AI가 심리테스트에서는 어떻게 활용될까?

[AI 실생활 체험기] AI가 심리테스트에서는 어떻게 활용될까?

 

3초로 판단하는 첫인상 테스트 등 다양한 이미지 테스트 인기
온라인 속 이미지 테스트…얼굴 사진 올리면 AI가 분석 가능해
티처블 머신, 워드클라우드 등 사진, 키워드로 이미지 테스트 만들어

배우 김성철은 지난 13일 tvN 식스센스 시즌 2에 출연했다. 무인도에서 누구와 함께 하고 싶은지 선택하라는 필수 질문에 여성 멤버들의 MBTI가 무엇인지 물었다. 

배우 김성철이 방송중 출연진들의 MBTI를 묻는 장면. (사진=tvN '식스센스2')

그 중 엔프피(ENFP) 성향을 가진 전소민을 뽑으며, "저를 포함, 주변 친구들이 다 엔프피(ENFP)여서"라고 선정한 이유에 대해 밝혔다.

MBTI는 총 16가지의 성격유형 검사다. 최근에 심리테스트로 많이 활용되고 있다. 본인과 어울리는 적성은 물론, 잘맞거나 혹은 잘맞지 않는 사람에 대한 인간관계, 더 나아가 직장생활, 스트레스 요인까지 알려준다.

이처럼 본인의 성향을 파악하면서 자신의 성격과 더 잘맞는 사람들과 깊은 유대관계를 맺고자 이런 심리테스트가 유행하며, 방송에도 자주 언급되고 있다.   

최근 AI가 들어간 심리테스트도 많이 출시되고 있다. 대중들의 인기를 끌어온 심리테스트에 AI가 어떤 방식으로 도입돼 어떻게 활용되는지 알아봤다.

AI 심리테스트는 대부분 대상의 얼굴을 분석해 특징을 잡아내는 이미지 테스트 방식으로 만들어진다. 배우상 테스트, 첫인상 테스트, 얼굴점 관상 테스트(눈, 닮은 동물 등), 해외 인기얼굴상 테스트 등이 있다. 

AI 이미지 심리테스트를 하는 방법은 간단하다. 검사받고자 하는 대상의 사진을 관련 테스트에 업로드하면 된다. 대부분의 서비스가 동일하다.

그러면 AI는 올려진 사진 속 표정의 특징을 포착해 빠르게 분석한다. 이런 얼굴의 사람은 성격이나 성향이 어떨 것인지를 기본적으로 분석한다. 첫인상테스트의 경우, AI로 그룹 내 포지션(위치)까지 유추할 수 있다.  

남자 애니메이션 캐릭터 이미지로 AI첫인상테스트를 해본 결과. (사진=이하나 기자, 출처=3초연구소)

이용자들은 "심심풀이로 하기 좋다", "실제로 어떤 성격인지 잘 몰라도 사진 속 표정은 정말 잘 읽는 것 같다" 등의 반응을 보였다.

관련 사이트 측은 "대부분의 얼굴 분석과 이미지 관련 심리테스트는 이미 최종 학습된 AI모델을 사용하기 때문에 테스트를 하려고 올린 사진은 저장되지 않고 있다"고 설명했다.

AI 심리테스트와 연관된 기술은 크게 이미지 분석, 키워드 분석, 오디오 분석, 동영상 포즈 분석 등으로 나눠진다.

일반인도 손쉽게 이미지 심리테스트를 만드는 데 사용할 수 있는 AI 분석 툴로는 '구글 티처블 머신'(Teachable Machine), '워드클라우드' 등이 있다. 실제로 이 두가지 툴을 직접 체험하면서 AI 이미지 심리테스트에 대한 기본 개념을 잡아봤다. 

먼저, 구글 티처블 머신을 통해서는 심리테스트에 도입된 AI 이미지 분석 기술에 대해 이해하며, 결과에 대한 검증도 잊지 않았다. 

PART 1. AI 이미지 심리테스트 만들기

'구글 티처블 머신'으로 심리테스트 속 AI 이미지 분석 기술 이해

이미지 학습을 하기 위해 구글 티쳐블 머신에 접속했다. 검사 과정은 크게 ▲클래스(Class) ▲AI 학습 ▲미리보기 3부분으로 나눠진다. 

해당하는 이미지에 대한 유사도와 데이터 입력 등 추출 과정을 보여주고 있다. (사진=이하나 기자, 출처=teachablemachine)

클래스는 통계조사시 각각의 표본 데이터들을 입력하는 것과 유사하다. 일정한 기준에 따라 관련 이미지를 입력하는 것이 추정 정밀도를 높이기 좋다.

클래스를 통해 일정한 기준에 맞게 연관 이미지끼리 묶어 둔다. 기자는 복잡한 설정을 의도적으로 지정해 검사를 진행했다.

주제를 디즈니 애니메이션 속 등장인물로 잡고, 먼저 '왕자'와 '공주' 크게 두 클래스로 나눠 분류했다. 

'클래스'는 클래스 1, 클래스 2, 클래스 3 등 계속 추가로 입력할 수 있다. 또, 가제이기 때문에 분류할 목적에 따라 제목을 변경하는 것이 가능하다.

'클래스 1'과 '클래스 2'를 각각 공주, 왕자라는 제목으로 변경한 뒤, 해당하는 디즈니 애니메이션 인물 캐릭터를 찾아 각각 특성에 맞게 7개씩 입력했다. 차후 불필요한 클라스는 사용을 중지시키거나 삭제하는 것도 가능하다.

이를 '학습' 코너를 통해 AI에게 학습시킨 후, '미리보기'로 얼마나 정확하게 구별할 수 있는지 알아봤다. 이미지를 입력하면 어디쪽에 더 가까운지 비율로 결과값이 나온다. 

단, 클래스 설정에 두 가지 옵션을 두었다. 

첫 번째는 캐릭터를 왕자와 공주로 나눴다. 이는 남자와 여자라는 성별 설정의 차이를 보여준다.

두 번째는 AI를 애니메이션 속 캐릭터 이미지로만 학습시킨 것이다. 하지만 AI가 분류 해야 할 대상은 캐릭터가 아닌 사람의 사진을 적용했다.

Class 1은 '공주', Class 2는 '왕자쪽을 의미하며, 해당하는 이미지에 대한 유사도를 보여주고 있다. (사진=이하나 기자, 출처=teachablemachine)

먼저, 시범삼아 누가봐도 왕자 같은 남자 배우의 사진을 올려 출력했다. 왕자 쪽으로 정확도 97%를 보였다. 

두번째는 남자 개그맨이 열정적으로 공주 분장을 한 사진을 올려 출력했다. 수염이 있었지만 분석 결과는 공주 쪽으로 97% 일치했다. 의상, 헤어, 코디 등으로 인해 전반적인 이미지가 공주에 더 가깝다고 AI가 판단했기 때문이다.

아쉽게도 수염있는 디즈니 왕자 캐릭터를 찾기가 쉽지 않았다. 수염이 있는 왕자 캐릭터도 AI에게 이미지 학습을 시켰다면 97%의 비율로 공주쪽에 일치한다는 결과는 나오지 않았을 것이다.   

이런 결과는 처음부터 예상된 것이기도 했다. AI가 분류하기 어려운 사진이었다. 기존에 학습 이미지를 7개 밖에 입력하지 않아서 소량의 데이터만 학습시켰기 때문에 발생한 결과라고도 볼 수 있다. 이처럼 AI에게 학습시킨 이미지가 한정적일 경우, 세부적인 부분을 놓쳐 정확도 비율에 문제가 생길 수 있다.

그렇기 때문에 AI의 정확도를 높이기 위해선 수많은 시행착오를 거쳐 완성해야 한다. 많은 양의 학습데이터가 필요하되, 다양한 데이터들을 심리테스트의 특성에 맞게 수정하거나 보완하는 작업도 거쳐야 한다.

한편, 구글 티처블 머신은 따로 코딩을 하지 않고도 이미지, 사운드, 자세 등 손쉽게 나만의 딥러닝을 실행할 수 있는 AI 분석툴이다.

테스트에 사용한 이미지 파트 외에 사운드 파트와 자세 파트가 있다. 이중 사운드 파트는 사람의 목소리를 효과적으로 구분할 수 있는 AI 교육 방법이다. 'AI 내 친구를 지켜줘'(2020 자유학기제) 중학생용 교재에 보이스피싱을 잡아내는데도 쓰일 수 있다고 나와있다.

PART 2. AI 이미지 심리테스트 만들기

'워드클라우드'로 손쉽게 텍스트 데이터 시각화…AI 분석 결과 한눈에

워드클라우드 생성시 왼쪽에 입력해 지정할 수 있으며, 오른쪽 아래에는 추출되는 결과에 대한 예시 그림이 있다. (사진=이하나 기자, 출처=wordcloud))

워드클라우드는 '단어 구름'을 만드는 데 쓰인다. 사용자가 원하는 문구만 모아서 이미지로 추출하고, 이를 데이터 시각화한다고도 표현한다.

단어 구름은 수많은 텍스트 데이터를 한 그림으로 요약한 인포그래픽이다. 사용된 단어의 빈도, 중요도 등에 따라 크기를 구별, 다양한 텍스트가 모인 하나의 시각적인 이미지로 표현할 수 있다.

워드클라우드에서는 특정 글자가 이미지에서 가장 크게 출력되는데, 이 키워드를 3가지까지 지정할 수 있다.

나머지 내용들은 텍스트 칸에 넣으면 된다. 이 중 가장 많이 쓰이거나, 반복되는 단어를 AI가 중요하다고 분석해 다른 글자에 비해 상대적으로 크게 나오게 조정한다.

데이터를 시각화하는 이유는 이미지나 도표 등 시각적인 수단을 통해 데이터 분석 결과를 쉽게 이해하기 위해서다. 이를 통해 정보를 효과적으로 전달받을 수 있다.

워드클라우드는 분석툴이다. 비정형 데이터를 가지고, AI가 텍스트 마이닝(text mining)하는 과정을 거친다.

이 과정을 통해 특정 클러스터들을 범주화하고, 그들의 관계를 기반으로 하나의 개념을 성립해 묶을 수 있다.

이와 같은 워드클라우드 기술은 AI가 텍스트를 보고 자신이 학습한 텍스트 이미지와 서로 연관성이 있다고 인식하면 해당하는 쪽으로 분류하는 형태로 발전시킬 수 있다.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(출처:http://www.aitimes.com/news/articleView.html?idxno=140216)