추천 시스템 최신 뉴스와 핵심 해설

kakao tech2026. 8. 12.

카카오 광고 타게팅 모델 데이터 튜닝 사례: 인포메이션 밸류 피처 셀렉션으로 학습 시간 7배 단축한 방법

카카오 광고 추천팀이 전환 최적화 모델을 딥러닝으로 옮기며 겪은 데이터 병목과 해법을 정리했다. 인포메이션 밸류 기반 피처 셀렉션으로 학습 데이터를 10분의 1로 줄이고도 성능은 오히려 올린 과정과 수치를 짚는다.

AXRP2026. 8. 10.

머신러닝 연구자 조엘 레만은 AI가 '원하는 것'만 잘 주는 방향으로 최적화되면 이해와 관계가 밀려난다고 본다. 웰빙에서 출발한 긍정적 AI 비전과, 굿리즈 서평으로 인생을 바꾼 책을 찾으려 한 추천 실험의 난제를 정리했다.

TechWhistle2026. 8. 5.

키워드 검색은 '러닝화'를 찾을 때 '조깅 스니커즈'를 놓친다. 임베딩과 벡터 데이터베이스로 의미 기반 검색과 추천을 만드는 세 단계 구조를, 색인 시간과 질의 지연, 정확도 실측치와 함께 정리했다.

Joonseok Lee2026. 8. 4.

서울대 VIP 연구실이 생성 모델링 팀과 추천 시스템 팀에서 진행 중인 연구를 영상으로 공개했다. 플로우 매칭의 기하 구조부터 결정 구조 생성, 원스텝 디퓨전 추천까지 발표 13건의 문제의식을 정리한다.

The ML Tech Lead!2026. 8. 2.

비즈니스 요구에서 기술 요구를 끌어내는 머신러닝 시스템 설계 플레이북. 페이스북 친구 추천을 예로 세 층의 지표 문제와 후보 선별, 경량·중량 랭킹, 실시간과 배치 추론의 선택지를 단계별로 짚는다.

CodeAI2026. 7. 4.

인공 뉴런이 여러 입력 신호를 어떻게 합치는지부터, 사용자의 평점을 피드백 삼아 가중치를 조정하며 학습하는 과정을 영화 추천 시스템 예시로 쉽게 풀어내고, 입력·은닉·출력 레이어로 쌓인 신경망이 실제로 어디에 쓰이는지까지 정리했습니다.

IBM Technology2026. 7. 4.

IBM이 설명하는 지식 그래프의 기본 개념. 노드와 엣지로 개체 간 관계를 표현하는 원리부터, 여러 데이터 출처를 묶어 누락된 사실을 추론하는 방법, 검색·추천·보험 등 실제 활용 사례까지 쉽게 정리한다.

AWS Events2026. 6. 30.

전통적 RAG로는 풀기 어려운 복잡한 자연어 검색을, 질의 이해·검색 최적화·반복 생성을 갖춘 에이전트형 RAG가 어떻게 해결하는지 AWS re:Invent 2025 발표로 정리했다.

Oracle2026. 6. 28.

벡터 데이터베이스는 표와 키워드 대신 객체의 특징을 임베딩으로 바꿔 검색한다. 작동 원리와 추천·생성형 AI에서의 쓰임을 쉽게 정리했다.

Art of the Problem2026. 6. 21.

2006년 넷플릭스 상금 문제에서 출발해 추천 시스템이 사용자 취향을 예측하는 수학을 정리했다. 콘텐츠 필터링과 협업 필터링, 행렬 분해와 잠재 특징의 차이를 쉽게 설명한다.

CGP Grey2026. 6. 20.

CGP Grey가 추천·사기탐지·가격책정에 쓰이는 알고리즘 봇이 사람이 규칙을 짜는 대신 시험과 선별의 반복으로 "길러지는" 과정을 설명한다. 왜 만든 사람조차 작동 방식을 모르는지 짚는다.