앤트그룹, 동적 쿼리 기반 사용자 모델링 프레임워크 공개
- •앤트그룹이 동적 쿼리 인지형 사용자 표현 기술인 Q-Anchor를 발표했다
- •산업용 벤치마크 결과, 기존 정적 모델 대비 AUC 성능이 9.8% 향상되는 성과를 거뒀다
- •KV 캐시 최적화를 통해 여러 비즈니스 시나리오에서 저지연 배포가 가능해졌다
앤트그룹이 디지털 플랫폼의 사용자 이해 방식을 혁신하는 새로운 프레임워크, Q-Anchor를 선보였다. 기존 시스템은 제품 추천이나 리스크 평가 등 상황에 관계없이 사용자를 고정된 수학적 수치로 표현하는 정적 임베딩에 의존하는 경우가 많았다. 반면 Q-Anchor는 자연어 쿼리를 하나의 '앵커(anchor)'로 활용한다. 이를 통해 대규모 언어 모델(LLM)이 동일한 사용자 행동 로그라도 목적에 따라 다르게 해석하도록 유도하며, 결과적으로 특정 비즈니스 요구에 맞춘 동적 프로필을 생성한다.
자하오 유안(Jiahao Yuan) 연구원을 포함한 연구진은 원시 행동 데이터와 고차원적 의미 이해 사이의 간극을 메우기 위해 1억 개 이상의 멀티모달 샘플을 포함한 방대한 데이터셋 'UserU'를 구축했다. 이 데이터셋은 거래 내역과 앱 사용 기록을 AI가 생성한 사용자 성찰 데이터와 결합하여, 모델이 단순한 표면적 행동을 넘어 시간적 흐름에 따른 트렌드와 의도를 파악하도록 학습시킨다. 특히 계층적 구조를 채택하여 다양한 유형의 데이터를 LLM의 내부 수학적 연산 공간인 잠재 공간에 효과적으로 통합했다.
실제 산업 현장 배포에 필수적인 효율성을 확보하고자 연구팀은 KV 캐시 가속 추론 기술을 적용했다. 사용자의 행동 데이터를 한 번 인코딩하여 저장해두고 이를 여러 쿼리에 재사용함으로써, 중복 계산을 방지하고 매우 빠른 응답 속도를 유지할 수 있게 되었다. 실제로 알리페이(Alipay) 시스템에서 광범위한 테스트를 거친 Q-Anchor는 사용자 참여도를 유의미하게 높였으며, 적응형 모델링이 개인화된 디지털 경험의 미래임을 입증했다.