데이터 누적 단계 (현재 = Phase 1)

• 모든 자동 선정 결과 → selections 영구 저장
• 모든 수동 조정 이력 → manual_adjustments (필수 사유)
• 가중치/룰 변경 이력 → selection_history
• 운영자 행동 → audit_logs

→ 별도 라벨링 비용 0. 라벨 데이터가 자동 누적됩니다.

모델 학습 (Phase 2, 별도 견적)

• manual_adjustments를 라벨로 → "운영자가 어떤 신청자를 선정/제외했는가" 학습
• 모델 후보: LightGBM (구조화 데이터 강함) / XGBoost
• 학습 데이터 임계치: 캠페인 50건 + 수동 조정 500건 누적 시점
• 출력: 각 신청자별 ML 예측 점수 (현재 점수와 별도 컬럼)

A/B 테스트 (Phase 2)

• 새 캠페인의 50%는 룰 점수, 50%는 ML 점수로 선정
• 후기 품질 + 완료율 비교 → ML이 우세하면 전면 전환
• 점진적 신뢰도 측정 (선정 1,000건 이상에서 통계적 유의)

동일 인터페이스 (현재 API와 동일)

• Phase 2에서 POST /api/ai/recommend-weights 등 호출부 동일
• 내부만 통계 → ML 모델 호출로 교체 (Cloudflare Workers AI 또는 외부 추론)
• UI / 운영 절차 / 운영자 학습 비용 0