아마존 베드록 기반 대규모 영상 분석 솔루션 공개

주장영상 콘텐츠가 폭발적으로 증가하면서 단순한 시각적 탐지를 넘어 맥락과 의미를 파악하는 지능형 분석 솔루션이 필요합니다. 아마존 베드록(Amazon Bedrock)의 멀티모달 파운데이션 모델은 영상의 시각 정보와 텍스트 정보를 결합해 복잡한 상황을 해석합니다.

팩트아마존 베드록 기반 영상 분석 솔루션은 프레임 기반 워크플로우와 샷 기반 워크플로우 등 세 가지 아키텍처를 제공합니다. 해당 기술은 오픈 소스 아마존 웹 서비스(AWS) 샘플로 깃허브(GitHub)에 공개되어 기업이 즉시 도입할 수 있습니다.

교차검증기존 수동 검토 방식은 비용이 많이 들고 확장성에 한계가 있습니다. 규칙 기반 컴퓨터 비전 시스템은 새로운 상황에 유연하게 대처하지 못합니다. 멀티모달 모델은 이러한 한계를 극복하지만, 모델 호출에 따른 API 비용과 처리 지연 시간을 고려한 설계가 필요합니다.

팩트프레임 기반 워크플로우는 고정 간격으로 이미지를 추출하고 중복 프레임을 제거해 비용을 최적화합니다. 중복 제거를 위해 아마존 노바(Nova) 멀티모달 임베딩 모델이나 오픈 소스인 오픈시브이(OpenCV) 오알비(ORB) 알고리즘을 선택합니다.

팩트노바 멀티모달 임베딩 방식은 256차원 벡터를 생성해 의미론적 유사성을 비교하며 조명 변화에 강건한 성능을 보입니다. 오픈시브이 오알비 방식은 별도의 API 호출 없이 특징점을 매칭해 처리 속도가 빠르고 비용이 저렴합니다.

팩트샷 기반 워크플로우는 영상을 짧은 클립이나 고정 시간 단위로 분할해 영상 이해 모델을 적용합니다. 이 방식은 영상의 시간적 맥락을 유지해 미디어 제작이나 콘텐츠 카탈로그화 작업에 적합합니다.

교차검증샷 기반 워크플로우에서 오픈시브이 장면 탐지 방식은 영상의 자연스러운 전환점을 찾아내어 서사적 구조를 보존합니다. 반면 고정 시간 분할 방식은 일정한 처리 시간을 보장하지만 영상의 흐름이 중간에 끊길 위험이 있습니다.

팩트시스템은 AWS 스텝 펑션(Step Functions)을 통해 파이프라인을 관리합니다. AWS 람다(Lambda)의 동시성 제한을 관리하기 위해 샷을 10개 단위로 배치 처리합니다. 이러한 구조는 대규모 영상 데이터를 효율적으로 처리하고 처리량을 극대화합니다.

주장이번 솔루션은 보안 감시, 제조 품질 관리, 미디어 제작 등 다양한 산업 분야의 요구사항에 맞춰 비용과 정확도 사이의 균형점을 찾도록 설계되었습니다. 기업은 비즈니스 목적에 맞는 워크플로우를 선택해 영상 데이터의 가치를 높일 수 있습니다.

출처https://aws.amazon.com/blogs/machine-learning/unlocking-video-insights-at-scale-with-amazon-bedrock-multimodal-models/ 및 관련 AWS 기술 문서.