데이터에서 속도로: Capsight를 통한 Caper의 에지 및 클라우드 데이터 플라이휠 구축

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

인스타카트의 AI 스마트 카트인 Caper는 실제 매장 환경의 복잡한 데이터를 수집하고 모델을 개선하는 데 어려움을 겪어왔다. 이를 해결하기 위해 에지 데이터 수집부터 클라우드 학습까지 연결하는 데이터 플라이휠 플랫폼 Capsight를 구축했다. Capsight는 에지에서의 지능적 데이터 캡처, VLM 기반의 자동 라벨링, 분산 학습 시스템을 통해 모델 업데이트 주기를 한 달에서 일주일로 단축했다. 결과적으로 실제 환경에서의 모델 정확도를 5% 이상 향상시키며 지속적인 성능 개선 구조를 마련했다.

배경

컴퓨터 비전 기초 지식, MLOps 파이프라인 및 데이터 엔지니어링 개념, 에지 컴퓨팅 및 분산 학습에 대한 이해

대상 독자

AI 프로덕션 파이프라인 설계자 및 에지 컴퓨팅 개발자

의미 / 영향

에지 디바이스에서 발생하는 방대한 데이터를 효율적으로 가공하여 모델 성능을 지속적으로 개선하는 실전 아키텍처를 제시한다. 특히 VLM을 라벨링 자동화에 활용한 사례는 데이터 집약적 산업에서 비용과 속도 문제를 동시에 해결할 수 있는 강력한 방법론임을 시사한다.

섹션별 상세

Caper 스마트 카트의 기존 한계는 생산 환경에서의 가시성 부족, 수동 데이터 수집으로 인한 데이터 다양성 결여, 그리고 모델 업데이트 주기가 길고 비용이 많이 드는 문제였다. 매장 내 조명 변화, 가려진 포장지, 모션 블러 등 실제 환경의 변수를 반영하지 못하는 데이터 갭이 사용자 경험을 저해했다.

Capsight 에코시스템은 에지에서 데이터를 수집하는 Collector, 클라우드에서 데이터를 관리하고 정제하는 Depot, 그리고 분산 학습을 담당하는 Learner의 세 가지 핵심 컴포넌트로 구성된다. 이 시스템은 수집부터 배포까지의 전 과정을 자동화된 피드백 루프로 연결한다.

Capsight Collector는 에지 지능형 캡처를 수행하며 모든 센서 데이터를 동기화하여 수집한다. 네트워크 부하를 줄이기 위해 핸드 모션이나 바코드 인식 같은 특정 이벤트 발생 시에만 캡처를 시작하는 트리거 시스템을 사용하며, 전용 하드웨어를 통한 비디오 인코딩으로 카트의 주 AI 작업 성능에 영향을 주지 않는다.

Capsight Depot은 데이터 관리 및 AI 보조 라벨링을 담당한다. 수집된 원시 데이터를 인덱싱하여 검색 가능하게 만들고, VLM(Vision Language Model)을 활용해 빈 이미지를 필터링하고 사전 라벨을 생성함으로써 수동 라벨링 비용을 70% 이상 절감하고 작업 시간을 며칠에서 몇 시간 단위로 줄였다.

Capsight Learner는 Ray 기반의 분산 학습 플랫폼을 통해 큐레이션된 데이터셋으로 모델을 자동 학습시킨다. 자동화된 평가 파이프라인을 통해 검증된 개선 사항만 프로덕션에 배포하며, 이를 통해 모델 학습 단계를 기존 일주일에서 이틀로 단축하는 성과를 거두었다.

시스템 도입 후 모델 정확도가 5% 이상 향상되었으며, 모델 개선 주기가 4주에서 1주로 단축되었다. 향후 카메라 외에 무게, 모션, 위치 데이터를 결합한 멀티모달 파운데이션 모델로 확장하여 복잡한 사용자 의도 파악 및 위치 기반 경험 개선에 활용할 계획이다.

실무 Takeaway

에지 디바이스의 제한된 자원을 효율적으로 쓰기 위해 트리거 기반의 지능형 데이터 수집 방식을 도입하여 고가치 데이터만 선별적으로 확보해야 한다.
VLM을 활용한 사전 라벨링 파이프라인을 구축하면 수동 라벨링 비용을 70% 절감하고 데이터 처리 속도를 획기적으로 높일 수 있다.
데이터 수집부터 배포까지의 전 과정을 자동화된 플라이휠 구조로 설계하면 모델 개선 주기를 월 단위에서 주 단위로 단축하여 시장 변화에 빠르게 대응할 수 있다.