PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.00654v1cs.AI

더 많은 데이터만으로는 충분하지 않을 때: 생성형 AI 개인화에서의 문맥-충분성 프론티어

When More Data Is Not Enough: The Context-Sufficiency Frontier in Generative AI Personalization

개인화는 오랫동안 고객 데이터를 활용하여 개인이 무엇을 가치 있게 여길지 추론하는 방식에 의존해 왔습니다. 우리는 이를 고객의 과거 행동 및 선호도인 '고객 증거(customer evidence)'라고 부릅니다. 생성형 AI(Generative AI)는 모든 조건을 사전에 인코딩하지 않고도 응답이 생성되는 시점에 제공자가 변화하는 상황적 정보를 공급할 수 있도록 하여 개인화를 확장합니다. 우리는 이러한 제공자 측 문맥을 현재 무엇이 가능하고, 허용되며, 권장되는지에 대한 정보로 정의합니다. 이러한 유연성은 새로운 문제를 야기합니다. 일단 문맥을 제공하기 쉬워지면, 더 많다고 해서 반드시 더 좋은 것은 아니라는 점입니다. 우리는 문맥의 양보다 고객의 현재 의도와의 관련성이 더 중요한 '문맥 충분성(context sufficiency)' 이론을 개발합니다. 이 이론은 불충분성(insufficiency), 충분성(sufficiency), 포화(saturation), 간섭(interference)의 네 가지 상태를 규명하고, 최소한의 관련 집합을 찾기 위한 '문맥-충분성 프론티어(Context-Sufficiency Frontier)'를 도입합니다. 대형 홈퍼니싱 소매업체의 생성형 추천 시스템을 대상으로 한 완전 요인 실험에서, 관련 문맥은 적절성을 향상시킨 반면, 무관한 문맥은 적절성을 떨어뜨리고 검색을 불안정화했습니다. 이 프레임워크는 개인화의 초점을 단순히 더 많은 문맥을 제공하는 것에서 현재 상호작용이 실제로 요구하는 것을 식별하고 서비스 프로세스 전반에 걸쳐 제약 조건을 강제하는 방향으로 전환합니다.