넷플릭스 알고리즘이 못 맞추는 내 취향, NotebookLM으로 직접 만든다

알고리즘의 역설: 왜 넷플릭스는 내 진짜 취향을 모를까?

우리는 매일 넷플릭스나 유튜브의 추천 알고리즘 속에서 살아갑니다. 하지만 가끔 이런 의문이 들 때가 있습니다. '왜 나는 계속 비슷한 영화만 추천받는 걸까?' 기존의 대형 플랫폼 알고리즘은 사용자의 시청 기록이라는 '결과'에 집중합니다. 이는 이른바 '필터 버블(Filter Bubble)'을 형성하여, 우리가 이미 좋아했던 것의 변주곡만을 반복해서 보여주는 한계를 가집니다.

최근 구글의 혁신적인 AI 도구인 NotebookLM을 활용해, 기존의 알고리즘을 뛰어넘는 '초개인화된 영화 추천 시스템'을 직접 구축할 수 있는 방법이 주목받고 있습니다.

NotebookLM: 단순한 챗봇이 아닌, 나만의 지식 베이스

NotebookLM의 핵심은 단순한 생성형 AI가 아니라는 점에 있습니다. 이 도구의 진정한 가치는 '소스 기반 응답(Source-grounded response)'에 있습니다. 사용자가 직접 업로드한 영화 리뷰, 평점 데이터, 개인적인 감상 메모 등을 학습 데이터(Source)로 지정하면, AI는 오직 그 데이터 안에서만 논리적 근거를 찾아 답변합니다.

이는 AI가 엉뚱한 소리를 하는 '환각(Hallucination)' 현상을 획기적으로 줄이며, 내가 수집한 데이터에만 기반한 아주 정교한 답변을 가능하게 합니다.

나만의 추천 엔진 구축하기: 3단계 프로세스

방법은 놀라울 정도로 간단합니다.

1. 데이터 수집: 평소 신뢰하는 영화 리뷰 사이트, 혹은 본인이 메모해둔 영화 기록(Notion, Evernote 등)을 준비합니다.
2. 소스 업로드: 준비된 텍스트나 PDF 파일을 NotebookLM의 소스로 등록합니다.
3. 프롬프트 엔지니어링: "내가 좋아했던 영화 A와 유사한 분위기를 가진 영화를 추천해주고, 그 이유를 내가 업로드한 리뷰의 맥락에서 설명해줘"라고 요청합니다.

기존 알고리즘 vs NotebookLM 기반 추천

결과적으로 NotebookLM은 단순한 '장르 추천'을 넘어, '이 영화의 영상미가 좋았으니, 이 영화의 색채 대비도 좋아할 거야'와 같은 심층적인 맥락적 추천을 가능하게 합니다.

결론: AI 시대, 데이터의 주권은 나에게 있다

이제는 거대 기업이 제공하는 추천 리스트를 수동적으로 받아들이는 시대가 저물고 있습니다. 내가 직접 수집하고 가공한 데이터를 바탕으로, 나만의 지능형 에이전트를 만드는 시대가 열린 것입니다. NotebookLM을 활용한 이 실험은 AI가 어떻게 개인의 취향을 보조하고, 우리의 디지털 경험을 확장할 수 있는지 보여주는 완벽한 사례입니다.