핀터레스트, Qwen3로 사용자 여정 추론

ai.euno.news 자동 뉴스 요약

핀터레스트(Pinterest)가 사용자 여정을 추론하던 다단계 클러스터링 파이프라인을 미세조정한 40억 매개변수 Qwen3 언어모델로 교체했다. 미국과 캐나다에서 진행한 초기 A/B 테스트에서 기존 시스템보다 이메일 클릭률은 1.1%, 푸시 알림 열람률은 1.3% 개선됐다. 참여도와 이용자 유지율에서도 통계적으로 유의미한 상승이 나타났다고 InfoQ는 전했다.¹

핀터레스트가 말하는 ‘여정’은 여러 세션에 걸쳐 관심사와 의도, 맥락을 잇는 장기 목표다. 주방을 고치는 이용자가 수납장 디자인을 검색하고 조리대 아이디어를 저장한 뒤 타일과 조명을 살펴봤다면, 이를 별개 관심사가 아니라 하나의 리모델링 프로젝트로 해석하는 식이다. 이렇게 추론한 여정은 기존 추천 인프라에 입력된다.

이전 파이프라인은 이용자 활동에서 키워드를 뽑아 임베딩과 계층적 클러스터링으로 묶고, 클러스터에 이름을 붙인 다음 별도 모델과 다양성 규칙으로 순위를 정했다. 관심사 중심 알림보다는 효과적이었지만, 서로 연관된 활동을 여러 여정으로 쪼개거나 일반적인 이름을 붙이는 문제가 있었다. 우연히 누른 콘텐츠를 지속적인 의도로 오인하기도 했다.

새 시스템은 클러스터링 대신 여정 추론을 생성 작업으로 다룬다. Qwen3 모델은 최대 360일 동안 발생한 이용자 행동 150개를 시간순으로 읽고, 간략한 프로필과 함께 분석해 여정 이름을 순위별로 생성한다. 검색과 저장은 단순 클릭보다 큰 비중을 두며, 반복성·최근성·구체성도 판단 기준에 포함한다. 근거가 부족하면 빈 결과를 내도록 했고, 서로 무관한 관심사의 병합이나 일회성 활동, 자동 생성 태그도 억제했다. 기존의 순위 결정과 필터링 규칙 상당 부분을 프롬프트로 옮긴 셈이다.

학습에는 대규모 수작업 라벨 대신 상위급 모델이 이용 기록을 토대로 만든 합성 예제를 썼다. 핀터레스트는 이를 이용해 오픈 웨이트 Qwen3를 지도 미세조정하고 저순위 적응(LoRA)을 적용했다. 6억~80억 매개변수 모델을 비교한 뒤 추론 품질과 처리량의 균형이 가장 나은 40억 모델을 골랐다.

서비스는 L40S GPU의 vLLM 워커 앞에 NVIDIA Dynamo를 배치하고 연속 배칭, PagedAttention, 접두어 캐시 기반 라우팅을 활용한다. 최근 며칠 안에 여정을 생성한 이용자의 추론을 건너뛰는 방식도 처리량 개선에 크게 기여했다. 다만 공개된 성과는 미국·캐나다의 초기 실험 결과이며, 1.1%와 1.3%가 상대 증가율인지 퍼센트포인트 변화인지는 자료에 명시되지 않았다.

읽기 목록은 이 브라우저에 저장됩니다.