CLOVA AI RUSH CONFERENCE 2022 소개

이번에 CLOVA AI RUSH 2022을 수료했던 사람들을 포함해서 외부에 퍼블릭하게 공개된 컨퍼런스가 주최됐다.
위 사진에서처럼 네이버의 최신 AI 기술들을 알 수 있는 아주 좋은 기회였다. 내년에도 rush에 참여를 못해도 본 컨퍼런스는 꼭 참여하고 싶다.

Music AI 팀 부스 질의응답

(답변을 구두로 받았기 때문에 작성한 간단한 메모들에 기반해서 간단히 작성합니다 ㅋㅋ)
(주관적으로 볼 때, deep한 내용은 올리지 않았습니다 ㅋㅋ)

Q1: Music AI 팀에서는 딥러닝/머신러닝을 어떻게 활용 중인가요?

A: Music AI 팀은 음악 추천시스템을 구현하기 위해 CF, MF, AE 등을 활용하고 log 데이터를 기반으로 추천하려고 합니다.
또한 메타데이터에서 적절한 latent vector를 도출합니다.

Q2: 논문 구현 역량이 중요할텐데, 어느 정도로 알아야할까요?

A: 구현한 논문에서 모델이 어떻게 동작하는지 정확히 이해하고 설명할 수 있는지 알아야 합니다. 또한 주어진 문제(task)를 해결하기 위해 저자는 어떤 직관이나 가정을 했고 왜 해당 모델을 사용했고 가정했던 내용들이 정말 맞아떨어지는지 등 (잘 기억이 안남) 을 알아야 합니다. 확실한 검증을 할 필요가 있습니다.

Q3: 이번 플레이리스트 음악 추천 과제에서 word2vec을 도입해봤는데 빈도 기반이 아닌 주변 단어 기반의 알고리즘이라 그런지, 최적화한 오토인코더 모델보다 성능이 안 나왔습니다. 왜 그랬을까요?

A: Bag of Words 를 썼으면 성능 향상을 기대해볼 법했을 것이라고 생각합니다.

이에 대한 나의 생각: 아마 이번 과제에서 input으로 여러 문자열 데이터들을 집어넣을 때, 뭔가 단어 간에 순서가 사실상 없기 때문이다.(가사1+장르1+가수1+가사2+장르2+가수2+가사3+장르3+가수3+ ... + 가사n+장르n+가수n 이런 식으로 하나의 문자열을 구성하는데 이거는 사실상 노래i와 노래j의 메타데이터간에 연관 관계가 없을 수도 있고, 확실한 것은 이렇게 문자열을 구성하면 순서가 무의미해진다.)
따라서, 만약 이 과제에 Bag of Words를 썼다면, 단어들의 순서에 상관없이 많이 등장하는 단어에 맞춰서 플레이리스트의 분위기를 구해낼 수 있었을 것 같다. 하셨던 말씀이 잘 기억은 안나지만 아마 이런 이유이지 않을까 싶다.
-> Bag of Words를 활용하는 추천 시스템 논문들을 찾아보고 이해해보고 구현해봐야겠다!!

Q4: Music AI 팀에 합류하기 위해서는 어떤 역량을 갖춰야할까요?

A: 새로운 지식들을 최신 논문을 통해 습득하고 데모 정도로 구현하고 리뷰할 수 있는 능력이 필요합니다.
추천 시스템 모듈을 서비스할 수 있는 역량이 있으면 좋습니다. 기획자와의 원활한 커뮤니케이션 역량이 있어야겠습니다.

느낀점

네이버 AI 기술은 기업에도 제공된다!
나는 네이버 AI 서비스들 팬이지만(Papago, Whale, 네이버 사전, 네이버 지도, 네이버 앱, 클로바노트 를 자주 사용한다.) 내가 알고 있는 것보다 훨씬 다양하게 네이버에서 AI 서비스들을 출시했고 비단 일반인뿐만 아니라 기업을 대상으로 좀 더 편한 서비스를 제공할 수 있도록 상담 내용 분석 등을 진행한 것을 알 수 있었다.
네이버는 HyperClova를 창의적으로 응용해서 다양한 서비스를 제공한다는 것을 알 수 있었다.
신기하게 이번 플레이리스트 음악 추천 과제에서 수상한 1~3등 분들은 CV와 NLP 모델을 활용해서 본 대회에서 수상했다.
모델에 대한 이해가 확실히 되어있어야 특정 모델을 사용하면 피처가 잘 추출될 것이다라는 직관이나 논리적인 근거가 생길 것 같다고 느꼈다.
다른 분들도 거의 근접한 스코어를 가졌어가지고 그 분들의 접근도 매우 궁금하다...

올초부터 papago와 클로바노트 쓰면서 네이버의 AI 기술들에 관심이 가기 시작했는데 이번 [CLOVA AI RUSH CONFERENCE 2022]을 통해 어떤 기술들이 있고 어떻게 구현했는지 들을 수 있어서 즐거웠다.

또한 공유하면 좋을 내용들이 있는 것 같아서 글을 작성하게 됐다.