
[Hands-On] Amazon SageMaker Canvas를 사용하여 노코드로 ML 모델 구축
Amazon SageMaker Canvas로 코딩 없이 머신러닝 모델을 만들고 예측하는 실습 과정을 소개했습니다. 데이터 준비부터 모델 분석, 배치·단일 예측, MLOps 연계까지의 흐름을 정리했습니다.

Amazon SageMaker Canvas로 코딩 없이 머신러닝 모델을 만들고 예측하는 실습 과정을 소개했습니다. 데이터 준비부터 모델 분석, 배치·단일 예측, MLOps 연계까지의 흐름을 정리했습니다.

AWS의 생성형 AI 서비스 흐름 속에서 Amazon Q의 기능과 활용 가치를 소개했습니다. 개발 지원, 데이터 분석, 보안과 통합 측면에서 기업 도입 효과를 설명했습니다.


Spring Kafka의 seek 기능으로 컨슈머를 멈추지 않고 오프셋을 이동하는 방법을 정리했습니다. 분산 환경에서는 HTTP API와 Redis Pub/Sub로 요청을 전파해 그룹 단위 재처리를 구현했습니다.

X


비동기 메시지 규칙이 제각각이던 레거시 시스템을 통합 이벤트·커맨드·태스크로 분류해 표준화했습니다. Kafka와 Bullmq로 cloud agnostic 인프라를 구성해 CSAP 대응 마이그레이션을 완료했습니다.

올리브영 서비스용 디자인 시스템을 Storybook과 Emotion으로 구축한 과정을 소개했습니다. 전역 스타일, 상태별 컴포넌트 문서화, 패키지 배포와 서비스 적용 방법을 다뤘습니다.


토니모리 공식몰 API의 응답 시간을 개선한 사례를 다뤘습니다. COUNT(*)를 EXISTS로 바꾸고 인덱스를 추가해 조회 성능을 높였습니다.
![[SpringBatch 연재 10] 스프링배치 플로우 컨트롤 하기](https://devocean.sk.com/thumnail/2024/11/29/20eb6934476f3b2a7a750153647d9f049eb9df33462a0b597ee5acfb5d95cf82.png)

Spring Batch의 Flow Controller로 Step 실행 순서와 분기 방법을 설명했습니다. next, on, from, stop을 이용해 조건별 배치 흐름을 구성하는 방법을 정리했습니다.

협업 환경에서 자주 부딪히는 소프트 스킬 문제를 유연함의 관점으로 풀어낸 사례를 소개했습니다. 책에서 얻은 아이디어를 현실 문제에 적용한 경험과 정리도 함께 공유했습니다.

올리브영 선물하기관은 DB 의존과 배치 지연으로 성능과 신뢰성 문제가 있었습니다. 전시 전략 통합과 AOP·리플렉션 기반 개선으로 빠르고 정확한 서비스로 개편했습니다.

티맵의 프로필 등록 기능 개편과 차량 프로필 연계 방식을 소개했습니다. AWS Rekognition으로 프로필 이미지 안전성을 검증한 사례를 다루었습니다.


웹앱 UX 개선을 위해 스켈레톤 UI, Vue Transition, Tanstack-Query를 적용한 사례를 소개했습니다. 상황에 따라 스피너와 페이드 효과를 병행하며 전환과 상태 관리를 단순화했습니다.