AI와 함께하는 패션 큐레이션 — 무신사 2.0 시나리오 기반 추천 시스템 개발
무신사 2.0에서 시나리오 기반 설명 가능한 추천 시스템을 구축한 사례를 소개했습니다. 장기·단기 행동을 함께 반영해 개인화와 다양성을 높이고, A/B 테스트와 모니터링으로 운영했습니다.
#추천#LLM
9600
국내 IT 기업 기술 블로그 최신 글
새로운 기술 블로그가 추가되었어요
필터 1
Tech Week 2024, 도쿄에 다녀왔습니다.
LY Corporation Tech Week 2024 도쿄 참가 후기를 공유했습니다. 글로벌 기술 교류, 발표, 부스 운영, 해커톤 현장을 통해 배운 점을 정리했습니다.
#ML#추천
2200
ksqlDB 실시간 Join으로 뉴스 추천 만들기
ksqlDB Join으로 뉴스탭 로그와 유저 클러스터 정보를 실시간 결합해 추천용 데이터를 만들었습니다. 외부 DB 조회를 줄이고 파티션과 조인 키를 맞춰 정확한 실시간 처리를 보장했습니다.
#ksqlDB#Kafka
3200
추천 시스템의 심장, Feature Store 이야기 (1)
추천 시스템 고도화를 위해 인하우스 Feature Store를 설계하고 구축한 과정을 소개했습니다. 실시간 수집, 동적 조회, 확장 가능한 저장 구조를 통해 추천 로직과 피처 관리를 분리했습니다.
#Feature Store#추천
7700
리디 추천 시스템, MLOps Platform에 올라탈 결심
리디는 추천 시스템을 SageMaker 기반 MLOps 플랫폼으로 재구성해 운영 복잡도를 줄였습니다. 모델 버전 관리, 롤백 자동화, 실시간 추론으로 더 동적인 추천 경험을 준비했습니다.
#MLOps#AWS SageMaker
3400
데이터로 풀어보는 마케팅 최적화
패션 커머스 플랫폼에서 CTS, 어트리뷰션 모델, 피처스토어를 활용한 마케팅 최적화 사례를 다뤘습니다. 퍼포먼스와 CRM 캠페인을 데이터로 개선한 흐름과 성과, 과제를 함께 정리했습니다.
#마케팅#데이터 분석
2900
속성을 활용한 추천 고도화 : Part 2. 무신사가 개인화 추천을 하는 방법
무신사는 패션 속성과 행동 시그널을 활용해 개인화 추천을 고도화했습니다. 스타일 세분화와 속성 조합으로 CTR과 클릭 수를 높이고 추천 다양성도 개선했습니다.
#추천#속성
6800
쿠팡 파트너스
개발자를 위한 서적을 확인해 보세요
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.
#개발서적#프로그래밍
AI P!ck, 내 취향에 맞춘 특별한 상품 셀렉션(Beta)
SSG의 개인화 추천 서비스 AI Pick 베타 개발 과정을 소개했습니다. 관련성·다양성·신기함을 기준으로 설계하고 내부 테스트와 지표 개선 결과를 공유했습니다.
#ML#추천
6300
속성을 활용한 추천 고도화 : Part 1. 무신사만의 패션 택소노미 구축기
무신사는 패션 상품 속성을 표준화하기 위해 택소노미를 설계하고 AI 기반 자동 추출 체계를 구축했습니다. 이를 통해 추천·검색에 활용 가능한 일관된 메타데이터를 확보했습니다.
#추천#검색
6200
실시간 반응형 추천 개발 일지 #1. 프로젝트 소개
배민 검색 홈 추천에 실시간 행동 이력을 반영하는 추천 시스템을 소개했습니다. 3개 컴포넌트로 구성해 CTR과 주문전환율을 높였습니다.
#추천#Kafka
4300
함께 구매하면 좋은 상품이에요! - 장바구니 추천 개발기 1부
장바구니 바텀시트에 맞는 보완재 추천 모델을 개발하고, NPMI 정제와 셔플링 후처리로 추천 품질을 개선했습니다. A/B 테스트에서 전환과 담은 상품 수, 금액이 유의미하게 상승해 실제 서비스에 적용했습니다.
#ML#BERT4Rec
5400
딥러닝 추천 모델에 인과추론 접목시켜 전환율 예측 성능을 향상시키자!
딥러닝 추천 모델에 인과추론 접목시켜 전환율 예측 성능을 향상시키자!
추천시스템에서 상관관계만 학습할 때 생기는 편향과 누락 문제를 인과추론 관점에서 설명했습니다. 전환율 예측에서는 MTL과 IPW, DR을 결합한 방법으로 성능을 높이는 흐름을 소개했습니다.
#ML#추천
1300
머신러닝으로 만드는 개인화 추천 시스템
머신러닝으로 만드는 개인화 추천 시스템
머신러닝으로 개인화 추천 시스템을 설계하는 기본 흐름을 설명했습니다. 실험 환경에서 학습하고 배포 환경에서 pCTR과 CPM으로 광고를 선택하는 구조를 정리했습니다.
#ML#추천
600
아자르에서 AI 기반 추천 모델의 타겟 지표를 설정하는 방법 (feat. 아하 모멘트)
아자르가 추천 모델의 목표를 리텐션으로 두고 아하 모멘트 기반으로 1차 지표를 찾는 과정을 소개했습니다. 세그먼트 분석과 A/B 테스트를 통해 신규·기존 사용자 모두에서 유효한 지표를 검증했습니다.
#추천#리텐션
4400