Shaped (YC W22) 출시: AI 기반 추천 및 검색 플랫폼

안녕하세요 HN! Shaped(
https://www.shaped.ai/)의 Tullie와 Dan입니다.
저희는 마켓플레이스와 콘텐츠 기업을 위한 시맨틱(semantic) 추천 및 검색 플랫폼을 구축하고 있습니다.

여기 https://play.shaped.ai/dashboard/home에서 데모 모델을 탐색하고 결과를 상호작용적으로 평가할 수 있는 샌드박스가 있습니다. 또한, 여기 https://www.youtube.com/watch?v=toCsUYQnJ_g에 데모 비디오가 있습니다.

개인과 생성형 도구 모두에 의해 주도되는 온라인 콘텐츠의 폭발적인 증가는 사용자들이 노이즈 속에서 자신에게 관련 있는 것을 걸러내기 어렵게 만들고 있습니다. Netflix, TikTok, Meta와 같은 플랫폼들은 개인화된 경험이 혼잡함을 뚫고 사용자 참여를 효과적으로 이끄는 핵심임을 입증하며 높은 기준을 제시했습니다.

벡터 스토어(vector stores)와 같은 AI 및 시맨틱 인프라의 발전에도 불구하고, 진정으로 관련성 있는 추천 또는 검색 시스템을 구축하는 것은 여전히 매우 어렵습니다. 단순히 최신 LLM을 배포하는 것 이상의 문제입니다—어려움은 구성 요소를 원활하게 오케스트레이션(orchestrate)할 수 있는 인프라를 만드는 데 있습니다. 방대한 사용자에게 실시간 개인화된 추천 서비스를 제공하면서 동시에 새로운 데이터로 모델을 지속적으로 파인튜닝(fine-tuning)하는 과제를 고려해 보십시오. 이는 속도, 규모, 정교함의 섬세한 균형 잡기를 요구합니다.

저희의 목표는 어떤 기술 팀이라도 자신의 데이터 인프라에 관계없이 최첨단 추천 및 검색 시스템을 구축할 수 있도록 힘을 실어주는 것입니다. 저희가 마찰(friction)을 제거하는 방법은 다음과 같습니다:

데이터 문제 해결: 저희는 Segment, Amplitude, Rudderstack 등 고객의 데이터 소스에 직접 통합됩니다. 실시간 스트리밍, ETL(Extract, Transform, Load), 그리고 데이터 품질의 견고함과 같은 복잡성을 처리하여 몇 분 안에 시작할 수 있도록 합니다.

최첨단 모델 활용: 저희는 최첨단 대규모 언어, 이미지 및 테이블 인코딩 모델을 사용합니다. 이는 데이터에서 최대 가치를 추출할 뿐만 아니라 비정형 데이터가 있는 경우에도 프로세스를 단순화합니다.

실시간 최적화: 비전(vision) 또는 자연어 처리(NLP) 작업과 달리, 추천 시스템의 성능은 실시간 기능—학습(training), 피처 엔지니어링(feature engineering), 그리고 서비스 제공(serving)—에 달려 있습니다. 저희는 이 점을 핵심으로 플랫폼을 설계했습니다.

저희는 이미 많은 기업들이 사용자에게 관련성 높은 추천 및 검색 기능을 구축하도록 돕고 있습니다. 예를 들어, Outdoorsy는 저희를 사용하여 RV 대여 마켓플레이스를 운영하고 있습니다. DribbleUp과 같은 전자상거래 비즈니스나 Overlap과 같은 스타트업은 Shaped을 통합한 후 전환율(conversions)과 참여도(engagement)가 최대 40%까지 증가하는 것을 경험했습니다.

저희에 대해 조금 말씀드리자면: Tullie은 이전에 Meta의 FAIR에서 다중 모드 순위 지정(multimodal ranking) 작업을 하는 AI 연구원(AI Researcher)이었습니다. 그는 IG Reels와 같은 시스템을 구동하는 비디오 이해 모델을 포함하는 널리 사용되는 비디오 이해 라이브러리인 PyTorchVideo를 출시했습니다. Dan은 행동 심리학이 사용자 경험에 어떻게 영향을 미치는지에 초점을 맞춰 Afterpay와 Uber에서 제품 리서치를 이끌었습니다.

저희는 오랫동안 Shaped 구축에 전념해 왔기 때문에, 이번 출시는 큰 이정표처럼 느껴집니다. 여러분의 피드백을 듣고 싶습니다—기술적인 심층 분석(technical deep dives), 기능 요청 등 무엇이든 좋습니다. 의견을 알려주세요!