-
패스트캠퍼스 환급챌린지 37일차 미션 (3월 8일) : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기2024년 패스트 캠퍼스 챌린지 2024. 3. 8. 22:18
강의 내용 Review
📍배운내용📍
- 추천시스템 소개
- 추천시스템 구축전 알아야할 내용
👉강의내용👈
추천시스템 소개
- 추천 모델과 알고리즘을 실제 추천 시스템을 만들려면?
- 추천모델과 추천시스템은?
- 추천시스템 : 협업 필터링, 컨텐츠 필터링 등등
- 이웃기반 추천, 매트릭트 펙토라이제이션(레이턴트 벡터), 팩토라이제이션 머신, 딥러닝 모델(DeepFM)
- 추천 시스템에서 추천 알고리즘을 넘어서 알아야할 한계가 많음
- 추천 모델에서 사용할수있는 데이터가 태스크마다 달라서 알고리즘을 잘 선택해야함
- 실제 온라인상에서 바로 추론이 가능한 온라인 기반의 서비스 제공해야함
- 실제로 추천 시스템은 비지니스 도움이 되기 위해서 만들기 때문에, 비지니스를 고려한 메트릭을 설정해야함
- 다양한 상품과 아이템 추천을 위한 확장이 가능해야함
- 데이터를 잘 이해하고 직접 만드는 작업 필요
- 바로 답을 줄수있는 일정 레이턴시 안에 결과를 전달해야함
- 비지니스에 실제 도움이 되어야함
- 이커머스나 OTT서비스와 같은 도메인에서 실제 추천 시스템을 구현할수있나?
- 추천시스템용 프레임워크를 엔디비아에서 제공함
- 모델과 시스템의 실 세계에서의 격차가 너무 큼
- 추천 시스템은 다양한 추천 모델을 포함할수있음, 다양한 UX나 비지니스 서비스에서 제공될수 있음
- 앱의 순서가 있는(네비게이터, 배너 등) 에 모두 적용가능함
- 유저의 관심을 순서와 점수로 표현하는 것이 중요함
- 추천 모델을 고려해야 할대는 아이템 개수와, 데이터 종류, 업데이트 주기 등이 있음
추천시스템 구축 전 알아야 할 내용
- 최종목표: 비지니스 목표(Goal)를 돕는것, 추천을 돕는 것
- 추천 시스템은 오프라인의 한계를 넘어 많은 변수와 아이템이 있기 때문에 비지니스 흑자를 위해 중요함
- 비지니스 정보: 고객수, 상품수, 상품의 특징, 사용데이터, 비지니스 목표, 기존 추천 시스템
- 상품수가 중요한 이유는 아이템 수가 작으면 굳이 필요없음
- 데이터의 희소성 문제는 피드백 데이텉는 파레토 법칙인 20%의 소수가 80%를 차지 한다는 것, 하지만 온라인 서비스는 롱테일 법칙으로 소수의 아이템이 팔리는 부분을 가지고 비지니스 운영(비인기 아이템의 추천이 중요함)
- 추천 해야할 아이템이 커질수록 데이터의 희소성은 커지지만 더욱 개인화된 추천을 해야 롱테일을 달성가능
- 실제 시간은 요청이 올때마다 특정 시간안에 추천 정보를 보내야함
- 추천 상품의 특징: 아이템 최신성, 재구매 가능여부, 다중 모달리티
- 현재 사용할수있는 데이터, 즉 비지니스에서 접근 가능한 데이터를 사용해야함
- 비지니스적으로 제한사항과 법률과 관련된 문제가 있음
- Real Time으로 처리 할수있는 것이 중요함(스트리밍 파이프라인 필요, 카프카, 메세지 큐 등)
- 비지니스 목표의 측정은? 추천을 위한 비지니스 메트릭이 좋아졌다는 것을 절대적인 성능 향상으로 볼 순 없음
- 실제 테스팅을 통해 검증해봐야함
공부사진
37일차 후기
모델 뿐 아니라 서비스의 구조와 실제에 녹여내는 것이 중요함!
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
'2024년 패스트 캠퍼스 챌린지' 카테고리의 다른 글