AI
TASTE, 토스의 추천 파운데이션 플랫폼
두줄요약
TASTE는 공동학습으로 사용자 표현을 만들고, 예측 확률과 임베딩을 여러 추천·타기팅 모델에 제공합니다. 목적별 모델 분리와 TASTE Bench로 성능 및 전이 효과를 지속 검증했습니다.
문제 상황
- 서비스별 추천·타기팅 모델에서 공통 사용자 정보의 반복 가공·학습
- 대규모 서버 로그, 마이데이터, MMP 데이터의 상이한 수집 범위·동의 조건
- 개별 서비스 모델의 SLA와 모델 크기 제약으로 인한 정보 활용 한계
구조와 흐름
- 앱이벤트 공동학습용 DCN-V2 인코더, Causal Transformer 시퀀스 모듈, PLE 기반 과제별 예측 구조
- 앱이벤트와 소비의 서로 다른 특성·정답 시점에 맞춘 목적별 분리 모델 학습
- 행동별 예측 확률의 Auto Targeting 활용과 사용자 임베딩의 다운스트림 모델 피처 제공
- 서비스 과제를 재현한 TASTE Bench로 임베딩 후보의 전이 성능 사전 비교
성능/운영 포인트
- 학습 사용자·피처·모델 확장 후 공통 앱이벤트 Macro Recall@5k 상대 35.1% 개선
- 목적별 모델 분리 후 앱이벤트 성능 추가 개선 및 소비 예측 지표 개선
- TASTE 임베딩 추가 시 CRM·쇼핑·광고 모델의 AUROC 개선, 미니앱 추천 온라인 CTR 개선
- 공동 데이터 준비·학습·추론 통합과 Auto Targeting을 통한 캠페인 타기팅 부담 완화
트레이드오프
- 모든 행동을 단일 모델로 학습할 경우 소비 예측 개선과 앱이벤트 성능 저하의 상충
- 새 과제 헤드 공동학습 시 기존 과제 예측 변화와 재평가 부담
- 임베딩의 기존 피처 대체 효과는 아직 일관되지 않으며, 모델 갱신에 따른 벡터 분포 변화 대응 필요
