AI 회사에서 AI를 활용하는 법: STORM Fooding 사례

# create constraints - one uniqueness constraint for each node label
gds.run_cypher('CREATE CONSTRAINT unique_department_no IF NOT EXISTS FOR (n:Restaurant) REQUIRE n.departmentNo IS UNIQUE')
gds.run_cypher('CREATE CONSTRAINT unique_product_code IF NOT EXISTS FOR (n:Menu) REQUIRE n.productCode IS UNIQUE')
gds.run_cypher('CREATE CONSTRAINT unique_article_id IF NOT EXISTS FOR (n:Category) REQUIRE n.articleId IS UNIQUE')
gds.run_cypher('CREATE CONSTRAINT unique_customer_id IF NOT EXISTS FOR (n:Customer) REQUIRE n.customerId IS UNIQUE')

# load nodes
gds_db_load.load_nodes(gds, department_df, 'departmentNo', 'Restaurant')
gds_db_load.load_nodes(gds, article_df.drop(columns=['productCode', 'departmentNo']), 'articleId', 'Category')
gds_db_load.load_nodes(gds, product_df, 'productCode', 'Menu')
gds_db_load.load_nodes(gds, customer_df, 'customerId', 'Customer')

# load relationships
gds_db_load.load_rels(gds, article_df[['articleId', 'departmentNo']], source_target_labels=('Category', 'Restaurant'),
                      source_node_key='articleId', target_node_key='departmentNo',
                      rel_type='FROM_Restaurant')
gds_db_load.load_rels(gds, article_df[['articleId', 'productCode']], source_target_labels=('Category', 'Menu'),
                      source_node_key='articleId',target_node_key='productCode',
                      rel_type='VARIANT_OF')
gds_db_load.load_rels(gds, transaction_df, source_target_labels=('Customer', 'Category'),
                      source_node_key='customerId', target_node_key='articleId', rel_key='txId',
                      rel_type='PURCHASED')

# convert transaction dates
gds.run_cypher('''
MATCH (:Customer)-[r:PURCHASED]->()
SET r.tDat = date(r.tDat)
''')

# convert NaN product descriptions
gds.run_cypher('''
MATCH (n:Menu) WHERE valueType(n.detailDesc) <> "STRING NOT NULL"
SET n.detailDesc = ""
RETURN n
''')

# create combined text property. This will help simplify later with semantic search and RAG
gds.run_cypher("""
    MATCH(p:Menu)
    SET p.text = '##Menu\n' +
        'Name: ' + p.prodName + '\n' +
        'Type: ' + p.productTypeName + '\n' +
        'Group: ' + p.productGroupName + '\n' +
        'MenuType: ' + p.menuGroupName + '\n' +
        'Description: ' + p.detailDesc
    RETURN count(p) AS propertySetCount
    """)

# create FastRP node embeddings
gds.fastRP.mutate(g, mutateProperty='embedding', embeddingDimension=128, randomSeed=7474, concurrency=4, iterationWeights=[0.0, 1.0, 1.0])

# graph projection - project co-purchase graph into analytics workspace
gds.run_cypher('''
   MATCH (a1:Category)<-[:PURCHASED]-(:Customer)-[:PURCHASED]->(a2:Category)
   WITH gds.graph.project("proj", a1, a2,
       {sourceNodeLabels: labels(a1),
       targetNodeLabels: labels(a2),
       relationshipType: "COPURCHASE"}) AS g
   RETURN g.graphName
   ''')
g = gds.graph.get("proj")

# draw KNN
knn_stats = gds.knn.write(g, nodeProperties=['embedding'], nodeLabels=['Category'],
                  writeRelationshipType='CUSTOMERS_ALSO_LIKE', writeProperty='score',
                  sampleRate=1.0, initialSampler='randomWalk', concurrency=1, similarityCutoff=0.75, randomSeed=7474)

# write embeddings back to database to introspect later
gds.graph.writeNodeProperties(g, ['embedding'], ['Category'])

MATCH (m1:Menu {name: '차돌 곱도리탕'})
MATCH (m2:Menu)
WHERE m1 <> m2
WITH m1, m2, gds.similarity.cosine(m1.embedding, m2.embedding) AS similarity
WHERE similarity > 0.8
RETURN m2.name, similarity
ORDER BY similarity DESC

WITH Embedding{'더울 때 먹기 좋은'} AS embedding
MATCH (c:Customer)-[:Purchase]->(m:Menu)-[:From]->(r:Restaurant)
WITH r, COUNT(DISTINCT c) AS customer_count,
     AVG(gds.similarity.cosine(m.embedding, embedding)) AS avg_suitability
WHERE avg_suitability > 0.8
RETURN r.name, customer_count, avg_suitability
ORDER BY customer_count DESC, avg_suitability DESC
LIMIT 5

Global Search Response: ## 점심 추천: 가벼운 식사 옵션

어제 고기 요리를 드셨다면, 오늘 점심은 가벼운 메뉴를 선택하는 것이 좋습니다. 여러 가지 추천 옵션이 있습니다.

### 국수 및 면 요리
- **길동우동-신사역점**: 가벼운 우동이나 국수를 제공하는 이 식당은 식사 후 느끼함을 피할 수 있는 좋은 선택입니다 [Data: Reports (79)].
- **팔당냉면-강남본점**: 한국 냉면 전문점으로, 평균 리뷰 점수가 4.9로 고객 만족도가 높습니다. 가벼운 식사를 원하 신다면 이곳이 적합할 수 있습니다 [Data: Reports (166)].

### 샐러드 및 건강식
- **에브리데이샐러드-역삼점**: 다양한 샐러드를 전문으로 하며, 가벼운 점심으로 적합합니다 [Data: Reports (684)].
- **그리너샐러드-논현점**: 건강한 샐러드를 제공하여 점심으로 가볍고 상쾌한 선택이 될 수 있습니다 [Data: Reports (499)].

### 아시아 요리
- **베트남노상식당**: 다양한 가벼운 베트남 요리를 제공하여, 느끼함을 피할 수 있는 좋은 선택입니다 [Data: Reports (691)].
- **좋은초밥-선릉점**: 신선한 초밥을 전문으로 하며, 가벼운 식사로 적합합니다 [Data: Reports (506, 837, 476)].

### 한식 옵션
- **이두부야순두부찌개-강남논현점**: 두부 요리를 전문으로 하며, 고기 요리보다 가벼운 옵션을 제공합니다 [Data: Entities (2247)].
- **찜닭두찜-강남역삼점**: 찜탕 요리를 제공하며, 가벼운 한식으로 적합합니다 [Data: Reports (793)].

이러한 옵션들은 모두 가벼운 식사를 원하시는 분들에게 적합하며, 고객 만족도가 높아 추천할 만합니다. 점심 선택에 도움이 되시길 바랍니다!