이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Yahoo는 기존 Word2Vec+LSH 기반의 검색 리타겟팅 워크플로가 어휘 갱신과 의미론적 확장에서 한계가 있어 Amazon Bedrock 기반의 LLM을 도입해 키워드 확장 단계를 재구성했다. 새로운 파이프라인은 광고주 키워드를 LLM으로 입력해 의미적으로 풍부한 확장 후보를 생성하고, 필터링과 우선순위화를 거쳐 OpenSearch에 색인해 배치 스코어링으로 세그먼트를 판정한다. 이 통합은 더 넓고 정교한 오디언스 타깃팅과 기존 인프라의 연계를 목표로 한다.
섹션별 상세
검색 의도 기반 광고에서 기존의 Word2Vec + LSH 기반 키워드 확장 워크플로가 사용되었으나 어휘 갱신 미비, 구문 중심 유사도, 구체적 엔터티 포착 부족, 확장 실패 케이스 같은 한계가 있었다. 처리 과정은 키워드 표준화, 임베딩 생성, LSH 색인 및 검색, 민감어 필터링, 결과 랭킹 순으로 진행돼 입력 키워드에서 의미적 변형을 충분히 포착하지 못했다. 이로 인해 광고 도달의 정밀도와 범위가 제한되어 광고 성과 개선 여지가 남아 있었다.
근거
- 기존 Word2Vec+LSH 기반 확장은 어휘 최신성 부족, 구문 중심 유사도, 확장 실패 같은 한계가 있었다는 주장 — Business challenges 섹션의 항목 목록과 문단에서 Word2Vec + LSH의 한계로 네 가지 문제점을 직접 열거하고 있다.
Yahoo DSP의 Search Retargeting은 사용자의 과거 검색 행동을 바탕으로 세그먼트를 생성해 디스플레이·비디오·네이티브 채널에 광고를 매칭하는 솔루션이다. 입력으로 광고주가 정의한 타깃 키워드와 사용자 검색 로그가 들어가고, 내부적으로 SQL에 메타데이터를 저장한 뒤 키워드 확장과 배치 스코어링을 통해 세그먼트 멤버십을 결정한다. 이 과정은 검색 의도를 다른 채널의 광고로 연결하는 핵심 경로로서 캠페인 성과에 직접적 영향을 준다.
문제 해결을 위해 Yahoo는 Amazon Bedrock 기반의 generative AI와 LLM을 도입해 SRT의 키워드 확장 단계를 재구성했다. 새 파이프라인은 광고주 키워드를 LLM으로 입력해 의미론적으로 풍부한 확장 후보를 생성하고, 생성된 문구를 필터링·우선순위화해 OpenSearch에 색인하는 방식으로 구성된다. 이 방식은 구문적 유사도에만 의존하던 이전 접근보다 더 많은 관련 키워드를 포착해 더 넓고 정교한 오디언스를 만들어낸다.
근거
- Amazon Bedrock과 LLM을 도입해 generative AI 기반 키워드 확장으로 의미론적이고 풍부한 확장 후보를 생성했다는 주장 — Solution overview와 도입 설명 부분에서 Bedrock 기반 LLM을 활용해 SRT 키워드 확장을 재구성했다고 기술되어 있다.
시스템 관점에서는 원본과 확장된 키워드 세트를 Amazon OpenSearch Service에 저장하고, Batch Scoring 워크플로가 사용자 검색 히스토리를 세그먼트 메타데이터와 대조해 멤버십을 판정한다. 입력 데이터는 SQL에 저장된 세그먼트 정의와 사용자 로그이며 처리 결과는 세그먼트에 속한 사용자 목록으로 출력된다. 이 아키텍처는 LLM 기반 생성 결과를 기존 배치 스코어링 및 색인 인프라와 통합해 운영상 도입 부담을 낮추는 점이 중요하다.
용어 해설
- 검색 리타겟팅(Search Retargeting (SRT))
- — 검색 리타겟팅은 사용자의 과거 검색 행동을 바탕으로 디스플레이·비디오·네이티브 광고를 노출해 검색 의도와 광고를 연결하는 기법이다. 입력으로는 사용자 검색 로그와 키워드 집합이 들어가며 처리 과정에서 세그먼트 매칭과 스코어링을 거쳐 타겟 오디언스를 산출한다. 캠페인 도달 범위와 관련성 향상에 직접적인 영향을 준다.
- 키워드 확장(Keyword expansion)
- — 키워드 확장은 광고주가 제공한 핵심 키워드에서 의미적으로 연관된 문구를 생성해 도달 범위를 넓히는 과정이다. 입력으로 원본 키워드를 받아 임베딩·유사도 검색 또는 LLM 기반 생성으로 확장 후보를 만들고 필터링·우선순위화해 출력한다. 의미론적 확장은 더 많은 관련 유저를 정확히 타깃하는 데 기여한다.
- 근접성 민감 해싱(Locality-sensitive hashing (LSH))
- — LSH는 고차원 임베딩의 근사 최근접 이웃 검색을 위해 유사 벡터를 동일한 해시 버킷으로 매핑하는 기술이다. 입력 임베딩을 여러 해시 함수로 변환해 인덱싱하고, 검색 시 같은 버킷에 속한 후보만 비교해 처리 시간을 줄인다. 근사 방식이므로 정확도와 속도 사이의 균형을 조정해야 한다.
- 임베딩(Embeddings)
- — 임베딩은 텍스트나 키워드를 실수 벡터로 매핑해 의미적 거리를 계산할 수 있게 하는 표현 방식이다. 입력 문자열을 모델에 넣어 고정 길이 벡터를 얻고, 유사도 계산으로 의미적 연관성을 정량화하는 과정이 핵심이다. 검색·추천·유사도 기반 필터링에서 의미 중심 확장을 가능하게 한다.
- Amazon OpenSearch Service
- — Amazon OpenSearch Service는 검색과 로그 분석용 분산 검색 플랫폼으로 색인·검색·집계 작업을 제공한다. 원본 및 확장된 키워드 세트를 색인해 세그먼트 매칭과 배치 스코어링 워크플로에서 빠른 조회를 지원하는 방식으로 사용된다. 대규모 키워드 인덱스와 실시간 쿼리 처리에 적합하다.
기술
- Amazon Bedrock은 LLM을 API 형태로 제공하는 AWS 서비스로서, 생성 기반 키워드 확장에서 프롬프트를 통해 후보 문구를 생성하고 결과를 받아 후처리하는 방식으로 사용됐다. Bedrock은 모델 호스팅과 호출 인터페이스를 제공하므로 Yahoo는 생성 파이프라인을 기존 백엔드와 통합할 수 있었다. 운영 측면에서 Bedrock의 레이턴시와 비용 구조가 실제 도입 결정 요소가 된다.
- Word2Vec는 기존 SRT에서 키워드를 임베딩으로 변환해 LSH로 근사 검색을 수행하는 데 사용되던 모델이다. 이 방식은 구문적 유사도에 강점을 보였지만 어휘 최신화와 의미적 확장에서는 한계가 드러났다. Word2Vec 임베딩과 LSH 인덱싱은 여전히 빠른 근사 검색을 제공하는 기술적 대안으로 남아 있다.
- Amazon OpenSearch Service는 원본 및 확장된 키워드 세트를 색인하고 배치 스코어링 워크플로에서 검색용 레퍼런스로 활용되는 분산 검색 플랫폼이다. 색인된 키워드를 기준으로 사용자 로그와 대조해 세그먼트 멤버십을 판정하는 부분에서 핵심 역할을 맡았다. 대규모 색인과 집계 성능이 운영 효율성에 영향을 준다.
- Locality-sensitive hashing(LSH)은 임베딩 기반 근사 최근접 검색을 위해 색인 단계에서 후보를 좁히는 데 사용되는 기술이다. LSH는 검색 속도를 개선하지만 근사성 때문에 의미적 세부를 놓칠 수 있어 확장 실패 케이스가 발생하기도 했다. 따라서 LSH를 보완하는 의미 중심 생성 방법이 도입 배경이 되었다.
활용 사례
- 광고주가 정의한 소규모 키워드 세트를 기반으로 의미론적으로 관련된 후보를 자동 생성해 캠페인 도달을 확장하는 데 활용된다. 입력으로 광고주의 키워드가 들어가면 LLM이 확장 문구를 산출하고, 이후 필터링·우선순위화 과정을 거쳐 광고 타겟 목록이 확정된다. 이 과정은 특히 신규 또는 트렌드 키워드가 빠르게 변하는 영역에서 더 많은 잠재 고객을 포착하는 데 기여한다.
- 검색 행동을 기반으로 한 크로스채널 리타겟팅에서 검색 의도를 디스플레이·비디오·네이티브 광고로 연결하는 데 사용된다. 사용자 검색 로그를 세그먼트 메타데이터와 대조해 SRT 세그먼트를 구성하면 동일한 의도를 가진 사용자를 다양한 채널에서 타깃할 수 있다. 결과적으로 검색 신호를 광고 캠페인의 타겟 신호로 변환하는 데 유용하다.
- 민감어 필터링과 우선순위화가 필요한 광고 환경에서 생성된 키워드를 추가 검증 단계로 통과시켜 안전한 확장 후보만 인덱싱하는 운영 패턴에 적용된다. 생성 단계에서 다양한 후보가 나오면 필터링 로직과 규칙 기반 우선순위화가 후속 처리에 들어가며, 이를 통해 규정 준수와 품질을 동시에 관리할 수 있다. 특히 대형 DSP 운영에서 필터링 자동화는 운영 비용 절감과 컴플라이언스 유지에 중요하다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 31.수집 2026. 07. 31.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.
관련 토론
아직 관련 토론이 없습니다.
댓글
댓글을 작성하려면 로그인이 필요합니다.