신 문식

[실시간 추천 시스템 2.0]

• 개요: AI 기반 개인화 실시간 추천 시스템 클라우드로 전환 프로젝트 진행('24.1~11월)
• 배경/목표: 노후 서버 교체·용량 한계·A/B 테스트 부재 등 기존 환경의 제약 해소
• 주요 실행
  - 금융 규제에 부합하는 AWS 기반 하이브리드 아키텍처 구축
  - 채널별 특화 모델과 자동화된 온라인 A/B 테스트 파이프라인 도입
  - 자원 탄력 할당으로 비용 최적화
• 역할: PM – RFP 작성, 투자심의·예산 승인, 수행사 선정, 분석·설계· 개발·테스트·대고객 오픈·안정화까지 풀사이클 오너(6개 수행사·40여명의 프로젝트 멤버로 구성)
• 성과
  - 하이브리드 아키텍처 기반의 추천시스템으로 전환 완료
  - CTR +37%(전년 동월), 전 구간1,000 TPS 이상 처리
  - 9개월 무중단 운영·운영 공수 -30%, 운영비 -25%
  - AWS Summit Seoul 2025 사례 발표(나에게 맞춤 혜택을 큐레이션: 삼성카드의 AI 기반 실시간 추천 시스템 현대화 사례)
• 주요 인사이트
  - ‘모두 알겠지’라는 가정을 버리고 그레이존을 즉시 명문화 → 각기 다른 조직/수행사간 커뮤니케이션 효율 증대
  - 신뢰를 기반으로한 치열하지만 목적지향적 회의 문화 중요
  - 유능한 동료들과 함께할 때 발생하는 문제의 많은 부분은 리더가 간과한 지점에서 비롯된다는 사실 확인 → 정기적인 소프트토크 중요

[LINK 추천 시스템]

• 개요 : LINK 추천 알고리즘 업그레이드 지원
• 목표 : 정확도∙신규 캠페인 반응률 동시 개선
• 솔루션: LightGCN 기반 임베딩 모델 ('22) + 유사 캠페인 피드백으로 cold-start 보정 ('23)
• 성과: 전체 nDCG 27.8% 상승 / cold-start nDCG 18.9% 상승 → LINK 전 영역에 배포
• 인사이트 : 모델 성능만큼 노출 채널 담당부서와의 협업도 추천 성능 향상에 중요 요인, 단순 기법이라도 cold-start 완화에 효과적

[업종선호도 모델]

• 모델 개발: 마케팅 업종 선호도 모델 개발 (’23.02 – ’23.07)
• 목표: 회원별 업종 선호도를 예측해 캠페인 효율 증대
• 솔루션: 회원 특성·과거 캠페인별 반응 데이터를 ResNet + PU(positive-unlabeled) Learning으로 학습
• 성과: 재이용 유도 캠페인 혜택 취득률 +18 % /이탈 방어 캠페인 혜택 취득률 +8.2 %
• 인사이트: 클래스 불균형은 모델 성능 변화에 핵심 요인이 될 수 있음을 다시한번 확인 → 향후 class weight, over/under sampling, Focal loss, wce 등 다양한 불균형 방법론 적용 계기 마련

[AI 타겟팅 시스템]

• 개요: BLUE ML 시스템 개발∙운영('19~)
• 목표: 마케터가 손쉽게 ML 기반 타겟 세그먼트를 생성할 수 있도록 지원
• 솔루션: AutoML 기반으로 마케터가 입력한 데이터를 학습, Tree 계열 모델들을 기반으로 최적 타겟을 자동 산출하는 AI 타겟팅 시스템
• 성과:프리미엄카드 발급 캠페인-발급률 +27.4% / 무실적 Wake-up 마케팅-반응률 4배 개선/ 병원업종 캐시백-반응률 2배 , 인당 취급고 +8.78%
• 인사이트: ML 도입 시 성과 입증 전까지의 고객(사용하는 현업)을 설득 과정이 중요하며, 교육·UI 개선이 활용 확산의 주요 요소임을 확인

[실시간 추천 시스템 1.0]

• 개요: AI 기반 개인화 실시간 추천 시스템 개발 프로젝트 참여 (’19.1 ~ ’20.4)
• 목표: 실시간 데이터 기반으로 회원별 맞춤 혜택을 적시에 제시해 마케팅 만족도 향상
• 솔루션: 5,000+ 고객 특성 및 실시간 변수 처리 파이프라인 구축, ResNet으로 선호도 순위 산출 후 각 채널로 전송
• 역할 및 성과: 대규모 특성·반응 데이터 전처리 모듈 개발 → dask, parquet, multiprocessing 등으로 처리 속도 10배, 메모리 10배 절감
• 인사이트: 모델 정확도만큼 데이터 엔지니어링 역량이 AI 시스템 최적화의 주요 요소임