Trip.com Group이 Zilliz Cloud로 전 세계 여행객을 위한 호텔 검색을 원활하게 만드는 방법

Trip.com Group 소개

Trip.com Group는 Trip.com, Ctrip, Skyscanner, Qunar, Travix 등 잘 알려진 브랜드를 아우르는 세계 최대 규모의 온라인 여행 서비스 제공업체 중 하나입니다. 1999년에 설립된 이 회사는 200개 이상의 국가와 지역에서 여행자에게 서비스를 제공하는 진정한 글로벌 플랫폼으로 성장했습니다.

항공편, 호텔, 기차, 렌터카, 기업 여행을 포괄하는 포트폴리오를 통해 Trip.com Group은 수백만 명의 사용자가 여정의 모든 단계를 원활하게 계획하고 예약할 수 있도록 돕습니다. 이 플랫폼은 120만 개 이상의 숙박 옵션, 고급 검색 및 예약 기능, 다국어 지원을 제공하여 전 세계 여행자에게 신뢰받는 원스톱 목적지가 되고 있습니다.

과제: 글로벌 다국어 환경에서 한계를 드러내는 키워드 검색

호텔 검색은 Trip.com Group 플랫폼의 핵심으로, 수백만 명의 여행자가 방대한 글로벌 인벤토리에서 완벽한 숙소를 찾을 수 있도록 돕습니다. 그러나 회사가 새로운 시장으로 확장함에 따라, 기존의 키워드 기반 검색은 불완전하거나 관련성이 낮은 결과를 반환하는 경우가 많았고, 이로 인해 고객 경험이 단절되었습니다. 부족했던 것은 의도 기반 접근 방식, 즉 단순히 단어를 일치시키는 것이 아니라 의미를 해석하고 여행자의 요구에 진정으로 부합하는 숙소를 노출할 수 있는 접근 방식이었습니다.

대신 고객들은 종종 좋지 않은 결과에 직면했습니다. 예를 들어, “beautiful night view”를 검색한 여행자는 “scenic evening view”로 설명된 호텔을 전혀 보지 못할 수 있었습니다. “allows dogs”를 입력한 사람에게는 “pet-friendly”로 표시된 숙소가 노출되지 않았습니다. “king bed”와 “large bed”처럼 작은 차이만 있어도 불일치가 발생했습니다. 그리고 수십 개의 언어와 지역별 철자 차이를 넘나들면서 문제는 더욱 커졌고, 많은 여행자들은 최적이 아닌 예약을 선택하거나 플랫폼을 완전히 이탈하게 되었습니다.

과제는 의미론을 넘어섰습니다. 호텔 검색은 본질적으로 다차원적입니다. 여행자들은 위치, 편의시설, 리뷰, 가격을 함께 고려합니다. “quiet boutique hotel near Central Park with free Wi-Fi and late checkout”와 같은 쿼리는 완벽하게 일치하는 몇 가지 결과를 반환해야 하지만, 키워드 기반 시스템은 이러한 모든 신호를 한 번에 조율하는 데 어려움을 겪었습니다.

이러한 검색의 결함은 사소한 불편이 아니었습니다. 이는 곧바로 예약 손실과 고객 불만으로 이어졌습니다. 진정으로 글로벌하고 원활한 검색 경험을 제공하기 위해 Trip.com Group에는 더 스마트하고 유연한 기반이 필요했습니다.

벡터 검색에 대한 초기 연구

키워드 매칭의 한계를 극복하기 위해 Trip.com 팀은 벡터 검색을 탐색하는 개념 증명을 시작했습니다. 이들은 OpenAI의 text-embedding-ada-002 모델을 사용해 호텔 이름과 여행자 쿼리를 모두 밀집 임베딩으로 변환한 뒤, 코사인 유사도를 사용해 비교했습니다. 목표는 단순했습니다. 의미 기반 검색이 키워드 시스템이 일상적으로 놓치는 간극을 메울 수 있는지 테스트하는 것이었습니다.

결과는 고무적이었습니다. 예를 들어, “allow pets”라는 쿼리는 “carry pets,” “able to bring pets,” 및 “pet friendly,”와 같은 변형과 가깝게 클러스터링되었으며, 모두 0.94 이상의 유사도 점수를 기록했습니다. 이러한 초기 신호는 벡터 검색이 서로 다른 표현 전반에서 의도를 인식할 수 있음을 확인해 주었습니다. 이는 기존 키워드 검색으로는 단순히 달성할 수 없었던 것입니다.

이 검증을 통해 팀은 앞으로 나아갈 자신감을 얻었습니다. 가벼운 실험만으로도 작은 변형들 사이의 의미를 이미 포착할 수 있다면, 프로덕션급 벡터 데이터베이스는 대규모로 더 풍부하고, 다국어를 지원하며, 문맥을 인식하는 호텔 검색을 실현할 잠재력이 있었습니다.

Milvus에서 Zilliz Cloud로의 여정: 평가와 마이그레이션

호텔 검색을 위한 올바른 기반을 평가할 때, Trip.com 팀은 세 가지 범주의 솔루션을 비교했습니다.

• Faiss 및 SPTag와 같은 벡터 라이브러리는 강력한 알고리즘을 제공했지만, 정교한 기능이 부족하고 상당한 엔지니어링 및 유지보수 요구사항이 따랐습니다.

• Elasticsearch 및 PostgreSQL과 같은 벡터 애드온이 있는 전통적인 데이터베이스는 도입하기 쉬웠지만, Trip.com의 글로벌 트래픽 수요를 충족하도록 탄력적으로 확장할 수 없었습니다.

• 전용 벡터 데이터베이스는 유망해 보였지만, 성숙도에는 차이가 있었습니다. 일부는 엔터프라이즈급 기능이 부족했고, 다른 일부는 커뮤니티 지원이 제한적이었습니다.

철저한 평가 끝에 Milvus가 가장 적합한 솔루션으로 떠올랐습니다. Milvus는 Trip.com의 클라우드 네이티브 스택과 자연스럽게 부합했으며, 유연한 확장을 위한 컴퓨팅과 스토리지의 분리, Kubernetes 및 분산 스토리지와의 원활한 통합을 제공했습니다. 문자열 기본 키와 다양한 인덱스 유형 같은 기능은 Milvus가 다양한 호텔 검색 시나리오를 지원할 수 있다는 확신을 팀에 주었습니다.

성능을 검증하기 위해 팀은 두 가지 인덱스를 벤치마킹했습니다. HNSW는 가장 높은 재현율 정확도를 제공했지만 더 많은 메모리(복제본당 131 GB)가 필요했고, IVF-SQ8은 훨씬 적은 메모리(49 GB)를 사용하면서도 비슷한 지연 시간을 제공했습니다. 두 인덱스 모두 수백만 개의 목록 전반에서 26–36 ms 범위의 실시간 응답 시간을 유지했으며, 팀은 워크로드에 따라 정밀도와 효율성 사이에서 균형을 맞출 수 있는 도구 세트를 확보했습니다.

인덱스 유형	메모리 사용량(복제본당)	최소 배포	평균 응답 시간
HNSW	131 GB	6 × 4C32G + 1 × 2C4G	TOP5 – 26msTOP10 – 28msTOP20 – 30msTOP50 – 36ms
IVF-SQ8	49 GB	1 × 4C64G	TOP5 – 28msTOP10 – 29msTOP20 – 31msTOP50 – 35ms

데이터셋: 전체 호텔 검색 엔터티; 데이터 크기: 1,700만+; 벡터 차원: 1024

Zilliz Cloud로 마이그레이션

Milvus는 뛰어난 성능을 제공했지만, 분산 데이터베이스를 내부에서 운영하는 것은 운영 오버헤드를 발생시켰습니다. 클러스터 관리, 업그레이드, 모니터링, 확장에는 귀중한 엔지니어링 시간이 소요되었고, 팀은 이러한 리소스를 여행자 경험 개선에 투입하고자 했습니다. 이것이 Milvus 제작자가 구축한 완전 관리형 서비스인 Zilliz Cloud로 마이그레이션하기로 결정한 이유였습니다. Zilliz Cloud는 팀의 우선순위를 직접적으로 해결했습니다:

• DevOps 및 성능 튜닝을 오프로드함으로써 제공되는 운영 효율성.

• 데이터가 수억 장의 호텔 이미지로 증가함에 따라 리소스 인식 확장 및 양자화를 통한 비용 최적화.

• 내장된 고가용성, 리전 간 재해 복구, 손쉬운 수평 확장을 통한 확장성 및 안정성.

• 피크 동시성 상황에서도 P99.9 지연 시간이 100 ms 미만이라는 엄격한 SLA 요구사항을 일관되게 충족하고 Elasticsearch를 능가하는 성능 보장.

마이그레이션은 원활하게 진행되었습니다. Trip.com은 다운타임 없이 자체 관리형 Milvus 클러스터에서 Zilliz Cloud로 워크로드를 점진적으로 전환했습니다. 그 결과, 운영 단순성과 글로벌 규모의 세계적 수준 성능을 결합한 완전 관리형 엔터프라이즈급 벡터 검색 기반이 마련되었습니다.

솔루션: Zilliz Cloud와 Multilingual-E5를 활용한 시맨틱 검색

키워드 검색의 한계를 넘어서기 위해 Trip.com은 벡터 데이터베이스로 Zilliz Cloud를 사용하는 새로운 시맨틱 검색 엔진을 구축했습니다. 아키텍처는 다층 구조입니다. 여행자 쿼리는 1) 먼저 전처리를 통해 정제되고, 2) 그런 다음 임베딩으로 벡터화되며, 3) 마지막으로 Zilliz Cloud에 저장된 수백만 개의 호텔 벡터와 매칭됩니다. 4) 시맨틱 검색과 키워드 검색의 결과가 병합되어, 여행자들이 실시간으로 가장 관련성 높은 호텔을 볼 수 있도록 보장합니다.

또 다른 주요한 조력자는 수십 개 언어에서 일관된 정확도를 제공하는 능력 때문에 선택된 multilingual-e5 모델이었습니다. 호텔 설명, 태그, 시설은 오프라인에서 벡터화되었고, 여행자 쿼리는 런타임에 온라인으로 처리되었습니다. Zilliz Cloud의 고성능 유사도 검색은 100 ms 이내에 가장 가까운 매치를 식별하여, 대규모로 의도 기반 결과를 표시했습니다. “beautiful night view” 및 “nice evening skyline” 같은 쿼리는 동일한 의도에 매핑되어, 이전에는 기회 손실을 초래했던 언어 및 표현 장벽을 제거했습니다.

다국어 임베딩과 Zilliz Cloud의 완전 관리형 인프라를 결합함으로써, Trip.com은 두 가지 장점을 모두 실현했습니다: 여행자의 의도를 포착하는 의미론적 지능, 수백만 개의 숙소 목록 전반에 걸친 초고속 검색, 그리고 사내에서 클러스터를 운영해야 하는 부담 없는 엔터프라이즈급 안정성입니다. 그 결과, 여행자가 사용하는 언어나 요청을 표현하는 방식에 관계없이 전 세계 여행자에게 일관되게 서비스를 제공하는 더 스마트하고 확장 가능한 호텔 검색 시스템이 탄생했습니다.

Trip.com Group 내 다양한 벡터 검색 사용 사례

새로운 벡터 엔진은 Trip.com Group 비즈니스의 여러 영역에서 빠르게 가치를 입증했습니다.

호텔 검색

여행자에게 Zilliz Cloud는 가장 큰 문제점 중 하나인 표현 차이로 인한 매치 누락을 해결했습니다. 이제 “family-friendly hotel”에 대한 쿼리는 “great for kids”로 설명된 숙소도 함께 표시하며, “work-friendly”는 “business amenities”를 갖춘 숙소를 보여줍니다. 의미론적 검색과 키워드 검색을 결합함으로써, Trip.com은 관련 호텔에 대한 더 나은 재현율, 더 정확한 매치, 그리고 여행자들이 이용 가능한 최적의 옵션을 보고 있다는 더 큰 확신을 달성합니다.

SEO 랜딩 페이지

마케팅 측면에서 벡터 검색은 지역화된 랜딩 페이지가 구축되는 방식을 혁신했습니다. 한때 노동집약적인 큐레이션이 필요했던 작업이 이제 자동화되었습니다: Zilliz Cloud는 의미론적 검색을 수행하고, 키워드 의도가 부족할 때 관련 호텔을 검색하며, 결과를 필터링 및 순위화하고, 페이지 생성 워크플로에 직접 공급합니다. 이 프로세스를 통해 Trip.com은 여러 언어와 지역에 걸쳐 수천 개의 최적화된 랜딩 페이지를 빠르게 생성하여, 상당한 수작업 노력을 절감하면서 유기적 트래픽을 증가시킬 수 있습니다.

이미지 검색

텍스트를 넘어, Trip.com은 벡터 검색을 시각적 영역으로 확장했습니다. 객실 내부부터 현지 명소까지 수억 장의 호텔 이미지를 바탕으로, 팀은 여행자들이 이미지로 검색하여 유사한 미학이나 특징을 가진 호텔을 발견할 수 있도록 했습니다. Zilliz Cloud의 멀티모달 기능으로 구동되는 이 기능은 플랫폼이 텍스트를 넘어 풍부한 멀티미디어 검색 경험으로 확장할 수 있는 능력을 보여줍니다.

종합적으로, 이러한 사용 사례는 벡터 검색이 단순한 백엔드 기술 이상임을 보여줍니다. 이는 프런트엔드 여행자 경험을 개선하고 백엔드 마케팅 전략을 가속화하는 공유 역량입니다. Trip.com에게 Zilliz Cloud는 호텔 검색뿐만 아니라 여러 비즈니스 라인 전반의 성장을 위한 기반이 되었습니다.

Trip.com이 Zilliz Cloud로 얻은 것

Zilliz Cloud로 마이그레이션함으로써 Trip.com은 더 빠르고 더 스마트한 호텔 검색 플랫폼을 확보했으며, 성능, 확장성, 운영 전반에서 측정 가능한 개선을 이루었습니다:

• 지연 시간 최적화: 100 ms 미만의 P99.9 응답 시간을 일관되게 충족하여 엄격한 실시간 검색 요구 사항을 만족합니다.

• 대규모 확장성: 성능 저하 없이 수억 개의 텍스트 및 이미지 벡터를 처리합니다.

• 더 높은 재현율 품질: 키워드 시스템이 놓쳤던 의도 기반 매치를 포착하여 여행자 만족도를 높이고 예약 이탈을 줄입니다.

• 엔지니어링 오버헤드 감소: 클러스터 관리, 업그레이드, 확장을 Zilliz에 위임하여 엔지니어들이 여행자 대상 혁신에 집중할 수 있도록 합니다.

• 비용 효율성: 리소스 최적화와 양자화를 통해 Elasticsearch 또는 자체 관리형 Milvus와 비교해 비용을 예측 가능하게 유지합니다.

• 엔터프라이즈급 안정성: 내장된 고가용성과 지역 간 재해 복구는 전 세계 수백만 명의 여행자에게 중단 없는 검색을 제공합니다.

이러한 성과는 호텔 검색을 키워드 기반 시스템에서 지능적이고 확장 가능하며 회복탄력적인 서비스로 전환했습니다. 여행자에게 만족을 제공하는 동시에 Trip.com이 장기 성장 전략에 대한 확신을 갖게 해주는 서비스입니다.

결론

Trip.com에게 검색은 단순한 기능이 아니라 여행 경험으로 들어가는 관문입니다. Zilliz Cloud를 도입함으로써 이 회사는 여행자가 호텔과 목적지를 발견하는 방식을 재편했으며, 내부 팀에는 확장하고 혁신할 수 있는 새로운 방법을 제공했습니다. 더 스마트한 의도 기반 검색은 이제 더 나은 고객 여정과 더 효율적인 비즈니스 성장을 모두 지원합니다.

이 이야기는 더 큰 변화를 보여줍니다. 관리형 벡터 데이터베이스는 더 이상 단순한 백엔드 인프라가 아니라 경쟁 우위를 위한 전략적 기반입니다. Zilliz Cloud가 성능, 안정성, 확장성을 보장함에 따라 Trip.com 팀은 원활하고 다국어를 지원하며 전 세계적으로 일관된 검색이라는 여행 탐색의 미래에 집중할 수 있습니다. 이는 새로운 업계 표준을 세우는 검색입니다.