Meta / machine-learning

Adapting the Facebook Reels RecSys AI Model Based on User Feedback (새 탭에서 열림)

페이스북 릴스(Facebook Reels)는 단순한 '좋아요'나 시청 시간 같은 지표를 넘어, 사용자 피드백을 직접 활용하여 개인화된 추천 시스템의 성능을 대폭 개선했습니다. 새롭게 도입된 UTIS(User True Interest Survey) 모델은 사용자의 실제 관심사를 정밀하게 파악함으로써 니치(Niche)한 고품질 콘텐츠의 노출을 늘리고 사용자의 만족도와 유지율을 높이는 데 성공했습니다. 결과적으로 이번 연구는 암묵적인 행동 데이터와 명시적인 사용자 설문을 결합했을 때 추천 시스템의 장기적인 가치가 어떻게 극대화될 수 있는지를 보여줍니다. **기존 행동 지표의 한계와 진정한 관심사 측정** * 기존의 추천 시스템은 시청 시간이나 공유와 같은 행동 신호에 의존하지만, 이러한 데이터는 노이즈가 많고 사용자의 장기적인 만족도를 완전히 반영하지 못하는 한계가 있습니다. * 조사 결과, 기존의 휴리스틱 기반 관심사 파악 방식은 실제 사용자의 관심사를 식별하는 데 있어 정밀도가 48.3%에 불과한 것으로 나타났습니다. * 페이스북은 단순한 주제 정합성을 넘어 오디오, 제작 스타일, 분위기 등 사용자가 체감하는 다양한 차원을 측정하기 위해 대규모 실시간 설문을 피드 내에 도입했습니다. **UTIS(User True Interest Survey) 모델 프레임워크** * 매일 무작위로 선정된 사용자에게 "이 영상이 당신의 관심사와 얼마나 일치합니까?"라는 질문을 1~5점 척도로 제시하여 실시간 피드백을 수집합니다. * 수집된 설문 데이터는 노이즈를 줄이기 위해 이진화(Binarized) 처리를 거치며, 샘플링 편향을 보정하기 위해 가중치를 적용하여 학습 데이터셋으로 구축됩니다. * 메인 랭킹 모델의 예측값을 입력 피처로 사용하는 경량화된 '인지 레이어(Perception Layer)'를 설계하여, 희소한 설문 데이터를 전체 추천 시스템에 일반화할 수 있도록 구현했습니다. **추천 시스템 파이프라인으로의 통합** * **지연 단계 랭킹(Late Stage Ranking, LSR):** UTIS 모델의 점수를 최종 랭킹 공식의 추가 피처로 투입하여, 관심사 일치도가 높은 영상에는 가산점을 주고 낮은 영상은 순위를 낮추는 정밀 조정을 수행합니다. * **초기 단계 랭킹(Retrieval):** 설문 데이터를 집계하여 사용자의 진정한 관심사 프로필을 재구축하고, 이를 기반으로 후보군을 추출합니다. 또한 지식 증류(Knowledge Distillation) 기법을 활용해 LSR의 UTIS 예측값을 검색 모델 학습에 반영합니다. * 이러한 다단계 통합을 통해 단순 인기 기반의 저품질 콘텐츠 추천은 줄이고, 사용자 개인에게 최적화된 고품질 니치 콘텐츠의 비중을 높였습니다. **성과 및 실용적 함의** * UTIS 모델 도입 이후 리텐션(재방문율) 지표가 유의미하게 개선되었으며 좋아요, 공유, 팔로우와 같은 능동적 참여율도 상승했습니다. * 시청 시간만을 최적화할 때 발생할 수 있는 '저품질 대중 콘텐츠 도배' 문제를 해결하고, 장기적인 플랫폼 건강도를 높이는 결과를 얻었습니다. * 이번 사례는 대규모 추천 시스템을 운영할 때 사용자 행동 데이터(Implicit)와 직접적인 피드백(Explicit)을 결합한 '인지 모델'을 구축하는 것이 정교한 개인화를 위해 필수적임을 시사합니다.

DrP: Meta's Root Cause Analysis Platform at Scale (새 탭에서 열림)

Meta가 개발한 **DrP(Root Cause Analysis platform)**는 대규모 시스템에서 발생하는 장애 조사 과정을 프로그래밍 방식으로 자동화하여 평균 복구 시간(MTTR)을 혁신적으로 단축하는 플랫폼입니다. 기존의 수동 조사와 노후화된 플레이북이 유발하는 온콜(On-call) 엔지니어의 피로도 문제를 해결하기 위해, 분석 로직을 코드로 작성하고 실행할 수 있는 통합 환경을 제공합니다. 현재 Meta 내 300개 이상의 팀에서 매일 5만 건 이상의 분석을 수행하며, 장애 복구 시간을 20%에서 최대 80%까지 줄이는 성과를 내고 있습니다. ### DrP의 핵심 구성 요소 * **표현력이 풍부한 SDK**: 엔지니어가 조사 워크플로우를 '분석기(Analyzer)'라는 코드로 구현할 수 있게 돕습니다. 이상 탐지, 시계열 상관관계 분석, 차원 분석 등 복잡한 데이터 분석을 위한 머신러닝 알고리즘과 헬퍼 라이브러리를 포함합니다. * **확장 가능한 백엔드**: 수만 건의 분석을 동시에 처리할 수 있는 멀티 테넌트 실행 환경을 제공하며, 각 분석 작업이 안전하게 격리되어 실행되도록 보장합니다. * **워크플로우 통합 및 후처리**: 알림(Alert) 시스템 및 장애 관리 도구와 긴밀하게 통합되어 장애 발생 시 자동으로 분석을 시작합니다. 분석 후에는 티켓 생성이나 코드 수정 요청(PR)과 같은 후속 조치를 자동으로 수행하는 기능도 갖추고 있습니다. ### 분석기(Analyzer)의 작성 및 실행 흐름 * **코드 기반 플레이북 작성**: 엔지니어는 SDK를 사용하여 장애 조사의 의사결정 트리를 코드로 작성합니다. 이 과정에서 종속된 서비스들의 분석기를 서로 연결(Chaining)하여 복합적인 장애 원인을 추적할 수 있습니다. * **자동화된 검증**: 작성된 분석기는 배포 전 코드 리뷰 도구와 통합된 백테스트(Backtesting) 과정을 거쳐 품질과 신뢰성을 검증받습니다. * **즉각적인 통찰력 제공**: 장애가 감지되면 DrP 백엔드가 즉시 분석기를 가동합니다. 온콜 엔지니어는 장애 알림을 받는 동시에 시스템이 이미 분석해 놓은 근본 원인과 권장 조치 사항을 확인할 수 있습니다. ### 도입 효과 및 운영 가치 * **MTTR의 획기적 단축**: 수동으로 몇 시간씩 걸리던 데이터 수집과 분류 작업을 자동화함으로써 장애 복구 속도를 가속화하고 시스템 가용성을 높입니다. * **온콜 생산성 향상**: 반복적이고 소모적인 디버깅 작업을 기계가 대신 처리하게 함으로써 엔지니어가 더 복잡하고 가치 있는 문제 해결에 집중할 수 있게 합니다. * **조사의 일관성 확보**: 개인의 숙련도에 의존하던 조사 방식을 코드화된 워크플로우로 표준화하여, 어떤 엔지니어가 대응하더라도 동일한 수준의 고품질 분석 결과를 얻을 수 있습니다. **결론적으로**, DrP는 대규모 마이크로서비스 환경에서 발생하는 복잡한 장애를 해결하기 위해 '운영의 코드화'를 실현한 사례입니다. 시스템 규모가 커짐에 따라 수동 대응의 한계를 느끼는 조직이라면, DrP와 같은 자동화된 RCA 플랫폼을 도입하여 인프라의 안정성과 엔지니어의 생산성을 동시에 확보하는 전략이 권장됩니다.

Efficient Optimization With Ax, an Open Platform for Adaptive Experimentation (새 탭에서 열림)

메타(Meta)에서 공개한 Ax 1.0은 기계 학습을 활용해 복잡하고 자원 소모가 큰 실험 과정을 자동화하고 최적화하는 오픈소스 적응형 실험 플랫폼입니다. 베이지안 최적화를 기반으로 시스템의 다양한 설정을 효율적으로 탐색하며, AI 모델 튜닝부터 인프라 최적화까지 폭넓은 분야에서 실질적인 성능 향상을 이끌어내고 있습니다. 연구자와 개발자는 Ax를 통해 최소한의 실험 횟수로 최적의 설정을 찾는 동시에 시스템에 대한 심도 있는 통찰을 얻을 수 있습니다. **적응형 실험의 필요성과 Ax의 활용 사례** * 현대 AI 모델이나 복잡한 인프라 시스템은 설정 가능한 변수가 방대하며, 단 한 번의 설정을 테스트하는 데도 막대한 시간과 자원이 소모되는 문제가 있습니다. * Ax는 이전 실험 결과를 바탕으로 다음 실험 대상을 순차적으로 제안하는 '적응형 실험' 방식을 통해 실험 효율을 극대화합니다. * 메타 내부에서는 하이퍼파라미터 최적화(HPO)뿐만 아니라 생성형 AI의 데이터 혼합 비율 탐색, 컴파일러 플래그 튜닝, AR/VR 하드웨어 설계 등 하드웨어와 소프트웨어를 아우르는 다양한 영역에 적용되고 있습니다. **베이지안 최적화 기반의 핵심 작동 원리** * Ax는 내부적으로 BoTorch 라이브러리를 사용하여 탐색(새로운 영역 학습)과 활용(기존 우수 영역 정밀화)의 균형을 맞추는 베이지안 최적화를 수행합니다. * 가우시안 프로세스(Gaussian Process)를 대리 모델(Surrogate Model)로 활용하여, 데이터가 적은 상태에서도 예측값과 불확실성을 동시에 정량화합니다. * 기대 개선량(Expected Improvement, EI) 획득 함수를 통해 현재까지 발견된 최적값보다 더 나은 결과를 낼 가능성이 가장 높은 다음 후보 지점을 식별합니다. * 이러한 반복적인 루프를 통해 수백 개의 파라미터가 얽힌 고차원 공간에서도 실험 예산을 낭비하지 않고 최적의 해에 도달합니다. **다중 목적 최적화와 시스템 분석 기능** * 실제 운영 환경에서의 실험은 단일 지표 개선뿐 아니라 여러 제약 조건과 가드레일 사이의 균형을 맞춰야 하며, Ax는 이러한 다중 목적 최적화를 지원합니다. * 단순히 최적값을 찾는 것을 넘어, 파레토 프런티어(Pareto frontier) 분석을 통해 서로 충돌하는 지표 간의 트레이드오프를 시각적으로 보여줍니다. * 민감도 분석(Sensitivity Analysis) 도구를 제공하여 각 입력 변수가 최종 결과에 얼마나 기여하는지 설명하고, 시스템의 작동 원리에 대한 깊은 이해를 돕습니다. * 실험 상태 관리 및 오케스트레이션 자동화 기능을 갖추고 있어 연구용 프로토타입부터 실제 프로덕션 시스템까지 유연하게 통합 가능합니다. 복잡한 시스템의 성능 최적화가 필요하거나 실험 비용을 절감하고자 하는 조직이라면 `pip install ax-platform`을 통해 Ax를 도입해 볼 것을 추천합니다. 특히 블랙박스 형태의 최적화에 그치지 않고 시각화 및 진단 도구를 통해 시스템 내부의 변수 간 상호작용을 파악할 수 있다는 점이 큰 강점입니다.