GS SHOP, AI로 숏폼 영상 추천 혁신! 구매율 57.5% UP
GS SHOP은 숏폼 영상 기반의 개인화된 상품 추천을 위해 Amazon Bedrock 기반의 TwelveLabs Video Understanding 모델을 도입
기존 상품 ID 기반 추천에서 벗어나, 영상의 소구 포인트(Appeal Point)를 추출하여 추천에 활용하는 Hybrid 방식을 채택
총주문고객수 57.5% 증가를 달성하며, 영상 기반 추천의 효과를 입증
기존 추천 시스템을 교체하지 않고 확장하는 Hybrid 아키텍처(Hybrid Architecture)를 통해 안정성과 효율성을 동시에 확보
추천 시스템은 고객 반응을 학습하여, 향후 콘텐츠 제작에 활용하는 선순환 구조(Virtuous Cycle) 구축을 목표
영상 검색에서 추천으로: TwelveLabs Marengo와 Pegasus
GS SHOP은 TwelveLabs의 Marengo(Marengo) 모델을 활용하여 숏폼 영상 내의 자연어 검색(Natural Language Search) 기능을 구현했다. Marengo는 영상의 각 청크(Chunk)별 임베딩 벡터(Embedding Vector)를 생성하여, 텍스트 검색어와 유사도를 비교하는 방식으로 작동한다.
멀티모달 임베딩(Multimodal Embedding): 영상의 시각적 정보, 텍스트, 오디오를 함께 고려하여, 보다 정확한 검색 결과 제공
Amazon Bedrock 활용: 별도의 인프라 구축 없이, 검증된 모델을 활용하여 개발 및 운영 비용 절감
Pegasus(Pegasus) 모델: Marengo를 통해 이해한 영상 정보를 기반으로 LLM 질의를 수행하여, 영상 전체의 맥락을 파악
이러한 영상 이해 능력을 바탕으로, GS SHOP은 숏픽 추천 시스템을 개선하는 데 성공했다.
소구 포인트(Appeal Point) 기반 추천 시스템 설계
GS SHOP은 소구 포인트(Appeal Point)라는 개념을 도입하여, 영상의 핵심 메시지를 추출하고 추천에 활용했다. 소구 포인트는 Pegasus, Claude Sonnet 4, Cohere Embed Multilingual 모델을 활용하여 4단계로 추출된다.
Pegasus를 통한 영상 전체 이해: 숏폼 영상의 전체적인 내용을 파악
Claude Sonnet 4를 활용한 소구 포인트 추출: 영상 설명에서 추천에 필요한 핵심 키워드 추출
Cohere Embed Multilingual을 통한 벡터화: 추출된 소구 포인트를 고차원 임베딩 벡터로 변환
OpenSearch를 활용한 유사도 매칭: 벡터 공간에서 유사한 숏픽 영상 검색
이러한 과정을 통해, GS SHOP은 영상의 맥락을 이해하고, 고객의 반응을 예측하는 추천 시스템을 구축했다.
Hybrid 추천 시스템 아키텍처(Hybrid Recommendation Architecture)
GS SHOP은 기존 상품 추천 시스템을 유지하면서, 영상 기반 추천을 추가하는 Hybrid 방식을 선택했다. 기존 시스템의 안정성을 유지하면서, 영상 신호의 효과를 A/B 테스트로 검증할 수 있도록 설계했다.
Video Signal: 소구 포인트 임베딩 벡터를 Amazon OpenSearch Service에 인덱싱하여, 영상의 의미를 파악
Behavior Signal: 고객의 클릭 및 시청 로그를 기반으로, 고객의 의도를 점수화하여 Amazon ElastiCache에 저장
병렬 조회(Parallel Query): 추천 요청 시, OpenSearch와 ElastiCache를 병렬로 조회하여 응답 시간 단축
Graceful Degradation: 영상 이해 파이프라인에 문제가 발생하더라도, 기존 추천 시스템으로 대체되어 서비스 중단 방지
이러한 Hybrid 아키텍처를 통해, GS SHOP은 안정성과 확장성을 동시에 확보했다.
실 서비스 운영을 위한 설계 결정
GS SHOP은 실 서비스 환경에서 추천 시스템의 성능과 안정성을 확보하기 위해, 다양한 설계 결정을 내렸다. 특히, 지연 시간(Latency)과 신호 품질을 개선하는 데 집중했다.
단순 노출(Impression) 배제: 숏픽 캐러셀 UI의 특성상, 단순 노출은 선호 신호로 사용하지 않음
병렬 조회(Parallel Query): Amazon ElastiCache와 Amazon OpenSearch를 병렬로 조회하여 응답 시간 단축
타임아웃 우선 정책(Timeout First Policy): 각 구성 요소별 짧은 타임아웃 설정으로, 지연 방지
상위 선호 항목 유지: ElastiCache에 사용자별 상위 선호 항목만 유지하여, 메모리 사용량 및 조회 비용 절감
이러한 결정들은 실제 서비스 운영의 효율성을 높이는 데 기여했다.
콘텐츠 제작과 추천의 선순환 구조 구축
GS SHOP은 추천 시스템을 개선하는 것을 넘어, 콘텐츠 제작과 추천 간의 선순환 구조(Virtuous Cycle)를 구축하려는 목표를 제시했다. 추천 시스템이 고객의 반응을 학습하고, 이를 바탕으로 새로운 콘텐츠를 제작하는 방식이다.
콘텐츠 제작: 사람과 AI의 협업을 통해 숏픽 영상 생성
추천 및 노출: 고객 맞춤형 숏픽 영상 전달
반응 학습: 고객의 소구 포인트 반응을 분석
콘텐츠 재생산: 검증된 소구 포인트를 기반으로 새로운 숏픽 영상 제작
이러한 선순환 구조를 통해, GS SHOP은 고객 경험을 지속적으로 개선하고, 콘텐츠 제작 효율성을 높일 수 있을 것으로 기대된다.
