# AirSPACE ## AirSPACE? AirSPACE는 사용자 위치/취향에 기반한 개인화된 POI(Point-of-Interest, 장소) 추천 서비스를 개발하고, 추천을 위한 유저/지역/POI 데이터 분석 및 모델링을 개발합니다. ![https://campaign.naver.com/smefullcare/tech/](/files/-MiWJ5BVz-N33f78uput) AirSPACE 소개 Tech Blog : ## 이런 서비스를 만듭니다 * [Smart Around (그린닷 내주변) ](https://s.search.naver.com/p/around/search.naver) * [네이버 지도(앱/웹) > 주변 추천](https://map.naver.com/) * [네이버 통합검색 > 플레이스 ForYou](https://m.search.naver.com/search.naver?query=%EC%A0%9C%EC%A3%BC%EB%8F%84+%EB%A7%9B%EC%A7%91) * [네이버 My플레이스 > POI, 유저 추천](https://m.place.naver.com/my) * [Line Place > Menu/Review Search, Review\&User Recommendation](https://lineconomi.me/) ![](/files/-MiWOs6z5rJFjAOLr03_) * **주요 서비스 기사** * [네이버 ‘스마트어라운드’, 골목상권 매출 성장 이끌었다](https://biz.chosun.com/site/data/html_dir/2020/08/25/2020082500992.html) * [네이버 지도에서 AI가 골목식당 추천하자 일평균 85만명이 사용](https://www.mk.co.kr/news/it/view/2020/08/872066/) * [네이버 스마트어라운드에 '주변 쇼핑' 정보 탑재](https://m.etnews.com/20210108000084) * [네이버서 예약하면 AI가 목적 맞는 장소 추천해준다](https://zdnet.co.kr/view/?no=20210218123047) ## 이런 연구 개발을 하고 있습니다 * **주요 연구개발 분야** * CF / MF / GNN / MAB 등 개인화 추천 알고리즘 연구 및 고도화 * MLOps 기반의 ML 서비스 개발 * 온/오프라인에서의 이용자 검색/리뷰/구매 등 행위 분석을 통한 User Modeling (Embedding) * 온/오프라인 장소별 이용자 로그를 통한 POI & Region Modeling (Embedding) * **주요 연구개발 실적** * [Deview 2016, "딥러닝을 이용한 지역 컨텍스트 검색"](https://deview.kr/2016/schedule#session/144) * AI Colloquium 2018, "Location based Recommendation" * AI Colloquium 2019, "Smart Around : from embedding to POI recommendation" * [Deview 2020, "당신 취향의 맛집을 추천해드립니다 : 장소 개인화 추천 시스템의 비밀 (Collaborative Filtering Meets the Item Embedding)"](https://deview.kr/2020/sessions/349) * [AI Colloquium 2021, "Understanding POI: from Context to Embedding](https://tv.naver.com/v/20312470/list/709884) ## 이렇게 생활하고 있습니다 * [네이버 검색의 브레인 에어스페이스팀 김창회·전영환 개발자를 만나다](https://zdnet.co.kr/view/?no=20210511160718) * [먹고, 마시고, 노는 거 좋아하는 개발자가 네이버에서 하는 일(a.k.a 덕업일치)](https://m.blog.naver.com/naver_diary/222148510019) ## 함께 하실 분을 찾습니다 * **AirSPACE 팀 기술 스택** * Data Engineering : Python, Scala, Spark, MapReduce, Hive, Jupyter Notebook, Zepplin * AI Modeling : Pytorch, Tensorflow * Model Serving : Elastic Search 등 Search Engine, FAISS, Flask * Workflow : k8s, docker, airflow, kubeflow * **ML Engineer 우대사항** * 통계 기반 지식을 바탕으로 한 데이터 분석 또는 AI/ML 경험을 소유하신 분 * CF, MF, 강화학습 등 추천 모델링 경험 또는 지식을 보유하신 분 * CNN, GANs, RNN/LSTM, GNN 등 딥러닝 관련 경험과 지식을 보유하신 분 * POI, 사용자 위치 데이터를 활용한 데이터 처리 또는 모델링 경험이 있으신 분 * **Back-end Engineer 우대사항** * Spark, MapReduce 등 대규모 데이터 분산처리 경험이 있으신 분 * k8s, docker 등 클러스터 및 컨테이너 개발 환경에 대한 지식이 있으신 분 * 머신러닝/딥러닝 모델을 서빙하거나 AI 모델에 대한 지식이 있으신 분 * **모든 것을 뛰어넘을 단 하나의 필수 요구역량** * 맛집과 같은 개인화 장소 추천 서비스를 내 손으로 만들어보고 싶은 의지가 활활 타오르시는 분은 누구든 환영합니다. --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://naver-career.gitbook.io/kr/service/search/local/airspace.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.