Vector Embedding 도입을 통한 이미지 검색 속도 8배 개선 및 아키텍처 단순화

Context

기존 Image Categorization 기반 검색은 WordNet Taxonomy를 통한 태그 매칭 방식으로 작동하여 검색 속도 저하 및 메타데이터 관리를 위한 별도 DB 운영의 오버헤드 발생.

Technical Solution

• Image Categorization 대신 Vector Embedding을 통한 시각적 유사도 기반 검색 체계 구축
• 검색 API 내 Metadata 저장 구조를 통합하여 외부 Database 호출 없이 단일 Request로 결과 반환
• Manual Training 단계 제거를 통한 실시간 Indexing 파이프라인 구현
• 텍스트-이미지 간 교차 검색이 가능한 Vector Space 매핑 로직 적용
• 단순 태그 매칭이 아닌 시각적 특징점의 거리 기반 최단 매칭 알고리즘 채택

Impact

• Search Query 속도 개선: 2.5s에서 300ms로 약 8배 단축
• Image Insertion 속도 향상: 최대 4.7s에서 200ms로 단축
• 인프라 복잡도 감소: 메타데이터 매핑용 별도 Database 제거
• 인덱싱 프로세스 효율화: Manual Training 단계 제거를 통한 즉시 검색 가능 상태 구현

Key Takeaway

특정 도메인의 Taxonomy 기반 분류 모델보다 Vector Embedding 기반의 Latent Space 검색이 검색 성능과 개발 생산성 측면에서 압도적인 효율성을 제공함.