넷플릭스와 아마존 같은 회사는 추천 엔진을 사용하여 사용자 행동을 기반으로 제품이나 콘텐츠를 제안합니다. 예를 들어, 아마존에서 상품을 구매하면 관심을 가질 만한 다른 상품도 표시됩니다. 마찬가지로 넷플릭스는 사용자가 시청한 콘텐츠를 기반으로 TV 프로그램과 영화를 추천합니다.
저희는 동일한 개념을 인터넷 전반의 프리미엄 기술 도입에도 적용했습니다. 저희 시스템은 유사한 프리미엄 기술 프로필을 가진 다른 웹사이트들의 행동을 분석하여 웹사이트가 어떤 기술을 사용할지 예측합니다.
작동 원리
- 우리는 기술에 상당한 투자를 한 웹사이트를 파악하고 그들이 사용하는 기술을 결정합니다.
- 우리는 웹사이트 간의 유사성 수준을 파악하기 위해 이러한 기술 간의 중복을 측정합니다.
- 중복이 클수록 한 사이트에서는 사용하는 프리미엄 기술을 추천하는 반면 다른 사이트에서는 사용하지 않는 프리미엄 기술을 추천하는 경향이 더 강해집니다.
왜 우리는 전통적인 AI 모델을 사용하지 않는가
추천 시스템에 행렬 분해(Magic Factorization)와 같은 머신러닝 접근법을 사용하지 않는 이유가 궁금하실 수 있습니다. 여러 AI 모델을 테스트했지만 결과가 좋지 않았습니다. 이러한 모델은 해석이나 제어가 어려운 "매직 넘버(magic number)"라고 불리는 복잡한 내부 매개변수에 의존하기도 합니다.
예를 들어, MatrixFactorizationTrainer 설명서에는 "더 나은 결과를 얻으려면 다음을 사용하세요"라는 문구와 함께 설명되지 않은 두 개의 변수가 포함되어 있습니다. 이러한 값이 결과를 개선하는 이유를 명확하게 설명하지 않아 모델의 검증 및 신뢰가 어렵습니다.
반면, 저희가 선택한 알고리즘은 명확하고 잘 이해된 방법론을 따릅니다. 저희는 알고리즘의 작동 방식, 구현 방식, 그리고 의미 있는 결과를 생성하는 이유를 정확히 알고 있습니다.
실제로 효과가 있나요?
네. 예를 들어, 이 모델은 Magento Enterprise를 도입할 가능성이 높은 웹사이트가 이미 Magento를 사용하고 있는 경우가 많다는 것을 파악합니다. 이 관계는 수동으로 정의되거나 시스템에 학습된 것이 아니라, 데이터 자체를 통해 발견되었습니다.
추천 API
권장 사항은 JSON과 XML 응답을 모두 제공하는 API를 통해 프로그래밍 방식으로 액세스할 수 있습니다.
https://api.builtwith.com/recommendations-api 나만의 모델 만들기
학습과 실험에 필요한 기본 데이터를 제공하는 BuiltWith Datasets를 사용하여 사용자 고유의 모델을 만들 수 있습니다.