Cohere Embed v4 on Amazon Bedrock API 개발 가이드

728x90

1. 문서 개요

항목	내용
문서 목적	Cohere Embed v4를 Amazon Bedrock Runtime API로 호출하기 위한 개발 가이드
대상 모델	Cohere Embed v4
호출 방식	Amazon Bedrock Runtime InvokeModel
주요 용도	RAG, 문서 검색, 상품 검색, 이미지 검색, 멀티모달 검색, 분류용 임베딩, 클러스터링용 임베딩
제외 범위	Cohere 직접 API, Cohere SDK, 자체 모델 배포, Bedrock Knowledge Base 자동 구성
핵심 특징	텍스트, 이미지, 텍스트와 이미지 혼합 입력을 하나의 임베딩 모델로 처리 가능

Cohere Embed v4는 텍스트와 이미지를 같은 의미 공간의 벡터로 변환할 수 있는 멀티모달 임베딩 모델이다. 따라서 텍스트 검색뿐 아니라 이미지 검색, 상품 이미지 검색, PDF 페이지 검색, 차트와 표 검색, 스캔 문서 검색에도 사용할 수 있다.

2. Bedrock 호출 개요

구분	설정값
AWS 서비스	bedrock-runtime
API	InvokeModel
Content-Type	application/json
Accept	application/json
권한	bedrock:InvokeModel
서울 리전	ap-northeast-2
서울 리전 권장 모델 ID	global.cohere.embed-v4:0
일반 In-Region 모델 ID 예시	cohere.embed-v4:0
Streaming	미지원

서울 리전에서 사용할 경우에는 global inference profile을 사용하는 구성이 안전하다.

환경변수	권장값
AWS_REGION	ap-northeast-2
BEDROCK_COHERE_EMBED_MODEL_ID	global.cohere.embed-v4:0

3. API Request Body 전체 요약

필드	필수 여부	타입	주요 값	설명
input_type	필수	string	search_document, search_query, classification, clustering	임베딩의 사용 목적을 지정
texts	선택	string array	텍스트 배열	텍스트만 임베딩할 때 사용
images	선택	string array	data:image 형식의 base64 문자열	이미지만 임베딩할 때 사용
inputs	선택	object array	content 배열	텍스트와 이미지를 함께 임베딩할 때 사용
embedding_types	선택	string array	float, int8, uint8, binary, ubinary	반환받을 임베딩 타입
output_dimension	선택	integer	256, 512, 1024, 1536	출력 벡터 차원
truncate	선택	string	NONE, LEFT, RIGHT	입력 길이 초과 시 자르는 방식
max_tokens	선택	integer	최대 128000	입력당 토큰 예산

입력 필드는 texts, images, inputs 중 목적에 맞는 하나를 선택하는 방식으로 설계하는 것이 안전하다.

입력 목적	사용 필드
텍스트만 임베딩	texts
이미지만 임베딩	images
텍스트와 이미지를 함께 임베딩	inputs

4. input_type 선택 기준

input_type은 가장 중요한 파라미터다. 단순히 입력 형식을 뜻하는 값이 아니라, 모델에게 이 임베딩을 어떤 용도로 사용할지 알려주는 값이다.

input_type	사용 목적	대표 사용처	검색용 여부
search_document	검색 대상 데이터를 임베딩	문서 chunk, 상품 설명, FAQ, PDF 페이지, 상품 이미지	예
search_query	검색 조건을 임베딩	사용자 질문, 검색어, 사용자 업로드 이미지, 이미지와 텍스트 조건	예
classification	분류 모델의 입력 feature 생성	리뷰 감성 분류, 문의 유형 분류, 문서 유형 분류	아니오
clustering	비슷한 데이터끼리 묶기 위한 feature 생성	VOC 그룹화, 상품군 자동 묶기, 유사 이미지 군집화	아니오

5. search_document

5.1 개념

항목	내용
의미	검색 대상이 되는 데이터를 임베딩하는 모드
저장 위치	Vector DB에 저장되는 데이터
대표 대상	문서, 상품, FAQ, 매뉴얼, 약관, OCR 텍스트, PDF 페이지, 상품 이미지
검색 구조	search_document로 저장하고 search_query로 검색

5.2 언제 사용하는가

상황	search_document 사용 여부
RAG 문서 chunk를 저장한다	사용
상품명과 상품설명을 저장한다	사용
FAQ 데이터를 저장한다	사용
PDF 페이지 OCR 결과를 저장한다	사용
상품 이미지를 저장한다	사용
이미지와 상품명을 함께 저장한다	사용
사용자가 입력한 검색어를 임베딩한다	사용하지 않음
사용자가 올린 검색용 이미지를 임베딩한다	사용하지 않음

5.3 판단 기준

질문	답
이 데이터가 Vector DB에 저장될 검색 대상인가?	예라면 search_document
이 데이터가 사용자의 검색 조건인가?	예라면 search_query

6. search_query

6.1 개념

항목	내용
의미	검색을 수행하기 위한 질의나 조건을 임베딩하는 모드
저장 위치	일반적으로 Vector DB에 저장하지 않음
대표 대상	사용자 질문, 검색어, 검색 조건, 사용자 업로드 이미지
검색 구조	search_query 벡터로 search_document 벡터를 검색

6.2 언제 사용하는가

상황	search_query 사용 여부
사용자가 검색창에 입력한 문장을 임베딩한다	사용
RAG 질문을 임베딩한다	사용
사용자가 올린 이미지로 유사 상품을 찾는다	사용
이미지와 텍스트 조건을 함께 입력받아 검색한다	사용
상품 설명을 Vector DB에 저장한다	사용하지 않음
문서 chunk를 Vector DB에 저장한다	사용하지 않음

6.3 판단 기준

질문	답
이 입력이 검색을 수행하기 위한 조건인가?	예라면 search_query
이 입력이 검색 대상 DB에 저장될 원본 데이터인가?	예라면 search_document

7. classification

7.1 개념

항목	내용
의미	분류 작업에 사용할 feature vector를 생성하는 모드
대표 목적	라벨 분류
사용 예	리뷰 감성 분류, 문의 유형 분류, 문서 유형 분류
주의점	Embed v4가 직접 라벨을 반환하는 것은 아님

classification은 임베딩 벡터를 만들 뿐이다. 실제 라벨 예측은 별도의 분류기, nearest label 방식, LightGBM, MLP, 로지스틱 회귀, SVM 등으로 처리해야 한다.

7.2 언제 사용하는가

상황	classification 사용 여부
리뷰를 긍정, 부정, 중립으로 분류한다	사용
고객 문의를 배송, 환불, 교환으로 분류한다	사용
문서를 계약서, 영수증, 청구서로 분류한다	사용
상품 이미지를 카테고리별로 분류한다	사용
사용자 검색어로 문서를 찾는다	사용하지 않음
상품 검색 인덱스를 만든다	사용하지 않음

8. clustering

8.1 개념

항목	내용
의미	비슷한 데이터끼리 자동으로 묶기 위한 feature vector를 생성하는 모드
대표 목적	군집 분석
사용 예	VOC 주제 그룹화, 유사 상품 묶기, 유사 이미지 묶기
후처리	K-Means, DBSCAN, HDBSCAN 같은 클러스터링 알고리즘 필요

8.2 언제 사용하는가

상황	clustering 사용 여부
고객 문의를 비슷한 주제끼리 묶는다	사용
상품 이미지를 비슷한 것끼리 그룹화한다	사용
리뷰를 주제별로 자동 그룹화한다	사용
중복 이미지 후보를 찾는다	사용
사용자의 검색어로 문서를 찾는다	사용하지 않음
RAG 검색용 문서를 저장한다	사용하지 않음

9. input_type 최종 판단표

목적	입력 예시	사용해야 할 input_type
문서 검색용 인덱스 생성	약관, 매뉴얼, FAQ, 보고서 chunk	search_document
상품 검색용 인덱스 생성	상품명, 상품 설명, 상품 속성	search_document
이미지 검색용 인덱스 생성	상품 이미지, 문서 이미지, PDF 페이지 이미지	search_document
사용자 텍스트 검색	검은색 가벼운 운동화 찾아줘	search_query
사용자 이미지 검색	사용자가 업로드한 신발 사진	search_query
사용자 이미지와 텍스트 조건 검색	이 사진과 비슷한데 검은색으로 찾아줘	search_query
리뷰 감성 분류	배송이 늦어서 불만입니다	classification
문의 유형 분류	환불하고 싶습니다	classification
비슷한 문의 묶기	여러 VOC 문장 묶음	clustering
유사 이미지 그룹화	상품 이미지 묶음	clustering

10. 입력 방식 선택 기준

10.1 texts

항목	내용
사용 목적	텍스트만 임베딩
대표 입력	문서 chunk, 상품 설명, FAQ, 검색어, 질문
요청당 최대 개수	96개
함께 쓰면 안 되는 필드	images
텍스트와 이미지를 함께 넣어야 하는 경우	inputs 사용

사용 예	권장 여부
문서 chunk 저장	권장
사용자 질문 검색	권장
상품 설명 검색	권장
이미지와 상품명을 함께 검색 대상으로 저장	inputs 권장

10.2 images

항목	내용
사용 목적	이미지만 임베딩
대표 입력	상품 이미지, 사용자 검색 이미지, 문서 페이지 이미지
전달 방식	data:image 형식의 base64 문자열
지원 형식	png, jpeg, webp, gif
이미지 최대 크기	5MB
요청당 최대 개수	96개
전체 요청 payload	약 20MB 제한

사용 예	input_type
상품 이미지를 검색 대상으로 저장	search_document
사용자 업로드 이미지로 유사 상품 검색	search_query
상품 이미지를 카테고리 분류 feature로 변환	classification
이미지들을 유사한 그룹으로 묶기	clustering

10.3 inputs

항목	내용
사용 목적	텍스트와 이미지를 하나의 의미 단위로 함께 임베딩
대표 입력	상품 이미지와 상품명, PDF 페이지와 OCR 텍스트, 차트 이미지와 설명
권장 상황	이미지 단독보다 텍스트 메타데이터를 함께 넣는 것이 유리한 경우
실무 중요도	매우 높음

inputs는 이미지 검색 품질을 높일 때 가장 중요하다. 이미지 하나만 넣는 것보다 이미지와 연결된 텍스트 정보를 함께 넣으면 검색 의도가 더 잘 보존된다.

사용 예	설명
상품 이미지와 상품명	이미지의 시각 정보와 상품명을 함께 반영
PDF 페이지 이미지와 페이지 번호	시각 구조와 문서 위치를 함께 반영
차트 이미지와 캡션	차트의 시각 정보와 의미 설명을 함께 반영
OCR 텍스트와 원본 이미지	OCR 오류를 이미지 정보로 보완

11. 이미지 입력 지원 상세

11.1 이미지 입력이 필요한 경우

상황	이미지 입력 필요성
상품 이미지 기반 검색	높음
사용자가 올린 이미지와 유사한 상품 검색	높음
PDF가 스캔본이라 텍스트 추출이 불완전함	높음
문서에 표, 차트, 도식이 많음	높음
상품 설명이 짧고 이미지가 핵심 정보임	높음
텍스트 설명만으로 충분한 FAQ 검색	낮음

11.2 이미지 검색 패턴

패턴	인덱싱 입력	검색 입력	사용 예
텍스트에서 텍스트 검색	texts와 search_document	texts와 search_query	일반 RAG, FAQ 검색
이미지에서 이미지 검색	images와 search_document	images와 search_query	유사 상품 이미지 검색
텍스트에서 이미지 검색	inputs와 search_document	texts와 search_query	텍스트 조건으로 이미지 상품 검색
이미지와 텍스트에서 이미지 검색	inputs와 search_document	inputs와 search_query	사진과 추가 조건으로 상품 검색
PDF 페이지 검색	inputs와 search_document	texts와 search_query	문서 페이지, 표, 차트 검색

11.3 이미지가 검색 대상인 경우

항목	설정
입력 데이터	상품 이미지, PDF 페이지 이미지, 문서 이미지
입력 필드	images 또는 inputs
input_type	search_document
저장 위치	Vector DB
대표 목적	나중에 사용자의 검색 조건으로 찾기 위한 대상 저장

11.4 이미지가 검색 조건인 경우

항목	설정
입력 데이터	사용자가 업로드한 이미지
입력 필드	images 또는 inputs
input_type	search_query
저장 위치	일반적으로 저장하지 않음
대표 목적	Vector DB에 저장된 search_document 벡터 검색

11.5 이미지와 텍스트를 함께 넣는 경우

항목	설정
입력 데이터	이미지와 설명, 이미지와 상품명, PDF 페이지 이미지와 OCR 텍스트
입력 필드	inputs
권장 input_type	저장 대상이면 search_document, 검색 조건이면 search_query
장점	시각 정보와 텍스트 정보를 하나의 의미 벡터로 통합

12. 대표 API Request 구성표

12.1 문서 텍스트 저장

필드	값
input_type	search_document
texts	문서 chunk 배열
embedding_types	float
output_dimension	1536
truncate	RIGHT
사용 목적	RAG 문서 인덱싱

12.2 사용자 질문 검색

필드	값
input_type	search_query
texts	사용자 질문 배열
embedding_types	float
output_dimension	문서 인덱스와 동일
truncate	RIGHT
사용 목적	Vector DB 검색용 query vector 생성

12.3 상품 이미지 저장

필드	값
input_type	search_document
images	상품 이미지 base64 배열
embedding_types	float
output_dimension	1536 또는 1024
truncate	RIGHT
사용 목적	이미지 기반 상품 검색 인덱스 생성

12.4 사용자 이미지 검색

필드	값
input_type	search_query
images	사용자 업로드 이미지 base64 배열
embedding_types	float
output_dimension	상품 이미지 인덱스와 동일
truncate	RIGHT
사용 목적	유사 이미지 상품 검색

12.5 상품 이미지와 상품 설명 저장

필드	값
input_type	search_document
inputs	상품명, 카테고리, 속성, 상품 이미지
embedding_types	float
output_dimension	1536 또는 1024
truncate	RIGHT
사용 목적	텍스트와 이미지가 함께 반영된 상품 검색

12.6 사용자 이미지와 텍스트 조건 검색

필드	값
input_type	search_query
inputs	사용자 이미지와 검색 조건 텍스트
embedding_types	float
output_dimension	검색 대상 인덱스와 동일
truncate	RIGHT
사용 목적	사진과 추가 조건을 함께 반영한 검색

12.7 PDF 페이지 저장

필드	값
input_type	search_document
inputs	PDF 페이지 이미지, 파일명, 페이지 번호, OCR 텍스트, 엔티티
embedding_types	float
output_dimension	1536
truncate	RIGHT
사용 목적	표, 차트, 스캔 문서를 포함한 문서 검색

12.8 분류용 임베딩

필드	값
input_type	classification
texts, images 또는 inputs	분류 대상 데이터
embedding_types	float
output_dimension	1536 또는 1024
truncate	RIGHT
사용 목적	별도 분류 모델의 입력 feature 생성

12.9 클러스터링용 임베딩

필드	값
input_type	clustering
texts, images 또는 inputs	군집화 대상 데이터
embedding_types	float
output_dimension	1536, 1024 또는 512
truncate	RIGHT
사용 목적	유사 데이터 그룹화

13. output_dimension 선택 기준

output_dimension	권장 사용처	장점	단점
256	초대규모 1차 후보 검색	저장공간과 비용 절감	정확도 손실 가능
512	대량 상품 검색, 대량 이미지 검색	비용과 품질 균형	정밀 RAG에는 부족할 수 있음
1024	상품 검색, 일반 의미 검색	실무 균형점	최고 정확도는 아님
1536	RAG, PDF 검색, 이미지와 문서 혼합 검색	정확도 우선	저장공간과 검색 비용 증가

실무 권장값은 다음과 같다.

목적	권장 차원
정확도 우선 RAG	1536
PDF, 표, 차트, 스캔 문서 검색	1536
상품 검색	1024 또는 1536
이미지 상품 검색	1024 또는 1536
대량 데이터 1차 후보 검색	512
저장공간 최우선	256 또는 512

주의할 점은 Vector DB의 dimension과 output_dimension이 반드시 같아야 한다는 점이다.

14. embedding_types 선택 기준

embedding_type	설명	권장 사용처
float	일반 실수형 벡터	기본 권장
int8	8-bit 정수형 벡터	저장공간 절감
uint8	unsigned 8-bit 정수형 벡터	특수 인덱싱
binary	이진 벡터	초고속 후보 검색
ubinary	unsigned 이진 벡터	특수 목적

일반적인 OpenSearch, Elasticsearch, pgvector, Pinecone, Milvus 연동에서는 float를 기본으로 사용한다.

상황	권장 embedding_type
일반 RAG	float
상품 검색	float
이미지 검색	float
정밀 검색	float
대량 후보 검색 최적화	int8, binary 검토
저장공간 최적화 실험	int8, uint8 검토

복수 embedding type을 동시에 요청하면 응답 구조가 달라지므로, 일반 운영에서는 float 하나만 사용하는 편이 단순하다.

15. truncate 선택 기준

truncate	의미	권장 상황
RIGHT	뒤쪽 토큰을 자름	일반 기본값
LEFT	앞쪽 토큰을 자름	뒷부분이 더 중요한 특수 데이터
NONE	길이 초과 시 오류	데이터 품질 검증, 개발 단계

실무 기본값은 RIGHT다. 다만 RAG에서는 긴 문서를 그대로 넣기보다 적절히 chunking한 뒤 임베딩하는 것이 일반적으로 더 낫다.

16. Response 구조 요약

16.1 embedding_types가 하나인 경우

필드	타입	설명
id	string	요청 식별자
embeddings	array	입력 개수만큼 반환되는 벡터 배열
response_type	string	embeddings_floats 등 응답 타입
texts	array	입력 텍스트가 있는 경우 반환될 수 있음

16.2 embedding_types가 여러 개인 경우

필드	타입	설명
id	string	요청 식별자
embeddings	object	embedding type별 벡터 객체
embeddings.float	array	float 벡터 배열
embeddings.int8	array	int8 벡터 배열
response_type	string	embeddings_by_type 등 응답 타입

요청 방식	응답 구조
embedding_types가 float 하나	embeddings가 배열
embedding_types가 float와 int8 여러 개	embeddings가 타입별 객체

17. Vector DB 저장 메타데이터

임베딩 벡터만 저장하면 나중에 모델 변경, 차원 변경, 재색인, 품질 비교가 어렵다. 최소한 다음 메타데이터를 함께 저장하는 것이 좋다.

메타데이터	설명
model_provider	cohere
model_name	embed-v4
bedrock_model_id	global.cohere.embed-v4:0
input_type	search_document 등
embedding_type	float 등
output_dimension	1536 등
input_modality	text, image, image_text
source_id	원본 문서나 상품 ID
source_uri	S3 URI, 문서 경로, 이미지 URI
chunk_index	문서 chunk 번호
page	PDF 페이지 번호
created_at	임베딩 생성 시각
chunking_strategy	chunk 생성 방식

이미지 임베딩에서는 다음 메타데이터가 특히 중요하다.

메타데이터	설명
image_uri	원본 이미지 위치
image_mime_type	image/jpeg, image/png 등
image_width	이미지 너비
image_height	이미지 높이
image_role	상품 대표 이미지, 상세 이미지, PDF page image 등
related_text	이미지와 함께 임베딩한 텍스트 설명

18. 실무 설계 패턴

18.1 일반 RAG

단계	입력	input_type	저장 여부
문서 인덱싱	문서 chunk	search_document	저장
사용자 질문	질문 텍스트	search_query	미저장
검색	query vector와 document vector 비교	해당 없음	해당 없음
답변 생성	검색된 문서와 질문	해당 없음	선택

18.2 상품 텍스트 검색

단계	입력	input_type	저장 여부
상품 인덱싱	상품명, 설명, 속성	search_document	저장
사용자 검색	자연어 검색어	search_query	미저장
검색	상품 벡터 검색	해당 없음	해당 없음

18.3 상품 이미지 검색

단계	입력	input_type	저장 여부
상품 이미지 인덱싱	상품 이미지 또는 이미지와 상품 설명	search_document	저장
사용자 이미지 검색	사용자 업로드 이미지	search_query	미저장
검색	이미지 벡터 유사도 검색	해당 없음	해당 없음

18.4 PDF 멀티모달 검색

단계	입력	input_type	저장 여부
PDF 전처리	페이지 이미지 변환, OCR, 메타데이터 추출	해당 없음	선택
페이지 인덱싱	페이지 이미지와 OCR 텍스트	search_document	저장
사용자 질문	질문 텍스트	search_query	미저장
검색	질문 벡터와 페이지 벡터 비교	해당 없음	해당 없음

18.5 이미지와 텍스트 조건 검색

단계	입력	input_type	저장 여부
상품 인덱싱	상품 이미지와 상품명, 속성	search_document	저장
사용자 검색	업로드 이미지와 추가 조건 텍스트	search_query	미저장
검색	query vector와 상품 vector 비교	해당 없음	해당 없음

19. 잘못된 사용 예시

잘못된 사용	왜 문제인가	올바른 사용
사용자 검색어를 search_document로 임베딩	검색 조건을 검색 대상으로 취급함	search_query 사용
문서 chunk를 search_query로 저장	검색 대상을 query로 취급함	search_document 사용
상품 이미지를 search_query로 저장	상품 이미지는 검색 대상임	search_document 사용
사용자 업로드 이미지를 search_document로 검색	사용자 이미지는 검색 조건임	search_query 사용
검색용 인덱스에 classification 사용	classification은 분류 feature용임	search_document와 search_query 사용
검색용 벡터와 clustering 벡터를 혼용	목적이 다른 벡터 공간을 섞음	목적별 인덱스 분리
output_dimension을 바꾸고 기존 인덱스 사용	Vector DB 차원 불일치	인덱스 재생성
texts와 images를 직접 함께 사용	혼합 입력 방식이 아님	inputs 사용

20. 운영 권장 기본값

20.1 RAG

필드	값
input_type	인덱싱은 search_document, 검색은 search_query
입력 필드	texts
embedding_types	float
output_dimension	1536
truncate	RIGHT

20.2 상품 검색

필드	값
input_type	인덱싱은 search_document, 검색은 search_query
입력 필드	texts 또는 inputs
embedding_types	float
output_dimension	1024 또는 1536
truncate	RIGHT

20.3 상품 이미지 검색

필드	값
input_type	인덱싱은 search_document, 검색은 search_query
입력 필드	images 또는 inputs
embedding_types	float
output_dimension	1024 또는 1536
truncate	RIGHT

20.4 PDF, 표, 차트 검색

필드	값
input_type	search_document
입력 필드	inputs
embedding_types	float
output_dimension	1536
truncate	RIGHT

20.5 분류

필드	값
input_type	classification
입력 필드	texts, images 또는 inputs
embedding_types	float
output_dimension	1024 또는 1536
truncate	RIGHT

20.6 클러스터링

필드	값
input_type	clustering
입력 필드	texts, images 또는 inputs
embedding_types	float
output_dimension	512, 1024 또는 1536
truncate	RIGHT

21. 에러 처리 기준

21.1 재시도 대상

오류	처리
ThrottlingException	지수 백오프 후 재시도
ServiceUnavailableException	재시도
InternalServerException	재시도
ModelTimeoutException	입력 크기 축소 또는 재시도
ModelNotReadyException	짧은 대기 후 재시도

권장 재시도 간격은 500ms, 1s, 2s, 4s 방식의 지수 백오프다. 운영에서는 jitter를 추가한다.

21.2 재시도하지 않을 대상

오류	가능 원인	처리
ValidationException	요청 형식 오류, 파라미터 오류, payload 초과	요청 수정
AccessDeniedException	IAM 권한 부족, 모델 접근 권한 부족	권한 확인
ResourceNotFoundException	modelId 오류, 리전 오류	모델 ID와 리전 확인

22. 최종 체크리스트

체크 항목	확인
Bedrock Runtime InvokeModel을 사용한다
IAM Role에 bedrock:InvokeModel 권한이 있다
서울 리전에서는 global.cohere.embed-v4:0 사용을 검토한다
문서 저장은 search_document를 사용한다
사용자 검색은 search_query를 사용한다
분류 feature 생성은 classification을 사용한다
군집 분석은 clustering을 사용한다
텍스트만 넣을 때는 texts를 사용한다
이미지만 넣을 때는 images를 사용한다
텍스트와 이미지를 함께 넣을 때는 inputs를 사용한다
embedding_types 기본값은 float로 둔다
output_dimension과 Vector DB dimension이 일치한다
요청당 입력 개수는 96개 이하로 제한한다
이미지 파일은 5MB 이하로 제한한다
전체 요청 payload는 약 20MB 이하로 관리한다
streaming 호출을 사용하지 않는다
model_id, input_type, output_dimension을 메타데이터로 저장한다

23. 최종 요약

질문	답
문서를 저장할 때는?	search_document
사용자의 질문을 검색할 때는?	search_query
상품 이미지를 저장할 때는?	search_document
사용자 업로드 이미지로 검색할 때는?	search_query
텍스트만 넣을 때는?	texts
이미지만 넣을 때는?	images
텍스트와 이미지를 함께 넣을 때는?	inputs
분류용 feature가 필요할 때는?	classification
유사 데이터끼리 묶을 때는?	clustering
일반적인 embedding_types는?	float
정확도 우선 output_dimension은?	1536
상품 검색 균형값은?	1024 또는 1536
서울 리전 모델 ID는?	global.cohere.embed-v4:0

별첨 A. Python 호출 예시

아래 코드는 참고용이다. 실제 운영에서는 AWS 인증, 재시도, 로깅, 타임아웃, 배치 처리, 오류 처리를 프로젝트 표준에 맞게 추가해야 한다.

import json
import os
import boto3
from botocore.exceptions import ClientError

AWS_REGION = os.getenv("AWS_REGION", "ap-northeast-2")
MODEL_ID = os.getenv("BEDROCK_COHERE_EMBED_MODEL_ID", "global.cohere.embed-v4:0")

bedrock = boto3.client(
    service_name="bedrock-runtime",
    region_name=AWS_REGION
)

def invoke_embed(body):
    try:
        response = bedrock.invoke_model(
            modelId=MODEL_ID,
            body=json.dumps(body),
            contentType="application/json",
            accept="application/json"
        )

        return json.loads(response["body"].read())

    except ClientError as e:
        raise RuntimeError(f"Bedrock embedding request failed: {e}") from e

def embed_documents(texts, output_dimension=1536):
    body = {
        "input_type": "search_document",
        "texts": texts,
        "embedding_types": ["float"],
        "output_dimension": output_dimension,
        "truncate": "RIGHT"
    }

    payload = invoke_embed(body)
    return payload["embeddings"]

def embed_query(query, output_dimension=1536):
    body = {
        "input_type": "search_query",
        "texts": [query],
        "embedding_types": ["float"],
        "output_dimension": output_dimension,
        "truncate": "RIGHT"
    }

    payload = invoke_embed(body)
    return payload["embeddings"][0]

def embed_image_document(base64_image, mime_type="image/jpeg", output_dimension=1536):
    body = {
        "input_type": "search_document",
        "images": [
            f"data:{mime_type};base64,{base64_image}"
        ],
        "embedding_types": ["float"],
        "output_dimension": output_dimension,
        "truncate": "RIGHT"
    }

    payload = invoke_embed(body)
    return payload["embeddings"][0]

def embed_image_query(base64_image, mime_type="image/jpeg", output_dimension=1536):
    body = {
        "input_type": "search_query",
        "images": [
            f"data:{mime_type};base64,{base64_image}"
        ],
        "embedding_types": ["float"],
        "output_dimension": output_dimension,
        "truncate": "RIGHT"
    }

    payload = invoke_embed(body)
    return payload["embeddings"][0]

별첨 B. Java Spring Boot 호출 예시

아래 코드는 참고용이다. 실제 운영에서는 Bean 구성, client 재사용, retry policy, timeout, logging, metric 수집을 별도 구성하는 것이 좋다.

package com.example.embedding;

import com.fasterxml.jackson.databind.JsonNode;
import com.fasterxml.jackson.databind.ObjectMapper;
import org.springframework.stereotype.Service;
import software.amazon.awssdk.core.SdkBytes;
import software.amazon.awssdk.regions.Region;
import software.amazon.awssdk.services.bedrockruntime.BedrockRuntimeClient;
import software.amazon.awssdk.services.bedrockruntime.model.InvokeModelRequest;
import software.amazon.awssdk.services.bedrockruntime.model.InvokeModelResponse;

import java.util.List;
import java.util.Map;

@Service
public class CohereEmbedV4BedrockService {

    private static final String MODEL_ID = "global.cohere.embed-v4:0";
    private static final Region REGION = Region.AP_NORTHEAST_2;

    private final BedrockRuntimeClient bedrockRuntimeClient;
    private final ObjectMapper objectMapper;

    public CohereEmbedV4BedrockService() {
        this.bedrockRuntimeClient = BedrockRuntimeClient.builder()
                .region(REGION)
                .build();

        this.objectMapper = new ObjectMapper();
    }

    public List<Double> embedDocument(String text) {
        return embedSingleText(text, "search_document");
    }

    public List<Double> embedQuery(String text) {
        return embedSingleText(text, "search_query");
    }

    public List<Double> embedForClassification(String text) {
        return embedSingleText(text, "classification");
    }

    public List<Double> embedForClustering(String text) {
        return embedSingleText(text, "clustering");
    }

    private List<Double> embedSingleText(String text, String inputType) {
        try {
            Map<String, Object> body = Map.of(
                    "input_type", inputType,
                    "texts", List.of(text),
                    "embedding_types", List.of("float"),
                    "output_dimension", 1536,
                    "truncate", "RIGHT"
            );

            String jsonBody = objectMapper.writeValueAsString(body);

            InvokeModelRequest request = InvokeModelRequest.builder()
                    .modelId(MODEL_ID)
                    .contentType("application/json")
                    .accept("application/json")
                    .body(SdkBytes.fromUtf8String(jsonBody))
                    .build();

            InvokeModelResponse response = bedrockRuntimeClient.invokeModel(request);

            JsonNode root = objectMapper.readTree(response.body().asUtf8String());
            JsonNode vectorNode = root.get("embeddings").get(0);

            return objectMapper.convertValue(
                    vectorNode,
                    objectMapper.getTypeFactory().constructCollectionType(List.class, Double.class)
            );

        } catch (Exception e) {
            throw new RuntimeException("Failed to invoke Cohere Embed v4 on Bedrock", e);
        }
    }
}

참고자료

자료	링크
AWS Cohere Embed v4 모델 파라미터	https://docs.aws.amazon.com/bedrock/latest/userguide/model-parameters-embed-v4.html
AWS Cohere Embed v4 모델 카드	https://docs.aws.amazon.com/bedrock/latest/userguide/model-card-cohere-embed-v4.html
AWS Cohere Embed 모델 공통 문서	https://docs.aws.amazon.com/bedrock/latest/userguide/model-parameters-embed.html
AWS Bedrock InvokeModel API	https://docs.aws.amazon.com/bedrock/latest/APIReference/API_runtime_InvokeModel.html