필요한 대화를 나눌 수 있었고, 또한 점심 인터뷰 장소가 어수선한 경우 좀더 조용한 곳으로 옮겨달라는 요청을 했습니다. 요약하면 주어진 상황에서 최선을 다하되, 회사에서 정해주는 여러가지를 그대로 수용하기보다는 자신에게 필요한 것을 그때그때 요구하는 자세가 필요합니다. 


Epilogue


이번 글에서는 미국 IT회사 기술 면접을 중심으로, 구직에 임하는 태도에 대해 적어보았습니다. 전화에서 방문 인터뷰까지 두달 가량을 보내었지만, 대표적인 IT회사를 방문하여 이야기를 듣고 제가 기여할 수 있는 점에 대해 생각해볼 수 있었던 점은 큰 수확이었습니다. 그동안 상대적으로 소홀히해왔던 코딩 / 알고리즘 관련 스킬을 면마할 수 있었던 점은 보너스라고나 할까요. 


예전에 유학 준비기에도 썼지만, 유학이든 구직이든 당장의 보상에만 집착하기보다는 장기적인 관점에서 '나에게 어울리는 선택'을 하는 것이 중요하다고 생각합니다. 우선 스스로 왜 그 포지션을 원하고, 어떻게 잘 할 수 있을지를 생각해본 후에야, 면접관에게 이점을 납득시킬 수 있을 겁니다. 주어진 기술적 문제를 잘 푸는것도 중요하지만, 학교든 기업이든 자신의 조직 및 관련분야에 열정을 가진 사람을 뽑기를 원하니까요.


p.s. 다음번에는 면접에 관한 좀더 구체적인 Tip 및 준비방법을 올릴 생각입니다. 그전에라도 궁금한 점이 있으시면 댓글로 알려주세요 ;)

 최근 몇주간 첫 Job Talk 및 on-site인터뷰가 있었습니다. 바쁜 일정이지만 그동안의 노력이 뭔가 구체적인 형태로 나타나는 것을 보며 보람을 느낍니다. 계속되는 인터뷰도 결과에 연연하기보다 'Beginner's Mind'를 갖고 배우는 자세로 임하고 있습니다. 오늘은 인터뷰를 다니며 배운 점을 정리해볼까 합니다. 

Job Talk
교수 및 리서치 랩의 포지션에 지원하면 지금까지 자신의 연구 결과를 정리하여 발표하는 Job Talk을 하게됩니다. 해당 기관의 모든 관계자가 다 참석하여 지원자의 연구성과 및 전달력 등을 평가하고, 날카로운 질문도 많이 나오기 때문에 중요한 자리입니다. 컨퍼런스 발표의 2배 정도의 (한시간 가량) 길이에 청중들의 배경도 훨씬 다양하기에 준비하기기 만만치 않습니다.

저의  Job Talk은 IBM의 HCI / Social Computing Group에서 있었는데, 검색 분야의 연구를 어떻게 HCI 및 RecSys 분야의 사람들에게 전달할 수 있느냐가 관건이었습니다. 처음에는 저의 박사 논문 주제 및 인턴 프로젝트를 나열하여 슬라이드를 만들었지만, Practice Talk을 거치며 구성이 산만하다는 지적을 받았습니다. 수정을 거듭하다가 결국은 전체 연구주제를 Rich User Modeling및 Rich User Interaction이라는 두가지 줄기로 정리하여 엮을 수 있었습니다. 

비록 예상보다 준비 시간이 많이 걸리긴 했지만, 지금까지의 연구를 종합해볼 수 있는 좋은 기회었습니다. 발표에 사용된 슬라이드는 여기서 보실 수 있습니다. 며칠안에 제가 녹화한 비디오도 올릴 생각입니다.

On-site Interview
지난주에는 제품 검색을 주로 하는 회사의 On-site면접에 다녀왔습니다. 저의 최근 논문이 구조화된 문서의 검색을 다루고 있고, 또한 제품검색과 같이 메타데이터가 풍부한 경우 필터링 / 추천 및 다양한 인터렉션 방법이 사용될 수 있기에, 제게는 웹검색 만큼이나 흥미있는 문제입니다. 

면접 준비는 1) 리서치 관련 질문 2) 프로그래밍/개발 관련 질문의 두가지로 나뉘는데, 우선 첫번째 유형의 질문을 위해 제품 검색과 관련이 깊은 여러가지 논문 및 관련자료를 읽으며 배경지식을 갖추고, 회사 서비스를 사용해보며 문제 및 개선점을 도출해 보았습니다. 이런 준비를 하다보니 회사에 대해서도 좀더 잘 이해하게 되고, 제가 어떤 일을 할 수 있을지에 대해서도 좀더 감이 생겼습니다.

프로그래밍 인터뷰는 일단 유명한 책을 몇권 읽고, 실제 인터뷰 문제가 업데이트되는 웹사이트의 연습문제를 계속 풀어보았습니다. 사실 연구주제와 동떨어진 시스템 및 효율성과 관련된 이슈에 대해 많이 공부하지 못했던 것이 사실인데, 이번 언터뷰 준비가 좋은 계기가 되었습니다. 잘 기억나지도 않는 알고리즘 이름을 떠올려가며 문제를 푸는 것이 처음에는 쉽지 않았는데, 나중에는 점점 재미있어졌습니다. 

어느정도 준비를 한 덕인지 막상 회사에 가서는 편한 마음으로 인터뷰에 임할 수 있었습니다. 인터뷰 준비를 하면서 연구자가 아닌 현업 종사자의 관점에서 생각하려고 노력했지만, 역시 검색팀의 사람들과 이야기하다보니 배울 점이 많았습니다. 문제는 체력이었는데, 하루 7시간동안 7번의 인터뷰를 하다보니 나중에는 목소리가 제대로 나오지 않았습니다. 

마치며
구직을 위한 인터뷰라, 듣기만 해도 긴장이 느껴지는 말입니다. 실제로 해보니 물론 만만치는 않지만, 평소에 접하기 힘들었던 분야를 공부하는 준비과정도 보람이 있었고, 필요한 준비를 마친 이후에 막상 현장에서는 즐겁게 인터뷰에 임하는 자신을 발견할 수 있었습니다. 
 
인터뷰 준비 관련 자료
Presentation Zen : 읽다보면 철학책인가 햇갈릴 때도 있지만, (특히 스티브 잡스 스타일의 간결한) 프리젠테이션 준비를 위해서는 최고의 책인 것 같습니다. 동명의 블로그도 있습니다.
The Algorithm Design Manual
 : 알고리즘 관련 지식을 리프레시하기 위해 보았는데, CLRS만 보셨던 분들께는 청량제외 같은 책입니다. The Joy of Algorithm이라는 별칭이 있더군요. 
 http://www.careercup.com/ : 구글 / MS 등의 회사에서 실제 면접때 사용된 문제가 계속 올라옵니다. 여기서 나온 책도 많이 읽히는 교재입니다. 
 


포스팅 말미에, 최근에 올리지 못했던 주간 반성 및 계획을 씁니다. 이게 무슨 소리인가 하시는 분들은 예전 포스팅을 참조하세요 ;)

반성 및 계획
지난 3주를 돌이켜보면, 대체로 생산적인 시간을 보냈지만 역시 큰 일을 치른 후에 긴장이 풀어지면서 좋지 못한 결과가 나오는 것을 보았습니다. 긴장이 될수록 더 강한 자제력을 발휘하여 더 좋은 결과를 가져오지만, 사람인 이상 이를 계속할수는 없을 것입니다. 긴장이 풀릴만할 때 아예 쉬던지, 아니면 마음을 다잡고 다시 시작해야 하는데 두가지 다 못했던 경우가 2주 연속 나왔습니다.  지난번에 트레킹 자체만으로 2월의 성과가 좋았음을 언급했는데, 이번에는 결과적으로 다시 평균이 떨어졌습니다. 긴장과 이완의 리듬을 자연스럽게 타도록 노력해야 할 것 같습니다. 


읽고 배운 것들
최근에 SNS를 통해 내가 대학원에 들어왔을 때 알았더라면 좋았을 연구 노하우라는 발표자료를 접하신 분이 많으실 겁니다. 저도 읽으며 공감하는 구절이 많았습니다. 간단히 요약하면: 첫 논문을 최대한 빨리 써라. (200% 공감!) / 일 순서를 바꾸어 효과적인 멀티태스킹을 해라 / 평소에 (출퇴근 / 일요일 밤) 생각을 많이해두면 자리에 앉아서 바로 일을 시작할 수 있다. / 협업으로 후배 & 주변사람들을 챙기고 키워라.

'유학생활' 카테고리의 다른 글

미국 IT회사 면접기 (1) -- Winning Attitude  (4) 2012.04.30
2012년 새해 인사  (4) 2012.01.03
변장한 행운  (9) 2011.12.15

Self-Tracking 두달째, 눈에 보이는 성과

Journal : 2012. 2. 28. 12:48   By LiFiDeA
연초에 시작한 삶의 행복도 측정 실험이 별써 8주, 두달째를 맞이했습니다. 오늘은 그간의 결과를 돌이켜보고 앞으로를 계획하고자 합니다. 

전체 결과
우선, 1~2월의 주요 지표에 대한 월간/주간 수치를 알아봅시다. 우선, 아래 표는 지난 두달간의 주간 / 월간 결과를 요약합니다. 2월의 기상시간이 많이 늦어졌지만, 저녁 시간대를 위주로 만족도가 전반적으로 개선된 것을 볼 수 있습니다. 결론적으로 2월의 평균 행복도는 전달에 비해 눈에띄게 올라간 것으로 나타났습니다. 결정적으로, 1월에 가장 큰 문제였던 저녁시간 활용을 많은 부분 해결했습니다. 

시간대별 분석
일간 만족도를 시간대별로 나누어 살펴봅시다. 아래 차트는 일간 평균 만족도의 변화추이를 오전, 오후, 밤으로 나누어 보여주는데, 비슷한 수준을 유지하는 오전에 비해 오후 및 밤 시간의 만족도가 현격히 증가했음을 보여줍니다. 하지만, 여전히 밤시간의 마족도는 오전/오후에 비해 낮습니다.



기상시간의 영향
또한 위 차트는 1월에비해 2월의 기상시간(파란선)이 늦어지고 수면시간(빨간선)이 늘어난 것을 알려줍니다. 아래 Scatterplot은 기상시간이 늦어지는 것이 아침시간의 만족도에 부정적인 영향을 끼침을 알려줍니다. (Pearson Correlation: -0.41). 



장소별 분석
마지막으로 하루를 보낸 장소가 만족도에 미치는 영향을 살펴봅시다. 아래 표는 장소별 일간 만족도의 분포 및 평균을 보여줍니다. 컨퍼런스(WSDM)에서 보낸 시간을 가장 만족스럽게, 학교에 (Amherst, Stata) 갔을 떄가 집에 있을때에 비해 더 만족스러웠더 것을 확인할 수 있습니다.
 

요약 & 계획
지난 2월을 돌이켜보면, 밤에도 일을 해야했던 기억이 많습니다. 무언가 여가 선용의 방식이 개선되었다기보다는, 장시간 일을 해야했거나 컨퍼런스에서 늦게까지 시간을 보낸 것이 평가치에 영향을 끼친것이 아닌가 합니다. 하지만, 보스턴의 집에서 시간을 보낸 5주와 7주의 결과가 평균 3.5~3.6으로 좋았던 것을 고려하면 단순히 환경 변화의 문제는 아니었습니다. 

만족도 트레킹을 시작한지 두달째, 트레킹 이외에 다른 특별한 조치를 취한 것은 아니지만, 수치상으로도 그리고 주관적인 느낌으로도 눈에 띄게 삶의 만족도가 높아진 느낌입니다. 그 이유를 생각해보면 트레킹 이후 자신의 상태에 대한 자각(awareness)가 높아진 것이 원인이 아닐까 생각해 봅니다. 말하자면, 스스로의 상태를 적절히 판단하여 이에 맞는 조치를 취하게끔 되었다는 겁니다. 

아래 차트는 위에서부터 지난 두달간의 기상 및 수면시간(각각 파란선, 빨간선) 그리고 아침, 저녁, 일간평균 만족도의 추이(노란/녹색/파란선)를 나타냅니다. 1월에 거의 한주간 저녁시간의 만족도가 낮았던 적이 있었던데 비해 2월은 며칠 바닥으로 떨어졌던 적이 있지만, 그 다음날 바로 회복하는것을 볼 수 있습니다. 


마치며
살아가다 보면 주변 환경 혹은 내적인 이유로 종종 자신의 모습을 잃고 흔들리게 됩니다. 하지만, 두달간의 트레킹을 통해 자신의 이상 징후를 감지하고 문제가 악화되기 전에 바로잡는 능력이 조금을 키워지지 않았나 합니다. 결과적으로는, 어떤 상황에 놓여도 쉡게 흔들리지 않는다는 자신감이 생겼습니다. 

학점으로 따지면 B+였던 월간 행복도를 A-까지 올린 2월은 만족스러운 달이었습니다. 3월부터는 본격적인 인터뷰 시즌입니다. 스트레스와 불규칙한 일정이 예상되지만, 트레킹을 통해 얻은 교훈을 기억한다면 큰 흔들림없이 보낼 수 있지 않을까 합니다. 

최근에 산업체 연구소에 지원을 시작했습니다. 지원하는 회사 중 대형 전자상거래 업체가 있는 관계로 '추천 시스템(Recommendation System -- 이하 RecSys)'에 관심을 가지게 되었습니다. 추천 시스템이라는 분야 및 RecSys라는 컨퍼런스는 알고 있었지만, 좀더 자세히 들여다보면서 검색 분야와 재미있는 차이 및 연관성을 발견할 수 있었습니다. 오늘은 검색의 사촌(?)이라고 할 수 있는 RecSys라는 분야에 대해 소개해볼까 합니다.

추천 시스템 개관

우선 추천 시스템 및 연구의 흐름을 살펴봅시다. 넷플릭스 시스템이 사용자에게 다음에 볼 영화를 추천하는 것, 혹은 아마존이 초기화면 및 상품 페이지에 'You might be interested…'라는 식으로 구매를 유도하는  것이 추천 시스템의 대표적인 사례입니다. 더 자세한 소개는 위키피디아 아티클을 참고합시다.

최근에 읽은 Recommender Systems: An Introduction이라는 책에는 추천 시스템 연구에 대한 최근 동향이 잘 소개되어 있습니다. 이책에 따르면, 사용자 집단의 품목 선호도를 바탕으로 사용자가 아직 경험하지 못한 품목을 추천하는 문제에서 추천 분야의 연구가 시작되었다고 합니다. 사용자 집단에 대한 정보를 개별 사용자의 품목 추천을 위해 사용한다는 의미에서 이를 Collaborative Filtering이라고 통칭합니다. 

Collaborative Filtering은 결국 User-Item Matrix에서 아직 관찰되지 않은 값은 예측하는 문제로 귀결되는데, 사용자 혹은 항목간의 Similarity를 기반으로 예측하는 Memory-based Approach와 Matrix 전체를 대상으로 예측을 위한 알고리즘을 적용하는 Model-based Approach가 있습니다. Memory-based Approach가 복잡성이나 효율면에서 우위를 갖지만, Model-based Approach가 적은 데이터에서 더 잘 동작하며, 전반적으로 더 나은 성능을 내는 것으로 알려져 있습니다.

전통적인 검색 모델에서는 Query와 문서의 유사도를 바탕으로 문서를 랭킹하기에, 여기까지는 검색과 추천이 상당히 다른 이야기입니다. 하지만 추천을 하기에 충분한 양의 선호도 및 기타 정보가 존재하지 않는 경우, 사용자의 프로파일과의 매칭을 바탕으로 추천 결과를 생성하는데, 이를 Content-based Approach라고 부릅니다. 이 경우 매칭을 위해 TF-IDF, 혹은 이와 유사항 Metric을 사용하기 떄문에 결국은 사용자의 프로파일이 질의어가 되는 검색이라고 볼 수도 있습니다. 

이외에도 다양한 추천 기법이 존재하는데, 예컨데 디지털 카메라 선택과 같이 특정 도메인의 지식이 필요한 경우, 이를 직접 모델링하는 (예를들어 가격에 민감한 사용자에게 Low-pixel 카메라를 추천) Knowledge-based Approach도 눈여겨볼만 합니다. 최근에는 위에서 설명한 여러 기법을 결합하여 성능을 향상시키는 Hybrid Approach가 주로 사용되는데, 이는 검색 Feature를 기계학습을 통해 결합하는 Learning-to-Rank기법과 유사합니다. 
 

검색 vs. 추천?

이처럼 추천과 검색은 비슷하면서도 다른 문제입니다. 검색에서는 질의어와 품목(주로 문서)를, 추천에서는 사용자와 품목(주로 상품)을 매칭합니다. 검색이 사용자가 입력한 질의에 대한 응답으로 이에 적합한 문서를 찾는 반면, 추천은 사용자의 선호도 정보를 바탕으로 (굳이 사용자의 요청이 없이도) 품목을 추천하여 사용자의 의사결정을 돕는 것을 목표로 합니다. 검색과 추천 리서치 커뮤니티의 주요 컨퍼런스 역시 전혀 다릅니다. 

하지만, 검색과 추천이라는 전통적인 사고의 틀을 조금만 벗어나면 이 둘의 유사성이 눈에 들어옵니다. 우선 검색과 추천 둘다 대상은 다르지만 (Query-Item / User-Item) 유사도 분석을 필요로 하는 매칭의 문제입니다. 또한 개인화 검색에서는 사용자의 선호도를 직접 모델링하니, 추천과 검색의 Hybrid라고 볼 수 있습니다. 반면에, 많은 추천 시스템에서 키워드 검색을 함께 제공하고 있습니다. 아래 표는 검색과 추천의 유사점과 차이점을 요약합니다. 


검색 + 추천

여기까지 읽으신 분이라면 어느정도 감을 잡으셨겠지만, 검색과 추천은 목표에 있어서나 기법상으로나 연관성이 많은 분야입니다. 위에서 언급한 Content-based Recommendation이나 Personalized Search같은 경우에는 이미 검색과 추천의 구분이 별 의미가 없습니다.

굳이 나누자면, 사용자에 대해 별 정보가 없고 사용자의 정보욕구가 질의어를 통해 잘 표현되는 경우 검색 기법이, 사용자에 대한 정보가 많이 존재하여 사용자의 정보욕구에 대한 좀더 정확한 예측이 가능할수록 추천 기법이 유용하다고 볼 수 있습니다. 아래 다이어그램은 어떤 상황에서 검색과 추천 기법이 적용가능한지를 나타냅니다.


시스템 관점에서는 이렇게 검색과 추천을 구분할 수 있습니다만, 사용자의 입장에서는 시스템이 자신이 찾는 정보를 보여주는 것과 알아서 자신에게 정보를 보내주는 것이 둘 다 중요할 것입니다. 따라서, 제대로 된 서비스를 위해서는 검색과 추천 기능이 모두 필요할 텐데, 여기서 중요한 것이 검색과 추천 기능의 통합입니다. 

여기서 통합은 단순히 두 기능을 동시에 제공하는 것이 아니라, 두 기능의 동작을 유기적으로 결합하는 것을 뜻합니다. 예컨데, 사용자가 추천 알고리즘의 결과에서 어떤 항목을 선택했다면, 이를 검색 결과에도 반영하고, 반면에 검색 질의어 및 선택결과가 추천 결과에도 반영되는 것입니다. 검색을 검색으로, 추천을 추천으로 바라보는 기존 시각으로는 이렇게 검색과 추천을 아우르는 사용자 경험을 제공할 수 없을 것입니다.



마치며 & 관련자료

오늘은 검색과 사촌간이라고 할 수 있는 추천 시스템 연구를 검색과의 비교를 통해 알아보았습니다. 궁극적으로는 사용자와 시스템의 모든 인터렉션을 바탕으로 프로파일을 구성하고, Siri와 같은 사용자에게 친화적인 인터페이스를 통해 개인화된 서비스를 제공하는 것이 검색 및 추천 연구의 비전일 것입니다. 위에서 언급한대로, 이런 비전을 현실화하기 위해서는 여러 분야로 파펀화된 연구성과를 융합해야 할 것입니다.

RecSys 역시 검색처럼 상업 애플리케이션이 활발한 분야라 관련 Tutorial이나 Survey가 많습니다.  더 자세한 소개는 위에 언급한 책 및 다음에 소개하는 주요 논문을 참고하시기 바랍니다. 

  • Evaluating collaborative filtering recommender systems
    Beyond Algorithms: An HCI Perspective on Recommender Systems
    Collaborative Prediction and Ranking with Non-Random Missing Data

p.s. 강민석( @minsuk1015 )님께서 CACM에 나온 관련기사를 추천해 주셨습니다. 

오랜만의 책소개입니다. 오늘은 "How to Measure Anything"이라는 제목의 (실용서를 가장한) 통계학 책입니다. 물론 '측정'에 관심있는 분들에게는 실용서가 되겠지만, 저는 통계학 교과서보다 통계 이론의 요점을 더 명쾌하게 전달하는데 가장 높은 점수를 주고 싶습니다. 

이 책은 제목 그대로 '모든 것은 측정할 수 있다'는 명제에서 출발합니다. 저자의 핵심 주장은 결국 측정이란 어떤 종류의 의사결정을 뒷받침하기 위한 수단이며, 어떤 종류의 측정이건 의사결정의 불확실성을 낮춰줄 수 있다면 유효하다는 것입니다. 예컨데 인간의 지능을 정확히 측정하기란 불가능에 가깝겠지만, 두 사람중 누구를 채용할 것인가를 결정하는 데에 필요한 정보를 얻는 것을 훨씬 쉽다는 것입니다. 이 책에서 제시하는 정의를 몇가지 살펴봅시다.

Measurement : 
  A quantitatively expressed reduction of uncertainty based on one or more observations.

Uncertainty :
  The lack of complete certainty; the existence of more than one possibility

Risk :
  A state of uncertainty where some of the possibilities involve undesirable outcome.

이를 바탕으로, 이 책은 모든 종류의 측정 문제에 적용할 수 있는 5단계 지침을 제공합니다. 우선 의사결정 및 측정 대상을 명확히 하고, 현재 지식 수준을 파악한 후, 의사결정을 위해 추가적인 정보가 얼마나 필요한지 추정합니다. 마지막으로 적절한 측정 수단을 사용하여 정보를 얻고 결정을 내리는 것입니다. 

  • Define a decision problem and relevant uncertainties
    • Ask first : 'What is your dilemma?' instead of 'How do we measure X?'
  • Determine what you know now
    • Describe your uncertainty in terms of ranges and probs.
    • Assess the risk involved in the decision
  • Compute the value of additional information
    • How much of risk can it reduce?
  • Apply the relevant measurement instrument(s) to high-value measurements
    • Until the economically justifiable amount of uncertain is removed
  • Make a decision and act on it
    • Track results and return to step 1

이렇게 나열해보면 '코끼리 냉장고 넣기'처럼 자명해 보이지만, 대부분의 경우 어떤 문제를 풀기 위해 어떤 측정값이 얼마나 많이 필요한지 생각하지 않고 무작정 측정에 들어가는 경우가 많기에, 이 책의 조언은 유의미합니다.

이 책에서는 이밖에도 통계에 관한 여러 팁을 제공합니다. 예컨데, Rule of Five는 모집단의 크기에 관계없이 5개의 측정값만 있다면 집단의 중간값(median)의 범위를 (측정값의 최소 및 최대값 사이) 93%의 정확도로 예측할 수 있다는 것입니다. 또한 모집단 전체 크기를 측정할 수 있는 Catch-recatch, 모집단내 측정 부분집합의 비율을 측정하는 Population proportion sampling등의 방법도 소개됩니다. 

측정되지 않는 것은 개선할 수 없다는 데밍의 말을 인용하지 않더라도, 데이터에 근거한 의사결정은 비즈니스 혹은 검색, 추천 등 인공지능 시스템 설계에 핵심적인 역할을 합니다. 제가 최근에 시작한 Self-tracking역시 삶의 만족도를 일종의 Measurement Problem으로 접근하는 시도입니다. 

7주차 반성 및 계획
앞으로 주간 반성은 독립된 포스팅으로보다는 다른 포스팅에 뭍어 올리려 합니다 ;-) 이번주는 WSDM에서 돌아온 직후 월요일에 SIGIR 논문 마감으로 (전례없이) 밤을 새야했고, 그 이후는 시차 적응 및 인터뷰 준비로 시간을 보냈습니다. 주 막바지에 약간의 오점(?)을 남기기는 했지만, 전체적으로 무난히 보낸 한주였습니다. 



이번주 배우고 느낀점은 위 서평으로 대신할까 합니다.^^ 

지난주에는 시애틀에서 열린 WSDM학회에 다녀왔습니다. WSDM은 올해로 5회째를 맞는 젊은 학회이지만, 비교적 적은 양의 논문을 Single Track 형식으로 발표하여, 참가자들간의 활발한 소통이 이루어지는 것이 특징인 학회입니다. 저에게는 작년 여름의 인턴 프로젝트 및 연구실에서 공저한 논문을 발표하고, 진로 모색을 위해 사람들을 만나는 자리였습니다. 학회 일정을 돌아보며 배운 점을 기록하고, 마지막에 주간 리뷰를 적어볼까 합니다 ;)

Doctoral Symposium 
Doctoral Symposium은 학위과정에 있는 대학원생들이 논문 주제에 대해 발표하고 학계 Senior들의 의견을 들을 수 있는 자리입니다. 논문을 마쳐가는 저같은 사람보다는 한창 진행중인 학생들을 위한 자리이지만, 오후에 열리는 Career Workshop에서 연구 및 진로에 대해 학계 및 산업계 종사자인 패널의 다양한 의견을 들을 수 있었습니다. 

우선 흥미있었던 주제는 Engineering, Applied Science, Basic Science의 경계에 관한 것이었습니다. 과학은 새로운 지식이나 원리를 발견하고, 공학은 이를 현실 문제에 적용한다는 것이 교과서적 대답입니다. 하지만 실제로는 원리 발견을 위한 노력이 문제 해결에 가장 큰 Impact를 가져오기도 하고, 현실적인 문제 해결이 새로운 발견의 지름길이 되기도 하니, 이들간의 뚜렸한 경계를 짓기란 쉬운 일이 아닙니다. 

물론 이 모든 것을 다할 수 있으면 좋겠지만, 모든 직업을 다 가질수는 없으니 어느 시점에서는 선택을 해야 합니다. 하지만, 성공한 과학 / 공학자인 패널중 상당수가 처음에 학자로서 경력을 시작하여 어느 시점에 업계에 투신하는 경험을 이야기했습니다. 학문의 존재이유가 궁극적으로 현실 세계에 긍정적인 영향을 끼치기 위함이라면, 현실 세계의 문제를 직접 해결하는 일에는 분명 보람이 있을 것입니다. 

 WSDM Conference
최근 IT 전반의 주요한 트렌드인 '소셜' 열풍은 WSDM 본 학회에서도 예외가 아니었습니다. 많은 논문들이 소셜 데이터를 가지고 다양한 분석 및 테스크를 수행했습니다. 트위터 데이터에서 사람이나 장소등의 엔티티를 추출하는 논문만 수편에 달했습니다. 또한 다양한 소셜 서비스가 생기다보니 여러 소셜 서비스의 데이터를 묶어서 분석한 논문이 많았는데, Groupon딜이 소매업체에 미치는 영향을 Yelp리뷰와 Facebook Like를 가지고 추측해보는 식입니다. 

Identifying Content for Planned Events Across Social Media Sites

Hila Becker, Dan Iter, Mor Naaman and Luis Gravano

 

Daily Deals: Prediction, Social Diffusion, and Reputational Ramifications

John Byers, Michael Mitzenmacher and Georgios Zervas


또한 WSDM의 전통적 주제인 클릭 모델에 대한 논문도 많이 눈에 띄었습니다. 기존의 클릭 모델에 각기 다양한 요소를 추가한 것을 볼 수 있습니다. 

Incorporating Revisiting Behaviors into Click Models

Danqing Xu, Yiqun Liu, Min Zhang, Shaoping Ma and Liyun Ru

 

A Noise-aware Click Model for Web Search

Weizhu Chen, Dong Wang, Yuchen Zhang, Zheng Chen, Adish Singla and Qiang Yang

 

Personalized Click Model through Collaborative Filtering

Si Shen, Botao Hu, Weizhu Chen and Qiang Yang

 


저의 주된 참가목적은 MSR에서 수행한 인턴 프로젝트 논문을 발표하는 것이었습니다. 또한 연구실에서 공저한 학생이 개인 소셜 데이터의 검색 기법에 대한 논문을 발표하였습니다. 논문 및 발표자료는 아래서 보실 수 있습니다. 

Characterizing Web Content, User Interests, and Search Behavior by Reading Level and Topic [paper] [slide]
Jin Young Kim, Kevyn Collins-Thompson, Paul N. Bennett, Susan T. Dumais. To Appear in Proceedings of WSDM'12, Seattle, WA, USA, 2012.

Evaluating Search in Personal Social Media Collections [paper] [slide]
Chia-Jung Lee, W. Bruce Croft and Jin Young Kim. To Appear in Proceedings of WSDM'12, Seattle, WA, USA, 2012. 

PIM Workshop
학회를 마치고는 저의 관심분야인 개인정보관리(PIM)를 주제로 하는 워크샵에 참석했습니다. 워크샵은 보통 학회보다 논문 개제가 쉬운 까닭에 실적으로의 가치는 높게 평가받지 못하지만, 한정된 주제에 관심있는 사람들이 모이는 까닭에 좋은 피드백을 받을 수 있습니다. 저는 이번에 '연구자들이 개인정보관리 프로그램을 계속 개발하게 아니라, 있는 프로그램을 더 잘 활용할 수 있게 도와주어야 한다'는 주제로 발표를 했습니다. 

주간 반성 및 계획
마지막으로 조금 늦었지만 주간 리뷰를 올립니다. 이번주에는 놀랍게도 5점 (기억에 남을만큼 잘 보낸 시간)이 두번이나 됩니다. 학회 도착하여 발표때까지 적당한 긴장속에 매우 생산적인 시간을 보냈던 것입니다. 발표를 마친 다음날, 그리고 마지막 날 피로에 컨디션이 조금 떨어지기는 했지만, 전체적으로는 잘 보낸 한주였습니다. 




마치며
이제 10번째 참석하는 학회여서 이제 새로움보다는 익숙한 환경과 사람들을 만나는 편안함을 느꼈습니다. 하지만, 매 학회마다 발표되는 신선한 연구들과 다양한 사람들과의 교류는 학자로서의 길을 보람되게 합니다. 취업 직전이라 어찌보면 Networking(?)에 신경써야 되는 상황이었지만, 그런 생각 없이 즐겁게 시간을 보낸 것이 더 좋은 결과를 낳지 않았나 합니다.

연구실에서 대부분 참가비를 지원해주는 까닭에 그동안 기회가 없었는데, 이번 학회에서는 Student Volunteer를 했습니다. 등록비 등을 면제해주는것 이외에도, 같이 Volunteer를 하는 학생들과 친해지고, 또한 세션 Chair 및 스피커들과 좀더 가까히할 수 있는 좋은 기회가 되었던 것 같습니다. 이름 그대로 학생때만 할 수 있는 일이니 가급적 꼭 지원하시기를 바랍니다. 같은 의미에서 Doctoral Consortium같은 이벤트 역시 큰 도움이 됩니다. 

5주차: 위기를 기회로

Journal : 2012. 2. 6. 13:58   By LiFiDeA
반성 및 계획
SIGIR논문 마감에 WSDM 학회 준비가 겹쳐 바쁜 한주였습니다. 주중 내내 밤까지 일해야 했고, 주중 대부분의 시간을 학교가 있는 앰허스트에서 보냈습니다. 여러모로 좋은 여건이 아니었지만, 결과는 비교적 좋았습니다. 특히 평소 취약점이었던 저녁 및 주말 시간을 효과적으로 보냈습니다. 


저의 평가기준이 스스로를 얼마나 한계 너머로 밀어올리느냐에 좌우되는 점을 감안하면,  이번 한주간 외부적인 이유로 가졌던 긴장감이 제 자신의 한계를 뛰어넘게 도와준것 같습니다. 평소에 느슨함에 제대로 보내지 못하던 저녁 및 주말 시간어 더 좋은 성과가 나왔다는 점에서 더 그렇습니다. 안철수교수님이 게을러지는것을 막기 위해 잡지에 일부러 투고요청을 했다고 하셨는데, 앞으로도 끊임없이 긴장할 수 있는 요인을 만들어주는 것은 좋은 습관으로 보입니다. 

또한, 예전에는 일단 컨디션이 악화되면 하루 종일 저조했던 경향이 있었는데, 이번주에는 오후보다 밤에 더 좋은 성과를 거둔 경우가 3번이나 나왔습니다. 또한 컨디션이 아주 좋지 않은 경우는 아예 푹 쉬어주었습니다. 자주 느끼는 것이지만, 뭘 할까 망설이다 이도 저도 못하는 경우가 가장 후회스러운데, 이번주 저녁은 일을 하거나 쉬거나 만족스런 시간을 보낼 수 있었습니다. 

어쨌든 이번주 성과는 외부적 요인의 영향이 크기에, 지속 여부는 좀더 지켜봐야할 것 같습니다.

읽고 배운 것

이번주에는 SWIRL에 소개된 논문을 몇편 읽었습니다. SWIRL은 IR 분야 대가급 연구자들이 5년에 한번씩 모여 분야 전체의 전망 및 현안을 논의하는 자리입니다. 참가자들이 자신이 중요하다고 생각하는 논문/기사를 3개씩 추천하도록 요청받아, 이를 행사 홈페이지에 올려놓았습니다. 검색 연구의 현재 및 미래를 훑고싶은 분들이라면 추천작들의 제목만 보셔도 큰 도움이 될 듯 합니다. 

http://www.cs.rmit.edu.au/swirl12/discussion.php
 

최근까지 4회에 걸쳐 1월 한달동안 제 생활에서 수집한 데이터 분석 결과를 올렸습니다. 그동안 과정없이 결과만 올려왔는데, 오늘은 데이터 수집 및 분석 과정을 좀더 자세하게 써볼까 합니다. 궁금해하시는 분들도 있었고, 이런 노력이 제 스스로 방법론을 체계화하는데도 기여하지 않을까 하는 바램입니다. 

목표 : 삶의 순간 순간을 최선으로 만들기

다소 추상적으로 들리지만, 저의 Self-tracking 목표는 항상 일관되게 '스스로 최선이라고 느낄 수 있는 순간순간을 보내기'입니다. 이는 포괄적인 의미에서 '행복도'라고 부를수도 있을 것이며, 어떤 객관적인 지표가 아닌 자신의 직관에 의존한다는 측면에서 정서적이며 현재 지향적인 지표입니다. 이를 질문의 형태로 표현하면 다음과 같습니다.

나는 주어진 일(시간)을 진정으로 즐기고 있는가?

사실 '최선의 순간'이라면 단지 즐기는 것을 넘어 좋은 결과 및 중장기적 의미를 고려해야 할 것입니다. 이를 '즐거움' (혹은 행복)으로 요약한 이유는, 어떤 일을 진심으로 즐길 수 있다는 것은 이미 직관적으로 최상의 일을 최선을 다해 하고 있다는 것을 함축(imply)한다고 생각하기 때문입니다. 당장 즐겁더리도 마음 속에서 거리낌이 있다면 진정으로 즐기지 못할 것입니다.

물론 종종 즐거움보다는 '필요'를 위해 어떤 일을 해야하는 상황에 마주하게 됩니다. 또한 예기치 못한 상황 등으로 어려움에 처하기도 합니다. 따라서 이러한 평가에는 항상 주변 상황에 대한 고려가 필수적입니다. 예컨데 몸이 아픈 상황에서 비교적 일을 잘 마쳤다면 좋은 평가를 받을 수 있을 것입니다. 구제적으로, 저는 다음 1~5의 스케일로 아침/점심/저녁의 생활을 평가합니다. 

1 : 최악 : 기록적인 실패, 삶에 지속적인 악영향
2 : 부정 : 기대에 못미침
3 : 보통 : 평균적임. 특이사항 없음
4 :  긍정 : 기대 이상
5 :  최상 : 기록적인 성공, 자신의 한계를 넒힘
위 평가 항목을 보면 주로 스스로의 '기대'에 근거하여 평가가 이루어지는데, 이는 어제의 자신보다 더 나아지기를 바라는 바램을 담는 것입니다. 이중, 최악 혹은 최상의 평가치는 그 결과를 나중에까지 기억해두어야 될 정도인 경우에만 부여합니다. 매우 주관적이고 개인적인 가치가 반영된 평가기준이기는 하지만, 거의 10년간 어떤식으로든 평가를 내려온 탓에 제게는 매우 익숙한 방식입니다. 

데이터 수집 : Evernote로 일지 작성

위 목표를 염두에 두고 저는 그동안 다양한 기법을 시도해 보았습니다. 대학원에 진학하기 이전인 2002년에서 2006년까지 스스로 개발한 프로그램 (설명은 작년 포스트 참조) 을 사용했었습니다. 하지만, 좋은 프로그램도 많이 나왔고 스스로 개발 및 유지보수하는 노력도 만만치 않아 어느순간 '있는 프로그램을 잘 쓰자'는 쪽으로 마음을 바꾸었습니다.

 작년까지는 온라인 스프레드시트를 사용해 왔습니다. 온라인 스프레드시트를 잠깐 소개하면, 아래와 같은 시간표에 주요 일정에 대한 계획 및 진행사항을 기록하는 것입니다. 


스프레드시트의 특성상 통계 및 그래프 처리가 간편하고, 온라인 서비스 (Google Docs)를 사용하면 어디서든 데이터에 접근가능하다는 장점이 있습니다. 하지만, 고정된 틀에 넣기에는 데이터에 부가정보가 많았습니다. 또한 테이블에 매일 삶의 기록을 입력하는 것은 '손맛'이 그다지 좋지 않았습니다. (하루에도 몇번씩 기록해야 한다면 중요한 고려사항입니다 ;)

그래서 최근에 사용하고 있는 방식이 주간 일지를 Evernote로 쓰는 것입니다. 그날 그날의 느낌, 한 일 및 결과, 보고 들은 것등을 한곳에 기록할 수 있으니 편리하며, 줄글 및 서식을 섞어 쓸 수 있으니 형식에도 구애를 받지 않게 됩니다. Evernote 컨텐츠는 PC / iPad / iPhone에 모두 동기화된다는 점도 데이터 접근성을 높입니다. 아래는 제가 사용하는 Template의 일부입니다. 


위의 Google Doc문서과 비슷한 내용을 담고있지만, 훨씬 더 유연하게 기록할 수 있습니다. (예컨데 오전 평가치가 4에서 3으로 바뀌었다면 4-3으로 기록합니다.) 기본적인 일정 목록에 다양한 기호를 정의하여 일정의 특이사항을 기록합니다. 일정을 기록하다보면 종종 뒤로 미루어야 할 일이 생기는데 이런 경우 일정 앞에 '>'기호를 사용하여 이를 표시합니다. 주단위로 문서를 생성하는 이유는 한주의 일정을 한 페이지내에서 볼수 있기 위함입니다.

기록 방법은 앞으로 더 보완해야겠지만, 그동안 얻은 교훈은 최대한 자신에게 자연스러운 방식으로 해야 더 풍부한 내용을 지속적으로 기록할 수 있다는 점입니다. 즉, 분석단계에서의 편리함도 중요하지만, 제대로된 데이터가 입력되지 않으면 분석은 가치를 잃습니다. 그것이 제가 얼핏 더 Low-tech로 보이는 줄글 및 목록을 결합한 형태의 기록방식을 사용하는 이유입니다.

데이터 분석 : Excel + R

수집된 데이터는 매주 엑셀 Sheet에 옮겨 기록합니다. 시간이 날때 Evernote API를 사용해 주간일지 문서에서 평가치 등등을 자동으로 추출하는 스크립트를 만들 생각입니다만, 평가를 위해 주간 일정을 옮겨적는 과정에서 그주에 있었던 일을 돌이켜보는 기회를 얻는다는 장점도 있습니다. 

이 과정이 끝나면 그동안 여기 올렸던 컬러풀한 테이블이 나옵니다. 마지막으로 이 테이블을 R에 넣어 분석합니다. 데이터가 작은 관계로 눈으로 보는 것만으로 다양한 통찰을 얻을 수 있습니다.  앞으로 회귀분석 (regression), 시계열 분석 등 좀더 다양한 방식을 시도할 생각이지만, 아직은 변수간 상관관계 분석으로 만족하고 있습니다. 작은 데이터에 대한 간단한 분석을 위해 너무 복잡한 기술을 동원할 필요는 없다는 것도 그동안 얻은 교훈입니다. 

글을 마치며

처음에는 (지금도 가끔) 자신의 생활을 숫자로 평가한다는 것에 거부감을 가졌었습니다. 하지만, 종종 (스스로에게) 더 좋은 평가를 받기위해 노력하는 자신을 보면서, 그리고 수집된 데이터가 일깨워주는 교훈을 느끼며 이런 노력이 단지 시간낭비는 아니라는 확신을 갖게 됩니다. 지금도 많은 사람들이 자신만의 방식으로 스스로를 파악하고 변화시키기위해 노력하고 있습니다. (참조 : Quantified Self, The Happiness Project )

1월의 분석은 현상 파악에 집중했지만, 2월부터는 변화를 실천하며 이것이 삶에 미치는 영향을 살펴볼 생각입니다. 즉, 이미 대조군(control group)이 마련되었으니, 실험군을 만들어 차이를 지켜보는 것입니다. 이렇게 생각하니 삶 자체가 거대한 실험처럼 느껴지는군요. 여러분은 지금, 어떤 실험을 하고 계신가요?

반성 및 계획
새해 첫주에 시작하여 이제 4주차, 역시 논문 작업에 주력한 이번 주는 분명 '후퇴'에 해당하는 결과를 얻었습니다. 주초의 컨디션 난조가 월요일까지 나쁜 영향을 미쳤고, 화요일에 일단 회복을 했지만, 수/목을 거쳐 다시 무너지고 말았습니다. 결과적으로 주간 평점 3이 무너지고 말았습니다. 화요일은 수면/기상시간을 기록하지도 못했습니다.

지난주 말에 자기통제에 대한 독서를 하며 의욕적으로 출발했지만, 이론적 지식만으로는 별 차이를 만들지 못한다는 교훈을 얻었습니다. 또한, 시간대별로는 아침보다는 오후, 이보다는 저녁의 낙폭이 컸습니다. 일요일부터 금요일까지 붉게 물든 점수표를 보실 수 있습니다. 자기통제가 약화되는 시간대가 위기에도 취약하다고 느꼈습니다. 


1월 전체 데이터에서 뽑아낸 변수들간의 상관관계는 다음과 같습니다. 1주차 데이터로도 관찰한 내용이지만, 늦은 수면 및 기상시간은 다음날에 나쁜 영향을 미칩니다. 또한 재미있는 사실은 아침의 평가치가 미약하지만 낮/저녁의 평가치와 음의 상관관계를 갖는데 반면에 오후의 평가치는 저녁과 비교적 높은 양의 상관관계를 갖는다는 점입니다. 
 


이렇게 1월의 Self-Tracking 실험을 마쳤습니다. 1월에는 별다른 실천사항 없이 데이터를 수집하면서 현상을 정확히 이해하는데 주력했습니다. 1월의 주요 교훈을 정리하면 다음과 같습니다.  2월부터는  뭔가 실행에 옮기면서 변화를 모색해보려고 합니다. 

- 피로하고 긴장이 풀리는 저녁 시간을 만족스럽게 보내기가 어렵다.
- 컨디션 난조가 찾아오면 회복에 며칠의 시간이 걸린다. (2주 / 4주의 슬럼프)
- 다음날을 잘 보내기 위해서는 일찍 자고 일찍 일어나야 한다.

읽고 배운 것
자기 변화 실천에 대한 가르침을 찾으려는 찰나에 재미있는 책을 발견했습니다. The Happiness Project라는 이름의 이 책은 변호사 출신의 여류 작가가 더 행복해지기 위해 1년간 기울인 노력의 기록입니다. 행복이라는 눈에 보이지 않는 목표를 위해 '자기전에 주변을 정리하기'등의 눈에 보이는 실천사항과 매달 바뀌는 미션을 세웠습니다. 행복 프로젝트를 시작하기 전에 참고문헌 및 자신의 특성에 대해 꼼꼼하게 기록한 점도 흥미로웠습니다.

예전에 Quantified Self라는 곳을 소개했지만, 이 책의 저자 역시 블로그를 통해 활발하게 독자들과 소통하고, 다른 사람들의 행복 프로젝트를 지원하고 있습니다. 저의 작은 노력도 1년을 지속할 수 있다면 이분이 했던 것처럼 뭔가 결과를 얻을 수 있지 않을까 합니다. 자신의 삶을 스스로의 힘으로 바꿔보려는 모든 분들께 화이팅을 보냅니다!

반성 및 계획

논문 작업에 많은 시간을 할애한 지난 주의 결과는 현상 유지에 가깝습니다. 주중에 만족도가 떨어지는 경향이 이어졌고, 밤에도 그다지 좋지 않았습니다. 학교에서 일했던 화/수에 피로가 쌓였었고, 목요일에 집에서 일하면서 좋은 결과가 있었지만, 금/토는 다시 조금 무기력한 모습이었습니다. 지난주의 특이사항으로는, 전날 저녁의 상태가 다음날 전체에 큰 영향을 끼치는 것을 (correlation: 0.5)볼 수 있었습니다. 지난주에는 또한 운동여부와 시간을 보낸 장소를 기록사항에 추가했습니다.


주간 리뷰를 올리겠다는 포스팅을 엇그제 한것 같은데, 벌써 이번주가 일월의 마지막입니다. 다음 주에는 1월 데이터를 사용한 좀더 자세한 분석과, 데이터 수집 방식에 대한 좀더 자세한 설명을 올릴까 합니다. 

읽고 배운 것 
몇주간 주간 리뷰를 수행하며, 데이터에서 배운 교훈을 적용하여 행동을 변화시키는 것이 그다지 쉽지 않다는 것을 깨닫고 오늘은 Harvard앞 서점에서 Self-control / Motivation에 관한 책을 훑어보았습니다. (아래 사진) 이중 Man Seeks God이라는 책은 예전에 Inuit님께서 소개해주신 '행복의 지도'라는 책의 저자가 세계 각지를 돌아다니면서 신의 의미를 탐구하는 내용입니다.


다음은 읽은 내용에 대한 간단한 요약입니다. 요즘 이런 종류의 책을 보면서 느끼는 것인데, 대부분의 Self-help책들이 어떤 식으로든 Neuroscience / Psychology 학자에 의해 씌여지고 있거나, 관련 연구 결과를 인용하고 있습니다. 얼만큼 신빙성있는 인용인지는 모르겠지만, 일단은 바람직한 경향으로 보입니다. 2월의 계획은 1월중의 데이터 분석 및 이러한 책에서 배운 내용을 바탕으로 변화를 계획하고 실천하는 것입니다.
  • Why we do what we do
    • The best way to motivate people is to support the sense of autonomy. 
    • How can I create the condition within which people will motivate themselves?
    • In how much of your time are you autonomous and authentic?
  • The Winner's Brain
    • Focus / Motivation / Self-awareness / Emotional balance / Resilience / adaptation / brain maintenance / memory
    • Goal laser / optimal risk gauge / talent meter/ opportunity radar / effort accelerator
  • Willpower
    • Willpower actually operates like a muscle: it can be strengthened with practice and fatigued by overuse. 
      •  You learn not only how to build willpower but also how to conserve it for crucial moments by setting the right goals and using the best new techniques for monitoring your progress. 
    • Willpower is fueled by glucose, and it can be bolstered simply by replenishing the brain's store of fuel. 
      • That's why eating and sleeping -- and especially failing to do either of those -- have such dramatic effects on self-control