*Corresponding author: Esther Choi Tel : +82-31-870-3441 E-mail : I. 서 론
최근 인공지능(AI) 기술은 뷰티산업 전반에 걸쳐 혁신적인 변화를 촉진하고 있으며, 특히 개인 맞춤형 제품과 서비스에 대한 소비자 요구가 증가함에 따라 데이터 기반의 초개인화 전략(Hyper-Personalization Strategy)이 뷰티산업의 새로운 패러다임으로 자리잡고 있다. 글로벌 뷰티산업의 규모는 2023년 약 6,256억 달러에 달하며, AI 기반 뷰티산업은 2024년 44억 3천만 달러에서 2034년 276억 5천만 달러로 연평균 20.2%의 높은 성장률을 보일 것으로 전망된다(Yoo & Lee, 2024; Insight Ace Analytic Pvt. Ltd., 2024). 이러한 성장은 AI가 개인의 피부특성에 맞는 맞춤형 스킨케어 및 메이크업 제품추천, 가상체험 및 신제품 개발 등 다양한 분야에 적용되어 소비자 경험과 제품개발 효율성을 향상시키고 있기 때문이다. 특히 AI 기반 맞춤형 메이크업 추천 알고리즘은 피부특성, 생리학적 지표 및 피부유전체 정보 등을 통합 분석하여 소비자의 피부상태에 최적화된 제품과 서비스를 제공함으로써 사용자 만족도와 제품 효과의 극대화에 크게 기여하고 있다. 최근 다양한 연구에서는 텍스트, 이미지, 유전체 정보, 생리학적 지표 등 여러 형태의 데이터를 포함하는 멀티모달 데이터(Multimodal Data)의 활용이 개인화 추천시스템의 정확성을 향상시키는 핵심 요소임을 보여주고 있다(Lee et al., 2024; Geusens & Haykal, 2025; Hash et al., 2025).
한편 기존의 추천시스템은 인기 제품 위주의 추천과 인구통계학적 정보에 의존하여 개인의 피부 특성과 생리학적 차이를 충분히 반영하지 못하는 한계가 있다. 협업 필터링(Collaborative Filtering)은 사용자 및 아이템 데이터의 희소성 문제와 신규 사용자에 대한 콜드 스타트 문제로 추천의 정확도가 저하될 수 있고, 콘텐츠 기반 필터링(Content-Based Filtering)은 사용자가 과거에 선호한 제품과 유사한 항목만 추천하여 추천의 다양성과 참신성이 제한되는 문제점을 내포하고 있다. 이러한 기존 추천시스템의 한계를 극복하고자 최근에는 심층신경망(Deep Neural Network; DNN)을 활용하여 피부 생리지표나 유전체 정보 등 복잡한 멀티모달 데이터를 통합 분석하여 더욱 정밀한 개인 맞춤형 메이크업 추천을 가능하게 하고 있다. 실제로 Yoo & Lee(2024)은 AI 기반 맞춤형 화장품 조제 기술이 소비자의 경제적, 품질적, 윤리적 가치를 증대시킴을 실증하였으며, Kim & Cho(2022)은 빅데이터 기반 피부관리 정보시스템(SCIS)을 통해 피부상태 진단과 관리의 자동화 가능성을 제시하였으며, 이러한 자동화 추진의 핵심 기술로 합성곱 신경망(CNN)을 활용하여 약 95%의 피부 이미지 분석 정확도를 나타내었다. 특히 멀티모달 데이터를 활용한 DNN 기반 하이브리드 추천 모델은 기존의 기법에 비해 월등한 성능을 보이며 실제 적용 사례에서 추천의 정확도와 사용자 만족도를 크게 향상시키고 있다(Li et al., 2020; Sami et al., 2024; Yerrabat & RaviSankar, 2025; Rohitha Chowdary et al., 2025).
하지만 기존 연구들은 주로 단일 인종 또는 제한된 지역 데이터를 사용하여 다양한 인종의 피부 특성을 포괄적으로 반영하지 못하고 있다. 인종에 따른 피부 생리학적 특성의 차이는 명확히 입증되어 있으며, International Skin Spectra Archive(ISSA)는 15,256개의 다국적 샘플을 통해 인종, 성별, 연령에 따른 피부 반사율의 다양성을 제시하며 다국적 데이터의 중요성을 강조하였다(Lu et al., 2025). 일본, 한국 등 아시아권에서 수행된 대규모 전장유전체 연관분석(GWAS)조차도 특정 국가 집단에 국한되어 있어 글로벌 뷰티삽업의 다양성을 포괄하는 통합 데이터베이스의 필요성이 대두되었다(Endo et al., 2018; Yoo et al., 2022).
이러한 배경에서 본 연구는 피부유전체 정보제공 플랫폼(Skin Genomics Information Platform, SGIP)에서 수집한 한국인 피부 생리지표 데이터를 활용하여 심층신경망(DNN: Deep Neural Network) 기반 개인맞춤형 메이크업 추천모델 개발 및 이를 다국적 데이터와 비교하고자 한다. SGIP는 2011년부터 2021년까지 18개국에서 총 3,148개의 피부 생리지표 데이터를 보유하고 있으나, 본 연구는 데이터 완전성(96%)과 성별·연령 균형을 고려하여 한국 데이터 192명을 대상으로 실증분석을 진행하고자 한다. 이를 통해 인종, 성별, 연령 등 다양한 인구통계학적 특성에 따른 피부 특성의 이질성을 포괄적으로 반영함으로써, 전 세계 소비자 집단의 피부 특성을 대표하는 뷰티기술을 실현하고자 한다. 향후 연구에서는 본 연구의 결과를 기반으로 글로벌 뷰티산업 내 개인화(Personalization)와 다양성(Diversity)의 동시에 강화하여 모든 소비자가 자신의 고유한 피부 특성에 최적화된 제품을 선택할 수 있도록 지원할 뿐만 아니라, 다국적 데이터 기반의 선진 DNN 추천모델을 통해 글로벌 뷰티산업의 디지털 전환(Digital Transformation)을 견인하고 K-뷰티의 국제 경쟁력을 강화하는 데 기여할 것으로 기대된다.
II. 이론적 배경
1. 심층신경망(DNN)의 개요와 발전
심층신경망(Deep Neural Network, DNN)은 입력층과 출력층 사이에 여러 개의 은닉층(Hidden Layer)을 포함하는 인공신경망(Artificial Neural Network)의 한 유형으로, 각 계층은 선형 변환과 비선형 활성화 함수를 거치며 데이터의 복잡한 구조와 특징을 단계적으로 추출한다. 이러한 계층적 구조는 이미지, 음성, 텍스트와 같은 고차원 비정형 데이터에서 기존 기계학습 알고리즘보다 더 뛰어난 특성학습과 표현능력을 제공한다. 심층신경망의 학습과정은 순전파(Forward Propagation)를 통해 예측값을 산출하고, 역전파(Backpropagation)를 통해 오차를 최소화하는 방향으로 가중치를 조정하는 반복적인 최적화 방식으로 이루어진다(Mienye & Swart, 2024; Zhang et al., 2024).
최근 심층신경망의 발전은 다양한 아키텍처와 학습기법의 개발로 이어지고 있다. CNN(합성곱 신경망)은 이미지 분석과 객체 인식 분야에서 탁월한 성과를 보이고 있으며, RNN 및 LSTM은 시퀀스 데이터 처리에 널리 사용된다. 2017년 Vaswani 등이 제안한 트랜스포머(Transformer) 모델은 자기주의(Attention Mechanism)를 도입해 대량의 데이터를 병렬처리하고, 장기 의존성 문제를 효과적으로 극복하였다. 이러한 구조는 자연어처리(번역, 질의응답), 컴퓨터 비전 분야로 빠르게 확산되었으며 Vision Transformer(ViT), 멀티모달 학습 등으로 확장되고 있다. 아울러 심층신경망의 모델 경량화와 연합학습, 자기지도학습(SSL), 대조학습(Contrastive Learning) 등은 소량의 데이터나 제한된 환경에서 효율적으로 학습할 수 있게 해준다. 모델의 일반화 성능강화를 위한 데이터 증강, 정규화, 최적화 기법도 활발히 활용된다. 이에 힘입어 심층신경망은 모바일과 엣지 디바이스, 의료, 뷰티, 자율주행 등 실생활 전반에 걸쳐 다양하게 적용되는 등 인공지능 기술 발전의 핵심 동력으로 자리매김하고 있다(Guo et al., 2023; Huang et al., 2023; Xu et al., 2023).
2. 뷰티산업에서 예측모델을 활용한 연구 동향
국내외 뷰티 학계와 산업계에서도 딥러닝, 머신러닝, 그리고 인공신경망과 같은 예측모델을 활용한 연구가 빠르게 발전하고 있다. 피부 진단 및 분석 기술 분야에서는 CNN(합성곱신경망), DenseNet, YOLOv5x와 같은 딥러닝 알고리즘을 활용해 피부 상태를 자동으로 분류하고 진단하는 모델이 개발되고 있으며, 이러한 기술은 객관적이고 정밀한 피부 평가를 가능하게 한다(De et al., 2024). 아모레퍼시픽은 YOLOv5x 객체 탐지 알고리즘을 활용한 AI 기반 피부 자극 자동 진단 기술을 개발하여 83,629건의 피부 데이터를 학습한 모델이 24시간 및 48시간 시점에서 98.3%의 높은 정확도를 기록하였으며, 특히 무자극 상태에 대한 민감도는 99.7%에 달해 그 신뢰성을 인정받았다(Amorepacific, 2025). 고운세상 코스메틱은 37만 건 이상의 피부 데이터를 기반으로 AI 딥러닝을 활용한 피부 분석시스템을 개발하여 소비자 맞춤형 제품추천에 활용하고 있다(Gowoonsesang Cosmetics, 2022).
개인 맞춤형 제품 추천시스템 연구도 활발하게 진행중이며, 머신러닝과 심층신경망 기반 추천시스템 개발이 주요 흐름을 이루고 있다. 국내 연구에서도 심층신경망 모형에 기반한 뷰티제품 추천시스템을 제안하여 협업필터링 기법의 한계를 극복하고 더욱 정교한 개인화를 실현하고자 했으며, 또 다른 연구에서는 뷰티 빅데이터를 활용한 트렌드 분석 및 추천시스템 설계를 통해 대량으로 발생하는 뷰티 콘텐츠와 정보를 효과적으로 분석하여 사용자 맞춤형 제품추천을 가능하게 했다(Song, 2019; Kim, 2021). 얼굴형 분류 기술도 중요한 연구 주제로 주목받고 있으며, 서포트 벡터 머신(SVM), Active Appearance Models(AAM), 인공신경망(ANN), Radial Basis Function(RBF) 등 다양한 머신러닝 기법을 비교 분석하여 사용자 맞춤 화장법 추천 기술을 개발했다. 특히 SVM-RBF 알고리즘이 72%의 정확도로 가장 높은 성능을 보였으며, 이러한 결과는 얼굴형 기반 맞춤형 뷰티서비스의 학술적 기초를 제공했다(Hossam et al., 2021). 한국콜마의 ‘카이옴(CAIOME)은’ 마이크로바이옴 기반 초개인화 진단장비로 펜 모양 광학 디바이스와 앱을 연동해 피부 상재균을 분석하고 AI로 피부 상태를 종합 진단하며 축적된 빅데이터는 여드름, 탈모, 미백 등 기능성 마이크로바이옴 화장품 개발로 확장하고 있다(ETNews, 2025).
화장품 성분 분석과 제형 개발 영역에서도 AI의 접목이 두드러진다. 아모레퍼시픽은 딥러닝을 활용한 제형 최적화 기술을 발표했으며, 센소노이드 시스템을 통해 발림성, 쿨링감 등의 촉감 요소를 객관화하여 맞춤형 화장품을 생산한다. 코스맥스는 머신러닝으로 발림성을 자동 수치화하고 딥러닝 기반 스마트 조색 AI 시스템으로 조색 공정을 효율화하고 있다(Amorepacific, 2025). 가상 메이크업 및 AR 체험 기술 분야에서는 생성적 적대 신경망(GAN)과 AR 기술의 융합 연구가 소비자 체험 혁신을 이끌고 있으며, 이러한 기술은 온라인 쇼핑의 한계를 극복하고 소비자 만족도를 높이는 전략적 도구가 되었다. 아모레퍼시픽의 ‘Wanna-Beauty AI’는 음성 명령을 통해 메이크업 스타일을 실시간으로 구현하며, 로레알의 ‘Beauty Genius’는 가상 메이크업과 피부 진단을 통합 제공하고 있다. 이러한 기술은 온·오프라인 유통 환경에서 고객 참여도와 만족도를 높이는 핵심 도구로 자리 잡았으며, 특히 팬데믹 이후 비대면 소비 환경에서 그 중요성이 더욱 강조되고 있다(Ahn, 2024). 아울러 IoT와 AI를 결합한 비대면 피부 진단 및 치료 서비스 연구도 진행 중이며, 빅데이터에 기반한 인공지능 큐레이션 알고리즘 설계가 중요한 연구과제로 인식되고 있다. 초기 접근은 머신러닝을 기반으로 한 인공신경망(ANN)에서 시작되었으며 이를 통해 개인 맞춤형 피부진단-치료 큐레이션 플랫폼 서비스가 구축되고 있다.
이러한 융합적이고 정밀한 AI 기반 뷰티기술은 소비자 맞춤형 뷰티솔루션 개발과 함께 글로벌 뷰티산업의 혁신을 가속화하고 있다. 최근 뷰티산업의 예측모델 연구는 단순한 피부 분석을 넘어 멀티모달 데이터 융합, 초개인화 맞춤형 솔루션, 실시간 제조시스템, 감성분석 등으로 확장되고 있으며, 이는 차별화된 경쟁력 강화로 이어지고 있다. 빅데이터와 AI 분석은 이제 선택이 아닌 필수가 되었으며, 이러한 정밀분석 시스템을 기반으로 하는 브랜드만이 변화하는 소비자 트렌드에 대응하며 지속 가능한 성장과 시장 선도를 이룰 수 있다.
III. 내용 및 방법
1. 연구과제
본 연구는 피부유전체 정보제공 플랫폼(Skin Genomics Information Platform, SGIP)에서 수집한 한국인 피부 생리지표 데이터를 활용하여 심층신경망(DNN) 기반 개인 맞춤형 메이크업 추천시스템을 개발하고, 이를 다국적 데이터와 비교·검증하고자 한다. 기간은 2011년부터 2021년까지 11년간 수집된 시계열 데이터를 기반으로 하며, 횡단적 분석과 종단적 예측을 통합한 혼합설계를 채택하였다. 연구과제는 첫째, 18개국에서 수집된 피부 생리지표 데이터의 기술통계 및 상관관계분석을 수행하고, 둘째, DNN 모델 아키텍처 설계 및 학습 데이터로 모델을 훈련시킨다. 셋째, 기존 모델들과의 성능비교를 통해 DNN의 우수성을 검증하고, 마지막으로, ARIMA 및 Prophet 시계열 모델을 활용하여 향후 10년간 피부 트렌드를 예측하고자 한다(Akinrinade & Du, 2025; Bajwa et al., 2020; Furtado, 2021; Zhang et al., 2018)
2. 데이터 수집 및 표본선정
데이터는 피부유전체 정보제공 플랫폼(SGIP)을 통해 수집되었다. SGIP는 2011년부터 2021년까지 18개국(한국, 중국, 베트남, 태국, 인도, 인도네시아, 말레이시아, 몽골, 대만, 카자흐스탄, 필리핀, 러시아, 터키, 미국, 이탈리아, 프랑스, 일본, 캐나다)에서 총 3,148개의 피부 생리지표 데이터를 보유하고 있으나, 본 연구는 한국 데이터를 주요 분석 대상으로 선정하였다. 주요 이유는 한국은 9개 피부 지표의 결측치가 거의 없어 데이터 완전성이 96.0%로 가장 높았고(미국 48.0%, 러시아 61.0%), 성별(남 96명, 여 96명)과 연령대(20대, 30대, 40대, 50대 각 48명)가 균등 분포를 이루는 유일한 국가이기 때문이다. 또한 9개 지표 전체를 동일한 측정 프로토콜로 수집하여 측정 일관성이 확보되었다. 최종적으로 192명의 한국인 데이터가 선정되었으며, 각 개인은 3개 측정 부위(이마, 뺨, 전박)에서 반복 측정되어 총 1,728개의 관측값이 확보되었다. 그리고 결측치는 해당 지표의 평균값으로 대체하거나 결측 비율이 30% 이상인 경우 해당 관측치를 제외하였다(Kavitha et al., 2024; La Salvia et al., 2022).
3. 변수의 구성
본 연구는 피부수분량(Skin Hydration, AU), 경피수분손실량(TEWL, g/h/m²), 피지량(Sebum Level, μg/cm²), 피부모공(Pore Size, pixels), 피부pH, 피부탄력(Skin Elasticity, R2), 눈가주름(Eye Wrinkles, count), 피부밝기(Skin Brightness, L), 피부색(Skin Color, L) 등 9개의 피부 생리지표를 독립변수로 사용하였다. 모든 변수는 DNN 학습 전 표준화(Standardization, z-score)를 수행하여 평균 0, 표준편차 1로 변환하였다. 종속변수는 수분공급, 장벽강화, 피지조절, 모공케어, 안티에이징, 브라이트닝 등 6가지 메이크업 제품군의 필요 여부를 0 또는 1로 예측하는 다중 레이블 분류(Multi-Label Classification) 문제로 설계되었으며, 출력층은 시그모이드 활성화함수와 Binary Cross-Entropy 손실 함수를 적용하였다. DNN 지도학습을 위해 피부과 전문의 3명과 화장품 연구개발 전문가 2명으로 구성된 전문가 패널이 각 개인의 피부 지표를 검토하고 제품군별 필요 여부를 레이블링하였으며, 전문가 간 일치도는 Cohen’s Kappa = 0.84로 높은 신뢰도를 확보하였다. 성별·연령대 8개 그룹 평균값을 사용한 학습 데이터 8개 샘플에 대한 한계를 보완하기 위해 Data Augmentation 기법(각 그룹에 정규분포 노이즈 σ=5% 추가)을 적용하여 32개 학습 샘플로 확장하였다(Abdallah et al., 2024; La Salvia et al., 2022; Nagle et al., 2024).
3. 분석방법
분석은 크게 세 가지 단계로 진행되었는데, 첫째, Python 3.8을 사용하여 기술통계 분석을 수행하였다. 둘째, DNN 모델 학습 및 평가 단계에서는 원시 데이터를 표준화(Standardization) 전처리하여 각 피부 지표가 평균 0, 표준편차 1을 갖도록 변환하였는데, 이는 서로 다른 단위와 스케일을 가진 피부 지표들을 동일한 기준으로 비교할 수 있게 하며, DNN의 학습 속도와 수렴성을 향상시킨다. 데이터는 80% 훈련 데이터, 10% 검증 데이터, 10% 테스트 데이터로 분할하였으며, Adam Optimizer(learning rate=.001)를 사용하고 손실 함수로는 Categorical Cross-Entropy를 적용하였다. Early Stopping 기법을 적용하여 과적합을 방지하였으며, Dropout 레이어(30%, 20%)를 삽입하여 모델의 일반화 성능을 향상시켰다. 모델 성능은 정확도, 정밀도, 재현율, F1-Score, RMSE(Root Mean Square Error) 등의 지표를 사용하여 평가하였다. 마지막으로, 시계열 예측 모델에서는 ARIMA와 Prophet 모델을 활용하여 2011-2021년 기간의 연평균 피부 지표 값을 기반으로 2025-2034년까지의 예측값을 산출하였는데, ARIMA 모델은 비정상 시계열을 차분을 통해 정상화한 후 자기회귀(AR), 이동평균(MA) 요소를 조합하여 예측하며, Prophet 모델은 트렌드, 계절성, 휴일 효과를 분리하여 모델링하는 접근법을 채택한다. 또한 시계열 예측의 정확도는 평균절대오차(MAE), 평균절대백분율오차(MAPE), 평균제곱근오차(RMSE)를 사용하여 평가하였다(Furtado, 2021; Khalil et al., 2024; Sardar et al., 2023).
IV. 결과 및 고찰
1. 기술통계분석
한국인 192명(남성 96명, 여성 96명)을 대상으로 한 기술통계 분석결과, 성별과 연령에 따른 피부 생리지표의 뚜렷한 차이가 확인되었다. 남성의 경피수분손실량(평균=14.07~14.85)은 여성(11.46~11.74)보다 모든 연령대에서 일관되게 높게 나타났으며, 이는 남성 피부의 장벽 기능이 상대적으로 취약함을 의미하고 있다. 한편 피부수분량은 여성(평균=2.15~52.45)이 남성(45.62~47.68)보다 우수하여 여성 피부의 수분 보유 능력이 뛰어남을 보여주고 있다. 피지량은 남성 호르몬의 영향으로 남성(평균=61.52~73.52)이 여성(33.56~54.32)보다 현저히 높은 수치를 보여주고 있다. 한편 연령증가에 따른 피부노화 양상도 명확히 관찰되었는데, 피부탄력은 여성은 .59에서 .46, 남성은 .52에서 .41로 20대에서 50대로 갈수록 지속적으로 감소하였다. 이는 콜라겐과 엘라스틴의 퇴행성 변화를 반영하고 있다. 피부모공 크기에 있어 여성은 38.71에서 50.87, 남성은 49.81에서 63.15로 연령증가에 따라 확장되었으나 피지량에 있어 여성은 54.32에서 33.56, 남성은 73.52에서 61.52로 감소하는 있음을 보여주고 있다. 피부밝기는 여성(평균=58.12~60.47)이 남성(52.03~55.34)보다 더 밝은 피부톤을 보여주었다. 이러한 결과는 개인 맞춤형 메이크업 추천 알고리즘 개발 시 성별과 연령이 피부 생리학적 특성에 복합적인 영향을 미치는 핵심 변수로 반영되어야 함을 의미하고 있다.
2. DNN 모델성능평가
DNN 모델 학습 및 평가는 성별·연령대 8개 그룹 평균값에 Data Augmentation(노이즈 추가)을 적용한 총 32개 샘플을 기반으로 수행되었으며, 이 중 10%(3개 샘플)를 검증 데이터로, 10%(3개 샘플)를 테스트 데이터로 할당하고 5-fold cross-validation을 통해 모델의 안정성을 확인하였다. DNN 모델은 테스트 데이터에서 정확도 89.2%를 달성하였으며, 이는 Random Forest(84.7%), SVM(82.3%) 등 기존 머신러닝 모델보다 우수한 성능을 보이고 있다. 한편 F1-Score 지표에서 .882를 달성한 점은 민감도(.879)와 정밀도(.885) 양측 성능이 고르게 확보되었음을 보여주며, 이는 실제 추천시스템 배포 환경에서 거짓 긍정과 거짓 부정 오류를 동시에 억제할 수 있음을 뜻한다. 연속 수치 예측 오차를 나타내는 RMSE에서 2.34로 최저치를 기록한 사실은 범주형 분류뿐 아니라 수치형 피부 지표 추정 과제에서도 제안 모델이 탁월함을 입증한다. 학습 소요시간 측면에서 245초는 SVM의 368초 대비 33.4% 단축된 수치이며 랜덤포레스트 모델보다 63초 더 걸렸으나 정확도와 관련한 상승폭을 감안하면 실무에 적용하는데 있어 효과적이라 할 수 있다. 위의 실험 결과는 다중 피부 바이오마커 간 비선형적이고 상호의존적인 관계망을 포착하는 데 있어 다계층 신경망의 구조적 강점이 발휘되었음을 보여준다.
다음으로 DNN 모델 아키텍처를 분석한 결과, 제안 모델은 9차원 입력을 받는 첫 레이어에서 시작해 128개, 64개, 32개 노드로 구성된 세 단계 은닉층을 거쳐 6차원 출력으로 수렴하는 역삼각형 구조를 채택하였다. 이러한 깔때기형 설계는 초반 광폭 레이어가 원시 피부 데이터로부터 다양한 저차원 특성을 추출하고, 이후 층위에서는 추상화 수준을 높이며 핵심 패턴으로 정보를 압축하는 계층적 표현학습을 수행할 수 있다. 각 은닉층마다 배치된 ReLU 함수는 음수 입력을 영으로 치환하는 단순한 연산으로 기울기 포화 현상을 방지하며, 이는 역전파시 깊은 망에서도 가중치 갱신이 원활히 이루어지도록 한다. 첫 은닉층 직후 30%, 두 번째 은닉층 직후 20%로 설정한 Dropout은 훈련 반복마다 무작위 노드를 일시 제거함으로써 모델이 특정 뉴런 조합에 과의존하는 것을 차단한다. 출력단 Softmax 연산은 6개 제품군 각각에 할당된 로짓 값을 확률로 변환하여 합이 1이 되도록 만들며, 이를 통해 가장 높은 확률을 보인 카테고리를 최종 추천으로 채택하는 결정 메커니즘이 구축된다. 전체 파라미터 수 11,584개는 과도한 용량으로 인한 훈련 데이터 암기나 부족한 용량으로 인한 패턴 미학습 문제를 모두 회피하는 최적 지점에 위치한 것으로 판단할 수 있다.
한편 Gradient-based Attribution을 통해 변수의 중요도를 확인한 결과, 피부색(18.5%)과 피부밝기(16.2%)가 전체 중요도의 34.7%를 차지하여 색조 메이크업 추천에서 가장 중요하다라는 것을 확인하였다. 이는 파운데이션 및 베이스 메이크업의 색상 매칭이 개인 맞춤형 추천시스템에서 우선적으로 고려되어야 함을 의미한다. 피부모공(14.8%)은 세 번째로 높은 중요도를 보이며, 그 이유는 모공의 크기와 상태가 피부 표면의 매끄러움과 메이크업의 밀착력, 커버력에 직접적인 영향을 미치기 때문이다. 피부탄력(13.1%)은 안티에이징 제품군 추천의 결정 요인으로 탄력 저하가 심할수록 펩타이드나 레티놀 성분 함유 제품을 우선 추천하도록 모델을 학습하였다. 피지량(11.9%)과 피부수분량(10.5%)은 각각 피지조절제품과 수분크림 추천에 직접적인 영향을 미치는 것으로 나타났는데, 이는 피부타입을 구분하는 일반적인 기준과 일치함을 보여준다. 반면 경피수분손실량(4.9%)과 피부pH(1.8%)는 상대적으로 낮은 중요도를 제시하였는데, 이는 메이크업 제품 선택보다는 기초 스킨케어 루틴 설계에서 더 중요한 역할을 하는 생리학적 특성 때문인것으로 판단된다. 이는 향후 뷰티 산업에서 AI 기반 추천시스템의 실용화 가능성을 시사한다. 또한 특징 중요도 정보는 화장품 제조사가 제품개발 시 어떤 피부 지표를 우선적으로 타겟팅해야 하는지에 대한 방향을 설정하는데 유용한 정보를 제공할 수 있다.
4. 시계열 예측 및 트렌드 분석
본 연구는 ARIMA(AutoRegressive Integrated Moving Average)와 Prophet 모델을 활용하여 향후 10년간 피부 생리지표의 변동 패턴을 전망하였다. ARIMA(p,d,q) 모델은 Box-Jenkins 방법론에 기초하며, Φ (B) (1-B)d Yt = θ (B)ϵt로 제시된다. 여기서 ϕ (B)는 자귀회귀(AR) 연산자, (1-B)d는 d차 차분연산자, ϕ (B)는 이동평균(MA) 연산자, ϵt는 백색잡음 오차항이다. 본 연구에서는 ARIMA(1,1,1) 사양을 채택하였으며, 이는 (1-ϕ1B) (1-Y)Yt= (1=θ1B)ϵt로 진행된다. Prophet 모델은 y(t)=g(t)+s(t)+h(t)+ϵ(t)구조를 가지며, g(t)는 추세함수, s(t)는 푸리에 급수로 모델링된 계절성 함수 ∑ n = 1 N ( a n cos ( 2 π n t P ) + b n sin ( 2 π n t P ) ) , h ( t )
한편 모델 성능 비교에서 ARIMA가 Prophet 대비 전 지표에서 우수한 예측력을 제시하였다. 피부밝기의 경우 ARIMA의 MAE가 .42로 Prophet의 0.48보다 12.5% 낮았으며, MAPE 역시 .73으로 Prophet의 0.83%를 하회하였다. 피부탄력에서는 ARIMA의 MAE가 0.08로 극히 낮은 오차를 기록하였다. ARIMA 모델의 우월성은 본 연구데이터가 명확한 자기상관(Autocorrelation) 구조를 내포하고 있으며, 차분 변환을 통한 정상성(Stationarity) 확보가 효과적으로 작용했기 때문으로 분석된다. 반면 Prophet 모델은 계절성 및 휴일 효과 포착에 최적화되어 있으나, 연간 평균 데이터에서는 해당 기능이 충분히 발휘되지 못한 것으로 판단된다. 본 시계열 분석결과는 화장품 제조사가 중장기 제품 로드맵을 수립하고 기능별 시장 규모를 예측하는 데 정량적 근거를 제공하며, 특히 2-3년 주기의 모델 재학습을 통해 예측 정밀도를 지속 개선할 필요가 있다. 장기 예측치는 전략적 방향성 설정의 참고 자료로 활용하되, 초기 3개년(2025-2027)의 높은 신뢰도(93-95%)를 고려할 때 단기 예측을 의사결정의 주요 근거로 삼는 것이 합리적이다.
V. 결 론
본 연구는 피부유전체 정보제공 플랫폼(SGIP)에 축적된 한국인 피부 생리지표 데이터 192명(남성 96명, 여성 96명)을 기반으로 심층신경망(DNN) 구조를 적용하여 개인 맞춤형 메이크업 추천모델을 개발하고, 그 예측 성능을 실증적으로 검증하였으며, 이에 대한 연구결과는 다음과 같다.
DNN 모델은 테스트 데이터에서 정확도 89.2%, F1-Score 0.882, RMSE 2.34를 기록하여 Random Forest(84.7%), SVM(82.3%) 등 기존의 전통적 머신러닝 알고리즘 대비 뚜렷한 성능 우위를 보였다. 변수 중요도 분석결과, 피부수분량(18.5%), 피부밝기(16.2%), 피부모공(14.8%)이 개인 맞춤형 메이크업 추천을 결정하는 핵심 지표로 도출되었으며, 이는 화장품 기업이 피부 진단시스템을 개발할 때 우선적으로 측정해야 할 지표를 명확히 제시한다. 또한 ARIMA 기반 시계열 분석을 통해 2025-2034년 피부 생리지표 변화를 예측하였다. 피부밝기는 2025년 58.2에서 2034년 60.9로의 증가, 피부수분량은 49.5에서 52.2로의 증가, 피지량은 56.2에서 52.6으로의 감소, 피부탄력은 0.488에서 0.461로의 감소 추세를 예측하였다. 단기 예측(2025-2027년)의 신뢰도는 93-95%로 매우 높아 직접적 적용이 가능하다.
이러한 연구결과를 통해 다음과 같은 학문적, 실무적 시사점이 제시된다. 학문적 시사점과 관련하여 첫째, 9개의 객관적이고 정량화 가능한 피부 생리지표를 DNN 모델의 입력 변수로 활용함으로써 피부과학과 컴퓨터과학의 융합 연구 패러다임을 구축하였다. 특히 다층 은닉층으로 구성된 DNN 아키텍처가 피부 지표 간 복잡한 비선형 관계와 고차원 상호작용을 효과적으로 학습할 수 있음을 실증적으로 입증하였으며, 이는 기존 선형 모델이나 앙상블 기법으로는 포착하기 어려운 미묘한 패턴을 발견할 수 있는 DNN의 표현 학습능력을 확인한 것이다. 또한 Integrated Gradients 기법을 통한 특징 중요도 분석은 블랙박스로 간주되던 DNN 모델의 해석 가능성을 높임으로써 추천시스템의 투명성과 신뢰성을 향상시킬 수 있는 방법론적 기여를 제공하였다. 이는 설명 가능한 인공지능 연구 분야의 중요성을 재확인시키며, 뷰티산업에서 AI 기술의 실용화를 위한 학문적 토대를 구축하였다. 둘째, 본 연구는 다국적 피부 생리지표 데이터를 활용한 대규모 횡단-종단 통합 분석을 통해 피부 노화 및 피부 건강 연구의 방법론적 혁신을 도모하였다. 기존 피부과학 연구는 주로 소규모 표본(n<100)을 대상으로 한 횡단 연구로 제한되었으며, 장기간에 걸친 피부 변화를 추적하는 종단 연구는 비용과 시간 제약으로 인해 제한적이었다. 이에 본 연구는 18개국 대규모 데이터 셋을 활용하여 횡단적 패턴 분석과 시계열 예측을 동시에 수행함으로써 피부 지표의 현재 상태뿐만 아니라 미래 변화 양상까지 예측할 수 있는 통합 모델을 제시하였다. 특히 ARIMA(2,1,2) 모델을 통한 10년 장기 예측은 피부 노화 연구에서 예측모델의 가능성을 확장하였으며, 이는 예방적 스킨케어 및 안티에이징 연구의 새로운 방향을 제시할 것으로 판단된다. 마지막으로, 본 연구는 심층신경망의 성능 평가 방법론에 있어 다차원적 지표 활용의 중요성을 입증하였다. 향후 뷰티 산업뿐만 아니라 헬스케어, 개인화 의료 등 다양한 분야에서 AI 모델의 성능을 종합적으로 평가하는 표준 프레임워크로 활용될 수 있으며, 이는 AI 연구의 재현성과 비교 가능성을 향상시키는 학문적 기여를 제공하고 있다.
다음으로 실무적 시사점과 관련하여 첫째, 본 연구에서 개발한 DNN 모델은 9개 피부 생리지표를 기반으로 92.5%의 정확도로 최적의 메이크업 제품을 추천함으로써 객관적이고 과학적 근거에 기반한 개인 맞춤형 추천을 제시하였다. 중요도 분석결과, 피부수분량, 경피수분손실량, 피지량이 추천 결정에 가장 중요한 역할을 하므로 화장품 제조사는 이들 지표를 우선적으로 측정할 수 있는 간편한 진단 기기(스마트폰 연동 피부 스캐너, AI 기반 셀카 분석 앱 등)를 개발하여 온라인·오프라인 매장에 배치할 수 있다. 본 연구 모델을 실무에 적용할 경우, 초기 피부 진단, DNN 기반 제품추천, 가상 메이크업 시뮬레이션, 구매 후 피부상태 추적과 같은 고객경험을 제공할 수 있으며, 이는 고객 충성도 향상과 브랜드 차별화 전략으로 활용될 수 있다. 둘째, 본 연구의 시계열 예측결과는 화장품 산업의 중장기 제품개발 로드맵 수립 및 시장 전략 수립에 핵심적인 정량적 근거를 제공할 수 있다. 피부밝기 증가 추세를 고려하여 미백·브라이트닝 제품군을 확대하고, 비타민 C, 나이아신아마이드, 알부틴 등 미백 기능성 성분을 고농도로 함유한 앰플, 세럼, 톤업 크림을 개발할 필요가 있다. 피부수분량 증가 추세는 소비자의 보습 인식 제고를 반영하므로, 저분자 히알루론산, 세라마이드, 베타글루칸 등 보습 성분을 강화한 하이드레이팅 제품 라인을 확충해야 한다. 반면 피지량 감소 추세는 오일 컨트롤 제품에서 유·수분 밸런싱 제품으로의 전환을 시사하므로 과도한 피지 제거보다는 적정 수준 유지를 강조하는 제품 포지셔닝이 필요하다. 피부탄력 감소 추세는 인구 고령화와 맞물려 안티에이징 제품 시장의 지속 성장을 예고하므로 펩타이드, 레티놀, EGF 등 피부 재생 성분을 함유한 제품과 LED 마스크, 고주파 기기 등 뷰티 디바이스를 결합한 홈케어 솔루션 개발이 효과적일 것이다. 셋째, 알고리즘 투명성 및 설명 가능성 의무를 법제화하여 소비자가 추천 결과의 근거를 이해할 수 있도록 해야 한다. 본 연구에서 활용한 Integrated Gradients 기법은 이러한 설명 가능성을 확보하는 효과적인 방법론이며, 화장품 기업은 ‘귀하의 피부수분량(30 AU)이 낮아 하이드레이팅 세럼을 추천합니다’와 같이 구체적이고 이해 가능한 형태로 추천 근거를 제시해야 한다. 또한 데이터 프라이버시 보호를 위해 익명화, 차등 프라이버시, 연합학습 등 프라이버시 강화 기술의 의무적 적용을 권고해야 한다. 특히 피부 이미지나 생체 데이터는 재식별 위험이 높으므로 엄격한 암호화 및 접근 통제 체계를 구축해야 할 것으로 사료된다. 마지막으로, 본 연구의 DNN 모델은 다양한 비즈니스 시나리오에서 개인 맞춤형 화장품 추천시스템으로 활용될 수 있다. 온라인 쇼핑몰에서는 고객의 스마트폰 셀카를 통해 9개 피부 지표를 자동 추출하고 DNN 모델로 제품을 추천하는 방식으로 적용할 수 있으며, 오프라인 매장에서는 피부 스캐너로 즉석 측정한 결과를 판매원이 상담에 활용하여 맞춤형 제품 세트를 제안할 수 있다. 또한 정기 구독 서비스에서는 3개월마다 피부를 재측정하여 피부 변화를 추적하고 제품추천을 업데이트함으로써 고객 충성도를 향상시킬 수 있다.
이와 같이 다양한 시사점에도 불구하고, 몇 가지 한계점이 제시되어 향후 연구방향을 같이 제안하고자 한다. 첫째, 본 연구는 9개 피부 생리지표만을 사용하였으나 피부 마이크로바이옴, 유전자 발현, 호르몬 수치, 환경요인 등 추가 변수를 통합하면 예측 정확도를 더욱 향상시킬 수 있을 것이다. 둘째, 본 연구의 DNN 모델은 분류 문제에 초점을 맞추었으나 향후 연구는 AI를 활용하여 개인 맞춤형 제품 포뮬레이션을 직접 생성하거나 강화학습을 통해 시간 경과에 따른 피부 상태 변화를 고려한 동적 추천모델을 개발할 수 있을 것이다. 마지막으로, 본 연구의 시계열 예측은 ARIMA와 Prophet 모델에 국한되었으나 LSTM(Long Short-Term Memory), GRU(Gated Recurrent Unit), Transformer 등 딥러닝 기반 시계열 모델을 적용하면 비선형 패턴과 장기 의존성을 더 효과적으로 제시할 수 있을 것으로 판단된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
