향수 조향사의 작업실과는 전혀 닮지 않은 어느 실험실에서, 수백 개의 갈색 병이 쌓인 오르간도 없고, 종이 공작처럼 책상 위로 펼쳐진 시향지도 없고, 문 뒤 고리에 걸린 얼룩진 가죽 앞치마도 없는 그곳에서, 한 기계가 향수를 조합하고 있다. 그 기계는 아무 냄새도 맡지 못한다. 코가 없다. 베티버가 자몽과 잘 어울리는지에 대한 의견도 없고, 조성물의 탑 노트에 더 많은 확산감이 필요한지 베이스에 더 많은 온기가 필요한지 판단하는 본능도 없다. 대신 데이터가 있다. 지난 한 세기 동안의 약 40만 개 배합식이 디지털화되어 있으며, 소비자 패널 점수, 판매 수치, 지역별 선호도, 분자 설명자로 태그되어 있다. 특정 원료 조합과 특정 소비자 결과 사이의 통계적 상관관계를 식별하도록 훈련된 알고리즘도 있다. 구매 의향, 인지된 품질, 정서적 연상, 재구매 가능성 같은 결과 말이다. 그리고 모든 측정 가능한 기준에서 최적일 배합식을 만들어내라는 요청을 받았다.
읽는 데 11분
기계는 성공할 것이다. 기계가 만들어낸 배합식은 소비자 패널에서 높은 점수를 받을 것이다. 여러 인구 집단을 대상으로 한 테스트에서도 긍정적인 결과를 얻을 것이다. 누구에게도 불쾌감을 주지 않을 것이다. 누구도 혼란스럽게 하지 않을 것이다. 후각 공간에서 편안하고 사람이 많은 영역, 업계가 "상업적 스위트 스폿"이라고 부르고 정상적인 코를 가진 사람이라면 "익숙하다"고 부를 만한 영역을 차지할 것이다. 그것을 접하는 대부분의 사람은 완벽하게 괜찮은 향이라고 판단할 것이다.
문제는 "완벽하게 괜찮다"는 것이 조향이냐는 것이다.
산업적 규모의 향수 머신러닝
향수 개발에 머신러닝을 적용하는 일은 추측이 아니다. 지금도 세계 최대 향료 및 향수 회사들의 연구 부문에서 산업적 규모로 이루어지고 있다. 기술의 정교함에는 차이가 있다. 어떤 시스템은 비용과 가용성을 기준으로 원료 대체품을 제안하는 비교적 단순한 예측 모델이고, 어떤 시스템은 수십 년간 축적된 독점 배합식 데이터로 훈련된 심층 신경망이다. 하지만 모든 경우의 기본 논리는 같다. 소비자 반응 데이터와 짝지어진 대규모 기존 배합식 자료를 기계에 입력한다. 분자 구성과 인간의 선호 사이의 통계적 관계를 기계가 학습하게 한다. 그런 다음 원하는 소비자 결과가 나올 확률을 극대화하는 새로운 배합식을 생성하도록 기계에 요청한다.
본질적으로 이것은 조향에 적용한 회귀 분석이다. 어떤 의미에서도 창작은 아니다.
이 구분은 중요하며, 그 이유를 정확히 짚을 필요가 있다. 대부분의 머신러닝의 중심에 있는 수학적 기법인 회귀 분석은 데이터 점들의 구름을 관통하는 최적 적합선을 찾는다. 중심 경향을 식별한다. 평균이 어디에 있는지 알려준다. 이는 많은 분야에서 대단히 유용하다. 주택 가격, 소비자 행동, 질병의 진행, 선거 결과를 예측하려 한다면 평균이 어디에 있는지 아는 것이 많은 정보를 제공한다. 그러나 조향은 예측 문제가 아니다. 적어도 역사적으로는 창작의 문제였다. 그리고 창작의 문제는 중심을 찾아 해결하는 것이 아니다. 경계를 찾아 해결하는 것이다.
업계를 진정으로 변화시킨 모든 향수, 돌이켜보면 한 시대를 정의하거나 새로운 카테고리를 연 모든 조성물은 당대의 합의에서 벗어났기 때문에 그렇게 했다. 최초의 현대적 푸제르는 1882년 누구도 남성 향수가 이런 냄새가 날 것이라고 예상하지 못한 것이었다. 최초의 위대한 알데하이드 플로럴은 1920년대 누구도 여성 향수가 이런 냄새가 날 것이라고 예상하지 못한 것이었다. 최초의 디하이드로미르세놀과 헤디온을 사용한 프레시 남성 향수는 1980년대 누구도 남성 향수에서 기대하지 않았던 것이었다. 최초의 깨끗한 피부 머스크 분자 향수는 2000년대 초 누구도 어떤 향수에서도 예상하지 못한 것이었다. 각각의 경우 조성물은 기존 선호에 맞았기 때문에 성공한 것이 아니라 새로운 선호를 만들어냈기 때문에 성공했다. 중심을 찾은 것이 아니다. 중심을 움직였다.
역사적 데이터로 훈련된 알고리즘은 구조적으로 중심을 움직일 수 없다. 중심을 찾을 수 있을 뿐이다. 아주 정밀하게 찾아낼 수 있고, 인간 조향사라면 따라갈 수 없는 효율로 스위트 스폿을 차지하는 배합식을 만들어낼 수 있다. 그러나 스위트 스폿을 차지하는 것은 혁신이 아니다. 최적화다. 그리고 조향의 역사는 최적화와 혁신이 같은 것이 아니며, 사실 서로 대립할 수도 있음을 보여준다.
생물학적 신경망으로서의 인간 조향사
반론이 하나 있으며, 진지하게 검토할 가치가 있다. 반론은 다음과 같다. 인간 조향사도 어떤 의미에서는 알고리즘이다. 그들은 자신이 맡아본 모든 향, 공부한 모든 배합식, 경력 동안 관찰한 모든 소비자 반응, 즉 후각 데이터의 집합으로 훈련된 생물학적 신경망이다. 낭만주의자들이 상상하듯 그들의 창작 과정이 뮤즈가 내려주는 영감의 번개인 것은 아니다. 패턴 인식과 재조합, 반복적인 다듬기다. 조향사는 오르간 앞에 앉아 경험과 직관에 따라 원료를 고르고, 시험 배합식을 만들고, 평가하고, 조정한 뒤 다시 평가한다. 이 과정은 신비로운 것이 아니라 경험적이다. 기계가 같은 작업을 더 빠르고 체계적으로 수행할 수 있다면, 정확히 무엇이 사라지는가?
사라지는 것은 오류다.
역설처럼 들릴 테니 구체적으로 말해보자. 인간 조향사는 실수한다. 어떤 원료를 과량 투입했다가 그 과량이 의도하지 않았고 예측할 수도 없었던 효과를 만들어낸다는 사실을 발견한다. 시험 배치를 우연히 오염시켰다가 그 오염 물질이 흥미로운 무언가를 더해준다는 사실을 알아낸다. 조향에서 합성 원료가 돌파구를 마련해온 역사는 이런 행복한 충돌로 가득하다. 자신의 메모를 잘못 읽고 원래 조합하려던 것이 아닌 원료들을 섞었다가, 계획한 결과보다 더 나은 결과를 얻기도 한다. 조향의 역사는 이런 우연으로 가득하다. 의도적인 설계가 아니라, 더 세심한 과정이라면 막았을 원료들의 계획되지 않은 충돌에 그 성격을 빚진 조성물들이다.
알고리즘은 이런 실수를 하지 않는다. 알고리즘은 지시받은 일을 정확히 수행한다. 목적 함수를 최적화한다. 기울기를 따른다. 전혀 의도하지 않은 채 미지의 영역으로 들어가지 않는다. 애초에 배회하지 않기 때문이다. 수학적 정밀성을 갖고 최적점을 향해 움직인다. 그리고 소비자 패널 데이터로 정의된 최적점은 언제나 중심이다. 평균이다. 합의다.
오류가 지닌 창작 가능성은 낭만적인 착각이 아니다. 모든 창작 분야에서 잘 기록된 현상이다. 오염된 페트리 접시 때문에 페니실린을 발견한 생물학자. 안테나의 설명할 수 없는 잡음 때문에 우주 마이크로파 배경 복사를 발견한 물리학자. 연주 도중 현이 끊어져 즉흥 연주를 해야 했고, 그 결과 새로운 화성 언어를 발견한 음악가. 이것은 사고를 잘 치는 사람들을 위로하기 위해 지어낸 전설이 아니다. 계획에서 벗어난 일탈에서 창작의 돌파구가 시작되는 경우가 많으며, 일탈을 제거하도록 설계된 시스템은 구조적으로 돌파구의 가능성 또한 제거한다는 일반 원리를 보여주는 기록된 사례들이다.
소비자 패널 데이터와 선호의 본질
컴퓨터 조향에 대한 두 번째, 보다 철학적인 반론은 선호 자체의 본질과 관련된다.
이 알고리즘들이 학습하는 데이터인 소비자 패널 데이터는 표명된 선호를 측정한다. 질문을 받았을 때 사람들이 무엇을 좋아한다고 말하는지를 기록한다. 그러나 표명된 선호와 실제 선호는 같지 않다. 표명된 선호는 보수적이다. 익숙한 것과 낯선 것 중 하나를 고르라고 하면 대부분의 사람은 대부분의 상황에서 익숙한 것을 고른다. 이것은 어리석음이 아니다. 심리학자 로버트 자이언츠가 1968년 Journal of Personality and Social Psychology에 발표한 기념비적 논문에서 처음 설명한 잘 알려진 인지 편향인 단순 노출 효과이며, 공유되는 어휘가 없어 소비자가 무언가를 좋아하거나 싫어하는 이유를 말로 표현하기 특히 어려운 후각 평가에서 강력하게 작동한다. 기존 카테고리 어디에도 대응되지 않고, 혼란과 흥미를 동시에 불러일으키는 진정으로 새로운 향수를 마주하면 소비자 패널은 십중팔구 낮은 점수를 준다. 향수가 나빠서가 아니라 패널에게 그것을 평가할 틀이 없기 때문이다.
소비자 패널 데이터로 훈련된 알고리즘은 이러한 보수성을 물려받는다. 새로움은 위험하고 익숙함은 안전하다는 것을 학습한다. 사람들이 가장 높은 점수를 주는 향수는 과거에 높은 점수를 준 향수와 가장 비슷한 향수라는 것을 학습한다. 간단히 말해 소비자 조사의 가장 근본적인 교훈을 학습한다. 사람들은 이미 좋아하는 것을 좋아한다. 그리고 그에 맞춰 최적화한다.
그 결과 업계가 "안전한 선택"이라고 부르는 것을 탁월하게 만들어내는 기계가 탄생한다. 실패하지 않고, 최소한의 상업적 실행 가능성을 확보하며, 향을 맡는 누구도 놀라게 하거나 불편하게 하거나 도전하게 만들지 않는 향수다. 이런 향수는 팔린다. 그중 일부는 아주 잘 팔릴 것이다. 그러나 업계를 변화시키지는 못한다. 업계를 바꾸려면 소비자 패널이 어떻게 점수를 매겨야 할지 모르는 무언가를 만들어야 하기 때문이다. 조향을 변화시킨 조성물은 모두 탄생한 순간에는 놀라움이었다. 아무도 요구하지 않았던 것, 사전 테스트에서 좋은 점수를 받지 못했던 것, 데이터가 성공을 예고했기 때문이 아니라 한 사람, 조향사나 크리에이티브 디렉터, 기업가가 데이터에도 불구하고 그것을 믿었기 때문에 성공한 것들이었다.
알고리즘은 데이터에도 불구하고 무언가를 믿을 수 없다. 데이터에도 불구하고 믿는 것은 알고리즘이 구조적으로 할 수 없는 유일한 일이다. 알고리즘은 데이터를 따른다. 그것은 알고리즘의 장점이자 한계다. 그리고 가장 중요한 결정이 데이터를 거스르는 분야, 창작의 발전 전체가 합의를 무시한 사람들이 결국 옳았음이 증명된 역사인 분야에서 이 한계는 사소하지 않다. 근본적이다.
AI가 있어야 할 곳과 그렇지 않은 곳
내가 무엇을 주장하지 않는지는 분명히 해두자. 인공지능이 조향에서 아무 역할도 하지 않는다고 주장하는 것이 아니다. 인공지능에는 명백하고 가치 있는 활용 분야가 있다. 규제 변경으로 제한 원료를 제거해야 할 때 리포뮬레이션 과정을 가속할 수 있다. 조성물의 성격을 유지하면서 가격을 낮추는 비용 효율적인 대체품을 제안할 수 있다. 방대한 소비자 피드백 데이터를 분석해 인간 분석가라면 놓칠 수 있는 트렌드를 식별할 수 있다. 인간 조향사가 아직 탐색하지 않은 영역을 밝혀낼 수 있도록 가능한 원료 조합의 광활한 다차원 공간을 매핑하고, 한때 가스 크로마토그래피가 이전에는 영업 비밀에 가려져 있던 배합식을 해독했던 것처럼 그 영역을 강조할 수 있다. 모두 유용한 기능이다. 시간을 절약하고 비용을 줄이며 조향사의 도구 상자를 넓힌다. 진지한 사람이라면 누구도 이에 반대하지 않는다.
내가 주장하는 것은 이런 기능들이 모두 최적화 기능이라는 점이다. 기존 과정을 더 효율적으로 만들 뿐이다. 창조하지 않는다. 최적화와 창조의 차이는 말장난이 아니다. 알려진 지형 안에서 최적의 경로를 찾는 것과 지형이 알려진 경계 너머까지 이어진다는 사실을 발견하는 것의 차이다. 머신러닝은 전자에는 탁월하다. 후자에는 구조적으로 무능하다. 후자는 정의상 데이터를 넘어가야 하는데, 머신러닝은 정의상 데이터에서 패턴을 추출하는 방법이기 때문이다.
향수 업계가 컴퓨터 도구에 열광하는 것은 이해할 만하다. 현대 조향의 경제성은 가혹하다. 상업용 향수의 평균 개발 기간은 수년에서 수개월로 압축되었다. 브리프는 더 촘촘해졌다. 예산은 더 작아졌다. 실패 비용은 더 커졌다. 이런 환경에서는 허용 가능한 배합식에 도달하는 데 필요한 반복 횟수를 줄여주는 도구가 엄청난 가치를 지닌다. 그러나 그 문장에서 "허용 가능하다"는 말이 많은 일을 떠맡고 있다. 허용 가능한 배합식은 브리프를 충족하고, 테스트에서 충분한 점수를 받고, 비용 상한을 넘지 않는 것이다. 허용 가능한 배합식은 걸작이 아니다. 대부분의 경우 특별히 흥미롭지도 않다. 그저 충분하다. 그리고 산업적 규모에서 충분함은 예술의 적이다.
통계적 평균으로의 수렴
마지막으로 한 가지 고려할 점이 있으며, 어쩌면 가장 불안한 부분일지도 모른다. 향수 개발이 소비자 데이터로 훈련된 알고리즘 도구에 더 많이 의존할수록 업계의 결과물은 통계적 평균을 향해 더욱 수렴할 것이다. 새로 나오는 각각의 AI 최적화 배합식은 설계상 선호 분포의 중심에 자리 잡는다. 시간이 지나면 중심 자체가 이동하겠지만, 알고리즘의 결과물이 자신이 학습한 선호를 강화하기 때문에 그 이동은 느릴 것이다. AI가 최적화한 향수에 반복적으로 노출된 소비자는 그런 향수에 의해 형성된 선호를 갖게 되고, 그 선호는 다시 다음 세대 알고리즘의 학습 데이터가 된다. 그 결과 피드백 루프가 생긴다. 기계는 사람들이 좋아하는 것을 만들고, 사람들은 기계가 만드는 것을 좋아하게 되며, 기계는 그것을 더 많이 만든다.
가상의 시나리오가 아니다. 알고리즘 추천 및 생성 시스템을 도입한 다른 창작 산업에서 이미 일어난 일을 정확히 설명한 것이다. 참여도를 최적화하는 음악 스트리밍 플랫폼의 알고리즘은 대중음악의 음향적 특성을 측정 가능할 정도로 수렴시켰다. 더 크고, 더 짧고, 더 반복적이며, 훅은 더 일찍 등장하고 다이내믹 레인지는 더 좁아졌다. 관심을 최적화하는 소셜 미디어 플랫폼은 대중 콘텐츠의 시각적 특성을 수렴시켰다. 채도가 더 높고, 더 많이 잘려 있으며, 감정적으로 더 극단적이다. 알고리즘은 의도적으로 지형을 평탄하게 만드는 것이 아니다. 평균을 향해 최적화한 결과 부작용으로 지형을 평탄하게 만든다.
조향도 이 역학에서 자유롭지 않다. 업계의 개발 파이프라인이 합의를 향해 최적화하는 AI 도구에 점점 더 의존하게 된다면, 피할 수 없는 결과는 후각 영역의 축소다. 시장이 너무 크고 세분화되어 있어 하나의 향으로 좁아지지는 않겠지만, 각 세그먼트 안에서는 좁아질 것이다. 프레시 남성 향수는 서로 수렴할 것이다. 스위트 여성 향수도 수렴할 것이다. 우드 오리엔탈도 수렴할 것이다. 새로운 항목을 설계하는 알고리즘이 기존 항목을 만들어낸 동일한 데이터로 훈련되기 때문에 각 카테고리는 내부적으로 더욱 균질해질 것이다. 영역이 한 점으로 줄어들지는 않는다. 하나의 군집으로 줄어든다.
이것이 중요한지는 조향이 무엇을 위한 것이라고 생각하는지에 달려 있다. 조향이 산업, 즉 시장 수요를 충족하도록 설계된 소비재를 생산하는 사업이라면 최적화는 올바른 전략이고 수렴은 감수할 만한 비용이다. 소비자는 원하는 것을 얻는다. 기업은 돈을 번다. 아무도 불평하지 않는다.
그러나 조향이 예술이기도 하다면, 기존 선호를 충족하는 데서 그치지 않고 후각 경험의 새로운 가능성을 드러내는 창작 분야라면 수렴은 비용이 아니다. 재앙이다. 옹호할 가치가 있는 어떤 정의로든 예술에는 놀라움의 가능성이 필요하기 때문이다. 누구도 이전에 맡아본 적 없는 것, 어떤 데이터 세트도 예측하지 못한 것, 기존 카테고리에 맞지 않아 소비자 패널이 거부했을 무언가가 다음 조성물이 될 가능성이 필요하다.
알고리즘은 그것을 만들어낼 수 없다. 조향사는 할 수 있다. 안정적으로도, 일관되게도, 일정에 맞춰서도, 예산 안에서도 할 수 있는 일은 아니다. 하지만 때때로, 예측할 수 없게, 모든 상업적 논리를 거슬러, 수백 개의 갈색 병으로 둘러싸인 오르간 앞에 앉은 인간이 어떤 기계도 제안하지 않았을 방식으로 원료를 조합할 것이다. 그리고 그 결과는 진정으로 새로운 무언가가 될 것이다. 중심을 차지하는 대신 중심을 움직이는 무언가. 데이터가 작동하지 않을 것이라고 말한 무언가.
그런 순간은 드물다. 점점 더 드물어지고 있다. 그리고 업계가 주의하지 않는다면 그런 순간은 완전히 사라질 것이다. 기술이 그것을 금지해서가 아니라 경제성이 더 이상 그 순간을 위한 여지를 남겨두지 않기 때문이다. 기계는 조합할 것이다. 기계는 최적화할 것이다. 기계는 모든 패널에서 높은 점수를 받고 누구에게도 불쾌감을 주지 않는, 완벽하게 괜찮은 향수를 만들어낼 것이다.
그것이 조향으로 간주되는지는 기계가 답할 수 있는 질문이 아니다. 그 답은 코를 가진 사람이 해야 한다.
20% 농도의 엑스트라 7종, 하나의 컬렉션. 디스커버리 세트에는 2ml 용량의 7종이 모두 들어 있습니다.
