<a href="https://massagereview.co.kr/include/category_view.php?code=area&wr_area[]=%EC%84%9C%EC%9A%B8&wr_area[]=%EC%9D%80%ED%8F%89%EA%B5%AC" target="_blank" rel="noopener" title="은평구마사지" class="seo-link good-link">은평구마사지</a> 2006년 넷플릭스의 추천 시스템 공개 경쟁에서 기존 추천시스템을 이긴 사이몬 펑크(Simon Funk)와 비슷한 아이디어이고 구글의 개발자용으로도 소개됐다. 그때 주어진 데이터는 1 개의 시청자 평가로, 50만 시청자와 1만7000편의 영화에 벡터 사이즈는 40이었다.
<a href="https://massagereview.co.kr/include/category_view.php?code=area&wr_area[]=%EC%84%9C%EC%9A%B8&wr_area[]=%EC%9D%80%ED%8F%89%EA%B5%AC" target="_blank" rel="noopener" title="은평구마사지샵" class="seo-link good-link">은평구마사지샵</a>  중 하나는 생성형 추출 방법(Generative Retrieval)을 이용해 영화와 시청자에게 임베딩과는 약간 다른 벡터 ID를 부여한다. 이 ID는 SID(의미상 ID)라 부르며 여러 속성에 대한 정보로 구성된다. 다음, 앞의 리스트를 보고 다음 영화를 예측케 하는 NWP(다음 단어 추측)식으로 LLM을 훈련시킨 후 다음 영화들을 추천한다. 또 다른 접근법으로는 '그래프-기반 추천법'이 있다. 지식 그래프의 모든 노드를 시청자 노드와 영화 노드 지역으로 양분한 후, 각 노드에 그 속성을 담아 임베딩을 만들고, 벡터 DB에 넣은 후, 시청자를 유사한 영화에 연결하는 방식이다. 이 각 사례에서는 LLM의 일등공신인 임베딩 아이디어를 이용한 깔끔한 애플리케이션을 보여준다.

기술의 변화 속도는 점점 빨라지고 새로운 혁신이 연일 등장하지만, 성공하는 스타트업들을 자세히 들여다보면 흥미로운 공통점을 발견할 수 있다. 그들은 최첨단 기술 자체에 매몰되지 않고, 시대를 초월해 변하지 않는 인간의 근본적인 욕구와 심리적 패턴을 정확히 파악했다는 것이다..