How Condé Nast built multimodal video discovery with Amazon Bedrock

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Condé Nast는 Amazon Bedrock의 TwelveLabs Marengo와 Amazon OpenSearch Service로 140,000개 이상의 영상에 대한 멀티모달 의미 검색을 구축해, 2026년 5월 벤치마킹에서 콘텐츠 탐색 시간을 99.2% 줄이고 연간 약 800,000달러의 운영비 절감 효과를 추정했다.

📌 핵심 요약

• Condé Nast 편집팀은 140,000개 이상의 영상에서 제목과 설명, 담당자의 경험에 의존해 관련 장면을 찾았으며, 콘텐츠 탐색 작업당 평균 250분을 사용했다. 기존 검색으로 찾기 어려운 자료는 활용되지 못했고, 이러한 지연은 Vogue, GQ, Vanity Fair, Wired 등의 업무에 부담을 줬다.
• Condé Nast는 AWS Generative AI Innovation Center(GenAIIC)와 협력해 Amazon Bedrock의 TwelveLabs Marengo로 시각·오디오·전사문 신호를 함께 표현하는 임베딩을 생성하고, Amazon OpenSearch Service에서 의도 기반 의미 검색을 수행하는 솔루션을 구축했다.
• 솔루션은 자연어 검색, 시각·오디오·전사문을 아우르는 검색, 참조 이미지 기반 검색, 오타와 부정확한 표현에 대한 의도 해석, 정확한 타임스탬프 제공을 지원한다. 도입부에서는 작업당 탐색 시간이 250분에서 2분 미만으로 줄었다고 설명한다.
• 비동기 수집·색인 파이프라인과 동기 검색 제공 계층을 분리하고 여러 가용 영역에 배치했다. Amazon Bedrock은 IAM, Amazon VPC, AWS CloudTrail을 통한 통제를 제공하며, 6개월간의 운영 중 과거 자료 재처리와 수집 파이프라인 업데이트에도 검색 서비스는 계속 이용 가능했다.
• 2026년 5월 Condé Nast 벤치마킹에서는 탐색 시간이 250분에서 약 2분으로 줄어 99.2% 감소했고, 수동 영상 검토 노력은 90% 이상 감소했다. 생산성 향상에 따른 연간 운영비 절감은 약 800,000달러로 추정됐으며, 기존 자료의 발견 가능성과 광고주 요청·판매 기회에 대한 대응 속도도 개선됐다고 보고했다.

🧩 주요 포인트

1. 제목·설명 중심 검색의 한계 → 시각·오디오·전사문을 함께 이해하는 의미 검색으로 발견 범위를 확대했다. 편집팀 인터뷰로 실제 검색 표현을 파악하고, 실제 편집 질의를 활용한 벤치마킹으로 영상 구간 길이의 정밀도·재현율 균형을 조정했다.
2. ,000개 이상의 영상 처리와 빠른 검색을 분리 → 비동기 수집과 동기 검색 계층이 독립적으로 확장·변경·실패할 수 있도록 설계했다. 여러 가용 영역 배치와 Amazon Bedrock의 접근·네트워크·감사 통제는 서비스 지속성과 관리 기반을 제공했다.
3. 탐색 시간 99.2% 감소와 수동 검토 노력 90% 이상 감소 → 반복 탐색 부담을 줄이는 생산성 효과를 제시했다. 연간 약 800,000달러는 추정 절감액이며, 광고주 요청 대응과 수익화 속도 개선은 별도의 매출 수치 없이 설명됐다.

🧠 상세 정리

1. 영상 내부를 찾지 못하는 기존 검색의 한계

Condé Nast 편집팀은 140,000개 이상의 영상 라이브러리에서 필요한 콘텐츠를 찾기 위해 작업당 평균 250분을 들여 영상을 직접 훑어봤으며, 검색은 주로 제목과 설명에 의존했다. 기존 도구는 영상 내부의 내용을 살펴볼 수 없었기 때문에, 어떤 자료에 원하는 장면이 있는지 아는 직원의 경험과 기억이 중요한 검색 수단이 됐다. 특정 직원이 자리를 비우면 자료를 찾기 어려워지는 단일 실패 지점이 생겼고, 제목이나 설명에 검색어와 연결되는 단어가 없는 영상은 보관돼 있어도 발견되지 못했다. 원문은 시장 대응 속도가 매출 기회 확보에 직접 영향을 미치는 미디어 환경에서 이러한 방식이 Vogue, GQ, Vanity Fair, Wired 등 여러 브랜드의 업무에 측정 가능한 부담을 만들었다고 설명한다.

2. 의미 검색과 처리 계층 분리를 선택한 이유

설계의 첫 번째 제약은 키워드 검색만으로 편집팀의 요구를 충족할 수 없다는 점으로, 사용자는 파일명보다 ‘차분한 배경의 초보자 요가 콘텐츠’나 ‘패션위크 비하인드 장면’처럼 원하는 내용을 표현했다. 이에 따라 검색 계층은 문자열 일치보다 의도를 이해해야 했으며, 사람이 작성한 메타데이터만으로는 부족한 시각·오디오·전사문의 의미를 벡터 임베딩으로 표현하는 방향을 택했다. 두 번째 제약은 140,000개 이상의 영상 규모로, 계산량이 큰 임베딩 생성과 지연 시간이 짧아야 하는 검색 응답을 하나의 구조에 묶으면 처리량과 응답성 사이의 절충이 필요했다. 팀은 수집과 검색 제공을 분리해 각 계층이 독립적으로 확장되고 변경되며 장애를 겪을 수 있도록 했고, 이 결정은 기존 자료를 대량으로 처리하는 과정에서 특히 중요했다.

3. Amazon Bedrock과 TwelveLabs Marengo의 역할

Condé Nast는 AWS Generative AI Innovation Center(GenAIIC)와 협력해 솔루션을 구축했으며, 시각·오디오·전사문 신호를 함께 인코딩하는 기본 능력을 이유로 TwelveLabs Marengo 임베딩 모델을 선택했다. Marengo는 Amazon Bedrock을 통해 사용했고, Bedrock이 단일 API로 여러 기반 모델을 제공한다는 점과 AWS의 관리 통제를 적용할 수 있다는 점이 선택 근거였다. 구체적으로 IAM은 접근 제어, Amazon VPC는 네트워크 격리, AWS CloudTrail은 감사 가능성을 제공해 팀이 자체 모델 제공 인프라를 구축하거나 운영하지 않고 전문 임베딩 모델을 도입하도록 했다. 벡터 색인에는 관리형 k-NN 검색, 여러 가용 영역 복제, 혼합 질의를 위한 메타데이터 필터링을 제공하는 Amazon OpenSearch Service를 사용해 140,000개 이상의 영상에 대한 낮은 지연 시간의 유사도 검색을 지원했다.

4. 편집팀이 사용하는 다섯 가지 검색 기능

솔루션은 사용자가 ‘초보자 요가 콘텐츠’나 ‘지속 가능성에 관한 유명인 인터뷰’처럼 자연어로 필요를 설명하면 맥락에 맞는 클립과 정확한 타임스탬프를 제공하며, 원문은 이 의도 기반 검색을 핵심 기능으로 제시한다. 검색은 전사문·시각 요소·오디오를 동시에 다루므로, 영상에서 말하는 내용뿐 아니라 보이는 장면이나 들리는 소리로도 해당 클립을 발견할 수 있다. 사용자는 참조 이미지를 업로드해 보관 자료 전체에서 시각적으로 비슷한 콘텐츠를 찾을 수 있고, 검색 계층은 오타나 부정확한 표현을 처리하면서 정확한 키워드 일치보다 의미에 집중한다. 결과가 영상 속 필요한 순간을 가리키기 때문에 전체 클립을 시청하며 장면을 찾는 부담이 줄며, 원문은 이 다섯 가지 기능을 모두 TwelveLabs Marengo가 뒷받침한다고 설명한다.

5. 비동기 수집과 색인 파이프라인

새 영상이 원본 보관용 Amazon S3 버킷에 업로드되면 이벤트가 발생해 영상 메타데이터를 수집 과정으로 전달하고, 파이프라인의 처리를 조정한다. 수집 서비스는 영상을 검증하고 형식·길이·해상도 같은 메타데이터를 추출한 뒤, Amazon ECS와 AWS Fargate에서 영상을 구간으로 나누며 여러 가용 영역에 걸친 자동 확장을 통해 구간들을 병렬 처리한다. 각 구간은 Amazon Bedrock의 TwelveLabs Marengo에 비동기로 전달돼 시각·오디오·전사문의 의미를 담은 벡터 임베딩으로 변환되고, 결과는 내구성을 위해 별도 Amazon S3 버킷에 저장되면서 Amazon OpenSearch Service에도 색인된다. 이벤트 기반의 전체 오케스트레이션은 단계별 재시도, 구간 병렬 처리, 디버깅을 위한 추적 가능성을 제공했으며, 팀은 초기 140,000개 영상의 일괄 처리에서 이러한 기능에 크게 의존했다.

6. 검색 요청 처리와 다중 가용 영역 가용성

사용자의 검색 요청은 인터넷 게이트웨이를 거쳐 외부 Application Load Balancer(ALB)에 도착하고, Amazon ECS와 AWS Fargate의 프런트엔드 서비스가 내부 ALB를 통해 검색 서비스를 호출한다. 검색 서비스는 질의를 벡터 임베딩으로 바꿔 Amazon OpenSearch Service에서 k-NN 유사도 검색을 수행한 뒤, MongoDB 호환 Amazon DocumentDB에서 제목·썸네일·참조 정보 등을 읽어 결과에 더하고 관련 클립과 정확한 타임스탬프를 반환한다. 가용성 설계에서 OpenSearch는 세 가용 영역에 걸쳐 두 활성 영역과 한 대기 영역으로 동기 복제하고, DocumentDB는 두 가용 영역에 기본 노드와 대기 복제본을 배치한다. 수집·프런트엔드·검색 서비스는 여러 가용 영역에 분산된 자동 확장을 사용하고 ALB가 장애를 피해 요청을 전달하며, 연산과 데이터 워크로드는 비공개 서브넷에 두고 외부 ALB만 공개 접근을 허용하고 외부로 나가는 트래픽은 NAT 게이트웨이를 거치게 했다.

7. 2026년 5월 벤치마킹의 성과와 추정치

Condé Nast는 2026년 5월 벤치마킹 워크숍에서 효과를 측정했으며, 결과 부분은 콘텐츠 탐색 시간이 작업당 250분에서 약 2분으로 줄어 99.2% 감소했다고 보고한다. 도입부에서는 이를 2분 미만으로 표현하고 있으며, 수동 영상 검토 노력은 정확한 타임스탬프가 붙은 대상 클립을 받게 되면서 90% 이상 줄었다고 설명한다. 조직 전반의 반복적인 수동 검색 부담을 줄인 생산성 향상을 바탕으로 연간 약 800,000달러의 운영비 절감 효과를 추정했으므로, 이 금액은 실제 연간 지출을 직접 측정한 확정 절감액과 구분된다. 메타데이터 검색으로 연결하지 못했던 자료가 의미 관계를 통해 발견됐고 광고주 요청과 판매 기회에 더 빠르게 대응해 수익화까지의 경로가 짧아졌다고 설명하지만, 별도의 매출 증가 수치는 제시하지 않는다. Condé Nast의 Global Senior Director, Creative Optimization인 Billy Keenly는 AWS·GenAI·TwelveLabs 참여자들이 사업적 근거를 명확하고 간결하게 설명하는 데 도움을 줬으며 향후 업무 목표에서도 진전을 기대한다고 밝혔다.

8. 운영에서 얻은 교훈과 결론

팀은 초기 편집 직원 인터뷰를 통해 사용자가 콘텐츠를 자신의 언어로 어떻게 설명하는지 파악했고, 이를 임베딩과 질의 설계의 기준으로 삼아 실제로 입력되지 않는 검색어에 최적화될 위험을 줄였다. 영상 구간 길이는 짧으면 맥락이 사라지고 길면 의미 신호가 희석됐기 때문에, 실제 편집 질의를 활용한 반복 벤치마킹으로 정밀도와 재현율 사이의 균형을 찾았지만 구체적인 구간 길이는 제시하지 않았다. 수집과 검색 제공을 분리한 구조 덕분에 6개월간의 운영 중 기존 자료 재처리나 수집 파이프라인 업데이트가 진행돼도 검색은 계속 이용 가능했으며, AWS Step Functions를 통한 비동기 임베딩 호출은 대규모 backlog 처리와 지속적인 신규 수집에 사용됐다. 팀은 업무 시간 중 짧은 중단도 생산성 손실로 이어지므로 여러 가용 영역의 가용성을 처음부터 설계하는 편이 나중에 추가하는 것보다 비용이 적게 든다고 정리했다. 결론은 Amazon Bedrock, Amazon OpenSearch Service, TwelveLabs Marengo가 메타데이터 중심 검색을 멀티모달 의도 검색으로 바꿔 탐색 시간 99.2% 감소와 연간 약 800,000달러의 추정 절감 효과를 제공했다는 데 초점을 맞춘다.

🧾 핵심 주장 / 시사점

• 검색 품질의 출발점은 모델 선택뿐 아니라 편집팀이 실제로 사용하는 표현이었다. 사용자 인터뷰와 실제 질의 기반 구간 길이 실험이 의미 검색의 설계를 구체화했다.
• 수집과 검색 제공의 분리는 대규모 처리량 확보와 서비스 지속성에 함께 기여했다. 기존 자료 재처리와 업데이트 중에도 검색이 유지됐다는 6개월 운영 경험이 이를 뒷받침한다.
• 성과 해석에서는 측정값과 추정치를 구분해야 한다. 탐색 시간과 수동 검토 노력의 감소는 벤치마킹 결과이고, 연간 약 800,000달러는 생산성 향상에 기반한 추정 절감액이다.

✅ 액션 아이템

• 편집팀 인터뷰와 실제 편집 질의를 바탕으로 의미 검색의 의도 해석과 영상 구간 길이의 정밀도·재현율 균형을 검토한다.
• 140,000개 이상의 영상 처리에서 비동기 수집과 동기 검색 계층의 독립성, 여러 가용 영역 배치가 검색 서비스 지속성을 뒷받침하는지 점검한다.
• 2026년 5월 벤치마킹의 탐색 시간 99.2% 감소와 수동 검토 노력 90% 이상 감소를 연간 약 800,000달러의 추정 절감액과 구분해 평가한다.

❓ 열린 질문

• 실제 편집 질의를 활용한 벤치마킹에서 영상 구간 길이의 정밀도·재현율 균형은 어떤 기준으로 평가됐는가?
• 6개월간의 운영에서 비동기 수집과 동기 검색 계층의 분리 및 여러 가용 영역 배치는 검색 서비스 지속성에 각각 어떻게 기여했는가?
• 연간 약 800,000달러의 추정 절감액은 탐색 시간 99.2% 감소와 수동 검토 노력 90% 이상 감소를 어떤 방식으로 반영해 산출됐는가?