패스트캠퍼스 환급챌린지 34일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://abit.ly/lisbva

 

공부 시작

강의 종료

강의장

학습 인증샷

학습후기

 

ch02-04.새로운 모델이 나왔을 때 확인해야할 점

 

SOTA는 'State of the Art'의 약어로, 인공지능(AI) 및 기계 학습(ML) 분야에서 특정 작업에 대해 현재 사용 가능한 최고의 모델 또는 알고리즘을 의미한다

 

성능이 좋은 모델이라도 실무에서는 별 의미가 없을 때가 많다.

 

새로운 모델을 판단할 때 체크해야 할 것들

 

1. 학습 속도 및 추론 속도

정확도가 좋아도 학습에 며칠이 걸리고 서빙이 느리면 실무에서 사용할 수 없다.

 

2. 데이터 요구량

유저수와 로그데이터의 규모에 따라 적합한 모델이 따로 있다.

예를들어 딥러닝 기반의 모델들은 적은 데이터로는 적절한 성능을 뽑기 힘들다.

 

3. 특징 정보 사용 방식

side feature를 어떻게 사용하는지가 중요하다.

특정 다양한 피처를 사용하지 못 한다면 성능 개선은 거의 없다.

 

4. 구현 및 확장성

PyTorch/TensorFlow에서 쉽게 구현 가능한가?

모델을 여러 환경에서 재사용할 수 있는 구조인가?

 

특히 추론 속도가 느린 모델은 모바일에서 절대 쓸 수 없다.

---

ch02-05.실습 Two tower

 

Two-Tower 구조란?

유저 임베딩은 유저 ID 및 유저 피처로

아이템 임베딩은 아이템 ID 및 아이템 피처로
→ 두 타워가 독립적으로 임베딩을 만들고, dot product로 유사도 계산

 

 

아이템 벡터는 미리 계산해서 저장해두고

유저 벡터만 실시간으로 계산하면 되기 때문에

실시간 추천에서도 매우 빠르게 동작할 수 있다

 

---

모델 구조는 간단한데 성능이 좋다.

dot product만으로 적절한 추천이 가능하고 구조가 단순해 튜닝으로 성능을 더 올릴 가능성이 있다.

 

ANN과의 조합이 좋기 때문에 추론이 빠르고 실제 서비스에 적합하다.

 

 

모델의 정확도 보다는 내 서비스에 적합한 구조인지가 중요하다.

좋은 논문의 모델이더라도 실무에 적합하지 않을 수 있고

간단한 모델이어도 실시간으로 잘 작동하면 충분하다.