핵심 요약
캐치테이블이 글로벌 다국어 서비스 레이어를 구축하고 번역 품질과 응답성을 향상시켜 MAU를 6개월 만에 두 배 성장시킨 경험을 공유합니다.
구현 방법
- ct-translation-service라는 마이크로서비스로 내부 번역/검수 시스템을 운영하고, 내부 번역 사전·외부 번역 API·OpenAI GPT 모델을 혼합해 높은 정확도를 제공합니다. 또한 내부 검수 어드민으로 번역 데이터의 사후 검수 및 업데이트를 수행합니다.
- 다국어 인터페이스를 위해 두 가지 연동 방식 제공합니다: Kafka를 활용한 비동기 번역 요청과 REST API 방식의 동기 번역 요청. REST는 일반 외부 API와 유사 구조이며 본문에서는 다루지 않습니다.
- Kafka 번역 요청 토픽(translation-request)과 스키마를 통해 domainKey, requestKey, originText, originLanguage, targetLanguage, sizeConstraint, callBackUrl, textDescription, extraData 등을 관리합니다. domainKey는 멱등 키로 작동하며 동일 데이터의 마지막 요청만 검수합니다.
- 콜백 및 검수 프로세스: 번역 완료 시 콜백 엔드포인트로 domainKey, requestKey, resultText, resultLanguage, status 등을 전달하며, resultText는 sizeConstraint에 맞춰 자동으로 잘립니다. 비동기 흐름에서 최초 결과를 빠르게 제공하고 이후 검수 업데이트를 반영합니다.
- 데이터 변경 감지(CDC) 기반의 데이터 흐름: AWS DMS와 CDC를 활용해 매장/리뷰 등 데이터 변경 이벤트를 Kafka로 전달하고, 이를 통해 번역 요청을 중앙에서 처리합니다. CDC의 단점으로는 추가 복제 인스턴스 운용과 I/O 부하가 있으며, 기존 CDC 이벤트의 재활용으로 속도와 구현 효율성을 높였습니다.
주요 결과
- 6개월 동안 MAU가 2배로 성장하는 효과를 거두었습니다(4개 언어로 확장).
- 내부 번역 사전과 검수 어드민 도입으로 품질 관리가 가능해졌고, 비동기 Kafka 방식으로 대량 요청도 안정적으로 처리할 수 있습니다.
- CDC 활용으로 번역 책임을 중앙화하고 데이터 변경에 따른 번역 요청을 효과적으로 반영하는 구조를 확보했습니다.
