일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
- 프로그래머스
- 나는 리뷰어다
- TEAM-EDA
- Python
- 추천시스템
- eda
- 튜토리얼
- MySQL
- hackerrank
- pytorch
- 큐
- Recsys-KR
- Object Detection
- 협업필터링
- 파이썬
- 스택
- Segmentation
- Semantic Segmentation
- DFS
- 3줄 논문
- TEAM EDA
- DilatedNet
- Image Segmentation
- 코딩테스트
- 알고리즘
- Machine Learning Advanced
- 한빛미디어
- 입문
- 엘리스
- 나는리뷰어다
- Today
- Total
목록TEAM EDA /UpstageAI (2022.01.01 ~ ) (3)
TEAM EDA
안녕하세요. 오랜만에 글로 찾아뵙게 되네요. 이번에 캐글 메달리스트가 알려주는 캐글 노하우라는 책을 출판하게 되었습니다. 총 8명의 저자가 각자의 파트를 맡아서 하나의 책으로 엮는 행태였는데 저는 IEEE-CIS Fraud Detection이라는 부분을 맡았습니다. 사실 작업은 3년전에 시작했지만, 이런저런 일들이 있으면서 올해 드디어 출판하게 되었네요. 몇몇 지인분들이 읽어주고 연락도 주셔서 기쁜 마음도 있지만 내가 쓴 글이 남들한테 어떻게 보이질 두려운 마음도 있는 것 같습니다. (확실한건 책은 다신 못쓸 것 같네요 ㅋㅋㅋ) 길고 긴 시간이었지만, 책 출판까지 도움주셨던 분들과 같이 작업하신 분들 너무 감사합니다. 그리고, 읽어주시는 분들께도 감사한 마음이며 이 책이 많은 도움이 되길 바랍니다.
이번 글에서는 추천 모델을 생성한 후에 적용하는 후처리에 대해서 알아보겠습니다. 요새 개인적으로 많이 고민하는 주제인데, 후처리는 추천 모델이 제공한 추천 결과를 보완하여 사용자에게 더욱 적합한 추천을 제공하는 과정입니다. 예를 들어, 사용자의 취향을 더욱 정확하게 반영하여 추천 나가는 상품의 순서를 섞거나 특정 상품을 구매하지 않은 이유를 분석하여, 추천 모델이 해당 상품을 추천하지 않도록 제외시킬 수 있습니다. 혹은, 문제가 될만한 상품들 (ex. 성인 상품)을 추천에서 제외해주기도 합니다. [일부 추천 상품 제외] 추천 상품을 제외하는 대표적인 필터링 기법 중에 하나는 이미 구매한 상품을 추천에서 제외하는 로직입니다. 모델의 추천결과를 보게 되면 실제 클릭하거나 구매, 좋아요를 누른 상품들이 대부..
지난 글에서 공유했던 것처럼 카이스트 대학원을 졸업하고 22년도 10월에 업스테이지 정규직에 합격했습니다. 업스테이지는 인공지능(AI)을 기반으로 하는 스타트업으로 OCR과 추천 AI Pack을 만들어서 기업에 제공하는 회사입니다. 최근에는 한화생명에 OCR Pack을 브랜디에 Recsys Pack을 제공한 기사가 나면서 기술력을 입증하기도 했습니다. 저는 업스테이지의 챌린지스팀에 AIRE (AI Research Engineer) 직군으로 합류를 하였는데, 챌린지스팀은 다양한 대회에 참가해 수상하여 기술력을 홍보하고 이때 대회에서 얻은 노하우들을 제품에 녹여내는 역할을 하는 팀입니다. 대표적으로는 RecSys 2022 챌린지나 캐글 AI 대회들에서 좋은 성과를 거두었고 최근에는 브랜디라는 쇼핑몰에 추천 ..