내비게이션 검색 관점에서 사용할 만한 ML, AI 모델

개요: 내비게이션 목적지 검색 기능을 개선하는 데 적합할 수 있는 여러 ML 및 AI 모델을 소개하고 적용 방법을 고민해 본다.

1. CNN(Convolutional Neural Networks): CNN은 이미지 인식에 일반적으로 사용되는 일종의 신경망이지만 텍스트 분류에도 적용할 수 있습니다. CNN 모델은 해당 범주 및 메타데이터와 함께 대상 이름의 대규모 데이터 세트에서 훈련할 수 있으며 지정된 대상 이름의 범주를 예측하는 데 사용할 수 있습니다.
   예) 'ㅇㅁㅌ', '이마', '이', 'e-mart', 'emart' 와 같은 데이터 셋을 '이마트'로 훈련하고 출력을 '이마트'로 사용자에게 추천 할 수 있다.
2. 자연어 처리(NLP) 모델(Natural Language Processing (NLP) Models): NLP 모델은 자연어 텍스트의 의미를 분석하고 이해하는 데 사용할 수 있습니다. 이러한 모델을 사용하여 목적지 이름에서 위치 또는 업체 유형과 같은 관련 정보를 추출하고 이 정보를 사용하여 보다 정확한 검색 결과를 제공할 수 있습니다.
   예) '이마트 주차장으로 안내해줘' 와 같은 검색 요청어가 들어 왔을 시 NLP 분석 모델을 통해 '이마트', '추차장', '안내' 와같은 키워드를 분석하고 추천 해 줄 수 있다.
3. 협업 필터링 모델(Collaborative Filtering Models): 협업 필터링은 과거 행동이나 선호도를 기반으로 사용자에게 항목을 추천하는 데 사용되는 기술입니다. 이러한 접근은 사용자의 검색 이력을 분석하여 과거 검색이나 선호도와 유사한 목적지를 추천함으로써 내비게이션 목적지 검색에 적용할 수 있다.
   예) 개인화 된 사용자 응답을 도출해 낼 수 있을 것으로 기대 된다. 예를 들면 내비 검색 사용자가 주로 검색하거나 목적지 경로로 선택한 POI(point of interest)를 추천 할 수 있다.
4. 강화 학습 모델(Reinforcement Learning Models): 강화 학습은 에이전트가 보상을 최대화하기 위해 환경에서 조치를 취하는 방법을 배우는 기계 학습 유형입니다. 내비게이션 목적지 검색의 맥락에서 강화 학습 모델은 사용자 만족도를 극대화하기 위해 사용자 피드백 및 선호도를 기반으로 목적지를 제안하도록 훈련될 수 있습니다.
   예) 상동
5. 클러스터링 모델(Clustering Models): 클러스터링은 유사한 항목을 함께 그룹화하는 데 사용되는 기술입니다. 내비게이션 대상 검색의 맥락에서 클러스터링 모델을 사용하여 위치, 비즈니스 유형 또는 인기도와 같은 특성에 따라 유사한 대상을 그룹화하고 사용자에게 더 관련성 높은 검색 결과를 제공할 수 있습니다.
   예) '근처 맛집', '가로수길 맛집', '핫플', '근처 편의점' 과 같은 특수 키워드를 활용한 위치 기반 검색이 가능할 것으로 보인다.

전반적으로 내비게이션 목적지 검색 기능을 위한 ML 또는 AI 모델의 선택은 사용 가능한 데이터 및 리소스뿐만 아니라 애플리케이션의 특정 요구 사항 및 목표에 따라 다릅니다.