유통 / 전자상거래
Amazon: 상품 속성 표준화와 오류 수정
- 기업
- Amazon
- 국가
- 미국
- 도입 상태
- 운영
- 자료 공개
- 날짜 기준
- 자료 발표 시점. 도입 시작일과 다를 수 있음
- 근거 확인 방법
- 검색 도구의 본문 발췌 확인
업무 문제
Amazon 카탈로그에는 수억 개 상품이 있고 매일 수백만 건의 상품 정보가 새로 올라오거나 고쳐진다. 회사는 상품 범주마다 따로 만든 machine learning 모델로 품질을 지켜 왔다. 이 방식은 접시처럼 크기와 모양, 색, 재질로 설명되는 상품에는 잘 맞았다. 속성이 복잡하거나 미묘한 상품은 따로 학습한 모델이나 사람 검수가 필요했다.
적용한 기술과 데이터
Amazon은 여기에 대형 언어 모델을 붙였다. 먼저 카탈로그 전체를 상품 유형과 속성 값으로 묶어 각 값이 얼마나 자주, 어디에 나오는지 통계를 만든다. 무선 헤드폰의 Bluetooth, BT, BT 5.1 같은 표기 가운데 통계가 가장 좋다고 가리키는 후보를 골라 모델에 알려준다. 통계만으로 풀리지 않는 세밀함은 prompt tuning으로 다룬다. stainless steel과 440 stainless steel처럼 더 구체적인 값을 지우지 않도록 후보 목록의 세밀도에 맞추라는 지시를 프롬프트에 넣는다. 이렇게 조정한 모델이 카탈로그 전체에서 표준 속성 값 인식, 같은 뜻의 다른 표기 수집, 잘못되거나 말이 되지 않는 입력 탐지 세 가지 일을 한다.
성과
Amazon은 새 방식으로 판매자가 올린 최신 값이 며칠 안에 카탈로그에 반영된다고 밝혔다. 사람 검수도 수천 시간을 아낀다고 설명했다. 감시하고 갱신할 수 있는 언어 수도 늘렸다고 했다. 예전 방식으로는 비용이 너무 커서 손대지 못했던 카탈로그 구석까지 품질 관리를 넓혔다고 밝혔다.
한계와 남은 과제
수천 시간 절약의 기준 기간과 계산 방법은 공개하지 않았다. 이 글에는 구매나 매출 변화에 대한 수치가 없다.
출처
- Using LLMs to improve Amazon product listings - Amazon Scienceamazon.science, 확인
공개된 자료를 정리한 사례입니다. ATF Works 도입 고객의 결과가 아닙니다.