프로젝트
응용·엔드투엔드 프로젝트 4개
-
고객 세분화와 인과 타겟팅
2026공개 Dunnhumby 리테일 데이터로 NMF·K-Means 세분화에서 출발해 메타러너·Causal-Forest HTE 추정을 거쳐 OPE로 검증한 최적 타겟팅 정책까지 엔드투엔드로 잇는다.
PersonalizationCausal InferencePythonscikit-learnEconMLCausal ForestNMFOptuna -
인과 기반 멀티터치 어트리뷰션
2026단일 Inhomogeneous Poisson Process 위에 Incremental·Shapley 채널 기여도와 path-level 분해를 통합해, 채널 예산·여정 설계·모집단 인과효과를 하나의 효율성 항등식으로 답한 시뮬레이션 연구(18-method 벤치마크, ground-truth MAE 0.016
Causal InferenceDecision-Making under UncertaintyPythonstatsmodelsNumPy/pandasPoisson GLM (IPP)Shapleymatplotlib -
지금 이 사이트의 챗봇
2026이 사이트의 grounded RAG 어시스턴트 — 정적 Cloudflare 엣지 위에서 발행된 노트만 근거로 답하는 안전한 LLM. 데모는 이 페이지 우측 하단의 버튼입니다.
Decision-Making under UncertaintyAstro (static)Cloudflare WorkersWorkers KVTypeScriptOpenAI gpt-4.1-minitext-embedding-3-small (512-d) -
OPE → Decision — 참값 없이 배포를 판정하는 게이트
2026참값 $V(\pi_e)$ 를 아무도 모르는 실무 조건에서, 추천 로그만으로 "믿는다/못 믿는다/A/B로 보낸다"를 판정하는 OPE 배포 게이트를 만들고 — 그 신호의 예보력과 원리적 맹점까지 참값 보유 백스테이지에서 채점한 벤치마크.
Decision-Making under UncertaintyCausal InferencePythonNumPyscikit-learnobp (교차검증)Open Bandit Dataset