스포티파이, 대화형 추천 에이전트 개발 방법론 공개
Bootstrapping Conversational Recommendation Agents At Spotify: Synthetic Data Generation and Self-Improvement Loops
arXiv스포티파이가 자연어 기반의 복잡한 콘텐츠 추천을 위해 합성 데이터 생성과 자체 개선 루프를 결합한 대화형 에이전트를 개발했습니다.
- 이 시스템은 실제 사용자 데이터가 부족한 초기 단계(콜드 스타트)에서도 에이전트의 계획 수립 및 도구 사용 오류를 자동 수정하며 성능을 개선합니다.
- 실제 A/B 테스트 결과, 이 기술은 사용자 청취율 +14%, 주간 활성 사용자 수 +5% 증가 등 높은 비즈니스 효과를 입증했습니다.
- 본 방법론은 대화형 에이전트 개발을 가속화하는 실용적인 산업 프레임워크를 제시하며, 콘텐츠 추천 분야의 새로운 표준을 제시합니다.
대화형 추천 는 사용자가 "전에 들어보지 못한 이탈리아 인디 아티스트를 추천해 줘"와 같이 자연어를 통해 복잡한 의도를 표현할 수 있게 하는 새로운 콘텐츠 발견 패러다임입니다. 이러한 에이전트를 구축하는 핵심 과제는 특히 실제 사용자 상호작용 데이터가 부족한 콜드 스타트 환경에서 에이전트의 계획 수립(도구 선택, 순서 지정 및 호출)을 최적화하는 것입니다. 이를 해결하기 위해 다중 턴 생성 파이프라인과 자체 개선 루프를 도입했습니다.
합성 데이터 파이프라인은 단일 턴 를 현실적인 다중 턴 대화로 변환하여 출시 전 체계적인 평가가 가능하게 합니다. 또한, 자체 개선 루프는 분산 기반의 대비 최적화(variance-based contrastive optimization)와 코딩 에이전트를 통한 반복적 정제를 결합합니다. 이 과정은 계획 및 도구 사용 오류를 자동으로 식별하고 수정하여, 수동으로 최적화된 프롬프트보다 품질을 +8% 향상시키는 결과를 보였습니다.
본 시스템은 스포티파이에 프로덕션화되었으며 대화형 추천 에이전트 출시 주기를 크게 단축시켰습니다. 온라인 A/B 테스트 결과, 이 기술은 이전의 세션 개선만 지원하던 경험 대비 사용자 청취율 +14%, 주간 활성 사용자 수 +5% 증가, 스킵률 5% 감소 등의 높은 비즈니스 효과를 입증했습니다. 이는 대화형 에이전트 개발을 가속화하는 실용적인 산업 프레임워크를 제공합니다.
용어 풀이
- 에이전트
- 목표를 받으면 스스로 계획을 세우고 도구를 써서 여러 단계의 작업을 해내는 AI.
- 합성 데이터
- 실제로 모은 것이 아니라 AI나 프로그램으로 만들어 낸 학습용 데이터.
- 프롬프트
- AI에게 주는 지시나 질문 글.