AI로 옷을 찾아주는 무신사, 6주간의 여정
무신사 스냅의 방대한 이미지 데이터에서 객체 탐지, 임베딩, 벡터 검색을 활용하여 유사 상품 검색 시스템을 구축함
YOLOS, FashionCLIP 2.0, AWS OpenSearch를 사용하여 이미지 기반 검색 파이프라인을 구현하고, Precision@5 81%, MRR 0.76의 성능을 달성함
Amazon SageMaker, Bedrock, OpenSearch 등 AWS 서비스를 활용하여, AI/ML 모델 서빙 및 LLM API 호출 비용이 높다는 것을 확인하고, 개선 방안을 모색함
이미지 검색 아키텍처: End-to-End 파이프라인
스냅 이미지 검색은 객체 탐지 모델(YOLOS)로 상품 영역을 찾고, FashionCLIP 2.0으로 임베딩하여 벡터화한다. AWS OpenSearch에서 HNSW 알고리즘을 활용해 유사 상품을 검색한다. 따라서, 모델 서빙을 위한 SageMaker Endpoint와 API Gateway, Lambda를 구축하여, 유연한 확장이 가능한 구조를 설계했다. 🚀
성능 측정과 한계점 분석
PoC 결과, Precision@5 81%, MRR 0.76을 기록하며 기술적 유효성을 입증했다. 상품 고유 특징 부재, 이미지 품질 저하 등의 경우 정확도가 낮았다. 반면, 멀티뷰/멀티스케일 임베딩과 피드백 기반 재정렬을 통해 검색 정확도를 향상시킬 수 있다. 🔍
비용 효율화를 위한 전략
PoC 기간 동안 SageMaker, Bedrock, OpenSearch가 전체 비용의 97%를 차지했다. 구체적으로, ML 모델 서빙과 LLM API 호출 비용이 높았다. 따라서, AWS Graviton, Inferentia를 활용하여 비용 최적화를 시도하고, Bedrock 모델 할당량 관리를 통해 트래픽 증가에 대응할 계획이다. 💰
