패션앤스타일의 출발은 소셜미디어였습니다. 단순히 스쳐 지나가는 유행을 담는 것이 아니라 패션에 대한 다양한 경험과 소통을 담으면서 콘텐츠의 생명을 불어넣기에 소셜미디어는 매우 적절한 환경이었습니다. 이후 패션앤스타일은 소셜미디어에서 가장 큰 패션 콘텐츠 서비스로 성장했습니다. 

이후 독자적인 콘텐츠의 집중도를 높이고, 데이터를 기반으로 한 맞춤형 서비스로 전환을 위해 2021년부터 자체 플랫폼과 앱을 만들기 시작했습니다. 특히 2024년부터 구글 클라우드를 중심으로 한 데이터와 AI의 결합을 통해 방대한 데이터 기반의 새로운 디지털 패션 경험을 만들어내기 시작했습니다.

“AI를 이용한 데이터 분석은 2023년부터 본격적으로 고민을 시작했습니다. 이 즈음은 대규모 언어모델을 기반으로 한 생성형 AI가 빠르게 성장하고, 이미지나 영상의 맥락을 전체적으로 이해하는 멀티모달 인공지능 서비스들이 등장하기 시작하던 시기였습니다.”

윤정원 패션앤스타일 대표는 대규모 언어 모델과 멀티모달 기반의 인공지능 기술의 성장을 지켜보며 패션앤스타일이 그 동안 쌓아온 200만 개 수준의 방대한 데이터와 인공지능을 결합하면 맥락을 중심으로 한 패션 경험을 고도화할 수 있을 것이라고 기대했습니다. 하지만 그 기대가 당장 현실의 비즈니스로 연결되지는 못했습니다. 이미지의 맥락을 읽고 패션의 관점에서 이해하는 것은 그만큼 어려운 일이었기 때문입니다.

하지만 불과 1년도 지나지 않아 멀티모달을 중심에 둔 언어모델 Gemini의 등장과 빠른 업데이트가 이뤄지면서 그 흐름이 조금 달라지기 시작했습니다. 특히 이미지를 분석하고 이해하는 능력이 비교할 수 없을 만큼 발전하면서 패션앤스타일이 생각하던 새로운 형태의 패션 콘텐츠 서비스를 만들어낼 수 있다는 가능성이 보이기 시작했습니다.

윤정원 대표는 패션 유행이 빠르게 다각화되고 있다고 말합니다. 패션 흐름은 아주 빠르고 민감하게 반응하고 정보를 얻을 수 있는 창구는 아주 다양합니다. 하지만 대중들이 스스로 원하는 스타일과 아이템을 결정하는 계기는 미디어를 중심으로 연결된다고 설명합니다. 패션앤스타일의 AI 경험 역시 미디어를 통해 다양한 패션 콘텐츠를 접하는 데에서 시작합니다.

Gemini를 중심으로 한 구글 클라우드의 생성형 AI 서비스들이 소셜미디어의 정보와 패션을 효과적으로 이해할 수 있는 환경이 갖춰지면서 패션앤스타일은 구글 클라우드를 중심으로 데이터와 AI에 대한 인프라를 구성하기 시작했습니다.

패션앤스타일의 가장 큰 무기는 200만 개가 넘는 패션 관련 데이터베이스를 고객 선호 행위에 맞춰 점수화했다는 점입니다. 패션앤스타일은 이 데이터를 모두 Gemini Enterprise Agent Platform에 넣고 벡터화했습니다. 이를 통해서 각 데이터 요소들의 상관 관계가 매겨지면서 기존의 필터링과 전혀 다른 형태의 고도화된 추천 시스템이 갖춰졌습니다.

“Gemini Enterprise Agent Platform는 각 패션 아이템들의 특징을 정확히 읽어내서 데이터 기반의 분석과 학습이 이뤄질 수 있는 기반을 만들어 주었습니다. 제시된 상품에 대한 정보 뿐 아니라 유명인들의 패션을 이해하고, 연관성을 바탕으로 개별 상품들을 검색해 보여주거나, 비슷한 분위기를 만들어내는 관련 상품들을 발견할 수 있습니다.”

패션앤스타일은 Gemini Enterprise Agent Platform에 데이터의 가중치가 반영된 200만 규모의 데이터베이스와 300만 개의 소셜미디어 데이터, 그리고 제휴사의 미디어 콘텐츠를 학습시켰습니다. Gemini Enterprise Agent Platform의 모델은 미디어 속 이미지만으로도 현실의 상품들을 이해했고, 기존의 사람들이 경험적으로 판단하던 패션의 연관성을 벡터 기반의 명확한 데이터들의 값으로 판단할 수 있게 됐습니다.

패션앤스타일은 구글 클라우드 도입 이전에도 방대한 데이터를 바탕으로 콘텐츠를 만들어 왔습니다. 이를 위해서 모든 데이터에 메타 정보를 입히고, 고도화된 알고리즘을 통해 트렌드에 맞춰진 추천 패션을 제안했습니다. 하지만 알고리즘 추천 방식은 기본적으로 필터링에 기반하고, 세밀한 맞춤 제안은 사람의 손을 거쳐야 합니다. Gemini Enterprise Agent Platform의 벡터화된 데이터 분석은 각 데이터들의 연관성을 기반으로 훨씬 폭넓은 범위의 추천 결과물을 만들어냈습니다.

분석의 속도도 훨씬 빨라졌습니다. 패션앤스타일은 4천개 이상의 키워드를 통해 콘텐츠, 아이템 등을 상세하게 분류해 왔습니다. 하지만 일반적인 데이터베이스로 데이터 쿼리를 시작하면 원하는 결과가 나올 때까지 빠르면 하루, 길면 5일까지 걸리기도 했습니다. 모양이나 색깔, 소재 같은 일반적인 분류 뿐 아니라 어떤 아이돌이 입었던 옷인지, 그 옷을 입기에 적합한 기온과 날씨는 어떤 범위에 있는지, 적절한 브랜드는 어떤 것들인지를 복합적으로 따져서 데이터가 갖고 있는 답을 얻어내기 때문입니다.

패션 트렌드는 서서히 오기도 하지만 때로는 유명 인플루언서의 사진 하나, 아이돌의 공항 패션 하나로 즉시 움직이기도 합니다. 흐름을 빠르게 반영하려면 분석의 정확도를 양보하거나, 시간을 더 들이는 선택지 안에서 최적의 답을 찾아내야 했습니다. 이 과정은 기존에 하루가 걸릴 정도로 복잡했지만 Gemini Enterprise Agent Platform의 벡터 분석은 3분이면 이전보다 훨씬 높은 수준의 결과물을 뽑아내 주었습니다.

반복적으로 더 많은 분석을 수시로 처리할 수 있다 보니 더 많은 콘텐츠를 공격적으로 만들어낼 수 있을 뿐 아니라 당장 이 순간 사람들이 가장 관심을 갖는 패션 소식을 가장 빠르게 분석해서 전달하고자 하는 서비스의 뿌리를 단단하게 다질 수 있었습니다. 결과적으로 에디터들이 데이터를 다루는 시간이 획기적으로 줄어들면서 콘텐츠 하나를 완성하는 데 걸리는 시간이 5분의 1로 줄었습니다.

패션 추천은 음악 서비스들의 추천과 비교할 수도 있습니다. 개별 음악들이 그 자체의 가치 뿐 아니라 플레이리스트로 엮이면서 또 다른 음악 경험을 만들어내는 것처럼 패션의 추천 역시 각각의 결과물들이 조합될 때 새로운 가치를 만들어냅니다. 또한 그 조합의 가짓수는 사실상 무제한에 가깝기 때문에 이전에 없던 창의적 패션을 제안해낼 수도 있습니다.

이용자들의 만족도는 곧바로 데이터로 드러났습니다. Gemini Enterprise Agent Platform를 도입하면서 기존보다 새로운 콘텐츠와 데이터 생산은 10배가 늘었고, 이용자들의 재방문도 기존보다 20% 가량 높아졌습니다. 무엇보다 서비스 접속 시간이 50% 가량 늘어나면서 이용자들이 더 만족하면서 적극적으로 서비스를 이용하고 있다는 것이 증명되고 있습니다.