GPR 핵심 아키텍처
추천과 생성을 하나의 흐름으로 연결해 사용자별 최적 경험을 자동 설계하는 GPR 핵심 기술
GPR은 사용자 상태 추론과 콘텐츠 융합 생성을 하나의 구조로 연결합니다.
Augmenting AI Addeep-GPR(Generative Pre-trained Recommender)의 기술 구조는 크게 두 축으로 이루어집니다. 하나는 사용자의 상태를 시간 흐름 속에서 추론하는 마인드셋 추론 모델이며, 다른 하나는 선택된 자산과 조건을 바탕으로 장면을 설계하고 생성하는 ACT 모델입니다.
Mindset Model
Shared Semantic Latent Space
ACT Fusion
Generation Loop
Mindset Inference Overview
사용자 이해는 프로필이 아니라, 상태 추론에서 시작됩니다.
GPR의 마인드셋 추론 모델은 사용자를 고정된 취향이나 단순 세그먼트로 보지 않습니다. 사용자의 이벤트 로그, 맥락 정보, 시간 흐름을 함께 반영하여 현재의 의도와 관심, 정서적 상태, 행동 경향을 추론합니다.
Mindset Flow
행동 로그는 상태 추론을 거쳐, 해석 가능한 사용자 모델로 전환됩니다.
GPR의 차별점은 더 많이 추천하는 데 있지 않습니다. 지금 이 사용자에게 가장 자연스럽고 효과적인 경험이 무엇인지를 판단하고, 그에 맞게 콘텐츠와 광고, 상품 연결 방식을 함께 설계하는 데 있습니다.
Event Log
클릭, 체류, 저장, 좋아요, 컨텍스트 정보 등 다양한 사용자 행동 이벤트가 지속적으로 축적됩니다.
Observation Encoding
수집된 이벤트와 맥락 정보는 특징 추출과 임베딩 변환을 통해 상태 추론이 가능한 입력 표현으로 정리됩니다.
RSSM State Inference
사용자의 상태는 단일 시점이 아니라 시간 축 위에서 변화합니다. 애딥의 RSSM(Recurrent State-Space Model)은 상태의 연속성, 잡음 제거, 불확실성을 함께 다루며 현재의 잠재 상태를 추정합니다.
LMM
LMM(Large Mind-mining Model)은 최근 맥락과 잠재 상태를 바탕으로 사용자의 의도 구조, 집중 대상, 반응 방향성 등 해석 가능한 마인드셋 출력을 생성합니다.
UMM
추론된 결과는 UMM(User Mind Map) 구조를 통해 의도, 관심, 행동, 감정, 성향 등 해석 가능한 사용자 모델 형태로 정리됩니다.
Why This Matters
중요한 것은 사용자가 무엇을 눌렀는지가 아니라, 왜 그런 반응을 보였는지입니다.
기존 추천 시스템은 주로 과거 클릭 패턴을 기반으로 다음 후보를 예측합니다. 반면 GPR은 행동 뒤에 있는 의도와 상태를 이해하려고 합니다. 이 차이는 단순한 추천 정확도를 넘어, 어떤 장면을 설계하고 어떤 메시지를 연결해야 하는지까지 결정하는 기반이 됩니다.
ACT Overview
ACT(Addeep Automatic Content Convergence Technology)는 선택된 자산과 조건을 실행 가능한 생성 설계도로 전환합니다.
ACT는 상품, 콘텐츠, 사용자 상태, 브랜드 조건을 개별 요소로 다루지 않습니다. 의미적으로 정렬된 자산과 제어 조건을 함께 받아, 장면 수준의 표현으로 융합하고 생성 가능한 ConditionPack으로 전환합니다.
ACT Flow
의미 정렬에서 시작해, 자산 선택과 융합을 거쳐 생성으로 이어집니다.
Input Layer
상품 정보, UGC및 참조 콘텐츠, 사용자 상태 및 행동 로그, 브랜드와 광고 조건이 입력으로 들어옵니다.
Encoding / Representation Layer
각 입력은 Product Encoder, UGC Encoder, User Behavior Model, Brand/Policy Parser, Context Encoder를 통해 비교 가능한 표현으로 변환됩니다.
Shared Semantic Latent Space
서로 다른 입력들은 같은 의미 좌표계에서 비교·정렬됩니다. 이 공간에서 후보 검색, 적합도 판단, 재정렬이 이루어집니다.
Asset Selection / Packaging
선택된 상품, 정제된 콘텐츠, 시각 속성, 구조화 메타데이터, 검색 및 재정렬 결과가 AssetPack으로 구성됩니다.
Fusion Layer
객체 측 입력과 제어 측 입력이 함께 들어와 장면 수준의 표현으로 융합됩니다. 이 단계에서 무엇을 어떤 분위기로 보여줄지, 얼마나 브랜드 톤을 유지할지, 어떤 구성을 취할지가 결정됩니다.
Condition Construction
융합 결과는 z_fusion과 ConditionPack으로 정리되며, 장면 설계도와 제어 지침, 구조화 프롬프트, 생성 파라미터 형태로 생성 단계에 전달됩니다.
Generation / Rendering
이미지 생성, 영상 생성, 멀티모달 렌더링, 합성 및 후편집 단계를 통해 최종 결과물이 생성됩니다.
Logging / Memory / Learning
입력 참조, 선택 자산, 융합 방식, 생성 파라미터, 결과물, 평가 지표가 기록되며 다음 선택과 생성 개선에 반영됩니다.
ACT Differentiation
중요한 것은 사용자가 무엇을 눌렀는지가 아니라, 왜 그런 반응을 보였는지입니다.
ACT는 모든 결과를 무조건 처음부터 생성하는 방식이 아닙니다. 이미 존재하는 상품 정보, 콘텐츠 자산, 사용자 상태, 브랜드 조건을 의미적으로 정렬하고, 필요한 요소를 선택·구성·융합하여 실행 가능한 생성 구조로 바꿉니다. 이 접근은 개인화 품질과 생성 효율을 함께 고려할 수 있는 기반이 됩니다.
마인드셋 추론과 ACT가 연결될 때, 개인화는 추천을 넘어 실제 경험 설계가 됩니다.
Addeep GPR의 핵심은 사용자 이해와 콘텐츠 실행이 하나의 시스템 안에서 연결된다는 점입니다. 마인드셋 추론 모델이 사용자의 현재 상태를 해석하고, ACT가 그 결과를 실제 장면과 메시지, 콘텐츠 구성으로 전환함으로써, GPR은 더 정교하고 실질적인 초개인화 경험을 구현합니다.