AWS Bedrock을 활용한 야후의 검색 리타겟팅 개선 사례

AWS Bedrock를 활용한 야후의 검색 리타겟팅 개선 사례

최근 디지털 광고 시장에서 사용자 검색 의도를 다양한 광고 채널과 효과적으로 연결하는 것이 중요한 과제로 떠오르고 있습니다. 특히, 사용자의 검색 활동은 구체적인 관심사를 나타내기 때문에 이를 기반으로 하는 광고 전략이 필요합니다. 전통적인 키워드 확장 방식은 낡은 어휘와 의미를 제대로 파악하지 못하는 한계를 가지고 있는데, 이를 극복하기 위해 야후는 Amazon Bedrock을 활용한 첨단 기술을 도입했습니다.

검색 리타겟팅의 문제점과 Amazon Bedrock의 도입

전통적인 야후의 검색 리타겟팅(SRT) 시스템은 Word2Vec 임베딩 모델과 LSH(Locality-sensitive hashing)를 사용했습니다. 하지만 이 방법은 최신 어휘를 반영하지 못하고, 문구 중심의 확장을 제공하며, 종종 새로운 키워드 생성을 실패하는 문제가 있었습니다.

이를 해결하기 위해 야후는 Amazon Bedrock과 대형 언어 모델(LLM)을 활용하여 AI 기반 SRT 키워드 확장을 도입했습니다. 이 방법은 더 의미 있고 세분화된 키워드를 생성함으로써 광고주에게 더 넓고 정확한 잠재 고객 타겟팅을 가능하게 합니다.

기존 SRT 아키텍처는 Word2Vec과 LSH를 사용하여 키워드를 확장하고 Amazon OpenSearch Service에 결과를 저장하는 과정을 설명합니다.

Amazon Bedrock을 통한 현대화된 솔루션

Amazon Bedrock을 활용하여 야후는 서버리스 환경에서 여러 선도적인 LLM을 실험하고 프로토타이핑할 수 있게 되어, 복잡한 인프라 구축의 필요 없이 더욱 유연한 키워드 확장을 구현할 수 있었습니다. 또한, 클라우드 컴퓨팅 광고의 필수 조건인 개인정보 보호 및 정책 준수 요구사항도 함께 충족시켰습니다.

업데이트된 SRT 아키텍처는 Amazon Bedrock과 생성 AI를 사용하여 키워드를 확장하는 과정을 설명합니다.

LLM 기반 키워드 확장 효과

Amazon Bedrock의 Amazon Nova, Meta Llama, Anthropic’s Claude 등을 통해 여러 LLM을 평가한 결과, Anthropic's Claude 3.5 Sonnet v2가 가장 효과적인 모델로 선정되어 키워드 확장에 사용되었습니다. 이는 LSH 방식보다 훨씬 넓은 키워드 확장을 가능하게 하였고, 전반적인 광고 캠페인의 성과를 매우 효과적으로 향상시켰습니다.

LLM 키워드 확장 비율 대 코사인 유사도 스코어 그래프는 LLM 기반 접근 방식이 LSH보다 모든 유사도 임계값에서 더 높은 확장 비율을 유지함을 보여줍니다.

결론

야후 DSP의 핵심 제품인 SRT의 키워드 확장을 생성 AI로 변환하여, 광고주의 원래 키워드를 의미 깊고 높은 품질의 세트로 확장하고 있습니다. Amazon Bedrock을 통해 LLM 기반으로 전환함으로써, 야후 DSP는 광고주에게 더 높은 광고 성과와 효율적인 운영 유연성을 제공하며 경쟁력을 강화했습니다.

[1] https://aws.amazon.com/blogs/machine-learning/how-yahoo-enhances-search-retargeting-using-amazon-bedrock/