1상품명 · 설명
텍스트로 분류
오픈소스 추가 학습
KoELECTRA-Small-v3
한국어 사전학습 모델에
상품명·설명과 정답 분류로 추가 학습
500만 개 모두 최소 1회 처리
→ 건별 API 요금 부담을 줄이는 설계
이 설계의 관점 · AI 활용에 투자하는 이유
앞으로도
토큰당 비용은
줄어들 것으로
예상합니다.
같은 성능 기준의 토큰 단가는 크게 낮아져 왔습니다. 앞으로도 장기적으로 더 낮아질 것으로 기대하며, 사람의 반복 검수를 줄이는 AI Agent 활용에 투자합니다.
GPT-4 수준의 최저 단가약 652분의 1
$37.50 → $0.0575약 99.8% 감소
성능 기준별 최저 토큰 단가
2023.10 — 2026.10.28범례의 금액은 2026.10.28 기준 · 월별 관측값 연결
비교 기준 LMArena에서 각 기준 모델 이상의 점수를 받은 모델 중 최저 표준 API 단가 · 입력 3 : 출력 1 혼합 · USD / 100만 토큰
출처: Gravity · Aryan Agarwal · CC BY 4.0 · 원자료를 다시 그린 그래프 자료 2026.10.28 · 확인 2026.10.29
향후 하락은 이 설계의 전망입니다. 실제 도입은 정확도·추가 호출·사람 검수까지 합친 비용으로 판단합니다.
비교 방법·범위와 원자료 보기
Gravity가 공개한 LiteLLM 월별 가격 기록을 사용했습니다. 혼합 단가는 (입력 단가 × 3 + 출력 단가) ÷ 4이며, 원자료 CSV에 기재된 반올림 값을 그대로 표시합니다. 3개 성능 기준 × 38개 시점의 기록이며, 가격이 없는 시점은 0으로 처리하거나 앞까지 연장하지 않았습니다.
성능 구분은 2026.10.02 LMArena의 텍스트·스타일 보정 종합 점수를 기준으로 합니다. GPT-4·GPT-4o·Gemini 2.5 Pro 자체의 가격 추이가 아니라, 각 점수 기준을 충족한 모델·제공처 중 그 시점의 최저 단가입니다. 모든 업무의 성능이 같다는 뜻은 아닙니다.
11개 모델 회사와 6개 추론 제공처의 표준 종량제 단가를 비교하며, 무료·배치 할인·우선 처리·긴 문맥 요금은 제외합니다. Google API 가격은 2024년 10월 이전 원자료에 없습니다. 추론 토큰, 추가 호출, 사람 검수에 따라 실제 업무 비용은 달라집니다.
GPT-4 수준 비교: 2023.10.01 gpt-4-0314 / OpenAI, 입력 $30·출력 $60 → 2026.10.28 gpt-oss-20b / DeepInfra, 입력 $0.03·출력 $0.14. 계산: $37.50 ÷ $0.0575 = 652.17, 감소율 99.85%.
상품 분류 · 필요한 단계까지만
텍스트로 충분하면 끝내고,
부족하면 이미지·AI로 확인합니다.
설명용 시뮬레이션
실제 모델 호출·성능 측정 없음
텍스트로 분류
2사진의 시각적 특징
이미지 전용 분류기
오픈소스 사용
(전이학습 적극 사용)EfficientNet-B0 또는
ConvNeXt-Tiny 중 선택한 1개
3사진 + 글의 복합 해석
프론티어 API
Gemini 3.5
Flash-Lite
사진 + 글을 함께 해석
가성비 기준 모델 · 도입 전 검증
입력 $0.30 / 출력 $2.50
각 100만 토큰 · 표준 요금
4OpenRouter 모델 적극 사용 가성비 굿
Blind 독립 검토
Qwen3.7FlashGLM 5.3FlashRekaEdge
Qwen3.7Flash
GLM 5.3Flash
RekaEdge각자 답한 뒤 결과·근거 비교
근거가 충분하면 종료 ↓Agent 사이에서도 의견 갈림사람검증 +1낮은 보정 점수·충돌 미해결 시
최종 세부 분류 확정근거 충족 + 누적 사람검증 점수 2점 미만 · 이후 모델 호출 종료
5
하위 분류로 못 가면, 상위로 복구
사람검증 점수 +1잘못 들어간 가지를 다시 탐색 · 같은 원인에는 한 번만 가산
사람검증 점수 +1잘못 들어간 가지를 다시 탐색 · 같은 원인에는 한 번만 가산
6
누적 사람검증 점수 2점 이상 → 사람 검수점수가 쌓일 때마다 확인 · 뒤의 모델 호출을 건너뜀
분류 규칙 · 어디까지 한 번에 판단하는가?
확실한 깊이까지 한 번에 이동하고,
멈춘 곳에서 하위 분류를 이어갑니다.
한 번의 판단으로 이동할 수 있는 카테고리 층수에는 제한을 두지 않습니다. 텍스트·전용 이미지 모델·프론티어 AI가 최하위까지 구분할 근거를 확보하면 바로 확정합니다. ‘전자제품 → 음향기기’까지만 근거가 충분하면 거기서 멈추고, 이어폰·스피커 등 남은 하위 후보를 추가로 검토합니다.
최하위 근거 충분 → 바로 완료중간까지만 충분 → 그 위치를 보존하고 추가 판단상위 분류도 불명확 → 여러 후보 유지·재검토
예시 1 · 최하위까지 바로 판단
‘무선 이어폰’까지 알 수 있다면
중간마다 다시 묻지 않습니다.
- 텍스트만으로는 부족
상품명·설명만으로 본품인지 관련 액세서리인지 구분하기 어렵습니다.
- 사진으로 보완
전용 이미지 모델이 사진에서 최하위 분류의 근거를 확보하고 앞선 텍스트와도 충돌하지 않으면 바로 확정합니다. 사진만으로 부족하면 프론티어가 원본 사진과 글을 함께 판단합니다.
- 최하위 근거 충족 → 종료
‘무선 이어폰 본품’이라는 근거와 검증 기준을 충족한 경우, 한 번에 해당 최하위 카테고리로 이동합니다.
전자제품 → 음향기기 → 이어폰 → 무선 이어폰 ✓
확정 후 경로를 따라 내려가는 동안 추가 모델 호출 없음
예시 2 · 중간까지만 판단 가능
‘음향기기’에서 멈추고,
프론티어가 남은 후보를 판단합니다.
- 텍스트 미해결 → 전용 이미지 모델
전용 모델이 ‘전자제품 → 음향기기’까지는 구분하지만 이어폰·스피커 중 무엇인지는 구분하지 못합니다.
- 음향기기에 잠정 배치
확인한 경로와 남은 후보를 보존합니다. 아직 분류 완료가 아니며, 근거 없이 이어폰 가지로 내려가지 않습니다.
- 프론티어가 사진 + 글을 함께 확인
사진 속 본품 구성과 설명의 용도·연결 방식 등을 대조합니다. ‘무선 이어폰’까지 확인되면 남은 여러 층을 한 번에 이동해 종료합니다.
전자제품 → 음향기기 ⏸
사진 + 글 추가 판단 → 무선 이어폰 ✓
멈춘 위치에서 이어서 판단 · 층마다 새 모델을 두지는 않음
예시 3 · 프론티어도 세부 분류 미해결
독립 판단을 받은 뒤,
근거를 비교해 더 아래로 갑니다.
- 프론티어도 음향기기까지만 판단
중간 경로는 보존하고, 최하위 미해결에 따른 사람검증 점수 +1을 기록합니다. 누적 2점 미만일 때만 독립 검토를 진행합니다.
- AI Agent들이 먼저 각각 판단
같은 원본 사진·글·분류 기준을 주고 서로의 답과 앞선 프론티어의 답을 숨깁니다. ‘음향기기’라는 이전 판단도 강제하지 않아 상위 분류부터 다시 확인할 수 있습니다.
- 답 공개 후 의견·근거 비교
각 후보의 사진·텍스트 근거와 반례를 비교합니다. 최하위 근거가 충족되면 확정하고, 여전히 불명확하면 +1을 더해 누적 2점으로 사람 검수에 보냅니다.
음향기기에서 보류 → 독립 판단 → 근거 비교
최하위 확정 또는 사람 검수
단순 다수결·자기확신 점수 평균으로 최종 확정하지 않음
모든 판단 단계에 적용할 규칙
- 확실한 가장 깊은 위치를 선택합니다. 정해진 분류표 안에서 근거가 충분한 깊이까지 이동합니다. ‘한 번에 한 층’ 제한은 없지만, 애매하다고 자동으로 다음 층에 진입하지도 않습니다. 판정 기준은 별도 정답 자료로 검증합니다.
- 중간 분류는 완료가 아닌 진행 상태입니다. 원본 입력, 현재 경로·분류표 버전, 남은 후보, 판단 근거와 부족한 정보를 기록합니다. 프론티어는 이를 보조 정보로 활용하면서 원본을 확인하고, 독립 검토의 첫 판단에는 이전 답을 노출하지 않습니다.
- 추가 판단은 부족한 근거를 보완할 때 진행합니다. 사진만으로 부족하면 텍스트까지 함께 보고, 프론티어도 해결하지 못하면 독립 판단 후 근거를 비교합니다. 같은 입력·같은 질문을 카테고리 층마다 반복 호출하지 않습니다. 전용 이미지 모델 자체는 사진만 입력받습니다.
- 잘못된 가지는 되돌리고, 반복 검토는 제한합니다. 후속 근거와 상위 분류가 충돌하면 상위로 돌아가 대체 후보를 비교합니다. 복구는 1회이며 +1을 기록합니다. 프론티어 미해결 +1, 독립 검토 미해결 +1을 기록하고, 누적 2점 이상이면 이후 AI 호출을 중단합니다. 중간에서 멈췄다는 이유만으로 점수를 중복 가산하지 않습니다.
위 내용은 적용할 분류 정책을 설명하는 가상 예시입니다. 현재 500개 상품 애니메이션에는 중간 분류를 보존하고 이어서 판단하는 새 동작이 아직 연결되어 있지 않습니다. 실제 모델 호출·정답 기반 기준 검증·비용 측정도 수행 전입니다.
설계 참고: NeurIPS 2024 · Hierarchical Selective Classification — 불확실할 때 더 넓은 범주까지 판단하는 연구입니다. 위 Agent 검토 흐름은 이를 참고한 본 설계의 적용안입니다.
도입 전 비교 실험EfficientNet-B0 ↔ ConvNeXt-Tiny
같은 상품·정답으로 정확도와 처리비용 비교 → 사용할 모델 선택
매 상품에 두 모델을 차례로 실행하지 않습니다.재생 준비0 / 100
분류 중 10도착 0사람 대기 0
사람검증 점수·모델 선택 기준
1단계 텍스트 모델 · KoELECTRA-Small-v3: monologg/koelectra-small-v3-discriminator를 우선 후보로 선정했습니다. 한국어로 사전학습된 공개 모델에 분류 기능을 붙이고, 상품명·설명과 정답 카테고리로 추가 학습하고 직접 운영하는 설계입니다. 전체 500만 개 상품과 이후 신규 상품이 최소 한 번 거치므로, 건마다 외부 API를 호출하는 비용과 처리량 제약을 줄이려는 선택입니다. 학습 데이터 정리·학습·서버·유지보수 비용은 발생하며, 실제 절감 여부는 전체 비용으로 검증합니다. 검증용 정답에서 보정한 점수와 근거가 부족한 상품만 다음 단계로 보냅니다. KoELECTRA-Small-v3와 KLUE-RoBERTa-small을 같은 정답 상품으로 비교해 오확정률·자동 확정률·처리시간·전체 비용을 검증한 뒤 채택합니다. 아직 이번 상품 분류용으로 추가 학습하거나 성능을 측정하지 않았습니다.
전용 분류기: 상품 카테고리에 맞춰 추가 학습한 뒤, 별도로 둔 같은 정답 상품으로 비교합니다. 기본 공개 가중치의 ImageNet 1,000개 분류를 과제의 1만 개 상품 분류로 그대로 쓰지는 않습니다. EfficientNet-B0 · ConvNeXt-Tiny 공식 문서
3단계 API 선택 근거 · 2026.10.29 확인
가성비 기준 모델: Gemini 3.5 Flash-Lite. 이미지와 텍스트를 함께 입력할 수 있는 gemini-3.5-flash-lite를 우선 검증합니다. Google 공식 CharXiv(복잡한 차트 해석) 평가는 74.5%(High 추론 설정 · 도구 미사용)입니다. 제조사 공개 평가이며, 이 상품 분류 과제의 정확도나 모든 모델 중 최고 가성비를 입증하지는 않습니다.
| 모델 | 입력 | 출력 | 판단 근거 |
|---|---|---|---|
| Gemini 3.5 Flash-Lite | $0.30 | $2.50 | 현재 선정한 가성비 기준 모델 · 이미지·텍스트 복합 해석 |
| Gemini 3.1 Flash-Lite | $0.25 | $1.50 | 단가가 더 낮은 비교 후보 · 동일 상품으로 품질 검증 |
| Qwen3-VL-Flash | $0.05 | $0.40 | 더 저렴한 비교 후보 · 싱가포르 International, 입력 32K 이하 |
동일 조건의 상품 분류 비교 결과는 아직 확보하지 못했습니다. 이미지를 포함한 입력 토큰 수·해상도·추론 토큰은 모델마다 다릅니다. 먼저 1·2단계에서 남은 어려운 상품의 별도 정답 묶음으로 최종 세부 분류 정확도, 잘못 확정한 비율, 사람 검수량, 지연시간과 총비용을 비교합니다. 같은 품질 기준을 통과한 모델 중 전체 비용이 낮은 모델을 최종 선택합니다.
출처: 3.5 공식 모델 문서 · 3.5 공식 평가 · Gemini 공식 요금 · Qwen 공식 요금
독립 검토 선정 모델 · 2026.10.29
| 모델 | 입력 / 출력 | 선정 이유 |
|---|---|---|
| Qwen3.7 Flash | $0.03 / $0.13 | 물체 인식·시각 이해 · 낮은 단가 |
| GLM 5.3 Flash | $0.0481 / $0.0625 | 다른 계열의 독립 판정 · 출력 비용 절감 |
| Reka Edge | $0.10 / $0.10 | 이미지 이해 중심 · 낮은 출력 단가 |
요금은 각각 Alibaba(입력 32K 미만), OpenInference, Reka 공급자 경로의 확인값입니다. 이미지 해상도·토큰 수·추론·재시도·공급자에 따라 실제 상품당 비용은 달라집니다. 앞 단계가 해결하지 못한 같은 정답 상품으로 정확도·오확정률·사람 검수량·전체 비용을 비교합니다. 현재 답안은 실제 모델 호출 결과가 아닌 설계용 예시입니다.
독립 검토: 이미지 입력을 지원하는 모델마다 같은 상품 정보와 분류 기준을 줍니다. 첫 답을 낼 때는 다른 모델과 프론티어의 결론을 보여주지 않고, 답이 모두 나온 뒤에 비교합니다. OpenRouter 이미지 입력 문서
확신도: 서로 다른 모델이 스스로 매긴 숫자를 그대로 평균 내지 않습니다. 같은 후보를 기준으로 정답 데이터에 맞춰 보정한 점수와 근거 일치 여부를 함께 확인합니다. 이 화면의 점수는 규칙 설명용 가상 값이며 실제 보정 결과가 아닙니다. 확신도 보정 연구
누적 사람검증 점수: 사람이 확인해야 할 필요성을 누적하는 규칙 점수로, 모델의 신뢰도와는 다릅니다. 프론티어 불확실 +1, 독립 검토 후 확신 부족·미해결 충돌 +1, 경로 복구 +1을 더합니다. 복구 1점 + 프론티어 1점이면 독립 검토 전에 사람에게 보냅니다. 프론티어 1점 + 독립 검토 1점이면 합계 2점으로 사람 검수에 도달합니다. 사진을 읽을 수 없거나 안전하게 분류할 근거가 없으면 점수와 별개로 보류할 수 있습니다.
평균 예산 20원: 총 1억 원 ÷ 500만 상품의 평균입니다. 학습·서버·API·사람 검수·오분류 수정 비용을 함께 비교해야 합니다.
상품을 선택하면 이동 경로와 누적 사람검증 점수를 볼 수 있습니다.상세 시뮬레이션 ↓
EXPLORE THE CLASSIFICATION
이제, 상품이 흐르는 모습을 살펴보세요.
재생하거나 장면을 움직이고, 상품을 선택해 분류 근거를 확인하세요.
복구 0건 · 사람 검수 0건
P001 · 사람검증 점수 0 / 2점사람검증 점수: 복구 +1 · 프론티어 미해결 +1 · 독립 비교 미해결 +1
아래 사각형은 같은 모델 A의 최대 20개 실행 슬롯입니다. 색이 진한 슬롯은 준비된 복제본, 흐린 슬롯은 미사용입니다.전체 구조가 화면에 맞춰 표시됩니다. 상품을 누르면 분류도 위에서 검수 점수와 판단 요약을 볼 수 있습니다.
최종 직행 ↓
장면 0 · 새 상품 10개 투입 누적 10 / 500
상품명 · 설명 입력 ↓ 같은 텍스트 모델 A의 실행 복제본
각 결과를 기다림 없이 분야별 다음 단계로 ↓
공통 모델 · 텍스트 대분류와 최종 후보를 함께 예측 최종 세부 분류 충분하면 직행 · 미해결만 이미지 → 프론티어 → 독립 비교
텍스트로 최종 세부 분류 확인 ↓0
최종 세부 분류 근거 충분 → 사진·API 없이 완료
직행 결정 0 · 사진·API 생략판단한 상품을 기다리는 중
정보 부족 · 사진 추가 확인 ↓0
사진 확인 → 전용 1개 → 미해결만 frontier → 독립 비교
화질 검사 0 · 이미지 모델 호출 0판단한 상품을 기다리는 중
사람 검수
누적 2점 이상 → 분류 즉시 중단
0검수 전환0이동 중0도착
대표 상품 도착 구역
도착한 상품 · 검토 대기
검수로 전환되는 상품을 기다립니다.
사진 불량·복구 실패도 별도 보류
검수 완료나 정답 확정을 뜻하지 않습니다.
주황 화살표: 상위로 돌아가 후보 재탐색 사람검증 점수: 복구 +1 · 프론티어 미해결 +1 · 독립 비교의 낮은 보정 점수·충돌 미해결 +1. 누적 사람검증 점수 2점 이상 → 사람 검수.같은 원인은 중복 가산하지 않습니다. 0~1점도 최종 근거를 확인해야 통과합니다. 사진 불량은 별도 보류합니다. 점수는 가상 예시입니다.
판매자 정보 보강 설정바코드 일치 · 부족 정보 질문 · 가상 보상 제안
분류 전 · 판매자 정보 보강
기존 상품을 처리하면서 판매자가 제공한 정보를 함께 사용합니다. 이 화면은 응답이 도착했거나 오지 않은 상태를 가정합니다.
① 바코드 · 모델명판매자가 아는 상품 식별 정보를 입력합니다.
② 기존 정보 자동 채움같은 상품과 옵션이 맞으면 부족한 정보를 가져옵니다.
③ 부족한 정보 보강필요한 질문을 하고, 답변을 보강하면 가상 크레딧을 제안합니다.
질문 예시 · 이어폰의 연결 방식은? 무선 / 유선 / 모름 — 최종 분류에 필요한 항목만 물어봅니다.
식별 정보 일치0바코드·모델명 가상 조회
부족 정보 자동 채움0일치한 기존 정보 활용
판매자가 보강0부족한 항목 답변
여전히 정보 부족0기존 분류로 계속 진행
예시 보상0건가상 합계 0원
누적 입력 0개 중 처음부터 정보가 충분한 상품 0개. ‘식별 정보 일치’는 다른 숫자와 겹칠 수 있습니다. 보상은 유용한 답변 1건당 1원이라는 가정이며 실제 지급은 없습니다.
이번 장면에 들어오는 상품상품을 선택하면 재생을 멈추고 보강 결과를 보여줍니다.
정보 준비 결과 ↓ 아래 1차 분류로 계속 이동
보상 켜기·끄기는 미리 정한 가상 응답을 적용하며 실제 참여율이 아닙니다. 전체 작업을 기다리지 않도록 이 예시는 보강 결과를 투입 시점에 이미 알았다고 가정합니다. 실제 답변 지연·재처리·검색 비용은 계산하지 않습니다.
병렬 작업자·자동 확장 설정1차 모델 복제본 10개 시작 · 최대 20개
1차 텍스트 분류 · 대기열 기반 자동 확장
같은 텍스트 모델 A를 여러 복제본으로 실행합니다. 10개로 시작하고 최소 5개를 유지합니다. 최종 세부 분류 근거가 충분한 상품은 바로 완료합니다.
준비된 복제본10
추가 준비 중0
현재 분류 중0
1차 대기열0
복제본·장면 누적0
가상 정책: 대기가 쌓이면 확장하고 유휴가 이어지면 축소합니다.
이번 장면 신규 입력 10개 ↓
장면마다 10개가 도착하지만 바쁜 복제본이 있으면 대기열에 남습니다. 가상 설정: 처리 2장면, 추가 준비 2장면. 처리 완료가 늦어지는 설정에서는 마지막 장면이 100보다 늘어납니다. 복제본 하나가 GPU 한 대를 뜻하지는 않습니다. ‘복제본·장면’은 준비·실행 수를 누적한 예시로 실제 GPU 시간이나 요금이 아닙니다. 분야별·이미지 모델은 각각 별도 대기열로 확장하는 설계이며, 여기서는 1차만 용량을 계산합니다.
텍스트로 최종 바스켓에 직행초록 점선이 직행 경로입니다. 실제 상품·모델이 아닌 가상 시나리오입니다.
직행 결정 0 · 이동 중 0 · 바스켓 도착 0누적 결정에는 이동 중이 포함됩니다.
이미지 모델은 필요한 상품에만 사용현재 1차 이미지 분석의 예시 상품 수이며 하위 단계나 실제 GPU 대수·임대 요금은 계산하지 않습니다.
1차 이미지 모델 처리 중 0개
전자제품식품화장품스포츠용품가정용품신선식품의약품의류기타최종 바스켓 직행추가 이미지·텍스트 검토 중파랑 ↓ 진행 · 주황 ↑ 복구
공통 모델은 텍스트 최종 후보를 예측합니다. 전용 이미지 분류기는 1개만 사용하고, 미해결 상품만 사진·글 프론티어와 독립 비교로 보냅니다. 아래 계층은 확인된 최종 분류의 이동과 분기 복구를 표시하며, 층마다 추가 API를 호출하지 않습니다. 실제 모델·API 연결은 없습니다.
묶음별 진행 상태 보기
FRONTIER → BLIND REVIEW
Gemini가 먼저 분류하고,
기준에 못 미치면 독립된 판단을 모읍니다.
같은 이미지·텍스트로 각자 판단한 뒤, 같은 분류 후보의 신뢰도와 근거를 비교합니다.
실제 모델·API 호출 없음
9초 자동 반복 · 기준 미달 상품의 처리 예시
이미지 1장 + 텍스트
상품명: 무선 이어폰Bluetooth 연결 · 음악 재생 · 이어폰 2개와 충전 케이스 포함
사진: 이어피스 2개 + 케이스텍스트: 무선 연결·음악·통화
설명용 상품 그림 · 가상 입력이 원본과 같은 분류 기준을 모든 모델에 전달
Gemini 3.5
Flash-Lite프론티어 첫 판정
이미지와 텍스트를 함께 보고
분류 후보 + Confidence를 반환
예시 판정무선 이어폰 후보 · 확정 보류
Confidence 64 / 100
64 < 기준 85 → 추가 검토기준 85
기준 미달 사람검증 점수 +1
↓신뢰도 충분 + 근거 충족이면
여기서 분류 완료OpenRouter 추가 호출 없음
Confidence
기준 미달→
기준 미달→
03 · 추가 검토 요청
OpenRouter
Qwen3.7 Flash · GLM 5.3 Flash · Reka Edge를 배치한 독립 검토 예시
같은 원본 이미지 + 텍스트 + 분류 기준
Qwen3.7Flash · Alibaba
원본 근거
독립 검토
요청 대기
GLM 5.3Flash · Z.ai
원본 근거
독립 검토
요청 대기
Reka EdgeReka
원본 근거
독립 검토
요청 대기
01 · 같은 상품의 이미지와 텍스트를 준비합니다.
색과 진행 막대는 처리 순서를 설명하는 연출입니다. 실제 모델 호출·응답 시간·성능 측정이 아닙니다.
블라인드: 서로의 답을 보지 않습니다.프론티어의 후보·근거·점수도 전달하지 않습니다.
TRANSFER LEARNING · NEXT STEPS
추후 개선 방향:
1. 새 분야는 프론티어가 먼저 맡고,
데이터가 쌓이면 자체 소형 모델로 전환합니다.
판단 기록이 쌓여, 자체 모델로
1 → 2 → 3 → 4 · 13초 자동 반복 · 실제 학습 아님데이터 축적에서 소형 모델 전환까지
프론티어 모델
새 분야의 상품을 먼저 판단합니다.
학습 자료 축적
0 / 18 묶음 가상 자료
분야별 작은 모델
전자제품자료 대기
의류자료 대기
반려동물용품자료 대기
자료 묶음·처리 비중·평가 통과 시점은 설명용 가정입니다. 실제 학습 기준이나 정확도·절감률을 뜻하지 않습니다. 처음 보는 상품과 낮은 신뢰도 사례는 계속 프론티어·추가 검토로 보냅니다.
출발점은 오픈소스 이미지 모델의 전이학습입니다.
EfficientNet-B0·ConvNeXt-Tiny 같은 사전학습 모델을 비교해 하나를 선택하고, 우리 상품 분류표에 맞게 추가 학습합니다. 이미 학습한 형태·질감 등의 특징을 재사용하면서 마지막 분류층을 바꾸고 필요한 부분을 조정하는 방식입니다. 공개 모델의 기존 카테고리에만 묶이지 않고, 우리 상품의 새 분류를 배울 수 있도록 합니다.
- 01
초기에는 프론티어가 담당
기존 이미지 모델이 아직 배우지 못한 카테고리·분야는 분류 기준을 정한 뒤 프론티어가 이미지와 설명을 함께 보고 우선 처리합니다. 초기 호출비용은 더 들 수 있지만, 새 분야의 분류를 시작하며 학습 자료를 모읍니다.
미지원 분야의 초기 처리 - 02
판정 데이터를 검증·축적
상품 이미지, 분류 후보, 판단 근거, 신뢰도, 사람의 수정 결과를 함께 저장합니다. 프론티어의 답은 임시 정답 후보로 두고, 표본 검수와 충돌·희귀 분류 확인을 거쳐 학습에 쓸 자료를 선별합니다.
모델의 답을 그대로 정답으로 쓰지 않음 - 03
분야별 소형 모델 학습
해당 분야의 여러 상품·촬영 조건을 담은 자료가 충분히 쌓이면, 사전학습 가중치에서 출발해 새 분류층과 필요한 부분을 추가 학습합니다. 이렇게 자체 학습·운영할 수 있는 분야별 소형 이미지 분류 모델을 만듭니다.
데이터 수량과 분류별 다양성을 함께 확보 - 04
검증된 분야부터 전환
학습에 쓰지 않은 정답 상품으로 정확도와 총비용을 평가하고, 통과한 분야부터 소형 모델의 처리 비중을 높입니다. 처음 보는 상품이나 낮은 신뢰도 사례는 프론티어·독립 검토·사람 검수 경로로 보냅니다.
소형 모델 우선 · 어려운 사례는 추가 검토
추후 개선 방향 2 · 클라우드 자원 자동 조절
2. 유휴 클라우드 자원과 모델을 찾아
자동으로 정리합니다.
설계 가정: 전체 상품 분류 시스템은 AWS·Azure·GCP 등 클라우드 서비스 중 하나를 선택해 운영하는 구조입니다. 상품 데이터 저장, 자체 모델 실행, 작업 대기열과 처리 서버를 클라우드에 구성하고, 프론티어 모델은 외부 API로 연결하는 것을 가정했습니다.
사용량에 맞춰 자원을 줄이고, 필요하면 다시 늘리는 자동 스케일링 기능을 추가합니다. 호출이 없는 모델 실행 인스턴스와 사용하지 않는 서버·GPU를 계속 켜 두는 비용을 줄이겠습니다.
- 01 · 관찰
유휴 자원 찾기
요청 대기량·처리 지연·CPU/GPU 사용률·마지막 모델 호출 시각을 함께 확인합니다.
- 02 · 축소
모델·서버 자원 정리
사용하지 않는 모델은 메모리에서 내리고 복제본을 줄입니다. 연결된 유휴 서버·GPU 인스턴스도 축소·중지합니다.
- 03 · 재확장
요청이 늘면 다시 실행
대기 요청이나 지연이 늘면 모델을 다시 올리고, 정해 둔 최대 실행 수와 예산 범위에서 자원을 늘립니다.
진행 중인 작업을 마친 뒤 축소합니다. 최소 유지 수와 재조정 대기시간을 두어 재기동 지연과 잦은 증감을 관리합니다. 모델 파일과 학습 자료는 보존합니다.
직접 운영하는 클라우드·모델 실행 자원을 대상으로 한 계획입니다. 외부 모델 API는 호출량과 동시 요청 수를 조절하며, 모델 복제본 조절과 서버·GPU 인스턴스 정리는 각각 연동합니다.
설계 참고: Kubernetes 사용량 기반 확장·축소 · KEDA 요청·이벤트 기반 스케일링 · 확인 2026.10.29
추후 개선 방향 3 · 조건 충족 후 캐시 도입
3. 정답과 재사용 비율을 확인한 뒤
캐시를 단계적으로 도입합니다.
상품 데이터와 검증된 정답이 충분히 쌓이면, 이전에 확인한 분류 결과를 DB에서 찾아 재사용하는 캐시를 검토합니다. 전체 상품 중 중복 상품의 비율과 안전하게 결과를 재사용할 수 있는 비율을 측정하고, 정확도와 실제 비용 절감 효과가 확인된 범위부터 도입합니다.
현재 우선순위: 판정 결과·검증된 정답·단계별 처리비용을 먼저 기록하고, 그 자료로 경제성이 확인된 뒤 필요한 범위에만 캐시를 도입합니다.
- 01 · 자료 확보
검증된 정답을 DB에 축적
상품명·설명·이미지 경로, 모델이 계산한 특징, 확인된 최하위 분류를 연결해 저장합니다. 입력·모델·분류 기준의 버전도 함께 관리합니다.
- 02 · 적용 조건 확인
중복·재사용 비율 측정
전체 상품 중 동일한 입력이 반복되는 비율과, 기존 정답을 안전하게 재사용할 수 있는 비율을 구분해 확인합니다. 상품 수나 인기도만으로 효과를 가정하지 않습니다.
- 03 · 검증 후 도입
정확도와 순절감 확인
기존 분류와 나란히 비교해 오분류 기준을 충족하고, 생략한 처리비가 구축·저장·검색·검증·오류 수정의 추가 비용보다 클 때 일부 분야부터 적용합니다.
검증된 동일 입력은 앞단에서 결과 재사용을 검토합니다. 텍스트·이미지 일부가 비슷한 상품은 후보만 찾고, 같은 최하위 분류가 맞는지 확인한 뒤 재사용합니다. 근거가 부족하면 기존 분류 경로로 보냅니다.
유사 사례 검색은 기존 텍스트·이미지 분류에서 계산한 특징을 활용할 수 있는지 먼저 확인하고, 비싼 API 호출 직전에 작은 정답·반례 저장소로 시험합니다. 새 상품의 특징 계산 비용은 남으며, 모델·분류 기준이 바뀌면 저장 결과도 다시 확인합니다.
설계 참고: AWS 이미지·설명 특징의 DB 저장·검색 구현안 · Shopify 유사 상품 검색 후 일치 검증 사례 · 실제 재사용률·절감률은 미측정
추후 개선 방향 4 · 사람 검수 효율화와 정답 반영
4. 사람이 판단 근거를 적고,
최종 하위 카테고리까지 확정합니다.
누적 사람검증 점수가 2점 이상이면 AI의 추가 분류를 멈추고 사람이 검수합니다. 사람이 최종 하위 카테고리를 정하면, 판단 근거와 함께 저장하고 해당 카테고리로 바로 보내 분류를 완료합니다.
- 01 · 사람이 확인
필요한 자료를 한 화면에서
이미지·상품명·설명과 AI의 분류 후보·판단 근거를 함께 보여줍니다. 검수자는 자료를 다시 찾지 않고 확인하며, 분류표 검색으로 가장 알맞은 최종 하위 카테고리를 고릅니다.
- 02 · 해당 상품 분류 완료
최종 카테고리로 바로 보내기
선택한 최종 하위 카테고리와 “왜 이 분류인지”를 적어 DB에 저장합니다. 사람이 확정한 상품은 그 카테고리로 바로 보내며, 중간 분류 모델을 다시 거치지 않습니다.
- 03 · 이후 들어오는 상품에 활용
사람이 고친 정답으로 다시 학습
상품명·설명·이미지와 사람이 확정한 카테고리를 정답 예제로 모읍니다. 이 자료로 자체 텍스트·이미지 모델을 추가 학습하고, 성능이 확인된 모델을 새로 들어오는 상품 분류에 사용합니다.
확정하기 어려우면 보류합니다. 정보가 부족하면 판매자에게 보완을 요청하고, 검수자 간 의견이 갈리면 한 번 더 검수합니다. 확정한 결과에는 검수자·시각도 함께 남깁니다.
“다음 분류에 반영”이란? 사람이 고친 사례를 모델의 연습 문제와 정답으로 쓰는 것입니다. 저장만으로 모델이 바로 바뀌지는 않으며, 정답을 모아 다시 학습시킨 뒤 학습에 쓰지 않은 상품으로 시험하고 적용합니다.
목표는 비슷한 새 상품을 AI가 더 잘 분류해 사람의 반복 검수를 줄이는 것입니다. 실제 효과는 분류 오류율과 검수 시간으로 확인합니다. 위 검수·저장·학습 과정은 추후 도입 계획이며, 현재 애니메이션에는 실제로 연결되어 있지 않습니다.
목표는 정확도를 지키면서, 반복 분류와 사람 검수에 드는 비용을 줄이는 것입니다.
초기 프론티어 호출비용을 검증된 학습 자료와 분야별 모델로 연결하고, 유휴 자원을 정리하며, 조건을 충족한 분류 결과는 재사용하는 방향으로 개선합니다. 사람의 검수 결과도 정답 자료로 축적하고, 실제 총비용과 정확도를 평가하며 모델의 담당 범위·실행 자원·캐시 적용 범위를 조정하겠습니다.
전환 시점과 비용을 판단하는 기준
데이터 개수만으로 전환하지 않습니다. 희귀 카테고리와 사진의 다양성을 확보하고, 같은 상품·유사 사진이 학습 자료와 평가 자료에 함께 들어가지 않도록 나눕니다. 별도 검증 자료로 신뢰도 기준을 정하고, 최종 평가 자료에서 세부 분류 정확도·오분류·자동 처리 비율·사람 검수율을 확인합니다.
전체 비용으로 비교합니다. 프론티어 호출비뿐 아니라 자료 검수·학습·서버 운영·추가 호출·오분류 수정 비용까지 포함해, 예상 처리량에서 전환할 이점이 있는지 판단합니다. 학습 투자비와 운영비를 실제로 측정하기 전에는 절감률을 확정하지 않습니다.
이미지로 구분할 수 있는 범위부터 맡깁니다. 설명문에만 있는 규격·성분·호환성은 이미지 모델만으로 배우기 어려우므로 텍스트·프론티어 경로를 유지합니다. 새 분야나 품질 저하가 나타나면 해당 분야를 다시 추가 검토로 보내고 재학습합니다.
위 내용은 추후 개선 계획입니다. 현재 시뮬레이션에서 실제 데이터 수집·모델 학습·클라우드 자원 정리·DB 캐시 연동·사람 검수 결과의 저장 및 학습 반영·중복률 측정·성능 및 비용 검증을 수행한 것은 아닙니다.
설계 참고: PyTorch 전이학습 가이드 · 모델의 예측을 학습 자료로 활용한 연구공개 방법을 바탕으로 구성한 적용안이며, 해당 연구의 성능을 이 서비스의 성과로 사용하지 않습니다.
설계 참고 자료와 가상 점수 안내
모든 점수는 고정 합성 수치입니다. 보정 모델을 학습하지 않았으며 자기확신 평균을 확률로 쓰지 않습니다. 실제 적용 전 동일 정답 상품으로 EfficientNet-B0와 ConvNeXt-Tiny를 비교해 하나만 선택하고, 보류한 검증 자료에서 점수 보정·오류율·비용을 확인해야 합니다.
글로 읽는 진행 순서와 전체 예시 상태
- 판매자의 바코드·모델명으로 기존 정보를 찾아 부족한 내용을 채웁니다. 아직 필요한 정보가 있으면 질문하고, 응답이 없으면 기다리지 않고 분류합니다.
- 20개씩 25묶음, 총 500개 상품을 장면마다 10개씩 입력합니다. 1차 복제본이 바쁘면 대기열에서 기다리며, 앞선 상품은 아래 단계에서 계속 처리합니다.
- 1차에서 정보가 충분하고 최종 후보 점수와 상위 분류가 기준을 충족하면 초록색 경로로 최종 바스켓에 직행합니다.
- 그 외 상품은 화질 검사 후 전용 이미지 분류기 1개로 확인합니다. 미해결이면 프론티어, 여전히 부족하면 사람검증 점수 +1 뒤 이미지 지원 저비용 모델의 독립 판단·비교를 진행합니다. 미해결 비교는 사람검증 점수 +1, 분기 막힘의 1회 복구는 사람검증 점수 +1이며 매 가산 직후 2점 이상이면 사람에게 보냅니다.
- 보상 제안이나 직행 기준을 바꾸면 같은 상품의 현재 장면을 다시 계산합니다. ‘처음부터’는 설정을 유지한 채 장면을 0으로 돌립니다.
| 예시 상품 | 분류 경로 | 현재 상태 |
|---|
아이콘: Lucide · ISC / MIT
모델 로고: Lobe Icons · MIT · 각 브랜드 식별용, 제휴·보증 의미 없음
분류도·상품 그림: 자체 제작 SVG
구현·수정: Codex 활용 · 설계 검토: PAL 무료 모델 검토 절차
내가 한 부분:
아이디어 · 설계 방향 · UI·UX 조정제가 제안하고 이 설계에 반영한 부분입니다.
AI Agent끼리 의견을 나누는 아이디어
여러 AI Agent가 각자 판단한 결과와 근거를 비교하며, 애매한 분류를 함께 검토하는 방식을 제안했습니다.
OpenRouter 적극 활용 실제 사용 중
제가 실제로 사용 중인 OpenRouter의 가성비가 좋다고 판단해, 다양한 모델을 적극 활용하자는 의견을 냈습니다.
사람 검수 누적점수제 도입
불확실한 결과에 점수를 누적해 사람 검수 여부를 정하는 시스템을 제안하고, 이 시뮬레이션에 반영했습니다.
오픈소스·전이학습 적극 활용
오픈소스 모델과, 이미 학습된 모델을 상품 분류에 맞게 추가 학습하는 전이학습을 적극 이용하자는 의견을 냈습니다.
사람 검수에 드는 인건비 최소화
사람이 직접 검수해야 할 상품을 최대한 줄여 인건비를 낮추는 것을 이 설계의 핵심 목표로 정했습니다.
토큰 비용 감소를 고려한 AI 활용
앞으로 토큰 비용이 더 낮아질 것이라는 전망을 바탕으로, AI Agent를 더 적극적으로 활용하자는 의견을 냈습니다.
초기에는 프론티어, 이후에는 작은 모델
어렵거나 학습 데이터가 부족한 분야는 초기에는 프론티어 모델로 판별하며 데이터와 검증된 정답을 모으고, 충분히 쌓이면 작은 모델로 전환하는 아이디어를 제가 제안했습니다.
프론티어 API 사용을 최소화하는 구조
텍스트나 작은 모델로 해결되는 상품은 먼저 처리하고, 어려운 상품에만 프론티어 API를 호출해 사용을 최소화하는 구조를 제가 제안했습니다.
애니메이션 웹 서비스 UI·UX 구성·조정
상품 분류 과정을 쉽게 이해할 수 있도록 화면 배치와 설명 순서, 재생·초기화 등 조작 방식을 검토하고 수정 방향을 제시했습니다. 상품 이동 애니메이션을 결과 비교보다 먼저 보여주고, 불필요한 영역을 줄이는 등 화면을 확인하며 구성을 조정했습니다.
AI 이용한 부분:
조사 · 제안 · 제작 · 배포세계 여러 기업의 사례·자료 조사와 의견 제공
AI Agent를 이용해 Walmart, Rakuten, Meta, Shopify 등 여러 나라 기업의 관련 사례를 조사하고, 이 설계에 참고할 접근 방식과 의견을 제공받았습니다.
Walmart 사례 조사에서 나온 복구 루트 아이디어
AI가 Walmart 사례를 찾아보는 과정에서, 하위 분류로 진행하지 못하면 상위 분류로 돌아가 다시 탐색하는 복구 루트를 제안했습니다.
각 단계의 구체적인 모델 서칭 및 추천
AI를 이용해 텍스트 분류의 KoELECTRA-Small-v3, 이미지 분류의 EfficientNet-B0·ConvNeXt-Tiny, 복합 해석의 Gemini 3.5 Flash-Lite, 독립 검토의 Qwen3.7 Flash·GLM 5.3 Flash·Reka Edge 등 각 단계의 구체적인 모델을 검색하고 추천받았습니다. 이미지 전용 분류기 아이디어도 AI가 제안했으며, 모델의 입력 지원과 공개 평가·가격을 조사해 후보를 비교했습니다.
Codex Dot를 이용한 48시간 서칭
Codex Dot를 이용해 48시간 동안 관련 자료와 다양한 접근 방식을 찾아보았습니다.
웹 시뮬레이션 제작·Cloudflare 배포
AI Agent를 이용해 이 웹 시뮬레이션 사이트를 제작하고, Cloudflare Pages에 배포했습니다.
토큰당 비용 그래프 검색
AI를 이용해 모델 성능 기준별 토큰 비용의 변화 자료와 그래프를 찾고, 출처·비교 기준·단위를 확인해 화면에 반영했습니다.
오픈소스 모델 검색
한국어 텍스트 분류와 이미지 분류에 활용할 오픈소스 모델을 찾고, 공개 가중치와 상품 분류용 추가 학습 가능성을 조사했습니다.
지식 검색
전이학습, 분류 신뢰도 보정, 캐시, 클라우드 자원 자동 조절 등 설계에 필요한 개념과 관련 연구·기술 자료를 찾아 이해하는 데 AI를 활용했습니다.
기타 검색
설계와 구현 과정에서 필요한 공식 문서, 서비스 이용 정보, 참고 자료 등을 추가로 찾는 데 AI를 활용했습니다.
기타 개선안 의견
1. 카테고리 수를 줄이는 방안 보류 · 과제 조건 유지
카테고리가 1만 개인 만큼, 비슷하거나 지나치게 세분화된 항목을 묶어 카테고리 수를 줄이면 더 비용 효율적인 분류가 가능할 것 같습니다. 구분해야 할 후보가 줄어들면 모델의 판단과 추가 검토에 드는 부담도 낮출 가능성이 있다고 생각합니다.
다만, 이는 ‘1만 개 카테고리로 분류한다’는 과제 규칙을 바꾸는 방안이므로 이번에는 보류했습니다. 이번 설계는 주어진 1만 개 카테고리를 유지하는 것을 전제로 합니다.
2. 신규 상품 등록 시 상세한 텍스트 입력 유도
신규 상품이 들어올 때는 판매자나 상품 등록 담당자가 상품 정보를 처음부터 구체적으로 작성하도록 유도하는 과정이 필요하다고 생각합니다. 단순히 ‘자세히 써 주세요’라고 안내하기보다, 용도·주요 기능·재질·규격·모델명·구성품 등을 항목별로 묻고 작성 예시를 보여주면 좋겠습니다. 상품 종류에 따라 필요한 항목을 안내하고, 빠지거나 모호한 정보는 등록 전에 보완하도록 돕는 방식입니다.
처음부터 분류에 필요한 텍스트가 충분하다면 이미지 분석이나 추가 검토가 필요한 상품을 줄일 수 있을 것 같습니다. 다만, 실제 효과는 판매자의 작성 부담과 입력 정보의 정확성까지 함께 확인해야 합니다.