AWS

·DevOps·

AWS, Kubernetes, GPU, Lambda, Auto Scaling

AWS는 Unreal Engine 기반의 디지털 휴먼 렌더링 워크로드를 위해 다중 리전에 걸친 GPU 자원을 EC2 Spot 인스턴스와 EKS로 동적으로 관리하는 아키텍처를 소개합니다. Group Manager라는 맞춤형 오케스트레이션 계층이 스팟 가용성과 워크로드 밀도를 고려해 Auto Scaling 그룹과 쿠버네티스 레플리카를 자동으로 최적화하고, 스팟 우선으로 운영합니다. 그 결과 디지털 휴먼당 비용이 30~55% 감소하고, 99.95%의 가동 시간을 유지하는 동시에 월 약 15 엔지니어 시간의 절감 효과를 얻습니다.

AWS

·Data·

RAG, pgvector, Aurora PostgreSQL, HNSW, Titan Text Embeddings

AWS의 Amazon Aurora PostgreSQL-Compatible Edition에서 pgvector를 프로덕션 환경에서 운영하기 위한 실무 가이드를 다루며, HNSW와 IVFFlat 인덱스 선택과 운영 고려사항을 제시합니다. 쿼리 성능과 안정성 측면에서, 기본적으로 HNSW를 추천하되 소규모 데이터나 100% 재현율이 필요한 파티셔닝은 IVFFlat이나 인덱스 생략을 고려하는 의사결정 흐름을 설명합니다. 또한 데이터 스키마, AWS 권장 파라미터, 거리 연산자, 양자화 및 재순위화, 파티셔닝, 인덱스 churn 관리, Optimized Reads 등 운영 실무를 포함한 종합 가이드를 제공합니다.

AWS

·AI/ML·

SQL, PostgreSQL, Amazon Bedrock, Oracle, GAMMA

AWS가 Amazon Bedrock 기반의 지능형 멀티 에이전트 GAMMA를 통해 Oracle에서 PostgreSQL로의 데이터베이스 마이그레이션을 자동화하는 핵심 접근방식을 제시합니다. 3단계 Modernization 흐름에서 평가, 계획, 실행 단계에 따른 의존성 매핑, 시맨틱 재시도와 검증 및 LLM 기반 코드 변환을 통해 수작업을 줄이고 정확도를 높이는 방법을 제시합니다. 실제 사례를 바탕으로 51%의 수동작업 감소와 72%의 코드 변환 정확도 향상 같은 성과를 제시하며, 대규모 포트폴리오 적용의 실무 가능성을 보여줍니다.

슈퍼브에이아이

·AI/ML·

Machine Learning, TensorFlow, AI, Data Labeling, Labeling Workflow

슈퍼브에이아이가 영상 기반 행동 분석 분야에서 학습 데이터 부족 문제를 해결하기 위한 키포인트 라벨링 워크플로를 다룹니다. 워크플로의 핵심 요소로 데이터 수집과 라벨링 지침의 표준화, 품질 검수 프로세스의 체계화, 그리고 데이터 활용 효율을 높이는 방법론을 제시합니다. 현장 적용 시에는 데이터 체계 확립과 빠른 실험 주기를 구축해 AI 모델 개발과 운영의 실무적 이점을 제공할 수 있습니다.

여기어때

·Frontend·

TypeScript, React, Vue, Feature Sliced Design

여기어때의 항공 프론트엔드 구축기는 Feature-Sliced Design(FSD) 기반의 계층 구조와 섹션 규칙, 그리고 짝-공유 체계 도입 사례를 다룬다. 폴더 이름 앞의 기호(+ 및 _)과 폴더-파일 짝을 통해 화면별 소유와 재사용 규칙을 명시하고, _shared를 통한 공용 구성 요소를 분리합니다. 이 방식은 온보딩을 용이하게 하고 화면 간 의존 방향을 강제하는 규칙으로, 실제 프로젝트에서 구성 유지 및 확장성에 기여합니다.

여기어때

·Frontend·

React, JavaScript, REST API, Next.js, Server-Side Rendering

여기어때의 항공 프론트엔드 구축기는 토큰이 쿠키, 앱 저장소, 웹뷰 브릿지 등 세 곳에서 들어오는 문제와 이를 하나의 흐름으로 맞추는 설계를 다룬다. 웹과 앱 간 인증 흐름을 한 길로 정리하고, httpOnly 쿠키를 통한 서버 렌더링 시점의 토큰 확인을 중심으로 구현한다. 브릿지-SSR 구성으로 로그인 상태를 일관되게 반영하고, 화면 단에서의 중복 로직을 줄이는 설계를 제시한다.

여기어때

·AI/ML·

LLM, API, Memory, Wiki

여기어때가 개인 LLM 위키를 도입해 사용자의 일상 기록을 AI가 기억하도록 하는 아키텍처를 소개합니다, 사내 적용 사례와 기대 효과를 함께 다룹니다. 원본(raw)은 불변으로 두고 정리본과 목차를 분리하며, 대장과 링크 기반 위키로 상태를 관리하고 카파시의 위키 패턴을 따른 약 900장의 자료를 이관해 운영합니다. 그 결과 같은 알림의 원인 구분과 장애 대응이 빨라졌고, 개발자가 기억에 의존한 의사결정을 더 신뢰하게 되었습니다.

여기어때

·Frontend·

Grafana, OpenTelemetry, ClickHouse, APM, Scatter Plot

여기어때가 Grafana용 커스텀 패널 개발과 10만 점 규모의 산점도 시각화 필요성 및 구현 맥락을 다룹니다. OpenTelemetry와 ClickHouse 기반 데이터 파이프라인, Grafana 패널의 렌더링 설계와 두 겹의 캔버스 활용 등 핵심 구현 포인트를 설명합니다. 실무에서는 이러한 패널 설계가 대시보드의 대용량 데이터 시각화와 상호 작용성 확보에 직결된다고 제시합니다.

여기어때

·Data·

Grafana, OpenTelemetry, ClickHouse, MergeTree, Materialized View

여기어때가 OpenTelemetry 수집과 ClickHouse 저장을 활용해 APM 스캐터 차트를 직접 구현하는 확장된 아키텍처를 데이터 흐름 관점에서 제시합니다. 스텝별로 수집/저장 파이프라인 분리, 필터링 규칙, 컬럼 지향 저장, 인덱스·파티션·TTL 설계로 스캐터 차트의 개별 요청 분포를 포착하는 설계 방향을 다룹니다. 이 구조는 트랜잭션 단위가 아닌 개별 요청 분포를 시각화하고 운영 비용을 관리하는 실용적 인사이트를 제공합니다.

여기어때

·Data·

Journey, Story, Experience, Personal Growth, Career Growth

여기어때의 기술 블로그 글은 전시 QA에서 예약·정산 QA로 넘어가며 보이는 결과에서 보이지 않는 데이터의 검증으로 관점이 어떻게 확장되는지 자세히 다룹니다. 데이터 정합성과 금전적 정확성에 초점을 맞춘 검증 방법과 배치 실행 이후의 결과 확인 같은 새로운 절차를 구체적으로 제시합니다. 전시에서 시작해 예약·정산으로 확장한 경험이 서비스의 흐름, 정책, 데이터 구조를 이해하는 데 도움이 되며 같은 맥락의 QA 커리어를 설계하는 데 실용적 시사점을 제공합니다.