구글 렌즈가 AI 검색을 위해 쿼리 팬아웃(Query Fan-Out)을 사용하는 방식

섹션별 상세

구글은 검색의 AI 모드에서 시각적 쿼리를 처리하기 위해 '쿼리 팬아웃(Query Fan-Out)' 방식을 도입했다. 사용자가 의상 사진과 같은 이미지를 업로드하면, 제미나이 모델이 프레임 전체를 분석하여 모자, 재킷, 신발 등 포함된 개별 아이템을 각각 식별한다.

식별된 각 객체에 대해 시스템은 개별적인 렌즈 검색을 동시에 병렬로 실행한다. 이 과정에서 제미나이는 이미지의 맥락을 파악하는 추론 계층(Reasoning Layer)으로 작동하며, 렌즈는 수십억 개의 인덱싱된 이미지 데이터베이스에서 정보를 찾아오는 검색 백엔드(Retrieval Backend) 역할을 수행한다.

병렬 검색을 통해 얻은 결과들은 쇼핑 링크 및 관련 문맥 정보와 함께 하나의 일관된 응답으로 합성된다. 이러한 방식은 퍼플렉시티(Perplexity)나 오픈AI(OpenAI)의 시각적 검색 서비스와 차별화되는 지점으로, 구글이 지난 10년간 축적한 렌즈 학습 데이터와 쇼핑 그래프(Shopping Graph) 통합 역량을 기반으로 한다.

용어 해설

쿼리 팬아웃(Query Fan-Out): — 하나의 입력 쿼리를 여러 개의 하위 쿼리로 분산시켜 병렬로 처리하는 기술적 방식이다. 검색 시스템에서 복합적인 정보를 빠르게 처리하고 정확도를 높이는 데 필수적인 메커니즘이다.
멀티모달 오케스트레이션(Multimodal Orchestration): — 텍스트, 이미지 등 다양한 형태의 데이터를 처리하는 여러 AI 모델과 시스템을 조화롭게 연결하고 제어하는 과정이다. 각 모델의 강점을 극대화하여 복잡한 작업을 수행하게 한다.
추론 계층(Reasoning Layer): — 데이터의 의미를 파악하고 논리적 판단을 내리는 시스템의 핵심 부분이다. 이 아티클에서는 제미나이가 이미지 내 객체를 식별하고 검색 전략을 결정하는 역할을 수행한다.
검색 백엔드(Retrieval Backend): — 실제 데이터베이스에서 요청된 정보를 찾아오는 하부 시스템이다. 구글 렌즈가 수십억 개의 이미지를 검색하여 관련 정보를 가져오는 역할을 담당한다.

기술

Gemini
Google Lens
Shopping Graph

활용 사례

시각적 쇼핑 검색
이미지 내 다중 객체 식별 및 정보 제공

언급된 리소스

문서How Google Lens Uses Query Fan-Out for AI Search