칼로스 게스트린은 수인성 전염병의 확산을 막고 싶어 했다. 또한 사람의 자세에 맞게 모양이 변하는 의자도 만들고 싶었다. 그의 욕심은 여기에서 그치지 않았다. 그는 인터넷 때문에 생긴 정보의 과부하 현상도 해결하고 싶었다.

물론 너무 큰 야망처럼 보일 수 있다. 하지만 게스트린은 단 하나의 알고리즘으로 그 모든 것을 해결할 수 있었다. 알고리즘이란 어떤 문제의 해결을 위해 컴퓨터가 수행하는 단계적 연산을 말한다.

4년 전 게스트린은 레드우드 숲 속에 작은 무선 센서를 부착하는 인텔의 프로젝트에 참여한 적이 있었다. 연구자들은 그 센서를 사용해 레드우드 숲의 국지적 기후에 대해 알려고 했다. 게스트린은 “연구자들에게 센서를 설치하는 위치를 어떻게 정하는지 물어보았다”면서 “그러자 그들은 단순히 감에 의존해 설치한다고 했다”고 말했다.

게스트린은 자기 같으면 더 좋은 위치에 센서를 설치할 수 있을 것이라고 생각한 끝에 가장 질이 우수한 데이터를 얻을 수 있는 센서의 부착 위치와 개수를 계산해 내기 시작했다.

그 결과 만들어진 알고리즘은 센서를 부착할 수 있는 모든 장소를 알아낸 다음 정보 수집에 대한 잠재력에 따라 순위를 매긴 후 가장 좋은 곳을 골라내는 것이었다. 이렇게 하면 그 다음에는 두 번째로 좋은 센서 부착 위치가 나올 것이고, 센서 부착 비용이 데이터의 효용을 초과할 때까지 알고리즘은 계속해서 계산을 하게 되는 것이다.

숲 속의 기온 데이터, 의자에 사람이 앉았을 때 의자에 가해지는 힘, 여러 블로그를 넘나드는 뉴스 등 게스트린의 모든 프로젝트는 네트워크 속을 흐르는 정보와 관련이 있다. 어떤 경우이건 알고리즘의 목표는 가능한 최소의 힘을 들여 최고의 데이터를 얻는 것이다.

“이 알고리즘의 장점은 아무리 뛰어난 천재라도 이것보다 더 좋은 것을 만들 수 없다는 것입니다.”

예를 들어 블로그도 어떤 정보를 감지하는 센서로 볼 수 있다. 게스트린의 알고리즘을 사용하면 유저들은 너무 많은 블로그를 볼 필요 없이 주요한 소식을 가장 신속하게 접할 수 있는 블로그가 어떤 것인지 알 수 있다. 숲에서 각 센서의 효율성을 평가해 순위를 매기는 것처럼 블로그에서 이 방법을 사용하면 4만5,000개의 블로그 중에서 가장 효율적인 100개의 블로그를 찾을 수 있다. 게스트린이 지난 2006년 이 프로그램의 운영을 시작했을 때는 인스터펀디트가 최우수 블로그로 선정됐다.

물론 센서의 위치를 정하는 알고리즘은 많이 있지만 게스트린의 알고리즘은 가장 신속하고 정확하다. 실제 이 알고리즘은 미국 환경보호청에서 후원한 시뮬레이션 기반 콘테스트에서 입상했다. 콘테스트의 주제는 대규모 수도관 네트워크 속에서 수질오염 감지 센서를 부착하기에 가장 좋은 위치를 찾는 것이었다.

게스트린의 알고리즘은 이론상으로 볼 때 완벽에 가깝다. 그는 “이 알고리즘의 장점은 아무리 뛰어난 천재라도 이것보다 더 좋은 것을 만들 수 없다는 것”이라고 말했다.