배달과 이동 / 차량 호출과 배달
Grab: 여러 추천 서비스의 공통 사용자 모델
- 기업
- Grab
- 국가
- 분류 생략
- 도입 상태
- 운영
- 자료 공개
- 날짜 기준
- 자료 발표 시점. 도입 시작일과 다를 수 있음
- 근거 확인 방법
- 원문 본문 열람
업무 문제
Grab의 추천 모델은 업무마다 별도로 만든 사용자 특징에 의존했다. 음식 주문, 차량 이용과 지출 같은 정보를 담당 팀이 따로 가공해야 했고, 사용자가 앱에서 어떤 순서로 행동했는지 충분히 반영하기도 어려웠다. 여러 서비스에서 재사용할 수 있는 사용자 표현이 필요했다.
적용한 기술과 데이터
Grab은 거래와 사용자 속성을 담은 표 데이터, 앱 조회와 클릭 등 시간순 행동 데이터를 함께 학습하는 Transformer 기반 사용자 모델을 만들었다. 데이터 종류별 adapter와 순서 정보를 처리하는 구조로 장기 성향과 최근 의도를 나타내는 embedding을 추출한다. Ray 기반 처리 과정은 CPU의 데이터 준비와 GPU의 모델 실행을 나누고, 매일 수백만 활성 사용자의 embedding을 갱신해 여러 하위 모델에 제공한다.
성과
Grab은 광고 최적화, dual app 예측, 사기 탐지와 이탈 가능성 예측이 이미 이 모델의 도움을 받고 있다고 설명했다. 각 팀은 공통 embedding을 기존 모델의 입력으로 넣거나 새 모델 개발에 재사용할 수 있게 됐다. 원문은 개발시간 감소와 예측 개선을 설명하지만, 서비스별 온라인 실험 수치나 절감액은 제시하지 않았다.
한계와 남은 과제
업무별 정확도, 온라인 실험 효과와 비용 절감 수치는 확인되지 않았다. 모든 서비스의 데이터 흐름 통합과 더 많은 개체로의 확대는 향후 개선 계획이다.
출처
- Grab | 여러 추천 서비스의 공통 사용자 모델engineering.grab.com, 확인
공개된 자료를 정리한 사례입니다. ATF Works 도입 고객의 결과가 아닙니다.