지난 몇 주 동안 서로 얽힌 프로젝트 두 개에 매달렸습니다. 첫 번째는 2024년 Scientific Reports에 실린 Lee et al.의 논문 “Social signals predict contemporary art prices better than visual features, particularly in emerging markets"의 재현입니다. 생존 작가 590명의 경매 기록 34,200건으로 XGBoost 모델을 훈련하는 내용이죠. 두 번째는 Art Evaluator라는 Django + Expo 플랫폼인데, 작가·소장자·경매 기록을 잇는 지식 그래프가 핵심입니다. 한마디로, 저런 모델로 뭔가 쓸모 있는 일을 하려면 필요해지는 데이터 배관입니다.
두 프로젝트 모두 결국 같은 질문으로 돌아왔습니다. 미술품이 얼마에 팔릴지 정말 예측할 수 있는가? 답은 ‘할 수 있다’입니다. 다만 작품을 들여다봐서는 안 됩니다. 효과가 있는 특징은 거의 전부 사회적인 것이었습니다.
미술품 값 매기기가 어려운 이유#
코드를 짜기 전에 감정인과 경매소가 실제로 어떻게 가격을 매기는지 며칠 동안 읽었습니다. 고려하는 요소는 많고, 대부분 깔끔하게 정량화되지 않습니다. 프로비넌스, 즉 누가 소유해 왔고 어디에 전시됐고 어떤 카탈로그에 실렸는지. 귀속과 진위 문제도 큽니다. 작가 재단이 진품으로 확인한 작품은 그저 “~의 작품으로 전해지는” 작품보다 자릿수가 다르게 비쌉니다. 개인전, 비엔날레, 미술관 소장, 비평으로 쌓이는 작가의 명성. 여기에 보존 상태와 복원 이력, 작가 작품 세계 안에서의 희소성, 매체까지. 캔버스 유화는 종이 작업보다, 종이 작업은 판화보다 비싸게 팔리는 경향이 있습니다. MoMA나 Tate, 루브르가 소장하고 있다면 2차 시장이 신뢰하는 도장이 찍힌 셈이고요. 타이밍도 중요합니다. 5년 전 비교 사례는 이미 낡았습니다.
소더비 전문가들은 “감정적 가치” 이야기도 합니다. 컬렉터의 욕망, 호가 경쟁의 역학, 개인적인 울림 같은 것들이죠. 이런 요소는 합리적인 추정을 한참 넘겨 낙찰가를 밀어 올리기도 합니다. 직접 모델링할 수는 없지만, 경매소 추정가를 통해 간접적으로 그 윤곽을 잡을 수는 있습니다.
실무에서 지배적인 평가 방법은 비교 매매 분석입니다. 같은 작가의 비슷한 작품이 최근 경매에서 얼마에 팔렸는지 찾아서 차이를 보정하는 것이죠. XGBoost 모델이 하는 일도 본질적으로 같습니다. 다만 인간 감정인이 손으로 따라갈 수 있는 규모와 특징 수를 훨씬 넘어설 뿐입니다.
논문의 핵심 주장#
Lee et al.의 주장은 직관에 반합니다. 작품의 시각적 내용은 가격을 거의 설명하지 못한다는 것입니다. 시각적 특징만(색상, 구성, 엣지 밀도, ResNet18 임베딩) 쓴 모델은 R² 약 0.055. 평균값을 찍는 것보다 조금 나은 수준입니다.
반면 작가 수준의 “사회적” 특징만(경력 단계, 전시 이력, 과거 경매가, ArtFacts 순위) 쓴 모델은 R² ≈ 0.73에 도달합니다. 경매소의 사전 추정가를 특징으로 추가하면 0.92까지 올라가고요.
다시 말해 작품 자체는 거의 상관이 없습니다. 누가 만들었는지, 그리고 시장이 그 사람에 대해 이미 뭐라고 말해 왔는지가 중요합니다.
논문의 두 번째 주장은 이 격차가 신흥 시장에서 더 벌어진다는 것입니다. 여기서 신흥 시장이란 미국·영국·프랑스·독일이라는 기존 핵심 바깥의 모든 곳을 뜻합니다. 그런 시장에서는 사회적 신호가 더 크게 작동하고 전문가 추정가는 덜 정확해서, 알고리즘 예측이 가치를 더할 여지가 커집니다.
논문 재현하기#
받은 과제는 단순했습니다. 1인 개발 MVP로 논문을 재현할 것. 프로덕션 배포 없음, 실시간 데이터 파이프라인 없음. 충실한 재구현, 프로토타입 수준의 코드, 그리고 결과를 정리한 보고서입니다.
데이터#
논문은 정제된 CSV를 보충 자료로 제공합니다.
| 파일 | 행 수 | 내용 |
|---|---|---|
Df_mloutfull.csv | 86,221 | 500개 이상의 컬럼을 가진 원본 데이터셋 |
df_for_ml_improved_up_to_2012.csv | 34,200 | 메인 정제 데이터셋, 1996–2012 |
df_for_ml_improved_old_market.csv | 29,853 | 기존 시장만 |
df_for_ml_improved_new_market.csv | 4,346 | 신흥 시장만 |
transactions.csv | 114,283 | 이미지 링크가 포함된 원본 경매 기록 |
전체 약 5GB. RAM에 넉넉히 들어가고, 이 정도 데이터셋의 XGBoost 훈련은 노트북 CPU로 5분이 안 걸립니다. 핵심 모델에 GPU는 필요 없습니다. 이 규모의 표 형식 데이터에서 그래디언트 부스티드 트리는 사실상 공짜로 학습되죠. 최근 몇 년을 신경망 동네에서 보냈다면 잊기 쉬운 사실입니다.
특징#
모델은 38개의 특징을 세 범주로 나눠 씁니다.
작가에 대한 정보 (30개):
- 인구통계: 나이, 성별, 학력, 명문대 출신 여부 플래그.
- 경력: ArtFacts 순위, 개인전, 그룹전, 비엔날레 참가, 수상 이력.
- 소장: 개인 및 공공 컬렉션 수.
- 가격 이력: 작가의 최근 5회/10회 판매에서의 평균, 중간값, 최고가, 최저가.
- 면적 보정 가격 이력 (제곱인치당 가격).
- 지리: 작가의 활동·거주 지역, 국가 플래그로 인코딩.
- 매칭 플래그: 작품 장르가 작가의 평소 장르와 일치하는가? 판매 국가가 일치하는가?
시장에 대한 정보 (8개):
- 경매소 등급 (1–4).
- 해당 연도, 해당 국가/지역의 가격 수준 (최소, 평균, 중간값, 최대).
작품 자체에 대한 정보 (시각 외):
- 가로, 세로, 제곱인치 면적.
- 매체 분류 (회화, 판화, 사진, 조각, 기타).
이 목록에 빠진 것이 눈에 띄죠. 작품의 실제 시각적 내용에 관한 항목이 하나도 없습니다. 그건 별도의 어블레이션 실험으로만 등장합니다.
학습/테스트 분할#
랜덤이 아니라 시간 기반입니다. 2011년 5월 이전은 학습용(~80%, 약 27,360건), 이후는 테스트용(~20%, 약 6,840건)입니다. 랜덤으로 나누면 작가의 가격 이력 특징을 타고 미래 정보가 샙니다. 같은 작가의 기록을 학습과 테스트에 무작위로 흩어 놓으면, 테스트 행들은 롤링 윈도 특징을 통해 서로의 가격을 이미 “본” 상태가 되고, R²는 인위적으로 부풀려집니다.
한번 알고 나면 당연한데, 처음 만들 때는 놓치기 쉬운 종류의 문제입니다.
모델#
XGBoost 회귀로 log10(price_usd)를 예측합니다. 검증용 슬라이스를 떼어 놓고 max_depth와 learning_rate를 탐색합니다. 모델 변형은 두 가지입니다.
- 전문가 추정가 없이. 목표 R² ≈ 0.73.
- 전문가 추정가 포함. 목표 R² ≈ 0.92.
“추정가 포함” 버전은 경매소의 사전 추정가 하한과 상한을 추가 특징으로 씁니다. 사실 이 두 추정가만 단독으로 써도 R² ≈ 0.90이 나옵니다. 그 위에 사회적 특징을 얹으면 0.02가 더해지죠. 절대값으로는 작지만, 전문가가 이미 아는 것 너머에서 실제 예측 일을 하는 부분이 바로 여기입니다.
어디까지 맞추려 했나#
논문을 이기려던 게 아닙니다. 모든 조건에서 그들의 R² 값에서 ±0.03 이내에 들어가는 것이 목표였습니다. 헤드라인 수치(메타데이터만 ~0.73, 추정가 포함 ~0.92)는 재현성이 좋을 겁니다. XGBoost는 시드를 고정하면 결정론적이고 특징 정의도 명확하니까요. 어긋날 만한 곳은 두 군데로 봤습니다. PCA 차원이나 이미지 전처리의 작은 차이에 결과가 흔들리는 시각 특징 어블레이션, 그리고 4,346건밖에 없어 잡음 바닥이 높은 신흥 시장 분할입니다.
시각적 특징이 거의 안 통하는 이유#
저한테는 이게 제일 흥미로운 결과였습니다. 논문의 시각 파이프라인은 이미지 한 장에서 8,971개의 숫자를 뽑아냅니다.
- GIST 디스크립터 (960차원): 전반적인 공간 배치.
- 방향성 그래디언트 히스토그램(HOG) (2,915차원): 엣지 구조.
- 컬러 히스토그램 (4,096차원): 팔레트 분해.
- ResNet18 특징 (1,000차원): 사전 학습된 고수준 임베딩.
- 컬러풀니스 (1차원): 색의 선명도 스칼라.
- 복잡도 (1차원): 엣지 밀도 스칼라.
이걸 PCA로 압축해 XGBoost에 넣으면 R² ≈ 0.055가 나옵니다. 색상만으로 0.056, 엣지 구조는 0.029, 신경망 임베딩은 0.009로 사실상 0입니다.
깔끔한 설명은 이렇습니다. 경매가는 개별 작품이 아니라 작가 수준에서 정해진다. 같은 작가의 그림 두 점은 캔버스에 뭐가 그려져 있든 비슷한 값에 팔립니다. 값이 매겨지는 건 서명이니까요.
경매 카탈로그 해설을 읽어 본 적이 있다면 수긍이 갈 겁니다. 그 글들은 거의 모든 지면을 프로비넌스와 전시 이력, 비교 매매에 씁니다. 작품 자체에 대한 묘사는 거의 없습니다.
이 5%라는 숫자를 진지하게 받아들이면, 작품의 미적 내용은 시장 가치와 거의 분리되어 있다는 뜻이 됩니다. 시장이 보상하는 것이 무엇이든 그건 캔버스 위에 있지 않습니다. 픽셀 수준에서 미술을 이해하는 모델이, 작가 이력서만 아는 모델보다 가격 예측을 못하게 되는 것이죠.
Phase 3는 조건부였다#
논문의 이미지 링크 컬럼이 가리키는 URL은 2012년에 유효했던 것들이고, 2026년에는 대부분 죽어 있습니다. 제가 짠 계획은 8일 차에 이 리스크를 확인하도록 되어 있었습니다. URL 100개를 무작위로 뽑아 몇 개가 살아 있는지 본다. 절반 이상이 사라졌으면 시각 단계 전체를 건너뛰고 이유를 문서화한다.
어차피 시각적 특징이 설명하는 가격 분산은 5% 정도입니다. 그 정도 숫자를 확인하려고 링크 부패와 2주씩 싸우는 건 남는 장사가 아닙니다. 죽은 링크 조사 결과를 보고서에 정리하고 넘어가는 편이 낫죠.
기존 시장 vs 신흥 시장#
논문은 기존 시장(미국, 영국, 프랑스, 독일)과 신흥 시장(나머지 19개국)에 대해 별도의 모델을 학습합니다. 핵심 결과는 이렇습니다.
| 특징 세트 | 기존 시장 R² | 신흥 시장 R² |
|---|---|---|
| 시각만 | 0.053 | 0.056 |
| 메타데이터 (사회적 신호) | 0.667 | 0.750 |
| 메타데이터 + 추정가 | 0.916 | 0.859 |
눈에 띄는 점이 둘 있습니다. 첫째, 사회적 신호는 신흥 시장에서 오히려 더 잘 통합니다. 데이터가 풍부한 기존 시장 쪽이 사회 특징의 성능도 좋을 거라 짐작했는데, 정반대였습니다.
둘째, 신흥 시장에서는 전문가 추정가가 덜 정확합니다. 추정가를 넣었을 때의 0.916 대 0.859 격차가 그것입니다. 기존 시장에서 알고리즘 예측은 수십 년치 비교 매매 데이터를 등에 업은 소더비 전문가와 경쟁해야 합니다. 신흥 시장에서는 그 전문가의 데이터가 얇고, 알고리즘이 가치를 더할 공간이 넓어집니다.
이 모델로 사업을 한다면, 밥값을 하는 곳은 신흥 시장일 겁니다.
짚고 넘어갈 한계#
이건 논문 재현이지 프로덕션 시스템이 아닙니다. 실시간 데이터 파이프라인이 없어서 모델은 1996–2012 경매 데이터로 학습된 채 갱신되지 않습니다. 배포도 없습니다. 결과물은 노트북과 보고서이지 예측 API가 아니에요. 드리프트 감지도 없으니, 한번 학습된 모델은 시장이 언제 변했는지 알 길이 없습니다. 데이터셋은 동결되어 있어서 크립토 아트, NFT, 코로나 이후의 시장 변화는 학습 데이터에 아예 존재하지 않습니다. 케이옥션이나 서울옥션의 가격을 예측하고 싶다면 경매소별 특징과 어쩌면 한국 시장 전용 모델이 필요할 텐데, 거기까지 특화하지도 않았습니다.
모델은 과거의 패턴을 비추는 거울이기도 합니다. 현대 미술 시장이 2015년 무렵 구조적으로 바뀌었다면(아트 페어가 1차 시장의 주요 무대로 떠오르고 새로운 세대의 컬렉터가 진입했다는 주장이 있습니다), 1996–2012의 패턴은 일반화되지 않을 수 있습니다.
논문에서 플랫폼으로#
논문을 읽고 나니 두 번째 프로젝트를 보는 눈이 달라졌습니다. Art Evaluator는 원래 미술 전시 크라우드펀딩 마켓플레이스로 구상한 것이었습니다. 작가는 다가오는 전시 자금을 미리 확보하고, 투자자는 경매 시장이 허락하는 것보다 이른 시점에 신진 작가에 대한 노출을 얻는 구조죠.
제품의 표면은 일부러 단순하게 잡았습니다. 작가가 자금이 필요한 전시를 올립니다(장소, 일정, 출품 예정작). 투자자는 특정 전시를 단계별 금액($100, $500, $1k, $5k)으로 후원하고, 작품이 팔리면 상승분을 나눠 갖습니다. 작가-투자자 채팅의 대부분은 AI 에이전트가 맡아서, 양쪽 다 접속해 있지 않아도 대화가 굴러갑니다. 한국 갤러리가 14시간 시차를 두고 미국 컬렉터와 이야기할 때 특히 유용하죠.
자산은 작품이 아니라 작가라는 사실이 와닿고 나면, 데이터 모델도 거기에 맞춰 바뀌어야 합니다. 잡아야 하는 것은 각 작품을 누가 소유해 왔는지, 어디에 전시됐는지, 비교 작품들이 얼마에 팔렸는지, 그리고 같은 작가의 작품을 또 누가 갖고 있는지입니다. 소유의 사슬, 기관의 인정, 경매 비교 사례, 컬렉터 네트워크. 지식 그래프가 필요한 이유가 바로 이겁니다.
Django 백엔드(apps/artworks/models.py)는 네 가지 기본 타입을 모델링합니다.
Artist: 작품을 만드는 사람.AuctionRecord: 가격, 날짜, 경매소가 담긴 과거 판매 기록.OwnershipRecord: 누가 무엇을 언제부터 언제까지 소유했는지.ScrapeLog: 데이터 자체의 출처. 모든 기록이 어디서 왔는지 감사할 수 있도록.
모바일 앱(Expo + React Native + @shopify/react-native-skia)은 이 전부를 force-directed 그래프로 렌더링합니다. useGraphData가 Django의 /api/graph/ 엔드포인트를 호출하고, useForceLayout이 매 틱 JS에서 d3-force 시뮬레이션을 돌리고, GraphCanvas가 결과를 Skia로 그립니다. 시간 범위 슬라이더로 연도를 문지르면 네트워크가 자라나는 과정이 보입니다. 어떤 컬렉터가 언제 들어왔는지, 어떤 작가가 어느 미술관에 픽업됐는지, 2008년 침체기에 어떤 작품이 주인을 바꿨는지.
노드 타입마다 고유한 모양과 색을 줬습니다.
| 노드 타입 | 모양 | 색 |
|---|---|---|
| 작가 | 다이아몬드 | 빨강 |
| 작품 | 둥근 사각형 | 파랑 |
| 컬렉터 | 원 | 초록 |
| 딜러 | 원 | 주황 |
| 미술관 | 원 | 보라 |
| 유산 | 원 | 청록 |
| 경매소 | 육각형 | 회색 |
모양은 장식이 아닙니다. 노드 수백 개 규모로 줌아웃하면, 라벨이 렌더링되기를 기다리지 않아도 실루엣만으로 어떤 엔티티인지 알 수 있습니다. 원들에 둘러싸인 다이아몬드는 컬렉터 네트워크를 가진 작가. 여러 다이아몬드와 연결된 육각형은 작가를 여럿 다루는 경매소. 시장의 구조가 한눈에 읽힙니다.
두 번째 탭은 같은 데이터를 vis-timeline 축으로 보여줍니다. 소유 기간은 가로 막대, 판매는 점 이벤트. 같은 그래프를 다른 렌즈로 보는 셈이죠. 특정 시점의 네트워크 모양이 아니라 누가 무엇을 어떤 순서로 가졌는지 보고 싶을 때 유용합니다.
Art Evaluator 자체는 가격 예측 도구가 아닙니다. 그 밑에 까는 데이터 레이어입니다. 동결된 2012년 CSV 대신 살아 있는 최신 데이터를 Lee et al. 같은 모델에 공급하고 싶다면, 필요한 구조가 바로 이것입니다.
가치 평가를 게임으로#
아직 만들지 않았지만 제일 관심이 가는 부분은, 미술품 가치 평가를 게임으로 바꾸는 것입니다.
Lee et al. 논문은 경매소의 사전 추정가를 특징으로 써서 R²를 크게 끌어올립니다. 그 추정가가 값진 이유는, 수천 건의 비교 작품을 봐 왔고 결과에 책임을 지는 훈련된 전문가들의 종합된 판단이기 때문입니다. 하지만 경매소 전문가는 좁고 비싼 자원입니다. 전 세계에 몇백 명 수준이고, 특정 위탁 건에만 붙으며, 아직 아무도 위탁하지 않는 작가들의 롱테일에는 손이 닿지 않습니다.
제가 계속 되돌아오는 질문은 이겁니다. 훨씬 넓고 저렴한 판단의 풀에서 비슷한 신호를 합성해 낼 수는 없을까?
대략적인 설계는 이렇습니다.
- 사용자에게 작품을 보여준다. 이미지, 크기, 연도, 작가 이름, 짧은 이력.
- 경매에서 얼마에 팔릴지 묻는다.
- 가격 구간을 고르거나 낙찰가를 직접 찍게 한다.
- 답을 확정한 뒤 실제 판매가를 공개한다.
- 시간이 쌓이면 Brier 점수 방식의 정확도 등급을 매긴다.
- 리더보드, 일일 스트릭, 연속 적중 배지를 보여준다.
- 각 사용자의 향후 예측을 과거 정확도로 가중한다.
미술품 가격 예측 시장을 맞히기 게임의 형태로 만든 것입니다. 루프는 Geoguessr나 chess.com 퍼즐 레이팅과 같습니다. 반복할 수 있고, 점수가 매겨지고, 피드백을 딛고 실력을 쌓을 수 있죠. 잘 맞히는 사람은 리더보드를 올라가고, 그 사람의 향후 추측은 종합 신호에서 더 무겁게 반영됩니다.
진짜 쓸모는 모델 쪽에서 생깁니다. 가중 집계된 추측들이 사회적 신호와 나란히 XGBoost에 넣을 수 있는 특징이 됩니다. 군중의 정확도 가중 중간값이 낙찰가와 잘 상관한다면, 진짜 추정가가 없는 작품에 대해서도 합성 경매소 추정가에 가까운 것을 손에 쥐게 됩니다. Lee et al. 모델이 가장 도움을 필요로 하는 작가 롱테일의 빈틈이 정확히 거기입니다.
콜드 스타트 관점도 있습니다. 모델은 가격 이력이 풍부한 작가에게는 잘 통하고, 판매가 세 건뿐인 작가에게는 형편없습니다. 판매 세 건에 군중의 추측 천 개가 더해지면 최소한 다뤄 볼 재료는 되죠. 크라우드소싱 가치 평가는 기저 데이터가 커버하지 못하는 사례를 위한 학습 신호를 만들어 내는 방법입니다.
여기서 게임화가 중요한 건, 군중을 믿을 만하게 만드는 유일한 방법이 참여를 충분히 재미있게 만들어 자주 하게 하는 것이기 때문입니다. 단발성 설문으로는 한 번 클릭하고 지나간 사람들의 잡음 데이터만 얻습니다. 일일 스트릭에 리더보드, 보정 배지가 있으면 같은 사람이 1년에 걸쳐 공들여 고민한 예측 500개를 만들어 줍니다. 물량에 자기 선별(잘 맞히는 사람은 남고, 못 맞히는 사람은 지루해서 떠나는)이 겹쳐야 잡음이 아닌 신호가 나옵니다.
만들기 전에 풀어야 할 설계 문제도 몇 가지 있습니다. 사용자에게 무엇을 얼마나 보여줄 것인가. 이미지와 이력만인지, 맥락으로 비교 매매까지인지. 맥락이 많을수록 추측의 질은 올라가지만, 지나치면 사용자는 이미 보여준 것을 되뇌는 것에 불과해집니다. 가격 피드백의 굵기는 어떻게 할까요. 낙찰가 그대로, 범위, 아니면 ±20% 안에 들었는지 여부만? 너무 세밀하면 특정 숫자에 앵커링하는 버릇을 들이게 되고, 너무 뭉뚱그리면 보정이 안 됩니다. 리더보드 공략 문제도 있습니다. 플레이어는 아는 작가 쪽으로 몰릴 테고, Banksy 맞히기는 실력이라기보다 상식 퀴즈에 가깝죠. 아마 Duolingo의 레슨 선택 같은 강제 무작위 샘플링에, 작가 이름을 가린 “블라인드” 라운드용 별도 랭킹이 현실적인 답일 겁니다. 그리고 사후 확신 편향은 피할 수 없습니다. Basquiat이 1억 1천만 달러에 팔렸다는 걸 알아 버린 사용자는 모르던 상태로 돌아갈 수 없어요. 루프를 정직하게 유지하는 건 아직 아무도 못 본 작품의 공급인데, 그 공급은 주 단위로 유한합니다.
게임화라는 틀은 플랫폼의 두 반쪽을 묶어 주기도 합니다. 크라우드펀딩 쪽은 전시가 재무적으로 잘됐을 때 투자자에게 보상하고, 맞히기 게임 쪽은 돈을 낸 투자자든 아니든 가격을 잘 부르는 사람에게 보상합니다. 둘 다 같은 아이디어의 변주입니다. 군중의 집단적 판단을 거래 가능한 신호로 바꾸자는 것. 한쪽은 자본을 거래하고 다른 쪽은 주의를 거래합니다. 진짜 우위를 키운 플레이어는 검증 가능한 가격 예측 실적을 들고 언젠가 투자자 쪽으로 ‘졸업’할 수도 있겠죠. “괜찮은 갤러리스트를 안다"보다는 훨씬 나은 필터입니다.
얻어 간 것들#
사전 추정가는 대단히 훌륭합니다. 경매소는 불투명한 가격 책정으로 욕을 많이 먹지만, 그들의 추정가만으로 가격 분산의 90% 가까이가 잡힙니다. 전문가들이 뭘 하고 있는지는 몰라도, 잘하고 있는 건 분명합니다. 그런데 정작 작품 자체는 통계적으로 거의 의미가 없습니다. 미적인 이유로 미술을 아끼는 사람에게는 불편한 결론이죠. 시장은 당신이 보는 것에 값을 매기지 않습니다. 다른 사람들이 옆에 있는 작품에 이미 치른 값에 값을 매깁니다.
모델링 쪽에서는 두 가지 습관이 제값을 했습니다. 시간 기반 분할은 가격 모델을 평가하는 유일하게 정직한 방법이고, 랜덤 분할이 주는 건 실제 프로덕션에서 살아남지 못하는 보기 좋은 R²입니다. 그리고 그래디언트 부스티드 트리는 여기서 여전히 옳은 도구입니다. 논문에서 XGBoost는 모든 신경망 베이스라인을 이기고, 이 규모의 표 형식 데이터에 이만큼 공들인 특징 구조라면 트랜스포머에 손을 뻗을 이유가 없습니다.
사업적인 관찰도 두 가지. 흥미로운 기회는 신흥 시장에 있습니다. 전문가의 값 매기기가 가장 얇고, 알고리즘 예측이 메울 격차가 가장 큰 곳이니까요. 그리고 군중은 덜 쓰이고 있는 데이터 소스입니다. Lee et al. 모델의 최대 단일 특징은 경매소의 사전 추정가였습니다. 보정된 군중이 작가 롱테일에 대해 그에 준하는 신호를 만들어 낼 수 있다면, 그건 모델 입력으로서도, 그 자체 제품으로서도 진짜 기회입니다.
두 프로젝트는 계획했던 것 이상으로 서로를 보완하게 됐습니다. 논문 재현은 무엇이 가격을 예측하는지 가르쳐 줬고, 플랫폼 작업은 그 지식을 써먹으려면 어떤 데이터 구조가 필요한지 가르쳐 줬습니다. 게임화 아이디어가 둘을 잇습니다. 지식 그래프가 작품과 과거 판매를 공급하고, 맞히기 게임이 군중 기반 추정가 특징을 만들어 내고, 모델이 그 특징을 사회적 신호와 함께 소비해서, 그렇지 않았으면 보이지 않았을 작가들에 대한 예측을 내놓는 구조입니다.
어느 것도 완성되지 않았습니다. 논문 재현은 보고서가 딸린 동작하는 프로토타입이고, 플랫폼은 시드 데이터를 넣은 데모이고, 크라우드소싱 게임은 방금 읽으신 설계 메모로만 존재합니다. 그래도 관통하는 아이디어가 충분히 일관돼서, 가야 할 모양은 꽤 또렷해 보입니다. 작품이 아니라 작가에 값을 매길 것. 전문가에게만 기대지 말고 군중을 집계할 것. 가치 평가를 전문가가 위에서 내려 주는 것이 아니라 시장이 함께 만들어 내는 것으로 다룰 것.
시간만 나면, 다음에 만들 버전은 이겁니다.