세계적인 여행 플랫폼 부킹닷컴(Booking.com)이 자사의 핵심 인프라인 임베딩(embedding) 및 벡터 검색 시스템을 오픈서치(OpenSearch)에서 위비아테(Weaviate)로 전환했습니다. 기존 오픈서치 기반 시스템은 수억 개의 임베딩과 복잡한 필터 검색, 높은 동시 요청을 처리하면서 클러스터 규모와 운영 비용이 지속적으로 증가하는 문제에 직면했습니다. 이에 부킹닷컴은 1억 개 임베딩과 실제 운영 환경을 재현한 자체 평가를 통해 전용 벡터 DB의 효율성을 확인하고 위비아테를 최종 선택했습니다.
부킹닷컴은 검색 품질을 약 99%의 재현율(Recall)로 맞춘 뒤, 전체 검색, 메타데이터 필터 검색, 쓰기 작업 20%가 혼합된 부하 환경에서 P99 지연 시간, 처리량, 자원 사용량, 안정성을 비교했습니다. 그 결과, 전용 벡터 DB는 오픈서치보다 낮은 꼬리 지연 시간과 예측 가능한 확장성을 보였으며, 특히 위비아테는 여러 시나리오에서 가장 일관된 성능을 나타냈습니다. 이 전환을 통해 부킹닷컴은 동일한 품질 및 서비스 수준 목표(SLO) 기준에서 컴퓨팅 및 메모리 사용 비용을 약 40% 절감하는 성과를 달성했습니다. 모든 데이터베이스 접근을 내부 서비스로 추상화(abstraction)해둔 덕분에 대부분의 팀이 설정 변경만으로 손쉽게 마이그레이션할 수 있었다는 점도 주목할 만합니다.
이번 사례는 대규모 AI 시스템의 핵심 인프라가 된 벡터 검색의 중요성과 함께, 실제 프로덕션 환경에 최적화된 데이터베이스 선택의 중요성을 시사합니다. 공개 벤치마크는 작은 데이터셋과 단순한 부하를 사용해 실제 운영 환경을 충분히 반영하지 못하는 경우가 많으므로, 부킹닷컴처럼 대규모 임베딩 데이터, 복합 질의, 높은 동시성을 특징으로 하는 환경에서는 자체적인 현실적인 평가가 필수적입니다. 또한, 데이터베이스 저장 계층을 추상화하여 특정 기술에 종속되지 않고 유연하게 전환할 수 있는 아키텍처 설계가 미래 변화에 효과적으로 대응하는 핵심 전략임을 보여줍니다. 이는 예측 가능성과 확장성이 요구되는 현대 머신러닝 및 AI 시스템 인프라 구축에 중요한 교훈을 제공합니다.