1. 서론
최근 인공지능(artificial intelligence, 이하 AI)을 탑재한 AI 스피커 시장이 전 세계적으로 급속한 성장세를 보임에 따라 AI 스피커는 단순한 입력 디바이스를 넘어 사용자의 라이프 스타일을 크게 변화시키고 있다. AI 스피커는 지능형 가상 비서(intelligent personal assistant, 이하 IPA)를 탑재하고 있으며 사람들과 음성 대화를 통해 상호 작용하게 된다. 이러한 사회적 상호작용을 통해 이용자들은 AI 스피커를 하나의 사회적 대상물로 인식하게 된다. CASA(Computers are Social Actors, CASA) 모델에 따르면, 컴퓨터는 사회적 행위자로서 기능하게 된다. 이는 의인화 된 신호를 나타내는 컴퓨터가 상호작용할 때, 실제 인간과 상호작용하는 것처럼 개인이 무의식적으로 사회적 규칙을 적용된다는 것이다[1] 즉, 컴퓨터 또는 디바이스라 할지라도 의인화된 특성을 지니고 있다면 사람들은 사회적으로 자동응답하고, 그들이 실제 인간인 것처럼 인식한다는 것을 의미한다[2]. 비록 아직은 AI가 강한 AI를 표방하고 있는 것은 아니나, 앞으로 우리의 생활 세계 안에 편재하게 될 존재로서 사회적 특성을 가진 AI의 가능성을 볼 때, AI 스피커와 같은 기술과 사람들이 어떻게 상호작용 하는지에 관해 더욱 깊이 탐구할 필요가 있다.
이에 AI 스피커를 사회적으로 수용하는 과정과 그의 미를 구성해가는 발달 과정을 학술적으로 외연을 확장하는 연구가 매우 필요한 시점이다. 이는 AI 스피커의 향후 전망을 예측하고 그에 따른 방향성을 제시하는데 중요한 지표가 되기 때문이다. 이러한 측면에서 AI 테크노롤지 발달과 이용자의 사회적 상호작용인 공진화 이론이 부각될 수 있을 것이다. 공진화 이론은 전통적으로 새로운 미디어가 등장할 때 어떠한 패러다임으로 발달하고 진화해왔는가를 규명하는 연구로 등장해왔다[3]. 이에 따라 AI 스피커 관련 기술 분야의 토픽모델과 사회영역의 토픽모델을 통한 AI 기술 사회구성(social construction)은 공진화 이론으로 설명될 수 있다. AI 스피커 기술 중심의 계열화(seriation)는 AI 스피커 기술로 파생되고 새로운 문화를 통합화(skeumorphs)한 사회문화 영역의 상호작용을 통해 AI 기술의 발달과 진화를 설명한다. 즉 계열화는 AI 스피커 기술의 일련의 발전과정을 기술하는 것이고, 통합화(skeumorphs)는 AI 스피커 기술이 사회시스템과 사용자의 사용으로 만들어낸 결과로서 나타나는 문화적 양상과 산업·콘텐츠 결과물을 의미한다[4]. 따라서 본 연구는 계열화는 AI 스피커 기술적 발전을 설명하는 것으로 한정시키고 통합화는 사회·문화적 구조에 의해 설명되는 것으로 규정할 것이다.
특히 국내 AI 스피커 시장이 초기임을 고려할 때, AI 스피커의 각 제품별 특성에 따른 대중의 반응을 탐색하고 그 발달과정을 살펴보는 것은 큰 의미가 있을 것이다. 이에 본 연구는 AI 스피커의 수용과정에서 사회적으로 공론장 역할을 하는 전통 뉴스 보도에 나타난 AI 스피커를 대상으로 토픽모델링과 의미연결망 분석을 사용하여 제품별과 시기별 AI 스피커의 주요 토픽을 도출하였다. 덧붙여 AI 스피커 사업자 제품별 뉴스 보도와 시기별 뉴스 보도 간의 상관관계를 UCINET’중 QAP 분석을 통해 밝히고 이를 통한 AI 공진화 모형을 실증적으로 기술하고자 한다.
이에 따른 구체적인 연구 문제는 다음과 같다.
연구문제 1. 뉴스 보도에 나타난 인공지능(AI) 스피커의 사업자 유형과 제품별 토픽 프레임 특성은 무엇인가?
연구문제 2. ‘AI 스피커’ 관련 뉴스의 토픽 프레임은 각 연도별로 의미연결망 구조가 어떠한 차이가 있으며, 그 특성은 무엇인가?
연구문제 3. 연구문제 3. ‘AI 스피커’ 관련 뉴스의 토픽에 대한 제품별 프레임 특성과 연도별 AI 발달 경향 간 관련성은 어떠한가?)
본 연구결과를 통해 AI 스피커에 대한 제품별 시기별 발달과정을 파악하여 관련 산업계에 유용한 시사점을 제공하며 이에 관한 연구들이 활성화되는 계기를 마련할 수 있을 것이다.
끝으로, 본 논문의 구성은 다음과 같다. 제2장은 ‘AI 스피커’ 기술의 국내외 현황과 토픽 프레임 핵심 개념에 대해 설명하였다. 제3장에는 공진화 과정 측면의 AI 스피커에 대한 분석 모델에 대한 분석 방법을 기술하였다. 제4장에는 연구 문제에 대한 연구 결과를 제시하였다. 의미망 분석 결과 중 중심성 분석 결과는 지면 관계로 부록에 제시하였다. 마지막으로 제5장에서는 본 연구의 결론 및 의의에 대해 다루었다.
2. 관련 연구
2.1 AI 스피커 기술의 국내외 현황
AI 비서는 기계학습, 딥러닝, 자연어 처리 기술 등을 이용하여 개인비서 역할을 하는 소프트웨어 또는 하드웨어 애플리케이션이다[5]. 각종 사무 처리를 대신해주고 필요한 일들을 해결하는데 필요한 정보를 알려주거나 그 역할을 대신해 준다. AI 비서는 특정 플랫폼에 종속된 것과 모든 플랫폼과 기기에서 이용할 수 있는 오픈형으로 구분된다. 사용자 인터페이스는 음성 대화형과 사용자 명령을 예측하여 행동을 수행하는 형태가 있다.
AI 스피커의 기술적·사회적 역할의 진화 방향을 파악하기 위해서는 뉴스와 이용 경험이나 사회적인 수용을 파악하는 것이 필요하다. 1세대는 주로 사람을 따라 하는 정도로 S-R 형태의 고전적인 모델에서 이제는 딥(deep)페이 크나 실시간 이용자의 감정을 파악하거나, 상황을 인지하는 상황에까지 이르고 있다[6]. 이를 바탕으로 산업계에 서는 AI를 이용해서 보편성과 실용성을 강화하고, 실생활에서 AI를 통해 기술혁신과 경제적 효용성 등의 새로운 가치를 창출하고 있다<표 1> 참조.
(표 1) 음성인식 기술의 발전과정
(Table 1) Development process of speech recognition technology
2014년 미국에서 아마존(Amazon)이 음성 어시스턴트 알렉사(Alexa)가 탑재된 ‘에코(Echo)’를 출시하면서 미디어 시장에서 AI가 활용된 서비스가 AI 스피커를 통해 가시화되기 시작하였다. 이후 플랫폼 사업자 유형에 따라 AI 스피커가 온라인사업자 통신사업자 OS 사업자 IT 제조사 등에 의해 출시되었다. 미국의 시장조사 기관인 Gartner는 AI 스피커가 AI 기술을 주도하는 결정적인 역할을 할 것으로 전망했다. 또한 2018년에는 전 세계에 약 1억 대 이상 보급된 것으로 평가했고, 2020년 올해는 미국의 가정에서는 AI 스피커를 75% 이상 이용할 것으로 예측하였다[7].
국내외 시장에서도 AI 스피커의 보급률은 지속해서 증가하는 추세인데, 플랫폼사업자, OS 사업자, 통신사업자, IT 기기생산사업자 등이 AI 스피커를 모회사의 기업 특성과 제품의 브랜드 확장·시장 선점 전략에 따라 다양한 서비스와 사용자의 이용과 충족을 제공하는 차원에서 출시하고 있다[8]. 국내 시장에서는 2013년과 2014년부터 신제품 소개와 더불어 2017년에는 본격적인 AI 서비스가 경쟁 차원으로 진입했으며, 관련 연구에서는 2020년 약 12조 원의 시장 규모를 예상하고 있다[9]. 이에 플랫폼 기업, 통신사 등이 AI 스피커 서비스 산업에 신규 사업자로 등장한 이후로, OS 사업자, 단말기 사업자, 그리고 음반, 영상, 그리고 교육, 복지 서비스 사업자 등이 다양한 산업 영 역에서 AI 스피커 서비스 시장에 진입하고 있다. AI 스피커 제품을 비롯해 음성 인식 E-learning, 기술 서비스 등 다양한 형태의 대화형 플랫폼을 구축하고 그 영역을 확대하고 있다. 사용자가 AI 스피커를 통해 자신의 음성으로 UX / UI를 통해 미디어와 제품, 그리고 환경과 소통한다는 차원에서 AI 스피커의 발전을 예측하는 설명은 이용자의 ‘이용 방향’, ‘이용충족’, 그리고 소셜 미디어, OTT, TV 등 미디어 디바이스와의 융합이 향후 발전 방향을 예측하는 중요한 요인이 될 것으로 판단된다.
초기의 AI 음성 스피커는 모바일 스마트폰에서 시작되어 지속적인 공존과 변형을 거쳐 왔다. 이제 AI 스피커 디바이스는 음성 기반 디바이스 미디어 영역에서 핵심 역할을 한다. 그 이유는 첫 번째로, 조작 속도가 빠르고 간편하다는 이점이 있다. 두 번째로는 AI 기술에 의해 이용자의 정체성에 따른 최적화, 그리고 음성 이용이라는 감각의 분할이 용이하므로, 학습, 요리, 운전 등에서 다양한 활동과 함께 동시 이용이 가능하다[10].
특히 AI 스피커는 음성을 기반으로 상호작용하면서 이용과정에서 다중 이용과 인간의 감각을 원거리에서 명령하고 시각적인 집중이 요구되지 않아 새로운 효용성이 주목된다. 예를 들면 음성을 이용하기 때문에 터치나 타이핑, 클릭이 필요 없고 시각적으로 스크린을 보지 않아도 다중 행동과 뇌(brain)의 활동을 분할하여 행위에서 동시에 수행이 가능하고, AI 스피커는 음성 기반 인터페이스를 통해 약 150단어를 입력할 수 있기 때문에 속도에서 키보드, 클릭 등에 비해 무려 3-4배 이상 빠르다[11]. 다양한 형태의 AI 스피커는 4차 산업시대 인공지능과 스마트 미디어, 그리고 융합 미디어로서 공존과 변형이 매우 유용하고 향후 발전 가능성이 크다. 특히 다양한 미디어 그룹, 플랫폼사업자, 통신사업자, OS 사업자, IT기기사 업자, 그리고 나아가 서비스 영역이 교육, 오락, 의료, 여행 분야의 사업자 서비스 업계에서 이에 대한 이해가 필요한 시점이다. 나아가 빅 데이터, 4차 산업, IoT 산업, 그리고 아동, 노인 교육과 돌봄 서비스 온라인 쇼핑 거의 모든 우리의 일상에 사회적인 공진화가 예상된다[12](<표 2> 참조). 이에 미디어·커뮤니케이션 학계에서도 AI 스피커에 대한 연구가 진행되고 있다. 선행 미디어 연구와 같이 AI 연구에서도 초기 선행연구들은 기술적 연구, 중기에는 산업적인 차원, 그리고 대중 확산 이후에서는 문화와 생활적인 연구로 그 패러다임이 진행되고 있다[13]. 2020년에는 AI 연구가 산업, 서비스 현황 및 사례에 관한 연구[14], AI 스피커에 대한 사회문화적인 수용과 이용 동기에 관한 연구가 나타나고 있다[15][16].
(표 2) 국내외 AI 서비스 디바이스 현황 비교
(Table 2) Comparison of domestic and foreign AI service devices
2020년 국내는 AI 스피커 디바이스와 확산이 초기를 지나 초기 수용자 단계로 진입하고 있다. 현 단계에서 초기 수용자들은 ‘얼리어답터(Early Adaptor)’로서 ‘이용 동기’, ‘이용 용이성’, ‘이용 효용성’, 그리고 ‘지속적 이용의도’에 대한 연구를 바탕으로 향후 대중적 시장과 AI 사회 진입에 대한 4차 산업의 방향과 전략을 예측하는 연구들이 나타나고 있다[17][18]. 초기에는 단순히 기술 특성을 설명하였다면, 최근에는 수용과정의 이용에 나타난 감정, 충족에 크게 비중을 두고 있음을 알 수 있다. 이에 따라 최근 연구 경향에 있어 더욱 필요해지는 점은 사회 구성주의 차원에서 기술과 이용과정을 통합하는 영역이 뉴스에 나타난 AI 스피커를 연구하는 것이다.
선행 연구들은 통합된 AI 스피커의 사회적 진화를 설명하는데 한계가 있다. AI 스피커 발달의 총체적인 이해를 위해서는 기술 발달과 더불어 사회 문화적으로 어떤 수용과정을 거치는가를 이해해야 하기 때문이다. 이를 위해서는 뉴스에 나타난 AI 스피커 관련 토픽·담론 등을 통해 기술 수용자 차원과 AI 기술 생산자 차원을 이해하는 접점에서 뉴스 토픽의 시계열적인 분석을 통해 AI 스피커의 발달과정을 설명하는 것이 필요해 보인다.
2.2 토픽모델링과 의미연결망 분석 모델
토픽모델링은 비정형데이터인 텍스트를 다룬다는 점에서 빅데이터 분석기법의 하나로 널리 활용되고 있다. 토픽모델링이란 비구조화 문서 집합에서 숨겨진 핵심적 요소들을 찾아내기 위한 자연어 처리 알고리즘인데, 특히 한 문건 속에 동시에 출현하고 있는 단어들과 의미들 간의 관계를 분석하는 방법론의 하나이다. 이는 이슈의 현저성을 찾고 또 이의 패턴 등을 파악함에 있어 유용성을 지닌다[20].
토픽 모델링(topic model)의 기법 중 하나인 LDA 토픽 모델링 분석은 대체적으로 학술 분야의 동향이나 예측에 사용된다( 참조). LDA분석은 데이비드 블레이(David Blei)에 의해 개발되었다. 데이비드 블레이는 LDA모형이 ‘문서’, ‘토픽’, ‘단어’라는 세 개의 분석 수준을 지닌 위계적 베이지안 모형의 일종이라고 주장하였다[21]. LDA는 문서 속의 단어들을 연산하여 각 토픽으로 분류될 확률값을 계산하는데, 이러한 확률 성은 연구자가 관심 있는 연구대상의 특성이 무엇인지 파악할 수 있게 도와주며, 개별적으로 나뉜 토픽이 하나의 프레임에 머무르는 것을 넘어서 프레임의 시각화를 통해 프레임이 중첩되어서 나타날 수 있는 것을 설명하는 도구로서 활용된다[22]. LDA는 빅데이터(big data)를 활용한 토픽모델링의 기법 중 하나로 거대한 분량의 데이터의 차원을 축소하며, 의미의 경향성이 뚜렷하게 나타나는 토픽들을 그룹 형태로 분류하여 토픽의 흐름을 파악하는데 있다[23].
이러한 토픽모델링과 함께 다각도로 입체적인 분석을 위해 사용되는 분석이 의미연결망 분석이다. 의미연결망 분석은 비정형 데이터인 텍스트에 출현하는 단어와 단어 사이의 관계로 형성되는 네트워크로 현상을 해석하는 방법이다. 이는 주요 키워드의 선정뿐만 아니라 키워드 간의 연결 관계와 연결 구조, 그리고 전체 의미 네트워크에서의 각 키워드의 역할 관계를 분석하여 ‘의미연결망’을 도출하는 것이다. 뉴스 보도의 경우, 네트워크 분석을 통한 의미연결망 분석은 뉴스 보도의 주요 상징을 빈도수나 순위 측정에 의해 단순히 병렬 비교하는 차원이 아니라, 입체적으로 키워드 간의 관계와 전체 구조를 밝혀 프레이밍이 어떠한 방식으로 형성되어 있는지 밝히는 데 사용된다.
특히, 의미연결망 분석에서는 핵심 이슈의 구조 파악을 위해 주요 키워드 간의 관계 강도나 근접성을 파악이 중요한데, 여기에 활용되는 것이 ‘중심성(centrality)’ 분석이다. 중심성 분석은 핵심 단어가 네트워크에서 어떤 위치를 차지하고 어떤 역할을 하는지를 파악할 수 있게 하며, 이러한 관계는 중심성 지수 값과 시각화된 네트워크 그래프를 통해 확인된다. 중심성이란 네트워크 연결망에서의 각 노드(node)가 전체 네트워크에서 차지하는 상대적 중요성을 나타내는 척도를 말한다. 중심성 지수는 계산 방법에 따라 연결 중심성(degree centrality), 근접 중심성(closeness centrality), 매개 중심성(betweenness centrality), 아이겐 벡터 중심성(eigenvector centrality) 등으로 나누어지며, 각 노드가 네트워크 내에서 담당하는 역할 차이를 분석할 수 있다. ‘연결 중심성’은 특정 노드가 다른 노드와 직접적으로 연결된 정도를 측정하는 것으로 핵심적인 역할을 하는 노드를 파악하는 데 쓰인다. 연결망의 중심에 위치할수록 여러 노드들과 직접적으로 가능한 많이 연결됨을 알 수 있다. 그러나 연결 중심성은 단순한 연결 빈도수만 알려주므로 ‘근접 중심성’ 연구를 병행하여 다각적인 분석을 진행한다. 근접 중심성은 노드와 노드 간의 직접적 연결뿐만 아니라 간접적 연결까지 모두 계산하여 네트워크 전체에서의 중심성을 측정하는 것으로 하나의 노드와 연결된 모든 노드와의 거리를 계산한다. ‘매개 중심성’은 노드와 노드 사이에서 중개역할을 잘하는 노드를 측정하는데, 매개 중심성이 높은 노드를 통하지 않으면 연결된 노드들이 단절되고 의미가 끊어지기도 한다. 따라서 매개 중심성이 높으면 의미연결망 내에 의미의 흐름에 영향을 줄 가능성이 높아진다. 한편 ‘아이겐 벡터 중심성’은 네트워크의 각 노드에서의 중요도를 측정하는 것으로 한 노드의 연결 중심성으로 발생하는 영향력과 노드와 연결된 다른 노드의 영향력을 합해 계산한, 전체 네트워크에서의 특정 노드의 영향력을 가리키는 것이다. 즉 자신이 네트워크의 중심에 있거나 네트워크의 중심에 있는 노드와 많이 연결된 정도에 따라 아이겐 벡터 중심성 정도는 결정된다. 요컨대, 인공지능 스피커의 상품마케팅과 사회적인 이용자들이 만들어 내는 뉴스는 AI 스피커의 사회적으로 지속적인 상호작용을 하고, 그 결과 시대별, 제품별 하나의 연결망을 형성하게 된다. 그 연결망은 관계성을 나타내는 구조(structure)를 형성하게 되어 AI 스피커를 둘러싼 토픽프레임의 구조를 살필 수 있게 해준다. 특히 의미연결망 분석은 연결망 구조 내에서 행위자가 어떤 위치에 자리하고 있는지를 살피는 동시에 특정 현상에 대해 ‘연결망 구조’가 어떤 형태를 띠고 있는지를 관찰할 수 있게 해줌으로써 개별적인 행위자들이 갖는 기회 혹은 제약을 파악할 수 있다[19].
D : 문서 집합
d : 개별문서
k : 토픽의 수
\(\beta_{k}\) : k번째 토픽의 단어 분포의 확률.
\(\theta_{d}\) : 문서 d에 대한 토픽 비율
\(z_{d, n}\) : 문서 d의 n번째 단어에 대한 토픽 할당.
\(w_{d, n}\) : 문서 d에서 관찰되어진 n번째 단어
\(\alpha\) : 양의 K-벡터 모수
3. 공진화 과정 측면의 AI 스피커에 대한 분석 모델
3.1 자료수집
본 연구는 ‘빅카인즈’라는 뉴스 통합 데이터베이스를 이용하여 연구 자료인 뉴스 데이터를 수집하였다. 분석을 위한 자료수집 기간은 2013년 1월 1일부터 2019년 10월 30일까지 설정하였다. 빅 카인즈(big kinds)를 통해 2013년에서 2019년까지 수집한 개별 사업자-제품의 뉴스는 2,659건이었으며, 연도별 뉴스는 2,710건이었다(표 3 참조). 수집된 뉴스 데이터를 각각의 분석에 활용하였다.
(표 3) 인공지능 스피커 뉴스 수량
(Table 3) Frequency Analysis of AI Speaker News Data
구체적인 수집과정은 다음과 같다.
우선, 빅카인즈(big kinds) 공식 사이트에 들어간 후에 매인 페이지에서 ‘상세검색’ 버튼을 찾아 클릭하면 원하는 내용을 상세하게 검색할 수 있는 화면이 나타났다(그림 1 참조).
다음에 뉴스 데이터를 수집할 언론사 출처가 중앙지 (경향신문, 국민일보, 내일신문, 문화일보, 서울신문, 세계일보, 한겨레, 한국일보를 포함), 경제지(매일경제, 머니 투데이, 서울경제, 아시아경제, 파이낸셜뉴스, 한국경제, 해럴드경제 포함), 방송사(MBC, OBS, SBS, YTN를 포함)과 전문지(디지털타임스, 전자 신문을 포함)를 선택하였다. 검색 버튼을 누르면 검색 결과가 나왔다. 검색 유형은 ‘뉴스’를 선택. 검색범위는 ‘형태소 분석/전체’로 설정하였다. 2014년~2019년간 인공지능과 관련된 보도의 상황을 정확하게 파악하기 위해, 상세검색어는 ‘인공지능 스피커’, 개별 제품(KT 기가지니, SKT NUGU, 구글 홈, 네이버 웨이브, 삼성 빅스비, 아마존 에코, 애플 홈팟, 인보크)들로 입력했다. 또한, 반드시 포함하는 단어로 매체 보도에서 자주 쓰는 인공지능(Artificial Intelligence)을 의미하는 ‘AI’를 입력하였다.
(그림 1) 빅 카인즈 접속속 후 상세검색 페이지 화면
(Figure 1) Detailed search page screen after accessing BigKines
그리고 인공지능(Artificial Intelligence)과 다름없이 같은 ‘AI’로 약자인 ‘조류인플루엔자(Avian Flu)’과 구별하기 위해 제외하는 단어는 ‘조류인플루엔자’로 입력하였다. 검색 기간은 2014년에서 2019년까지 각자 한해 한해를 입력하였고 2014년 이후 매년 데이터를 수집하였다. 예를 들면, 2014년의 데이터를 수집했을 때 검색 기간은 ‘2014-01-01’에서 ’2014-12-31’로 입력하였다. 주의해야 할 점은 본 연구의 2019년 데이터 수집은 2019-10-30까지로 한정하였다. 본 연구는 뉴스에 나타난 메시지 간의 토픽 모델링을 활용한 LDA분석과 의미연결망 분석을 위해 앞서 수집한 빅 카인즈(big kinds)의 뉴스 대상으로 데이터를 수집, 정제, 분석하였다. 이후 전체 수집된 다운로드를 클릭하여 해당 연도의 자세한 뉴스 데이터를 분석 가능한 엑셀 파일로 받아 분석에 활용하였다.
3.2 분석 방법
본 연구의 분석 방법으로는 먼저, AI 스피커 관련 제품과 이용 관련 뉴스(Bigkinds DB)를 대상으로 텍스트 처리를 바탕으로 주요 단어의 빈도를 추출하였다. 이어 텍스트 분석을 바탕으로 AI 스피커 발전 단계에 나타난 Keywords를 Nodexl로 분석하고 이를 Matrix 데이터로 연도별 비중 추이를 분석하였다.
분석을 위한 각 단계별 진행 과정을 구체적으로 살펴보면 <그림 2>와 같다.
(그림 2) 연구 프레임 워크
(Figure 2) Overall Research Framework
1단계는 키워드 검색 단계이다. 이에 본 연구에서는 ‘빅카인즈’라는 뉴스 통합 데이터베이스를 이용하여 연구 자료인 뉴스를 수집하였다.
2단계는 인공지능 스피커 속성들을 더욱 명확하게 파악하기 위해 주요 단어에 대한 데이터 정제 작업이다. 이에 본 연구에서는 핵심어 분석 텍스트마이닝*을 통해 수집된 문서군(KINDS뉴스)에서 출현하는 단어의 빈도수와 TF-IDF 값* 등을 통해 핵심 핵심어를 도출하고 해당 핵심어의 의미를 분석하였다. 이를 위해 모든 단어를 코딩한 다음, 문장 중의 관사, 숫자, 접속사, 접미사, 부호 등을 삭제하였고 이슈와 관련된 명사를 중심으로 단어를 추출하였다.
3단계는 토픽 분석CONCOR(반복 상관관계 수렴)** 분석을 통해 핵심어의 클러스터링(clustering)을 진행하여 단어 그룹을 생성하고, 그 안에서 해당 문서군의 주요 주제들을 도출하는 단계이다. 이 단계에 해당하는 분석 방법의 이론적인 방법론으로는 LDA방법이다. 이에 본 연구에서는 LDA를 활용하여 지수 값과 시각화된 네트워크 그래프를 통해 확인하였다.
4단계는 뉴스에 나타난 인공지능 스피커의 주요 토픽 프레임들과 그 프레임에 포함된 단어들이 어떤 토픽을 반영하는지를 보다 면밀하게 분석하는 단계이다. 일반적으로 의미연결망 분석에서는 단어 쌍(word pairs)을 분석하거나 군집을 분석하여 핵심 단어들이 맺고 있는 하위 연결 관계를 파악한다. 이 중 군집 분석은 연관성 분석을 바탕으로 유사성이 있는 단어들의 연결 관계를 구분 지어 보여줌으로써 하위 네트워크에서 내재되어 있는 단어들 간의 의미를 파악하는 데 유용하다[24]. 이에 본 연구는 AI 스피커 제품별, 연도별로 군집 분석을 실시하여 핵심 키워드들 간의 관계를 나타내는 시각화된 그래프를 통해
그 의미를 살펴보았다. 이를 위해 NodeXL의 군집화 기능이 있는 Clauset-Newman–Moore 알고리즘을 활용하여 관련 군집을 세밀하게 나누고 프레임을 비교 분석하였다.
4. 분석 결과
먼저, 수집된 뉴스 데이터를 대상으로 AI 스피커의 각 사업자(플랫폼사업자, 통신사업자, OS 사업자, IT디바이 스 생산업자) 제품별 특성에 따른 제품별 토픽 프레임을 분석 후 정리하였다(<그림 3>~<그림 9> 참고). 사업자 유형별 토픽 프레임에 이어 연도별 토픽군집을 세밀하게 나누었다(<그림 10>~<그림 12> 참고). 마지막으로 AI 스피커 사업자 제품별 뉴스 보도와 시기별 뉴스 보도 간의 상관관계를 밝히고 이를 통한 AI 공진화 모형을 통계적으로 실증하였다.
4.1 사업자-제품별 토픽 프레임
수집된 뉴스 데이터를 대상으로, AI 스피커의 각 사업자(플랫폼사업자, 통신사업자, OS 사업자, IT 디바이스 생산업자) 제품별 특성에 따른 제품별 토픽 프레임을 분석 후 정리하였다. 그 결과는 다음과 같다.
4.1.1 온라인 플랫폼 사업자
(가) 아마존의 에코
아마존 에코 AI 스피커에 대한 뉴스 기사를 의미연결망 분석한 결과, 토픽 프레임을 시각화하면 그림 3과 같다. 아마존의 에코 AI 스피커에 대한 뉴스 기사를 분석한 결과, 총 ‘인공지능', ‘브랜드', ‘상업 활동', ‘기능', ‘주택', ‘엔터테인먼트' 6개의 프레임을 도출했다. ‘인공지능 프레임'에서 ‘AI 인공지능(254)', ‘박쥐(55)', ‘인간(43)', ‘로봇(77)' 등 상위 단어가 있어 이를 통해 에코의 관련 뉴스 중에 인공지능의 상세한 분야에 대한 묘사가 많이 나타난다.
(그림 3) 아마존 에코 토픽 프레임
(Figure 3) KT Gi Genie Topic Frame
또한 ‘브랜드 프레임'과 ‘상업 활동 프레임'의 고빈도 단어는 ‘아마존(368)', ‘구글(288)', ‘태국(38)', ‘바이오에너지(12)' 등이다. ‘기능 프레임'의 고빈도 단어는 ‘설명(34)', ‘피부(16)', ‘관리(16)', ‘오디오(15)', ‘어린이(14)', ‘유튜브(13)' 등이다. 이를 통해 AI 스피커로 스킨케어에 대한 정보를 이용하는 것과 어린이용 유튜브 영상을 틀어주는 기능에 주로 활용되고 있음을 알 수 있다. ‘주택 프레임'에서는 AI 스피커와 관련해 ‘에어컨(13)', ‘로봇 청소', ‘배달' 등의 연관어를 통해 주로 집안일에 활용 가능함에 주목하는 것을 알 수 있다. 마지막 ‘엔터테인먼트’프레임의 고빈도 단어는 ‘게임(20)', ‘미디어(10)', ‘현실(8)' 등이 나타난다.
(나) 구글 홈
구글 홈 AI 스피커에 대한 뉴스 기사를 의미연결망 분석한 결과를 토픽 프레임으로 시각화하면 그림 4와 같다. 구글 홈은 ‘쇼핑’, ‘카카오프렌즈’ ‘맞춤형’, ‘인터넷’, ‘네이버’, ‘클라우드’ 등 온라인 플랫폼 ‘관련 키워드와 연결되어 있는 것으로 나타났다. 구글에서 만든 AI 스피커, 구글 홈과 관련한 뉴스 데이터에서 ‘매출 및 이용자', ‘인공지능', ‘서비스', ‘주택', ‘기능', ‘상업 활동', ‘디자인' 등 총 7개 프레임이 도출되었다.
(그림 4) 구글 홈 토픽 프레임
(Figure 2) 구글 홈 Topic Frame
(다) 카카오 미니
카카오 미니 AI 스피커에 대한 뉴스 기사를 의미연결망 분석한 결과를 토픽 프레임으로 시각화하면 <그림 5>와 같다.
(그림 5) 카카오 미니 토픽 프레임
(Figure 5) 카카오 미니 Topic Frame
카카오 미니는 ‘통신사’, ‘카카오’ ‘맞춤형’, ‘국내 마켓 팅’, ‘대한민국’, ‘가상세계’ 등 온라인 플랫폼 ‘관련 키워드와 연결되어 있는 것으로 나타났다. 카카오 미니 AI 스피커에 대한 토픽 군집 분석한 결과 빈도순으로 ‘서비스', ‘브랜드', ‘매출 및 이용자', ‘상업 활동', ‘기능' 등의 총 5개의 프레임이 나타났다. 먼저, ‘서비스' 프레임의 고빈도 단어들은 ‘AI(139)', ‘제품(88)', ‘플랫폼(80)', ‘네이버(65)' 등이다. 이는 인공지능을 탑재한 제품이나 서비스의 발달을 보이는 경향을 나타낸다. ‘매출 및 이용자' 프레임의 고빈도 단어들은 ‘1억(10)', ‘100만(7)' 등 구체적인 거래액을 나타내는 단어들 이외에도 ‘서울(29)' 및 ‘남양주(9)', ‘중국(31)', ‘미국(28)', ‘세계(42)’ 등 지역을 대표하는 단어들도 나타났다. 이를 ‘이용자(19)'라는 키워드와 연결해서 보면, 카카오 미니의 소비자가 대한민국을 넘어 다른 나라들에서도 존재한다는 것을 알 수 있다. ‘상업 활동 ' 프레임의 고빈도 단어들은 ‘행사(10)', ‘협업(10)', ‘마케팅(6)', ‘편의점(14)' 등의 키워드와 연결되는 것으로 나타난다. 마지막으로 ‘기능' 프레임에서는 ‘카카오 뱅크(10)', ‘버스(8)', ‘실내(9)', ‘공기(14)' 등의 키워드를 통해, 카카오 미니가 금융, 교통, 기상예보 및 일상생활의 여러 영역에 걸쳐 다양한 역할을 하고 있으며, 이는 카카오 미니가 다양한 기능을 갖고 있음을 알 수 있다.
4.1.2 통신 사업자
(가) SKT 누구
SKT 누구 AI 스피커에 대한 뉴스 기사를 의미연결망 분석한 결과, 토픽 프레임을 시각화하면 그림 6과 같다.
(그림 6) SKT 누구 토픽 프레임
(Figure 6) SKT NuGu Topic Frame
SKT 누구는 ‘쇼핑’, ‘카카오프렌즈’ ‘맞춤형’, ‘인터넷’, ‘네이버’, ‘클라우드’ 등 온라인 플랫폼 ‘관련 키워드와 연결되어 있다. SKT의 AI 스피커인 누구와 관련된 뉴스 데이터 분석 결과, ‘서비스', ‘브랜드', ‘5G', ‘상업 활동', ‘매출 및 이용자', ‘주택', ‘기능', ‘인공지능' 등 총 8개 프레임이 나타났다. 그중 ‘서비스' 프레임에 관련 내용이 가장 많이 보인다. ‘서비스' 프레임에서는 ‘인공지능(55)', ‘음성(29)', ‘탑재(22)' 등이 고빈도 단어가 상위를 차치했다. ‘서비스' 프레임 다음으로는 ‘브랜드', ‘5G', ‘상업 활동', ‘매출 및 이용자' 프레임 순으로 나타났다. ‘매출 및 이용자' 프레임의 고빈도 단어는 ‘금영엔터테인먼트(18)', ‘노래(9)', ‘1위(6)' 등이다. ‘주택' '기능' 프레임에서는 ‘오피스텔(9)', ‘아파트(5)', ‘내비게이션(6)', ‘송금(7)', ‘상품(7)', ‘조회(7)', 등의 타 사업자-제품의 AI 스피커와는 다른 고빈도 단어들로 나타났다. 4.1.3 OS 사업자다. SKT 누구의 경우 자동차 회사와 함께 연관 지어 언급되는 경우가 많은 것으로 나타났다. ‘브랜드' 프레임은 ‘현대차', ‘기아차', ‘스포티지', ‘SM' 등의 단어들아 나타난 반면, KT 기가지니의 경우 통신사와 연관된 5G 기술력과 관련한 프레임이 나타났다. KT 기가지니에서 가장 많이 언급된 프레임은 ‘인공지능' 프레임이었으며, 해당 프레임은 ‘AI', ‘5G' 등의 단어들이 SKT 누구보다 상대적으로 더 상위권에 나타났다. 이는 국내 통신 사업 시장이 경쟁이 치열하므로, 적소가 겹치지 않기 위한 각 통신사들의 마케팅 전략이 언론 홍보 과정에서 이어진 것으로 보인다.
(나) KT 기가지니
수집된 KT 기가지니에 관련한 뉴스 데이터를 분석한 결과, ‘인공지능', ‘서비스', ‘매출 및 이용자', ‘상업 활동', ‘기능', ‘주택', ‘그린카', ‘미래에셋대우' 등 총 8개 프레임이 도출되었다. ‘인공지능' 프레임의 고빈도 단어는 ‘KT(572)', ‘AI(552)', ‘5g(130)' 등인데, 이는 언론은 우리 사회에서의 기가지니 역할을 인공지능, 5G 기술과 주로 연관되어 있음을 보인다. 또한 ‘서비스', ‘기능', ‘주택' 프 레임은 주로 AI 스피커에 탑재된 기능과 서비스를 가리 키고 있으며, 그 중 ‘TV(122)', ‘미세먼지(14)', ‘교통(10)', ‘주택(7)' 등 고빈도 단어를 감안해 볼 때, AI 스피커를 활용하여 TV 시청에 이용하거나 미세먼지, 교통, 주택 등과 관련한 정보를 얻고 있음이 많이 나타난다. 이외에 ‘매출 및 이용자', ‘상업 활동' 프레임에 주로 집중된 것을 볼 때, AI 스피커의 매출 성적 및 이용자 수량의 관련 보도가 많음을 확인할 수 있다. 언급된 빈도수는 적었으나, ‘그린카' ‘미래에셋대우'과 같은 특정 프레임도 나타났다. 본 연구 결과를 통해 통신 사업자군의 경우, SKT와 KT의 기업 간 프레임의 형식과 내용적 측면에서 큰 차이를 나타남을 알 수 있다.
4.1.3 OS 사업자
(가) MS&a하만카돈인보크
MS&하만카돈 인보크 AI 스피커에 대한 뉴스 기사를 의미연결망 분석한 결과, 토픽 프레임을 시각화하면 그림 7과 같다.
(그림 7) MS & 하만카돈 인보크 토픽 프레임
(Figure 7) MS & Harman Kardon Invoke Topic Frame
MS & 하만카돈 인보크는 ‘쇼핑’, ‘카카오프렌즈’ ‘맞춤형’, ‘인터넷’, ‘네이버’, ‘클라우드’ 등 온라인 플랫폼 ‘관련 키워드와 연결되어 있다. MS& 인보크 AI 스피커에 대한 뉴스 데이터를 분석한 결과, ‘인공지능', ‘매출 및 이 용자', ‘상업 활동', ‘브랜드', ‘서비스', ‘기능' 등 총 6개의 프레임을 도출하였다.
‘인공지능' 프레임의 단어들을 볼 때, MS& 하만 카돈 인보크 스피커는 ‘아마존(24)', ‘구글(12)' 등의 미국 내 경쟁사 기업과 연관이 높은 것으로 나타났다. ‘매출 및 이용자' 프레임의 고빈도 단어들도 ‘39만(2)', ‘349달러 (2)' 등 거래액과 관련한 것으로 나타났다. 또한 ‘시장(18)', ‘점유율(5)', ‘성장(3)' 등 키워드를 통해 M&S 하만카돈인보크 스피커의 시장은 현재 성장하는 추세임을 알 수 있다.
한편, ‘브랜드' 프레임의 고빈도 단어들은 ‘삼성전자(11)', ‘LG(2)' 등의 국내 기업이 많이 보인다. 이는 MS& 하만카돈인보크 제품은 국내 보도에서 삼성 및 엘지 제품과 많이 연관되어 있음을 알 수 있다. 마지막으로, ‘기능’ 프레임의 고빈도 단어들은 주문(2)', ‘아마존닷컴(2)', ‘역할(1)' 등의 키워드를 통해 인공지능 스피커의 역할은 상품을 주문하는 것과 관련 있는 것으로 판단된다.
(나) 애플 홈팟
다음으로 애플 홈팟 AI 스피커에 대한 뉴스 기사를 의미연결망 분석한 결과는 그림 8과 같다.
(그림 8) 애플 홈팟
(Figure 8) Samsung Bixby Topic Frame
애플 홈팟은 ‘쇼핑’, ‘카카오프렌즈’ ‘맞춤형’, ‘인터넷’, ‘네이버’, ‘클라우드’ 등 온라인 플랫폼 ‘관련 키워드와 연결되어 있다.
4.1.4 IT 제조사
(가) 삼성 빅스비
삼성 빅스비 AI 스피커에 대한 뉴스 기사를 의미연결망 분석한 결과, 토픽 프레임을 시각화하면 그림 9와 같다.
(그림 9) 삼성 빅스비 토픽 프레임
(Figure 9) Samsung Bixby Topic Frame
삼성 빅스비는 ‘쇼핑’, ‘카카오프렌즈’ ‘맞춤형’, ‘인터넷’, ‘네이버’, ‘클라우드’ 등 온라인 플랫폼 ‘관련 키워드와 연결되어 있다. 삼성의 AI 스피커인 빅스비와 관련된 뉴스를 분석한 결과, ‘인공지능', ‘매출 및 이용자', ‘기능', ‘상업 활동', ‘브랜드' 등 총 5개 프레임이 도출되었다. 가장 많이 언급된 ‘인공지능' 프레임은 ‘삼성전자(849)', ‘갤럭시(248)' 등의 고빈도 단어이다. 이는 국내 언론사회에서 주로 제조사인 ‘삼성' 자체와 ‘갤럭시'라는 자사 브랜드명과 함께 묶여 제조사로서의 신뢰감을 주는 이미지를 형성하고 있음을 알 수 있다.
‘기능' 프레임은 총 4 군집이 들어가면서 ‘스마트폰(437)' ‘무선(58)', ‘이어폰(45)', ‘건조기(14)', ‘택시(7)' 등의 특별한 고빈도 단어가 나타났으며, 이를 통해 뉴스에서 주로 빅스비를 스마트폰, 무선 이어폰, 건조기, 택시 등의 다방면 활용 용도로 적극적으로 제공하는 것으로 보인다. 이외에 ‘상업 활동 프레임'에서 ‘교수(32)', ‘교육(14)', ‘프로그램(24)'을 통해 빅스비의 상업 활동은 교육 프로그램과 연관 지어 홍보하는 것으로 나타난다. 또한 ‘브랜드' 프레임에서는 ‘kT(25)', ‘카카오(21)', ‘통신사(8)' 등의 고빈도 단어가 나타나 경쟁사와 연관되고 있음을 알 수 있다.
본 연구 결과를 통해 국내 유력한 IT 제조사업자인 삼성의 경우, 국내 기업 제품의 경우 국내 사회적 맥락에 익숙한 서비스를 더 잘 제공한다고 하는 사회적 인식에 대한 예외적인 기업인 것으로 나타났다. 이는 삼성은 실제 기술력의 수준 또한 세계 상위권으로 발전한 것이 주된 이유로도 들 수 있겠지만, 뉴스 데이터를 분석해 보았을 때 한국 사회에서 삼성이 가지는 신뢰감 또한 언론 보도 내에 잔존하고 있음을 추론할 수 있다. 또 다른 특징으로는 ‘기능' 프레임에 있어 ‘스마트폰', ‘무선', ‘이어폰', ‘건조기', 등의 고빈도단어가 구성된 것이다. 이는 다양한 스마트 미디어 제품군과의 연동성이 특히 강조된 것이다. 기타 회사들과는 달리, 삼성은 국내에서 오랜 기간 타 미디어 제품을 성공적으로 보급시켜왔다. 그 과정에서 우리 사회에 누적된 평판이 새로이 AI 스피커 시장에 진입하는 빅스비 제품을 언론 및 사회에 익숙히 알려진 타제품 군으로의 적용이 용이해진 점은 삼성이 사회적으로 AI 기술 제품을 우리 사회에 도입하는데 있어 다른 기업들과 차별화된 이점이라 평가된다. 이를 통해 AI 스피커가 기술적 발전과 사회 내에서 입지를 굳혀 수용자들에게 쉽게 받아들여지는 일에는 해당 사업자의 마케팅 능력과, 사회 배경 및 맥락 파악에 이점을 가질 수 있는 자국 국적이라는 요소가 영향을 미친다는 것을 알 수 있다.
4.2 연도별 토픽 프레임과 주요 중심단어
4.2.1 인공지능(AI) 스피커 연도별 주요어 중심성 분석
사업자 유형별 토픽 프레임에 이어 연도별 토픽군집을 분석하기 위해 NodeXL의 군집화 기능인 Clauset-Newman-Moore 알고리즘을 활용하여 연도별 군집을 세밀하게 나누었다. 이후 프레임 비교를 통해 AI 스피커의 년도별 발달과정을 살펴보았다. 이를 위해 토픽모델링을 활용한 LDA 분석과 의미연결망 분석을 통해 AI 스피커 발달과정에 나타난 기술과 사회의 공진화 과정을 토픽프레임을 도출하여 AI 기술 경향과 이를 수용한 사회적인 뉴스 특성을 파악하였다.
먼저 2014~2015년 AI 스피커에 대한 뉴스 기사를 의미 연결망 분석한 결과, 토픽 프레임을 시각화하면 <그림 10>과 같다.
(그림 10) 2014-2015 AI 스피커 토픽 프레임
(Figure 10) 2014-2015 AI Speaker Topic Frame
이 시기의 인공지능 스피커와 관련된 단어들의 의미연결망 분석한 결과는 주로 ‘자연', ‘위치정보', ‘골프 정보', ‘사이트', ‘문학', ‘패션' 등 6개 프레임을 도출할 수 있다. 그중에 ‘자연' 프레임로 여행지 정보 및 기후를 나타내는 키워드를 꼽을 수 있다. 그리고 ‘사이트'라는 프레임에서 ‘직구(3)' 빈도가 가장 높은 것으로 나타났으며 ‘중국(2)'은 다음 순으로 빈도가 높게 나타났다. 이는 이 시기 인공지능 스피커에 관한 보도는 거래와 관련되는 것을 추측할 수 있다. 또한, ‘문학' 및 ‘패션' 등 프레임은 인공지능 스피커에 대한 이용은 일상생활을 넘어서 문화 영역까지 이르렀음을 알 수 있다.
다음으로, 2017년_2018년 AI 스피커에 대한 뉴스 기사를 의미연결망 분석한 결과, 토픽 프레임을 시각화하면 <그림 11>과 같다. 2017년 ‘인공지능 스피커'와 관련된 보도의 수량은 전 시기에 비해서 확연한 증가를 볼 수 있다. 전 시기와 달리 2017년에 각 인공지능 스피커 브랜드가 나타나기 시작했다. ‘브랜드 시장'이라는 프레임을 보면 국내 브랜드인 ‘빅스비(248)' ‘카카오(226)' 등과 해외 브랜드인 ‘애플(198)' 및 ‘아마존(258)' 등이 처음으로 AI 스피커 브랜드로 언급되었다.
(그림 11) 2016-2017AI 스피커 토픽 프레임
(Figure 11) 2016-2017AI Speaker Topic Frame
또한 이 시기의 ‘인공지능 스피커'와 ‘로봇(118)', ‘스마트(100)', ‘소프트웨어(62)' 등 키워드가 연관되어 있다. 이를 ‘AI 제품 혁신'이라는 프레임으로 명명하였다. 그 다음으로 전 시기와 공통적으로 ‘위치정보'에 관한 내용이 적지 않게 언급되었다. G11의 ‘샤오미(8)'라는 키워드를 보면 지난시기의 ‘직구(3)' 및 ‘중국(2)'과 관련됨을 엿볼 수 있다. 뿐만 아니라 지난시기에 이어 상업 활동이 활발한 것으로 보인다. ‘채결(10)', ‘미래에셋(12)', ‘케이뱅크(8)', ‘이벤트(35)', ‘구글(8)', ‘상호(10)', ‘사업자(15)' 등를 통해 다양한 영역에서 AI 스피커를 활발하게 이용하고 있음을 발견할 수 있다.
2018년에는 2017년과 마찬가지로 ‘삼성전자(595)'라는 키워드가 가장 높은 빈도수를 차지했다. 그러나 전에 ‘브랜드 시장' 프레임에서 볼 수 없었던 ‘구글(537)'이 2위까 지 상승했다. 이는 이번 년도에 구글에 대한 보도가 크게 증가한 것으로 보이며 이번 년도에 구글이 인공지능 스피커 제품을 출시한 가능성이 높다고 본다. 또한 nugu(17)'라는 새로운 브랜드 키워드가 나타났다. 이는 SKT의 새로 출시된 인공지능 스피커인 ‘누구'를 지칭한다.
아울러, ‘인공지능 제품혁신' 프레임에서는 '자율주행(66)'이라는 새로운 키워드가 나타났으며 이는 인공 지능 스피커가 이때 가장 핫한 영역인 자율주행 영역과 연결되었다는 것으로 보인다. 이 밖에도 ‘로봇(225)', ‘인간(69)', ‘가치(57)', ‘서비스(682)' 등 의미연결망을 보면 이 시기 AI 스피커의 발달 수준은 전보다 한 단계 더 올라간 것이며 이를 둘러싼 문제는 기술을 넘어서 서비스 또는 휴머니즘에 도달한 것으로 보인다. AI 및 인간 의 가치에 관한 문제를 다시 토론하기 시작하는 것을 알 수 있다. 2017년에 비해서 ‘게임(137)', 영화(74)', ‘신곡(9)', ‘앨범(8)', ‘퍼포먼스(8)', ‘엑소(8)' 등 문화산업 및 아 이 돌 등과 관련하여 나타나기 시작했다. 이를 새로운 프 레임인 ‘엔터테인먼트'로 명명하였다. 이는 인공지능 스피커에 대한 응용은 게임 및 대중음악 등 산업에서 유행하기 시작하는 것으로 보인다.
마지막으로 2018년_2019년 AI 스피커에 대한 뉴스 기사를 의미연결망 분석한 결과, 토픽 프레임을 시각화하면 <그림 12>와 같다.
(그림 12) 2018-2019 AI 스피커 토픽 프레임
(Figure 12) 2018-2019 AI Speaker Topic Frame
2018년에 이어서 ‘엔터테인먼트' 프레임에서 지속적으 로 ‘캐릭터(49)', ‘프로그램(49)', ‘김소현(27)', ‘SM(16)' 등 방송 및 연예인과 관련된 키워드 위주로 의미연결망을 구성하고 있다. 마지막으로 ‘인공지능 제품혁신' 프레임에서도 지난해와 마찬가지로 ‘인간(32)', ‘가치(26)', ‘로봇(130)'등 단어의 도출을 통해서 인간과 인공지능의 관계에 대하여 언급했다. 또한 ‘사람(27)', ‘라이프 스타일(25)' 등 키워드를 통해서 인공지능 스피커가 사람의 일상생활과의 관계가 한층 밀접하게 관련된 것을 알 수 있으며 사람들의 라이프 스타일에 변화를 일으킨 것을 알 수 있다. 2019년도 ‘브랜드 시장' 프레임에서 AI(526)의 빈도수가 처음으로 ‘삼성전자(351)' 등 다 높은 것으로 나타났다. 이는 각 브랜드의 스피커에 관한 보도에 AI 언급 빈도가 높은 것을 볼 수 있다. ‘상업 활동' 프레임에서트업(35)'이라는 새로운 키워드가 나타났으며 ‘거래(15)', ‘규제(16)', ‘가격(71)', ‘달러(71)' 등 통해서 인공지능 스피커에 관한 상업 활동이 실질적인 발전 이 나타난 것을 알 수 있다. 또는 ‘투자(71)', ‘아파트(64)', ‘주거(23)' 등 키워드를 보면 주택 분야에서 인공지능 스피커와의 연관관계가 형성되고 있다는 정보를 파악할 수 있다.
4.3 뉴스와 년도 별 프레임의 상관관계(correlation): 뉴스-년도 QAP 상관관계
인공지능 스피커 제품 관련 뉴스와 AI 사회문화적인 상관관계는 초기에는 제품과 연도별 주제 토픽(topic) 프레임이 낮은 상관관계를 보였다.
우선, 2014-2016년의 제품과 전체 연도별 뉴스 간의 QAP 상관관계를 분석한 결과는 078191으로 나타났으며, 2017 뉴스 년도와 제품별 상관관계는. 059.185로 소폭 줄어든 것을 알 수 있으며, 2018년 뉴스 상관관계를 살펴보면 제품 뉴스에 전체 인공지능 스피커 토픽에 대한 상관관계가 .108.212 까지 소폭 증가했다.
2019년에는. 089.185로 이 시기는 대체적으로 제품 뉴스 보도와 년도의 토픽에 대한 영향이. 08.20의 범위에서 유지하고 있으며 변동이 적은 것으로 나타남을 알 수 있었다. 한편, 국내 인공지능 토픽의 영향력은 KT와 카카오가 토픽 프레임 상관관계가 높은 것으로 나타났다.
4.4 연구 결과의 함의
본 연구 결과의 함의는 인공지능 토픽 프레임으로 기술적 차원, 산업적 차원, 수용적 차원에서 정리될 수 있다.
(가) 기술적 차원
본 연구결과를 통해 2014-2016년과 2017년은 주로 AI 토픽프레임이 기술프레임으로 나타났다. 특히, 2014-2016년에는 인공지능 기술과 AI 스피커에 대해 직접 접하지는 않았으나 막연한 기대감이 있는 시기로 나타났다. AI 스피커 브랜드나 제품 이름, 혹은 관련 기술 등에 속하는 단어들이 전혀 나타나지 않기 때문이다. 한편 ‘문학', ‘한국', ‘작가들', ‘순수', ‘소개', ‘작가' 등의 고빈도 단어들을 두드러짐이 눈에 띄는 대목이다. 이는 앞으로 오게 될 AI와 관련 기술혁신이 과학적인 분석에 기반하기보다는 인문학적 관점에서 막연한 상상(Imagination)과 연관된 것으로 판단된다. 2017년에는 ‘ AI 스피커', ‘로봇(118)', ‘스마트(100)', ‘소프트웨어(62)' 등의 본격적인 ‘ AI 제품 혁신'과 연관된 고빈도 단어들이 보였다. 이 시기는 AI 기술이 우리 사회에 처음으로 알려진 초창기 시기이기 때문에 신기술의 등장에 대한 신기함이나 호기심 등 앞으로 해당 기술이 불러오게 될 미래에 대한 기대감이 있을 수 있다. 그러나 막연한 공상 과학과는 달리, 로봇, 소프트웨어 등 스마트한 ICT 산업 관련 분야의 응용 가능성에 대한 고빈도 단어의 출현으로 보아 어느 정도 미래에 대한 예측이나 분석적 시각을 가지고 있는 경향을 보였다.
(나) 산업적 차원
2018년에는 ‘브랜드 시장', ‘인공지능 제품혁신'과 관련한 토픽 프레임이 가장 많은 비중을 차지했다. 언론 기사들에 노출된 상위권 고빈도 단어들은 ‘삼성전자', ‘구글 ', ‘아마존', ‘삼성', ‘애플', ‘빅스비', ‘카카오', ‘네이버' 등으로 주로 각자의 AI 스피커 제품의 브랜드명, 그리고 회 사이름들이다. 이를 통해 2018년은 여러 사업자들이 본격적으로 산업구조에서 선도자 위치를 점유하기 위한 적극적인 경쟁에 돌입된 시기임을 알 수 있다. 또한 ‘인공지능 제품혁신'에 속하는 고빈도 단어들은 주로 ‘자동차', ‘냉장고', ‘미래', ‘디지털', ‘디바이스', ‘변화', ‘카메라', ‘미니', ‘디자인', ‘디스플레이', ‘모델', ‘장착', ‘보안', ‘내장' 등이 상위권에 위치해 있는 것으로 나타났다. 이는 주로 제품의 기능과 다양한 분야의 활용 가능성, 그리고 디자인, 미래 등의 감각적 부분을 묘사하는 단어들이다. 이를 통해 각 AI 스피커 제품들을 광고하기 위한 언론 마케팅 활동이 활발하게 일어나고 있음을 알 수 있다.
(다) 수용자 차원
2019년의 상위 고빈도 단어 목록에는 이제 ‘삼성', ‘KT', ‘구글', 그리고 상대적으로 하위권에 ‘아이폰' 정도밖에는 남지 않았다. 이를 통해 그간 많은 사업자들이 선점하려 했던 경쟁을 위한 마케팅 활동이 어느 정도 잠잠해졌음을 알 수 있다. 시장 내 경쟁 구도가 안정화되었다는 것과 또한 AI 스피커가 익숙해져 새로운 흥미나 호기심을 끌기보다는 이제 명확한 사회적 역할, 정체성이 생긴 것으로 볼 수 있다. 또한 2019년에 언급되는 고빈도 단어들은 주로 ‘캐릭터 ‘프로그램', ‘인기', ‘OTT', ‘사이', ‘방송', ‘김소현', ‘그룹', ‘SM', ‘MTS', ‘가수', ‘방탄소년단', ‘팬들', ‘로봇', ‘이동', ‘기아차', ‘배달', ‘모빌리티', 'T맵', ‘인간', ‘가치', ‘호메로스', ‘라이프 스타일' 등이다. 이들의 비중을 볼 때, 과거에는 어떤 방향으로 나아갈지는 몰랐으나, 기술혁신으로 인한 기대감이 가득했던 과거 시기와는 달리, 이제는 상품으로써 굳어진 AI 스피커에 대해 주요 기능 및 역할이 요구되고 있음을 알 수 있다. 그리고 출현된 단어들이 형성하는 프레임은 엔터테인먼트, 자동차 등의 실생활에 밀접한 용어들로, 콘텐츠 소비와 주행 시 음성 보조 기능에 집중되고 있는 것으로 보인다. 이는 AI 스피커, 혹은 인공지능 기술혁신이 과거에는 상대적으로 공상이나 상상력을 자극하는 미래로 보였으나, 이제는 우리 사회의 일상생활과 문화에 밀접하게 자리하여 일상에서 인간에게 도움이 되는 핵심 신기술로 수용하게 되었음을 의미한다. 2014-2016년과는 달리 AI 스피커가 우리 실생활에 도움이 되는 존재로 자리매김하였다는 점에서 시기별 차이를 보인다.
5. 결론
본 연구는 AI 스피커 제품이 시장에 이용되고 그 발달 과정에 따른 뉴스 토픽이 기술적 발달 경로와 이와 관련한 뉴스 보도의 경향을 1) 제품의 토픽모델(topic model)과 2) 연도별 시기별 프레임(frme) 분석을 통하여 인공지능 발달 경향을 분석하였다. 두 영역 간 프레임의 특성을 통하여 인공지능 제품 관련 뉴스와 연도별 토픽을 살펴보면 초기에는 다양화된 형태로 나타남을 알 수 있었다. 이를 통해 초기 제품의 사회 구성적인 발달 경향이 두드러지게 나타남을 파악할 수 있었다. 더불어 3) 제품의 프레임은 기수별 상관성 특징이 2014-2016년에는 제품의 기술 중심 토픽으로 나타났다. 2017-2018년에는 AI 스피커의 사회문화적인 토픽 중심으로 보였으며, 2019년에는 AI 스피커 이용에 대한 프레임이 우세한 것으로 나타났다. 이를 통해 AI 스피커는 1기(2014-2016)에는 AI 기술 중심으로 발전하는 경향을 보였으며, 2기(2017년-2018)에는 AI 기술과 이용자의 상호작용으로 AI 스피커가 발달하는 경향을 보였다. 끝으로 3기(2019)에는 AI 기술보다는 이용자 중심의 AI 스피커로 발전되는 경향을 나타냈다. 따라서 AI 스피커 발달은 AI 기술과 시장 마케팅 간의 구성주의적인 상관관계가 중요한 역할을 하는 것으로 나타남을 확인하였다. 본 연구결과를 통해 AI 스피커의 제품별 그리고 시기별로 AI 스피커 관련 플랫폼별 전략을 다르게 나타남을 알 수 있었다. 이는 이후 AI 스피커 관련 특허와 기술 개발에도 상호 연관성을 가지고 나타난다고 예측할 수 있다.
부록
References
- NASS, Clifford, STEUER, Jonathan, TAUBER, Ellen R. "Computers are social actors", In: Proceedings of the SIGCHI conference on Human factors in computing systems, p. 72-78, 1994.
- REEVES, Byron. & NASS, Clifford Ivar. "The media equation: How people treat computers, television, and new media like real people and places", England: Cambridge university press, 1996.
- Sang Hee, Kweon. "Verification of Digital Media Development Model," Korean Journal of Communication & Information, Vol. 8, no. 2, pp.35-87, 2005.
- Sang-Hee, Kweon., Hyeon-Ju, Cha. "A Study on AI Evolution Trend based on Topic Frame Modeling," the Journal of the Korea Digital Content Association, Vol. 20, no. 7, pp.66-85, 2020.
- Kim, K., Kim, H. "Analysis of distinctive feature and security of AI personal assistant", Proceeding of the Institute of Electronics Engineers of Korea, pp.486-488, 2017.
- Condliffe, J. "In 2016, AI home assistants won our hearts", Online publish: MIT Technology Review, 2016.12.20.https://www.technologyreview.com/2016/12/20/155032/in-2016-ai-home-assistants-won-our-hearts/
- Werner, Goertz., Roberta, Cozza.. "Market Trends: VPA Speakers, Worldwide, 2017". Online publish:: Gartner Research, 2017.06.23.https://www.gartner.com/en/documents/3748617/market-trends-vpa-speakers-worldwide-2017
- Young-Ju, Han., Sang-Ho, Lee. "Factors Affecting the Intention of Continuous Use of AI Speakers: Focusing on Media Efficacy and Social Presence", Korean Management Consulting Review, Vol. 19, no. 3, pp.83-95, 2019.
- Heejun, Lee., Chang-Hoan, Cho., So-yoon Lee. "A Study on Consumers Perception of and Use Motivation of Artificial Intelligence(AI) Speaker", The Korea Contents Society, Vol. 19, no. 3, pp.138-154, 2019.
- Ju-Yeoun, Na., Young-Hwan, Pan., Jeong-Yun, Heo. "Classification of Customer Utility for Voice Interactive Function of AI Personal Assistant Services : Based on KANO Model", Design Convergence Study, Vol. 65, no. 16, pp.68-80, 2017.
- Gyu-Eun, Jo., Seung-In, Kim. "A study on User Experience of Artificial Intelligence speaker", Journal of the Korea Convergence Society, Vol. 9, no. 8, pp.127-133, 2018. https://doi.org/10.15207/JKCS.2018.9.8.127
- Nasmedia. "DIGITAL MEDIA & MARKETING TREND FORECASTING", pp.1-26, 2018.12.10. https://www.nasmedia.co.kr/정기보고서/2018년도-12월-2020-전망_digital-media-marketing-trend/
- Ji-seop, Lee., Soo-young, Kang., Seung-joo, Kim. "Study on the AI Speaker Security Evaluations and Countermeasure", Journal of the Korea Institute of Information Security & Cryptology, Vol. 28, no. 6, pp.1523-1537, 2018. https://doi.org/10.13089/JKIISC.2018.28.6.1523
- Gyu-Eun, Jo., Seung-In, Kim. "A study on User Experience of Artificial Intelligence speaker", Journal of the Korea Convergence Society, Vol. 9, no. 8, pp.127-133, 2018. https://doi.org/10.15207/JKCS.2018.9.8.127
- Mi-jung, Kwon., Jong-moo, Kim. "An Analysis of Users Attitudes and Satisfaction toward the Motivation of Artificial Intelligence Speaker -Based on the Theory of Diffusion of Innovations-", Society of communication Design, Vol. 65, pp.472-484, 2018.
- Heejun, Lee., Chang-Hoan, Cho., So-yoon Lee. "A Study on Consumers Perception of and Use Motivation of Artificial Intelligence(AI) Speaker", The Korea Contents Society, Vol. 19, no. 3, pp.138-154, 2019.
- Jin-Myung, Lee., Minji, Jung., Jurae, Lee. "Consumer Perception and Adoption Intention of Artificial Intelligent Speaker: Non-Users Perspective", Korean Society Of Consumer Studies, Vol. 30, no. 2, pp.193-213, 2019.
- Dong-Hee, Cho., Youn-Joon, Lee. "Factors that Affect User Satisfaction toward Continuous Usage of AI Speakers - Focusing on The Mediation Effect of Emotional Attachment -", Journal of Korea Design Forum, Vol. 24, no. 2, 2019.
- Wasserman, Stanley and Faust, Katherine. "Social network analysis: Methods and Application", NY: Cambridge University Press, 1994.
- Blei, D. M., Ng, A. Y., & Jordan, M. I. "Latent dirichlet allocation". Journal of machine Learning research, Vol. 3, No. Jan, pp.993-1022, 2003.
- Yong-Suk, Hwang., Joon-Oeung, Lee., Dong-Young, Son., Sang-Min, Kim., Kyung-Han, Yu., Se-Jung, Choi., Ik-Hyun, Kim., Dae-Won, Kim., Ryung-Ju., Pak., Yeoung-Min, Baek., Sang-Yuep, Lee., Yun-Taek, Sung. "Journalism Studies on Data Generation", Korea, Seoul: Communication Books, 2017.
- Mimno, D., & McCallum, A. "Topic models conditioned on arbitrary features with Dirichlet-multinomial regression", The 24th Conference on Uncertainty in Artificial Intelligence, pp.411-418, 2008.
- Ja-Hyun, Park., Min, Song. "A Study on the Research Trends in Library & Information Science in Korea using Topic Modeling", Journal of the Korean Society for Information Management, Vol. 20, no. 1, pp.7-32, 2013.
- Clauset, Aaron., E. J. Newman, Cristopher Moore. "Finding community structure in very large networks", Physical. Review. Vol. 70, no, 6. 2004.