jhljx/RecSys-Industrial-Book

해결하는 문제

이 프로젝트는 고립된 알고리즘 트릭이 아니라 산업용 추천 시스템이 어떻게 설계되고 배포되는지에 대한 깊고 체계적인 이해의 필요성을 해결합니다. 시스템 아키텍처, 평가, 검색, 랭킹, 리랭킹, 블렌딩 모듈부터 피처 엔지니어링, 오프라인/온라인 서비스, 편향 문제에 이르기까지 다중 챕터로 구성된 책(PDF)을 제공합니다. 또한 밀도 높은 기술 자료를 탐색 가능하고 실행 가능하게 만드는 실용적인 문제를 해결하기 위해, 챕터를 검색하고 구조화된 코스를 실행하며 학습 진행 상황을 검증할 수 있는 AI 에이전트와 책을 결합합니다.

작동 방식

이 프로젝트는 주로 PDF 챕터 모음입니다(현재 상하권 합쳐 약 650페이지, 전체의 약 절반 정도 완성). 책을 지식 베이스로 사용할 수 있도록 README는 동반 AI 에이전트 패키지를 설명합니다. 이 에이전트는 완전히 로컬에서 작동합니다. 게시된 PDF(권위 있는 텍스트)를 인덱싱하면 LaTeX나 이에 상응하는 Markdown을 노출하지 않고도 기계에 검색 가능한 인덱스가 구축됩니다. recsys_agent.py와 같은 명령줄 도구를 통해 다음을 수행할 수 있습니다:

• 게시된 19개 챕터를 검색하고 정확한 페이지 번호가 있는 인용을 받을 수 있습니다.
• 피드백과 가용 시간에 맞게 적응하는 구조화된 12주 학습 경로(신입 엔지니어 또는 대학원생)를 시작할 수 있습니다.
• 실제 명령 출력, 시험 점수, 경로 추론 등의 증거를 제출하여 단순한 주장이 아닌 숙달을 증명할 수 있습니다.
• 적응형 복습 프롬프트, 주제의 의존성 그래프, 자기 평가를 얻을 수 있습니다.
• 엔지니어링 워크벤치를 사용하여 설계 계약을 생성하고 코드를 검토하며 추천 파이프라인을 디버깅할 수 있습니다.
• 리콜 퓨전, 투 타워 ANN, 피처 타이밍 일관성, 과부하/성능 저하 처리를 다루는 4가지 실습 템플릿 프로젝트를 실행할 수 있습니다.

모든 인덱스와 개인 진행 데이터는 로컬 머신에 유지됩니다(Git에서 무시됨). 에이전트는 또한 tools/install_skills.py를 통해 Claude Code와 같은 호환 클라이언트에 표준 Agent Skills를 설치합니다. 저장소는 게시된 PDF와 독립적으로 작성된 챕터 맵, 개념 카드, 선행 조건 그래프, 증거 기반 학습 경로를 엄격히 분리합니다. 이들은 자동화된 게시 워크플로를 통해 새 챕터와 보조를 맞춰 업데이트됩니다.

대상 독자

이 책은 기계 학습과 추천 기초에 대해 탄탄한 배경을 가진 독자를 대상으로 합니다: 대학원생, 알고리즘 엔지니어, 아키텍처 엔지니어, 그리고 산업용 추천 시스템을 연구하거나 공부하는 기술 연구자입니다. 완전한 초보자에게는 적합하지 않다고 명시되어 있으며, ML과 딥러닝에 대한 사전 지식이 기대됩니다. AI 에이전트와 템플릿은 읽기에서 실용적이고 증거 기반 학습으로 전환하려는 사람이나 실제 추천 구성 요소를 구축하고 디버깅해야 하는 사람에게 유용합니다.

주요 특징

• 산업용 추천 시스템을 엔드투엔드로 다루는 포괄적이고 지속적으로 업데이트되는 오픈소스 책(현재 약 650페이지, 전체 계획의 약 50%).
• 로컬, 프라이버시 보호 AI 에이전트: 클라우드 의존성이나 MCP 설정 없이 PDF 검색, 인용, 학습 가능.
• 증거 기반 학습: 신입 엔지니어와 대학원 수준 연구자를 위한 12주 코스, 제출 기반 검증 및 적응형 복습 포함.
• 멀티채널 리콜, 투 타워 ANN, 피처 타이밍 일관성, 과부하 처리 등 핵심 산업 시나리오를 시뮬레이션하는 4가지 실행 가능한 템플릿 프로젝트.
• 챕터 업데이트 시 지식 맵, 개념 카드, 코스 단위 업데이트가 함께 제공되어 모든 자료를 동기화하는 게시 워크플로.
• 간단한 설치 스크립트를 통한 Claude Code 및 기타 Agent Skills 클라이언트와의 호환성.