Vertex AI Search를 활용한 결과 없는 검색 개선하기

Context

컬리의 검색 기능에서 오타, 띄어쓰기 오류, 유의어 등으로 인해 전체 검색의 약 6~7%가 검색 결과를 제공하지 못하는 NR(No Result) 케이스가 발생했다. 기존 시스템은 이런 경우 베스트 상품을 대신 보여주거나 수동으로 키워드를 등록했는데, 이는 검색어 운영관리의 번거로움과 고객 만족도 저하를 야기했다. 검색어와 상품 간의 의미론적 유사도를 컨텍스트 기반으로 매칭하기 위해 새로운 검색 솔루션이 필요했다.

Technical Solution

• Vertex AI Search 도입: BigQuery 정형 데이터를 데이터 스토어로 활용해 하이브리드 검색(텍스트 매칭 + 임베딩 유사도 분석) 구현
• 스키마 설계: 상품명과 상세설명을 key property로 지정해 relevance score 가중치 향상, 판매여부 필드로 indexable 필터링, 상품URL과 상품번호를 retrievable로 설정
• 데이터 갱신 자동화: Python Google SDK를 사용한 배치 작업으로 BigQuery 테이블의 _id 필드를 기준으로 주기적 업데이트 구현
• 검색 모델 튜닝: query-corpus 형식 학습 데이터(JSONL 형식 GCS 저장)로 임베딩 벡터 조정해 "싸이 세대 모여라" 같은 테마형 컬렉션 검색 최적화
• 검색 애플리케이션 추상화: 데이터 스토어와 사용자 간 인터페이스를 분리해 데이터 필터링, 정렬, 집계 로직의 중앙 관리 지원
• 데모 페이지 구현: Gradio로 기존 컬리 검색, 웹사이트 크롤링 결과, BigQuery 기반 결과를 한 화면에서 relevance score 순으로 비교 검증

Impact

• A/B 테스트(약 2주): 실험군이 모든 지표에서 우세, 클릭률/장바구니 전환율/구매율 향상
• 전체 배포 1개월: NR 케이스에서 AI 검색을 통한 장바구니 담는 횟수, 금액, 구매 수량, 매출 모두 300% 이상 성과

Key Takeaway

SaaS 기반 생성형 AI 검색 서비스는 복잡한 ML 모델 구축 없이도 하이브리드 검색으로 오타·유의어 문제를 자동 보정할 수 있으며, 도메인 데이터를 정형화하고 스키마를 정확히 설계하면 기본 모델만으로도 실무 수준의 검색 품질을 달성할 수 있다. 추가 튜닝과 캐싱 전략은 도메인 특성 반영과 호출 비용 절감의 중요한 수단이다.