Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
산업용 차량 호출 시스템을 위해 LLM 에이전트 기반의 사용자 프로파일링 프레임워크인 ProfiLLM을 제안합니다. 대규모 로그 처리와 유틸리티 정렬 문제를 해결하여 실제 배차 시스템의 예측 성능과 GMV를 개선했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기플랫폼 규모의 행동 로그(behavioral logs)에 대한 의미론적 특징 추출기(semantic feature extractors)로서 대규모 언어 모델(LLMs)을 산업용 차량 호출(ride-hailing) 배차 시스템에 도입하는 것은 매력적이지만 아직 충분히 탐구되지 않은 데이터 시스템 문제입니다. 실제 운영 중인 매칭 파이프라인(matching pipelines)은 여전히 구조화된 수치적 특징(structured numerical features)이 지배하고 있지만, 결정적인 행동 신호(예: 특정 지역에 대한 운전자의 습관적인 기피)는 본질적으로 맥락적이며 LLM이 생성한 사용자 프로필(user profiles)로 자연스럽게 표현될 수 있습니다. 그러나 이러한 프로파일링을 밀리초 단위의 지연 시간(millisecond-latency)을 가진 실시간 배차 시스템으로 확장하는 데에는 다음과 같이 함께 다뤄진 적이 드문 세 가지 상호 연결된 제약 사항이 존재합니다: 첫째, 일일 주문량이 수백만 건에 달하는 플랫폼에서 로그는 어떤 LLM의 컨텍스트 윈도우(context window)보다도 수십 배 더 큽니다. 둘째, 대부분의 사용자는 롱테일(long-tail)에 속하여 개별 사용자 프로파일링을 수행하기에는 상호작용이 너무 적습니다. 셋째, 겉보기에 유창한 프로필이 반드시 다운스트림 예측 유틸리티(downstream prediction utility)를 향상시키는 것은 아닙니다. 우리는 두 개의 모듈을 통해 실제 운영 매칭 시스템을 위한 유틸리티 정렬 사용자 프로파일링을 실행하는 에이전트 기반 LLM 데이터 파이프라인인 ProfiLLM을 제시합니다. (1) 도구 증강 글로벌 지식 마이닝(Tool-Augmented Global Knowledge Mining)은 LLM 에이전트에 27개의 분석 도구를 장착하여 플랫폼 규모의 데이터를 마이닝하고, 재사용 가능한 글로벌 지식, 적응형 사용자 클러스터링 규칙(adaptive user clustering rules), 그리고 지역 수준의 수요-공급 사전 확률(supply-demand priors)을 생성합니다. (2) 유틸리티 정렬 프로필 탐색(Utility-Aligned Profile Exploration)은 클러스터당 여러 개의 후보 프로필을 생성하고, 경량화된 다운스트림 유틸리티 프록시(downstream utility proxy)를 통해 이를 평가하며, 최적의 후보를 반복적으로 정제하고 DPO 미세 조정(DPO fine-tuning)을 위한 선호도 쌍(preference pairs)을 구축합니다. DiDi의 실제 운영 배차 시스템에 배포된 ProfiLLM은 결과 예측에서 최대 +6.14%의 상대적 AUC 향상을 달성하였고, 배차 시뮬레이션에서 최대 +4.35%의 GMV 이득을 기록하였으며, 14일간의 온라인 A/B 테스트에서 GMV +0.47%, 완료율(Completion Rate) +0.33%, 수락 전 취소율(Cancel-Before-Accept rate) -0.82%를 포함한 일관된 개선을 보여주었습니다.