개인화된 알림 시스템을 위한 생각에 관한 생각(Thinking Fast & Slow)
Summary
넷플릭스가 알림 시스템에 '생각에 관한 생각'을 입힌 방법: Slow & Fast 아키텍처
단기 클릭을 넘어 장기적 유저 경험까지 잡는 넷플릭스의 차세대 계층형 알림 전략
넷플릭스는 사용자에게 보내는 수억 건의 알림이 초래하는 피로도를 관리하면서도 참여를 극대화하기 위해 행동 심리학적 접근을 시스템에 이식했습니다. 전략적인 '계획'과 즉각적인 '실행'을 분리함으로써, 사용자마다 최적화된 주간 메시지 플랜을 수립하고 실시간으로 가장 가치 있는 콘텐츠를 전달합니다.
- 01심리학의 이중 프로세스 이론(System 1 & 2)을 머신러닝 시스템 설계에 직접 투영
- 02주간 단위 빈도 계획(Slow)과 실시간 메시지 선택(Fast)의 완전한 디커플링 실현
- 03피처 스토어를 활용한 정책 간 비동기 통신으로 시스템 복잡도 해결 및 일관성 유지
- 04개인화된 유틸리티 함수를 통해 긍정적 참여와 장기적 피로도 비용 간의 균형 최적화
- 05전략과 전술 레이어의 독립적인 A/B 테스트 및 모델 개선이 가능한 유연한 구조
RECOMMENDATION
대규모 사용자에게 반복적인 푸시/이메일을 발송하는 서비스의 엔지니어라면, 단기 CTR 최적화의 함정에서 벗어나 이와 같은 계층형 전략 레이어 도입을 강력히 추천합니다.
The Problem
기존의 알림 시스템은 단일 메시지의 단기적인 클릭률 최적화에 집중하여, 장기적인 알림 피로도 누적과 개별 사용자별 최적 수신 빈도 제어에 한계가 있었습니다. 특히 메시지 랭킹과 전송 속도 제어가 결합되어 있어, 빈도를 조절하면 메시지의 품질까지 변하는 문제가 발생했습니다.
The Solution
대니얼 카네먼의 이중 프로세스 이론을 응용하여, 주간 단위의 전략적 계획을 세우는 'Slow Policy'와 실시간 전송 기회에 전술적 결정을 내리는 'Fast Policy'로 계층화했습니다. 두 정책 사이의 통신은 저지연 피처 스토어(Feature Store)를 통해 비동기적으로 이루어지도록 설계했습니다.
The Result
성능 측정 결과, 넷플릭스 역사상 가장 큰 폭의 프로덕션 지표 상승 중 하나를 기록했으며, 특히 방문 빈도가 낮은 라이트 유저 그룹에서 유의미한 성과를 거두었습니다. 또한 전략과 전술 레이어의 분리를 통해 콘텐츠 랭킹 로직과 전송 빈도 최적화를 독립적으로 테스트하고 개선할 수 있는 유연성을 확보했습니다.
Trade-off
수신 거부와 같은 부정적 피드백 데이터가 매우 희소하기 때문에, 모델이 단순히 전송 빈도를 높이려는 경향을 보일 수 있습니다. 이를 방지하기 위해 '보편적 메시지 비용(Universal Message Cost)'이라는 인위적인 제약 조건을 도입하여 유틸리티 함수의 오목성을 유지해야 했으며, 이는 정밀한 실험적 튜닝이 필요합니다.
Key Concepts
More from Netflix
View all posts from NetflixMAPS: 넷플릭스의 대규모 멀티모달 에셋 개인화
CLIPMediaFMRecommendation Systems1일 전두 개의 플링크 오토스케일러 이야기
Apache FlinkAutoscalingStream Processing1주 전넷플릭스가 실시간 분산 그래프를 구축한 방법과 이유: 3부 — gRPC 실행 API를 통한 그래프 쿼리
gRPCGraph DatabaseDistributed Systems3주 전분석을 위한 디바이스 사양 모델링
Data ModelingFeature ManagementAnalytics4주 전GenRec: 넷플릭스의 LLM 네이티브 추천 시스템을 향하여
LLMRecommendation SystemContext Engineering1개월 전
Related reads#MachineLearning
Explore #MachineLearning
코로나19의 종식을 알게 된 방법 (그리고 우리 모델이 잊어야 했던 것들)
MATCH란 무엇인가
콘텐츠 런칭 리스크 예측: 데이터 기반 인사이트를 통한 서비스 준비 과정의 혁신
인과 추론을 위한 인간 증강형 에이전트 워크플로우
