크림에서 통합 임베딩(Universal Embedding)은 어떻게 쓰일까?

네이버 사내 기술 교류 행사인 NAVER Engineering Day 10th 에서 발표되었던 세션을 공개합니다.

[발표 내용]
여러 엔티티를 한 공간에 담은 통합 임베딩과 범용 리트리벌이 크림 추천 곳곳에 쓰이는 방식, 운영하며 드러난 한계를 v2에서 해결한 과정, 그리고 확장 방향을 공유합니다.

[발표 대상]
- 추천 시스템의 후보 생성(Retrieval) 단계에 관심 있으신 분들
- 여러 서비스·지면에서 함께 쓰는 공용 임베딩을 설계하고 운영하고 싶으신 ML 엔지니어
- 조건(필터)이 걸린 벡터 검색의 지연과 메모리를 줄이고 싶으신 분들
- 구좌·서비스마다 늘어나는 추천 모델을 줄이고 싶은 추천·검색 조직의 엔지니어와 기획자

[목차]
1. 왜 통합 임베딩인가
2. v1 모델 — 하나의 공간을 만들다
3. v1 리트리벌 — 하나의 API로 꺼내 쓰다
4. 써 보니 드러난 v1의 한계
5. v2 — 한계를 하나씩 걷어내다
6. 지금의 쓰임과 다음 확장