데이터사이언스팀이 예측모델을 개발하고 운영하는 방법을 소개합니다.
송훈화 컬리 · 컬리 기술 블로그
AI 핵심 요약
컬리 데이터사이언스팀은 물류 수요예측과 개인화 추천·랭킹 모델을 개발하고, Feature Store·MLflow·Airflow 등을 활용해 현업에서 안정적으로 운영하는 업무를 소개합니다. 수요예측에는 다양한 피처를 활용하는 LGBM·Random Forest 같은 회귀 모델을 주로 쓰지만, 데이터 품질과 비즈니스 변화에 대응하는 배포 후 관리가 모델 개발만큼 중요하다고 설명합니다. 특히 예측 시점에 이용할 수 없는 실제값이 피처에 섞이지 않도록 lag 피처와 학습·테스트 구간을 설계해 데이터 누수를 방지해야 합니다. 모델 정확도만 좇기보다 현업의 의사결정 맥락과 사후 대응을 고려하고, 문제 정의와 기대치 합의부터 프로젝트를 관리하는 것이 핵심이라는 경험을 공유합니다.
- 예측 시점에 실제로 확보할 수 있는 데이터만 피처로 사용하도록 학습·검증 구간을 설계해야 합니다.
- 모델 성능 지표는 천재지변이나 시스템 장애 같은 맥락을 고려해 해석하고, 현업의 활용 목적에 맞춰야 합니다.
- 배포 후에는 데이터 이상, 비즈니스 변화, 서빙 문제를 지속적으로 점검하고 필요하면 룰 기반 대안을 마련합니다.
- 요청자와 결과물의 형태와 기대 효과를 미리 합의하고, WBS와 중간 공유로 프로젝트를 관리합니다.
소개
데이터사이언스팀에 대한 소개와 예측모델을 개발하고 운영하는 방법을 소개합니다.
비슷한 학습 자료
컨퍼런스 우아콘 2023
[WOOWACON2023 세션 다시보기] 👉 세션 설명 수많은 우여곡절 끝에 완성된 머신러닝 모델! 우리 서비스에서 “어떻게” “잘” 제공할 수 있을까? 여러 추천/ML 모델을 실제 대고객 서비스화하면서 얻은 경험과 사례들을 바탕으로 서빙 시나리오별 장단점, “더 잘 서빙하기 위해” 유의해야할 요소들, 이것들을 고려한 시스템 설계에 대해 짚어봅니다.ㅤ ㅤ 👉 발표자 소개 추천시스템 정현 아동가족학과 출신 개발자. 오디오 엔지니어 경력을 시작으로, 임베디드, 데이터에 이르기까지 다양한 개발 영역을 접해왔습니다. 2016년부터 머신러닝을 검색, 추천 등지에서 대규모 트래픽 서비스, 플랫폼화하는 일을 본격적으로 해오고 있습니다. 대규모 트래픽을 안정적으로 빠르게 처리하는 것과 분산처리, 계산 최적화에 관심이 많습니다. 👍 추천 대상 - 추천/ML 등 모델을 만들었을 때, 고객용 서비스로 어떻게 잘 제공할 수 있을지 궁금한 분 🙋🏻♀️ 세션에 대해 궁금한 점이 있다면...
백엔드 딥러닝 · 머신러닝 로드맵 1개에 담김
문서 박수형
컬리의 Virtual 물류 센터
문서 최재형, 김수지, 이상협, 구국원
함께 구매하면 좋은 상품이에요! - 장바구니 추천 개발기 2부
문서 이민식