TASTE, 토스의 추천 파운데이션 플랫폼

금융 상품에 관심이 있는 사람을 찾는 모델, 푸시를 클릭할 사람을 찾는 모델, 좋아할 미니앱을 추천하는 모델. 풀어야 할 문제는 다르지만, 이해해야 하는 대상은 모두 같은 토스의 사용자입니다. 토스에 쌓이는 방대하고 서로 다른 데이터를 충분히 학습하여 배운 내용을 여러 추천 문제에 활용할 수는 없을까요?TASTE(Toss Automated Standard Targeting Engine)는 이 질문에서 시작했습니다. 사용자의 다양한 행동을 함께 예측하고, 그 과정에서 배운 ‘사용자 표현’을 다른 서비스 모델에 전달하고자 했습니다. 여러 서비스의 온오프라인 실험에서 이 표현이 예측에 도움이 된다는 것까지 확인했습니다.이 글에서는 여러 행동을 함께 학습하고, 그 과정에서 얻은 사용자 표현을 다른 추천 모델에 전달하며, 이를 다시 개선하는 과정을 소개합니다. 한 번 배운 사용자 정보를 여러 추천 문제에 활용하는 것, 이것이 저희가 생각하는 추천 파운데이션 모델의 출발점입니다.같은 사용자를 모델마다 다시 배우고 있었습니다토스에는 금융중개, 광고, 쇼핑, 결제, Apps in Toss 등 여러 서비스가 있습니다. 서비스가 늘어날수록 클릭, 구매, 전환 등을 예측하는 모델도 늘어납니다.모델마다 목표는 달라도 사용하는 사용자 정보는 겹치는 부분이 많습니다. 나이와 같은 속성, 앱에서 이용한 기능, 소비 이력 등이 대표적입니다. 각 모델은 이 정보를 자신의 예측에 필요한 형태로 가공하고 학습합니다. 같은 정보를 모델마다 따로 준비하고 학습하면서 중복 작업이 생겼습니다.데이터를 충분히 활용하는 일도 쉽지 않았습니다. 토스는 월간 활성 사용자(MAU)가 2천만 명을 넘어, 주요 서버 로그만 해도 하루에 수십억 건 이상 쌓입니다. 사용자 한 명을 이해하기 위해 살펴봐야 할 정보도 방대합니다.데이터의 성격도 제각각입니다. 마이데이터는 수십 개의 API를 통해 들어오며, 데이터마다 수집 시점과 정보를 확보할 수 있는 사용자 범위가 다릅니다. 외부 앱 이용 정보를 담은 MMP 데이터는 이벤트가 지나치게 많거나, 반대로 너무 적기도 합니다. 서버 로그와 마이데이터, MMP 데이터는 활용하고 분석할 수 있는 동의 조건도 모두 다릅니다.결국 각 모델은 예측 문제를 풀기에 앞서, 이 방대하고 서로 다른 데이터를 어떻게 모으고 학습할지부터 해결해야 했습니다. 서비스별 예측 모델은 응답 시간 등 서비스가 요구하는 수준(SLA)을 맞춰야 해서 상대적...