course thumbnail
  • 데이터사이언스
  • 초급, 중급

요기요 데이터 사이언티스트의 추천시스템: 트랜스포머 기반 Sequential 모델 구현

추천 시스템 구현만으로 끝이 아닌 우리 기업에 딱 맞는! 매출까지 책임지는! 추천 서비스로 업그레이드할 수 있는 데이터 사이언티스트로 성장하세요!

1기
강의 일정
23.06.29 ~ 23.08.03 (총 6회) 매주 목요일 19:30 ~ 22:30 (총 18시간)

유.일.무.이최신 트렌드를 모두 담은요기요 데이터 사이언티스트의 추천시스템!

트랜스포머 기반 Sequential 추천 시스템부터 Explainable, Controllable, 모델 경량화 기법까지!

강의소개

"복잡하고 무거운 모델만 보지 마세요.가볍지만 더욱 효과적인 추천 시스템을 구현하는 데이터 사이언티스트로 성장하세요! "

추천시스템 강의

01. 실무에 즉시 적용 가능한 추천 시스템 구현!

대부분의 추천 시스템 논문들은 모델의 복잡성과 크기를 증가시키는 데 초점을 두지만, 현업에서는 논문을 작성하는 연구자와는 다른 접근 방식이 필요합니다.본 강의에서는 현직 요기요 데이터 사이언티스트가 실무에서 직면한 문제를 어떻게 해결하는지에 대한 관점을 통해 우리 기업에 필요한 추천 시스템을 구현할 수 있습니다.

02. 국내외 IT 플랫폼의 추천 서비스 케이스 스터디!

여러 추천 시스템 모델의 장단점을 고려하여 각 비즈니스에 맞는 추천 서비스를 구현해야 하므로, 다양한 기업 사례를 통해 추천 서비스가 어떻게 진행되는지 학습하는 것이 매우 중요합니다.네이버 플레이스, 카카오 웹툰, 알리바바, 스포티파이 등 국내 및 해외 플랫폼 서비스와 최신 논문 학습을 통해 기존 모델을 응용할 수 있는 역량을 키워보세요!

03. 사용자의 신뢰도를 높이고 싶다면!

추천 서비스의 핵심은 추천이 왜 되었는지 설명할 수 있는 이유를 제시해야합니다. 추천 라벨링으로 사용자가 추천 결과에 가지는 의문을 제거하여 더욱 친근하게 다가감과 동시에 이탈률을 낮춰 사용자 만족도를 높이는 추천 시스템을 구현해보세요!

본 강의에서무엇을 얻어갈 수 있나요?

요기요 데이터 사이언티스트와 함께 최신 논문 학습부터 실무 기반 데이터로 추천 시스템 구현하기!

  • 딥러닝 기반 추천 시스템 마스터

    현업 레벨의 코드 구현 

    추천 시스템의 개념부터 논문 코드 학습, 실무에서 사용되는 유저 & 아이템 기반의 데이터 실습까지 추천 시스템의 알고리즘을 이해하여 각 기업의 추천 서비스를 살펴보기만 해도 어떤 모델을 활용했는지, 나만의 추천 시스템에는 어떻게 적용할 수 있는지에 대한 사고방식을 습득하실 수 있습니다.

    추천 시스템
  • 원하는 방식대로 추천 시스템 개선

    Controllable & Explainable 모델 

    추천 서비스의 핵심은 사용자가 추천 결과를 이해할 수 있도록 이유를 설명할 수 있어야 하며, 특정 상품의 마케팅 효과를 위해 기업 정책에 맞춰 조절 가능한 추천 서비스를 제공할 수 있어야합니다.두 가지 조건을 충족하는 Controllable와 Explainable 모델 학습을 통해 사용자와의 친밀도와 모델의 성능을 높이는 추천 시스템을 구현할 수 있습니다.

    추천 시스템
  • 매출에 기여하는 추천 시스템 구축 

    비즈니스 별 추천 서비스 원리 파악 

    추천 시스템은 기업의 매출 증대와 사용자 만족도 향상에 중요한 역할을 하는만큼, 모든 아이템을 단일한 추천 모델로 소개하는 것에는 한계가 있습니다.본 강의에서는 각 기업의 추천 서비스 분석을 통해 우리 기업의 특성을 파악하고, 그에 맞는 추천 시스템을 구축할 수 있는 능력을 키워 매출에 기여할 수 있습니다.

    추천 시스

우리 기업에 딱 맞는 추천 시스템으로사용자의 만족도와 매출까지 책임지는 데이터 사이언티스트로 성장하세요!

본 강의가 특별한 이유는무엇인가요?

1

유일한 트랜스포머 기반 Sequential 추천 시스템 강의

트랜스포머는 현재 가장 핫한 GPT와 BERT의 촉매 역할로 유명하지만, 추천 시스템에서도 Sequence 기반 모델의 핵심으로 사용되고 있습니다.가장 잘 알려진 BERT4Rec 모델과 이의 한계점을 극복한 DIF-SR 모델을 통해 사용자와 아이템간의 상호작용을 끌어올리는 추천시스템을 현업에 적용해보세요!

2

SCI급 논문 저자와 함께!

추천 시스템에 관한 지속적인 연구와한 회사에서도 다양한 추천 서비스를 진행하는만큼, 연구 트렌드를 따라가는 것은 필수입니다.우수한 학술적 성과만이 인정받는 SCI급 논문 저자의 추천 시스템 최신 기술과 현직자만이 들려줄 수 있는 이야기를 만나보세요!

3

비즈니스에 따른 접근 방식과응용 능력 

그저 고도화된 추천 시스템의 모델을 다루는 것만으로는 부족합니다.우리는 각 도메인에 적합한 추천시스템의 모델을 선택하고 이를 응용해나가는 시각을 갖춰야만 비즈니스에 기여하는 인재로 성장할 수 있기에, 주어진 문제에 효과적인 추천시스템을 적용할 수 있는 방법을 익히시기 바랍니다.

아래 고민, 한 번이라도 해보셨다면망설일 시간이 없습니다.

1

우리 기업에 적합한 추천 서비스를 도입하고 있는건지 의문이 든다면?

2

깃허브 혹은 라이브러리로 제공되는 모델을 활용할 줄은 알지만, 나의 비즈니스에 맞게 응용을 못하겠다면?

3

트렌디하고 고도화된 추천시스템 논문을 공부했지만, 실제 현업에서는 어떻게 활용하고 있는지 궁금하다면?

FAQ

강의에 대해궁금한 점이 있으신가요?

Q. 수강 시, 준비 사항은 어떤 것이 있을까요?

실습을 위해 개인 PC가 꼭 필요합니다.

Q. 어느 정도의 선수지식을 요구하나요?

기초 파이썬 지식이 필요합니다. 

수강 대상

이런 분들은 꼭 들으셔야 해요!

초기 추천 결과의 개선으로 기업 매출에 기여할 수 있는 추천 서비스 구현하고 싶은 분

기본적인 AI 모델을 구현해본 경험으로 추천 시스템을 커리어로 쌓고 싶은 주니어 데이터 사이언티스트

실무 데이터를 활용하여 사용자의 구매 전환율을 높일 수 있는 추천 서비스를 경험하고 싶은 분

강사소개

우리 강사님을 소개할게요!

추천시스템
조준형
이력사항
  • (현) 위대한 상상(요기요) 데이터 사이언티스트 
기타 이력
  • SCI급 해외논문 6편 (1저자 3편) / 국내 논문 1편 (1저자)
  • 인공지능 open api 공모전 심사위원, ETRI (2019)
  • KMAC 경영혁신 연구논문 및 사례연구 – 대상 (2017)

1. 간단하게 자기소개 부탁드립니다.

안녕하세요? 저는 현재 요기요에서 데이터 사이언티스트 직무로 추천시스템 서비스를 담당하고 있으며 사내 논문 스터디를 운영하고 있습니다.과거 대학원에서는 주로 정통 통계기반 모델 및 AI 모델 활용의 중점을 가진 연구를 했으며, SCI급 해외 저널에 6편에 논문을 게재하였으며 전문연구요원으로 연구소에서 특허 데이터 기반 AI 모델 (유망기술 예측, 융합기술 예측 및 기업 추천시스템 등)을 만들었습니다.

현재는 어떻게 하면 고객들의 성향에 맞는 레스토랑을 다양하게 추천할 수 있을지 고민하며 추천시스템을 개발하고 있습니다.또한 단순하게 모델만을 고도화 하는게 아니라, 동일하게 추천을 해주더라도 어떻게 하면 효과를 더 낼 수 있을지를 고민하고 있습니다.

제가 현업에서 추천시스템을 개발하면서 느끼는 어려운 점들과 이러한 문제점들을 현업에서는 어떻게 풀어가고 있는지 강의를 통해 공유하고자 합니다.

2. 강의에서는 주로 어떤 내용을 다룰 예정이시고, 어떤 형태로 진행되나요?

실제 IT 플랫폼 서비스 회사들에서 풀어가고자 하는 문제들과 어떻게 풀어가고 있는지에 대해 배울 수 있습니다.주어진 여러 문제상황에 맞는 다양한 추천시스템을 배울 뿐만 아니라, 대부분의 모델들은 실습이 함께 진행이 됩니다.

단순히 추천시스템 모델을 공부하고 실습하는 것이 아니라, 주어진 문제에 효과적인 추천시스템이 무엇인지 캐치할 수 있는 능력을 키울 수 있습니다. 실제로 현업에서는 복잡한 모델 혹은 최신의 모델을 사용하는 것에 초점이 있지 않습니다. 어떻게 하면 복잡하지 않은 모델로 문제를 효과적으로 풀 수 있을지를 고민합니다. 강의를 통해, 풀고자 하는 문제에 알맞는 모델을 찾고 풀어갈 수 있는 능력을 키울 수 있을 것이라고 생각됩니다.

3. 본 강의에서 배운 내용을 수강생 분들이 어떻게 활용할 수 있을까요?

본 강의를 통해, 추천서비스를 제공하고 있는 국내 및 해외 플랫폼 서비스 회사들이 겪고 있는 문제점들과 이를 해결하는 다양한 방법들을 배울 수 있습니다. 많은 실무자들의 경우, 프로젝트를 진행하는데 있어 리서치 기간을 가지고 있습니다.강의를 통해 다양한 문제를 미리 접하고 해결하는 방법을 파악했다면, 리서치 기간을 더 효율적으로 활용할 수 있고 더 나은 모델 및 추천서비스를 제공할 수 있을 것이라고 생각됩니다.

4. 다른 강의와 어떤 차별점이 있나요?

단순히 추천시스템에 대한 이론과 고도화된 모델들을 배우는 것에만 목적이 있지 않습니다.우리는 주어진 상황에 효과적인 추천시스템 모델이 무엇인지 생각할 수 있는 능력 및 주어진 문제를 스스로 풀어갈 수 있는 능력을 키우는데 목적이 있습니다.

AI 리서치가 메인 업무인 회사들을 제외하고는 복잡하고 무거운 모델을 만들어서 성능을 높이는데 목적이 있지 않습니다.성능은 조금 낮더라도 단순하고 가벼운 모델로 해결할 수 있다면, 이를 더 높이 평가합니다.본 강의를 통해, 현업에서 실제로 적용할 수 있는 추천서비스를 개발할 수 있을 것이라고 생각됩니다.

5. 마지막으로 수강생들에게 하고 싶으신 말이 있나요?

추천서비스의 경우, 현업에서 가장 많이 활용되고 있는 서비스입니다. 강의에서는 유저 & 아이템 데이터를 기반으로 실습을 진행하며, 해당 데이터가 가장 널리 활용되는 추천 서비스 데이터라고 생각하시면 됩니다.수강 후, 여러 회사들에서 제공하고 있는 추천 서비스를 보기만 해도 어떤 방식으로 추천이 되었을지도 추측해볼 수 있으며, 개선해야 할 사항도 생각할 수 있게 될 것이라고 생각됩니다.

커리큘럼 (6)

  • 1주차. 추천 시스템이란 무엇인가

    강의 목표

    • 추천 시스템이 무엇인지 기본 개념을 익히고 현업에서 다양하게 사용되고 있는 케이스를 알아보고, 현업에서 느끼고 있는 추천 시스템의 한계점을 살펴봅니다. 
      또한, 간단한 통계 기반의 추천 시스템 및 연관 규칙(Association Rule) 기반의 추천 시스템을 실습하게 됩니다.

    이론

    • 추천 시스템 기본 개념
    • 추천 시스템 비즈니스 활용 케이스 살펴보기
    • 현업에서 느끼는 추천 시스템의 한계점
    • 통계 기반 및 연관 규칙의 추천 시스템 알고리즘

    실습

    • 추천 시스템 실습 세팅(google colab 및 파이썬 패키지 설치)
    • Movielens 데이터 탐색
    • 간단한 통계 기반의 추천 시스템 및 연관 규칙(Association Rule) 기반의 추천 시스템 구현하기
  • 2주차. 추천시스템의 평가지표와 컨텐츠 기반 필터링 및 협업 필터링 모델

    강의 목표

    • 추천시스템은 일반적인 딥러닝 모델의 평가지표(MAE, MSE) 뿐만 아니라, 다른 평가지표들도 함께 고려하게 됩니다. 추천시스템에서 주로 사용되는 평가지표들을 익히고 컨텐츠기반 추천시스템이 무엇인지 배웁니다. 회사에서 새로운 서비스를 오픈하고 딥러닝 기반의 추천시스템을 도입하기 위해서는 많은 데이터가 쌓여야 합니다. 많은 데이터가 쌓이기 전, 간단하게 적용할 수 있는 추천시스템으로 TF-IDF를 활용한 컨텐츠기반 추천시스템 및 협업 필터링 모델을 사용할 수 있습니다. 

    이론

    • 추천 시스템 평가지표 알아보기
    • 컨텐츠기반 필터링 원리 파악하기
    • TF-IDF란?
    • 이웃기반 협업 필터링 원리 파악하기

    실습

    • TF-IDF 알고리즘을 활용한 추천시스템 구현하기
    • 여러 추천 시스템 평가지표를 활용한 TF-IDF 추천시스템 평가하기
    • User-Based & Item-Based 협업 필터링 구현하기
  • 3주차. 모델기반 협업 필터링과 딥러닝 추천 시스템

    강의 목표

    • 이전 강의에서 배운 모델들에 비해서 많은 데이터를 요구하지만, 더 높은 성능을 내기 위해서 딥러닝 모델들이 나오고 있습니다. 
      지난 회차에서 배운 협업필터링 모델에 이어서 모델기반 협업 필터링 모델을 학습한 후, 널리 사용되고 있는 딥러닝 추천시스템 모델들의 원리를 파악해보고 실습을 진행합니다. 또한, 각 모델들이 어떻게 발전되었고 차이가 무엇이지를 한번에 익힐 수 있습니다.

    이론

    • 모델 기반 협업 필터링 원리 파악하기
    • Neural Collaborative Filtering 모델 원리 파악하기
    • Factorization Machine 모델 원리 파악하기
    • Wide & Deep Learning for Recommender System 원리 파악하기
    • DeepFM 모델 원리 파악하기

    실습

    • Matrix Factorization을 활용한 모델기반 협업필터링 구현하기
    • Neural Collaborative Filtering 모델 구현하기
    • Factorization Machine 모델 구현하기
    • Wide & Deep Learning for Recommender System 구현하기 
    • DeepFM 모델 구현하기
  • 4주차. Transforemr 모델 및 Sequential 추천 시스템

    강의 목표

    • Transformer 모델의 경우, BERT 및 GPT-3과 같이 널리 사용되는 언어 모델의 핵심이라고 할 수 있습니다. 기존에는 자연어처리(NLP)를 위해 개발되었지만, 현재는 Sequential 추천시스템 구현에도 많이 활용되고 있습니다. 
      본 강의에서는 Transformer 모델이 무엇인지 알아보고 어떻게 추천시스템에 적용할 수 있는지 배웁니다. 또한, 가장 잘 알려진 Sequential 추천시스템인 SASRec 및 BERT4Rec을 배웁니다.

    이론

    • Transformer 모델의 원리
    • Sequential 추천 시스템의 발전과 원리
    • SASRec 모델과 BERT4Rec 모델 원리 파악하기(아이디어스 추천 시스템)

    실습

    • SASRec 모델 구현
    • BERT4Rec 모델 구현
  • 5주차. IT 플랫폼 회사의 추천 시스템 서비스(1)

    강의 목표

    • 국내외 주요 IT 플랫폼 회사들에서 어떤 추천시스템 서비스들을 제공하고 있는지 파악합니다. 
      이후, 몇가지 서비스들에 대해서 유사하게 적용을 해보고자 합니다. 실제로 현업에서는 주요 회사들 기술블로그에 작성된 추천서비스들을 살펴보며 벤치마킹해서 적용하기도 하고, 실제 서비스하고 있는 모델관련 논문을 찾아 적용해보기도 합니다.
      이번 강의에서는 앞의 강의에서 소개했던 BERT4Rec의 발전된 모델인 DIF-SR 및 BST 모델을 학습하고, 모델 경량화를 통해 Transformer 모델 학습속도를 높이는 방안을 배워봅니다.

    이론

    • 카카오뱅크의 추천시스템 활용방법
    • Alibaba 추천 서비스 원리 파악하기
    • 네이버 플레이스 추천 서비스 원리 파악하기(모델 경량화)

    실습

    • DIF-SR 모델과 BST 모델 구현하기(BERT4Rec + Side information)
    • Progressive Layer Dropping을 통한 Transformer 모델 경량화 적용하기
  • 6주차. IT 플랫폼 회사의 추천 시스템 서비스(2)

    기강의 목표

    • 이전 강의에 이어서 IT 플랫폼 회사들의 추천시스템 서비스들을 통해서 학습합니다. 
    • 이번 강의에서는 추천시스템 마지막 단계인 Re-ranking에 대해서 알아보고 비즈니스 정책에 맞춰 컨트롤이 가능한 추천시스템을 어떻게 구현하는지 배워봅니다. 
      마지막으로, 추천시스템 결과에 대한 이유를 설명할 수 있는 Post-Hoc 방식의 설명가능한 추천시스템을 구현해봅니다.

    이론

    • Re-ranking의 중요성 및 Controllable 모델이란?
    • Spotify 추천 서비스 원리 파악하기
    • Explainable 모델인란?
    • 카카오 웹툰 추천 서비스 원리 파악하기

    실습

    • Controllable 추천 시스템 구현하기
    • Post-Hoc 방식의 Explanation 모델 구현하기

커리어 성장으로 가는 길, 러닝스푼즈와 함께 하세요!

지금 보고 계시는 강의의 관련 태그로 다른 강의도 찾아보세요.

오프라인

요기요 데이터 사이언티스트의 추천시스템: 트랜스포머 기반 Sequential 모델 구현

매일 선착순 20명 한정! 할인가 확인하고 커리어 성장하세요!

강의찾기