90 이상 + 정보 충분
텍스트로 다음 단계
1차에서는 정보가 충분한 예시만 사진 없이 진행합니다. 정보가 부족하면 높은 점수여도 추가 확인합니다.
상품 분류 설계
INTERACTIVE SIMULATION · 가상 시나리오PRODUCT CLASSIFICATION · 설계 시각화
500만 개 상품을
차근차근 분류합니다.
판매자가 입력한 바코드나 모델명으로 정보를 채우고, 부족한 내용은 보강을 유도합니다. 정보와 판단 근거가 충분하면 최종 카테고리로 직행하고, 애매하면 계층 분류와 사진 확인을 거칩니다.
판매자 정보 보강→텍스트 분류 · 자동 확장→최종 직행 또는 계층 분류→검토 · 분류 완료
읽기 전 확인화면 속 상품과 점수는 가상 예시이며 실제 정확도가 아닙니다. 모델 연결과 점수 보정은 적용 전 검증이 필요합니다.
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.
1차 텍스트 분류 · 대기열 기반 자동 확장
같은 모델 A를 여러 복제본으로 실행합니다. 10개로 시작하고 최소 5개를 유지합니다. ‘텍스트만으로 통과’는 이 모델의 결과입니다.
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.
아래 사각형은 같은 모델 A의 최대 20개 실행 슬롯입니다. 색이 진한 슬롯은 준비된 복제본, 흐린 슬롯은 미사용입니다.
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 ↓
모델 A · 텍스트 대분류와 최종 후보를 함께 예측 최종 근거가 충분하면 직행 · 나머지는 계층 분류
텍스트만으로 1차 통과 ↓0
텍스트 충분 → 최종 직행 또는 계층 계속
직행 결정 0 · 계층 계속 0판단한 상품을 기다리는 중
정보 부족 · 사진 추가 확인 ↓0
CPU 화질 검사 → 이미지 모델(GPU 예시)
화질 검사 0 · 이미지 모델 호출 0판단한 상품을 기다리는 중
1차 분류 기준 · 가상 시나리오 텍스트 근거가 충분하고 최종 후보의 가상 점수가 높으며 상위 분류와 일치하면 중간 계층을 건너뛰어 초록 점선으로 최종 바스켓에 직행합니다. 다른 상품은 기존 계층 분류를 진행하고 최종 후보를 이미지로 검증합니다. 사진이 불량하거나 판단이 충돌하면 사람에게 보냅니다.최종 이미지 예시 점수가 70 이하이면 추가 검토하고, 60 미만이면 사람에게 보냅니다. 이 수치와 점수는 검증되지 않은 가상 설정입니다.이미지 모델의 작업을 줄이면 GPU 임대 시간·수량을 줄일 여지가 있습니다. 실제 효과는 처리 기한과 사용률에 따라 달라지며, 텍스트 모델에도 GPU가 필요할 수 있습니다.직행하지 않은 상품은 최종 후보에서 이미지 검증을 수행합니다. 직행 기능에는 최종 후보 예측을 위한 추가 개발·학습이 필요합니다. 높은 점수의 결과도 일부 표본 검증이 필요합니다.
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 직행평균·교차 검토 중화살표 = 다음 단계로 이동
같은 순간, 서로 다른 단계에서 동시에 진행합니다
각 단계에서 여러 상품이 동시에 진행합니다. 목록은 일부 예시이며, 단계별 숫자는 전체 500개를 기준으로 합니다.
모델 A는 공통 텍스트 대분류와 최종 후보 예측, B·C·D는 이후의 분야별 판단 역할을 나타냅니다. 대분류 약 30개마다 전문 분류기를 두되, 공통 기본 모델을 공유하는 설계도 가능합니다. 실제 모델 연결은 없는 가상 예시입니다.
묶음별 진행 상태 보기
판매자 정보는 분류에 어떻게 도움이 될까요?
예를 들어 ‘무선 이어폰’이라는 상품에 바코드나 모델명이 있으면 기존 상품 정보에서 연결 방식이나 기능을 찾아 채울 수 있습니다. 필요한 항목이 여전히 없다면 판매자에게 그 항목만 물어봅니다. 판매자는 ‘모름’을 선택할 수도 있습니다.
정보가 채워져도 자동으로 정답이 되는 것은 아닙니다. 이 예시에서는 최종 후보의 가상 점수와 상위 분류 일치까지 충족해야 초록색 직행 경로를 탑니다. 정보가 부족하거나 판단이 애매하면 기존 계층·이미지 확인으로 넘어갑니다.
보상 제안을 켜면 유용한 답변 한 건당 가상 크레딧 1원을 집계합니다. 보상 없이도 답했을 판매자에게 지급되는 경우가 포함되며, 이 화면은 실제 참여율이나 비용 절감액을 예측하지 않습니다. 판매자가 응답하지 않아도 기존 상품 500만 개의 처리는 계속해야 합니다.
참고: Kaufland의 기존 상품 정보 활용 ↗ · eBay의 상품 속성 입력 유도 ↗. 화면의 보상 금액과 경로는 이 사례들의 실제 정책이 아니라 과제용 가상 설계입니다.
애매할수록, 확인하는 모델을 늘립니다.
이 규칙을 각 단계에 즉시 적용합니다. 검토가 해결되면 다음 단계로, 의견이 다르거나 근거가 부족하면 사람에게 보냅니다.
정보 부족 또는 90 미만
필요할 때 이미지 확인
1차에서 사진의 화질을 검사하고 활용 가능할 때만 이미지 모델을 사용합니다. 70 초과는 두 예시 점수의 평균을 계산합니다.
60 이상 ~ 70 이하
서로 다른 모델 3개 이상
텍스트 모델을 포함한 3개 이상의 모델로 교차 검토합니다. 두 모델 평균이 검토 기준 이하인 경우도 이 경로로 들어옵니다.
60 미만
교차 검토 후 사람 확인
3개 이상 모델로 검토해도 자동 확정하지 않습니다. 사람 확인 대기로 보냅니다. 다른 구간도 의견 불일치·근거 부족이면 사람에게 보냅니다.
평균 전에 해야 할 일 · 모델마다 점수의 의미와 범위가 다를 수 있습니다. 각 점수를 보정해도 단순 평균이 올바른 확률로 보장되지는 않습니다. 실제 적용은 평균과 임계치의 적합성도 검증해야 합니다. 여기서는 그 절차가 완료되었다고 가정한 가상 점수의 산술평균만 보여줍니다. 예: (텍스트 82 + 이미지 88) ÷ 2 = 85. 이 가정은 실제 보정·성능 검증을 뜻하지 않습니다.
비슷한 실제 연구 · EURWEB
논문은 신규 상품을 텍스트 모델로 먼저 분류한 뒤, 예측 확신이 낮은 일부만 텍스트와 이미지를 함께 보는 GPU 모델로 전달하는 운영 사례를 소개합니다.
연구 대상은 패션 상품이며 이 화면의 90점 기준·검사 비율·비용은 해당 논문의 실측값이 아닙니다. 논문 원문 · VI Deployment ↗
최종 카테고리 직접 추천 사례 · eBay
eBay는 상품 제목 등으로 최하위 카테고리 후보와 점수를 반환합니다. 공식 문서에서 확인되는 것은 후보 추천이며, 이 예시의 자동 직행 기준은 별도의 가상 설계입니다. eBay 분류 결과 문서 ↗
과제에 적용할 자동 확장 구조
상품을 단계별 대기열에 넣고, 대분류·분야별 분류·이미지 분석의 작업자를 각각 조절합니다. 축소할 때는 처리 중인 상품을 끝내거나 안전하게 다시 대기열에 넣습니다.
실제 설정에서는 대기열 길이뿐 아니라 작업자 수, 처리 시간, 허용 대기시간, GPU 용량과 예산 상한도 살펴봅니다. 클라우드에 올리는 것만으로 이 정책이 자동 설정되지는 않습니다. AWS의 대기열 기반 자동 확장 설명 ↗
하나의 모델과 분야별 전문 모델, 어떻게 다를까요?
같은 상품 데이터를 사용해 두 접근의 정확도·처리시간·비용을 비교하는 설계 예시입니다.
직접 세부 분류
상품 → 한 모델 → 1만 개 중 세부 카테고리. 모델 하나로도 구현할 수 있어 구조가 단순합니다. 후보 검색이나 작은 분류기도 쓸 수 있으므로 반드시 가장 큰 모델이 필요한 것은 아닙니다.
단계별 · 분야별 모델
공통 상위 분류 → 전자제품·식품 등의 전문 분류 → 각 분야의 세부 분류. 예를 들어 식품에서는 원재료·상품명, 전자제품에서는 모델명·제품 규격을 중점적으로 살펴보도록 설계할 수 있습니다.
기대할 수 있는 장점
각 단계에서 살펴볼 후보가 줄어들고, 분야별 데이터를 활용하거나 한 분야의 모델만 개선할 수 있습니다. 성능·비용·속도 개선은 실제 시험으로 확인해야 합니다.
함께 고려할 점
상위 분류가 틀리면 아래에서도 오류가 이어질 수 있습니다. 후보를 여러 개 남겨 재검토하고, 모델별 배포·학습 데이터·버전 관리가 늘어나는 부담을 살펴봐야 합니다.
화면의 모델은 가상 설계입니다. 현재 움직이는 예시는 전문 모델이 실제 연결된 것이 아닙니다. 대분류별 약 30개의 전문 분류기와 공통 기본 모델을 조합하는 설계를 보여줍니다.
카테고리가 1만 개면 모델도 1만 개가 필요할까요?
꼭 그렇지는 않습니다. 모델 수는 카테고리 수가 아니라 선택한 설계와 분류 트리의 구조에 따라 달라집니다.
공통 기반 + 분야별 분류
공통 상위 분류기 하나와 전자제품·식품 등 분야별 전문 분류기 약 30개를 둘 수 있습니다. A·B·C는 구분된 역할의 예시입니다.
기본 모델은 공유 가능
분야별 분류기가 공통 기본 모델을 공유하고 분야별 판단 부분만 다르게 구성할 수 있습니다. 모델과 운영 자원의 수는 실제 설계에 따라 달라집니다.
분기마다 모델을 두면?
부모 분기마다 별도 모델을 두는 설계에서는 분기하는 부모 노드 수만큼 모델이 필요할 수 있습니다. 1만 개 말단 카테고리만으로는 부모 노드 수를 알 수 없습니다.
오류와 비용 확인
위 단계에서 잘못 고르면 아래까지 오류가 이어질 수 있습니다. 애매한 상품은 후보를 여럿 남기고, 정확도·처리시간·비용·모델 운영량을 실제 데이터로 비교합니다.
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 기존 계층을 따라 내려갑니다. 필요하면 사진을 검사하고 이미지 모델로 확인하며, 해결되지 않으면 사람에게 보냅니다. 경로의 깊이는 분야마다 다릅니다.
- 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 |
|---|