약진통상 AI 스타일 라이브러리: Amazon Bedrock 기반 의류 제조 혁신

1. 약진통상 소개 및 AI 스타일 라이브러리 도입 배경

• 1978년 설립, 50년 역사의 글로벌 의류 제조 전문 기업 (GAP, Walmart 등 파트너).
• 2020년 디지털 전환 본격화, 약 9억 달러 매출 규모.
• 약진통상은 AWS 파트너 슈퍼브에이아이와 협력하여 AI 기반 스타일 검색 라이브러리 구축.
• 도입 의도: 스타일 검색 및 샘플 개발 효율화, 디자인/샘플링 리드타임 단축 (50% 이상), 샘플 개발 비용 절감.

2. AI 스타일 라이브러리 주요 기능 및 성과

• 핵심 기능: 이미지 검색, 텍스트 검색, 하이브리드 검색, ERP 연동 (샘플/원단 정보 즉시 확인).
• 기대 성과: 패션 스타일 검색 시간 10분 → 수십 초 단축, 샘플 개발 리드타임 50% 이상 축소, 중복 샘플 제작률 감소, 부서 간 커뮤니케이션 효율 증대.
• 정성적 성과: 업무 집중도/처리 속도 향상, 데이터 기반 의사결정, 협업 효율 증대, 샘플 품질 개선.

3. AI 스타일 라이브러리 아키텍처

3.1. 데이터 업로드 프로세스

• ERP 신규 스타일 정보 자동 연동 (이미지, 디자인 파일, 메타데이터).
• 주요 단계: S3 저장 → Amazon Bedrock Claude Sonnet 4로 AI tagging 추출 → 슈퍼브에이아이 커스텀 임베딩 모델로 이미지 임베딩 생성.
• 데이터 저장: Amazon RDS (기본 정보, AI tagging), Amazon OpenSearch (이미지, 임베딩).

3.2. 검색 흐름

• 이미지 검색: 임베딩 기반 kNN 검색 (벡터 유사도 활용).
• 텍스트 검색: Amazon OpenSearch 네이티브 검색 (prefix 서치, multi_match 쿼리, fuzziness, boost 옵션 활용).
• 하이브리드 검색: RRF(Reciprocal Rank Fusion) 알고리즘으로 텍스트/이미지 검색 결과 결합.
• 필터: 메타데이터(브랜드, 시즌) + AI 태깅 속성(넥라인, 핏 등) 기반 필터링.

4. 확장성 및 안정성 확보 방안

• 대규모 처리: Amazon Bedrock API 멀티 리전 분산 호출 (초기 데이터 마이그레이션 시 부하 분산 및 안정성 확보).
• 설정 파일 중앙화: 디자인 디테일 정의(JSON) 중앙 관리로 prompt, 검색 로직, UI 필터 코드 수정 최소화 및 확장성 확보.

5. AI 적용 기술 상세

• Amazon Bedrock 모델 활용: Claude 3.7 Sonnet, Claude Sonnet 4 등 모델 비교 평가, 인프라 관리 부담 없이 안정적 서빙 및 빠른 모델 교체.
• 평가셋 설계: 실제 의류 이미지 기반 패션 디테일 평가셋 구축, Ground Truth 정의.
• 카테고리 정의: Neck Shape, Sleeve Shape, Hem Detail 등 전문가 용어 기반 체계화.
• 평가 방법: 모델별 정확도(accuracy) 정량 평가, Claude Sonnet 4 최종 선정.

6. 향후 계획

• 스케치 이미지 검색 고도화.
• AI 태깅 정확도 향상: 정량 데이터 기반 프롬프트 강화, 전문가 피드백 시스템 도입 및 fine-tuning.

7. 슈퍼브에이아이 소개

• Vision AI 기술 기반 솔루션 제공 기업.
• AWS 파트너로서 Generative AI Competency 획득.