전자상거래 응용을 위한 의미 인식 다모달 다언어 딥러닝 시스템

AISG와 Shopee는 협력하여 고도화된 다중언어·다중모달 심층학습 모델로 전자상거래 시나리오의 의미 이해 문제를 해결합니다. 기존에 Shopee는 수동으로 구축한 작업 흐름에 심각하게 의존했으며, 비용이 높고 적용 범위가 좁았습니다. 팀은 미세조정된 대규모 언어 모델을 사용하여 Taskbot을 재구축했으며, 완료율과 오류 정정율이 모두 현저하게 향상되었습니다.

또 다른 응용은 전통적인 기계학습 기반 Shopee 채팅봇을 업그레이드했습니다. 기존 버전은 「성공 사례」만으로 미세조정했으나, 새로운 방안은 실패 사례의 부정적 피드백도 훈련에 포함시켰으며, 고객 만족도가 향상되고 실패한 상호작용이 감소했습니다. NUS는 또한 동남아시아를 대상으로 한 다중언어 LLM을 처음부터 훈련했습니다. 핵심 혁신은 양방향 부정적 피드백 손실 함수이며, 감독 데이터가 부족하더라도 선호도 정렬을 안정적으로 달성할 수 있습니다. GPT 기준선 대비 승률이 18%에서 50%로 향상되었으며, 정책 샘플링을 추가하면 56%까지 향상됩니다. 연구 성과는 이미 여러 최상위급 학술대회에 발표되었으며, 모델이 성숙하면 Shopee 프로덕션 환경으로 진입할 것입니다.

자막 언어: ko · 수집 날짜: 2026-05-02

전자상거래가 지수적 성장을 경험하고 있으며, 글로벌 경제에서 점점 더 중요한 역할을 수행하고 있습니다. 최근 몇 년간 딥러닝이 다양한 전자상거래 애플리케이션에서 점점 더 광범위하게 채택되고 있습니다. 그러나 현존하는 딥러닝 모델은 다국어 및 다중양식 정보를 마주할 때 이를 효과적으로 이해하고 처리하기 어렵습니다. 우리는 C사와 협력하여 고급 다국어 다중양식 모델을 개발했으며, 정상급 학술대회에서 연구 성과를 발표했고, C사의 플랫폼에서 우리의 모델을 성공적으로 검증했습니다. 이전에 shopp는 수작업으로 구축된 작업 흐름에 심각하게 의존했으며, 이는 높은 비용과 제한된 범위로 이어졌습니다. 하지만 이제 우리는 파인튜닝된 대규모 언어 모델의 힘을 활용함으로써 고객 상호작용 방식을 근본적으로 변경했습니다.

오늘날, Taskbot는 모든 예상을 뛰어넘었으며, 인상적인 완료율과 수정율을 달성했습니다. 결과적으로 고객 상호작용이 그 어느 때보다 더 지능형이고, 더 빠르고, 더 신뢰할 수 있게 되었습니다. 다른 애플리케이션에서, shoppy 챗봇은 초기에 전통적 기계학습을 채택했으며, 성공 사례에서만 파인튜닝을 수행했고 실패 사례는 무시했습니다. 우리의 솔루션은 이를 개선했으며, 긍정적 및 부정적 피드백을 모두 대규모 언어 모델의 파인튜닝에 포함시켰습니다. 이러한 개선된 접근 방식은 고객 만족도를 현저히 향상시켰으며, 실패 상호작용의 발생률을 현저히 감소시켰습니다. 우리는 또한 처음부터 자체 대규모 언어 모델을 훈련했습니다. 동남아시아를 위한 다국어 대규모 언어 모델은 고유한 과제에 직면하고 있으며, 특히 저자원 언어의 데이터 부족이 있습니다. 국립대만사범대학교 컴퓨터과학과(NTUNC)에서 우리는 해당 지역을 위해 특화된 모델을 구축하고 있습니다.

우리의 핵심 혁신은 양방향 부정 피드백 손실 함수로, 감독이 부족한 상황에서도 안정적인 선호도 정렬을 달성할 수 있습니다. 이는 현저한 향상을 가져왔습니다. GPT 기준선 대비, 승률이 18%에서 50%로 급상승했습니다. 정책 샘플링을 통해 우리는 이를 추가로 56%로 향상시켰습니다. shopppee 사용자들에게는, 이것이 그들의 필요를 진정으로 이해하는 더욱 지능형인 대규모 언어 모델로 직접 전환되어, 애플리케이션을 매번 사용할 때의 상호작용이 더욱 도움이 되고 정확하게 됩니다.