컬리, YOLOv11 기반 객체 탐지로 배송 수기 검수 비용 93% 절감

컬리 데이터서비스개발팀이 YOLOv11 객체 탐지 모델을 활용해 배송 완료 사진의 수기 검수 비용을 93% 절감했다. 퍼플 박스와 종이봉투 미사용 배송은 신선도 저하 위험이 커 빠른 확인이 필요했으나, AI 모델이 두 객체 모두 없는 경우만 운영자에게 확인을 요청하도록 자동화했다.

Data-centric 접근법과 라벨링 효율화

학습 데이터 확보를 위해 데이터 엔진을 활용했다. 모든 사진을 직접 라벨링하는 대신, 모델 추론 결과(가짜 라벨) 중 정확성이 낮은 부분만 사람이 수정하는 방식을 채택했다. 결과 검증자가 가짜 라벨의 정확성을 이진 분류하고, 세부 수정자가 부정으로 분류된 항목의 bounding box를 직접 수정하는 2단계 프로세스를 거쳤다. 이 과정에서 bounding box 직접 수정 비율은 7% 수준으로 유지되어 라벨링 비용을 최소화했다.

모델 성능 및 운영 성과

리뷰 도메인 모델을 초기 모델로 사용하여 배송 완료 도메인에 fine-tuning을 진행했다. 퍼플 박스 탐지 모델은 1회의 라벨링 개선 주기 후 precision 0.9992, recall 0.9792로 성능이 향상되었다. 종이봉투 탐지 모델은 275장의 초기 라벨링 후 개선 주기를 거쳐 precision 0.9694, recall 0.9258를 달성했다.

운영 측면에서는 비닐 상태 배송 탐지 기능을 추가해 수기 검수 필요 건을 99.8% 감소시켰다. 또한 AI 모델 도입 후 비닐 상태 배송 건 수가 25% 감소하여 서비스 품질 개선에 기여했다. 배송 기사 앱 기록과 모델 결과의 일치율은 **91.3%**였으며, 불일치 사례 중 **7.3%**는 모델이 더 정확한 것으로 판명되어 AI의 탐지 성능을 입증했다.