‘추천 시스템’은 당근의 핵심이라고 볼 수 있습니다. 이용자의 위치와 취향을 파악해서 원하는 콘텐츠를 제시해야 합니다. 단순히 이용자가 관심 있을 법한 중고상품만 보여주는 것도 아니죠. 중고뿐 아니라 동네 모임, 아르바이트, 심지어 쇼츠같은 동영상까지 다양한 콘텐츠를 분석해서 이용자에게 보여줘야 합니다. 하나의 추천 시스템으로 이런 다양한 서비스를 모두 대응해야 한다는 건 쉽지 않은 일일 것입니다.
당근의 추천시스템은 이런 요구에 부응하기 위해 단계적으로 진화해왔습니다. 클릭을 많이 한 것들을 기준으로 하는 일반 추천 시스템에서 거대언어모델(LLM)처럼 진화하고 있습니다.
또 당근이 ‘중고거래’ 뿐만 아니라 다양한 서비스를 하나의 앱에서 운영한다는 점도 한몫 합니다. 이미 2021년에 단기·생활 알바 중심의 구인구직 서비스부터 커뮤니티, 부동산 등 다양한 도메인 서비스를 운영하고 있지요.
사실상 여러 서비스의 추천 시스템을 한 번에 구축하고 운영하려 한다는 점에서 단일 도메인 서비스보다 손이 많이 가는 상황이 되었습니다.
올해의 미션은 크게 두 가지입니다. 먼저 세렌디피티, 즉 우연한 발견 경험을 함께 한 추천 시스템을 완성할 계획이고요. 다른 하나는 서비스 전반을 아우르는 파운데이션 모델 개발입니다.
미래 전략에 맞춰 변화도 준비하고 있습니다. 지금은 이용자가 들어오는 순간 연산해, 실시간 체계로 추천하고 있습니다. 하지만
파운데이션 거대 모델로의 전환을 위해서는 모델의 규모를 고려해 연산 효율을 최적화야 합니다. 최대한 실시간에 가까운 ‘준실시간 서빙’이 가능하도록 아키텍처를 변경할 계획입니다. 모델 규모로 인해 실시간성에는 조정이 필요하지만, 기존보다 방대한 정보와 패턴을 학습할 수 있다는 점에서 모델 성능과 추천의 품질을 보다 높이는 방향성을 택했습니다.
당근은 조직 측면에서도 운영 방식의 효율화를 추구하고 있습니다. 먼저 공통 프레임워크와 ML 플랫폼 구축입니다. 여러 서비스를 운영하고 있는 만큼, 인력을 각 서비스에 분산 배치하기보다 하나의 플랫폼 위에서 인프라 효율을 높여 전체 서비스의 커버리지를 확보하는 구조를 확보했습니다.
또 장기 검증 중심의 문화도 운영하고 있습니다. 단기 지표보다는 장기 실험을 통해 이용자의 행동 변화와 서비스 개선 등을 여러 방법론으로 검증하는 방식입니다.
정교함이 요구되는 서비스 등에서도 고도의 설계 과정 자체가 빠른 이터레이션(Iteration)을 통해 이루어질 수 있도록 환경을 구축하고 있습니다.
자원 측면에서도 GPU·TPU 등 대규모 연산 하드웨어와 최신 AI 도구·플랫폼을 제약 없이 활용할 수 있도록 하고 있지요.
최근
당근 ML팀이 로컬 특수성을 살려 이용자 경험 가능 범위 내 학습데이터를 모델링한 내용을 담은 연구논문은
정보검색 분야에서 권위가 최상위권인 ‘
SIGIR 2026’에 제출, 최종 채택된 상황이기도 합니다. 거대 파운데이션 추천 모델을 개발하기 위한 시도이기도 합니다.
클릭률 하나로 시작했던 당근의 추천 시스템은, 5년 만에 ‘동네’라는 제약을 강점으로 바꾸는 단계까지 올라섰습니다. 파운데이션 모델로의 전환이 성공한다면, 당근은 로컬이라는 좁은 반경 안에서 가장 정교한 발견 경험을 만들어내는 플랫폼이 될지도 모릅니다. 올해를 마무리할 때, 당근의 추천 시스템은 어떻게 바뀌어있을까요?
글
.
바이라인네트워크
<
성아인
기자
> aing8@byline.network
댓글
0