AI를 위한 UX

AI의 작동 원리

• 규칙 기반(Rules-based): 명확한 규칙을 사용
• 예제 기반(Examples-based): 데이터에서 패턴 학습
• 알고리즘: 문제 해결을 위한 절차적 규칙
• 데이터 모델: 학습된 수학적 모델 사용 (예: 이미지 분류, 번역)

AI가 사용되는 이유

• 품질 향상: 일관된 고품질 결과를 신속하게 도출한다
• 패턴 인식: 방대한 데이터 속 유의미한 패턴 탐지 => 대규모 데이터를 분석해 패턴을 인식한다
• 예측: 미래 행동·결과 예측 가능
• 인간 증강(Human Augumentation): 전문가 보조 (예: 의사 진단 보조)

요소	설명	관계 및 활용 방식
Rules-based Approach	사람이 정한 명확한 규칙에 따라 AI가 행동	전통적인 AI 방식 (기호주의 접근법 기반)
Examples-based Approach	데이터를 통해 패턴을 학습하는 방식 (예: 머신러닝)	현대 AI 대부분이 이 방식에 기반
Algorithms	문제 해결을 위한 절차나 계산법 (방법론)	위 두 방식을 구현하는 도구
Data Models	데이터를 학습해서 만들어진 모델	Examples-based에서 학습의 결과물

현대 AI는 규칙이 아니라 데이터에서 직접 배워서 문제를 해결할 수 있기 때문에, Examples-based 접근이 사실상 표준이 되었다.

UX 트렌드 변화

• 1. 모바일 퍼스트: 모바일 최적화 디자인이 기본, AI 기반 모바일 UX 디자인이 중요하다
• 2. 멀티 디바이스: 다양한 디바이스 간 연결 경험 제공(사용자들이 다양한 디바이스를 사용하는 환경에서 일관된 경험을 제공)
• 3. AI와 머신러닝: 사용자 맞춤형 UX 제공(AI와 머신러닝 기술은 데이터 분석을 통해 개인화된 경험을 제공하고 사용자 요구를 예측하여 대응한다)
• 4. AR/VR: 몰입형 경험 혁신(새로운 상호작용 방식을 제공하여 사용자 경험을 혁신한다)

AI와 UX의 상호작용(AI는 더 나은 UX를 만들고, UX는 AI가 잘 작동하도록 돕는 역할)

AI for UX	UX for AI
사용자 데이터 분석 → 맞춤형 경험 제공	AI 시스템의 친화적 인터페이스 설계
디자인 자동화로 효율성 증대	사용자 피드백 기반 AI 개선

AI에 UX가 필요한 이유

1. 개인화된 경험 제공: 사용자의 데이터를 분석해 최적화된 콘텐츠 제공
2. 효율성 증대: 반복작업 자동화로 디자이너가 창의적인 일에 집중
3. 혁신적 솔루션 도출: AI의 활용으로 전에 없던 UX 혁신 가능
4. 사용자 요구 예측 및 대응: 사용자의 기대를 미리 파악하고 대응

실제 사례 (AI + UX 융합)

사례	설명
Netflix	사용자 선호 기반 콘텐츠 추천(AI 알고리즘)
Google Photos	얼굴 인식 기술로 자동 분류 및 정리(딥러닝 기반의 이미지 인식 기술)
Spotify	오디오 분석 + NLP로 맞춤형 음악 추천

AI기술이 UX에 적용되는 방식

AI 기술	설명
개인화 (Personalization)	사용자 맞춤 콘텐츠·추천 제공
자동화 (Automation)	반복 작업을 AI가 자동 수행
예측 (Predictive Analytics)	사용자 미래 행동 예측
자연어 처리 (NLP)	인간의 언어 이해 및 처리
실시간 반응	즉각적 응답·인터랙션 제공
상황 인지 (Context Awareness)	사용자의 상황·위치 등을 인식해 반응

(1) 개인화 (Personalization)

• 정의: 사용자의 행동·선호 데이터를 분석하여 개인 맞춤형 콘텐츠, 제품 추천, UI 제공
• 예시:
  • 넷플릭스: 유저 취향에 맞게 썸네일 이미지까지 다르게 제공
  • Spotify: 과거 청취 이력을 기반으로 맞춤형 플레이리스트 생성
• 기술 방식:
  • 협업 필터링(Collaborative Filtering): 비슷한 취향 사용자 데이터 활용
  • 콘텐츠 기반 필터링: 사용자의 이력에 따른 항목 추천
  • 최근: LLM 기반 추천 시스템으로 콜드스타트 문제를 해결.

구분	협업 필터링 (Collaborative Filtering)	콘텐츠 기반 필터링 (Content-Based Filtering)
기준	다른 사용자들의 행동/선호	내가 과거에 좋아한 아이템의 속성
추천 방식	"나와 비슷한 사람들은 이런 걸 좋아했어!"	"네가 전에 좋아한 것과 비슷한 걸 추천할게!"
입력 데이터	사용자 간 평점, 클릭, 구매 등	아이템의 장르, 키워드, 설명, 속성 등
예시	넷플릭스: 나와 비슷한 사람들이 본 영화 추천	유튜브: 내가 자주 본 영상과 비슷한 주제 추천
장점	개인 취향과 무관한 새로운 콘텐츠 발견 가능	사용자의 명확한 취향을 반영한 정밀 추천
단점	신규 사용자/콘텐츠가 있을 경우 작동 어려움 (콜드 스타트 문제)	취향이 너무 좁게 고정될 수 있음 (필터 버블)

(2) 자동화 (Automation)

• 정의: 반복적이고 시간 소모가 큰 작업을 AI가 대체
• 방법:
  • 챗봇: 24시간 자동응답
  • 자동 응답 시스템: 이메일/알림 자동 전송
  • Google Assistant: 음성 명령으로 스케줄·조명·검색 자동 처리
• 트렌드 변화
  • 과거: 규칙 기반(rule-based) 시스템
  • 현재: 자연어 처리, 딥러닝 기반의 지능적 자동화

(3) 예측 분석 (Predictive Analytics)

• 정의: AI가 사용자 데이터를 분석하여 미래 행동을 예측
• 예시:
  • 구매 예측: 과거 구매 이력 기반 추천
  • 클릭 예측: 방문기록과 클릭 패턴으로 행동 예측
  • Copilot: 마이크로소프트의 코드 예측 AI
• 트렌드 변화
  • 과거: 통계 기반 단순 예측
  • 현재: 머신러닝 기반 정교한 예측, 예를들어 사용자의 구매 이력을 분석하여 맞춤형 추천을 제공 한다
• UX 장점
  • 개인화된 추천
  • 선제적 정보 제공(Proactive service): 사용자가 필요로 하기 전에 필요한 정보를 제공하여 만족도를 증가시킨다
  • 사용자 의사결정 보조

(4) 자연어 처리 (NLP)

• 정의: 인간의 언어를 컴퓨터가 이해하고 처리하는 기술
• 기능:
  • 음성 인식: 음성을 텍스트로 변환
  • 텍스트 분석: 문장에서 의미 파악
• 예시:
  • Siri, Google Assistant, 챗봇 등
• 트렌드 변화
  • 과거: 규칙 기반 언어 처리(제한된 단어 집합과 간단한 문법 규칙을 사용하여 기본적인 언어 이해 제공)
  • 현재: Transformer 기반 딥러닝 모델 사용 → GPT, BERT 등
• UX 장점
  • 자연어 기반 인터페이스 제공
  • 정보 검색 간소화
  • 음성 기반 피드백 가능
  • 접근성 향상: 다양한 사용자 그룹(예: 시각 장애인)을 위한 접근성 개선

(5) 실시간 반응 (Real-Time Interaction)

• 정의: 사용자의 요청에 실시간으로 반응
• 예시:
  • Facebook: 실시간 번역 기능
  • Airbnb: 스마트 프라이싱 기능 → 수요·시간·이벤트에 따라 실시간 가격 조정

(6) 상황 인지 (Context Awareness)

• 정의: 사용자의 현재 위치·시간·활동 등의 맥락을 인식하여 알맞게 대응
• 예시:
  • Google Maps: 실시간 교통 분석으로 최적 경로 안내
  • 스마트홈: 날씨·위치 기반 조명·온도 자동 조절
• 트렌드 변화
  • 과거: 위치 기반 단순 반응
  • 현재: IoT + AI로 복합적인 상황 판단 및 대응 가능
• UX 장점
  • 맥락에 맞춘 경험 제공
  • 예측 기반 알림 및 자동화
  • 개인 맞춤형 편리함 강화

AI와 멘탈 모델의 융합

• AI가 사용자에 따라 시간이 지남에 따라 적응하고 개인화된 경험 제공
• 기존 멘탈 모델을 존중하며 AI가 익숙하고 예측 가능하게 동작하도록 설계

AI 제품을 위한 멘탈 모델 적용 방법(사용자가 AI제품을 효과적으로 사용할 수있도록 적절한 멘탈 모델 형성 필요)

(1) 기존 멘탈 모델 기반 기대치 세팅

• 사람들이 AI를 통해 해결하려는 문제를 현재 어떻게 해결하는지 파악 => 기존의 패턴과 충돌하는 부분은 없는지 확인
• 현재 사용자가 사용 중인 방법이 초기 멘탈 모델에 큰 영향을 미친다
• 사용자가 하려는 일은 무엇인가? 기존 멘탈 모델은 무엇인가?
• 예: 이메일 분류 AI가 “스팸 필터링”을 한다고 기대할 수 있음

(2) 단계별 온보딩

• 현실적인 기대 설정
• 실행 가능한 정보 위주(AI 기능의 장점을 설명하고 기술적 측면은 간략히 언급한다)
• 예시: RUN 앱이 “개인 맞춤 러닝 코칭”이라고 정확히 안내

(3) 공동 학습 계획

• 사용자 피드백 기반으로 AI를 함께 성장시키는 구조 => 사용자 피드백이 AI 개인화에 어떻게 기여하는지 설명한다
• 명시적(선택/입력) + 암묵적(행동 기반) 피드백 수집
  • 음악 앱에서 추천곡을 듣는것은 암묵적 피드백의 영향이다
  • 사용자가 선호하는 음악 카테고리를 선택하는것은 명시적 피드백의 영향이다
• 실패 시에는 기본 기능 제공으로 유연하게 처리 (우아한 실패 처리)
  • 시스템이 실패시 피드백을 받아서 더 기회로 만든다
• 제품 로그를 통해 사용자 행동과 혼란을 파악하고, 멘탈모델을 재구축한다
• 기능이 크게 변겨오디면 "재온보딩"을 통해 새로운 경험을 제공한다

UX에 ‘신뢰’가 중요한가?

• AI는 불확실성과 통계 기반 예측 시스템임 → 사용자에게 출력 결과에 대한 신뢰를 형성하는 UX 설계가 중요함
• 설명력(Explainability)은 신뢰를 구축하는 핵심 요인 → AI가 왜 그런 결과를 냈는지 “어떻게 보여줄 것인가”가 핵심
•  UX는 사용자 신뢰와 이해를 돕는 방향으로 설계해야 함
• 설명 가능성, 투명성, 프라이버시, 책임성이 UX 설계의 핵심

AI는 확률적 시스템이기 떄문에 불확실성은 항상 존재한다

• 사용자가 AI가 모든 걸 다 정확히 예측할 수 없음을 인식해야 함
• 모델의 한계와 능력 범위를 명확하게 표현하는 것이 중요

AI에 대한 신뢰를 구축하는 방법

1. 신뢰를 과도하게 유도하지 않기
   • 사용자가 AI를 과신하지 않도록 설계 (→ 오작동 시 실망 최소화)
2. 시점과 경험에 따라 신뢰도 조절
   • 반복 사용, 성능 향상에 따라 점진적으로 신뢰 구축
3. 복잡한 로직은 부분적으로만 설명
   • 모든 내부 알고리즘을 설명할 수는 없기에 적절한 수준으로만
4. 사용자 결정에 대한 영향력 주의
   • AI의 추천/예측이 사용자 의사결정에 미치는 영향을 명확히 인식하게 해야 함

신뢰를 구성하는 3요소

능력 (Ability)	문제 해결 능력에 대한 신뢰
신뢰성 (Reliability)	일관되게 작동하는가? 재현 가능성
선의 (Benevolence)	사용자에게 해를 끼치지 않을 의도로 설계되었는가?

사용자 신뢰를 조절하는 UX 방법

1. 데이터 출처 명시 → 결과가 어떤 데이터 기반인지 설명해 신뢰도 향상
2. 사용자 행동과 설명 연결 → 추천 이유, 동작 방식 등을 사용자의 행동 문맥과 연결
3. 상황적 요소 고려 → 예측의 한계나 컨텍스트 반영 (예: 일반적이지 않은 상황의 항공편 스케줄인 경우)

항목	설명
설명 기회 제공	예측이 발생한 순간에 간단하게 이유 제공
초기 신뢰 설계	온보딩에서 기대 설정, 투명성 강조
신뢰 유지 및 증가	정확도 향상과 소통 지속
신뢰 손상 방지 및 복구	오류 발생 시 대응 방법과 복구 안내 포함

이해 최적화 방안

• 복잡한 내용을 완벽히 설명할 필요는 없음 → 부분 설명, 사례 기반 설명, 출처 및 확률 제공으로 충분

모델 신뢰도 표현 방식 예시

• 추천 정확도 수치로 표현
• “추천 신뢰도 93%”, “이유 보기” 버튼 등
• 시각적으로 명확하게 사용자에게 정보 제공

UX 디자이너의 역할

• 데이터 통제권을 사용자에게 돌려줌
• 정보 수집 여부에 대한 선택권 제공
• 프라이버시 친화적 인터페이스 설계
• AI 시스템은 많은 사용자 데이터를 수집하고 학습에 사용함 → 데이터 수집·저장·사용에 대한 투명한 설계 필요
• UX 디자이너는 AI의 결과를 과도하게 신뢰하지 않게 만들면서도,설득력 있게 안내하고 데이터 보호까지 고려하는 균형 잡힌 설계를 해야 함