쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 11월 16일 (월)까지4683건
3건 · "추천시스템"조건 지우기 ×
001▲ 60 · 댓글 2이커머스 쇼핑 에이전트 평가 벤치마크 공개Hugging Face 연구팀이 추천 에이전트 개발을 위한 새로운 벤치마크인 UserArena를 공개했다.AI · 머신러닝 · UserArena: Benchmarking Interactive User Simulation for Long-Horizon Shopping Agents

Key Point추천 에이전트 개발을 위한 대규모 실제 데이터 벤치마크와 평가 방법론이 제시되어, 이커머스 AI 시스템의 개발과 검증 방식에 새로운 표준을 제시할 수 있다.
핵심 요약
- Hugging Face 연구팀이 추천 에이전트 개발을 위한 새로운 벤치마크인 UserArena를 공개했다.
- 11,010명의 사용자로부터 수집한 64,729개의 세션 궤적(session trajectory)을 포함하며, 566,102개의 상품과 13가지 액션 타입을 다룬다.
- 이 벤치마크는 추천 에이전트가 장기간의 사용자 상호작용에서 쇼핑 목표를 달성하는 과정을 평가한다.
전체 요약 8문장 읽기 → 002▲ 29 · 댓글 2LLM으로 상품 검색 정확도 높이는 카탈로그 최적화 기법소규모 온라인 상점들은 전체 카탈로그를 LLM의 장문맥 윈도우에 집어넣는 방식을 사용할 수 있으나, 단순히 포함시키는 것만으로는 모델이 정보를 효과적으로 활용하지 못한다.AI · 머신러닝 · RPTune: Learned Context Curation for LLM Catalog Search

Key Point소규모 상점의 상품 검색 정확도를 대폭 높일 수 있는 실용적 기법이며, 장문맥 LLM을 실제 전자상거래에 활용하는 방식을 제시한다.
핵심 요약
- 소규모 온라인 상점들은 전체 카탈로그를 LLM의 장문맥 윈도우에 집어넣는 방식을 사용할 수 있으나, 단순히 포함시키는 것만으로는 모델이 정보를 효과적으로 활용하지 못한다.
- RPTune은 카탈로그 구성 방식을 학습하고 LLM을 미세조정하는 통합 프레임워크로, 자동 생성된 카탈로그 기반 감독 신호를 사용한다.
- 인코더-재정렬기 큐레이터가 다운스트림 LLM 피드백에 따라 상품을 순서대로 정렬하고 불필요한 항목을 제거한다.
전체 요약 6문장 읽기 → 003▲ 97 · 댓글 3세 가지 제약을 동시에 푼 전문가 혼합 모델 등장Mixture-of-Experts(MoE)의 참여도, 계산량, 메모리 비용을 독립적으로 제어할 수 없는 문제를 IntBMoE가 해결했습니다.AI · 머신러닝 · IntBMoE: Integrating Block-Level Conditioning into Expert Composition for Full-Participation Mixture-of-Experts

Key PointMoE는 모델 용량을 확장하는 핵심 기술인데, IntBMoE가 참여도·계산·메모리 세 제약을 동시에 독립적으로 제어할 수 있게 되면서 대규모 추천 시스템의 실전 배포 가능성을 열었습니다.
핵심 요약
- Mixture-of-Experts(MoE)의 참여도, 계산량, 메모리 비용을 독립적으로 제어할 수 없는 문제를 IntBMoE가 해결했습니다.
- 블록 조건화된 MoE로 모든 전문가가 토큰 생성에 기여하며(완전 참여), 라우터가 일부 블록만 실행해 계산량을 낮추고, 학습된 코드북이 메모리를 제한합니다.
- 하이퍼네트워크가 각 층의 전문가들을 동적으로 합성하고, Dual-Path Residual Gating이 두 경로를 곱셈 게이팅으로 연결합니다.
전체 요약 5문장 읽기 →