idus 초개인화 추천 프로젝트에서 PM·딜리버리를 맡고 RAG 코어와 PoC 챗봇을 직접 구현했습니다. 대화에서 선물 조건을 추출해 추천 후보를 좁히는 흐름을 검증하고 팀의 Sapie-Reco 제품화에 기여했습니다.

이번 추천 시나리오에서는 구매자의 과거 행동뿐 아니라 선물 받을 사람, 관계, 기념일, 예산이 중요한 조건이었습니다. 구매 이력이 부족한 사용자에게도 대화로 후보를 제안하기 위해 고객 데일리 스크럼에서 추천 경험과 구현 범위를 조율했습니다.

단순 상품 나열 챗봇이나 문서 검색형 챗봇으로는 선물 추천 문제를 풀기 어려웠습니다. GenAI 기반 추천 흐름으로, 사용자의 답변에서 수신자, 관계, 기념일, 예산, 선호를 추출하고(대화형 조건 추출), 상품 카탈로그의 구조화 데이터와 메타데이터로 후보군을 단계적으로 좁히는(메타데이터 조건 검색) 흐름이 필요했습니다.

PM·딜리버리 총괄로 요구사항, 일정, 추천 시나리오, 프로토타입 범위와 제품화 핸드오프를 조율했습니다. RAG 코어와 PoC 챗봇 2종을 직접 구현해 기술 검증에도 참여했습니다. 배치 추천 구현은 주로 동료가 담당했고 최종 제품화는 팀 단위로 진행했습니다.

수신자, 관계, 기념일, 예산과 선호를 대화에서 추출하고 상품 메타데이터 조건으로 후보를 좁혔습니다. 초기 FAISS 검색 결과에 조건을 후처리하는 방식은 후보 부족 문제가 있어 가격대·카테고리 필터를 검색에 반영할 수 있는 Chroma 흐름으로 개선했습니다. 배치 추천 작업과 고객 대화형 PoC의 책임을 나누고 공통 추천 요구사항을 조율했습니다.

선물 추천을 구매자의 과거 행동만으로 설명하기보다 선물을 받는 사람의 관계·상황·예산을 중심으로 다시 정의했습니다. 고객 데일리 스크럼에서 질문 순서와 필요한 추천 조건을 조율하고, 이를 구현할 PoC 범위와 제품화 요구사항으로 정리했습니다.

고객 추천 시나리오를 구현 가능한 PoC 범위로 정리하고 RAG 코어·챗봇 검증 결과를 제품화 과정에 전달했습니다. 회사 제품 Sapie-Reco의 AWS Marketplace 등록과 공개 행사 소개는 팀·제품 차원의 결과입니다. 회사 발표의 제품 성능 수치를 개인 구현 성과나 이 PoC의 자체 측정값으로 사용하지 않습니다.

고객 요구사항을 그대로 개발 항목으로 옮기기보다, 실제 사용자 흐름과 구현 가능한 범위로 전환했습니다. 이 경험은 고객과 문제를 정의하고 기술을 비즈니스 요구에 맞게 연결하는 PM / Solutions Engineer / Technical BD 역할의 근거입니다.

직접 구현한 RAG 코어·PoC 챗봇과 PM·딜리버리 책임을 중심으로 설명합니다. 동료의 배치 추천 코드와 회사 제품 전체의 소유권은 구분합니다. 공개 사례 문서는 고객명 공개 승인 범위의 요약이며 원본 소스코드, 내부 고객 자료와 데이터 구조는 공개하지 않습니다.