국내에서도 페이월 방식에 대한 관심이 높아지고 있죠. 하반기에 중앙일보가 페이월을 개시한다는 소문도 들려오고 있고요. 그 성공 여부에 따라 다른 언론사들도 도입을 검토할 가능성이 높아지고 있습니다.

페이월 도입을 거론할 때 가장 자주 언급되는 언론사가 뉴욕타임스입니다. 가장 성공적인 결과를 내놓고 있기 때문입니다. 알려져 있다시피 뉴욕타임스는 계량형 페이월(metered paywall)을 거쳐서 지금은 다이내믹 페이월(동적 페이월, Dynamic Paywall)을 운용하고 있습니다. 일종이 개인화한 계량형 페이월 모델이라고 할 수 있을 겁니다. 개인적으로 블루닷을 통해 구현하고 싶은 페이월 모델이기도 합니다.

다이내믹 페이월은 머신러닝을 전제로 합니다. 학습할 데이터가 쌓여있어야 구현이 가능하죠. 말그대로 데이터과학과 기술의 영역입니다. 기술 투자에 인색한 국내 언론사의 현실을 감안할 때 뉴욕타임스와 같은 다이내믹 페이월을 전면적으로 도입하고 운영할 수 있는 국내 언론사의 드문 것이 사실입니다.

아래 번역글은 뉴욕타임스의 다이내믹 페이월이 어떻게 설계됐는지를 소개하고 있습니다. 뉴욕타임스가 예측적 머신러닝 모델이 아니라 처방적 머신러닝 모델을 활용하고 있다는 사실이 제법 흥미롭습니다. 그 둘의 차이는 아래와 같습니다. 사실 저 또한 이 차이를 제대로 설명할 수 있을 만큼 전문적 역량을 갖추고 있지는 못합니다. 다만 처방적 머신러닝이 실제적 의사결정을 돕는 모델이라는 정도만 말씀 드릴 수 있을 것 같습니다. 최근 머신러닝의 흐름이 이렇게 흘러가고 있다는 정도와 함께 말이죠.

💡
학습기가 외부 관점에서 세상을 추론하는 예측 모델링과는 대조적으로 처방적 학습기는 실제 세계에서 행동을 취함으로써 개입을 통해 세상에 영향을 미치고 변화시킬 수 있다. (비록 학습기의 예측에 따라 다른 사람이 결정을 내리는 경우 간접적인 영향이 가능하다[8, 18]). 결과적으로, 학습의 목표는 실제 사실을 타겟팅 하는 것에서 "실행 가능한" 결정 모델을 찾는 것으로 이동 중이다. 여기서 실행 가능성은 일반적으로 여러 기준을 동시에 참조하게 된다. 따라서 예측 모델링은 본질적으로 분석 작업인 반면 처방 모델링은 종합적 성격을 띠고 있습니다. 처방적 ML은 존재하지 않거나 최소한 트레이닝 및 평가에 사용할 수 없는 기본 ground truth에 대한 가설을 세우는 대신 적절한 방식으로 가치, 복잡성, 비용, 공정성 등의 균형을 유지하는 실용적인 의사 결정 모델을 탐색한다. 예측적 ML과 처방적 ML 간의 이러한 차이점은 ML 문제의 공식화에 영향을 미치며 이를 해결하는 데 필요한 방법론에 몇 가지 문제를 제기한다.