딜러십 규모의 GenAI 차량 사진 보정: 사례 연구

수백 개의 자동차 딜러십을 지원하는 미국의 차량 촬영 플랫폼은 매일 7만~8만 장의 리스팅 사진을 처리합니다. 이 규모에서는 화질이 구매자 관심과 판매 속도를 좌우합니다. HDWEBSOFT는 GenAI 기반 이미지 보정 플랫폼을 구축해 노후 모델을 최신 딥러닝으로 교체하고, 객관적 품질 스코어링으로 고신뢰도 사진을 자동 승인하며, 수작업 보정률을 약 34%에서 10% 미만으로 — 70% 감축 — 낮췄습니다. 하루 전체 물량을 4시간 윈도우 안에서 사진당 3초 미만으로 처리합니다.

프로젝트 배경

매일 아침, 온라인 리스팅용 차량 사진 수만 장이 짧은 시간대에 몰려 들어옵니다. 기존 AI 도구가 있어도 조명 불량, 비뚤어진 각도, 부정확한 색상 때문에 약 3장 중 1장은 여전히 수작업 보정이 필요했고, 하루 23,000장 이상이 인간 편집자에게 돌아갔습니다.

고객사는 구형 모델을 최신 딥러닝으로 교체하고, 고신뢰도 사진이 인간 리뷰를 완전히 건너뛸 수 있도록 품질 스코어링을 도입하며, 수작업 부하를 줄이는 새 플랫폼을 발주했습니다 — 딜러들이 의존하는 하류 리스팅 워크플로우는 그대로 유지하는 조건이었습니다. HDWEBSOFT 5인 팀이 모델 엔지니어링, MLOps, 클라우드 인프라, 리뷰용 웹 애플리케이션을 담당했습니다.

이해관계자 인터뷰

“가장 힘든 제약은 버스트 윈도우 그 자체였습니다. 4시간에 8만 장, 장당 3초 미만. GPU 콜드 스타트는 2분이 넘기 때문에 부하에 반응하는 오토스케일링은 항상 큐를 쫓아가기만 합니다. 이 현실을 전제로 파이프라인을 설계해야 했습니다.”

— Dat Huynh, HDWEBSOFT 프로젝트 매니저

팀은 부하를 기다리는 대신 순서를 뒤집었습니다. 매일 버스트 15분 전에 GPU 용량을 3.6배 여유로 프리웜하고, 도착 피크는 큐가 흡수하는 동안 예열된 인스턴스가 처리합니다. 윈도우 밖에서는 스케일-투-제로로 대기 비용을 거의 0으로 유지합니다. 출시 전에는 4시간 전체 부하 시뮬레이션을 수행해 추정이 아닌 실제 물량으로 설계를 입증했습니다.

이 설계 덕분에 플랫폼은 첫날부터 아침 버스트 전체에서 3초 미만 SLA를 지켰고, 딜러 리스팅 일정에 영향을 주는 백로그를 남기지 않았습니다. 이후 다른 대규모 AI 워크로드의 용량 리뷰 템플릿이 되기도 했습니다.

주요 기능

• AI 기하 보정 — 비뚤어진 각도와 기울어진 수평선을 바로잡고 차량 중심으로 프레임을 자릅니다.
• AI 색상 보정 — 조명, 화이트밸런스, 노출, 대비를 조정합니다. 일률적 보정이 아니라 각 딜러십의 브랜드 룩을 학습합니다.
• 품질 스코어링 및 자동 승인 — 사진마다 0~100점을 매기고, 고신뢰도 결과는 사람 손을 거치지 않고 리스팅으로 직행합니다.
• 인간 리뷰 워크플로우 — 신뢰도 배지가 있는 그리드 뷰에서 리뷰어가 한 번의 클릭으로 배치를 승인합니다.
• 매끄러운 통합 — 재시도와 중복 제거를 갖춘 webhook으로 고객사의 기존 리스팅 파이프라인에 연결되며, 하류 워크플로우는 변하지 않습니다.

기술적 과제

학습 데이터 품질이 고객 제공 페어 이미지에 전적으로 의존

보정 모델은 고객사가 제공한 수천 개의 보정 전-후 사진 페어보다 나아질 수 없습니다 — 서로 다른 편집자들이 오랜 기간 작업한 데이터입니다. 진짜 위험은 편집의 불일치였습니다. 같은 조명 문제를 두 편집자가 다르게 고치면 모델은 의도가 아니라 노이즈를 학습합니다. 실내 촬영은 더 어려웠습니다 — 좁은 차내는 복잡한 조명, 섞인 색온도, 대시보드와 창문의 강한 반사를 만들어 범용 보정이 잘 통하지 않습니다. 커버리지 공백도 그만큼 중요했습니다. 쉬운 야외·주간 사진 위주의 데이터셋은 편집자가 가장 고전하는 영역에서 모델을 무력하게 만듭니다.

4시간 윈도우 안의 8만 장

제약은 처리량 자체보다 도착 패턴이었습니다. 사진은 고르게 오지 않고 집중된 아침 버스트로 몰리며, 모든 이미지가 3초 안에 보정을 완료해야 합니다. GPU 인스턴스의 콜드 스타트는 최대 150초 걸려, 리액티브 오토스케일링은 항상 큐에 뒤처집니다 — 새 용량이 예열될 때쯤이면 백로그는 이미 형성되어 눈덩이처럼 불어납니다. GPU를 24시간 예열하는 대안은 고객사의 비용 모델을 깨뜨립니다. 게다가 프로젝트 중간에 범위가 거의 두 배로 늘며 이 모든 걸 풀 시간도 압축됐습니다.

확률적 AI 출력과 딜러별 브랜드 기대

보정 모델은 확률적입니다 — 같은 사진도 실행할 때마다 미묘하게 다른 결과를 냅니다. 그래서 출력 리뷰는 매번 “어떤 게 제대로 보이는가”를 두고 벌이는 주관적 논쟁이 됐고, 사람의 승인 없이 출시하는 것에 대한 이해관계자의 신뢰를 갉아먹었습니다. 브랜딩은 더 복잡했습니다. 각 딜러십은 자사 편집자가 수년간 쌓아온 고유한 룩에 맞는 사진을 원하지, 범용 하우스 스타일을 원치 않습니다. 대형 딜러는 학습할 전-후 예시가 수천 개지만 소형 딜러는 없고, 얇은 데이터로 학습한 프로파일은 신뢰할 수 없습니다.

솔루션

감사·커버리지 가중된 학습 데이터

모델링 전 팀은 데이터셋 전체를 감사했습니다 — 모든 전-후 페어의 정합성을 검증하고, 불일치 편집에 플래그를 달고, 조명 조건과 촬영 유형별 커버리지를 확인했습니다. 데이터셋은 개별 편집자의 습관을 암기하는 대신 일반화 가능한 보정 패턴을 배우도록 분할했습니다. 실내 촬영은 어려운 샷 쪽으로 학습 데이터를 크게 가중했고, 저신뢰도 보정은 출시 대신 자동으로 인간 리뷰어에게 돌리도록 파이프라인을 설계했습니다.

입증된 여유를 갖춘 프리웜 용량

서버는 매일 버스트 15분 전에 기본 용량의 3.6배로 자동 기동해 큐가 형성되기 전에 콜드 스타트 문제를 흡수합니다. 4시간 전체 부하 시뮬레이션이 출시 전에 실제 물량으로 설계를 입증했습니다. 프로젝트 중간에 늘어난 범위를 기한 이동 없이 흡수하기 위해 팀은 개발 전 과정에 AI 보조 개발 도구를 도입해 30%의 생산성 향상을 측정했습니다.

객관적 스코어링과 딜러별 컬러 프로파일

주관적 리뷰를 사진별 객관적 0~100 품질 점수로 대체하고, 엄격한 출시 규칙을 세웠습니다. 스코어링된 출력에 대한 인간 합의가 90% 미만이면 출시하지 않습니다. 브랜드의 경우 각 딜러십 자체의 전-후 예시로 딜러별 컬러 프로파일을 학습합니다 — 하나를 강요하는 대신 그들의 룩을 배웁니다. 이력이 부족한 딜러는 지역 프로파일로 폴백하고, 프로파일은 하류에서 인간 편집자가 가하는 수정으로 지속적으로 다듬어집니다.

비즈니스 성과

• 수작업 보정 70% 감소 — 약 3장 중 1장에서 리뷰 필요 사진 10% 미만으로, 장당 분 단위에서 초 단위로.
• 월 인프라 비용 약 3,470달러 — 전체 생산 물량 기준, 버스트 외 시간은 스케일-투-제로.
• 딜러십 전반의 균일한 품질 — 리뷰어별 주관 대신 단일 채점 기준.
• 자동 롤백 카나리 배포 — 생산 규모에서 모델 업데이트를 안전하게 유지.
• 전략적 가치 — 딜러의 리스팅 속도 향상, 고객사용 세그먼트 리포팅, 인수 후 완전한 운영 독립.

기술 스냅샷

• 모델: 기하 감지 YOLOv8-m, 색상 보정 SVDLUT(PyTorch), 객관적 품질 스코어링 MUSIQ NR-IQA·LPIPS — CUDA 가속.
• 서빙: 버스트 전 프리웜되는 오토스케일링 GPU 풀 뒤의 SageMaker 비동기 추론.
• 파이프라인: SQS/SNS로 오케스트레이션된 AWS Lambda(Python 3.12)·ECS/Fargate(Node.js), DynamoDB 상태 관리, RDS PostgreSQL 16 메타데이터, API Gateway 뒤 S3 에셋 저장.
• 보안: mTLS, HMAC-SHA256 요청 서명, WAFv2, PrivateLink, KMS.
• 딜리버리: Terraform IaC, GitHub Actions CI, Docker/ECR 이미지, CloudWatch + X-Ray 옵저버빌리티, PagerDuty 온콜, 리뷰 UI는 React + Cognito + CloudFront.

결론

이 플랫폼은 고객사의 편집 운영을 사진 한 장씩 손이 가는 병목에서 스코어링 기반 자기 보정 파이프라인으로 바꿨습니다 — 인간 리뷰어는 이제 AI가 가장 확신하지 못하는 사진만 건드립니다. 엄격한 지연·볼륨 제약 하에 컴퓨터 비전이나 생성형 AI 워크로드를 스케일해야 한다면, 저희의 AI 개발 서비스가 바로 이 딜리버리 모델을 커버합니다. 비슷한 구축을 검토 중이라면 팀에 문의하세요.