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.
용어 해설
- 다중 센서 융합(Multi-Sensor Fusion)
- — 카메라, 무게 센서, 위치 센서 등 서로 다른 유형의 센서 데이터를 결합하여 단일 센서만 사용할 때보다 더 정확하고 신뢰할 수 있는 정보를 얻는 기술이다. 스마트 카트에서 물건의 종류와 무게를 동시에 확인하여 오인식률을 낮추는 데 핵심적인 역할을 한다.
- 에지 컴퓨팅(Edge Computing)
- — 데이터를 중앙 클라우드 서버로 보내지 않고 데이터가 발생하는 현장 기기(에지)에서 직접 처리하는 방식이다. 스마트 카트 내부에서 실시간으로 이미지를 분석하여 지연 시간을 줄이고 매장 네트워크 부하를 최소화하는 데 필수적이다.
- 시각 언어 모델(VLM)
- — 이미지와 텍스트를 동시에 이해하고 처리할 수 있는 AI 모델이다. 이 아티클에서는 수집된 이미지에서 빈 화면을 걸러내거나 물체에 자동으로 라벨을 붙이는 사전 라벨링(Pre-labeling) 작업에 활용되어 데이터 처리 효율을 높인다.
- 데이터 플라이휠(Data Flywheel)
- — 데이터 수집, 모델 학습, 성능 개선, 사용자 경험 향상이 서로를 견인하며 선순환하는 구조를 의미한다. 더 많은 사용자가 카트를 사용할수록 더 좋은 데이터가 쌓이고, 이를 통해 모델이 똑똑해지며 다시 서비스 품질이 올라가는 비즈니스 및 기술적 메커니즘이다.
기술
- Ray
- VLM
- Python
- Caper Cart
- Vision Language Model
활용 사례
- 스마트 리테일 카트
- 자동 결제 시스템
- 실시간 객체 인식 및 추적
- 에지 데이터 자동 라벨링
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 02. 18.수집 2026. 02. 21.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
