
[AI활용] AI Portal부터 보안관제까지, kt cloud AI 내재화 3가지 사례
kt cloud가 사내 업무에 AI를 먼저 적용한 3가지 사례를 소개했습니다. RAG와 MCP로 검색, 보안관제, 장애관제 품질을 높인 방식과 성과를 정리했습니다.

kt cloud가 사내 업무에 AI를 먼저 적용한 3가지 사례를 소개했습니다. RAG와 MCP로 검색, 보안관제, 장애관제 품질을 높인 방식과 성과를 정리했습니다.

IaC를 인프라를 코드로 관리하는 표준과 방법론으로 설명했습니다. 수동 관리의 문제와 함께 재현성, 버전 관리, 일관성의 가치를 정리했습니다.


Amazon ElastiCache for Valkey의 벡터 검색으로 Interactive AI 스토리텔링 플랫폼의 이미지 응답 속도와 비용 효율을 개선했습니다. CESC와 LLM 검증, 폴백 전략으로 맥락 기반 캐싱과 몰입 경험을 강화했습니다.

캐치테이블은 전사 AI 해커톤을 위해 이틀간 업무를 멈추고 몰입 환경을 마련했습니다. 사전 교육과 실습, 인프라 지원을 통해 AI를 업무 핵심 파트너로 확산하려 했습니다.

생성형 AI를 QA 운영 체계에 통합해 품질 이벤트 분석과 테스트 설계를 자동화했습니다. 사람과 AI가 함께 작동하는 구조로 QA의 역할과 사고 범위를 확장했습니다.
TVING 쇼츠 플레이어의 단일 인스턴스 구조와 프리로드 최적화 과정을 정리한 글입니다. 메모리 문제와 VST 지연을 줄여 더 부드러운 시청 경험을 만들었습니다.
TVING 쇼츠 플레이어의 메모리 관리와 전환 지연 문제를 단일 플레이어 구조와 프리로드로 개선했습니다. VST를 낮추고 저사양 단말과 불안정한 네트워크에서도 더 부드러운 시청 경험을 확보했습니다.
토스는 AI 시대에 늘어나는 회색지대 문제를 해결하기 위해 TPM 역할을 재정의했습니다. 기존 조율을 넘어 구조화와 실행 전환까지 맡는 전략 실행자가 필요하다고 설명합니다.
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.


Amazon GameLift Servers에서 멀티플레이어 게임 출시 전 준비해야 할 운영 항목을 정리했습니다. 서비스 한도 상향, 부하 테스트, 스로틀링 모니터링, Blue/Green 배포가 핵심입니다.


Amazon GameLift Servers를 활용한 멀티플레이어 게임 출시 사전 준비 항목을 정리했습니다. 테스트, 세션 관리, 큐 배치, 모니터링 설정의 핵심 포인트를 다뤘습니다.


Aurora PostgreSQL에서 pg_bigm과 pgvector를 RRF로 결합해 한국어 하이브리드 검색을 구현하는 방법을 소개했습니다. 한국어 조사와 자연어 질문의 한계를 보완해 RAG 검색 품질을 높이는 구조와 예시를 제시했습니다.
![[코드가 환경을 모르는 구조 6/7] 컨테이너는 왜 폭발하는가](https://flex.team/blog/og/main.jpg)

실제 DB를 쓰는 통합 테스트는 신뢰도가 높지만, 컨텍스트 분화로 컨테이너가 복제되며 CI가 느려졌습니다. 이를 Gradle BuildService로 공유하고 스키마를 분리해 속도와 격리를 함께 확보했습니다.


딜라이트룸은 EKS Auto Mode로 멀티 클러스터 운영 복잡도를 크게 줄였습니다. 또한 로그 수집과 진단 자동화를 더해 장애 대응력도 높였습니다.


비엔지니어 환경에서 Claude Code ROI를 측정하는 4가지 베이스라인 지표를 소개했습니다. 로컬 로그와 ccusage 분석으로 토큰, 비용, 도구 사용, 메시지 패턴을 기준점으로 삼는 방법을 설명했습니다.