AI 에이전트로 카카오톡 추천 지표 분석 자동화하기
X
#AI 에이전트#Hadoop
35005분
필터 1
‘로컬’ 슈퍼 앱에서 장기 유저 모델링은 어떻게 달라질까?
‘로컬’ 슈퍼 앱에서 장기 유저 모델링은 어떻게 달라질까?
당근의 지역 기반 추천 시스템에서 장기 유저 로그를 Transformer로 학습해 공통 임베딩을 만들었습니다. 이를 홈피드, 후보, 광고에 적용해 학습 신호와 온라인 지표를 함께 개선했습니다.
#ML#Transformer
62005분
비즈니스 문제를 AI 문제로 정렬하는 방법
비즈니스 문제를 AI 문제로 바꾸는 완화 접근과 명시적 가정의 중요성을 설명했습니다. 아자르 추천 시스템 사례로 장기 매출을 대화 시간 예측 문제로 단계적으로 정렬하는 과정을 소개했습니다.
#ML#최적화
93005분
연관 키워드 추천
연관 키워드 추천
검색 로그의 동시 출현 패턴을 활용해 연관 키워드 추천 시스템을 구축했습니다. Word2Vec 후보를 로그 기반 필터링으로 보정해 롱테일 키워드까지 살렸습니다.
#Word2Vec#검색
64005분
“함께 구매하면 좋은 상품” 추천 모델 고도화
“함께 구매하면 좋은 상품” 추천 모델 고도화
장바구니 맥락을 반영한 추천 모델로 Item2Vec의 한계를 개선했습니다. 오프라인 평가와 A/B 테스트에서 담기율, 다양성, 주문율이 함께 향상되었습니다.
#ML#추천 시스템
62005분
개인화 추천 시스템 1편 - 유저의 행동은 “언어”일까? : Collaborative Embedding 구축기 (feat. Knowledge Distillation)
상품 텍스트를 Semantic ID로 압축하고 유저 행동을 Transformer로 해석해 개인화 추천 모델을 구축했습니다. 지식 증류와 데이터 엔지니어링으로 정확도와 속도를 함께 개선하고 A/B 테스트 성과를 확인했습니다.
#추천 시스템#Transformer
95005분
Milvus: LINE VOOM의 실시간 추천 시스템을 위한 대규모 벡터 DB 구축기
Milvus를 도입해 LINE VOOM 추천 시스템을 실시간 구조로 전환한 과정을 다뤘습니다. 카오스 테스트와 성능 테스트로 안정성과 성능을 검증해 즉시성을 크게 높였습니다.
#Milvus#벡터 DB
119005분
홈피드: 네이버의 진입점에서 추천 피드를 외치다! 추천 피드 도입 고군분투기
홈피드: 네이버의 진입점에서 추천 피드를 외치다! 추천 피드 도입 고군분투기
네이버 홈피드의 개인화 추천 구조와 랭킹 고도화 과정을 소개했습니다.\nLLM, 리트리버, 랭커를 활용해 클릭과 만족도, 다양성을 함께 개선했습니다.
#LLM#추천 시스템
133005분
토스는 어떻게 광고를 보여줄까? 토스 애즈 ML 톺아보기
토스 광고 노출 과정과 추천 시스템의 전체 흐름을 ML 관점에서 정리했습니다. Targeting부터 Ranking까지 각 단계별 모델 활용 방식도 소개했습니다.
#ML#LLM
45005분
토스 쇼핑 추천 시스템: 수백만 사용자와 상품을 잇는 멀티 스테이지 접근법
토스 쇼핑이 수백만 사용자와 상품을 다루기 위해 멀티 스테이지 추천 시스템을 설계한 방식을 소개했습니다. Retrieval, Ranking, Re-ranking으로 개인화와 비즈니스 목표를 함께 맞췄습니다.
#ML#추천 시스템
93005분
실시간 반응형 추천 개발 일지 2부: 벡터 검색, 그리고 숨겨진 요구사항과 기술 도입 의사 결정을 다루는 방법
실시간 행동 이력과 위치 정보를 반영하는 추천 시스템의 요구사항을 기술 문제로 풀어냈습니다. 벡터 검색 도입 과정에서 pre filter와 ANN의 한계를 검토하고 후보군 실험을 진행했습니다.
#벡터 검색#추천 시스템
36005분
아자르에서는 어떤 추천 모델을 사용하고 있을까?
아자르는 1:1 비디오 채팅 매칭을 위해 CUPID 추천 모델을 설계하고 적용했습니다. 투 타워 구조와 세션 임베딩 분리로 레이턴시를 줄이고 추천 성능을 높였습니다.
#추천 시스템#two-tower architecture
23005분