How We Rebuilt Search Ranking at Faire with Deep Learning
Author: Yin Ki Ng | Source: Faire Engineering Blog | Published: 2026-05-01
한 줄 요약
Faire가 XGBoost 기반 검색 랭킹을 딥러닝(DCN)으로 2년에 걸쳐 전환하며 멀티태스크 학습, 크로스서피스 파인튜닝을 통해 주문량 +2.14% 향상을 달성한 여정.
핵심 주장/내용
- XGBoost의 한계: 다중 목표 밸런싱이 label engineering에 의존(brittly), 시퀀셜 모델링 불가, 구조적 포지션 디바이어싱 불가
- 딥러닝 전환의 핵심 3축: (1) 데이터 품질 관찰성 강화, (2) 분포 인지 피처 정규화(log/Z-score), (3) NaN 인디케이터로 결측값 구분
- 세션 정규화 리스트와이즈 크로스엔트로피 손실 + 멀티태스크 가중치로 관련성-참여도 트레이드오프를 모델 내에서 해결
- 크로스서피스 파인튜닝: Product Search 모델을 Brand Page Search에 파인튜닝하여 개발 주기 ~50% 단축
- 서빙: SageMaker TorchServe에서 Nginx+Gunicorn+Flask 커스텀 이미지로 전환, 공유 메모리로 임베딩 테이블 복제 비용 제거, CPU 샌드박싱으로 동시 추론 최적화
주요 수치 / 사실
- Brand Page Search +0.14% 주문량 (2025년 3월, 크로스서피스 파인튜닝 첫 성과)
- Product Search +2.14% 주문량(북미), +1.54%(유럽) (2025년 11월, 멀티태스크 학습)
- TorchServe 타볼 기반 배포: 20~30분 시작 지연 → 커스텀 이미지: 수분
- Grouped permutation importance + synthetic zero-feature로 피처 25% 제거 후 성능 유지
관련 위키
Source: 원문 보기