실제 예시 : 금융상품 추천 service (인공지능 활용)

데이터 사이언스 ->
1. 통계학,머신러닝, 딥러닝, 심지어는 심리학 등의 <분석>

2. 프로그래밍, 데이터 엔지니어링 등의 <IT> (데이터 웨어하우스는 수많은 데이터 보관)(개념적으로만)

3. 도메인 지식, 시각화, 스토리텔링 등의 <비지니스 이해>

사실 금융권은 비지니스 이해가 정말 중요하다 .

 

금융상품 -> 비지니스 영역

금융위원회에서는 금융 상품을 예금 . 대출, 보험상품, 카드 까지를 금융 상품이라 정의한다.

즉, 예금 및 대출, 금융 상품,보험 상품등이 있다.

 

추천 시스템 -> 특정 사용자가 관심을 가질만한 정보를 추천

 

AI OR 이가 생성한 알고리즘은, 상품 A뿐만 아니라 B를 위해서도 작동해야한다.

이 다양성을, 확장성이라고 한다.

그럼에도, 특정 개인을 위한 맞춤 상품을 제공할 수 있어야한다 (깨인화)

 

구현 알고리즘은, CONTEN 기반, 협업필터링, HYBRID, 머신러닝 등이 있다. 

중요한것은 , 추천이다. <추천을 하기 위해서는, 딱 이런 필터링만을 적용시켜! 보다는 유동성이 중요하다>

 

서비스시 검토 사항

일반상품은, 좋은 상품을 그냥 추천하면 됨 

 

금융상품은 추가로 검토해야되는게 있다. (공정성, 적정성)

플랫폼, 서비스 제공사의 추천 알고리즘이 특정 기업상품을 고려하거나 배제하면 안되는 공정성

추천 알고리즘은 소비자에게 유리한 순으로 제공되어야 한다. 

 

필요 이상 정보 획득을 자제해야한다. -> 사용자의 불안, 불편, 데이터양 

근거가 명확하고, 이를 기록해둬야한다.

 

2. 실제

 

CONTENT-BASED-FILTERING

상품의 정보를 이용하여, 이전에 사용자가 구매한 상품과 비슷한 유형 상품 추천

 

추천 과정상품들 특징 추출 -> 벡터변환- > 사용자의 상품과 유사한 상품 찾기 -> 추천 깨달은점 : 아.. 꼭 머신러닝이 아니더라도 고전적으로도 같은 과정을 하고 있었구나

 

EX)손전등은 (33,14,67) 티비는 (15,51,90) 등 등 등..거리 측정시 유클리드 거리, 맨하튼 거리 등을 활용해여 측정, 가장 가까운 거리인 컨텐츠를 추천 

 

벡터에서 특징을, 그 거리를 수학적 기법을 활용하여 완성한다. 

 

DATA =  [[33,14,67], [15,51,90]] 등

COS 유사도를 사용하여 어디에 새로운 X[465,80,21]가 가까운가. 

 

Collarative filtering

상품의 특성 + (사용자가 개입한 정보를 특성으로 만든 것 )

 

머신러닝 -> Deep learning 등의 다양한 모델을 사용 

 

ex) Wide&Deep

구글의 추천 랭킹 알고리즘(앱 추천)

WIde하게, 설치한 앱과 열람한 맵의 관계성을 학습 -> 사용자의 정보, 액션, 등 등..

deep 하게는, 앱의 정보를 사용하여 앱과의 관계를 학습

 

인공지능 예시

NH의 수신상품 추천

우리은행의 개인화 마케팅 시스템

kb의 인사이동과 인재 추천, ibk의 인재추천 시스템

리치앤코는 보험상품을, 인카 금융은 장기 상품 비교 추천 시스템을 활용