AWS 기술 블로그

AWS AI Day Hackathon 고객 사례 1부: 카카오스타일의 AI 기반 체형 맞춤 스타일 추천 시스템

지난 11월 진행된 AWS AI Day Hackathon 2024에서 13개 기업들이 선보인 혁신적인 프로젝트들을 시리즈로 소개해 드리고자 합니다.
해커톤 고객 사례 시리즈를 통해 각 기업들이 Amazon Bedrock을 활용해 실제 비즈니스 과제를 어떻게 해결했는지, 기술적 접근 방식과 구현 과정에서의 인사이트를 심층적으로 다뤄보고자 합니다. 본 시리즈가 생성형 AI 도입을 고민하시는 분들께 실질적인 참고 사례가 되길 바랍니다. 해커톤의 전반적인 내용과 주요 성과는 이전 포스팅 “AWS AI Day Hackathon에서 GenAI로 미래를 창조하기“에서 확인하실 수 있습니다.

참가팀 소개

카카오스타일은 스타일 커머스 플랫폼 ‘지그재그‘를 운영하는 이커머스 플랫폼 기업입니다. 최신 기술과 패션, 뷰티, 라이프 트렌드를 결합해 사용자들에게 혁신적이고 개인화된 쇼핑 경험을 제공하고 있습니다. 카카오스타일은 지속적인 기술 혁신을 통해 패션 산업을 선도하는 플랫폼이 되는 것을 목표로 하고 있으며, ‘개인화’와 ‘관계’를 기반으로 이커머스 생태계를 발전시키기 위해 노력하고 있습니다.

프로젝트 배경

고객의 니즈를 파악하고 이를 충족시키는 전략과 실행은 패션 업계에서 가장 중요한 요소 중 하나 입니다. 특히 고객의 체형, 스타일, 취향에 맞춘 제품 추천을 통해 개인화된 경험을 제공하는 것은, 고객 만족도를 크게 높일 수 있는 핵심 요인입니다.

같은 키와 체중을 가진 사람이라도 체형에 따라 어울리는 스타일이 크게 달라질 수 있습니다. 하지만 기존의 필터링 시스템은 주로 상품의 속성에 초점을 맞추고 있어, 사용자의 체형과 취향을 고려한 스타일 추천 기능이 부족한 실정입니다.

이로 인해 많은 소비자가 여전히 자신의 체형에 어울리는 옷을 선택하는 데 어려움을 겪고 있습니다. 체형 분석은 진정한 개인화를 실현하기 위한 핵심 요소로, 이를 기반으로 한 맞춤형 스타일 추천이 필요합니다.

AI 기반 체형 맞춤 스타일 추천

카카오스타일은 이러한 문제를 해결하기 위해 AI 기술을 활용한 체형 기반 스타일 추천 시스템을 개발하고 있습니다. 이 시스템은 다음과 같은 주요 기능을 제공합니다:

  1. 체형 분석 및 스타일 키워드 생성: Amazon Bedrock을 활용하여 사용자의 체형을 분석하고, 이에 맞는 패션 키워드를 생성합니다.
  2. 맞춤형 착장 이미지 생성: 추천된 스타일 키워드를 바탕으로 AI가 사용자의 체형에 어울리는 착장 이미지를 생성합니다.
  3. 이미지 기반 상품 속성 추출: 생성된 이미지에서 의류 아이템의 세부 정보(카테고리, 색상, 소재 등)를 자동으로 추출합니다.
  4. 개인화 상품 추천: 추출된 정보를 바탕으로 카카오스타일의 실제 상품 중 사용자에게 가장 적합한 아이템을 추천합니다.

기술적 접근 방식

체형 분류 및 특징 분석

체형을 크게 세 가지(스트레이트, 웨이브, 내추럴)로 분류하고, 각 체형의 특징과 어울리는 스타일링 방식을 연구했습니다. 이를 바탕으로 AI 모델에 체형별 특징과 스타일 가이드를 학습시켰습니다.

스트레이트 체형: 균형 잡힌 비율과 안정감 있는 실루엣이 특징인 체형

  1. 오피스룩: 테일러드 블레이저와 일자 팬츠, 로퍼 조합으로 깔끔한 비즈니스 캐주얼 스타일.
  2. 미니멀룩: 베이직한 티셔츠와 하이웨이스트 팬츠, 심플한 재킷. 군더더기 없는 스타일로 균형있는 체형을 살림.
  3. 시크룩: 슬림한 블랙 슬랙스와 화이트 셔츠, 벨트 포인트. 간결하고 세련된 느낌으로 체형에 잘 맞음.
  4. 모던룩: 브이넥 티셔츠와 미니 스커트 조합으로 깔끔하면서도 스타일리시한 무드.
  5. 컨템포러리룩: 심플한 실루엣의 미니 원피스와 플랫 슈즈로 현대적이고 미니멀한 느낌.

웨이브 체형: 섬세한 어깨라인과 긴 허리의 실루엣이 매력적인 체형

  1. 프레피룩: 카라 셔츠와 체크 무늬 플리츠 스커트, 로퍼 조합. 직선적인 체형에 균형을 더해줌.
  2. 로맨틱룩: 부드럽고 여성스러운 스타일로, 레이스나 플라워 패턴이 있는 블라우스와 미디 스커트를 조합해 우아한 로맨틱 무드를 연출.
  3. 러블리룩: 프릴 블라우스와 A라인 스커트로 사랑스러운 분위기 연출.
  4. 코티지코어룩: 레이스와 러플 디테일이 들어간 원피스와 샌들로 빈티지하고 여성스러운 스타일.
  5. 보헤미안룩: 플로럴 패턴의 롱 드레스와 부츠, 웨이브 체형의 부드러운 실루엣을 살려줌.

내추럴 체형: 직선적이며 카리스마 있는 인상을 주는 체형

  1. 드뮤어룩: 단정한 셔츠와 와이드 팬츠 조합, 깔끔한 실루엣이 내추럴 체형의 직선미를 강조.
  2. 오버핏룩: 루즈한 니트와 와이드 팬츠로 자연스럽고 편안한 느낌을 연출.
  3. 젠더리스룩: 스트레이트 핏의 셔츠와 슬랙스, 중성적인 매력을 살림.
  4. 댄디룩: 셔츠와 베스트, 테일러드 팬츠로 클래식하면서도 날렵한 인상.
  5. 빈티지룩: 데님 재킷과 와이드 팬츠, 빈티지한 가방으로 캐주얼한 무드.

프롬프트 엔지니어링

1. 체형별 스타일 가이드

체형별로 적합한 스타일 키워드를 생성하기 위해 세심한 프롬프트 엔지니어링 작업을 수행했습니다. 각 체형에 맞는 긍정적인 키워드(Positive Keywords)와 피해야 할 부정적인 키워드(Negative keywords)를 정의하여 AI가 정확한 스타일 추천을 할 수 있도록 했습니다.

Positive Keywords : 체형별 특징을 세분화하고 적합한 핵심 키워드를 선별하여 프롬프트에 반영

스트레이트 체형

<example>
- 상의: 베이직, 심플, 슬림핏, v-neck, square-neck, u-neck
- 하의: H라인 스커트, 슬림핏 스커트, 일자 바지, 스트레이트 진, 슬림핏 데님, 슬림 크롭 팬츠
- 드레스: 민소매 원피스, 미니 원피스 세트
</example>
XML

웨이브 체형

<example>
- 상의: 리본, 레이스, 퍼프, 프릴 블라우스, 크롭 니트, 셔링 블라우스, 숏 재킷, 드레이프 디자인, 캡소매, 니트 가디건
- 하의: 하이 웨스트 팬츠, 하이 웨스트 스커트, 부츠컷 팬츠, A라인 스커트, 테니스 스커트, 머메이드 치마, 주름 치마, 플레어 스커트
- 드레스: 플레어 드레스, 미니 원피스, 레이스 원피스, 베이비돌 원피스
- 신발: 플랫 슈즈, 스니커즈, 플랫 슬링백, 메리제인 플랫, 발레 플랫, 로우 힐 펌프스
</example>
XML

내추럴 체형

<example>
- 상의: 오버핏 자켓, 오버핏 셔츠, 루즈핏, 박시 티셔츠, 코듀로이 자켓, 린넨 셔츠, 점프 슈트, 굵게 짜인 니트, 무스탕, 롱 코트, 울 자켓
- 하의: 와이드 팬츠, 롱 스커트, 롱 플리츠 스커트, 롱 슬랙스, 롤업 슬랙스, 와이드 팬츠
- 드레스: 맥시 드레스, 셔츠 원피스
- 신발: 앵클 부츠, 로퍼, 첼시 부츠, 스니커즈, 슬립온 슈즈, 버켄스탁, 글래디에이터 슈즈, 크록스, 롱부츠
</example>
XML

Negative Keywords : 체형별 단점을 부각할 수 있는 키워드를 배제하여 스타일링 정확도를 개선

스트레이트 체형

<example>
- 상의: 셔링, 레이스, 니트, 오버핏, 오버사이즈, 가죽, 홀터넥, 터틀넥
- 하의: 미디 스커트, 롱 스커트, 슬랙스, 니하이 삭스
- 드레스: 미디 원피스, 롱 원피스
- 신발: 워커, 앵클 부츠
</example>
XML

웨이브 체형

<example>
- 상의: 오버핏 자켓, 무지 티셔츠, 오프 숄더
- 하의: 와이드 슬랙스, 스키니 진, 로우 라이즈 팬츠, 조거 팬츠
</example>
XML

내추럴 체형

<example>
- 상의: 크롭 상의, 셔링, 프릴, 레이스, 퍼프 소매, 딱붙는 목폴라 상의
- 하의: H라인 미디스커트, H라인 롱스커트, 스키니진
- 신발: 워커, 앵클부츠
</example>
XML

2. 이미지 생성 가이드

Amazon Bedrock에서 제공하는 Text-to-Image 모델(SDXL 1.0)을 활용하여 추천된 스타일에 맞는 착장 이미지를 생성합니다.

당신은 생성형 이미지 프롬프트 전문가입니다. 사용자의 체형, 신체 정보에 맞는 사실적인 이미지 생성을 위한 프롬프트를 만드는 것이 목표입니다. 

<instructions> 아래의 요구사항에 맞는 프롬프트를 만들어주세요. 

1. 아래의 키워드를 순서대로 사용하여 총 {len(item_keywords_combination)}의 프롬프트를 만들어주세요: 
<keywords> 
- {item_keywords_combination} 
</keywords> 

2. 다음의 단어는 반드시 포함하세요: 
- 'full body' 
- 'korean' 
- 'woman' 
- 'smiling' 
- 'realistic' 
- 'natural finger' 

3. 체형 정보를 짧게 요약하여 포함하세요: 
<description> 
{body_type_description} 
</description> 

4. 키, 체중, 나이가 명확히 드러나는 표현을 만드세요: 
- 키 {height}cm 
- 체중 {weight}kg 
- 나이 {age}세 
<guide> 
(...생략...) 
</guide> 

5. 체형이 잘 드러나는 표현을 만들어주세요: 
<example> 
"highlight her body proportions" 
"emphasize her body silhouette" 
"accentuate her natural curves and lines" 
"showcase the shape of her figure" 
"bring out the contours of her body" 
"define her body structure and proportions" 
"reveal the outline of her form" 
"capture her body’s natural lines and shape" 
</example>
XML

3. 상품 속성 추출 가이드

Amazon Bedrock에서 제공하는 Image-to-Text 모델(Claude 3.5 Sonnet)을 통해 생성된 이미지에서 의류 아이템의 세부 정보를 추출합니다.

사진의 인물이 착용한 옷을 분석하여 다음의 요구사항에 맞게 만들어주세요.

<instructions>
1. 의류별 카테고리, 색상, 소재를 한글로 추출하세요.

2. 추출된 단어 중 <카테고리><색상>만 조합하여 상품 제목(title)을 만드세요:
<example>
- <색상>베이지</색상> <카테고리>브이넥 니트</카테고리>
</example>

3. 최종적으로 아래의 형식으로 출력하세요.
<output>
{
    "outer": {"category": "트렌치 코트", "color": "네이비", "material": "울", "title": "네이비 트렌치 코트"},
    "top": {"category": "크롭 니트", "color": "베이지", "material": "울", "title": "베이지 크롭 니트"}
    "bottom": {"category": "플래어 팬츠", "color": "검정", "material": "면", "title": "검정 플래어 팬츠"}
}
</output>
</instructions>
XML

4. 상품 매칭

추출된 의류 정보를 바탕으로 카카오스타일의 실제 상품 데이터베이스와 매칭하여 가장 적합한 상품을 추천합니다.

기대 효과

이 프로젝트를 통해 다음과 같은 효과를 기대하고 있습니다:

  1. 사용자 경험 향상: 개인화된 스타일 추천으로 사용자들의 만족도와 사용자 참여(User Engagement)를 높일 수 있습니다.
  2. 스타일 다양성 확대: AI가 생성한 다양한 스타일 조합을 통해 사용자들에게 새로운 패션 아이디어를 제공할 수 있습니다.
  3. 효율적인 상품 큐레이션: 브랜드 프로모션 상품 선별 과정을 자동화하여 운영 효율성을 높일 수 있습니다.

결론

앞으로도 카카오스타일은 최신 AI 기술을 활용하여 개인화된 경험을 제공, 패션 산업의 빠르게 변화하는 트렌드에 부응하기 위해 노력할 것입니다. 이 기술을 통해 사용자들이 자신의 체형에 가장 잘 어울리는 스타일을 쉽게 찾을 수 있게 되어, 더욱 만족스러운 쇼핑 경험을 할 수 있기를 기대합니다.

나가며

AWS AI Day Hackathon 블로그 시리즈 링크는 아래에서 확인하실 수 있습니다.

이전글 보기

다음글 보기

카카오스타일의 멋진 여정을 소개하며 AWS AI Day Hackathon 고객 사례 시리즈의 첫 번째 글을 마무리 하겠습니다. 다음 편에서는 또 다른 산업군의 흥미로운 구현 사례를 소개할 예정이니 많은 관심 부탁드립니다. Stay tuned!

황윤관

황윤관

Data Scientist는 커머스 플랫폼에서의 모델 개발 경험을 풍부하게 갖고 있습니다. 특히 카카오스타일에서 실시간 추천 시스템을 개발하고 있습니다.

이정원

이정원

Data Quality Assuarance는 커머스 플랫폼에서 검색 품질 개선을 위한 업무를 담당하고 있으며, 사용자의 니즈와 패턴을 이해해 더 나은 검색 경험을 제공하는 데 기여하고 있습니다.

김소현

김소현

Search Operator는 커머스 플랫폼에서 검색 및 추천 품질을 개선하기 위한 기획과 운영 경험을 보유하고 있으며, 데이터 분석 역량을 갖추고 있습니다. 유저의 니즈를 파악하여 더 나은 품질과 사용성을 제공할 수 있도록 기여하고 있습니다.

이가은

이가은

Data Quality Assuarance는 AI 모델 고도화를 위한 데이터 품질 향상과 이커머스 고객 만족도 향상을 위한 고품질 데이터 확보 및 고객 경험 개선 업무를 지원하고 있습니다.

이준우

이준우

Front-End Developer는 서비스를 사용하는 유저들이 접하게 되는 모든 상품 탐색 과정과 그를 통한 구매로 이어지는 경험을 향상시키고 그에 필요한 도구를 고도화 하는 업무를 맡고 있습니다.

Keehyun Jang

Keehyun Jang

장기현 Solutions Architect는 다양한 개발 경험을 바탕으로 고객의 비즈니스 문제를 AWS를 통해 해결하도록 아키텍처 설계 가이드와 기술을 지원하고 있습니다.