

Amazon EKS와 NVIDIA FLARE로 구현하는 연합학습 (Federated Learning)
Amazon EKS와 NVIDIA FLARE로 연합학습을 구성하는 방법과 CSE 평가 흐름을 설명했습니다. 세 가지 데이터 시나리오를 통해 전역 모델의 수렴, 일반화, 운영상의 관찰 포인트를 보여주었습니다.


Amazon EKS와 NVIDIA FLARE로 연합학습을 구성하는 방법과 CSE 평가 흐름을 설명했습니다. 세 가지 데이터 시나리오를 통해 전역 모델의 수렴, 일반화, 운영상의 관찰 포인트를 보여주었습니다.

AI 시대의 진짜 자산은 모델이 아니라 현장에서 쌓이는 도메인 데이터와 하네스라고 설명했습니다. 업의 본질은 그대로지만, 프로세스를 바꾸는 힘이 경쟁력을 만든다고 정리했습니다.


LLM이 만든 결과를 그대로 믿지 않고, JSON Schema와 Validator로 원문 근거를 검증하는 구조를 소개했습니다. 누락은 질문으로 남기고, 오류 응답과 실행 기록을 보존해 회귀 평가에 활용했습니다.


LLM 기능을 단순 연결하는 대신 Workflow Loop와 Domain Adapter로 판단과 실행 책임을 분리했습니다. 사용자 Interaction과 스냅샷 승인까지 구조화해 Agentic Workflow의 재개와 검증을 안정화했습니다.

장애 대응과 별개로 복구 설계를 사전에 준비해야 한다는 점을 RTO/RPO로 설명했습니다. 워크로드 티어링과 DR 전략 선택, 정기적인 복구 테스트의 필요성을 정리했습니다.


인프라 문의가 늘자 사람을 늘리지 않고, 같은 정보에서 시작하는 업무 요청 구조를 만들었습니다.\n5분 내 자동 배정과 트리아지로 응답 지연과 미처리 문의를 줄이고, 장애 대응과 팀 생산성도 개선했습니다.
쿠팡 파트너스
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.

X

9월 넷째 주 Google for Developers의 주요 업데이트를 모아 소개했습니다. AI, Android, Flutter 관련 새 소식과 번역본 안내를 함께 전했습니다.

배송준비중 단계에서 막히던 주문 취소를 앱에서 직접 가능하게 바꾼 사례입니다. 배송유형별 마감 시점을 재정의하고 Kafka, Redis 락, SQS로 동시성과 장애를 처리했습니다.

레거시 문자 발송 데몬을 걷어내기 위해 CDC와 Kafka를 이용한 과도기 구조를 설계했습니다.수십 개 서비스를 한 번에 바꾸지 못하는 상황에서 안전한 전환과 관측성을 확보한 사례를 설명했습니다.


PostgreSQL 조인 검색을 Elasticsearch로 옮기며 Logstash 폴링과 Debezium CDC를 비교했습니다. 삭제 반영 문제를 해결하기 위해 WAL 기반 CDC와 검색 서비스 분리를 적용했습니다.


병원 전자문진 시스템의 링크 로그인에서 정식 회원 정보가 노출되는 취약점을 발견하고 보완했습니다. 로그인 방식을 토큰 claim으로 구분해 링크 세션을 게스트처럼 제한하도록 개선했습니다.

자동승인 대기 지연을 줄이기 위해 아웃박스 큐를 걷어내고 단일 폴링 구조로 바꿨습니다. 후보 조회와 재시도를 분리해 외부 부하는 유지한 채 처리 시작 시간을 10초 이내로 개선했습니다.

전세대출 문의가 많아지던 문제를 AI 상담 서비스로 풀어낸 사례를 소개했습니다. 사용자가 자주 묻는 질문을 먼저 보여줘 상담 사용률과 전화 문의를 줄였습니다.