NAVER D2 · 2026. 11. 04.

크림에서 통합 임베딩(Universal Embedding)은 어떻게 쓰일까?

AI 엔지니어링 브리핑

크림은 여러 추천 영역에서 따로 운영하던 모델을 줄이기 위해 검색어와 상품을 하나의 벡터 공간에 표현하는 통합 임베딩과 이를 빠르게 검색하는 공용 API를 발전시켰습니다.

문제 & 배경

문제 & 배경: 추천 영역마다 별도 모델이 필요했고, 기존 방식은 큰 조건을 처리하거나 조건을 자유롭게 조합하기 어려웠으며 768차원 벡터의 메모리 부담과 모델 학습 불안정성도 있었습니다.

기술 & 해결책

기술 & 해결책: 하나의 인코더로 검색어와 상품을 같은 공간에 배치하고, 조건에 맞는 상품만 골라 벡터 점수를 계산하도록 했으며, v2에서는 임베딩 차원을 상황에 따라 줄이는 MRL과 Roaring Bitmap 필터를 적용해 공용 검색 API를 개선했습니다.

교훈 & 주의점

교훈 & 주의점: v2 적용으로 응답 지연은 약 4배 빨라지고 메모리는 1/6로 줄었지만, 벡터 하나만으로는 브랜드 같은 세부 목적을 충분히 표현하기 어려워 멀티벡터와 적용 영역 확장이 필요하다는 점을 확인했습니다.

내용이 비슷해요

내용이 비슷한 글을 먼저 보여드려요. 같은 문제나 해결책을 다룬다는 뜻은 아니에요.