Owlsociety’s second IT product, Shakalaka-management (AI)
How can we list products faster?
Dec 29, 2025
Contents
Let's use AI to solve the pain points brands faceDigitalization is already happening across many industries, but the apparel sector still feels far from themProduct Registration Agency ServiceSKLK-MGMT, The Core of Inventory Management: Classification and SegmentationAchieving Performance Stability with Ensemble ModelsFaster inference with Knowledge DistillationRegistering products which used to be a burden, completed in a minuteClosingAI를 활용해서 브랜드들의 수고로움을 해결하자 이미 여러 산업에서 디지털화가 진행되었지만, 의류 산업은 아직 멀다고 느껴짐상품등록 대행 서비스샤카라카-재고관리의 핵심, classification과 segmentation앙상블 모델로 성능 안정성 확보지식증류로 더 빠르게 추론번거롭던 상품 등록 과정을 단 1분만에 빠르게마치며Let's use AI to solve the pain points brands face
Digitalization is already happening across many industries, but the apparel sector still feels far from them
The process of writing down how many items sold each time a new product is made and sold, and verifying if the remaining quantity actually exists. Those who run brands have likely pondered this at least once: managing products without incurring expensive subscription fees or development costs is nearly impossible. Before online buying and selling became commonplace, when offline stores were more prevalent, manual management might have been less complex than it is today. But even now, despite shifting to a platform where the same products are uploaded and sold across multiple platforms, why do we still rely on manual inventory management or neglect to implement our own ERP systems, leaving ourselves vulnerable to human error?
Product Registration Agency Service
Apart from managing stock online, how about trying to boost sales rates by creating the most detailed product pages possible on the platforms where you sell? How much time and effort does this process require, especially if you're new to business or aiming for a very high level of detail in your product pages? There's so much information to deliver to consumers, and the burden feels overwhelming when you have to register products not just on one platform, but tailored to each platform. That's why there are now product registration agency services that handle registering brands' products on platforms.
SKLK-MGMT, The Core of Inventory Management: Classification and Segmentation
The Shakalaka inventory management service was launched to address the issues outlined above. Our goal was not only to make inventory management easier for brand owners selling their products but also to minimize the time required to list products on the Shakalaka platform. To simplify the complex processes involved in product registration, we simultaneously developed an AI classification model and a segmentation model. Today's post will explain the AI we developed in detail. The segmentation model's role is to preprocess images when a user of the Shakalaka-Management app takes or uploads a photo of a product they wish to register. This is because the background in each user's photo might not be a clean white wall, and it also enhances classification performance when the preprocessed image is sent to the classification model. The classification model then receives the preprocessed image with its subject clearly defined and classifies it into one of 12 categories. While more clothing categories exist in real-world scenarios, evaluating model performance using open datasets is essential for generalization, so we initially trained it on these 12 categories.
Achieving Performance Stability with Ensemble Models
When considering a dress with a form similar to a jacket, it can be confusing whether to classify that item as a jacket or a dress. This issue of declining classification performance between visually similar classes has persisted for quite some time, making it difficult to achieve both accuracy and robustness despite extensive research on clothing image classification models. Therefore, we applied a voting-based ensemble learning method to maximize classification performance even on inherently difficult-to-classify data, such as those influenced by constantly changing styles, patterns, and photography conditions. This approach leverages the complementary characteristics of models that have demonstrated stable performance across various computer vision benchmarks. For pattern classification, the final classifier layer of each model was redesigned by removing the existing classifier and replacing it with a 10-way linear head. For category classification, it was redesigned with a 12-way linear head tailored to the 12 classes. As a result, it achieved a 4.8% performance improvement in pattern classification and a 1.2% performance improvement in category classification compared to a single model.
Faster inference with Knowledge Distillation
To maintain the high predictive performance of the ensemble model introduced in the first step while reducing model complexity and improving inference speed, we applied Knowledge Distillation (KD) techniques. Knowledge Distillation is a learning technique that transfers knowledge from a complex, large-scale Teacher model to a relatively small and efficient Student model. We used the ConvNeXt-Tiny model as the Student model. Despite being lightweight due to its structural efficiency and reduced parameter count, it retains high expressiveness. We configured the pipeline to integrate the soft voting results from the ensemble models, generating consistent and stable final classification results. The student model was trained using both the soft targets (i.e., the softmax outputs or logits) generated by the teacher and the hard targets (i.e., the ground-truth labels). The soft targets encode richer information about model uncertainty and inter-class relationships, enabling the student to imitate not just the predictions but also the reasoning process of the teacher. Consequently, while minimizing performance loss compared to the ensemble model, The number of parameters was 28M, which is approximately 14.3% of the ensemble model's total, and the inference time was 6.6 ms, showing an 88.6% improvement over the 58.0 ms required by the ensemble model, enabling a single lightweight model to match the performance of a high-performance ensemble architecture.
Registering products which used to be a burden, completed in a minute
When planning this service and interviewing local wholesalers, we found that the main challenge in their inventory management was the heavy workload. Since they typically managed items manually, it was difficult to accurately keep track of incoming and outgoing goods. In reality, regardless of company size, it was almost impossible to find an ERP system for inventory management in Dongdaemun Market. Even if they wanted to use one, the fixed cost of system usage fees was a significant financial burden. Recognizing this as a problem, we developed SKLK-mgmt and will support domestic brands in managing their inventory through our service. How can we offer it for free? Our goal is to help hidden, high-quality domestic brands introduce more products overseas, so providing this additional service for free is well worth it. So, do we charge brands a commission? No. We do not charge brands commissions on sales like typical shopping platforms. Our goal is to have more brands join us, and ultimately, we hope overseas customers will come to love Korea's high-quality brands.
Closing
Currently, Shakalaka collaborates with over 40 brands across various categories, including men's, women's, and children's fashion. Rather than simply listing and displaying these brands' products, we work with high-quality brands we've built relationships with over many years in the wholesale market. As mentioned in previous posts, our criteria for the brands we showcase are clear. They are brands capable of introducing high-quality Korean fashion. Our mission is to manage the products these brands create more efficiently and bring them to customers at fair prices, thereby promoting Korean fashion widely. The Korean fashion industry has become significantly more digitalized. However, many still find applying digital solutions to their business challenging and daunting. We will focus more on technological development to help such individuals sell their excellent products in overseas markets through us. In the next post, we'll explain in detail how the currently suspended Shakalaka products are preparing to transform. Have a warm holiday season.
AI를 활용해서 브랜드들의 수고로움을 해결하자
이미 여러 산업에서 디지털화가 진행되었지만, 의류 산업은 아직 멀다고 느껴짐
신상품을 만들고 팔때마다 몇개가 팔렸는지 적고, 남은 수량이 실제로 있는지 확인하는 과정. 브랜드를 운영하시는 분들은 한번쯤 고민해보셨을 것입니다. 상품들을 비싼 구독료나 개발비를 들이지 않는 방법으로 관리한다는 것은 거의 불가능하다는 것에 대해서요. 온라인으로 상품을 사고팔기 이전, 오프라인 매장이 더 성행하던 시기에는 모두 수동으로 관리하면 지금보다는 덜 복잡했을 것입니다. 하지만 지금은 여러 플랫폼에 같은 상품을 업로드 해두고 판매하는 방식으로 변경되었음에도 왜 아직 수동으로 재고를 관리하거나 자체 ERP를 만들지 않으면 휴먼에러를 잡을 수 없도록 방치하는걸까요?
상품등록 대행 서비스
재고를 온라인으로 관리하는 것과는 별개로, 상품을 판매하는 플랫폼에 최대한 자세하게 상세페이지를 작성해서 판매율을 높이려는 시도는 어떤가요? 이 과정도 사업이 처음이거나 꽤 높은 수준으로 상세 페이지를 작성하는 경우에 얼마나 많은 시같을 들여야하나요? 소비자에게 전달할 내용은 많은데 그걸 하나의 플랫폼도 아니고 각 플랫폼에 맞춰서 상품을 등록해야한다니, 너무 큰 부담이 됩니다. 그래서 요즘은 브랜드들의 상품을 플랫폼에 등록해주는 상품등록 대행 서비스라는 것도 있습니다.
샤카라카-재고관리의 핵심, classification과 segmentation
위와 같은 문제점에서부터 샤카라카-재고관리 서비스가 시작되었습니다. 브랜드 주인들이 판매하는 상품의 재고관리를 쉽게할 수 있도록 할 뿐 아니라, 샤카라카 플랫폼에 상품을 등록하는 과정에서 드는 시간을 최소화하는것이 목표였습니다. 우선 상품 등록시 복잡한 과정들을 단순화하기 위해 AI 분류 모델과 세그멘테이션 모델을 동시에 개발했습니다. 오늘 글에서는 저희가 개발한 AI에 대해 구체적으로 설명해보려고 합니다. 먼저 세그멘테이션 모델의 역할은 샤카라카-매니지먼트 앱을 사용하는 사람이 등록하려는 상품의 이미지를 촬영하거나 업로드하면 모델 서버가 이미지를 전처리하는 역할입니다. 사용자마다 사진을 촬영한 배경이 깨끗한 흰색 벽면이 아닐수도 있고, 전처리 이후 분류 모델로 전달될때 분류 성능을 더 높이기 위함이기도 합니다. 그리고 분류 모델은 분류 대상이 명확해진 이미지를 입력받아서 12가지 class로 분류합니다. 실제 상황에는 더 많은 의류 카테고리가 존재하지만 모델의 성능을 일반화하는 데 오픈데이터셋들을 기준으로 평가하는 것이 필수적이라 우선 12가지 카테고리를 학습 시켰습니다.
앙상블 모델로 성능 안정성 확보
자켓과 유사한 형태의 원피스가 있다고 가정했을때, 그 상품을 자켓으로 구분하는 것이 맞을지 원피스로 구분하는 것이 맞을지는 사람도 헷갈리는 부분입니다. 이렇게 시각적으로 유사한 클래스들간 분류 성능의 저하 문제는 꽤 오랜기간 동안 의류 이미지 분류 모델들이 연구되어왔음에도 정확도와 강건성을 확보하기 어려웠습니다. 그래서 아울소싸이어티는 계속해서 변하는 스타일과 패턴, 촬영 조건등에 따라 본질적으로 분류하기 어려운 데이터들에서도 분류 성능을 극대화하기 위해 다양한 컴퓨터 비전 벤치마크에서 안정적인 성능을 입증한 모델들의 상보적인 특정을 활용할 수 있도록 voting 기반 앙상블 학습 방법을 적용했습니다. 각 모델의 마지막 분류기 층은 패턴 분류의 경우 기존 분류기를 제거하고 10-way linear head로 교체하고 카테고리 분류의 경우 12개의 class에 맞춘 12-way linear head로 재설계 했습니다. 결과적으로 단일 모델 대비 패턴 분류에서 4.8%의 성능 향상과 카테고리 분류에서 1.2%의 성능 향상을 만족했습니다.
지식증류로 더 빠르게 추론
첫 단계로 소개한 앙상블 모델의 높은 예측 성능을 유지하면서도 모델의 복잡도를 낮추고 추론속도를 향상시키지 위해 지식 전이 기법을 적용했습니다. 지식 전이는 복잡하고 대규모인 교사 (Teacher) 모델로부터 상대적으로 작고 효율적인 학생(Student) 모델로 지식을 전달하는 학습 기법입니다. 앙상블 모델을 교사모델로 사용하고 학생모델로는 구조적 효율성과 적은 parameter수를 기반으로 경량화된 모델임에도 불구하고 높은 표현력을 보유하는 ConvNeXt-Tiny를 사용했습니다. 앙상블 모델들의 soft voting 결과와 통합해 일관적이고 안정적인 최종 분류 결과를 생성하도록 파이프라인을 구성해 학생 모델은 교사 모델의 softmax 출력값과 실제 정답 label인 hard target을 동시에 학습 대상으로 삼음으로써 학생 모델은 교사 모델의 ‘사고 과정’을 모방할 수 있었습니다. 결과적으로 앙상블 모델의 성능 손실은 최소화하면서 parameter수를 앙상블 모델의 14.3%로 수준으로 유지하며 추론시간을 88.6% 개선시키며 단일 경량모델이 고성능 앙상블 구조에 필적하는 성능을 달성했습니다.
번거롭던 상품 등록 과정을 단 1분만에 빠르게
이 서비스를 기획하면서 주변 도매 상인들을 인터뷰했을때 재고관리 방식에서 번거운 점으로 상품들을 보통 수기로 관리하다보니 입고와 출고 상품을 정확하게 파악하거나 관리하기 힘들다는 것이었습니다. 실제로 회사 규모와 상관없이 ERP 시스템과 같이 재고를 관리하는 동대문 시장에서는 거의 찾을 수 없었고, 사용하고 싶어도 시스템 사용료를 고정적으로 지출하는 것이 부담스러운 것이 현실이었습니다. 이 부분을 문제라고 생각한 저희는 SKLK-Mgmt를 개발했고, 국내 브랜드가 저희 서비스를 통해 재고관리를 할 수 있도록 지원할 것입니다. 어떻게 무료로 제공할 수 있냐고요? 저희는 숨어있는 품질좋은 국내 브랜드가 더 많은 상품을 해외에 소개할 수 있도록 하는 것이 목표이니까 이런 부가적인 서비스는 무료로 제공해드려도 아깝지 않습니다. 그럼 브랜드들에게 수수료를 받는건 아니냐구요? 아니요. 일반적인 쇼핑 플랫폼들처럼 저희는 브랜드들에게 판매에 따른 수수료를 부과하지 않습니다. 더 많은 브랜드가 저희와 함께하는 것이 목표이고, 궁극적으로는 한국의 고품질 브랜드들을 해외 고객들이 사랑하는 것이 원하는 바람입니다.
마치며
지금 샤카라카는 남성, 여성, 아동 등의 다양한 카테고리에서 총 40여개 브랜드와 협업하고 있습니다. 단순하게 해당 브랜드들의 상품을 등록해서 노출시킨다기 보다 저희가 도매 시장에서 오랜시간 몸 담으며 함께한 고품질 브랜드들입니다. 이전 글에서도 말씀드렸듯이 저희가 선보이는 브랜드들은 기준이 명확합니다. 고품질 한국 패션을 소개할 수 있는 브랜드들입니다. 이 브랜드들이 만드는 상품들을 더 쉽게 관리하고 고객들에게까지 거품없는 가격으로 선보여 한국 패션을 널리 알리는 것이 저희 미션입니다. 이제 한국 패션 업계도 많이 디지털화되었습니다. 하지만 여전히 디지털을 사업에 적용하는 것이 어렵고 허들인 분들도 많습니다. 그런 분들이 저희를 통해 좋은 제품을 해외 시장에서도 판매할 수 있도록 기술 개발에 더 힘쓰겠습니다. 다음 글에서는 지금 운영 중단되어있는 샤카라카 제품들이 어떻게 변하려고 준비하고 있는지 자세하게 설명드려보겠습니다. 따뜻한 연말 보내세요.
Share article