SK텔레콤 · 2024.01 – 2024.12
영화 예매 에이전트 (T멤버십·에이닷)
12%예매 전환율T멤버십 영화 예매 · 방문자 대비 예매 완료 비중
11만누적 사용자영화 예매 에이전트
8,000MAUT멤버십 영화 예매
01배경 및 목표
- T멤버십 영화 예매를 대화로 제공하는 에이전트로, 영화관 직원과 대화하듯 영화를 추천·검색하고 쉽게 예매할 수 있어야 했습니다.
- 대화뿐 아니라 버튼 등 UI도 함께 쓰는 서비스여서 UI/UX와 LLM Workflow가 자연스럽게 이어져야 했습니다.
02핵심 과제
- C1 대화로 예매 정보를 수집하는 Slot Filling과 개인화
- C2 UI/UX와 LLM Workflow의 연동
- C3 영화 정보 검색 정확도, 응답 속도, API 비용
03기여 내용
Slot Filling 에이전트 설계·개발C1
- 대화로 영화 정보를 안내하면서 예매에 필요한 정보를 모으도록 Function Calling 기반 LLM Workflow 설계
- 사용자 기본 정보(위치, 최근 방문 영화관, 선호 극장)를 반영한 추천 정보 제공
- 긴 대화에서 수집한 정보(Slot)가 누락되지 않도록 상태 관리 모듈 적용
영화 검색 RAG 설계·개발C3
- 전처리: 영화명 유의어 사전을 저장한 Trie 구조로 요청에서 영화 이름 태깅
- 키워드 추출: LLM으로 요청에서 영화 관련 메타·키워드 추출
- 관련 영화 검색: 추출한 메타·키워드로 Vector 검색과 메타 필터링 적용
- 최종 추천: LLM으로 요청에 맞는 영화 선정
영화 메타 분석 파이프라인 자동화C3
- Airflow로 매일 업데이트된 영화 정보에서 LLM과 전처리 모듈로 키워드·요약·메타 추출
- 추출한 정보를 Vector로 변환해 Vector DB에 동기화
UI/UX와 LLM Workflow 연동 설계C2
- UI(버튼 등)로 수행한 결과를 LLM Workflow의 프롬프트에 포함해 두 기능이 자연스럽게 이어지도록 설계
로그 기반 데이터 수집과 모델 학습C3
- Function Calling 정확도와 멀티턴 유창성을 높이도록, 서비스 로그에서 학습 데이터를 모아 GPT 모델 파인튜닝 (Azure OpenAI)
04기술 스택
- 프레임워크 · 플랫폼
- Azure OpenAI, Datadog, Airflow
- 방법론
- Prompt Engineering, Function Calling, RAG
05성과
- T멤버십 영화 예매 MAU 8,000명, 영화 예매 에이전트 누적 사용자 11만 명
- 예매 전환율 12% (T멤버십 영화 예매 방문자 대비 예매 완료)