어쩌다데싸

탐색 vs. 활용 (Exploration vs. Exploitation) 추천 시스템에서는 탐색과 활용에 대한 딜레마가 종종 발생합니다. '사용자가 이미 좋아하는 아이템을 계속 추천할 것인가, 아니면 아직 잘 모르지만 좋아할 수도 있는 새로운 아이템을 보여줄 것인가?'에 대한 고민이죠. 사용자가 이미 좋아하는 아이템을 계속 추천하면 당장의 성과(CTR, 전환율 등)는 잘 나오지만 장기적으로는 질려서 이탈할 가능성이 높습니다. 반대로 새로운 것을 추천했을 때 사용자의 취향에 부합하지 않았을 경우 주요 성과지표는 떨어질 가능성이 높아요. 이 둘 사이의 균형을 'Exploration–Exploitation Trade-off'라고 합니다.- 탐색(Exploration): 아직 충분히 검증되지 않은 아이템을 일부..

추천시스템은 보통 하나의 지표만으로 평가되지 않습니다. 광고 추천이든 아이템 추천이든 CTR(클릭률)이나 CVR(전환율)을 주요 지표로 사용하는 경우가 많습니다. 하지만 이 지표들에만 집중했을 때는 필연적으로 마주하게 되는 문제가 있어요.CTR과 CVR은 빠르게 관측할 수 있는 지표인 만큼, 추천시스템이 단기적인 성과에 집중하도록 만들기 쉽다는 점입니다. 추천시스템을 포함한 많은 제품 실험은 A/B 테스트를 통해 성과를 비교하는데, A/B 테스트는 보통 의사결정을 위해 제한된 기간 동안 진행됩니다. 특히 CTR이나 CVR처럼 빠르게 관측되는 지표는 1~2주 안에도 비교가 가능하지만, 리텐션이나 사용자 피로도처럼 장기적으로 나타나는 지표는 짧은 실험만으로 판단하기 어렵습니다.A/B 테스트는 두 가지 선택지..

최근 AI 업계에는 'Agent'라는 키워드가 빠질 수 없습니다. LLM의 등장으로 '사람같은 AI'가 시작된 것도 충격이었는데, 지금은 많은 회사들이 단순 LLM을 개발하는 것이 아니라 AI Agent를 만드는 것을 목표로 달리고 있습니다. 그렇다면 AI Agent는 정확히 무엇이며, 왜 이렇게 주목받는 걸까요? ChatGPT처럼 질문에 답하는 것과 무엇이 다른 걸까요?이 글에서는 AI Agent의 개념부터 작동 원리, 실제 개발 방법, 그리고 실무 도입 시 고려해야 할 사항까지 체계적으로 살펴보겠습니다. Agent란?사실 Agent는 최근에 생겨난 개념이 아닙니다. 로봇 공학에서부터 시작된 개념이에요. 전통적인 Agent의 정의를 보면, Agent는 환경(Environment)을 관찰(Sense)하..

행렬은 선형대수에서 단순히 숫자 배열 모음이 아니라 공간을 바꾸는 함수로 작용한다. 지난 글에서 행렬을 통해 연립방정식을 표현할 수 있다는 것을 살펴봤고, 역행렬과 행렬식을 통해 해가 유일한지 등을 구할 수 있었다. 행렬을 계산의 관점에서 살펴봤다면 이번 글에서는 '변환'의 관점에서 행렬을 다뤄보려고 한다. 선형 변환(Linear Transformation)0. 선형 변환은 왜 중요할까?AI에서 자주 사용하는 선형 회귀, PCA, 차원 축소, 임베딩, 신경망 등 대부분의 기술들은 행렬 연산을 기반으로 작동한다. 하지만 행렬을 단순히 계산을 위한 도구라고 이해하기보단 어떻게 동작하는지를 이해해야 모델에 대해 더 깊게 이해할 수 있다. 여기서 선형 변환이 중요한 이유는 행렬 연산을 '공간의 변화'로 해석할 ..

회고를 하는 마음벌써 2025년이 끝나간다. 한 해가 빠르다는 건 매 회고 때마다 말하는 것 같다.작년이 변화를 위해 몸을 한껏 움츠린 상태였다면, 올해는 하나씩 다리를 뻗었던 해였다. 유독 빠르게 지나갔던 해인 것 같지만, 그만큼 많은 것을 시도해보고 이뤄냈던 한 해였기에 기억에 많이 남을 해이다. 올해의 회고는 최대한 거품을 빼보고 솔직한 생각을 남겨보려 한다. 작년의 회고는 솔직히 누군가 내 글을 읽을 거란 생각에 다소 힘이 들어가있었다. 최근에 글도, 말도 힘을 줘서 해야 하는 일이 많았기에 회고만큼은 힘을 빼보자. 우선, 회고는 왜 하는 걸까? 회고, 돌아보고 생각하다. 한 해를 돌아보고 생각하면서 나는 무엇을 깨달아야 하는 걸까.그건 앞으로 잘 살기 위한 것일수도 있고, 과거를 정리해서 내 안..

데이터 사이언티스트는 왜 선형대수를 배워야 할까? 답은 간단하다. 모든 데이터와 알고리즘 작동 근간에는 선형대수가 있기 때문이다. 사실 근간을 몰라도 당장은 큰 문제가 없다. 하지만 결국 논문을 이해하고, 응용해서 사용하기 위해서는 선형대수를 알지 못하면 뭔가 겉핥기만 하는 느낌이 들게 된다. 선형대수는 항상 마음 속 숙제같은 존재였고, 공부해도 사실 밑빠진 독에 물붓기처럼 흩어져버린다. 그래도 3번 정도 반복해서 학습하니 조금씩 개념이 잡히기 시작했다. 기본적인 개념 설명을 자세하게 하기 보다는 처음 선형대수를 공부할 때 잘 이해가 되지 않았던 내용 중심으로 정리해보려 한다. 벡터와 행렬1. 기본 개념스칼라(Scalar): 하나의 값이나 크기만 가진 단일 숫자. (차원 없음)벡터(Vector): 순서가..

웹서비스를 운영하려면 어디서 실행할지 결정해야 합니다. GCP(Google Cloud Platform)에서는 Cloud Run을 이용해 손쉽게 컨테이너 기반 애플리케이션을 배포할 수 있습니다.이번 글에서는 로컬에서 작성한 Streamlit/Docker 애플리케이션을 Cloud Run에 올리는 과정을 단계별로 정리해보겠습니다.( 아래 코드는 Mac 을 기준으로 작성되었습니다. 윈도우는 코드 문법이 다를 수 있습니다!) 1. GCP CLI 설치하기macOSCloud Run을 쓰려면 먼저 Google Cloud SDK(gcloud CLI)를 설치해야 합니다.macOS 사용자는 Homebrew를 이용하면 간단하게 설치할 수 있습니다.# Homebrew 사용brew install --cask google-clo..

이 글은 최신 추천 시스템의 기술 트렌드부터, 실제 서비스에 도입할 때 반드시 고려해야 할 설계·운영 포인트까지 정리했습니다. 데이터, 모델, 아키텍처, 윤리를 아우르는 ‘시스템 전체’ 관점에서 접근하려는 실무자에게 실질적인 가이드를 제공합니다. 추천 시스템 접근 방식추천 시스템을 처음 시작하면 보통 위의 그림 속 내용들을 가장 먼저 떠올립니다. 콘텐츠 기반, 협업 필터링, 하이브리드 추천 모델로 대표되는 전통적인 추천 시스템 분류죠. 하지만 오늘날 추천 시스템은 이러한 알고리즘 분류만으로 설명하기 어렵습니다. 알고리즘에 집중하기 보다는 데이터 종류와 처리 방식, 실시간성, 대규모 분산 아키텍처, 윤리성, LLM·GNN·강화학습 등의 최신 기법이 함께 고려되는 '시스템 전체' 접근이 주류가 되었습니다..