의류 제조 현장의 AI 혁신: 약진통상의 Amazon Bedrock 기반 AI 스타일 라이브러리

약진통상 소개

1978년에 설립된 약진통상은 약 50년간 글로벌 의류 제조 전문성을 축적해온 기업으로, GAP, Old Navy, Walmart, Kohl’s 등 주요 글로벌 브랜드의 파트너로 활동하고 있습니다. 2020년 JS Corporation 인수를 계기로 디지털 전환을 본격화했으며, 현재 약 9억 달러(USD) 규모의 매출을 기록하고 있습니다. 베트남, 인도네시아, 캄보디아, 과테말라, 인도 등 5개국 11개 생산기지를 운영하며, 디자인 개발에서 생산 납품까지 전 과정을 아우르는 글로벌 제조 네트워크를 구축했습니다.

본 글은 약진통상이 AWS의 파트너사인 슈퍼브에이아이(Superb AI) 와 함께 AI기반으로 유사 스타일을 빠르게 검색할 수 있는 라이브러리를 구축한 사례를 소개합니다. 주요 서비스인 Amazon Bedrock 을 포함하여 사용된 전체 아키텍처와 기술을 소개합니다.

AI 스타일 라이브러리 도입 의도 및 성과

도입 의도

약진통상은 스타일 검색과 샘플 개발의 효율적인 작업을 위해 AWS 인프라 위에 사내 AI 스타일 라이브러리를 구축하였습니다. AI 스타일 라이브러리는 스타일 데이터를 통합 관리하고, AI 검색으로 유사 스타일을 신속하게 탐색할 수 있는 시스템입니다. 이 시스템은 이미지・텍스트 검색으로 유사 스타일을 찾고, ERP 연동을 통해 해당 스타일의 샘플 정보를 즉시 확인할 수 있습니다.

AI 스타일 라이브러리기능

AI 스타일 라이브러리는 다음과 같은 네 가지 핵심 기능을 제공합니다:

이미지 검색: 유사한 원단과 디자인을 자동으로 탐색
텍스트 검색: “linen summer shirt”와 같은 자연어 질의 지원
하이브리드 검색: 이미지와 텍스트를 조합한 정교한 검색 기능
ERP 연동: 검색 결과에서 샘플 세부 정보와 원단 정보를 즉시 확인

이러한 AI 기반 통합 검색 시스템의 도입으로 업무 환경이 획기적으로 변화했습니다. 특히 ERP 시스템과의 원활한 데이터 연동은 부서 간 커뮤니케이션 단계를 크게 줄여, 사용자가 필요한 샘플 정보를 실시간으로 검색하고 활용할 수 있는 환경을 제공하게 되었습니다.

도입 성과

AI 스타일 라이브러리 도입 이후, 약진통상은 괄목할만한 정량적・정성적 성과를 거두었습니다. 정량적 측면에서는 패션 스타일 검색 시간이 기존 10분에서 30초로 95% 단축되었고, 샘플 개발에 소요되는 리드타임 역시 7일에서 3일로 57% 감소했습니다. 또한 중복 샘플 제작률이 30% 줄어들면서 상당한 비용 절감 효과도 달성했습니다.

정성적 성과도 주목할 만합니다. 부서 간 불필요한 요청 과정이 제거되면서 업무 집중도와 처리 속도가 크게 향상되었고, 데이터에 기반한 업무 프로세스가 정착되어 보다 객관적인 의사결정이 가능해졌습니다. 특히 중복적인 샘플 개발을 방지하고 부서 간 협업 효율이 높아지면서, 업무 생산성 향상과 함께 샘플 품질도 개선되는 시너지 효과를 창출했습니다.

AI 스타일 라이브러리 아키텍처

데이터 업로드 프로세스

ERP 시스템에 신규 스타일이 업로드되면 스타일 라이브러리와 자동으로 연동되어 준실시간으로 반영됩니다. ‘스타일’은 의류 이미지, 디자인 파일, 브랜드 및 젠더 등의 메타데이터를 포함하는 통합 정보를 의미합니다.

업로드 과정은 여러 세부 단계를 거치지만, 핵심적으로 다음 세 단계로 진행됩니다:

스타일 이미지와 파일들을 S3에 저장
Amazon Bedrock의 Claude Sonnet 4 모델을 통한 AI tagging 정보 추출
슈퍼브에이아이(Superb AI) 의 커스텀 임베딩 모델을 활용한 이미지 임베딩 생성

AI tagging은 의류 이미지에서 넥라인, 소매, 밑단 등의 디자인 속성을 자동으로 인식하고 추출하는 과정을 의미합니다.

이러한 처리 과정이 완료되면 데이터는 두 저장소에 분산 저장됩니다:

Amazon RDS: 완전관리형 관계형 데이터베이스로, 스타일의 기본정보(메타데이터)와 AI tagging 정보를 저장하고 관리
Amazon OpenSearch: 스타일 이미지 정보와 임베딩 정보를 통합 저장하여 고성능 검색 엔진으로 활용

검색 흐름

AI 스타일 라이브러리는 텍스트, 이미지, 그리고 텍스트·이미지를 혼합한 하이브리드 서치를 제공합니다. 그 외 메타데이터 및 AI태깅된 정보 기반 필터를 이용한 검색이 가능합니다.

1. 이미지 검색: 임베딩 기반 kNN 검색

이미지 검색은 딥러닝 임베딩(Embeddings) 기술을 기반으로 합니다. 이미지를 고유한 벡터(vector)로 변환하고, k-최근접 이웃 알고리즘 (kNN search)을 사용해서 시각적으로 유사한 스타일들을 찾습니다.

2. 텍스트 검색: Amazon OpenSearch 쿼리 전략 및 튜닝

텍스트 검색은 Amazon OpenSearch의 네이티브 검색 기능을 통해 강력하고 빠른 풀텍스트 검색(full-text search)을 구현했습니다.

상품 ID: ‘STYLE-1234567 ‘ 같은 특정 상품 ID 패턴이 감지되면, prefix 기반 서치를 우선적으로 실행하여 빠르고 정확하게 매칭합니다.
일반 텍스트: 다양한 텍스트 필드에 걸쳐 multi_match 쿼리를 사용하며, fuzziness 옵션을 적용해 사용자의 오타에도 유연하게 대응합니다.
우선순위 부여: ‘디자인 디테일’ 같은 특정 중요 필드(예: match_phrase 활용)가 일치할 경우 boost를 부여하여 검색 결과의 정확도를 높입니다.

3. 하이브리드 검색: RRF를 통한 결과 결합

이미지 및 텍스트를 사용한 하이브리드 서치의 경우, RRF(Reciprocal Rank Fusion) 알고리즘을 사용하여, 텍스트 서치와 이미지 유사도 서치를 둘 다 실행하고, 각각 결과에서의 순위를 고려해서 최종 서치 결과로 결합(fusion)합니다.

4. 필터: 하이브리드 데이터 필터 (메타데이터 + AI 태깅)

스타일의 기존 메타데이터(예: 브랜드, 시즌)는 물론, AI가 자동으로 태깅한 세부 디자인 속성(예: 넥라인, 핏)을 기반으로도 스타일 데이터를 필터링할 수 있습니다. 또한, 이 두 가지 유형의 필터를 자유롭게 조합하여 다중 선택(multi-select)하는 것이 가능합니다.

대규모 처리와 확장성을 고려한 아키텍처 설계

Amazon Bedrock 기반의 대규모 처리

약진통상은 초기 데이터 마이그레이션 단계에서 수만 장 규모의 의류 이미지를 단기간 내 AI태깅해야 했습니다. 단일 리전 호출 시 처리 지연 및 422(Too Many Requests) 오류가 발생하여, Amazon Bedrock API를 멀티 리전(us-east-1, ap-northeast-2 등) 으로 분산 호출하도록 설계했습니다. 이를 통해 전체 처리 시간을 단축하고 리전별 부하를 균등하게 분산시켜 안정적인 처리 성능을 확보했습니다. 이후 실시간 추론 단계에서는 서울 리전(ap-northeast-2)을 중심으로 단일화하여 비용 효율성과 운영 단순성을 함께 달성했습니다.

설정 파일 중앙화로 확장성 확보

Amazon Bedrock 모델로 추출할 디자인 세부 항목이 향후 변경되거나 확장될 것을 고려했습니다. ‘패턴’ 같은 새 태그가 추가될 때마다 prompt, 백엔드 검색 로직, 프론트엔드 UI 필터 코드를 매번 따로 수정하는 것은 비효율적이고 error-prone 합니다. 그래서 모든 관련 디자인 디테일 정의를 하나의 중앙 설정 파일(JSON)에서 통합 관리해서, 향후 태그가 추가될 때 수정할 코드를 최소화 했습니다. 이 파일은 각 디자인 항목(예: 상의의 넥라인)에 필요한 모든 정보를 담고 있습니다.

설정 파일 구조 예시 (design_details.json)

{
  "top": {
   "neck_shape": {
   "options": [
        {
          "label": "Crew Neck",
          "value": "crew neck",
          "description": "A simple circular neckline."
        },
        {
          "label": "V-Neck",
          "value": "v-neck",
          "description": "A neckline forming a \"V\" shape."
        },
        ...
      ]
    },
    "sleeve_shape": { ... },
    "hem_detail": { ... },
    "fit_type": { ... },
    "body_length": { ... }
  },
  "bottom": {...}
}

설정 파일 변경 시 시스템의 두 가지 핵심 영역에 동시에 데이터를 제공합니다.

프롬프트 생성: 프롬프트 템플릿과 위의 options목록을 조합하여 최신 버전의 프롬프트를 스크립트로 생성합니다.
UI 및 검색 로직 동적 구성: 프론트엔드와 백엔드는 이 파일을 직접 읽어 options를 기반으로 검색 필터 UI를 동적으로 렌더링하고 관련 검색 로직을 구성합니다.

AI 적용 기술 설명

Amazon Bedrock 모델 활용

AI 스타일 라이브러리 내에서 의류 이미지의 세부 속성(패션 디테일)을 자동으로 추출하는 모델의 품질이 곧 검색 정확도와 데이터 활용도에 직결된다는 점에 주목했습니다. 이에 따라 단순한 모델 정확도뿐 아니라, 서빙 안정성·유연한 실험 환경·보안 요건을 종합적으로 고려하여 Amazon Bedrock을 기반으로 모델을 평가했습니다. Amazon Bedrock은 인프라 관리 부담 없이 다양한 파운데이션 모델(Foundation Model)을 API 형태로 호출할 수 있는 서버리스 환경을 제공합니다. 이를 통해 자체 GPU 서버를 운영하지 않아도 안정적으로 모델 서빙을 수행할 수 있었으며, 동시에 NOVA-PRO, Claude 3.7 Sonnet, Claude Sonnet 4 등 여러 모델을 손쉽게 비교할 수 있었습니다. 또한 빠르게 변화하는 AI 트렌드 속에서 더 성능이 우수한 모델이 출시될 경우, 코드 수정 없이 신속히 교체할 수 있다는 점도 큰 장점이었습니다.

평가셋 설계 및 검증 프로세스

Amazon Bedrock 기반 모델을 객관적으로 비교·검증하기 위해, 약진통상은 실제 생산 및 기획 단계에서 사용되는 의류 이미지를 기반으로 패션 디테일 평가셋(fashion detail evaluation set) 을 설계했습니다. 이 데이터셋은 다양한 의류 스타일에 공통적으로 존재하는 세부 속성을 중심으로 구성되었으며, 각 이미지에는 사람이 직접 검수한 디자인 디테일 정보를 Ground Truth(모델의 학습, 검증 및 테스트에 사용되는 검증된 실제 데이터)로 정의했습니다. 이를 통해 모델이 생성한 태깅 결과를 실제 패션 도메인 관점에서 정량적으로 비교할 수 있도록 했습니다.

카테고리 정의: 패션 디테일 체계화

평가셋은 의류 이미지에서 공통적으로 인식되어야 하는 대표적인 디자인 속성들을 중심으로 구성되었습니다.

주요 속성 그룹은 다음과 같습니다.

Neck Shape: 의류의 넥라인 형태
Sleeve Shape: 소매 구조 및 실루엣
Hem Detail: 상하의의 밑단 형태
Fit Type: 상의 또는 하의의 전체 실루엣
Body Length: 의류의 길이 구분
Garment Type: 드레스나 스커트 등 주요 의류 형태

이러한 카테고리 체계는 실제 디자이너와 상품기획자가 사용하는 용어를 기반으로 설계되어, AI 모델의 추출 결과를 패션 전문가의 언어로 비교·검증할 수 있게 했습니다. 또한 위의 주요 카테고리 외에도 옷감(fabric), shirring, smocking 등과 같은 섬세한 디테일 요소까지 함께 추출하도록 테스트를 진행했습니다. 이는 단순한 구조적 속성 인식뿐 아니라, 의류의 질감이나 장식적 요소 등 실제 디자인 디테일을 추출하고 검색하기 위함이었습니다.

평가 방법

디자인 디테일을 추출하기 위한 가장 적합한 모델을 선정하기 위해 Bedrock 내 여러 모델(NOVA-PRO, Claude 3.7 Sonnet, Claude Sonnet 4 등)을 대상으로 동일한 패션 이미지셋과 모델 입력 prompt를 사용하여 테스트를 진행했습니다. 모델이 추출한 디테일 속성과 Ground Truth 간의 일치 여부를 측정하고, 그 결과를 속성 일치율(accuracy) 로 정량화하였습니다. 테스트 결과는 각 모델이 의류 이미지에서 실제 존재하는 디자인 디테일을 얼마나 정확히 추출하는지를 비교하기 위한 핵심 지표로 활용되었고, 최종적으로 Claude Sonnet 4를 선정 하였습니다.

향후 계획

AI 스타일 라이브러리의 성능 향상을 위해 두 가지 주요 개선 계획을 추진하고 있습니다:

스케치 이미지 검색 고도화 : 스케치 이미지를 통해서도 관련 스타일 이미지를 검색할 수 있도록 시스템을 개선할 예정입니다. 이를 통해 디자이너의 초기 스케치 단계에서부터 유사 스타일 참조가 가능해질 것입니다.
AI 태깅 정확도 향상 : 현재 시스템은 ‘Relaxed Fit’과 ‘Regular Fit’ 같이 사람도 구분하기 어려운 미묘한 디자인 디테일에서 정확도가 다소 떨어지는 경향을 보입니다. 이를 해결하기 위해 다음과 같은 기술적 접근을 계획하고 있습니다.

- 정량적 데이터 기반 프롬프트 강화
  - 단순 이미지 기반 추측에서 벗어나 구체적인 수치 데이터를 활용
  - 허벅지 실측(Thigh Width), 밑단 너비(Leg Opening Width) 등의 정량적 정보를 프롬프트에 포함
  - 객관적 데이터에 기반한 정확한 핏(Fit) 분석 유도
- 전문가 피드백 시스템 도입
  - AI 모델이 낮은 신뢰도로 판단한 항목(Low-Confidence-Score)을 자동 식별
  - 전문 디자이너의 검수와 피드백을 통한 데이터 보정
  - 수집된 피드백 데이터를 모델 fine-tuning에 활용하여 지속적인 성능 개선

Superb AI 소개

Superb AI는 산업 현장의 “눈” 역할을 수행하는 독보적인 Vision AI 기술력을 기반으로, 제조·물류·리테일 등 다양한 산업에 배포 가능한 AI 솔루션을 제공하는 기업입니다. CVPR 2025 챌린지 준우승을 기록한 자체 개발 산업용 파운데이션 모델 ZERO를 비롯해, Agentic AI 기반의 실시간 영상관제 솔루션 VA(Video Analytics) 등을 통해 복잡한 산업 환경에서도 즉시 적용 가능한 Vision AI 시스템을 제공하고 있습니다. 현대자동차, 도요타 등 국내외 주요 고객사에 솔루션을 공급하며, 한국·미국·일본에 법인을 운영하고 있습니다. 2019년부터 AWS 클라우드 기반 솔루션을 개발해온 Superb AI는 국내 ISV(Independent Software Vendor) 최초로 AWS Generative AI Competency를 획득했으며, 2024년 APAC 지역 올해의 Rising Star 파트너상을 수상하는 등 AWS와의 전략적 파트너십을 통해 기술 신뢰성과 글로벌 확장성을 검증받았습니다.

AWS 기술 블로그