Read Original
#AI

VLM을 쓰지 않은 이유: Geometric Prior로 25배 빠른 의류 디테일컷 자동화

VLM을 쓰지 않은 이유: Geometric Prior로 25배 빠른 의류 디테일컷 자동화
01

Summary

무신사가 VLM 대신 '이것'을 선택해 의류 자동화 속도를 25배 높인 비결

트렌디한 기술보다 문제의 본질을 꿰뚫는 도메인 지식과 비용 최적화 전략의 완벽한 조화

무신사 유즈드 팀이 고비용·저속의 VLM 대신 도메인 특화 알고리즘을 선택하여 비즈니스 난제를 해결한 실전 기술기를 담고 있습니다. 의류의 공간적 규칙성을 활용한 Rule-based 접근법과 AWS Lambda를 통한 서버리스 아키텍처 최적화 전략을 상세히 공유합니다.

  • 01VLM의 언어 추론 능력이 정밀 좌표 탐지 태스크에서는 오히려 불필요한 오버헤드임을 분석
  • 02Geometric Prior(공간적 사전 지식)를 활용해 복잡한 추론 과정을 단순 좌표 계산으로 대체하여 성능 극대화
  • 03CPU 환경에서 200ms 내외로 작동하는 경량 Object Detector 도입으로 운영 비용 90% 절감
  • 04AWS Lambda의 메모리 사양에 따른 vCPU 성능 변화를 이용해 응답 속도를 2배 향상시킨 최적화 기법
  • 05PM과 엔지니어의 긴밀한 협업으로 10개 의류 카테고리별 최적 크롭 비율을 귀납적으로 도출

RECOMMENDATION

최신 AI 기술 도입을 고민 중인 엔지니어라면, 문제의 복잡도를 낮출 수 있는 도메인 지식의 힘을 이 아티클을 통해 다시 한번 확인해보길 추천합니다.

The Problem

무신사 유즈드에서 중고 의류의 디테일컷 생성을 수작업으로 진행하여 상품당 약 70초의 공정 병목이 발생했으며, 최신 VLM(Vision-Language Model) 도입 시에도 처리 속도와 비용 면에서 대규모 처리에 한계가 있었습니다.

The Solution

의류의 물리적 구조가 규칙적이라는 'Geometric Prior' 특성을 활용하여, 경량 Object Detector로 의류의 전체 영역을 탐지한 뒤 카테고리별로 정의된 비율 규칙에 따라 특정 부위를 자동 크롭하는 파이프라인을 구축했습니다.

The Result

VLM 대비 25배 빠른 추론 속도(200ms)와 10배 낮은 비용을 달성했으며, 전체 공정 시간을 90% 절감하고 기존 상품 11만 개에 자동화 시스템을 성공적으로 일괄 적용했습니다.

Trade-off

규칙 기반 크롭은 세트 상품이나 형태가 복잡한 의류에서 정확도가 다소 하락할 수 있는 한계가 있으며, 현재 모델은 위치 탐지에 특화되어 있어 오염이나 마모 상태를 직접 판별하는 고차원적 추론 능력은 포함하지 않습니다.

03

Key Concepts

Concept · 01

Geometric Prior (기하학적 사전 지식)

특정 도메인의 데이터가 가진 공간적 또는 물리적인 규칙성을 엔지니어링에 활용하는 개념입니다.

  • 의류의 목, 소매, 밑단 등이 항상 일정한 상대적 위치에 존재한다는 물리적 구조를 크롭 로직에 반영했습니다.
Concept · 02

Object Detector

이미지 내에서 특정 사물의 위치를 바운딩 박스(Bounding Box) 형태로 식별하는 컴퓨터 비전 기술입니다.

  • VLM 대신 경량 Detector를 사용하여 의류 전체 영역의 좌표를 200ms 이내에 추출하는 선행 단계로 활용했습니다.
Concept · 03

AWS Lambda Memory Tuning

서버리스 환경에서 할당 메모리에 비례해 vCPU 성능이 할당되는 특성을 활용한 성능 최적화 기법입니다.

  • 메모리를 8GB로 상향하여 vCPU를 확보함으로써 CPU-bound 작업인 모델 추론 속도를 2배 높였습니다.