영화 속 그 옷을 찾아주는 딥러닝 기술
영화나 TV를 보다 보면, 주인공이나 출연자 보다 더 눈에 들어온 것들이 있곤 합니다. 바로, 그들이 입고 나온 옷이나 착용한 액세서리. ‘저 옷 브랜드는?’, ‘비슷한 디자인 어디 없나?’ 하면서 찾기도 하고 궁금해지는 경우인데요. 물론 조금 인내심을 발휘한다면, 발 빠른 온라인 유저들이나 인플루언서들이 SNS에 올려 주기도 하지만, 그조차 검색하는 것이 귀찮은 일일 때가 있습니다. 또 내 눈에 들어온 옷의 디자인이나 소재를 설명할 수 없으니 검색하긴 어렵고, 궁금증만 커져가는 상황도 있곤 합니다. 이러한 문제를 해결하기 위해 패션 아이템을 사진으로 검색하고, 유사한 상품을 찾아볼 수 있는 패션 이미지 검색 기술이 개발되었습니다. 빅데이터를 기반으로 하는 인공지능 AI로 가능한데요. 인공지능 기술이 본격적으로 상용화되기 전에는 분석하는데 한계가 있고, 인공지능을 구성하는 변수가 다양하여 그것을 분석하고, 수행하는 일이 상용화되기 어려웠습니다. 또 실시간으로 쏟아져 나오는 데이터의 정확한 검색과 검색 결과를 제공하기 어려웠습니다. 하지만, 인공지능 AI에 딥러닝 기술이 도입된 이후로 상상했던 일들이 가능해지고 있습니다. 이미지를 보다 정확하게 세부적으로 분석하고 효율적으로 검색결과를 출력할 수 있게 되면서 쇼핑, 생활 서비스에도 자리 잡고 있습니다. 그렇다면 네이버 쇼핑, 구글 등에서 사용되는 패션 이미지 검색 기술의 적용은 어떤 원리로 이루어지는 걸까요? 그 과정을 보면 먼저 내가 발견한 옷을 사진 촬영하거나 갤러리의 사진을 입력하면 되는데요. 사진을 입력하면, 인공지능 AI는 딥러닝 과정을 거치게 됩니다. 바로 이 딥러닝 과정을 거치기에 패션 검색 이미지가 가능한 것입니다. 오늘은 이러한 인공지능 AI의 딥러닝 과정은 어떻게 진행되는지 살펴보겠습니다.
딥러닝이 옷을 찾기까지의 여정
1단계: 이미지 인식(Object Localization)
딥러닝 기술의 하나인 R-CNN(Regions with CNN features) 알고리즘을 기반으로 이루어집니다. 이 R-CNN 기술을 이용하여 전체 이미지에서 패션 아이템들의 위치를 하나하나 감지하는 작업을 하게 됩니다. 그리고 다음으로 분류하는 작업을 합니다. 이 기술을 통해, 인공지능 AI는 상의, 하의, 아우터, 액세서리 등 여러 종류의 스타일을 구분하게 되는데요. 이러한 스타일이 담긴 이미지 들을 분석하여 이미지 안에 어떠한 물체들이 있는지를 구분해내는 인공지능 AI의 기술입니다. 이 작업을 통해서 우선 내가 궁금해하는 스타일을 골라내는 작업을 하는 것입니다.
2 단계: 핵심 포인트 탐색(Key Points Detection)
1단계에서 인식된 이미지를 가지고 핵심 포인트 탐색 기술을 통해 구분된 스타일들의 컬러, 소재, 분류 작업 등, 구체적 특질로 구분하고 나누는 작업을 구체화하는 기술로, 이 단계에서 인공지능은 패션 아이템들의 정보를 검색 가능한 데이터로 이해하고 학습하여 유저가 원하는 제품을 찾아주는 훈련을 거치게 됩니다.
3단계 시멘틱 분할 (Semantic Segmentation)
딥러닝 과정 1단계와 2단계로 분석된 이미지의 속성 정보를 고르고 선택하는 작업입니다. 딥러닝 1단계와 2단계에서 찾아낸 이미지의 수는 헤아릴 수 없을 만큼 매우 방대합니다. 이처럼 방대한 이미지와 데이터를 빠르게 검색하기 위해서는 정확하고 효과적으로 표현하고 골라낼 수 있는 작업을 해야 합니다. 즉 딥러닝 과정 1단계와 2단계에서 수행한 스타일과 이미지에 대한 데이터를 속성정보를 빠르게 처리할 수 있도록 압축하여야 하는데, 이 때 단순한 정보로 변형하는 것이 필요합니다. 이 과정이 이루어지고 나면 소비자가 이용할 수 있는데요. 소비자는 이러한 딥러닝 과정을 통해 빠른 검색을 할 수 있는 것입니다.
딥러닝의 속성: 딥(Deep)은 여러 층이 겹겹이 쌓인 것
딥러닝이라는 용어에 딥(Deep)이란 단어가 있어 어떤 분들은 이 과정을 통해 데이터의 속성을 깊게 통찰을 얻을 수 있다는 것이겠지 생각하는 경우도 있습니다. 그런데 딥러닝의 딥(Deep)은 단어의 뜻대로 깊이 있게 들어간다는 개념이 아니라, 연속된 층이 겹겹이 형성되는 것입니다. 이러한 연속된 층이 방대한 데이터를 형성하여 소비자가 원하는 이미지를 찾아낸다고 생각하면 되는데요. 그러면 왜 딥(Deep)이라는 단어를 쓸까 의문이 생길 텐데요. 데이터로부터 모델을 만드는 데 얼마나 많은 층을 사용했는지가 그 모델의 깊이가 됩니다. 앞에서도 잠깐 언급했지만 딥러닝 과정에서 인공지능 AI는 3단계의 과정을 거치면서 연속된 층을 가지게 됩니다. 이때 연속된 층은 인공지능 AI의 훈련 데이터에 노출되는 작업을 거칩니다. 그리고 이 작업을 통해 자동으로 학습을 할 수 있게 하는데, 이렇게 학습할 수 있게 하는 층들을 심층 신경망이라고 부릅니다. 여기서 잠깐, 신경망이란 단어는 신경 생물학의 용어이지만, 신경 생물학과는 전혀 관계가 없습니다. 단지 관계가 있다면 딥러닝의 데이터가 겹겹이 쌓이는 심층 신경망이 형성되는 모습이 우리 인체의 뇌에서 닮았다는 정도입니다. 그러므로 딥러닝 분야에 신경망이라는 용어가 쓰인다고 해서 인체의 신경망과 혼돈해서는 안 됩니다.
이러한 인공지능 AI의 속성 중 하나인 딥러닝은 겹겹이 쌓인 심층 신경망을 통과시켜 소비자가 이용할 수 있게 하는데요. 이 때 소비자가 요구하는 이미지를 찾아내는 작업을 최종적으로 수행해야 합니다. 그래서 인공지능 AI는 소비자에게 보내질 최종 출력에 대해 많은 정보를 가지는 것이 중요합니다. 이를 위해서 수많은 데이터가 심층 신경망에서 걸러지는 작업이 이루어지면서 소비자가 원하는 이미지를 제공할 수 있게 됩니다. 즉 딥러닝 과정은 기술적으로는 이미지 데이터를 찾아내고, 그 데이터를 누적하여 표현하고 학습하게 해 소비자가 올린 이미지와 최대한 유사한 정보를 찾아내게 되는 것입니다.
지금까지 소개해드린 인공지능 AI의 딥러닝 기술들은 네이버의 이미지 검색과 구글의 이미지 검색뿐 아니라, 이미지 검색과 쇼핑 검색 전반에 이미 반영되어 있습니다. 여러 온라인 플랫폼의 모바일 이미지 검색에서 ‘비슷한 스타일 상품 보기’, ‘다른 고객이 함께 본 상품’ 등 다양한 형태로 구현되어 있습니다. 온택트 시대를 살아가고 있는 요즘 모바일 쇼핑을 즐기는 고객의 비중이 더 급증할 텐데요. 딥러닝을 기반으로 하는 인공지능 AI가 더욱 발전할 것이고, 온라인 플랫폼의 쇼핑 정보와 상품 이미지 검색은 더 진화할 것입니다. 쇼핑 검색의 피로도도 줄이고 내가 찾던 상품을 정교하게 찾아주는 기능 인공지능 AI의 딥러닝의 발전도 계속 이어질 것입니다.
