상품 탐색을 위한 그래프 데이터 플랫폼 구축 사례 (Target)
Target의 그래프 데이터 플랫폼은 상품 탐색 방식을 어떻게 바꿨을까요?
그래프 데이터 플랫폼의 핵심은 상품, 카테고리, 고객 의도를 그래프 관계로 연결하면서 벡터 검색, 키워드 검색, 트랜잭션을 한 시스템에서 모두 처리하는 아키텍처에 있습니다.
오늘날 소비자는 개인 취향을 반영한 탐색, 그리고 자연스러운 대화형 검색을 기대합니다. 이제 성공적인 검색 기능은 단순한 키워드 검색이나 카테고리 탐색에 머물지 않습니다. 상품과 카테고리, 소비자의 의도 사이 관계와 의미를 이해해야 합니다.
대화형 상품 추천이 대표적인 사례입니다. 이용자와 자연스럽게 대화하며 목적에 맞는 상품을 찾도록 안내하는 것이죠.
이런 개인화 검색을 대규모로 실시간 제공하려면 분산된 데이터 환경을 하나의 플랫폼으로 통합해야 합니다. 높은 트랜잭션 처리량, 복잡한 그래프 관계, 벡터 유사도 기반 검색, 전문 키워드 검색을 동시에 지원하는 구조가 필요합니다.
분산된 아키텍처의 한계
Target의 경우, 기존 시스템은 검색과 색인을 담당하는 클러스터, 트랜잭션 데이터를 저장하는 NoSQL 시스템 등 여러 저장소로 나뉘어 있었습니다. 이 구조는 다음 문제들을 보였습니다.
연결고리가 끊어져 있다: 검색, 벡터, 트랜잭션 데이터베이스를 정확히 동기화하기가 어려웠습니다. 정보가 분리되면서 문맥이 누락되고 속성 간 관계가 끊겼으며, 쿼리 결과도 일관되지 않았습니다.
운영 부담이 심각하다: 독립 클러스터 관리, 검색 인덱스 조정, 자체 동기화 및 집계 로직 운영에 많은 수작업이 필요했습니다.
확장이 어렵다: 상품 데이터 영역을 넓힐 때마다 새로운 컬렉션을 추가하고 복잡한 조인을 관리해야 했습니다. 상품 탐색 시스템과 핵심 거래 시스템 사이의 트랜잭션 보장도 충분하지 않았습니다.
검색 기능이 흩어져 있다: 그래프 관계, 벡터 유사도, 키워드 검색 인덱스를 하나의 트랜잭션에서 함께 조회하기 어려웠습니다.
차세대 AI 쇼핑 경험을 구축하려면 이 기능들을 단일 데이터 기반으로 통합해야 했습니다.
통합 그래프 기반 엔터프라이즈 온톨로지 구축
대안은 엔터프라이즈 온톨로지를 관리형 그래프 데이터베이스에 구축하는 것이었습니다. 여러 그래프를 하나로 연결하는 ‘그래프 오브 그래프’ 방식으로 대규모 생성형 AI 쇼핑 그래프를 구성하는 방법입니다.
의미 데이터, 그래프 관계, 벡터 임베딩, 운영 트랜잭션을 통합하면 트랜잭션 상태와 의미 정보를 함께 관리하는 단일 기준 저장소를 마련할 수 있습니다.
상위 아키텍처는 다음 세 축으로 구성됩니다.
엔터프라이즈 메타데이터
상품 카탈로그를 수집하고 여러 백엔드에서 관련 메타데이터를 모읍니다. 생성형 AI 기반 데이터 보강을 적용해 수집하는 상품 정보의 품질과 깊이를 높입니다.
그래프, 벡터, 키워드 통합 저장소
여러 데이터베이스 사이에서 데이터를 옮기지 않고 Entity 노드, 관계 Edge, 벡터 임베딩을 같은 데이터베이스 엔진에 저장합니다. 관계형 테이블에서 다단계 그래프 탐색, 의미 기반 벡터 유사도 검색, 전문 키워드 검색을 함께 처리합니다. 이러한 다중 모델 기능을 기본으로 통합하면 취약한 외부 동기화 파이프라인 없이도 분산 워크로드의 정합성을 ACID 트랜잭션으로 유지할 수 있습니다.
오케스트레이션 및 AI 계층
통합 그래프에서 풍부하고 구조화된 문맥을 가져와 대규모 언어 모델의 응답 근거로 활용합니다. 구체적인 상품 관계를 추출해 대화형 추천 기능에 제공합니다.
무중단 마이그레이션
많은 이용자가 의존하는 검색 및 상품 탐색 인프라를 바꾸려면 신중한 무중단 전환이 필요합니다. 마이그레이션은 다음 네 단계로 진행할 수 있습니다.
스키마 및 온톨로지 매핑: 상품, 카테고리, 브랜드, 이용자 선호도 등 주요 유통 엔터티와 각 관계를 그래프 스키마에 정의합니다.
데이터 통합 및 병렬 재생: 변경 이벤트 기반 데이터 통합 파이프라인을 병렬로 구축합니다. 실시간 트랜잭션 변경 사항을 계속 재생하면서 스키마를 변환하고 임베딩을 생성해 통합 그래프 저장소에 기록합니다.
카나리 배포: 실제 Write 트래픽을 새 플랫폼으로 조금씩 전환하며 쿼리 성능, 의미 검색의 정확성, 데이터베이스 안정성을 검증합니다.
완전 전환 및 정리: 성능 검증을 마치면 검색 및 상품 탐색 트래픽을 새 플랫폼으로 모두 전환하고 기존 검색 클러스터를 폐기합니다.
효과
통합 그래프 데이터 아키텍처는 다음과 같은 이점을 제공합니다.
GraphRAG 기반 강화: 기존 RAG는 평면적인 벡터 유사도에 의존하므로 장난감과 호환 액세서리의 관계나 적정 연령 같은 연관성을 놓치기 쉽습니다. 깊은 그래프 탐색과 의미 기반 벡터 검색을 결합하면 대규모 언어 모델에 더 정밀한 문맥을 제공할 수 있습니다.
SQL과 GQL의 연계: 표준 SQL과 GQL(Graph Query Language)을 함께 사용하면 구조화된 관계형 카탈로그와 연결된 그래프 관계를 하나의 쿼리에서 조회할 수 있습니다. 두 데이터 모델을 연결하기 위한 데이터 복제, 복잡한 ETL 파이프라인, 추가 지연을 줄입니다.
탄력적인 확장: 관리형 분산 데이터베이스의 자동 확장 기능은 블랙프라이데이와 사이버먼데이 같은 유통 성수기에 급증하는 트래픽을 처리하는 데 유용합니다. 한정 기간 프로모션처럼 짧은 시간에 요청이 몰리는 상황에서도 컴퓨팅 용량을 동적으로 조절할 수 있습니다.
운영 구조 단순화: 트랜잭션 저장소와 검색 인덱스를 단일 관리형 환경으로 통합하면 별도 데이터베이스 클러스터와 동기화 파이프라인을 유지하는 부담이 줄어듭니다. 개발팀은 데이터베이스 관리보다 신규 AI 기능 개발과 배포에 더 집중할 수 있습니다.
실무 체크리스트: 통합 그래프 플랫폼 도입 순서
검색 실패 유형을 정의합니다. 동의어, 호환 상품, 연령과 용도, 재고 같은 관계형 문맥이 어디에서 끊기는지 측정합니다.
핵심 엔터티와 관계를 설계합니다. 상품, 카테고리, 브랜드, 속성, 고객 의도를 노드와 엣지로 모델링합니다.
정합성 기준을 세웁니다. 그래프, 벡터, 키워드 인덱스와 트랜잭션 데이터가 언제 동일한 상태여야 하는지 정합니다.
사업 지표를 함께 봅니다. 검색 성공률, 전환율, 무결과율, 운영비, 데이터 동기화 오류를 함께 측정합니다.
상품 데이터의 생성형 AI 활용 사례는 Walmart의 AI 상품 정보 보완 사례와 AI 성과를 전사 경쟁력으로 확장하는 조건도 참고할 수 있습니다.
자주 묻는 질문
그래프 데이터베이스만 도입하면 상품 검색이 좋아지나요?
아닙니다. 상품과 의도를 연결하는 데이터 모델, 데이터 품질, 벡터 검색과 키워드 검색의 조합, 평가 지표가 함께 설계돼야 합니다.
기존 검색 시스템을 한 번에 교체해야 하나요?
운영 위험을 줄이려면 기존 시스템과 새 플랫폼을 함께 읽는 단계에서 결과를 비교한 뒤 트래픽을 점진적으로 전환하는 방식이 적합합니다.
GraphRAG는 일반 RAG와 무엇이 다른가요?
일반적인 벡터 검색이 의미상 비슷한 항목을 찾는 데 강하다면, GraphRAG는 상품 호환성이나 카테고리 관계처럼 명시적인 연결 구조까지 탐색해 문맥을 보강할 수 있습니다.
AI 거버넌스 전문 팀, 다빈치에 문의하세요
다빈치는 대기업, 스타트업, 공공기관 AI 거버넌스 구축 경험을 고루 갖춘 탑티어 인프라 엔지니어 조직입니다. AI 도입을 고민하고 계신 기업 담당자들께서는 고민을 다빈치에 편하게 공유해주세요. 상담은 무료입니다.