시리즈 목차Part 1. 쇼핑에 영상을 더하다: GSSHOP 숏픽 추천 알고리즘 진화기Part 2. 쇼핑에 영상을 더하다: 영상을 '이해'하기 시작하다Part 3. 쇼핑에 영상을 더하다: 이해한 영상을 추천으로 연결하기 고객이 워킹화 숏폼을 클릭했을 때, 추천 시스템은 무엇을 기록했을까요?아마 이렇게 남겼을 겁니다. "운동화 선호". 맞는 말이긴 한데, 뭔가 많이 잘려나간 느낌이 듭니다. 고객이 실제로 반응한 건 운동화라는 카테고리가 아니라, 영상이 전달한 "편안하고 활동적인 일상"이라는 맥락이었을지도 모릅니다. 그 차이를 시스템이 읽지 못하면, 추천은 늘 비슷한 운동화만 반복하게 됩니다. Part 1에서는 숏픽 추천이 어떻게 진화해 왔는지, Part 2에서는 왜 영상을 중요한 신호로 봐야 하는지를 다..

시리즈 목차- Part 1. 쇼핑에 영상을 더하다: GSSHOP 숏픽 추천 알고리즘 진화기- Part 2. 쇼핑에 영상을 더하다: 영상을 '이해'하기 시작하다- Part 3. 쇼핑에 영상을 더하다: 이해한 영상을 추천으로 연결하기 지난 포스팅 (Part 1) 에서 저희는 MAB 기반의 숏픽 추천 시스템을 소개했습니다. 카테고리, 브랜드, 상품명 같은 정형 메타데이터를 feature로 삼아 고객 취향을 학습하는 방식이었습니다. 그 글의 마지막 '앞으로의 방향' 에서 이런 문장을 남겼습니다.숏픽 추천은 아직 갈길이 멉니다. 기술적으로도, 콘텐츠 전략 측면에서도 진화의 여지가 많습니다. 숏픽 추천의 Next는 영상 자체의 메타 정보를 활용한 콘텐츠 이해에 기반한 추천이라고 생각합니다.지금까지는 숏픽에 매핑..

AI로 리서치 프로세스를 재설계한 GS리테일의 AX 사례 안녕하세요 AX본부에서 UX/고객 리서치를 담당하는 배선미 매니저입니다 😊 오늘은 비개발자 리서처가 GEN AI를 활용해 ‘인터뷰 기반 정성 리서치’를 자동화한 과정을 소개해보려고 합니다.Intro: 쉽게 접근할 수 없었던 ‘리서치’, AI로 풀 수 있을까?저희 팀은 고객 경험을 분석하기 위해 다양한 리서치를 진행하는데요,그 중에서도 ‘인터뷰 기반 리서치’는 사실 많은 실무자들이 가장 부담을 느끼는 영역입니다.인터뷰 설계 → 일정 조율 → 진행 → 분석 → 보고서… 전부 다 챙기려면 정말 많은 시간과 전문성이 필요하죠. 그래서 “필요하긴 하지만 당장은 어렵다…” 하고 포기하는 경우를 많이 봐왔어요. 저 역시 리서처로서, 더 많은 실무자가 고객의 ..

안녕하세요, 최근 검색추천팀 플랫폼파트에서 새로 개발하여 우리동네GS 앱의 와인25플러스에서 출시한 서비스인 AI 와인 이미지 라벨 검색 기능에 대한 설명과 성능 개선 과정 내용을 공유드리고자 합니다.이에 앞서 와인25플러스 서비스와 AI 와인 라벨 이미지 검색 서비스가 만들어지게 된 배경을 소개하겠습니다.🍷 우리동네GS - 와인25플러스란?전국 곳곳에 분포한 GS25(편의점)와 GS더프레시(마트)에서는 1만여 종의 다양한 주류들을 취급하여 집근처 어디서나 쉽게 접할 수 있습니다. 오프라인 지점의 매출 유도와 온라인으로도 편한 서비스 제공을 위해, 우리동네GS(이하 우동지) 앱에서는 "와인25플러스"를 통해 와인, 양주, 수제맥주 등 다양한 주류를 언제 어디서나 GS25 및 GS더프레시에서 예약/픽업으..

고객의 쇼핑 여정에 있어 영상 콘텐츠는 점점 더 중요한 역할을 차지하고 있습니다.짧고 임팩트 있는 영상으로 상품 정보를 직관적으로 전달하는 방식은 단순한 콘텐츠 소비를 넘어 구매 행동으로 자연스럽게 연결될 수 있기 때문입니다.GSSHOP에서는 이러한 트렌드를 반영해 자사만의 숏폼 콘텐츠 브랜드인 숏픽을 운영하고 있습니다.숏픽은 상품의 핵심 포인트를 30초 내외로 간결하게 담아낸 영상 콘텐츠로,고객의 흥미를 끌어내고 구매 전환까지 유도하는 홈쇼핑 특화형 숏폼 콘텐츠입니다.하지만 '숏픽'을 고객에게 어떻게 보여주느냐, 다시 말해 어떤 콘텐츠를 어떤 순서로 노출할 것인가는 단순한 UX 문제를 넘어서는 복잡한 기술적 과제였습니다.이번 글에서는 GSSHOP 숏픽 추천 시스템이 어떻게 설계되었고, 어떤 고민을 거쳐..

안녕하세요. 검색추천팀에서 ML 엔지니어로 일하고 있는 해리입니다. 저는 추천엔지니어로 일한지 약 6개월 정도 되었고, 그 기간동안 실시간 추천을 어떻게 준비했는지 또 준비과정 중 어떤 이슈가 있었는지 공유드리고자 합니다. 기존의 추천 저희는 앞서 수년간 이른바 '배치성 추천'을 서비스 해왔습니다. 배치성 추천이라 함은, 고객마다 고객이 가진 고유의 PCID를 기반으로 미리 어떤 제품을 추천할지 Airflow batch job을 통해 RDB 테이블에 저장해둔 데이터를 조회한 결과를 추천하는 방식입니다. 한마디로, "이 고객은 이 상품을 좋아할거야" 라는 결과를 미리 DB에 저장해두면, 정적으로 그 정해진 결과를 추천 합니다. 이러한 추천의 경우 실시간 고객의 반응을 추천에 담기 어렵다는 단점이 있었습니다..

코로나19 이후 비대면 소비 문화가 우리 삶 속으로 깊게 자리매김하고 있는 요즘, 소비자들은 오늘도 온라인 공간에 상품평을 통해 상품에 대한 자신의 생각과 감정을 표현합니다. GS Retail에서는 감성분석을 중심으로 한 마케팅 분야의 연구도 활발하게 이루어지고 있는데, 이는 기업에서 소비자로 일방적으로 제공되던 One-way marketing 방식을 탈피해 잠재된 소비자 구매 동향을 파악하고 시장 트렌드를 캐치하는 데 활용할 수 있기 때문입니다. 기존 감성분석 분야에서 전통적으로 활용되던 확률적 방법론을 기반으로 한 사전 기반 모델의 핵심 아이디어는 '긍정적인 상품평 집합에서 자주 쓰인 단어는 긍정 범주에 속할 가능성이 높다.'라는 것입니다. 그러나 이 모델은 초기 모델 구축 시 사람의 노동력에 기대어..

최근 나온 Attention을 응용한 모델이나, ResNet, Yolo derivatives, VITON 등 다양한 vision 계열 SOTA, 그리고 GPT로 유명한 generative 모델 들은 이미 사람들이 하는 노동 집약적인 “단순 반복적인” 영역을 사람보다 훨씬 더 정확한 수준으로 해 낼 수 있습니다. 기업이 AI에 많은 투자를 하는 이유가, AI가 사람들이 하고 있는 많은 일을 “잘” 대체할 수 있기 때문일 것입니다. AI는 더 효과적인(?) 리소스로 더 정확한 결과를 지속 반복적으로 만들어 낼 수 있을 것입니다. 이러한 생산성 향상이 자명하기 때문에 앞으 로더 많은 투자가 일어날 것으로 기대합니다. “효과적인 (?) 리소스 : 여담이지만 알파고가 16만개의 기보를 몬테카를로 서치 + 강화학습..

안녕하세요. 데이터사이언스팀에서 데이터 분석 업무를 하고 있는 셀린이라고 합니다~ 플랫폼 간 상품 매칭 알고리즘을 개발하는 연구 목적의 프로젝트를 4개월 동안 진행하였습니다. 해당 게시글을 통해 배경, 목표, 진행 과정, 결과, 향후 계획 그리고 저의 소감에 대해 공유드리고자 합니다. 배경 이 알고리즘 개발하면 뭐가 좋은데? 무슨 의도로 해당 과제를 제안하게 되었는지? 상품 매칭 알고리즘은 다양한 판매 도메인에서 활용될 수 있습니다. (E-Commerce 등) 아래 배경을 이해하시는 것을 돕기 위해 예시는 홈쇼핑 상품으로 하였습니다. 1. '수작업'매칭의 '자동화'로 인한 업무 효율 증대를 기대 홈쇼핑 채널을 넘겨보시다가 '어? 이 상품이 여기서도 파네?!', '그때 이 상품 봤던 것 같은데 여긴 구성이..