컬리(Kurly)의 Data Scientist 명우민 님이 작성한 이 글은, 유저의 행동 패턴을 하나의 '언어'로 해석하여 정밀한 개인화 추천 시스템을 구축한 과정을 상세히 다루고 있습니다. 주요 내용으로는 상품의 속성을 담은 Content Space와 유저의 취향을 반영한 Collaborative Space를 구분하여 설계한 점, RQ-VAE를 활용해 상품 정보를 Semantic ID로 변환한 기술적 접근, 그리고 Transformer 기반의 Dual-Head Architecture(Generative Head & Retrieval Head)를 통해 정확도와 속도를 동시에 잡은 사례를 소개합니다. 특히 Knowledge Distillation을 사용하여 두 헤드 간의 성능 격차를 줄인 점과, 데이터 엔지니어링을 통해 Popularity Bias와 같은 문제를 해결한 과정이 인상적입니다. 실제 A/B 테스트 결과, 장바구니 전환율(ATC)과 유저당 평균 매출(ARPU)이 크게 상승하며 비즈니스 가치를 입증했습니다.