AI 코디 추천 알고리즘 원리
AI 코디 추천 알고리즘 원리
"오늘 뭐 입지?"라는 질문에 답하기 위해, 웬더의 AI는 날씨 데이터를 분석하고, 사용자의 취향을 학습하고, 수많은 코디 조합을 검토합니다. 단순히 "기온이 낮으니 두꺼운 옷을 입으세요" 수준이 아니라, 체감온도·습도·미세먼지·자외선·개인 선호도까지 종합적으로 고려한 추천을 만들어냅니다. 이 과정이 어떻게 이루어지는지 알아보겠습니다.
추천의 시작: 날씨 데이터 분석
AI 코디 추천의 첫 단계는 날씨를 읽는 것입니다.
체감온도 → 옷의 두께 결정
가장 핵심적인 요소입니다. 체감온도에 따라 옷의 두께 레벨이 결정됩니다.
| 체감온도 | 레벨 | 추천 아이템 예시 |
|---------|------|-----------------|
| 28°C 이상 | 1 (매우 얇음) | 민소매, 반팔, 반바지 |
| 23~27°C | 2 (얇음) | 반팔, 얇은 셔츠 |
| 20~22°C | 3 (보통) | 긴팔, 얇은 니트 |
| 17~19°C | 4 (약간 두꺼움) | 니트, 가디건 |
| 12~16°C | 5 (두꺼움) | 자켓, 트렌치코트 |
| 9~11°C | 6 (겨울 대비) | 코트, 가죽자켓 |
| 5~8°C | 7 (겨울) | 패딩, 두꺼운 코트 |
| 4°C 이하 | 8 (한겨울) | 롱패딩, 무스탕 |
강수확률 → 방수 아이템 여부
비 올 확률에 따라 추가 아이템이 포함됩니다.
미세먼지 → 보호 아이템
자외선 → 차단 아이템
두 번째 단계: 개인화
같은 날씨라도 모든 사람에게 같은 옷을 추천하지는 않습니다.
스타일 선호도 반영
사용자가 설정한 선호 스타일에 맞는 아이템을 우선 추천합니다.
색상 선호도 반영
선호 색상대의 아이템을 우선 배치합니다. 무채색을 좋아하는 사람에게 비비드한 핑크를 추천하지는 않습니다.
기피 항목 제외
"절대 입지 않는" 아이템이나 색상은 추천에서 빠집니다.
추위·더위 민감도
같은 15도라도 추위를 잘 타는 사람에게는 니트+자켓을, 덜 타는 사람에게는 얇은 니트만 추천합니다.
세 번째 단계: 학습과 개선
피드백에서 배우기
추천에 대해 사용자가 '좋아요'를 누르면 해당 스타일의 가중치가 올라가고, '별로예요'를 누르면 줄어듭니다. 이 과정이 반복되면서 AI는 사용자의 실제 취향에 점점 가까워집니다.
OOTD 데이터 활용
사용자가 실제로 입은 옷(OOTD)을 업로드하면, AI는 추천과 실제 선택 사이의 차이를 분석합니다. 추천은 니트를 제안했는데 맨투맨을 입었다면, 그 패턴을 학습합니다.
커뮤니티 데이터
많은 사용자의 OOTD 데이터가 쌓이면, 특정 날씨 조건에서 가장 인기 있는 조합을 파악할 수 있습니다. 이건 새로운 사용자에게 추천을 제공할 때 특히 유용합니다.
추천의 다양성
매일 같은 옷만 추천하면 지루할 겁니다. 그래서 AI는 의도적으로 다양성을 유지합니다.
옵션 제공
같은 날씨에도 여러 스타일 옵션을 보여줍니다.
새로운 시도 제안
가끔 평소와 다른 스타일을 조심스럽게 제안합니다. 항상 무채색만 입는 사람에게 차분한 톤의 색상 아이템을 한 번 제안해보는 식입니다. 이런 '탐색 추천'은 코디의 폭을 넓히는 데 도움이 됩니다.
AI의 한계
솔직히 말해서, AI가 모든 상황을 완벽하게 파악하지는 못합니다.
AI가 잘하는 것: 날씨 데이터 분석, 패턴 학습, 대량의 조합 검토, 개인화 추천
AI가 모르는 것: 오늘 중요한 미팅이 있다든지, 기분이 울적해서 밝은 옷을 입고 싶다든지, 만나는 사람의 드레스 코드 같은 맥락은 AI가 알 수 없습니다.
그래서 AI 추천은 '출발점'으로 활용하는 게 좋습니다. 추천을 참고하되, 최종 결정은 그날의 상황과 기분에 맞게 본인이 내리면 됩니다.
마무리
AI 코디 추천은 "날씨 + 개인 취향 + 학습 데이터"가 결합해서 만들어집니다. 사용하면 할수록 정확해지는 구조이므로, 추천에 대한 피드백을 꾸준히 남기는 것이 핵심입니다. 처음에는 좀 어긋나는 추천이 나올 수도 있지만, 2~3주 정도 피드백을 쌓으면 눈에 띄게 정확해집니다. 매일 아침 웬더에서 코디 추천을 확인하고, 마음에 드는지 아닌지 한 번씩 평가해보세요.