20,000개의 SKU를 취급하는 반품 창고를 상상해 보세요. 전통적인 컴퓨터 비전의 정석은 이렇습니다. SKU당 500장의 학습 이미지를 촬영하세요. 총 10 million입니다. 계산은 제가 대신해 드리죠——이 길은 어디로도 통하지 않습니다.
최근 few-shot learning에 대해 묻는 운영자들이 늘고 있습니다. 피치는 항상 똑같습니다. "SKU가 너무 많아 전통적인 학습이 안 됩니다. few-shot은 제품당 몇 장의 이미지면 된다던데, 이게 우리의 돌파구인가요?" 제 대답도 항상 똑같습니다. 네, 돌파구입니다——사용 사례의 절반 정도에 한해서는요. 나머지 절반에는 문턱조차 넘지 못합니다. 오늘 그 선을 긋겠습니다.
Few-shot, 한 호흡으로 설명
전통적인 딥러닝은 암기합니다. 각 SKU가 어떻게 생겼는지 처음부터 학습해야 하니 제품당 수백~수천 장의 이미지를 먹여야 합니다. Few-shot learning은 대신 '사촌들의 닮은꼴'을 알아봅니다. 파운데이션 모델은 이미 수천만 장의 이미지를 보고 형태·색상·질감의 일반적인 문법을 배웠습니다. 각 SKU의 사진을 3~5장 보여주면 유사도로 제품을 식별합니다——교과서를 외우는 게 아니라 사촌을 알아보는 것에 가깝습니다.
새로운 과학이 아닙니다. 연구자들은 수년 전부터 파고들었습니다. 공개 데이터셋 SKU-110K에는 11,743장의 이미지, 1.7 million개가 넘는 어노테이션 박스, 110,000개가 넘는 고유 SKU가 들어 있고(CVPR 2019), 2024년 논문에서는 단일 프로토타입 이미지로 one-shot SKU 분류를 달성했습니다. 달라진 건 지난 2년 사이 파운데이션 모델이 충분히 강해져 실제 도입이 가능해졌다는 점입니다. 기술은 준비되어 있었습니다. 부족했던 건 운영자들이 '어디에 써야 하는지'를 아는 것이었습니다.
Few-shot이 충분한 곳
제 테스트는 단순합니다. 질문은 두 개입니다. '실수를 얼마나 감당할 수 있는가'와 'SKU 카탈로그가 얼마나 빨리 바뀌는가'입니다.
반품 검사가 제가 본 최고의 적용처입니다. 반품은 뒤죽박죽의 롱테일입니다——연간 수십 개만 팔리는 SKU가 수두룩하고, 그런 상품을 위해 수백 장의 학습 이미지를 모을 일은 없습니다. 검사원이 카메라 앞에 상품을 들고 있으면 시스템이 SKU를 식별해 상품 레코드를 불러오고, 검사원이 눈으로 확인합니다. 틀리면? 사람이 고치고, 그 이미지가 새 샘플로 돌아와 다음엔 더 똑똑해집니다.
또 다른 적용처는 '세컨드 오피니언'으로서의 육안 분류입니다. 바코드 없는 벌크 상품이 가득한 국경 간 창고나, 라벨이 삐딱하게 붙어 스캔이 안 되는 카톤을 떠올려 보세요. Few-shot 비전이 후보를 제시하고, 최종 판단은 사람이나 바코드 스캔이 합니다. '후보'라는 단어에 주목하세요——제안은 하지만 결정은 하지 않습니다.
이런 현장의 공통점은 저속·저물량, 그리고 모델 뒤에 있는 '사람의 안전망'입니다. SKU가 많을수록 각 SKU의 샘플은 적어지고, 테일은 길어지며, few-shot의 우위는 커집니다. 이런 상황에서는 전통적인 접근이 비쌀 뿐만 아니라 아예 성립하지 않습니다. 연간 30개만 움직이는 롱테일 SKU를 위해 500장의 사진을 찍을 사람은 없습니다.
멀리해야 할 곳
첫째, 뻔한 것부터. 고속 분류입니다. 분당 수백 박스를 밀어내는 소터는 극도로 높은 인식 정확도를 요구하고(자체 데이터로 검증하세요), 각 SKU의 사진을 세 장만 본 모델로는 안 됩니다. 고속 라인에서 정직한 접근은 대규모 풀 라벨 학습이거나, 비전 자체를 버리고 바코드+중량·치수 센서로 가는 것입니다. 라인이 빠를수록 few-shot이 숨 쉴 틈은 줄어듭니다. 이건 물리이지 튜닝 문제가 아닙니다.
둘째 함정. 거의 똑같이 생긴 SKU입니다. 같은 브랜드 라인의 샴푸 두 종, 패키지는 같고 작은 글씨로 인쇄된 용량만 다르다——'사촌 닮은꼴 알아보기'가 가장 약한 지점이 바로 여기입니다. 한 팀이 여기서 몇 달을 태우는 걸 봤습니다. 모델은 자신만만하게 오인식했고, 사람이 전량을 재검토했으며, 라인은 순수 수작업보다 느려지고 하드웨어 비용만 남았습니다.
셋째. 촬영 조건이 안정되지 않는 곳입니다. 창고 현장은 실험실이 아닙니다. 컨베이어 위 카메라, 깜빡이는 조명, 기울어진 카톤——정확도는 낭떠러지로 떨어집니다. SKU당 몇 장의 샘플밖에 없는데, 한 장의 흔들린 사진이 학습 데이터의 5분의 1을 오염시킬 수 있습니다. 아이러니하게도 few-shot은 풀 학습보다 더 엄격한 촬영 규율을 요구합니다. 그래서 도입 이야기로 넘어갑니다.
도입: 네 단계
1단계. 파운데이션 모델을 고르세요. 처음부터 학습하지 마세요. 오픈이든 상용이든 비전 파운데이션 모델은 이제 충분히 실력이 됩니다. 진짜 질문은 범용 벤치마크 순위가 아니라 '우리 상품 이미지에서 성능이 나오는가'입니다. 우리 상품을 2주간 돌려서 top-1 정확도를 직접 측정하세요. 벤더의 슬라이드는 믿지 마세요. 정직한 2주 테스트가 6개월의 재작업보다 쌉니다.
2단계. 촬영 스펙을 고정하세요. 프로젝트 전체에서 가장 과소평가되는 부분입니다. 카메라 위치 고정, 조명 고정, 배경 고정, SKU당 3~5 앵글. 한 장 한 장이 생명입니다. 스펙을 인쇄해 라미네이트하고 검사대에 붙이세요. 교대 변경과 신입도 살아남습니다.
3단계. 배드 케이스 루프를 만드세요. 모델이 틀리거나 저신뢰도로 플래그한 것은 전부 리뷰 큐로. 사람이 정답 라벨을 확인하면 그 이미지가 새 샘플로 돌아옵니다. 이 루프가 돌기 시작하면 모델은 복리로 성장합니다——쓸수록 똑똑해집니다. 전통 학습 대비 few-shot의 최대 운영 강점이 여기입니다. 새 SKU 추가는 사진 몇 장 찍어 몇 분 만에 라이브. 데이터셋을 모아 재학습할 필요가 없습니다.
4단계. 사람을 루프에 영구히 남기세요. 신뢰도 임계값 아래는 전부 수동 리뷰로. 이 항목은 선택이 아닙니다. 창고에서 AI의 최적의 자리는 언제나 부조종사석입니다. 핸들은 사람이 계속 잡습니다.
계산: 세 가지 접근법을 나란히
먼저 풀 라벨 학습. 업계 가격 가이드에 따르면 기본 이미지 분류 어노테이션은 장당 $0.03~$0.10 정도(basic.ai 라벨링 비용 가이드). 싸게 들리죠——수집을 세어 보세요. 촬영, 정리, QA, 버전 관리, 전부 사람의 손입니다. 20,000 SKU × 500장 = 10 million. 그 인건비 청구서는 중규모 운영을 짓누릅니다. 풀 학습이 성립하는 건 SKU가 적고, 안정적이며, 정확도 요구가 극단적인 경우뿐입니다.
Few-shot 루트: SKU당 3~5장이면 20,000 SKU가 60,000~100,000장이 됩니다——100분의 1 수준으로 줄어듭니다. 어노테이션 비용은 사실상 사라집니다. 촬영 시점에 자연스럽게 라벨링되니까요. 진짜 지출은 선행 작업입니다. 파운데이션 모델 검증과 촬영 스펙 강제. 일회성 투자에 복리 수익입니다.
그리고 사람들이 잊는 세 번째 루트. 바코드와 규칙입니다. 자사 제품에 제대로 된 바코드가 붙어 있다면 그냥 스캔하세요——비전은 순수 오버헤드입니다. 고객에게 드리는 제 정석 조언: '스캐너로 해결되면 비전을 만들지 마세요. 규칙으로 해결되면 학습을 만들지 마세요. AI는 운영을 고치지 못합니다. SKU 마스터가 엉망이고 라벨이 삐딱하게 붙는다면, AI 이야기 전에 프로세스를 고치세요. 이 순서는 협상 불가입니다.'
반품이 별도 섹션을 받을 만한 이유
NRF와 Happy Returns에 따르면 2024년 미국 리테일 반품은 $890 billion 전망——리테일러 연간 매출의 16.9%입니다. 반품 구역은 어떤 창고에서든 가장 혼돈의 구석입니다. 가장 와일드한 SKU 구성, 가장 비싼 인건비, 가장 표준화되지 않은 프로세스. 검사원은 상품을 식별하고, 상태를 판단하고, 재고로 복귀시킬지 폐기할지 결정해야 합니다. 이 세 가지 일 중 식별이 바로 few-shot 비전의 진가를 발휘하는 지점입니다. 반품의 구성이 본질적으로 롱테일이기 때문입니다.
들뜨기 전에 경고 하나. SKU 식별은 검사 일의 절반에 불과합니다. 상태 판단——신품, 경미한 사용감, 파손——은 벤더가 뭐라 하든 지금의 few-shot 모델이 안정적으로 해낼 범위를 넘습니다. 먼저 SKU 인식을 하고, 상태 등급은 사람에게 남기고, 2단계로 진행하세요. 한 번에 다 삼키려 하지 마세요.
내일 할 수 있는 한 가지
반품 검사대가 있다면 오후 하나의 실험을 권합니다. 반품이 가장 많은 SKU 50개를 골라 각 5앵글을 촬영하고, 오픈 비전 파운데이션 모델에 유사도 검색 테스트로 돌려보세요. top-1 정확도를 확인합니다. 비용은 거의 없고, 오후 하나면 끝나며, 벤더의 피치로는 절대 얻을 수 없는 걸 알려줍니다. 이 길이 우리 운영에 실제로 어딘가로 통하는 길인지. 데이터에게 말하게 하세요.
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
