Vertex AI Search를 활용한 결과 없는 검색 개선하기

컬리에서는 오타·띄어쓰기 오류·유의어 때문에 검색 결과가 없는 경우가 전체 검색의 약 6~7%를 차지했고, 베스트 상품을 대신 노출하는 방식은 고객 의도와 운영 효율을 충분히 만족시키지 못했습니다. 이를 개선하기 위해 BigQuery 상품 데이터를 Vertex AI Search에 연결하고, 상품명·상세설명·연관 키워드를 검색 필드로 구성했으며 판매 여부 필터와 query-corpus 기반 모델 튜닝도 적용했습니다. Gradio 데모로 기존 검색과 크롤링·정형 데이터 결과를 비교한 뒤 A/B 테스트를 진행했고, 실험군이 모든 지표에서 우세해 AI 검색을 전체 고객에게 적용했습니다. 적용 한 달 뒤 NR 검색에서 장바구니 담기와 매출 등 주요 성과가 300% 이상 증가했으며, 금칙어 필터링과 결과 캐싱, 커스텀 임베딩은 향후 과제로 남았습니다.

• 웹 크롤링은 빠르게 시작하기 좋지만 색인 범위를 통제하기 어려우므로, 정확성이 중요하면 관리 가능한 자체 데이터 소스를 고려하세요.
• 검색 필드와 필터·정렬·응답 필드를 스키마 속성으로 구분하고, 문서 ID는 데이터 갱신 전에 고유하게 설정해야 합니다.
• 도메인에 특화된 의미를 검색에 반영하려면 query-corpus 학습 데이터를 JSONL로 구성해 모델 튜닝에 활용할 수 있습니다.
• 검색 애플리케이션을 별도로 두면 데이터 접근을 추상화해 필터링·정렬·집계 로직을 중앙에서 관리하기 쉽습니다.
• AI 검색은 부적절한 검색어 필터링과 반복 호출 캐싱을 함께 설계해야 운영 안정성과 비용 효율성을 높일 수 있습니다.