Vector Search 2.0: 임베딩·하이브리드 검색으로 앱에 시맨틱 검색 붙이기

핵심 메시지

• 키워드 검색은 표현이 조금만 달라도 결과를 놓친다. 90만 개 상품 중 '해변 휴가용 남성 코디' 검색에 결과가 단 1건뿐이었다.
• 같은 질의를 시맨틱(의미 기반) 검색으로 바꾸자 30건 이상이 잡혔다. 의도를 이해하는 검색의 차이를 보여준다.
• Vector Search 2.0는 임베딩 생성·저장·색인·하이브리드 검색이라는 어려운 단계를 대신 처리해 준다.
• 컬렉션 생성 → 데이터 적재 → 검색의 세 단계로 구현하며, 벡터 필드는 비워두면 서비스가 자동으로 채운다.

쉽게 이해하기

온라인 상점의 상품 검색이나 기사 아카이브의 주제별 검색처럼, '정확한 이름'을 몰라도 뜻으로 찾게 만드는 것이 시맨틱 검색의 목표다. 영상은 구글의 개발자 애드보킷이 진행자와 대화하며, 왜 이런 검색이 필요하고 어떻게 붙이는지를 코드와 함께 설명한다.

차이는 시연에서 분명해진다. 90만 개 상품을 둔 상점에서 일반 키워드 검색으로 '해변 휴가용 남성 코디'를 찾으면 문구가 그대로 일치하는 1건만 나온다. 반면 시맨틱 검색을 켜고 같은 질의를 넣으면 휴가에 어울릴 만한 상품 30여 개가 잡힌다. 검색이 단어가 아니라 의도를 읽기 때문이다.

이를 직접 구현하려면 원래는 각 상품의 의미를 담은 벡터(임베딩)를 만들고, 저장하고, 검색 색인을 만들고, 하이브리드 검색까지 붙여야 한다. 영상은 구글이 최근 공개한 Vector Search 2.0가 이 과정을 대신해 준다고 소개하며 코드를 세 단계로 나눈다.

첫째, 스키마를 정의하고 어떤 필드를 임베딩으로 변환할지 지정해 '컬렉션'을 만든다. 둘째, 스키마에 맞춰 상품 데이터를 적재하는데 벡터 항목은 비워 두면 서비스가 채운다(데이터는 BigQuery나 클라우드 스토리지의 텍스트 파일에서 가져올 수 있다). 셋째, 검색을 실행한다. 키워드·시맨틱·둘을 합친 하이브리드 검색이 가능하며, 하이브리드는 두 검색을 병렬로 돌려 하나의 순위 목록으로 합친다. 가격 등 비즈니스 조건은 SQL 유사 필터로 걸 수 있다.

주요 인사이트

• 시맨틱 검색의 가치는 '사용자가 정확한 상품명을 모른다'는 현실에서 나온다. 진행자는 15년 전 신발 쇼핑몰에서 겪은 같은 문제를 언급하며, 오래된 검색 난제를 지금 기술이 푼다는 점을 짚는다.
• 하이브리드 검색은 의도를 읽는 임베딩 검색과 단어를 맞추는 텍스트 검색을 병렬로 돌려 합친다. 대부분의 실제 사례에서 이 조합이 가장 좋은 결과를 낸다는 것이 핵심 조언이다.
• 벡터 필드를 비워두면 자동으로 임베딩이 채워지는 설계는, 인프라·ML 전문성 없이도 대규모 검색을 붙일 수 있게 진입 장벽을 낮춘다.

자주 묻는 질문

관련 AI 소식